A Systematic Approach For FeatureExtraction in Fingerprint Images
Sharat Chikkerur, Chaohang Wu, Venu Govindaraju
{ssc5,cwu3,govind}@buffalo.edu
Abstract
A new enhancement algorithm based on Fourierdomain analysis is proposed.
Fourier analysis  is used extract orientation,frequency and quality map in addition to doingenhancement.
The enhancement algorithm uses full contextualinformation and adapts radial and angular extentsbased on block properties.
A  new feature extraction algorithm based on chaincode analysis is presented.
An objective metric is used to evaluate theefficiency of the feature extraction.
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
Motivation : Enhancement
Anisotropic filter (Greenberg et.al, Yang et.al)
Very fast but cannot handle creases, wide breaks and poor quality images
Pseudo Matched filtering (Wilson, Grother Candela et. al)
Increases SNR but can lead to artefacts due to isotropic filtering.
Directional Filtering (Sherlock,Monro et. al.)
Very robust even near regions of high curvature but marked by large storagerequirements. Frequency of ridges is assumed to be constant.
Gabor filter bank(Hong et. al)
Filter has optimal joint directional and frequency resolution but does not handlehigh curvature regions well due to block wise approach. Angular and radialbandwidths are constant.
Proposed approach
A single algorithm is used for contextual analysis and enhancement.
Utilized full contextual information. Adapts both frequency and angularbandwidth based on block properties.
Adapts to high curvature regions reducing blocking artifacts.
However, using full contextual information leads to processing complexity.
Qualitative Comparison : Feature Extraction
MINDTCT,NIST NFIS, (Garris et. al)
The algorithm is extremely fast.
Greedy approach to minutia detection leads to false positives.Extensive postprocessing is required to eliminate false positives
Adaptive Flow Orientation technique (Ratha et. al.)
Is capable of correcting breaks in the rides and is robust to noise.
Peak detection leads to false positivies in regions of poor ridge constrast.Also,thinning and morphological post processing shift minutia location.
Direct Gray Scale Ridge Following (Maio and Maltoni)
Does not have errors introduced due to binarization and has low computationalcomplexity.
Cannot handle poor contrast prints and images with poor ridge structure.
Proposed method
Enhancement reduces spurious and missing minutiae. The locations of theminutiae are preserved during detection.
Contour based extraction is sensitive to binarization and enhancement errors.
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
SNR is increased using Pseudo Matched filtering
[Wilson et. Al, 1994], k = 0.15 is used to reduce artifacts
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Gray Level
Image
The image is divided into blocks and Fourier analysis is
done on each of them. The analysis produces orientation,frequency, angular bandwidth and quality maps [proposed]
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
Each block is filtered using a orientation and frequency
selective filter [Sherlock and Monro, 1994] with the given bandwidth
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
The enhanced image is binarized using an locally
adaptive algorithm
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
Contours of the ridges are extracted andtraced consistently in a counter clockwisedirection[Govindaraju et. al, 2003]
Overview of the proposed method
Fourier Analysis
Contextual
Filtering
Preprocessing
Binarization
Contour Extraction
Minutiae Detection
Enhancement
Feature Extraction
Feature Extraction
Gray Level
Image
Minutiae are detected as points with
'signficant' turns in the contour. Vectorproducts are used to quanity the turns
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
Surface Wave Model
Local ridge orientation
Local ridge frequency
Validity of the model
With the exception of singularities such as core and delta, anylocal region of the fingerprint has consistent ridge orientationand frequency.
The ridge flow may be coarsely approximated using anoriented surface wave that can be identified using a singlefrequency f and orientation .
However, a real fingerprint is marked by a distribution ofmultiple frequencies and orientation.
Obtaining block parameters
To obtain the dominant ridge orientation and frequency a probabilisticapproximation is used
We can represent the Fourier spectrum in polar form as F(r, ) Thepower spectrum is reduced to a joint probability density function using
The angular and frequency densities are given by marginal densityfunctions
,
Obtaining block parameters (contd.)
The dominant ridge orientation is obtained using
The dominant frequency can be estimated using the expectedvalue of the frequency density function,
The quality is assumed to be proportional to the strength ofthe ridge flow and is estimated using
Fourier Analysis –Energy Map
Original Image
Energy Map
Original Image
Local Ridge Frequency Map
Fourier Analysis – Frequency Map
Original Image
Local Ridge Orientation Map
Fourier Analysis-Orientation Map
Fourier Analysis : Angular Bandwidth
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
Original Image
Fourier Domain Based Enhancement
Enhanced Image
Contextual Filter
Additional Enhancement Results
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
When the ridge contours are traced in a counterclockwise direction, minutiae are encountered as pointswith significant turn.
Types of turn points: left(ridge),right(bifurcation)
S(Pin, Pout) = S(               )=S(x1y2 –x2y1)
Pin : Vector leading into the candidate point
Pout: Vector leading out of the point of interest
S(Pin, Pout) >0 indicates left turn, S(Pin, Pout) <0 indicatesright turn
Significant turn can be determined by
(                   )=x1y1 + x2y2 < T
Determination of Turn Points
Turn points
(a) Potential minutia location; (b) Determination of turn points
Post processing
•Feature Extraction errors
•Missing minutiae
•Spurious minutiae
•Spurious minutia can be removed using post processing
•Heuristic rules:
1.Merge minutiae that are a certain distance of each other and have similar angles
2.Discard minutiae whose angles are inconsistent with ridge direction
3.Discard all border minutia
4.Discard opposing minutiae within certain distance of each other
Example Result
Outline
Related Previous Work
Overview of the proposed method
Fourier Analysis
Fingerprint Image Enhancement
Feature Extraction
Performance Evaluation
Conclusion
Quantitative Analysis
Test Data
150 prints from FVC2002(DB1) were randomly selected forevaluation.
Ground truth was established using a semi automated truthing tool.
Results compared using NIST NFIS open source software.
Metrics
We use feature extraction metrics proposed by Sherlock et. Al
Sensitivity:  Ability of the algorithm to detect true minutiae
Specificity : Ability of the algorithm to avoid false positives
Additional Metrics
Flipped : Minutiae whose type has been exchanged
Quantitative Analysis : Results
Examples
File Name
NIST
Proposed method
Actual
TP
FP
M
F
TP
FP
M
F
10_8.tif
18
16
8
2
1
17
0
1
1
11_6.tif
50
40
4
10
2
41
4
9
4
12_8.tif
29
22
5
7
3
22
3
7
1
13_6.tif
35
28
10
7
4
28
10
7
2
14_6.tif
44
34
12
10
6
37
13
7
5
15_7.tif
38
37
7
1
5
37
3
1
0
16_7.tif
41
35
12
6
5
36
8
5
8
17_6.tif
43
35
16
8
11
36
7
8
11
18_8.tif
34
31
7
3
4
32
6
2
1
19_7.tif
35
26
8
9
3
31
6
4
5
Quantitative Analysis : Results
Summary results
Count TP(ANSI) > proposed : 40 of 150
Count E(ANSI) < proposed   : 40 of 150
Metric
NIST
Proposed
Sensitivity(%)
82.8
83.5
Specificity(%)
77.2
76.8
Flipped(%)
12.0
10.9
Sensitivity distribution
Overall statistics
Conclusion
A new effective enhancement algorithm based onFourier domain analysis is proposed
A single algorithm is used to derive orientation,frequency, angular bandwidth and quality maps
A new feature extraction algorithm based onchain code contour analysis is presented
Heuristic rules specific to the feature extractionalgorithm has been derived
The algorithm is evaluated using an objectivemetric
Related Previous Work: Enhancement
Spatial Domain
Anisotropic filter (Greenberg et.al, Yang et.al)
Uses a locally adaptive kernel
Blurs along the ridge direction. Increases the discrimination between ridgesand valleys along the perpendicular direction.
Frequency Domain
Pseudo Matched filtering (Wilson, Grother Candela et. al)
The Fourier transform of the block is multiplied by its power spectrum raisedto a power of k
Directional Filtering (Sherlock,Monro et. al.)
The image is decomposed into a set of eight directional responses using abank of directionally selective filters. The frequency is assumed constant.
The enhanced image is obtained by composing the filter responses using thelocal orientations.
Gabor filter bank(Hong et. al)
The image is enhanced by using a Gabor filter bank
Gabor fillters have the optimum orientation and frequency resolution.
Related Previous Work: Feature Extraction
Binarized Images
MINDTCT, NIST NFIS, (Garris et. al)
An oriented grid is placed at each pixel and the projection sums are taken ateach row. The pixel is assigned 0 if the projections sum at the center row isless than average, otherwise the pixel is assigned 1
The minutiae are detected using structural rules.
Adaptive Flow Orientation technique (Ratha et. al.)
Orientation of each 16x16 block is determined by computing the gray levelprojections at various angles. The projection along a scan line perpendicularthe ridge direction has maximum variance.
The image is binarized by detecting the peaks along this scan line.
The minutiae are detected using the thinned image
Gray Scale Image
Direct Gray Scale Ridge Following (Maio and Maltoni)
A set of starting points are chosen by superimposing a grid on the image
The ridge is traced from each starting point until a bifurcation or ridgeending is found.
A labelling strategy  is used to preven traversing the same ridge twice.