Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4060 ~4 068   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . pp4060 - 406 8          4060       Journ al  h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   A  h yprid   t echn iqu e for  hu man f ootprint  r ec og niti on       Yahya I smail  Ibra him ,  Isr aa  Moham med  A lh amdani   Coll ege of   Educat ion   for  Pure   Sc ie nc es,   Dep art m ent   of   Com pute r S ci ence, Unive rs ity   of   Mos ul ,   Ir a q       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Dec   9 , 2 0 18   Re vised  A pr   16 , 2 01 9   Accepte d  Apr   27 , 201 9       Biom et ric s  has  c once rne d  a  gre at  ca re   recent l y   du e  to  i ts  importan t  in  th e  li f e   tha t  st art s  fro m   ci vil   appl i c at ions  to   s ec ur ity   and   re ce nt l y   te rror ism .   A  Footprint   recognit ion  is  one   of  the   per son al   ide n ti fi cation s  base d  on  biometri c  m ea su rement s.    Th e  aim   of  thi s  rese ar ch  is  to  design  a   prope r  and   rel i abl e   biometric  s y st em for  hu m an  footpri nt  r e cogni ti on   named   (FRB S) t hat  stands  for  F ootpri nt  Re cogni t ion   Biom et ric   S y ste m .   In  addi ti on ,   t o  construct   a  hum an  footpr int   databa se  wh ic h  it   is  ver y   hel pful  for  v arious   use  in   scie ntific  appl i c at ion  e . g.   for  a uthe ntica ti on.   T her e  ex ist  m an y   biometri cs  dat ab ase s  for  othe r  ide nt ity   but  v er y   r are   f or  foot print .   As   well   as   the   exi sting   one  ar e  ver y   lim it ed.   Thi s  pap er  pre sen ts  a  ro bust  h y pr id  t ec h nique s  whic h   m erg es  bet wee n   Im age   Proce ss ing  with  Artifi cial  Intelli g ent   technique   vi a   Ant  Colon y   Opti m iz at ion  (ACO )  to  rec ognize  hum an  footpri nt.     (ACO )  pl a y s  the   essent ia l  ro le t hat   r ise  the   p erf orm anc e  and  th e   qual ity   o f  the   r e sults i n  the  biometri c  s y ste m   via   feature   se le c ti on.   The  set  of  the   se le c te d  f ea tur es  wa s   tre a te d  as  expl o rat or y   information,  and  select s  the   opti m um   fea ture   set  i n   standi ngs  of  fe a t ure   set   siz e.   Li f e  RGB  footpri n t   images  from   ni ne  per sons   with  te n  images  per   per son  const ruc te d  from   li f e  visual   dataset .   At  first,   th e   visual   dataset   w as  pre - proc esse d  oper at ions .   E ac h  resul ta nt  image  de te c ts  footpri nt   that  is   cro pped   to   por ti ons  rep r ese nt e d  b y   thr ee  blocks .   The  first   bloc k  is  for  finge rs,  the   sec ond  bloc k  ref ers  to  t he  ce nt er  of  the   foot  and  the  la st  one  determ ine s  the   hee l .   Th en  fea tur es  were   ext racte d  from   ea ch  imag e   and  stored  in  Exc el   file  to  be  entere d  to  Ant  Colon y   Optimization  Alg orit hm .   The   exp eri m enta l  outc om es  of  th e  s y stem  show   t hat   th e  proposed   al gori thm   eva lu at es  opt imal  result s  with  sm al le r  feature  set  compari ng   with  othe r   al gorit hm s.  Exp eri m ent a l  out co m es  show   tha t  our  al gor it hm   obta ins   an   eff icient  and  acc ura te  result  abo u t  100%  a cc ur a c y   in  compari so n  with  oth er  rese arc h es  on  th e  sam e  f ie ld .   Ke yw or d s :   An t  c olony  o pt i m iz ation   ( AC O )   B iom e tric     F eat ur es  selec ti on     Footp rint  r ec ogniti on      Mor phologica l fil te r   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Isr aa  Mo ham med Alham dan i,    Dep a rtm ent o f C om pu te r  Scie nces,   Un i ver sit y o f  Mosu l,   Mosu l,  Iraq .   Em a il : esra m k6 5 @ gm ail.co m       1.   INTROD U CTION   Re li able  per s onal   rec ogniti on  ha s  bee n  a n  i m po rtant  c om pu te r  app li ca ti on .  S om e  exa m ples  wer e   est ablishin g  a   pe rson   ide ntit y  [1 ] .  T he   di gital   Im age  processin g  em pl oyed  m at hem a ti cal ,  Stat ist ic a l  an d  Op ti m iz ation   t o  bio lo gical   sci ence k no wn  as   Bi om et ric  [2 ] .  Bi om et rics  sy stem   is  a  patte r n  re co gnit ion   s yst e m   that  e m plo ye d  to  recog nize  and   i den ti fy  a   per s on  base d  on   ph ysi ol og ic al   char act erist ic s  [3 ] .  Mor eov e r,    the  be hav i or al   char act e risti cs  Table  1  cat e gorize  the  va rio us  ty pe  of   bio m et rics.    The  footp rints  rec ogni ti on  wer e  one  of   t he  im po rtant  form s  of   bi om et ric  identific at ion   us ed   f or  La w  an d  ci vili an  ap plica ti on   [4 ]   Bi om e tric s  in  gen e ral  hel ps   to  recog ni ze  a  per s on  accor ding  t o  physi og nom ie s  or   trai ts  [5 ] .     The  physi og nom ie s  su ch  as  s ign at u re,  gait  or   pass word,  wh il e  trai t  refe rs  to  the  str uc tural  patte r n  su c h  as  fin gerpr i nts,  f oot,  ear ,  face ,  DNA,   de ntal  ti ssu e  [5 ] .  F ootpri nt  bio m et rics  co uld   be  ap pl ie d  us ef ully   in  holy   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A h y pr id   te ch ni qu e f or   hum an  foo t pr int rec ogniti on (Y ah y a Is ma il   Ib r ahim)   4061   places  w here  s ho e s  rem ov e d  inh e ren tl y  due   to  the  cr owed .  Pers on  ide ntif ic at ion ,  ne wborn  ide ntific at ion   t o  protect  infant  f ro m  lost. Ch ec k po i nt at ai r port [2] .       Table  1.  Bi ome tric  Type  with  Tr ai ts a nd thei r  U sage  [2]   Bio m etric  Feature   Fo r m  of  Bio m et ric   Deter m in ed   Easin ess  of  us e   Fin g erprint   Ph y sical   Hig h   Mediu m   Fo o tp rint   Ph y sical   Un k n o wn   Low   Pal m   Print   Ph y sical   Hig h   Mediu m   Ir is   Ph y sical   Hig h   Low   Vo ice   Beh av io r   Mediu m   Hig h   Face   Ph y sical   Low   Hig h       R edu ct io n   of  patte rn   dim en sion al it y  ref er s  to  featur e  s el ect ion   thr ough   f eat ur e  e xtracti on   th i s   process   play s   a  c onsidera bl e  im po rtance  m issi on   f or  pa tt ern   recog niti on  [ 6].  T he  obj ect ive   of  f eat ur e   sel ect ion   is  to  el i m inate   un ne cessary  featu re s  and   sel ect   av ai la ble   featur es .  The  know n  al gorithm   An t  C olony   Op ti m iz ation  (ACO )  is  us e d  f or f eat ure sel ec ti on   with  heuri sti c search t hat  r e du ce  the c om pu ti ng  ti m e [ 7].   Du e   to   the  im po rta nce  of  f ootpri nt  rec ogniti on  as  disc us se d  a nd  it   is  rar e ly   us ed   f ootpri nt  bi om et ric  syst e m s  in  var iou s  est ablis hm ent.  This  pa per   pr opos e d  a  fo ot pr i nt  biom et ric  syst e m   and   c onstruct  f oo t pr i nt  database   im ag es.  T her e   exist   m any  bio m et r ic s  databa ses  f or  ot her  ide ntit y  su c h  as   face   iris  but  ver y  ra re  f or  footp rint. As  w el l as the e xisti ng one a re  v er y l i m it ed.   W e  s olv e t his  prob l e m  b y coll ect ing l ife RGB  f ootp rint  i m ages  fr om   nin e  per s on  with  te n  i m age  ea ch  the  total   is  90   f ootp rint  im age.  The  ne w  idea  with  this  syst e m   was  t he  c om pen sat io n  betw een  im age  pro cessi ng  te ch ni qu e s  a nd  the   intel li gen t  m eth od  via  A nt  Colo ny  Op ti m iz ation  A lg or it hm   (AC O)   i n  this   te chn i qu e   feat ur e s  we re  sel ect ed   in  a h e ur ist ic   s trat egy  that ob t ai n  be st   syst e m   per f orm ance  with  be st  op ti m al   feat ur es .    I nvest ig at ion al   res ults  on   im age  data   set s  disp la y  t hat  the  pro po se d  proc ess  ha s  s uperi or  pe rfo rm ance.  Com par in g  with  oth e r  e xi sti ng   proce dur es,  our  al gorithm   gain   bette r  acc ur acy   with   a  sm al le r   featu re  set .   Re st  of  this  pa per  is  str uctu red  a s  f ollows  r el at ed  pap e r  t his  s ect ion  discuss   t he  li te ratur e  deal  w it h  footp rint  r ecognit ion,  A nt   Colon y  O ptim iz at ion   sect i on   desc ribes  t he  ide a   about  a nt  c olony  a nd  it s  be ha vior,  A nt  Col on y  O ptim iz ation  Al gorithm   sho w  how   an t  colo ny  beh a vior  i s   translat ed  to  a  m at he m at ic a l  process .  In   a ddit ion ,  Mor phol og ic al   filt er  focuses  on  ed ge  detect ion   f or   f o ot pr i nt   i m age,  Propse d  work,  Visu al   databas e  acq ui sit ion   this  part   sh ow  how  w e  colle ct   li fe  im age,  Vis ual  dataset   pr e processi ng.   As  well   as,  footp rint  feat ure  extracti on   sta ge,   rec ognit ion   te ch nique   sta ge,   e xp e rim ental   ou tc om es, co nc lusio n  a nd Refere nces.       2.   RELATE D  P APER   Ov e r  rece nt  a nd  la st  dec ad e  f oo t pr i nt,  r e cogniti on  has  been  st udie d,  analy zed  a nd  researc he d.   The  relat ed  w orks  with  dif fere nt  and   var i ous  m et ho ds   are  sh ow n  bel ow .  Al - D ulaim i   Reco gniz e  an d  id entify   per s on  dete rm i nan t  value  of   f oo t pr i nt  after  t he  im age  is  se gm ented  to  bloc ks   an d  th res hold  is  use d  to  extract  featur e s  [ 4].  K um ar  and   D ub ay   us e  m a inly   footp rint  rec og niti on   proce dure  w hich  cat eg or iz e d  into  th re e  ste ps  i m age  pr e - pro c essing,  feat ure  extracti on  a nd   m at ching   s ta ge.   Im age  pre - proce ssin g  is  the  process  use d  t o  el i m inate   the  no ise   f ro m   or i gin al   im age.  I n  f eat ur e   ext ra ct ion   sta ge,   t he   featu res  s uc h  as  press ur e,   locat ion   and   weig ht  are   extracte d  f rom   an  i m age.  Indeed,  the  m at c hing  proces s  be tween  f ootp rint  recog niti on   and   the   input  i m age  is  ev al uate d  [ 5].  Anothe r  pap e r  us e  h y per   pr i nc iples  of   featu r e  extracti on  f uz zy   log ic   an d  neural  netw ork  [ 8].  T he  f oo t pr i nt  is  crop ped   a nd   re siz ed  then  m odifie d  h aa r  e ne r gy  featu res  is  struct ured .  Ma tc hing   op e rati on  is  pe rfor m ed  v ia   Eu cl idian  distanc e  betw een   MH E  feat ur es   an d  featur e s  st or e d  in  t he  databas e   [ 1].   Wh il e  ot her   pa per   us e  geo m et ry  char act eri sti cs,  sh ape  a nd  te xture  [ 2].  Oh l  a nd   Wild  determ ines  the  m ai n   featur e s  of  the   f oo t.   Th ese  f eat ur es  base d  on  ge om et ry  com pu te s  sh a pe   an d  te xtu re   [ 9]  they   us e  footp rint   sh a pe  that  are  base d  on   a  sm a ll   nu m ber   of   fe at ur es.  T hey  app li ed  geo m et ric  m or phom et r ic   te chn ique   to  study   footp rint s ha pe  v a riat ion   of sa m ple o f  83 a du lt  w om en  [ 10 ] .       3.   AN T  COL ONY  O PTIMIZ A TION   An t  c om plex  beh a vior  ha ve   been   st ud ie d  analy zed   an d  e m plo ye d  in  de sign i ng   fruit f ul  m od el   fo r  eff ect ive  c om bin at or ia l  opti m iz at ion   so luti on  al gorithm s.  An t  c olony  optim iz at ion   is  a  m et aheu risti c  wer e  ants  c oope rate  in  fin ding  go od  s olu ti ons  t o  dif ficult   discr et e  optim iz ation   pro blem s  [1 1,   12] .  An t  C ol on y  is   der i vatives  of  swar m   intel lig ent.   A nt  Col on y  Op ti m iz ation   te c hn i qu e   fin d  s olu ti on   to  a  m et a  heu risti c  pro blem s  by  a dd i ng   var ia ble   to  const ru ct   a  com plete   on e  or   c hange  r epeate dly  m od ify ing   s om e  o f  it   is  el e m ents to  ac hieve bet te r o ne  as s how n  in   F igur e   1   [11].   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 0 6 0   -   4 0 6 8   4062     (a)     (b)     (c)     Figure  1. ( a ) A nts  us e  rand om pa th  b et ween  nest a nd food  s ource ,  ( b )  Dur i ng r et urn jou rney  an t l eaves  behin d  the traces  of  phero m on es ,  ( c ) Phe ro m on e is  pu t  fast  on the  sh ort er  p at h       In it ia ll y  ants  ha ve  no  idea   of  wh e re  foo d  is  i n  the   e nv ir on m ent,  they   sea rch  f or  f ood  by   exp l or e   th e   area  s urrou nd i ng  their  nest  i n  a  rand om   m ann e r.   As  soo n  as  a n  a nt  fi nd s   a  f ood  s ource ,  it   evalu a te s  the   qu a ntit y and t he  quali ty  o f  t he  f oo d  a nd car ries so m e o f  it   w al k  bac k  t o  the   nest.  Durin g  t he  r et urn  trip , the  an t  pu ts  a  c hem ic a l  su bs ta nce  cal le d  pher om on e   on   t he  gro und.   An ts  c omm un ic at e  to  each  ot her   by  m ark ing   an d  fo ll owin g  path   via  ph e ro m ones.  Ot her  ants  are  able  t o  sm el l  this  ph e r omon e .  Its   prese nc e   eff ect s  t he  cho ic e   of   t heir  path,  that  is,  they   te nd   t o  f ollo w  s tro ng   pher om on e  s o  w he re  a nts  go  within  and   ar ound  th ei r  ant   colo ny,  this  w al k  is  based   on  sti g m erg ic   syst e m .  If   an  ant  decides  to  fo ll ow   the  trai l  it   l ay   m or e  ph e rom on es   to apply  the  tra il  [ 12, 1 3].    The n  the  pher om on es  within   a  gr ound  hel ps   ants  to  fin d  the  shor te st   trai ls  to  the  foo d  source .   So   t hat,  ph e r om on e  is  inv e rs el y  propor ti on al   to  the  path .  The  st ron g  ph e ro m on es  t he  s hortest   path  t o  t he  f oo d  so urce.   AC O  al gorithm   in  ge ner al   c onta in s   a  series   of  ste ps   s uch  as  ph e r om on e  ini ti al iz ation ,  c re at e  a   so luti on a nd  update  pher om on e.  C onti nu e   unti l a te rm inal  conditi on [1 3].       4.   AN T  COL ONY O PTIMIZ A TION  ALG O RITH M     Wh e n  a nts  m ov e  f r om   the  nest  i.e.  point  A  to  t he  f ood  so urce  i.e .  poi nt  B  ants  le a ve   a  chem ic al ,   p he r om on e,  to   m ark   these  pa ths.  An t  te am   us e  pro bab il it y  to  their   pat h  wh ic h  hav e   gr eat er  co nce ntr at ion   of   ph e r om on e.  Th e  al go rithm   is  base d  on  ada pt ively   update  the  ph e ro m on e  on  pat h  at   each  node.   In   gener al   An t   colo ny alg or it hm   is descri bed   br ie fly  in   F ig ur e   2   [ 6,   7, 11] . Pseu do - c od e  in  g ive n  i n  Fi gur e   3   [ 13 , 14].       Pro cedu re   ACO  A lg o rith m       I NI TI L IZ E  an d   List Activities                   C ONSTR U CT Ant So lu tio n s                   DO inn er  f o rm   A ctio n s (op tio n al)                   ADJUS T  Ph ero m o n es       E ND  LI S T  AC T IVITIE S;  End      Pr o cedu re     Figure  2. O utli ne of  Ant Col ony Al gorithm  ( ACO )       Pro cedu re   ACO C o m p u tatio n  Algo ri th m      Po p  =I n itializa tio n      Esti m ate  Pop u latio n (  p o p )        So p ti m al=  Sho rt  p ath  Of  Pop u latio n (  p o p )        wh ile ( cu rr en t o p ti m al path  leng th  no t  m et)  d o              p o p ’  Rec reate (  po p )              p o p ’’   Mutatio n (  p o p ’)              Evalu ate Pop u latio n (  p o p ’’ )              S =Op ti m a l pat h  Of  Pop u latio n (  p o p ’’ )                   If  f  ( s) <  f  ( s o p ti m al )  th en                      Sb est= s                   en d - if              p o p  Recr eate(   p o p ’’ )        en d - wh ile        return s h o rt  p ath       Figure   3.  Pse udo - c od e  for ( A CO)  al gorithm           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A h y pr id   te ch ni qu e f or   hum an  foo t pr int rec ogniti on (Y ah y a Is ma il   Ib r ahim)   4063   5.   MO RPH OLO GICAL FIL T ER    Mor phologica l  i m age  pr oc essing  is  de rive d  from   Ma them a ti cal  Morph ology  (MM )  a nd   m at he m at ic a l set  theory. T his  te chn iq ue  is  u s ually  u se d  to  de te ct  o bject  bo unda ries (e dge s).   As well , it i s u se d  as  pri m ary  pr ocessin g  te c hniq ue  for  thi nn i ng  an d  pr un i ng  of  e dg es.  Ge ne rall y,  m os t  m or phologica l  op e rati ons  are  base d  on   sim ple  sh rin king  an d  ex pandin g  operati ons.  T he   two  m os t  co m m on   m or phol og ic al   op e rati ons  a re  ero si on  an d  dilat ion .  In  this  w ork  four  m or ph ologica l  filt ers  are  use d  these  filt ers  are  disc us se d  in  f ollow s .  Cl os e  op e rati on  is  a  dilat ion   fo l lowe d  by  a n   e ro si on.  M orp holo gical   cl os in g  is  use d  t o  jo in  th e   pix el s  in   a n  i m age  tog et her .   This  is  do ne  by  fill ing   in   the  ga ps   betwe en  them   and   s m al l  dar k  s po t s  ar e   rem ov ed  in  te r n  sm oo thin g  th ei r  ou te r  e dg e s .  W hile,  cl ean  op e rati on  rem ov es  ins ulate d  pi xels  (ind i vidu al   1s   that are surr ound e d  by  0s ) , s uc h  as the cen te r  pix el  w it h  val ue  1s   bo a r ded   by zero s . In  ad diti on , t hin  ope rati on   rem ov es  pix el s   so  that  a n  ob j e ct   with ou t  hole s  shrin ks  to  a   m ini m ally  connecte d  ra p,  an d  an   ob j ect   with   hole s  sh ri nk s  to  a  c onnected  rin g  half way  betwe en  each  hole   and   the  oute r  boun dar y.  I ndee d,   e r os io n  ope rati on   aff ect s  a  bin a r y.  Im age   by  erode  a way  th e  bounda ries  of   fore groun d  pix el s  ( usual ly   the  wh it e  pi xels).     Th us , a reas  of  foregr ound  pixe ls sh rin k  in  size, an d  " hole s"  w it hi n t hose a reas  beco m e large r [15 ,  16].       6.   PROP OSE D WOR K   Mor phologica l  i m age   in   this  sect ion ,  we  propose  (F RB S )  sta nd   f or   Foot pr i nt  Re co gn it ion  Bi om et ric  Syst e m  in  wh i ch  it  is the ai m  o f  t his p a per.  We enf or ce t he  syst e m  an d  de velo p  the  perf orm ance o f  the  r el at ed   work   by  m erg ing   betwee n  im age  proce ssin g  and   An t  Col ony  Op ti m iz ation   Algo rithm   ( ACO ).   A nt  Co lon y  Op ti m iz ation   Algorithm   (AC O)   sel ect s  th e  op ti m al   feat ur e ,  w hich  a ffec ts  the  res ults  of   t his  ty pe  of  syst em .   As well  as,  t o  c reate Vis ual F ootp rint  Databas e.   T he pr opos e d work i s s how n  in   F ig ure  4 .           Figure  4 .  Pro pose d  w ork  f l ow  digram   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 0 6 0   -   4 0 6 8   4064   6.1.   Visua l  dat aba se a c quisi tio n    Footp rint  dataset   is  rar el y  a va il able  due  to   di ff ic ulty   to  get  cl ear  f oo t pr i nt  i m ages  for  var i ou s   usa ge .   This  is  sta te d  as  the  m a in  chall eng e  f or   foo tprin t  rec ogniti on   researc h.   D ue  to  the  diff i culty   of   obta in ing   a   database   of  re ady - m ade  universal  feet.  Li ve  im ages  of  the  le ft  F oot   i m age  we re  colle ct ed  f r om  nin e   ind ivi du al s .  Te n  im age  per   pe rson  was  ta ke n  with  di ff e ren t   directi ons.  T he se  i m ages  we re  cl assifi ed  as   nine   cl asses n am ed  foots. Eac h wit h  10 im a ges  w e take these im ages fr om   m ale  and   fem al e,  with an  a ge va ry f r om  25  to  60  ye ar s.   The   capt ur e d  i m ages  are   hi gh  res olu ti on  a nd   ta ken  by  can on  110  scan ne r  of  30 0  pix el   qual it y  and   black  bac kgr ound.  T he  foot  i m ages  w ere  save d  with   (1436 x3196)  pix el   siz e  an d  JPG   f orm at .  E ach  te n  i m age  for  per s on  are  cl assi fied  as  cl us te rs  nam ed  Foot.  F ro m   Fo ot 1  to   Foot1 0  a  sam ple   from   this  dataset   is   sh ow n  in   F i gur e  5 .              Figure  5 .  A sa m ple o f  f oo t i m age f r om  d at abase       6.2.   Visua l  dat aba se pr ocessin g      At  first  RGB  i m age  is  conve rted  to  t he  gra y  fr om   then  to   the  bin a ry  f orm ,  then  im age  is  resized  to   (18 0x180)  pixe l.  Im age  is  de   noise d  a nd  cl eared  t he n  it   is  bin a rized  with   Ca nn y  filt er  to  detect   the  f ootp rint   edg e s.  I n  ord er  to  dete rm i ne  the  f oot  ti p  the  re su lt an t  i m age  is  entered   to  m or phol og y  op e rat ion s .    These  operati on s   are  cl os e,   thin,  e r os io n  and  cl ean.     The  se gm entation   is  ob ta i ne d  on  footp rint   i m age  represe nted  by  three  blo c ks   the  fir st  for  fi nger ,  the  sec ond  bl ock   f or   ce nter  wh il e  the  third   is  for   the   heel .     The  fir st  and   t he  thir d  bl ock s   are  us e d  in  th e  nex t  sta ge  for  rec ogniti on.  Wh il e,  we  ig nore  the  sec ond  bloc k  because  it  d i d no t  giv e  acc ur a te  an d cl ear i nfor m at ion  for re cogniti on     6.3.   Fo ot prin t  feat ure ex tr act io n  stag e        Footp rint  feat ur e   ext racti on  is  the   im po rtant   sta ge   in   a ny  bi om et ric  syst e m .  W e  ha ve  us e  t he  geo m et ry  featu res  of   t he  foot  ti p  via  reg i on  pro per ty .  We  c hoos e   the  m os t  accu rate  feat ures  by  analy sis   an d  exp e rim ents  as  sho wn  bel ow.   CEN TROI D   [ 15,  17 ]   determ in es  the   ce nter   of  the   wh it e  pi xel  re gion.   It  r esults   into  tw o  co ord inate .  The  first   is  the  horiz onta l  coo r din at e  (or  x - c oord i nate)  of  the  ce nte r,   wh il e  the  se co nd   el e m ent  is  the  ver ti cal   coor din at e  (or  y - co or din at e) .  ARE A   ref ers  t o  the  a ct ual  nu m ber   of   pix e ls  re pr e sents  the  re gi on.  O RIENT AT ION   [15,   16]   refe r s  to  the  a ngle   (in  de gr ees  a lt ern at ing   fro m   - 90   to  90   de gr ee s )   a m on gst   the  x - axis  a nd  the  m ajor  a xis  of  the   re gion.  PERI MET ER  com pu te s  the   dista nc e  ar ound  the   bo a r der  of   t he  re gion  [17].  T he  dist ance  bet w ee n  each  ad joini ng  pair  of   pix el s   arou nd   t he  bor der   of  the  r egio n  com pu te s  the  per im et er.  In   this,  syst em   five  featur es  a re  extracte d  relat ed  to  the  fi ng e rs  segm ent  an d  fiv e   featur e s  for  t he   heel.   T he  tot al   is  te n  featu r es  pe r  im age  wh il e  we  ha ve   te n  im age   pe r   pe rson,  s o  we   will  captu re  one  hundre d  feature   to  each  pe rson  of   the  ni ne  vo lun te ers .  Furth er,  900  feat ur e s  are  colle ct ed  and  save d  in  E XC EL  file   were  the  featu re  da ta base  is  co nst ru ct ed  t o  be  us e  la te r  at   the  te st  ste p  duri ng  recog niti on  sta ge.   A  s am ple f ro m  f eat ur es  dat abase is s ho wn in T able  2.     6.4.   Recogni tion  te chniques  st age   We  us e  te n  im age  to  eve ry  pe rson  f or   t he  te st  pr oce ss  w he re  it s  featur es   are  save d  in  the  data base   featur e s.  T he   la st  i m age  of  th e  pe rson  is   us e d  in   the   syst em ,  as  a  qu e ry  i m age  we re  it s  featur e s  ar e  e xt racted   on li ne   duri ng   t he  syst em   op erati on.  T he  qu ery  featu res  ar e  com par ed  with  al l  the  data base  fe at ur e s  withi n  An t  Col on y  a lgorit hm .  Fr om  a  giv en  im age,   the  accurate  featu res   ar e  extracte d  and   are  el im inate d.   This  li m it ation   is  d e rive d  thr ough  m inu te   or  no   a na ly ti cal   data,   an d  dis reg a r d  the  fire d  f eat ur es .   ACO  cal c ulate   the  fitness  fun ct ion   with  t he  m ini m u m   diff eren ce  (m in)  be tween  qu e ry  a nd   databa se  fe at ur es  F igure  6   s how   the m ai n  proce dure  of A C O p rogr am .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A h y pr id   te ch ni qu e f or   hum an  foo t pr int rec ogniti on (Y ah y a Is ma il   Ib r ahim)   4065   Table  2.   A  sam ple from   EXC EL f il e that  re presents  f eat ure s d at a base             Figure   6 .  Mai n al gorithm  o f ACO  pro gram       A  segm ent  of   our  pro posed  work   pro gr am   is  giv en  in  F ig ur e  7   wer e  the  input  is  the  ACO  par am et er  and  the  outp ut  is  the  m at ched   i m age  with  it   is  fr e quency  w it hin   the  datab ase  ot herwise  a  m essage  of   r ejects.   Excel  file   newfoot  co ntain  i m age  footp rint   featu res  wh ic h  e ntered  to  A CO  f unct ion.  T his  f unct ion   ret urns  t he  b est   r oute   an d  the  best  in de x  wh ic h  c om par ed   with   10 0  that  ad dress  t he  e ntit ie s  within  a   co rr e spo nd i ng  cl us te r foot  de no te d from  1  to 10.       pr op os e d  w or k pr ogram   Inp ut :  AC O’ s   pa r amet ers (f eatures)   Ou tp ut :  M atch ed  fo otpri nt im ag e  wi th it s in de x wi thin the   data base     [ per l,  hea der ] =xlrea d( ' newf oot' )   [b sti nd x,   gbest ] =aco(p e rl,  dat a)   Bst ind x;   gbest ; i 4=10   Tt(I,1)=  gbest;   Tt(I,2)= bs ti nd x;   Tt(I,3)=ceil ( bst ind x/i4 );   If   ( gb est  < 100)      X= bs ti nd x/i4;   Seq=  cei l( bs ti ndx/i4 );   Else   Seq= 0;   En d   If  s eq !=0       Ms gbox   of  ac cepta nce wit h  t he  im age  num be r   Else         Ms gbox  o f  re je ct  wi th the image  nu mb e r   end     Figure   7 .  Se gme nt of t he pr opos e d  w ork  pr ogram   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 0 6 0   -   4 0 6 8   4066   7.   E X PERI MEN TAL O UTC O MES    The  ef fici ency   and   t he  e nh a ncem ent  of   ou r  pro pose d  w ork  a re  e valuat ed,   by  m any  e xp e rim ents.  These  e xperim ents w ere writ te n  a nd  r un o n M at la b2 01 7a.  Th e recog niti on r esults of  the   query  im age  with  th e   visu al   databas e  are  sho wn   i n  Fig ure  8 .  A   le tt er  is  sh ow n  in  a  m essag e  box  if  rec ogniti on   resu lt s  i s  true     or o t herwise fa lse .            Figure  8 .  The  re su lt  of  qu e ry  with  visu al   dat abase im age       We  qu a ntit y  the  qu al it y  of  the  ou tc om es  via  two  process es,  nam el y,  recall   and   pr e ci sion   t hey  are  de fin e d    as  ( 1) an d (2)  r especti vely   [18] .     Re cal l = TR (i)/M  ( i)                                     (1)     Pr eci sio n=TR( i)/TR (i)+FF (i)                     ( 2)            Her e ,  M(i)   re f ers  to   the   f requen cy   of  im ages  in  t he  cl ass,   TR(i)  is   the  num ber   of  im ages  fitt ing ly   retrieve d,   FF( i )  is  the  nu m be r  of  im ages  m ist aken ly   retrie ved.   Ta ble  3  de scribe  t he  qu al it y  m easur es   for  a   sam ple  of   im a ges.  Table   1  de scribe   that  A CO  sel ect s  th e   best  featu res  wh il e  obta ined   the  qual it y  m easure   resu lt s  as   s how n  in   F ig ure  6 .  Wh e re  t he  ei ght  fir st  cl us te re s  gi ve  1 00%   a ccuaracy  f or   re cal l  and  preci sion  bu t   90%  f or   recall   and   100%  f or  pr eci sio n  for  the  la st  cl us te r .  Be cause,  only   on e  im age  is  no t  rele va nt  in  that  cl ass. T he  a verage is  98. 88 %   and 10 0% for  r ecal l and p recisi on over  all  v i su al   database  r ecspecti vely .        Table  3.  T he  quali ty   m easur e s   Clas s ID   Recall   Precisio n   Fo o t 1   100%   100%   Fo o t 2   100%   100%   Fo o t 3   100%   100%   Fo o t 4   100%   100%   Fo o t 5   100%   100%   Fo o t 6   100%   100%   Fo o t 7   100%   100%   Fo o t 8   100%   100%   Fo o t 9   90%   100%   Av erage   9 8 .88 %   100%       Wh e re  t he  ei ght  fir st  cl asses   giv e   10 0%  ac cuar acy   for  re cal l  and   preci s ion   but  90%   f or   recall   an d  100%  for  preci sion   for  the  la s t  cl ass.  The  a ve rag e  is  98.88 %  and   100%   f or   recall   and   pr eci sion   rec sp ec ti vely .   Be cause,  only   on e   im age  is  not  rele van t  i n  t hat  cl ass.  The   pro ps ed   w ork   is  com par ie d  with  oth e r  wor ks   on   footp rint  rec og niti on   t his  com par is on  is  disc ribe d  in  Ta ble   3.   T hese  w ork s  wer e   bas ed  on  di ff e ren t  m eth ods   bu t  not  feat ur e   sel ect ion   with   A NT  C OL O NY  O ptim iz at i on  al gorithm .  The  rec ogniti on  rate  s how  t ha t  our  work   gai n  a  superi or   resu lt s  a ppr ox im at ed  to  98.88%  a nd   100% .  T hese  re su lt s  show  t he  ro le   of   op ti m aizati on  ( AC O)   feat ur e   sel ect ion   wh i ch  sel ect s  the  best  featu res  in  a  s m al l  feat ur e  acc ur at e  s et .  W e  c om par e  these  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A h y pr id   te ch ni qu e f or   hum an  foo t pr int rec ogniti on (Y ah y a Is ma il   Ib r ahim)   4067   resu lt s  with     r esearch   dep e nd  on  geo m et ry  featu res  te c hn i qu e   s how n  in  T able  4.   They  are  Foot  Sh ape   Geo m et ry  and   ANN   [25]  an d  Sh a pe  descr i pt or s  [16]  wit h  recog niti on   rate    92. 5%  a nd  75.8%  res pecti vely .  Our  pro posed  w ork   s how  bes t  recog nation  r at e  than   them   bo t h.  A ls o,   ta bl e  4  s how   that our work  is  t he   best  i n  com par ison wi th v a rio us   kind   of  t ech niques  w e re th ei r  r es ults ra ng e d bet ween 5 1%  to 9 2.8.         Ta ble  4.   Per for m ance ev al uation bet ween t he  Propose d Wor k  a nd anothe r r esearch   Au th o r  &  Y ear   Techn iq u e   Reco g n itio n  Rate %   Jan g  J.  R. 19 9 3  [ 1 9 ]   Co m p r eh en siv e E v alu atio n  M o d el   9 2 .8%   Nak aji m a ,  2 0 0 0  [ 2 0 ]   Euclid ean d istan ce   85%   A.   Kad y arov   an d  M .  Petrou s 2 0 0 1  [ 2 1 ]   Tr ace  T rans f o r m  T echn iq u e   Distin g u ish  sp ecie s o f  ins ects to  a  sp ecif ied  deg ree   Jin - W o o  et.   Al.  ,20 0 3  [ 2 2 ]   Hid d en  M arko v  M o d el   64%   Jaes o ek  Yun  et.  Al .  2 0 0 7  [ 2 3 ]   Neu ral  N etwo rk   92%   B.S.Ch in ,et.   Al.  2 0 0 7  [ 2 4 ]   ART2  Algo rith m   Fair  p erfo r m an ce i n  clus tering   Ku m ar V.D. ,and    M.  Ra m ak rish n an ,  2010. [ 1 ]   DCT   FT   SHT   8 3 .64 %   8 7 .43 %   9 2 .37 5 %   Jacq u elin e Do m ja n ic   2013   [ 1 0 ]   The in tra  cl ass  cor relation  coef f icien ts   (I CC )  f o r  th e f irst  f o u r  p rincip al co m p o n en ts   95%   85%   8 5 %, and  88 %   Hash e m    Kadh i m   m .   an d  Ghali Fatia m a   2 0 1 6   [ 2 5 ]   Fo o t Shap e Geo m e try   an d  ANN   9 2 .5%   Riti Ku sh wah a,  et.  Al.   2 0 1 7  [ 1 6 ]   Sh ap e des cripto rs   Sh ap e seg m en tatio n   Eigen  f o o t   75 . 8 %.   5 1  %   9 2 .%%   The Prop o sed  W o r k   Geo m etr y   Featu res   100%       8.   CONCL US I O N    We  pr opos e d  a  hype r  al gori thm   wh ic h  m e rg e  betwee n  i m age  processi ng   te c hniq ues   for  feat ur e   extracti on  an d  ACO  for  feat ur e  sel ect ing   ba sed  he ur ist ic   strat egy.  Im age  pr oce ssin g  r eflect s  best  featur es  extracti on w it h  bin a rizat ion  a nd  m or phol ogy  op e rati ons.  ACO   sho w  an  ex cel le nt  feat ures  in   te rm s  of  sm a ll es t   featur e s  nu m ber .  T he   ex per i m ental   ou tc om es  on  im age   data  set s   sho w  the   s up e rio r it y  of   this   pro cess  i n  com par esi on wi th anothe r wor k on the  sam e fiel d.  T he  r eco gnit ion   rate i s e qu al  t o 98.8%   and 10 0%.       REFER E NCE S     [1]   Kum ar    V.  D.   a nd   Ramakrishna n  M.,   “ Footprint   Rec ogn it ion   usi ng  Modifie d   Se quent i al   Ha ar  E ner g y   Tr ansform  (MS HET) ,”   I JC SI  Inte rnat ional   Journal  of   Computer  Sc ie nc e  Iss u es ,  v ol /i ss ue:   7 (3 ) ,   2010 .   [2]   Kus hwaha   R. ,   e t  al . ,   “ Deta i le d  Anal y sis  of   Footprint   Geom e tr y   for   Person  Id ent ifica ti on ,”   13 th  Inte rnat ional  Confe renc e  on   S ignal - Image  Te c hnology   &   Inte rnet - Based   Syst e ms   ( SI TIS) ,   2017.   [3]   I .   M.  Alsaa di,  “ Phy siologi ca l   Biom et ric   Authent i cation  S y stems ,   Advanta ges,   Disadva ntages  and  Futur e   Deve lopment : A   Revi e w , ”   In ter nati onal Journal  of   Scientifi c  &   Technol ogy   R ese arch,   vol /i ss ue:   1 ( 1 ) ,   2008 .   [4]   Al - Dulai m i  K .   A.,   “ Us ing  Fea ture   Ext ra ction   for  Hum an  Footprint s  Re cog nit ion, ”   In te rnat ional   Journal  o f  Computer  Appli cat ions,   v ol / issue:   64 (3) ,   2013 .   [5]   Kum ar  K.  N .   an d   Dube y   S . ,  “ Bi om et ric   Auth entication  using   Hum an  Footprint , ”   Foundat ion   of  C omputer  Scienc e   FCS,   N ew Y ork,   USA,   v ol /i ss ue:  3 (7),     2012.     [6]   Oppus   C. ,   “ Im a ge  edge   de tecti o n  using  ant   col o n y   opt imiza t ion, ”   We st  Scientifi c  and  Engi ne eri ng  Ac ademy   an d   Soci e ty   ( WS EA S )   Tr an sacti ons o n  Signal P roc essing ,   2010 .   [7]   T .   Kavita,   “ Ant  col on y   op ti m iza ti on  al gori thm:  adva nt ag es,   app l ic a ti ons  and  challe ng es ,”   Instit u t e  of  Technol ogy  and  Manage men t  Univ erse,   Vado dara Gujarat.   C omputer  Mode l ling  &   New  Techn ologi es ,   v ol / issue:   21 ( 2 ) ,   2017 .   [8]   Kum ar  K.  N .   and   Dube y   S. ,   “ Mathe m atical  m odel ing  of  footpr in t  base d  biometric  Rec ogni ti on , ”   Inte rnational   o f   mathemati ca l  tre nds and  technol ogy  ( IJM IT) ,  v ol /i ss ue:   54 ( 6 ) ,   20 18.   [9]   Uhl  A.   and   W il d   P . ,  “ Footprint - b ase d  biometr ic v eri fi ca t ion, ”   Jou rnal  of El e ct roni c  Imaging ,   2008 .   [10]   J .   Dom ja nic ,   e t  al . ,   “ Geom et ric   m orphom et ric   footpri nt  an aly sis   of  y oung  wom en, ”   Journal  of  Foot   and  Ankle   Re search ,  vol .   6 ,   pp.   27 ,  2013 .   [11]   Katiy ar  S. ,   e t  a l . ,  “ Ant  Colon y   Optimiza ti o n:  A   Tut ori al   Rev iew ,”   MR  In te rna ti onal  Journ al  o f  Engi n ee ring  &   Technol ogy ,   v ol / issue:   7 ( 2 ) ,   2011 .   [12]   M .   Dorigo   and   T .   Stutzle,   “ Ant   Colon y   Optimi za t ion, ”   The  MI T  Press,  Londo n,   Engl and,   200 4  Mass achuse tt s   Instit ute of   Tech nology ,   2004 .   [13]   Manie z zo  V. ,   et  al.,   “ Ant  Colo n y   Op ti m iz a ti on .   In:   New  Opti m iz at ion   Techni ques  in  Engi n eeri ng ,”   Studies  i n   Fuzziness and  S oft   Computing ,   S pringe r, Ber li n,   Heide lb erg ,   v ol .   141 ,  2004 .   [14]   A .   S .   Abdulja b ar,   “ Us ing  a  N um ber   of  Modifie d  CG  Al gori t hm s  in  Patt ern   Rec ognition , ”   P h.   D.,  The sis  in   Com puta ti onal  Mathe m at i cs,   C oll ag e  of   Mathem at ic a l and  Co m pute r  Scie n ce s ,   Univer si t y   of   Mos ul,   2018.   [15]   R .   C.   Gonza lez   a nd  R .   E. Woods ,   “ Digit al i m age  proc essing ,”   2 nd   Ed. ,   pre n ti c e  – H al l ,   New Jers e y ,   US A,  2002.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 0 6 0   -   4 0 6 8   4068   [16]   R .   Kus hwaha ,   et  al . ,  “ Person   identifi c ation  on  the   basis  of  footpri nt  geometr y , ”   12th  Inte rnationa l  Confe renc e  on  Signal - Image  Te chnol ogy   &   Inte rnet - Based  S ystem s ,   2016 .   [17]   Nick  Eff ord ,   “ Digit al   Im age   Proce ss ing:   A  Pr ac tical   In trod uct ion  Us ing  J ava ,”   P earson  Educ ati on ,   200 0.   Avail ab le :   htt ps: // ww w.c s.a u ckl a nd. ac.nz/course s /c om psci773s1c/lecture s/Im age Proce ss ing - html/     [18]   H .   Mulle r ,   e t  al . ,   “ Perform anc e  E val ua ti on  in   CBI R:  Overvi ew  an d  Propos al s ,”   A  te chn ic al   report  subm it te d  to   the  Computing  Sc ience   C ent er ,   Uni v ersity   o f  Gen ev a ,   Gene va ,   Sw it zer land ,   1999 .       [19]   J.  R.   Jang,   “ ANFIS:  Adapti ve - n et work - base d   fu zzy   infe r enc e   s ystem ,”   I EE E   Tr ans.  Syst . ,   v ol.   23,   1993.     [20]   K.  Naka ji m a,  et   al . ,   “ Fo ot - B ase d  Personal  Rec ogn it io n , ”  IEEE:  Tr .   On  Bi omedi cal   Engi n ee rin g ,    v ol /i ss ue:   47 ( 11 ) ,   2000 .     [21]   A.  Kad y rov  and   M.  Petrou,   “ The   Tra c e  Tr ansform   and  Its  Appl ic a ti ons,”   I EE E  Tr ansacti ons  on   Pat te rn  Analysi s   and  Mac hin e  In t el li g ence ,   v ol / issue:  23 ( 8 ) ,   pp .   81 1 - 828,   2001 .     [22]   W .   Jungl,   et a l . ,  “ Dy n amic - Footp rint   b ase d  Perso n  Ide nt ifi c ation   using Ma t - t y p e P ressure  Sensor , ”   IE EE ,   2003 .     [23]   V.  A.  Kum ar  a nd  M.  Ramakris hnan,   “ L ega c y   of  F ootpri nts  R ec ogni ti on -   A  R evi ew , ”   In te rnat ional   Journal   o f   Computer  Appli cat ions,   v o l / issue:   35 ( 11 ) ,   pp .   9 - 16,   2011 .     [24]   B.   S.  Shin ,   e t  a l. ,   “ Segm ent at ion   of  Scanne d  Inse ct   Footprin ts  Us ing  ART2  for  T hre shold  Select i on, ”  LN CS  4872 ,  Springer - Verl ag ,   2007.     [25]   H .   Kadhim  M .   and  G .   Fati ama,   “ Hum an  Ide nti ficat ion   Us ing  Hum an  Footprint   Feat ur es , ”   Engi nee ring  a nd  Manufac turing ,  v ol.   4 ,   2016 .   Evaluation Warning : The document was created with Spire.PDF for Python.