Dengan Salil Prabhakar, Anil Jain
Fingerprint Matching:
Diantara semua teknik biometric, sidik jari berbasis identifikasi adalah metode tertua yang telah berhasil digunakan dalam berbagai aplikasi. Semua orang dikenal memiliki unik, sidik jari berubah. Sebuah sidik jari terbuat dari serangkaian pegunungan dan alur-alur pada permukaan jari. Keunikan sidik jari dapat ditentukan oleh pola pegunungan dan alur serta poin minutiae. Hal-hal kecil poin adalah karakteristik ridge lokal yang terjadi di kedua bifurkasi punggung bukit atau akhir punggungan.
Fingerprint teknik pencocokan dapat ditempatkan ke dalam dua kategori: minutae berbasis dan korelasi berbasis. Hal-hal kecil berbasis teknik pertama menemukan titik hal kecil dan kemudian peta penempatan relatif mereka pada jari. Namun, ada beberapa kesulitan ketika menggunakan pendekatan ini. Sulit untuk mengekstrak poin minutiae akurat saat sidik jari adalah kualitas rendah. Juga metode ini tidak memperhitungkan pola global pegunungan dan alur-alur. Metode korelasi berbasis mampu mengatasi beberapa kesulitan dari pendekatan detel berbasis. Namun, ia memiliki beberapa kelemahan sendiri. Korelasi berbasis teknik memerlukan lokasi yang tepat dari titik pendaftaran dan dipengaruhi oleh terjemahan gambar dan rotasi.
Pencocokan sidik jari berdasarkan hal-hal kecil memiliki masalah dalam pencocokan ukuran yang berbeda (tidak terdaftar) pola minutiae. Struktur ridge lokal tidak dapat sepenuhnya ditandai oleh hal-hal kecil. Kami mencoba representasi alternatif sidik jari yang akan menangkap informasi lebih lokal dan menghasilkan kode panjang tetap untuk sidik jari. Pencocokan kemudian akan diharapkan menjadi tugas yang relatif sederhana menghitung jarak Euclidean akan antara kedua kode.
Kami sedang mengembangkan algoritma yang lebih kuat untuk kebisingan di gambar sidik jari dan memberikan akurasi meningkat secara real-time. Sebuah sistem sidik jari berbasis otentikasi komersial memerlukan Salah sangat rendah Tolak Rate (FAR) untuk Tingkat Salah diberikan Terima (FAR). Hal ini sangat sulit dicapai dengan satu teknik. Kami sedang menyelidiki metode untuk bukti kolam renang dari berbagai teknik yang cocok untuk meningkatkan akurasi keseluruhan sistem. Dalam aplikasi nyata, sensor, sistem akuisisi dan variasi dalam kinerja sistem dari waktu ke waktu sangat penting. Kami juga lapangan pengujian sistem kami pada sejumlah pengguna untuk mengevaluasi kinerja sistem selama jangka waktu tertentu.
Fingerprint Klasifikasi:
Volume besar sidik jari yang dikumpulkan dan disimpan sehari-hari dalam berbagai aplikasi termasuk forensik, kontrol akses, dan pendaftaran SIM. Sebuah pengakuan otomatis orang berdasarkan sidik jari mensyaratkan bahwa sidik jari masukan dicocokkan dengan sejumlah besar sidik jari dalam database (database FBI berisi sekitar 70 juta sidik jari!). Untuk mengurangi waktu pencarian dan kompleksitas komputasi, adalah keinginan untuk mengklasifikasikan sidik jari secara akurat dan konsisten sehingga sidik jari masukan diperlukan untuk dicocokkan hanya dengan subset dari sidik jari dalam database.
Klasifikasi sidik jari adalah teknik untuk menetapkan sidik jari ke salah satu pra-ditentukan beberapa jenis sudah ditetapkan dalam sastra yang dapat memberikan suatu mekanisme pengindeksan. Klasifikasi sidik jari dapat dilihat sebagai tingkat kasar pencocokan sidik jari. Sebuah sidik jari input pertama cocok pada tingkat kasar ke salah satu pre-jenis tertentu dan kemudian, pada tingkat yang lebih baik, hal ini dibandingkan dengan subset dari database yang berisi jenis sidik jari saja. Kami telah mengembangkan sebuah algoritma untuk mengklasifikasikan sidik jari menjadi lima kelas, yaitu whorl, loop kanan, kiri lingkaran, lengkungan, dan lengkungan tenda. Algoritma memisahkan jumlah ridges hadir dalam empat arah (0 derajat, 45 derajat, 90 derajat, dan 135 derajat) dengan menyaring bagian tengah dari sidik jari dengan bank filter Gabor. Informasi ini terkuantisasi untuk menghasilkan FingerCode yang digunakan untuk klasifikasi. Klasifikasi kami didasarkan pada classifier dua-tahap yang menggunakan classifier K-tetangga terdekat dalam tahap pertama dan satu set jaringan saraf di tahap kedua. Classifier ini diuji pada 4.000 gambar dalam database-4 NIST. Untuk masalah lima kelas, klasifikasi akurasi 90% akan tercapai. Untuk masalah empat kelas (arch dan arch tenda digabungkan menjadi satu kelas), kami dapat mencapai akurasi klasifikasi 94,8%. Dengan menggabungkan pilihan menolak, klasifikasi akurasi dapat meningkat menjadi 96% untuk klasifikasi lima kelas dan 97,8% untuk klasifikasi empat kelas ketika 30,8% dari gambar yang ditolak.
Sidik Jari Gambar Enhancement:
Sebuah langkah penting dalam pencocokan sidik jari otomatis untuk secara otomatis dan terpercaya detel dari ekstrak masukan gambar sidik jari. Namun, kinerja dari algoritma ekstraksi hal-hal kecil sangat bergantung pada kualitas gambar input sidik jari. Dalam rangka untuk memastikan bahwa kinerja sistem identifikasi / verifikasi sidik jari otomatis akan kuat sehubungan dengan kualitas gambar sidik jari, adalah penting untuk menggabungkan algoritma sidik jari peningkatan dalam modul ekstraksi minutiae. Kami telah mengembangkan perangkat tambahan algoritma sidik jari cepat, yang adaptif dapat meningkatkan kejelasan struktur dan alur punggung dari gambar sidik jari masukan berdasarkan orientasi ridge lokal diperkirakan dan frekuensi. Kami telah mengevaluasi kinerja algoritma perbaikan citra menggunakan indeks kebaikan hal-hal kecil diekstrak dan keakuratan sistem verifikasi sidik jari online. Hasil penelitian menunjukkan bahwa menggabungkan algoritma peningkatan meningkatkan baik indeks kebaikan dan akurasi verifikasi.
Tidak ada komentar:
Posting Komentar