FingerCode: A Filterbank for Fingerprint Representation and Matching

ABSTRACT

With the identity fraud in o u r society reaching u n – precedented proportions and with a n increasing  emphasis o n the emerging automatic positive personal identification applications, biometrics-based  identification, especially fingerprint-based identification, is receiving a lot of attention. There are t w o m a j o r shortcomings of the traditional approaches t o fingerprint representation. For a significant fraction of  population, the .representations based o n explicit detection of complete ridge structures in the fingerprint are dificult t o extract automatically. T h e widely used minutiae-based representation does n o t utilize a  significant component of the..riCh discriminatory information available in the fingerprints. T h e proposed  filter-based algorithm uses a bank of Gabor filters t o capture both the local and the global details in a  fingerprint as a compact 640- byte fixed length FingerCode. T h e fingerprint matching is based o n the  Euclidean distance between the t w o corresponding Fingercodes and hence is extremely fast. Our initial results show identification accuracies comparable t o the best results of minutiae-based algorithms published in the open literature [.I. Finally, w e show that the matching performance can be improved by combining the decisions of the matchers based o n complementary fingerprint information.

INTRODUCTION

With the advent of electronic banking, e-commerce, and smartcards and an increased emphasis on the privacy and security of information stored in various databases, automatic personal identification has become a very important topic. Accurate automatic personal identification is now needed in a wide range of civilian applications such as passport control, cellular telephones, automatic teller machines, and driver licenses. Traditional knowledge-based (password or Personal Identification Number (PIN)) and token-  based (passport, drivers license, and ID card) identifications are prone to fraud because PINS may be forgotten or guessed by an imposter and the tokens may be lost or stolen. As an example, credit card fraud alone now costs more than 6 billion dollars annually. Biometrics, which refers to identifying an individual based on his or her physiological or behavioral characteristics is more reliable in differentiating between an authorized person and an imposter .

چکیده

با تشویق هویت هویتی در جامعه و رسیدن به مقادیر پیش بینی شده و با تاکید بر افزایش برنامه های کاربردی شناسایی خودکار شخصی مثبت، شناسایی مبتنی بر بیومتریک، به ویژه شناسایی اثر انگشت، توجه زیادی به خود جلب می کند. نقاط ضعف رویکردهای سنتی برای نشان دادن اثر انگشت وجود دارد. برای کسری قابل توجهی از جمعیت، تشخیص های مبتنی بر تشخیص صریح از ساختارهای کامل ریج در اثر انگشت به طور خودکار استخراج شده اند. به طور گسترده ای استفاده از نمایندگی مبتنی بر مضامین استفاده از یک جزء قابل توجه از اطلاعات تبعیض آمیز … riCh موجود در اثر انگشت استفاده نمی شود. الگوریتم مبتنی بر فیلتر مبتنی بر استفاده از یک بانک از فیلترهای گابور به منظور جمع آوری هر دو جزئیات محلی و جهانی در یک اثر انگشت به عنوان یک FingerCode ثابت ثابت باقیمانده 640 بایت است. تطبیق اثر انگشتی بر اساس فاصله Euclidean بین T و W مربوط به Fingercodes است و از این رو بسیار سریع است. نتایج اولیه ما نشان می دهد که دقت تشخیص هویت قابل مقایسه با بهترین نتایج الگوریتم های مبتنی بر معادله منتشر شده در ادبیات باز [.I. در نهایت، نشان می دهد که عملکرد تطبیق می تواند با ترکیب تصمیم های سازندگان بر اساس اطلاعات اثر انگشت مکمل بهبود یابد.

مقدمه

با ظهور بانکداری الکترونیک، تجارت الکترونیکی و کارت های هوشمند و افزایش تأکید بر حفظ حریم خصوصی و امنیت اطلاعات ذخیره شده در پایگاه های مختلف، شناسایی شخصی شخصی تبدیل به موضوع بسیار مهم شده است. دقیق شناسایی اتوماتیک شخصی در حال حاضر در طیف گسترده ای از برنامه های غیر نظامی مانند کنترل پاسپورت، تلفن های همراه، دستگاه های بیلینگ اتوماتیک و گواهینامه های رانندگی مورد نیاز است. شناسایی سنتی مبتنی بر دانش (رمز عبور یا شماره شناسایی شخصی (PIN)) و مبتنی بر نشانه (گذرنامه، مجوز و کارت شناسایی) مستعد تقلب هستند زیرا ممکن است PINS فراموش شود یا حدس زده شود و ممکن است نشانه ها از بین بروند یا به سرقت رفته. به عنوان مثال، تقلب در کارت اعتباری تنها در حال حاضر هزینه بیش از 6 میلیارد دلار در سال است. بیومتریک، که اشاره به شناسایی فرد براساس ویژگی های فیزیولوژیکی و رفتاری وی دارد، در تشخیص بین شخص مجاز و یک شخص مجرم قابل اعتماد تر است.

Year: 1999

Publisher : IEEE

By :  Anil K . Jain, Salil Prabhakar, Lin Hong, and Sharath Pankanti

File Information: English Language/ 7 Page / size: 963KB

Download

سال : 1398

ناشر : IEEE

کاری از : آنیل ک. جین، سالی پرباکار، لین هنگ و شارط پانکانی

اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 963

لینک دانلود