Odhalení morphovaných otisků prstů

Abstract

Táto diplomová práca sa zaoberá detekciou morphovaných odtlačkov prstov v náväznosti na moju bakalársku prácu a projektovú prax. Doposiaľ neexistuje žiadna verejná práca venujúca sa detekcií morphovaných odtlačkov prstov. Morphované a obyčajné odtlačky sú považované za stochastické textúry a sú popísané binarizovanými štatistickými vlastnosťami odhadnutými ako nezávislé komponenty scény. K dosiahnutiu cieľa bol zvolený klasifikačný algoritmus support vector machine, pracujúci s histogrammi modelujúcimi pravdepodobnosť výskytu BSIF deskriptoru v textúre. Testovanie prebehlo na morphovaných odtlačkoch prstoch, ktoré vznikli z nikoľkých dátových sád odtlačkov: Bergdata, Sagem MSO, SecuGen a syntetické. Ako najoptimálnejší detektor sa ukázal SVM s polynomickou kernelovou funkciou s presnosťou 97,12 % na dátovej sade zo sensoru Bergdata, 98,49 % na Sagem MSO, 94,97 % na SecuGen a 100 % na syntetických odtlačkoch. Na adaptívnej metóde morphingu z mojej projektovej praxe je presnosť detekcie 98,85 % na dátovej sade zo sensoru Bergdata, 98,49 % na Sagem MSO, 94,97 % na SecuGen a 100 % na syntetických odtlačkoch. Vylepšená metóda morphingu z mojej projektovej praxe nepreukázala vplyv na znemožnenie detekcie morphingu, aj napriek tomu, že generuje silnejšie dvojité identity.

This diploma thesis deals with the detection of morphed fingerprints, following my bachelor's thesis and project practice. There is no public work dealing with the detection of morphed fingerprints so far. Morphed and normal fingerprints are considered stochastic textures and described by binarized statistical properties, which are estimated as independent components of the scene. To achieve the goal, the classification algorithm support vector machine was chosen. SVM learns features from the histograms modeling the probability of occurrence of the BSIF descriptor in the texture. Testing was performed on morphed fingerprints, which originated from several fingerprint datasets: Bergdata, Sagem MSO, SecuGen and synthetic. SVM with polynomial kernel function proved to be the most optimal detector with an accuracy of 98 % on the Bergdata sensor dataset, 98.5 % on the Sagem MSO, 94.97 % on the SecuGen and 100 % on the synthetic fingerprints. Detection accuracy on the adaptive morphing method from my project practice is 98.85 % on the Bergdata sensor dataset, 98.49 % on the Sagem MSO, 94.97 % on the SecuGen and 100 % on the synthetic fingerprints. The improved merphing method from my project practice has not shown an effect on preventing morphing detection, although it generates stronger double identities.