Odhalení morphovaných otisků prstů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
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.
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.
Description
Citation
DOVIČIC, D. Odhalení morphovaných otisků prstů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Strojové učení
Comittee
prof. Ing. Tomáš Hruška, CSc. (předseda)
prof. Ing. Martin Drahanský, Ph.D. (místopředseda)
prof. Dr. Ing. Jan Černocký (člen)
Mgr. Kamil Malinka, Ph.D. (člen)
doc. Mgr. Adam Rogalewicz, Ph.D. (člen)
prof. Dr. Ing. Pavel Zemčík, dr. h. c. (člen)
Date of acceptance
2022-08-26
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Jaké operace úpravy obrazu by zapříčinily, že Váš detektor přestane fungovat? Jedná se tedy o návrh útoku na Váš detektor. Jakým způsobem se bude chovat jizva, která vznikne uprostřed obrazu otisku prstu? Bude v takovém případě otisk prstu vyhodnocen jako morphovaný podvrh? Můžete nějak detekovat, že je obraz rozmazaný? Funguje vaše aplikace s rozmazanými obrázky?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení