Pose-Robust Finger Identification Based on Mutual Region Alignment and Minimum Convolution Point Feature
Dieses Paper schlägt ein neuartiges, pose-robustes Framework zur Fingeridentifikation vor, das gegenseitige Regionen-Ausrichtung, Minimum-Convolution-Punkt-Merkmalslernen und gewichtete Score-Fusion integriert, um die durch Längsrotation und nicht-starre Deformationen in kontaktlosen Fingerbildern verursachte Leistungsdegradation effektiv zu adressieren und dabei State-of-the-Art-Ergebnisse über vier öffentliche Datensätze hinweg zu erzielen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, Ihr Telefon mit Ihrem Fingerabdruck zu entsperren. Normalerweise legen Sie Ihren Finger einfach flach auf das Glas, und der Scanner liest die Linien ab. Aber was wäre, wenn Sie Ihren Finger in die Luft halten, als würden Sie auf einen Stern zeigen, ohne etwas zu berühren? Dies wird als „kontaktlose“ Abtastung bezeichnet, und es ist die Zukunft der Sicherheit, weil es hygienischer und schneller ist. Es gibt jedoch einen Haken: Wenn Sie Ihren Finger in die Luft halten, ist er wackelig. Sie könnten ihn leicht drehen, oder Ihr Finger könnte sich ein wenig biegen. Dieses Verdrehen ist wie das Drehen einer Wurst auf einem Tisch; der Teil der Wurst, den die Kamera sieht, ändert sich völlig, je nachdem, wie man sie dreht. Wenn die Kamera jedes Mal ein anderes Stück Ihres Fingers sieht, wird der Computer verwirrt und denkt, Sie seien ein Fremder. Diese Arbeit befasst sich mit genau diesem Problem: wie man einen Finger erkennt, selbst wenn er sich in der Luft verdreht, biegt oder dreht.
Die Forscher der Guizhou Minzu University und eines Energieunternehmens in China haben ein neues System entwickelt, um dieses „wackeligen Finger“-Problem zu lösen. Sie nennen ihre Methode ein „pose-robustes“ Framework, was nur eine schicke Art zu sagen ist, dass es funktioniert, egal wie man seinen Finger hält. Sie haben erkannt, dass die Kamera eine unordentliche Masse sieht, wenn sich ein Finger verdreht – zum Beispiel, dass der obere Teil des Fingers in einem Foto der mittlere Teil im nächsten sein kann. Um dies zu lösen, haben sie einen dreistufigen Zaubertrick erfunden. Zuerst verwenden sie eine Strategie der „gegenseitigen Regionenextraktion“ (mutual region extraction). Stellen Sie sich zwei Personen vor, die Karten derselben Stadt hochhalten, aber eine Karte ist nach oben verschoben und die andere nach unten. Der Computer sucht nach dem Teil der Stadt, der auf beiden Karten erscheint, und schneidet den Rest heraus, um sie perfekt aufeinander abzustimmen, sodass sie übereinstimmen. Zweitens verwenden sie ein „Minimum Convolution Point Feature“, um die einzigartigen, unebenen Kanten Ihres Fingers zu finden, die sich nicht ändern, selbst wenn der Finger sich zusammendrückt oder biegt. Schließlich kombinieren sie dieses strukturelle „Skelett“ des Fingers mit einem „Textur“-Scan (dem Blick auf die Hautmuster) mittels einer gewichteten Score-Fusion – ähnlich wie ein Richter, der Punkte sowohl für die Form eines Tänzers als auch für das Muster seines Kostüms vergibt, um zu entscheiden, wer gewinnt.
Das Team testete sein neues System auf vier verschiedenen öffentlichen Datenbanken mit tausenden von Fingerbildern, darunter einige, bei denen Menschen ihre Finger um bis zu 80 Grad gedreht haben. Die Ergebnisse waren beeindruckend. Durch die Verwendung ihres Abstimmungs-Tricks reduzierten sie die Fehlerrate erheblich. Beispielsweise senkte ihre Methode auf einem Datensatz namens SDUMLA-HMT die Fehlerrate (EER) von 4,45 % auf nur 1,54 %, als sie alle ihre Techniken kombinierten. Auf einem anderen Datensatz, MMCBNU_6000, sank die Fehlerrate auf winzige 0,05 %. Sie fanden heraus, dass ihre Methode nicht nur genauer als ältere Techniken war, sondern auch schneller, wobei sie nur 19 Millisekunden benötigte, um ein Bild zu verarbeiten, im Vergleich zu 35 Millisekunden bei einer konkurrierenden Methode. Die Arbeit legt nahe, dass, indem sie sich darauf konzentrieren, die überlappenden Teile des Fingers auszurichten und die Teile zu ignorieren, die durch die Drehung abgeschnitten wurden, sie die kontaktlose Sicherheit viel zuverlässiger machen können. Sie kommen zu dem Schluss, dass ihr System derzeit das beste im Umgang mit Verdrehungen ist, die zukünftige Arbeit jedoch versuchen wird, Finger zu berücksichtigen, die auch zur Seite geneigt oder nach oben und unten gekippt sind, um das Sicherheitssystem gegen jede Art und Weise, wie man die Hand hält, robust zu machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.