High Accuracy Fingerprint Recognition on FPGA Using a Dual Path Lightweight CNN

In der modernen Welt beruht der Beweis der eigenen Identität oft auf etwas, das man bei sich trägt, wie etwa einer Karte, oder auf etwas, das man sich merkt, wie ein Passwort. Doch diese Methoden können verloren gehen, gestohlen werden oder vergessen werden. Dies hat Wissenschaftler und Ingenieure dazu veranlasst, nach etwas zu suchen, das man einfach ist – einem biologischen Merkmal, das einzigartig für einen selbst ist und ein Leben lang bleibt. Unter diesen Merkmalen waren die Linien und Täler auf der Spitze eines menschlichen Fingers schon lange ein Favorit für die Identifizierung. Sie sind leicht zu erfassen, über Jahrzehnte hinweg bemerkenswert stabil und nahezu unmöglich perfekt zu duplizieren. Seit Jahren werden Computer darauf trainiert, diese Muster zu lesen, aber dies schnell und präzise zu tun, ohne den Akku zu entladen oder einen riesigen Server zu benötigen, blieb eine schwierige Herausforderung. Das Ziel ist es, ein System zu bauen, das einen Fingerabdruck betrachten, seine einzigartige Karte verstehen und in einem Augenblick eine Entscheidung treffen kann – und das alles, während es auf einem kleinen, effizienten Chip läuft statt auf einem riesigen, stromhungrigen Computer.

Ein Forschungsteam der University of Florida hat einen bedeutenden Schritt zur Lösung dieses Problems unternommen, indem es eine neue Art und Weise entwickelte, wie Computer Fingerabdrücke erkennen können, die sowohl hochpräzise als auch überraschend ressourcenschonend ist. Anstatt sich auf die schweren, komplexen Systeme zu verlassen, die normalerweise solche Aufgaben bewältigen, entwickelten sie ein gestrafftes digitales Gehirn, das speziell dafür gebaut wurde, auf einen spezialisierten Computerchip bekannt als Field-Programmable Gate Array (FPGA) zu passen. Diese Chips sind wie leere Leinwände für Ingenieure; sie können programmiert werden, um spezifische Aufgaben mit unglaublicher Geschwindigkeit und sehr geringem Energieverbrauch auszuführen, was sie ideal für Geräte macht, die zuverlässig funktionieren müssen, ohne an eine Steckdose angeschlossen zu sein. Die Forscher wollten sehen, ob sie einen Fingerabdruckleser bauen konnten, der das Bild nicht vor dem Lesen bereinigen oder vereinfachen muss – ein häufiger Schritt, der oft wertvolle Details wegwirft.

Um dies zu erreichen, entwarf das Team ein neues Typus von neuronalem Netzwerk, ein Computersystem, das dem menschlichen Gehirn nachempfunden ist und lernt, Muster zu erkennen, indem es tausende von Beispielen betrachtet. Die meisten bestehenden Systeme für diese Aufgabe sind entweder zu schwerfällig, um auf kleinen Chips zu laufen, oder erfordern, dass das Fingerabdruckbild verkleinert und geglättet wird, was die sehr Details, die für einen korrekten Abgleich nötig sind, verwässern kann. Die Forscher schlugen einen anderen Ansatz vor: eine „Dual-Path“-Architektur (Zwei-Pfad-Architektur). Stellen Sie sich ein Team aus zwei Experten vor, die denselben Fingerabdruck gleichzeitig betrachten. Ein Experte konzentriert sich auf das große Ganze und betrachtet die allgemeine Form und die großen Kurven des Abdrucks. Der andere Experte zoomt heran, um die winzigen, komplizierten Details und feinen Linien zu studieren. In ihrem Design arbeiten diese beiden „Pfade“ parallel, wobei jeder unterschiedliche Arten von Informationen aus dem Rohbild extrahiert. Am Ende werden ihre Erkenntnisse kombiniert, um eine endgültige Entscheidung zu treffen. Diese Methode ermöglichte es ihnen, die volle Originalgröße der Fingerabdruckbilder zu verwenden, wodurch jede Linie und jedes Tal erhalten blieb, ohne die Daten zuerst vergrößern oder vorverarbeiten zu müssen.

Das Team trainierte dieses neue System unter Verwendung einer riesigen Sammlung von Fingerabdruckbildern aus öffentlichen Datenbanken, die Scans von verschiedenen Arten von Sensoren und unterschiedlichen Auflösungen enthielten. Um sicherzustellen, dass der Computer die breite Palette realer Bedingungen bewältigen kann, lehrten sie ihn mit einer Technik namens Data Augmentation (Datenaugmentation). Dies beinhaltete, dem System leicht veränderte Versionen desselben Fingerabdrucks zu zeigen, wie etwa Bilder, die um einige Grad gedreht oder leicht zur Seite verschoben waren, was die Art und Weise nachahmt, wie ein Finger jedes Mal etwas anders auf einem Scanner platziert werden kann. Durch das Training mit diesen variierten Beispielen lernte das System, die zugrunde liegende Identität des Fingers unabhängig davon zu erkennen, wie er positioniert war. Bei Tests erwies sich dieses neue Modell als genauer als mehrere bisherige Methoden; es identifizierte Fingerabdrücke in etwa 70 Prozent der Fälle korrekt, wenn der gesamte Bereich der Trainingsdaten verwendet wurde, und erreichte selbst in strengeren Test-Szenarien, in denen die Testbilder nicht verändert wurden, eine Genauigkeit von über 63 Prozent.

Über die Genauigkeit hinaus war der wahre Test dieser Forschung, ob sie tatsächlich auf der spezialisierten Hardware laufen konnte, die für den realen Einsatz vorgesehen ist. Die Forscher übersetzten ihr digitales Design in eine Sprache, die der FPGA-Chip verstehen konnte, und bauten das gesamte System von Grund auf neu auf. Es gelang ihnen, das komplexe Netzwerk auf einen Xilinx Virtex-7 FPGA zu implementieren, einen leistungsstarken Chip, der oft in Hochleistungsanwendungen eingesetzt wird. Das Ergebnis war ein System, das einen einzelnen Fingerabdruck in weniger als 80 Millisekunden verarbeiten konnte – schnell genug für den Echtzeitgebrauch. Der Chip verbrauchte etwa 29 Watt Leistung, ein Wert, der hohe Leistung mit Energieeffizienz ausbalanciert, und nutzte etwa 70 Prozent der verfügbaren Ressourcen des Chips. Diese erfolgreiche Implementierung zeigt, dass es möglich ist, anspruchsvolle Identitätsprüfung direkt auf effizienter Hardware auszuführen, wodurch die Notwendigkeit massiver externer Computer oder schwerer Batterien entfällt.

Die Arbeit hob auch einen entscheidenden Kompromiss hervor, wie diese Systeme aufgebaut werden. Durch die Reduzierung der Anzahl der internen Einstellungen, oder Parameter, die das Netzwerk sich merken muss, machten die Forscher das System viel leichter und einfacher auf einem Chip zu speichern. Ihr Modell benötigte nur etwa 483 Kilobyte Speicherplatz, um all seine gelernten Informationen zu halten – ein winziger Bruchteil dessen, was ältere, schwerere Modelle benötigten. Diese Verringerung der Größe ging nicht zu Lasten der Leistung; tatsächlich übertraf das neue Design frühere Versuche, die komplexere Strukturen verwendeten. Die Forscher fanden heraus, dass während ein Teil ihres Dual-Path-Systems besser darin war, große Merkmale zu erkennen, und der andere Teil feinere Details zu erfassen, die Kombination beider essenziell für die höchste Genauigkeit war. Dies deutet darauf an, dass für die Fingerabdruckerkennung das gleichzeitige Betrachten sowohl des Waldes als auch der Bäume die zuverlässigste Antwort liefert.

Letztendlich bietet diese Forschung einen praktischen Weg, um sichere, Hochgeschwindigkeits-Fingerabdruckerkennung auf Geräte zu bringen, die klein, tragbar und energiebewusst sind. Indem sie bewiesen haben, dass ein leichtgewichtiges, Dual-Path-neuronales Netzwerk effizient auf einem FPGA betrieben werden kann, ohne die Details des Rohbildes zu opfern, hat das Team gezeigt, dass zuverlässige biometrische Sicherheit keine massiven, stromhungrigen Infrastrukturen erfordert. Das System arbeitet mit einer Geschwindigkeit von 108,6 Millionen Zyklen pro Sekunde, was es schnell genug macht, um die Identität einer Person fast augenblicklich zu verifizieren. Diese Errungenschaft deutet darauf an, dass wir in naher Zukunft Fingerabdruckscanner in einer breiteren Palette von Alltagsgeräten sehen könnten – von Mobiltelefonen bis hin zu Grenzkontrollschleusen –, die nicht nur sicher, sondern auch effizient und autark sind und komplexe Entscheidungen mit einem Bruchteil der Leistung treffen können, die bisherfür notwendig gehalten wurde.