A simple approach for biometrics: Finger-knuckle prints recognition based on a Sobel filter and similarity measures
यह शोध पत्र एक तेज़ और कुशल फिंगर-नकल प्रिंट (finger-knuckle print) पहचान पद्धति प्रस्तावित करता है जो समानता मापों के माध्यम से तुलना के लिए बाइनरी इमेज उत्पन्न करने हेतु सोबेल फ़िल्टर और शोर न्यूनीकरण (noise reduction) का उपयोग करता है, जिससे एक बड़े डेटासेट पर 17.02% तक की ट्रू पॉजिटिव दर प्राप्त होती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक अनूठा "फिंगरप्रिंट" है जो आपकी उंगली के पोर पर नहीं, बल्कि आपके जोड़ (knuckle) पर है जहाँ आपकी उंगली मुड़ती है। आपके फिंगरप्रिंट की तरह ही, आपके जोड़ की त्वचा पर रेखाओं और घाटियों का एक विशिष्ट पैटर्न होता है जो किसी और के पास नहीं है। यह शोध पत्र लोगों को उनके जोड़ के पैटर्न का उपयोग करके पहचानने का एक सरल, तेज़ और चतुर तरीका प्रस्तावित करता है।
यहाँ उनके तरीके का विवरण दिया गया, जिसे रोजमर्रा के उपमाओं (analogies) के माध्यम से समझाया गया है:
लक्ष्य: एक सरल ID चेक
अधिकांश सुरक्षा प्रणालियाँ जटिल, हाई-टेक तिजोरियों की तरह होती हैं जिन्हें खोलने में बहुत समय लगता है। लेखक बायोमेट्रिक सुरक्षा का एक "साइकिल लॉक" संस्करण बनाना चाहते थे: सरल, तेज़ और प्रभावी। वे देखना चाहते थे कि क्या वे केवल उनके जोड़ की फोटो देखकर किसी व्यक्ति की पहचान कर सकते हैं, बिना किसी भारी-भरक कंप्यूटर प्रोसेसिंग के।
चरण 1: "परछाई और रोशनी" वाली टॉर्च (एज डिटेक्शन)
जब आप जोड़ की फोटो लेते हैं, तो यह केवल एक सपाट छवि होती है। अद्वितीय रेखाओं को खोजने के लिए, शोधकर्ताओं ने सोबेल फ़िल्टर (Sobel filter) नामक एक डिजिटल टूल का उपयोग किया।
इसे एक बनावट वाली दीवार पर दो अलग-अलग टॉर्चों की रोशनी डालने जैसा समझें:
- "परछाई" वाली रोशनी: यह एक तरफ से चमकती है, जिससे गहरी घाटियाँ लंबी परछाइयाँ बनाती हैं।
- "रोशनी" वाली रोशनी: यह दूसरी तरफ से चमकती है, जो उन उभारों (ridges) को उजागर करती है जो रोशनी पकड़ते हैं।
ऐसा करने से, कंप्यूटर केवल एक फोटो नहीं देखता; वह त्वचा के "घाटियों" और "उभारों" का एक नक्शा देखता है। परिणाम एक ब्लैक-एंड-व्हाइट इमेज है जहाँ महत्वपूर्ण रेखाएँ सफेद हैं, और बैकग्राउंड काला है।
चरण 2: "धूल का झाड़ू" (नॉइज़ रिडक्शन)
जब आप उन डिजिटल टॉर्चों का उपयोग करते हैं, तो कभी-कभी "स्टैटिक" या "धूल" मिल जाती है—छोटे, यादृच्छिक सफेद बिंदु जो आपके जोड़ के पैटर्न का हिस्सा नहीं हैं। ये त्रुटियाँ हैं।
शोधकर्ताओं ने एक "नॉइज़ रिडक्शन" एल्गोरिदम का उपयोग किया, जो एक धूल के झाड़ू की तरह काम करता है। यह इमेज के हर एक बिंदु को देखता है। यदि एक सफेद बिंदु अकेला खड़ा है (जैसे धूल का एक कण), तो झाड़ू उसे साफ कर देता है। यदि सफेद बिंदुओं का एक समूह एक साथ है (जैसे जोड़ पर एक वास्तविक रेखा), तो झाड़ू उन्हें वैसे ही छोड़ देता है। यह इमेज को साफ करता है ताकि कंप्यूटर रैंडम धब्बों से भ्रमित न हो।
चरण 3: "कटआउट" (ROI एक्सट्रैक्शन)
इमेज को साफ करने के बाद, उन्हें पूरी फोटो की जरूरत नहीं है। उन्हें बस उस विशिष्ट भाग की आवश्यकता है जिसमें जोड़ है। वे एक आयताकार "स्टिकर" (जिसे रीजन ऑफ इंटरेस्ट कहा जाता है) काट लेते हैं जिसमें केवल जोड़ का पैटर्न होता है, और बाकी उंगली को हटा देते हैं।
चरण 4: "मैचिंग गेम" (सिमिलैरिटी मेजर्स)
अब, सिस्टम के पास आपके जोड़ का एक साफ, ब्लैक-एंड-व्हाइट "स्टिकर" है। यह देखने के लिए कि क्या यह डेटाबेस में किसी से मेल खाता है, इसे आपके स्टिकर की तुलना हजारों अन्य स्टिकर्स से करनी होगी।
इस मैचिंग गेम को खेलने के तीन अलग-अलग तरीकों का परीक्षण किया गया:
- "पिक्सेल-दर-पिक्सेल" गिनती (मीन एब्सोल्यूट): यह यह जाँचने जैसा है कि क्या दो पहेली के टुकड़े (puzzle pieces) बिल्कुल एक जैसे हैं। यदि एक भी छोटा बिंदु गलत जगह पर है, तो यह मिसमैच माना जाता है। लेखकों ने पाया कि यह बहुत सख्त था; इसे समग्र आकार की परवाह नहीं थी, केवल सटीक स्थिति की परवाह थी।
- "सबसे खराब स्थिति" (हौसडॉर्फ डिस्टेंस): यह सबसे बड़ी गलती को ढूंढता है। कल्पना करें कि दो आकार 99% समान हैं, लेकिन एक में एक छोटा सा धब्बा दूर है। यह तरीका कहेगा, "वे पूरी तरह से अलग हैं क्योंकि उस एक धब्बे के कारण।" यह त्रुटियों के प्रति बहुत संवेदनशील है।
- "औसत पड़ोसी" (चैम्फर डिस्टेंस): यह विजेता रहा। कल्पना करें कि आप दो आकारों को मिलाने की कोशिश कर रहे हैं। दो आकारों के बिल्कुल समान होने की मांग करने के बजाय, यह तरीका पूछता है: "आपके आकार के प्रत्येक बिंदु के लिए, मेरे आकार का निकटतम बिंदु कितना करीब है?" यह इन दूरियों का औसत निकालता है। यह छोटी त्रुटियों के लिए उदार है लेकिन फिर भी समग्र पैटर्न को पहचान लेता है।
परिणाम: यह कितनी अच्छी तरह काम कर रहा था?
शोधकर्ताओं ने इसका परीक्षण 147 लोगों के डेटाबेस पर किया, जिनमें से प्रत्येक के पास उनके जोड़ों की 12 अलग-अलग तस्वीरें थीं।
- स्कोर: जब सिस्टम को एक फोटो से यह अनुमान लगाना था कि व्यक्ति कौन है, तो इसने 17.02% बार सही अनुमान लगाया।
- वह संख्या क्यों अच्छी है: यदि सिस्टम केवल रैंडम अनुमान लगा रहा होता, तो यह लगभग 0.68% बार ही सही होता। इसलिए, उनका तरीका रैंडम अनुमान लगाने से लगभग 25 गुना बेहतर था।
- "सटीकता" का जाल: पेपर नोट करता है कि सिस्टम की "सटीकता" (99.99%) बहुत अधिक थी, लेकिन यह थोड़ा चालाकी भरा है। क्योंकि ऐसे बहुत से लोग हैं जो मेल नहीं खाते (ट्रू नेगेटिव्स), इसलिए समग्र प्रतिशत बहुत बड़ा दिखता है। असली परीक्षण ट्रू पॉजिटिव रेट (सही व्यक्ति को पहचानना) है, जो कि 17.02% था।
निष्कर्ष
लेखक निष्कर्ष निकालते हैं कि उनका तरीका सरल, तेज़ और मजबूत है।
- क्योंकि उन्होंने छवियों को सरल ब्लैक-एंड-व्हाइट मानचित्रों में बदल दिया, इसलिए कंप्यूटर को भारी गणित करने की आवश्यकता नहीं है।
- यह बहुत ही बुनियादी कंप्यूटरों पर भी चल सकता है।
- हालांकि 17% जटिल प्रणालियों की तुलना में कम लग सकता है, लेखक बताते हैं कि यदि डेटाबेस छोटा होता (जैसे 20 लोगों का एक छोटा कार्यालय) या यदि वे व्यक्ति को दो बार स्कैन करते, तो सफलता दर बहुत अधिक हो जाती।
संक्षेप में, उन्होंने साबित किया कि आपको जोड़ को पहचानने के लिए सुपरकंप्यूटर की आवश्यकता नहीं है; आपको बस छाया और रेखाओं को देखने का एक चतुर तरीका, धूल को साफ करने का तरीका और एक उदार मैचिंग गेम की आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।