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

In de moderne wereld berust het bewijzen van wie je bent vaak op iets dat je bij je draagt, zoals een kaart, of iets dat je onthoudt, zoals een wachtwoord. Toch kunnen deze methoden verloren gaan, gestolen worden of vergeten worden. Dit heeft ervoor gezorgd dat wetenschappers en ingenieurs op zoek gingen naar iets dat je simpelweg bent, een biologische eigenschap die uniek voor jou is en je een leven lang vergezelt. Onder deze eigenschappen zijn de rimpels en dalen op de punt van een menselijke vinger al lang een favoriet voor identificatie. Ze zijn gemakkelijk vast te leggen, opmerkelijk stabiel over decennia heen en bijna onmogelijk om perfect te dupliceren. Jarenlang zijn computers getraind om deze patronen te lezen, maar het doen van deze taak snel en accuraat zonder een batterij leeg te trekken of een enorme server nodig te hebben, bleef een moeilijke uitdaging. Het doel is om een systeem te bouwen dat naar een vingerafdruk kan kijken, de unieke kaart ervan begrijpt en in een oogwenk een beslissing neemt, terwijl het draait op een kleine, efficiënte chip in plaats van op een gigantische, stroomverslindende computer.

Een team onderzoekers aan de University of Florida heeft een belangrijke stap gezet naar het oplossen van dit probleem door een nieuwe manier te ontwerpen waarop computers vingerafdrukken kunnen herkennen, die zowel zeer nauwkeurig als verrassend licht qua middelen is. In plaats van te vertrouwen op de zware, complexe systemen die normaal gesproken dergelijke taken aandrijven, creëerden zij een gestroomlijnd digitaal brein dat specifiek is gebouwd om op een gespecialiseerde computerchip te passen, een zogenaamde field-programmable gate array, of FPGA. Deze chips zijn als lege doeken voor ingenieurs; ze kunnen worden geprogrammeerd om specifieke taken uit te voeren met ongelooflijke snelheid en zeer laag energieverbruik, wat ze ideaal maakt voor apparaten die betrouwbaar moeten werken zonder aan een stopcontact te hoeven worden geplugd. De onderzoekers wilden zien of ze een vingerafdruklezer konden bouwen die de afbeelding niet eerst hoefde op te schonen of te vereenvoudigen voordat deze gelezen werd, een veelvoorkomende stap die vaak waardevolle details weggooit.

Om dit te bereiken, ontwierp het team een nieuw type neuraal netwerk, een computersysteem dat gemodelleerd is naar het menselijk brein en dat leert patronen te herkennen door naar duizenden voorbeelden te kijken. De meeste bestaande systemen voor deze taak zijn ofwel te zwaar om op kleine chips te draaien, of vereisen dat de vingerafdrukafbeelding wordt verkleind en gladgestreken, wat de zeer details die nodig zijn voor een correcte match kan vervagen. De onderzoekers stelden een andere aanpak voor: een "dual-path" architectuur. Stel je een team van twee experts voor die tegelijkertijd naar dezelfde vingerafdruk kijken. De ene expert focust op het grote plaatje, kijkend naar de algemene vorm en de grote rondingen van de afdruk. De andere expert zoomt in om de kleine, ingewikkelde details en fijne lijnen te bestuderen. In hun ontwerp werken deze twee "paden" parallel aan elkaar, waarbij elk verschillende soorten informatie uit de ruwe afbeelding extraheert. Aan het einde worden hun bevindingen gecombineerd om een definitieve beslissing te nemen. Deze methode stelde hen in staat om de volledige, originele grootte van de vingerafdrukbeelden te gebruiken, waardoor elke rimpel en elk dal behouden bleef zonder de gegevens eerst te hoeven vergroten of voor te bewerken.

Het team trainde dit nieuwe systeem met behulp van een enorme collectie vingerafdrukbeelden uit publieke databases, die scans bevatten die zijn gemaakt met verschillende soorten sensoren en variërende resoluties. Om er zeker van te zijn dat de computer de brede variëteit aan real-world condities aan kon, leerden ze het systeem via een techniek genaamd data augmentation. Dit hield in dat het systeem licht gewijzigde versies van dezelfde vingerafdruk te zien kreeg, zoals afbeeldingen die een paar graden gedraaid waren of iets naar de zijkant verschoven waren, wat nabootst hoe een vinger telkens anders op een scanner geplaatst kan worden. Door te trainen op deze gevarieerde voorbeelden, leerde het systeem de onderliggende identiteit van de vinger te herkennen, ongeacht hoe deze gepositioneerd was. Bij tests bleek dit nieuwe model nauwkeuriger dan verschillende eerdere methoden; het identificeerde vingerafdrukken correct in ongeveer 70 procent van de gevallen wanneer de volledige reeks trainingsdata werd gebruikt, en behaalde nog steeds meer dan 63 procent nauwkeurigheid in striktere testscenario's waarbij de testafbeeldingen niet waren aangepast.

Naast het feit dat het accuraat was, was de echte test van dit onderzoek of het daadwerkelijk kon draaien op de gespecialiseerde hardware die bedoeld is voor echt gebruik. De onderzoekers vertaalden hun digitale ontwerp naar een taal die de FPGA-chip kon begrijpen en bouwden het hele systeem vanaf de grond af op. Het lukte hen om het complexe netwerk op een Xilinx Virtex-7 FPGA te passen, een krachtige chip die vaak wordt gebruikt voor high-performance toepassingen. Het resultaat was een systeem dat een enkele vingerafdruk in minder dan 80 milliseconden kon verwerken, snel genoeg voor real-time gebruik. De chip verbruikte ongeveer 29 watt aan vermogen, een cijfer dat een balans vindt tussen hoge prestaties en energie-efficiëntie, en maakte ongeveer 70 procent van de beschikbare middelen van de chip gebruik. Deze succesvolle implementatie demonstreert dat het mogelijk is om geavanceerde identiteitsverificatie direct op efficiënte hardware uit te voeren, waardoor de noodzaak voor enorme externe computers of zware batterijen verdwijnt.

Het werk benadrukte ook een cruciale afweging in de manier waarop deze systemen worden gebouwd. Door het aantal interne instellingen, of parameters, dat het netwerk moet onthouden te verminderen, maakten de onderzoekers het systeem veel lichter en gemakkelijker op te slaan op een chip. Hun model had slechts ongeveer 483 kilobytes aan geheugen nodig om alle geleerde informatie vast te houden, een minuscuul deel van wat oudere, zwaardere modellen nodig hadden. Deze vermindering in omvang ging niet ten koste van de prestaties; sterker nog, het nieuwe ontwerp presteerde beter dan eerdere pogingen die complexere structuren gebruikten. De onderzoekers ontdekten dat hoewel één deel van hun dual-path systeem beter was in het spotten van grote kenmerken en het andere deel in het vangen van fijne details, het combineren van beide essentieel was voor de hoogste nauwkeurigheid. Dit suggereert dat voor vingerafdrukherkenning het tegelijkertijd kijken naar zowel het bos als de bomen het meest betrouwbare antwoord geeft.

Uiteindelijk biedt dit onderzoek een praktisch pad naar het brengen van veilige, snelle vingerafdrukherkenning naar apparaten die klein, draagbaar en energiebewust zijn. Door te bewijzen dat een lichtgewicht, dual-path neuraal netwerk efficiënt op een FPGA kan draaien zonder de details van de ruwe afbeelding op te offeren, heeft het team aangetoond dat betrouwbare biometrische beveiliging geen massale, stroomverslindende infrastructuur vereist. Het systeem werkt met een snelheid van 108,6 miljoen cycli per seconde, wat snel genoeg is om iemands identiteit bijna onmiddellijk te verifiëren. Deze prestatie suggereert dat we in de nabije toekomst vingerafdrukscanners kunnen zien ingebed in een breder scala aan alledaagse apparaten, van mobiele telefoons tot grenskontroles, die niet alleen veilig zijn, maar ook efficiënt en zelfvoorzienend, in staat om complexe beslissingen te nemen met een fractie van het vermogen dat voorheen nodig werd geacht.