Fugu-MT 論文翻訳(概要): A Contactless Fingerprint Recognition System

論文の概要: A Contactless Fingerprint Recognition System

arxiv url: http://arxiv.org/abs/2108.09048v1
Date: Fri, 20 Aug 2021 08:21:55 GMT
ステータス: 処理完了
システム内更新日: 2021-08-23 13:26:14.520768
Title: A Contactless Fingerprint Recognition System
Title（参考訳）: 無接触指紋認識システム
Authors: Aman Attrish, Nagasai Bharat, Vijay Anand, and Vivek Kanhangad
Abstract要約: 距離から指紋をキャプチャする非接触指紋認識システムを開発するためのアプローチを提案する。キャプチャされたフィンガー写真はさらに処理され、グローバルおよびローカルな機能(ミニチュアベース)が取得される。提案システムはNvidia Jetson Nano開発キットを用いて開発され,非接触指紋認識をリアルタイムで行うことができる。
参考スコア（独自算出の注目度）: 5.565364597145569
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fingerprints are one of the most widely explored biometric traits. Specifically, contact-based fingerprint recognition systems reign supreme due to their robustness, portability and the extensive research work done in the field. However, these systems suffer from issues such as hygiene, sensor degradation due to constant physical contact, and latent fingerprint threats. In this paper, we propose an approach for developing a contactless fingerprint recognition system that captures finger photo from a distance using an image sensor in a suitable environment. The captured finger photos are then processed further to obtain global and local (minutiae-based) features. Specifically, a Siamese convolutional neural network (CNN) is designed to extract global features from a given finger photo. The proposed system computes matching scores from CNN-based features and minutiae-based features. Finally, the two scores are fused to obtain the final matching score between the probe and reference fingerprint templates. Most importantly, the proposed system is developed using the Nvidia Jetson Nano development kit, which allows us to perform contactless fingerprint recognition in real-time with minimum latency and acceptable matching accuracy. The performance of the proposed system is evaluated on an in-house IITI contactless fingerprint dataset (IITI-CFD) containing 105train and 100 test subjects. The proposed system achieves an equal-error-rate of 2.19% on IITI-CFD.
Abstract（参考訳）: 指紋は最も広く研究されている生体計測特性の1つである。具体的には、接触型指紋認識システムが、その堅牢性、ポータビリティ、およびこの分野における広範な研究により、優位に立つ。しかし、これらのシステムは衛生、物理的接触によるセンサーの劣化、潜在指紋の脅威などの問題に苦しんでいる。本稿では,画像センサを用いて距離から指紋を捕捉する非接触指紋認識システムを提案する。撮影された指の写真はさらに処理され、グローバルかつローカルな機能(minutiaeベース)が得られる。特に、シアム畳み込みニューラルネットワーク(cnn)は、与えられた指の写真からグローバルな特徴を抽出するように設計されている。提案システムはcnnベースの特徴とminutiaeに基づく特徴のマッチングスコアを計算する。最後に、2つのスコアを融合してプローブと参照指紋テンプレートの最終マッチングスコアを得る。最も重要なのは、Nvidia Jetson Nano開発キットを使用して、最小レイテンシと許容整合精度で、リアルタイムに非接触指紋認識を行うシステムである。提案システムの性能評価は, 内装型IITI非接触指紋データセット(IITI-CFD)を用いて行った。提案方式は,IITI-CFDで2.19%のエラー率を達成する。

関連論文リスト

Digitizing Touch with an Artificial Multimodal Fingertip [51.7029315337739]
人間とロボットはどちらも、周囲の環境を知覚し、相互作用するためにタッチを使うことの恩恵を受ける。ここでは、タッチのデジタル化を改善するための概念的および技術革新について述べる。これらの進歩は、高度なセンシング機能を備えた人工指型センサーに具現化されている。
論文参考訳（メタデータ） (2024-11-04T18:38:50Z)
Deep Learning-Based Approaches for Contactless Fingerprints Segmentation and Extraction [1.2441902898414798]
我々は,非接触指紋の局所化とセグメンテーションのためのディープラーニングベースのセグメンテーションツールを開発した。評価では,30ピクセルの平均絶対誤差(MAE),5.92度の角度予測誤差(EAP),97.46%のラベル付け精度を示した。
論文参考訳（メタデータ） (2023-11-26T01:56:10Z)
Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems [5.022332693793425]
我々は,7500枚以上の4指画像の提示攻撃検出(PAD)データセットを開発した。攻撃提示分類誤り率(APCER)0.14%とボナフィド提示分類誤り率(BPCER)0.18%のPAD精度について検討した。
論文参考訳（メタデータ） (2023-03-09T18:01:10Z)
AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2022-11-25T05:10:39Z)
Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
ソーシャルメディアからの指紋漏洩は画像を匿名化したいという強い欲求を喚起します指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
論文参考訳（メタデータ） (2022-08-23T02:20:46Z)
FIGO: Enhanced Fingerprint Identification Approach Using GAN and One Shot Learning Techniques [0.0]
本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
論文参考訳（メタデータ） (2022-08-11T02:45:42Z)
A review of schemes for fingerprint image quality computation [66.32254395574994]
本稿では,指紋画像品質計算における既存手法について概説する。また、9000個の指紋画像を含むMCYTデータベースを用いて、それらの選択を実装し、テストし、比較する。
論文参考訳（メタデータ） (2022-07-12T10:34:03Z)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
Synthesis and Reconstruction of Fingerprints using Generative Adversarial Networks [6.700873164609009]
本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
論文参考訳（メタデータ） (2022-01-17T00:18:00Z)
Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
論文参考訳（メタデータ） (2020-05-12T15:51:59Z)
SynFi: Automatic Synthetic Fingerprint Generation [23.334625222079634]
我々は,高忠実度合成指紋を大規模に自動生成する新しい手法を提案する。本手法は,実際の指紋と計算的に区別できない指紋を生成する最初の方法であることを示す。
論文参考訳（メタデータ） (2020-02-16T07:45:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。