Fingerprint Identification System

Az előadások a következő témára: "Fingerprint Identification System"— Előadás másolata:

1 Fingerprint Identification System
Készítette: Venczel Viktor BMF-NIK 2007. december

2 Bevezetés Mi az a biometria és miért van szükség rá? Típusai:
Hanganalízis Kézgeometria elemzés Retinavizsgálat Íriszdiagnosztika Ujjlenyomat azonosítás Arcfelismerés Arcthermogram Miről szól ez a project? Napjainkban az egyre terjedő informatikai rendszerek egyre nagyobb biztonságot igényelnek. A jelszavas azonosítás manapság sok esetben nem nyújt kellő biztonságot már. Léteznek egyéb azonosítási rendszerek is, mint például chip-, mágneskártyák, fizikai kulcsok...etc., és léteznek az ún. biometrikus azonosító rendszerek is. Ez utóbbi manapság is egyre szélesedő skálával rendelkezik. Létezik hanganalízis, kézgeometria elemzés, retinavizsgálat, íriszdiagnosztika, ujjlenyomat azonosítás, arcfelismerés ill. arcthermogram is. Project: Ez a project a fent említettek közül az ujjlenyomat felismerést dolgozza fel. A cél egy olyan rendszer létrehozása, amely képes valamilyen ujjlenyomat-leolvasóval bevitt ujjlenyomat mintát elemezni, összevetni a már meglévő adatbázisban tárolt mintával. Ezt verifikációnak nevezik.

3 Mik a biometria előnyei?
A módszer ténylegesen magát a személyt azonosítja, nem olyan közvetett jellemzőket ellenőriz, mint jelszó vagy kulcs, amelyek eltulajdoníthatóak vagy megfejthetőek. Megfelelő eszköz, illetve technológia alkalmazásával meg lehet győződni arról, hogy a mintavételezés valós élő személytől származik, ezzel jelentősen csökkentve a megtévesztés lehetőségét. Lehetőség lehet csendes riasztásra, ha például ujjnyomat leolvasásnál másik ujját, vagy hangazonosításnál más jelszót használ a kényszerített személy Előnyei: Ezek nagy előnye a kulcsokkal és kártyákkal szemben, hogy mindig kéznél vannak, mivel az ember egyéni fizikai, ill. kémiai tulajdonságin alapulnak. Nem veszítjük el őket, nem tudják ellopni.

4 Mik a biometria hátrányai?
A legtöbb módszer speciális hardvert igényel, amelyek ára jelenleg még elég magas. Fogyatékos emberek esetén a módszer esetleg nem alkalmazható. Higiéniai szempontból a fizikai kontaktust igénylő megoldások problémásak lehetnek. A vizsgált jellemzők az idő múlásával, betegség illetve sérülés következményeként változhatnak. Visszajátszásos megtévesztés lehetséges több esetben is, például hangalapú azonosítás során, amely támadási mód nem minden esetben védhető ki, és ahol kivédhető ott is drága. Jogi, adatvédelmi kérdéseket vethet fel, ha a leolvasás akár távolról, az adott személy beleegyezése nélkül is megtörténhet (például arc-azonosítás). Hátrányai: Hátrányuk, hogy az emberek nem szívesen használják őket. Az ujjlenyomat talán még az amitől a legkevésbé viszolyognak az emberek, talán azért mert ezt sok helyen láthatták már, tv-ben, filmekben, de manapság már a mindennapi életben is.

5 Alapfogalmak Az azonosítás vagy autentikáció fajtái:
Matching, összehasonlítás 1:1 matching, verifikáció 1:N matching, identifikáció, felismerés Az azonosítás megbízhatóságának mérőszámai: Pozitív Negatív FAR, FRR, EER ROC (Receiver Operating Characteristic) Authentication (autentikáció; igazolás, azonosítás): Adott műveletben résztvevő személy személyazonosságának megállapítása, beazonosítása. Matching (összehasonlítás): Biometrikus adat (pl. ujjlenyomat) összevetése másik adatmintával, személyazonosítás céljából. Verification (verifikáció; ): más néven 1:1 összehasonlítás. A felhasználóktól a biometrikus minta (pl. ujjlenyomat) mellett egy másik egyedi azonosító (felhasználói azonosító, PIN-kód, smart-kártya, ...) is eltárolásra kerül. Az azonosítási folyamat során a felhasználó megadva egyedi azonosítóját, a rendszer csak az ehhez rendelt biometrikus adattal hasonlítja össze a felhasználótól azonosítás céljára bekért biometrikus adatot. Gyors és rendkívűl biztonságos azonosítási módszer. Identification (identifikáció; felismerés): más néven 1:N alapú összehasonlítás. Az aktuális biometrikus adatot összeveti az összes korábban letárolt adattal. Ez a módszer nem igényel semmilyen további társított információt az ujjlenyomattal kapcsolatban. Rendkívűl felhasználóbarát, de a verifikációs módhoz képest lassabb. Pozitív egy azonosság állítása, ha a személy azt állítja, hogy ismert a rendszer számára, például fel van véve az adatbázisba, stb. Ebből a szempontból mindegy, hogy az állítás explicit, vagy implicit történt-e. Ilyen gyakorlatilag az összes beléptető rendszer. Negatív egy azonosság állítása, ha a személy azt állítja, hogy nem ismert a rendszer számára. Erre példa lehet, ha szociális segély igénylésének feltétele, hogy az illető még nem vette igénybe a juttatást, vagy határátlépés esetén azt kell eldönteni, hogy rajta van-e a körözési listán, stb. Hibás elfogadás mértéke (False Acceptance Rate – FAR) megadja azt az arányt, ahányszor a rendszer tévesen fogad el egy pozitív vagy negatív azonosság állítást. Például a rendszer beenged egy vadidegent a védett objektumba, illetve egy körözött személyt kienged a határon. Sok esetben ez az érték valamilyen hangolható érzékenységi paraméter függvénye. Hibás elutasítás mértéke (False Rejection Rate – FRR) megadja azt az arányt, ahányszor a rendszer tévesen utasít el egy pozitív, vagy negatív azonosság állítást. Például a portás nem engedi be a vezérigazgatót, vagy letartóztatnak egy ártatlan polgárt a határon. Ez az érték is paraméterfüggő lehet. Azonos hibamérték (Equal Error Rate – EER) a függvényként értelmezett FAR és FRR görbék metszete. A biometrikus rendszerek általában skálázhatóak abban az értelemben, hogy bármelyik mérőszám növelhető, ami azonban a másik jellemző csökkenésével jár. Ezért a paraméterezés jelentette eltérő jellemzők problémáját úgy küszöbölik ki, hogy azt a hangolási állapotot tekintik, ahol az FAR egyenlő az FRR értékkel. Ezzel a megoldással még a jelentősen eltérő rendszerek is objektíven összehasonlíthatóak. ROC (Receiver Operating Characteristic) görbe a helyesen elfogadott pozitív állítások arányát ábrázolja a tévesen elfogadott pozitív állítások arányának függvényében. A görbe egy pontja egy döntési küszöbértékre vonatkozik. Értelemszerűen egy rendszer annál jobb, minél magasabb elfogadási arány tartozik egy adott téves elfogadási arányhoz.

6 Ujjlenyomat leolvasás
Hogy működik? Daktiloszkópia, ujjlenyomattan Papilláris vonalak, fodor szálak Egyediek Nem változnak A bőr felszíne nem sima, hanem finomabban vagy durvábban rajzolatos. A bőrnek ezt a rajzolatát, illetve szerkezetét két részre oszthatjuk: veleszületett (anatómiai szerkezeten alapuló) és szerzett (működés okozta) rajzolatokra. A daktiloszkópiában e rajzolatok közül csak a finomabb képződésű fodor szálak, az úgynevezett papilláris vonalak jelentősek, melyek különösen a tenyereken, a talpakon és az ujjakon fordulnak elő számottevően. Ezek hozzák létre az ujjnyomatok változatos képét. A daktiloszkópia három fő törvényszerűsége is, amely az ujjak alábbi jellegzetességein alapszik: minden egyes ember ujja minden más ember ujjától különbözik minden ember egyes ujja egymástól is különbözik az ujjak különböző rajzai egész életen át változatlanok maradnak Azt a valószínűséget, mely szerint két személynek azonos ujjnyomata lehetne, Galton matematikailag kiszámította. Szerinte 64 milliárd ujj között lehetne azonosat találni. Ez a szám azonban az ember mind a tíz ujjára vonatkoztatva, vagyis a 64 milliárdot a 10. hatványra emelve olyan nagy számot eredményezne, amennyi ember nem él egyszerre a földön.

7 Ujjlenyomat leolvasó szenzorok
Szenzorok típusai Optikai Nyomás érzékeny Hő érzékeny Ultrahangos Fontos tulajdonság Élőujj és ujjlenyomat replika detektálás Problémák OPTIKAI: A leolvasó készülékeknek többféle változatuk van. Az egyik elterjedt változat az optikai szenzor. Ez tulajdonképpen nagyon hasonlít egy általánosan is ismert kamerához. Az üvegre helyezett ujjat alulról egy LED világítja meg, majd a visszaverődő fényt egy CCD segítségével érzékeli. Előnye a technológiának, hogy nem érzékeny az elektrosztatikus kisülésekre, hátránya azonban, hogy az eredményt jelentősen befolyásolja az ujj tisztasága és állapota. Ezenkívül a másik hátrányos tulajdonsága, hogy ez önmagában nem tudja megkülönböztetni az élő ujjat valamilyen utánzattól. NYOMÁS ÉRZÉKENY: Az érzékelést nyomásérzékelős felület is biztosíthatja, mely esetben az ruganyos piezoelektromos anyagból készül. A barázdák közti nyomáskülönbséget elektromos árammá konvertálja, így alakítva ki a képet az ujjról. HŐÉRZÉKENY: Léteznek még hőmérséklet érzékeny szenzorok is, amelyek a fodor szálak, redők élei és a barázdák, mélyedések közötti hőmérséklet különbséget képesek mérni. ULTRAHANGOS: Egy másik típus, ami szintén nem érzékeny az ujj tisztaságára és sérülésmentességére az ultrahangos szenzor. Ugyanazon az elven működnek, ahogy az orvosi használatban lévő ultrahangos berendezések is. Piezoelektromos mágneses erősítők által kibocsájtott hanghullámokat, és a visszavert hullámokat egyaránt mérik piezoelektromos anyagokkal. Ezek segítségével áthatolva a felhám rétegen, az alatta lévő bőrrétegről visszaverődve képet kaphatunk az ujjlenyomatról. Mivel az alsó réteg tükrözi a felső réteg karakterisztikáját, ezért ugyanazt az ujjnyomatot fogjuk kapni eredményül. PROBLÉMÁK Csak említés szinten, nem jól ráhelyezett ujj, rossz képminőség, száraz, nedves ujj, elasztikus nyúlás, forgatás

8 Leolvasási problémák Párokban ugyanannak az ujjlenyomatnak különböző változatai BAL FELÜL: Eredeti / Fordított JOBB FELÜL: Eredeti / Apróbb vágások az ujjon BAL ALUL: Jó minőségű / Rossz minőségű JOBB ALUL: Száraz ujj / Nem száraz ujj

9 Ujjlenyomat globális jellemzői
Fodor szálak, jellemző mintáik, szinguláris pontok Boltozat (arch)(3%) Hurok (loop)(72%) Örvény (whorl)(25%) Az örvény (whorl) egy olyan koncentrikus minta, amelyben a barázdák többsége a mag körül kör, spirális, vagy ovális vonalat követ. Legegyszerűbben azzal jellemezhető, hogy két deltát tartalmaz. A két deltából kiinduló két alapvonallal egyértelműen körülhatárolható. A huroknál (loop) egy vagy több barázda belép az ujjlenyomat minta területre, majd a mag körül visszagörbül és a belépési vonallal hasonló irányban, attól nem messze elhagyja a mintaterületet. A barázdák tehát nem alkotnak kört, a minta mindig egy deltát tartalmaz. A boltozatban (arch) a barázdák a minta egyik oldaláról a másik oldalra szinte egyenes vonalban haladnak át. A minta nem rendelkezik deltával. Alappont (Core) a mintaterület középpontjában helyezkedik el, a minták feldolgozásakor referenciapontnak minősül. Például a hurok esetében az alappont a legbelső barázdán vagy azon belül van. Delta nagyon hasonló alakzat a trirádiuszhoz, mely egy olyan háromszögű görbe, aminek minden oldalának meghosszabbítása egy kiinduló barázda. Mivel könnyen és jól meghatározhatóan egy kiindulási pont, ezért megkönnyíti a barázdaszámlálást, vagy követést.

10 Modulterv Két fő állapot: Beviteli állapot: Összehasonlító állapot
1. Beolvasó modul 2. Előfeldolgozó modul 3. Elemző modul Összehasonlító állapot 4. Összehasonlító modul BEVITELI ÁLLAPOT: Az input oldalon az ujjlenyomat leolvasó, a hardver van, de ez lehet akár már tárolt látens minta is, amit képfileban adunk át a programnak. További input adat még a felhasználó adatai, melyeket tárolni szeretnénk a rendszerben. Ezek közt feltétlenül szerepelni kell annak az azonosítónak, ami alapján később a verifikáció végezhető. Ez most a felhasználó neve lesz. Kimeneti rész az, hogy az adatbázist kibővítjük egy új rekorddal, ami tartalmazza a felhasználó adatait, és a hozzá eltárolt, feldolgozott ujjlenyomat mintát. ÖSSZEHASONLÍTÓ ÁLLAPOT: A bemenet itt is az ujjlenyomat leolvasó vagy képfileként tárolt minta, és egy egyéb módon bevitt azonosító, a felhasználói név, mely alapján a rendszer az verifikációt elvégzi. Output oldalon jelzést küld a képernyőre a vizsgálat eredményéről, és hangjelzést is az eredmény függvényében. Ha nem feltétlenül fontos a gyorsaság, azonban a biztonság annál inkább, akkor készíthetjük úgy a rendszert, hogy kétszer vegyen mintát az ujjról, majd azokat külön-külön feldolgozva az eredményeket összeveti. Ha mindkét esetben ugyanazt az eredményt kapjuk, akkor elfogadjuk helyesnek. Ha nem, akkor megtagadjuk a hozzáférést, és újabb vizsgálatot kérünk. Még jobb lehet, ha a két mintát nem ugyanarról az ujjról vesszük, hanem két különbözőről, ez viszont feltételezi legalább két minta tárolását már a rendszerben.

11 Beviteli modulterv Beolvasó modul Előfeldolgozó modul Elemző modul
Azonosító + egyéb személyes adatok Beolvasó modul Ujjlenyomat mint kép átadása Képi információ Előfeldolgozó modul Azonosító + egyéb személyes adatok beszúrása Binarizált, tiszta kép küldése Minucia adatok beszúrása Elemző modul Adatbázis

12 Összehasonlító modulterv
Azonosító Beolvasó modul Ujjlenyomat mint kép átadása Képi információ Előfeldolgozó modul Binarizált, tiszta kép küldése Elfogadás jelzése Minucia adatok küldése Elemző modul Összehasonlító modul Visszautasítás jelzése Azonosító / Adatok Adatbázis

13 Ujjlenyomatok feldolgozása

14 Ujjlenyomatok feldolgozása
Kép elmosása Lineáris alul-áteresztő szűrő Átlagoló szűrő Nem lineáris szűrő Medián szűrő A minuciák előállításához a képeket először megfelelő formára kell hozni. Ezt egy sor különféle módszerrel és algoritmussal tudjuk megvalósítani Némely esetekben hasznos lehet egy mediánszűrő alkalmazása is, ami sorba rendezi a lokális környezet pixelintenzitásait, majd azok mediánjával helyettesíti a célpixelt. Ezzel kiszűrhetők a pont típusú, ill. az egy pixel vastagságú zajok. Így könnyebben elemezhető válik a mintánk.

15 Ujjlenyomatok feldolgozása
Gradiensek meghatározása Sobel operátor Roberts keresztoperátor Kirsch operátor Az eredmény képen utána meghatározzuk a gradienseket például a Sobel operátorral , vagy Roberts keresztoperátorral, esetleg Kirsch operátorral. Ennek segítségével szegmentálhatjuk a képet, és így kiszűrhetjük a feldolgozás szempontjából lényegtelen képi részleteket, mint pl. háttér.

16 Ujjlenyomatok feldolgozása
1. Osszuk fel a bemeneti képet 𝑊 × 𝑊 méretű blokkokra. 2. Számoljuk ki a gradienst Gx és Gy minden pixelre minden blokkban. 3. Meghatározzuk a lokális orientációját minden pixelnek (i,j) 4. Kiszámítjuk az orientációs-mező konzisztencia szintjét az (i,j) blokk lokális szomszédságában 5. Ha a konzisztencia szint egy adott Tc küszöb felett van, akkor e terület körül újra kell számolni a lokális orientációkat kisebb felbontással, egészen addig, amíg a 𝐶(i,j) nem lesz alacsonyabb, mint a meghatározott érték. A fodor szálak lokálisan meghatározott irányának és a szűrőnek a segítségével kiemelhetjük az egy irányba tartó fodor szálakat, és eltüntethetjük az egyéb irányba tartókat, amik feltételezhetően zajként keletkeztek.

17 Ujjlenyomatok feldolgozása
Eredeti kép Lokális orientációk

18 Ujjlenyomatok feldolgozása
Binarizálás Küszöb meghatározása Szkennelési hibák Lokálisan változó küszöbölés Niblack algoritmus A Niblack algoritmus változó küszöbértékekkel dolgozik. Egy pixel adott környezetében vett középértékét és szórását veszi alapul a küszöb meghatározásához. Egyik paramétere, amit meg kell adnunk, az a környezet mérete, ami általában 15x15, 30x30 vagy 60x60-as szokott lenni. Rendelkezik továbbá egy k paraméterrel, ami azt szabályozza, hogy a szórást milyen mértékben vegye figyelemben a számítások során. Ez az érték sötét objektumok esetében nullánál kisebb, világos objektumok esetében 0-nál nagyobb érték, tipikusan szokott lenni.

19 Ujjlenyomatok feldolgozása
Vékonyítás, thinning Alaktani vékonyításhoz használt maszkok 90°-os elforgatottak 8 ciklus Eredménye A vékonyítás leredukálja a fodor szálak szélességét 1 pixelre. Minden ciklussal a kép először az ábra bal oldali maszkjával vékonyítva lesz, majd a jobb oldalival, ezután pedig ezeknek a 90°-okkal elforgatott maradék 6 változatával. Ez az egész addig hajtódik végre ismételten, amíg egyik vékonyítás se változtat már a képen. Mivel ez egy rendkívül számításigényes művelet a sok ciklus miatt, fontos, hogy nagyon jól optimalizált kódot írjunk itt.

20 Ujjlenyomatok feldolgozása
Minuciák keresése a képen Minuciák alaptípusai Végződések Elágazások A folyamat lényege, hogy veszünk egy 3x3-as maszkot és végigmegyünk vele a kép pixeljein. Mivel a szálak 1 pixel vastagságúak, összesen 3 fodor szál pixelt fog lefedni a maszk alapesetben. Ha csak kettőt találunk, akkor végződéshez értünk, ha 3-nál többet, akkor elágazáshoz. A probléma az, hogy a vékonyítás során keletkezhettek hamis minuciák is, ill. az ujjon található sérülések is hasonlóan hibás eredményhez vezethetnek. Ezek kiszűrése már komplikált.

21 Ujjlenyomatok feldolgozása
Hamis minuciák kiszűrése Kép szélein talált minuciák figyelmen kívül hagyása Két egymással szemben lévő végződés Fodor szálak orientáltságára merőleges vonalak Rövid izolált szálak Sok minucia egy kis területen feltételezhetően valamilyen(pl.: égési) sérülés következménye Van egy hasznos sajátossága is az ujjlenyomatoknak, a párhuzamos fodor szálak redundáns volta. Hiába van sok szakadás az egyes fodor szálakban, mert ha egy kisebb lokális területüket nézzük, akkor egyértelműen meghatározható az áramlásuk iránya. Meghatározhatjuk az egy irányba tartó fodor szálakat, és eltüntethetjük az egyéb irányba tartókat, amik feltételezhetően zajként keletkeztek. Léteznek tapasztalati úton meghatározott küszöbértékek a fodor szálak minimális hosszára vonatkozóan, vagy egy elágazás egyik ágának minimális hosszára.

22 Ujjlenyomatok feldolgozása
Minucia adatok tárolása Polár koordináta Súlyozott irányítatlan gráf, egymáshoz viszonyított helyzet Normál esetben közötti minuciát találunk egy átlagos ujjlenyomat képen. Ezeket tárolnunk is kell. Tárolhatjuk polár koordinátás rendszerben az adatokat, aminek a lényege az, hogy minden pontot egy irány és egy távolság határoz meg. Ehhez viszont meg kell határoznunk egy középpontot, amihez viszonyítunk, és ügyelni kell arra, hogy az ujjlenyomat nincs-e elforgatva a képen. Másik megoldás, hogy a minuciák egymáshoz viszonyított helyzetét tároljuk, ami kiküszöböli az elforgatásból adódó hibákat. Ilyenkor a minuciákat egy súlyozott, irányítatlan gráf csúcspontjaiként kezeljük, melyek egy sík gráfot alkotnak. A gráf élein a súlyok a két csúcs közötti távolság, azaz a két minucia közti távolság lesz. Ez nem érzékeny így az elforgatásra, viszont egy kicsit lassabb feldolgozást eredményezhet.

23 Ujjlenyomatok feldolgozása
Minucia adatok eltárolása, új felhasználó hozzáadása a rendszerhez Minucia adatok kiolvasás az adatbázisból felhasználói név alapján összehasonlítás céljából Adatbázis védelme, kódolása Itt a felhasználó nevet, mint azonosítót használva meg kell keresni az adatbázisban a hozzá tartozó tárolt ujjlenyomat információkat. Ide bármilyen keresési algoritmus megfelel, egy lineáris keresés elegendő, de ha gyorsítani szeretnénk az eljárást, akkor felhasználói név esetében rendezett adatbázist célszerű tárolni, és alkalmazhatunk bináris keresést a hatékonyabb megtalálás érdekében. Mivel törölni ritkán vagy egyáltalán nem szoktunk ilyen adatbázisból, ezért törlési részről nem igényel komolyabb műveleteket az adatbázis rendezettségének megőrzése. Beszúrás is akkor jellemző csak, amikor először feltöltik a rendszert, utána már csak ritkán kell beszúrni új elemeket az adatbázisba, így itt se gond, ha nem olyan hatékony sebesség szempontjából az algoritmusunk. Ha azt szeretnénk, hogy valaki többet ne férjen hozzá a rendszer által őrzött tartalomhoz, akkor a felhasználó rekordjában az erre megfelelő logikai típusú változót elegendő beállítani, nem szükséges törölni az egész rekordot. Ez különösen hasznos lehet, ha csak ideiglenesen szeretnénk megvonni az engedélyét a felhasználónak, így később az engedélyezésnél nem szükséges újra bevinni az adatait.

24 Ujjlenyomatok feldolgozása
Minucia adatok összehasonlítása Egyezés esetén ellenőrzés Határoló terület Elasztikus nyúlás Eredmény jelzése MINUCIA ADATOK ÖSSZEHASONLÍTÁSA: A beolvasott adatokból képzett gráfot össze kell hasonlítani a tárolt változattal, majd ha nem egyeznek, akkor el kell forgatni ill. el kell tolni és újra próbálkozni. Sokat gyorsíthat az eljáráson, ha nem az egész gráfon hajtjuk végre ezeket a műveleteket, hanem csak egy kisebb darabját tologatjuk és forgatjuk, és azzal keresünk egyezést a tárolt változaton. EGYEZÉS ESETÉN ELLENŐRZÉS: Ha sikerült egyezést találni, akkor még meg kell róla győződni, hogy valóban egyezésről beszélhetünk-e. Ezt úgy dönthetjük el, hogy megvizsgáljuk a minuciák lokális környezetét, és ha a rávetített másik minucia ezen a határoló területen belülre esik, akkor azt egyezésnek tekintjük. Ilyen eltérések keletkezhetnek például az ujjon a bőr nyúlásának esetén, ezért szinte lehetetlen két pontosan egyforma ujjlenyomatot venni . ELASZTIKUS NYÚLÁS: Jegyezzük meg, hogy a szomszédságok összehasonlításával szinte soha nem fogunk teljesen biztos egyezést kapni. Ennek két oka van: az egyik az ujjlenyomat képek zajossága, a másik a bőr rugalmas felületéből ered, ami miatt a minuciák iránya, ill. egymáshoz viszonyított távolsága változhat. Az összehasonlítás eredményeként így egy 0 és 1 (vagy 10 és 100) közötti számot kapunk. A magasabb értékek reprezentálják a jobb eredményt. Ezután összehasonlítjuk ezt az értéket egy egyénileg választott küszöb értékkel. Ha nagyobb ez a szám, akkor azt mondjuk, hogy az összehasonlítás eredménye igaz (vagy 1), azaz megegyezik az ujjlenyomat a vizsgálttal, különben hamisnak (vagy 0) ítéljük az eredményt. Ha ezt a küszöb értéket magasra állítjuk, akkor nagyobb biztonsággal állíthatjuk, hogy egyeznek a minták, viszont ez több hibás elutasítást fog eredményezni.

25 Egyéb technikák Fodorszál követés:
a lokális maximum kiválasztásából és az adott irányban való továbbhaladásból áll Maszkolás hatása A fodorszál követéses technika abban különbözik a binarizálásos technikától, hogy itt a kép elõfeldolgozása után nem vágjuk két színûre a képet és vékonyítjuk a vonalakat, hanem a közvetlen szürkeskálás képpel dolgozunk tovább. Minden szálat végigkövetünk és megcímkézünk. Az elsõ lépése a technikának a maszkolás. Maszkolnunk azért szükséges, mert a fodorszálak a beolvasás során több lokális maximumértéket is felvehetnek, így eltéríthetnék a szálkövetéses technikát, ugyanis az algoritmus szálat téveszthetne. A maszkkal egy maximális csúcsot hozunk létre.

26 Egyéb technikák FingerCode
középponttól kifelé koncentrikus körökre felosztás és azok feldara-bolása Egy másik összehasonlító eljárás az ún. FingerCode eljárás. Ez nem minucia alapú, mint a korábban látott eljárás és Gábor szűrőket használ, ami a nevét kiötlője Gábor Dénes után kapta. Az algoritmus először meghatározza az ujjnyomat „középpontját", vagyis azt a pontot, ahol a bőrredő rajzolata a legkisebb ívben görbül, valamint lokális szimmetria alapján egy irányvektort. A szektorháló 5 gyűrűből, és gyűrűnként 16 szektorból áll. Mindegyikre lokális normalizálást hajtanak végre, majd 8 Gábor-szűrőn engedik keresztül a normalizált képet. A Gábor szűrők arra szolgálnak, hogy kiemeljék az ábrák egyes irányok menti változatosságát, míg elnyomják a merőleges irányú változatosságot

27 Irodalomjegyzék 1. Orvos Péter, Vitárius Gergely. Biztostű. Biztostű. [Online] Október 28. ] 2. Biometrikus zárak :: Általános biometriai szakkifejezések szószedete:. Donáció 2003 Bt. [Online] 3. Anil K. Jain, Salil Prabhakar, and Arun Ross. Fingerprint Matching: Data Acquisition and Performance Evaluation. Michigan State University MSU-CPS 4. Bordás Henrik, CHRIS - Capacity sensor based Human Recognition and Image processing System,