首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于NVIDIA Jetson NANO 非接触式指纹识别系统

基于NVIDIA Jetson NANO 非接触式指纹识别系统

作者头像
GPUS Lady
发布2021-09-22 11:26:57
6120
发布2021-09-22 11:26:57
举报
文章被收录于专栏:GPUS开发者GPUS开发者

本论文标题《A Contactless Fingerprint Recognition System》

来自:https://arxiv.org/pdf/2108.09048.pdf

概述

指纹是研究最广泛的生物特征之一。具体而言,基于接触的指纹识别系统因其稳健性、便携性和在该领域进行的广泛研究工作而占据主导地位。然而,这些系统存在卫生、传感器因持续物理接触而退化以及潜在指纹威胁等问题。

在本文中,我们提出了一种开发非接触式指纹识别系统的方法,该系统在合适的环境中使用图像传感器从远处捕获手指照片。然后进一步处理捕获的手指照片以获得全局和局部(基于细节的)特征。具体来说,孪生卷积神经网络 (CNN) 旨在从给定的手指照片中提取全局特征。所提出的系统根据基于 CNN 的特征和基于细节的特征计算匹配分数。最后,将两个分数融合以获得探针和参考指纹模板之间的最终匹配分数。最重要的是,所提出的系统是使用 Nvidia jetson Nano 开发套件开发的,这使我们能够以最小的延迟和可接受的匹配精度实时执行非接触式指纹识别。所提出系统的性能在包含 105 个训练和 100 个测试对象的内部 IITI 非接触式指纹数据集 (IITI-CFD) 上进行评估。所提出的系统在 IITI-CFD 上实现了 2.19% 的等错误率

介绍

面对密码和基于 PIN 的身份验证系统的身份盗用挑战,新的技术解决方案正在逐渐得到应用。其中一项技术,生物识别技术,已迅速证明自己是使用独特的生物识别特征以快速、安全和可靠的方式验证和识别个人的最合适方法。总的来说,指纹是研究最广泛的生物特征。指纹图像由指尖上的脊和谷(沟)图案组成。自动指纹识别系统 (AFRS) 通过匹配指纹图案的传统方法识别一个人。指纹识别可以通过两种方式进行,即;指纹验证和指纹识别。在验证过程中,生物识别系统将用户的指纹与数据库中存储的指纹模板进行一对一匹配,以验证所声称的身份是真是假。另一方面,在识别过程中,将用户的指纹与数据库中存储的所有指纹模板进行比对,得到用户的身份。因此,与验证过程相比,识别过程在计算上是昂贵的,尤其是对于大型数据库。

接触式指纹识别的弊端

通常,在基于接触的 AFRS 中,指纹图像是通过结合先进的互补 MOSFET (CMOS) 图像传感器来捕获的。由于手指在传感器压板上的不当压力导致非线性空间失真和低对比度区域是基于接触的生物识别系统中常见的一些挑战。

由于在基于接触的 AFRS 中每个人的手指与传感器的持续物理接触,可能存在传感器的清洁度应该是最重要的问题。这可能会导致传染病传播给用户;此外,由于灰尘和污垢堆积在传感器上,系统可能无法按预期工作。此外,接触式传感器的维护成本很高,因为它们 在身体接触过程中如果使用不当,很容易出现故障。此外,这些技术面临着重大的安全威胁,因为每次获取指纹都会在传感器表面留下手指的潜在指纹,很容易从传感器表面剥离。

非接触式解决方案

上述问题的解决方案导致了非接触领域中使用相机传感器的生物识别系统的发展,其在合适的捕获环境中捕获指纹图像。Piuri 和 Scotti 研究了适当处理指尖相机图像的技术,以便处理后的图像类似于使用专用传感器捕获的指纹图像。他们的工作的主要重点是利用现有的基于接触的指纹识别技术来开发使用来自移动摄像头和网络摄像头的指纹图像的非接触式指纹识别系统。Labati等人提出了一种在生物识别手指系统的非接触域中恢复单相机系统中透视变形和不正确指尖对齐的方法。这种方法结合了索尼 CCD 相机传感器。这样做是为了消除指纹样本的非接触式采集的非理想性。Lin 和 Kumar提出了一个基于 CNN 的框架来匹配非接触式和基于接触式的指纹图像。Michael 等人开发了一种生物识别系统,使用可见光和红外图像对五个特征进行识别,即手部几何形状、掌纹、掌指关节纹、手掌静脉和手指静脉进行识别。Kumar 调查识别在不同姿势下获得的完全非接触式指关节图像的可能性,提出的实验结果验证了归一化和匹配算法在识别不同姿势的指关节方面的有效性。

突破点

以上文献回顾表明,尽管传感器技术和边缘计算能力取得了进步,但非接触式指纹生物识别技术尚未得到太多探索,大多数现有研究仅集中在非接触式指纹生物识别技术的分析和模拟方面。很少有研究工作在硬件上实现算法和生物识别系统原型。这促使我们考虑到生物识别和深度学习领域的重要研究,并在系统中实现它,开发了一种非接触式指纹生物识别系统,并且要实时使用。

我们工作的目标是开发一种非接触式指纹识别系统 (CFRS),结合深度学习和标准指纹匹配算法。主要重点是在硬件设置上实时实施 CFRS,具有最小的延迟和高匹配精度。

这项工作的主要贡献如下:根据从系统中的相机传感器捕获的手指图像设计了定制的 siamese CNN 架构。孪生 CNN 网络以及基于细节的匹配算法已部署在 Nvidia Jetson Nano 套件上,以实时开发具有最小延迟和可接受匹配精度的 CFRS。

方法

我们开发了一个由三个主要组件组成的 CFRS,即非接触式手指图像捕获模块、基于 CNN 的全局特征匹配模块和细节特征匹配模块。

提议的 CFRS 使用具有 Sony IMX219 8 兆像素传感器的 Raspberry Pi NoIR 相机 V2 从远处捕获手指图像。所提出方法的示意图如图 1 所示。

可以看出,所提出的方法采用定制的 siamese CNN 架构来处理从系统中的相机传感器捕获的图像。具体来说,孪生网络生成指纹图像的固定长度嵌入,然后用于计算探针和参考图像之间的相似性分数。此外,我们对捕获的手指图像采用了图像增强技术,然后使用标准 NIST 生物特征图像软件 (NBIS) 执行基于细节的匹配。最后,将两个模块得到的分数进行融合,得到最终分数。我们将我们的方法分为两个阶段,即开发算法和修改现有算法以提高两个指纹模板的匹配精度,并在硬件上以最小的延迟实现它。通常,由于透视失真和变形等问题,处理非接触式指纹图像具有挑战性。闪光条件会影响图像的质量,以及图像传感器捕获的指纹信息量。为了规避上述问题,我们必须考虑所有全局特征(方向图、 核心和增量点位置;图 2a 和 2b)以及局部特征(细节信息;图 2c)用于从图像传感器捕获的指纹图像中提取最大信息。

因此,我们提出了一种并行方法(图 1),使用深度学习来处理全局特征 和最先进的细节匹配方法来处理局部特征。

更多详细信息,请点击阅读原文下载论文

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-09-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 GPUS开发者 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
边缘可用区
腾讯云边缘可用区(TencentCloud Edge Zone,TEZ)是腾讯云的本地扩展,适用于解决计算、存储和服务可用性问题。腾讯云边缘可用区可为您带来云的诸多优势,例如弹性、可扩展性和安全性。借助腾讯云边缘可用区,您可以在靠近最终用户的地理位置运行对延迟敏感的应用程序,基本消除延迟问题。腾讯云边缘可用区提供与中心节点一致的体验,助力业务下沉,具备更低延时、更广覆盖、更少成本等特点。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档