Többszintű tenyéralapú biometrikus azonosítórendszer Had- és Rendészettudományi

31 OTDK, Had- és Rendészettudományi Szekció, Alkalmazott informatika és biztonságtechnika Tagozat.

Többszintű tenyéralapú biometrikus azonosítórendszer

Helyezés: 3

Hallgatók: Bobvos Péter
Szak: Mérnök informatika, Képzés típusa: bsc, Intézmény: Óbudai Egyetem, Kar: Neumann János Informatikai Kar,
Czimeth András
Szak: Mérnök Informatikus, Képzés típusa: bsc, Intézmény: Óbudai Egyetem, Kar: Neumann János Informatikai Kar

Témavazető: Dr. Vámossy Zoltán - egyetemi docens, Óbudai Egyetem Neumann János Informatikai Kar

A fő célunk az volt, hogy egy olyan rendszert hozzunk létre, amely több azonosítási módszert használ, és ezzel egy precíz rendszert hozunk létre.

A tenyér azonosításának folyamatát az alábbiakban fogjuk részletezni. Az első lépés során ki kell nyerni a tenyér szignatúráját, és kontúrját amiket előfeldolgozási eljárásokkal érünk el. Második lépésben a kontúr koordinátáiból kiszámítjuk a geometriai tulajdonságait a tenyérnek(ujjhosszak, ujjszélességek), és ez lesz az első úgynevezett feature vektor amit azonosításra fogunk használni. A következő lépésben a tenyér közepén definiálunk egy ROI-t, ami egy négyszög alapú terület. Ennél a résznél nagyon fontos volt, hogy minden tenyérfelvétel esetén ugyanazt a területet nyerjük ki a későbbi azonosítás pontossága végett. A ROI alapú módszernél statisztikai alapú numerikus módszerrel, a főkomponens analízissel dolgoztunk, amellyel kinyertük a ROI-ra legjellemzőbb tulajdonságok vektorát. Így a második feature vektor birtokában, már meg tudtuk kezdeni a rendszer tesztelését, és optimalizálását. Készítettünk egy adatbázist amelyben 69 ember tenyérlenyomata szerepel, emberenként 5 tenyérfelvétellel. Egy fix környezetben készültek a képek, 35-45 centiméter magasságból, kék hattér használatával, az élesebb kontúrelválasztás végett.

Háromféle matematikai távolságdefinícióval dolgoztunk: Manhattan-Minkowsky, Chebysev, és az Euklidészi. Két fő mutatóval jellemeztük a rendszerünk hatékonyságát: az egyik a FAR(False Acceptance Rate) és a FRR(False Rejection Rate), és különböző adatbázis összetétellel az open és a closed settel. Az open set semmilyen más módszert nem használ(PIN kód, chip kártya) azonosításra csak az általunk implementált metódusokat, a closed set esetén viszont a probléma redukálodik, így pontosabb azonosítás érhető el.

Először a geometriai módszert vetettük a tesztek alá és minden egyes matematikai távolságra teszteltük az összehasonlító algoritmusainkat. Mivel a PCA(főkomponens analízis) statisztikai szórás alapú módszer, ezért egy kisebb adatbázison, hatékonyabb, és gyorsabb működés érhető el, így a végső metódus a következő lett: a geometriai módszerrel a lehetséges eredményhalmaz szűrése, a PCA-val az eredmények pontosítása.

Ezzel a két azonosítási szinttel a következő eredményeket értük el:

(Ezeken a pontokon a FAR és FRR arány egyenlő!)

Geometriai módszer:

Manhattan: Open-set:9,98% Closed-set:8,28%

PCA:

Manhattan: Open-set: 11% Closed-set: 7,25%

Kombinált:

Eucledian: Open-set:8,16% Closed-set: 6,09%