Deep learning in fingerprint analysis

Abstract

Fingerprints are one of the most widely used personal identification traits. They play a crucial role in forensics because they are considered to be unique to each person. For many years, the identification of individuals had been carried out by human operators. However, with technological developments, automated fingerprint recognition systems have arisen, and the growth in the population has increased the importance of their robustness. On the other hand, deep learning has led to many impressive developments in the area of computer vision. Fingerprint analysis is indeed in the scope of image processing and computer vision; however, the usage of deep learning in fingerprint analysis is rather limited. This study focuses on using deep learning techniques on two different stages of the automated fingerprint recognition pipeline: Fingerprint classification and fingerprint minutiae extraction. Deep learning systems are developed for those two selected stages and analysed with respect to several aspects such as dataset size and different network architectures.

Parmak izleri, en yaygın kullanılan kişisel kimlik saptama özelliklerinden biridir. Kişiye özgü oldukları için, adli vakalarda önemli bir rol oynarlar. Uzun yıllar boyunca, kimlik tespit işlemleri insan operatörler tarafından gerçekleştirilmiştir. Ancak, teknolojik gelişmelerle birlikte, otomatik parmak izi tanıma sistemleri ortaya çıkmış ve nüfustaki artış, bu sistemlerin sağlamlıklarının önemini artırmıştır. Diğer yandan, derin öğrenme, bilgisayarla görü alanında birçok etkileyici gelişmeye yol açmıştır. Parmak izi analizi aslında görüntü işleme ve bilgisayarla görü kapsamındadır; ancak, parmak izi analizinde derin öğrenmenin kullanımı oldukça sınırlıdır. Bu çalışma, otomatik parmak izi tanıma sürecinin iki farklı aşamasında derin öğrenme tekniklerinin kullanılmasına odaklanmaktadır: Parmak izlerinin sınıflandırması ve parmak izi özellik noktalarının çıkarılması. Seçilen iki aşama için derin öğrenme sistemleri geliştirilmiş ve bu sistemler veri kümesi boyutu, farklı ağ mimarileri gibi çeşitli yönlere göre analiz edilmiştir.