Synthetic Generation of Fingerprints

Abstract

Fingerprints are unique to each person and they have been widely used and accepted for identification purposes by the society. Fingerprints can be captured by using ink and paper to get a print and then digitizing it or more recently by using specialized sensors. But in both cases, trained specialist supervision is mostly needed. Moreover, since fingerprints are personal information, they are protected by the laws on personal data protection. Therefore, collection/sharing of real fingerprints is difficult and illegal without the consent of their owner. On the otherhand, deep learning systems that are proven to be very successfull in many machine learning task, usually depend on very large training sets to achive high accuracies. In this study, to overcome the data hunger problem for training deep neural networks, synthetic fingerprints are generated by using model-based methods. For this purpose, firstly master fingerprint images are generated and next many impressions are derived from them by applying real-world degradations. The realism and the usability of synthetic fingerprints are tried and validated using a fingerprint classification system. For which, a deep neural networks are trained with and without the synthetically generated data. As a result of the experiments, it is shown that the generated fingerprint images are realistic enough to positively effect the classification results and that the usage of the synthetically generated fingerprints in training deep systems are promising.

Parmak izleri her kişi için benzersizdir ve toplum tarafından kimlik tespiti amacıyla yaygın olarak kullanılmış ve kabul görmüştür. Parmak izleri, kağıt ve mürekkep kullanılarak toplanıp daha sonra digital ortama aktarılabilir ya da daha güncel olarak özel sensörler kullanılarak toplanılabilir. Ancak her iki durumda da özel olarak eğitilmiş uzman denetimine ihtiyaç vardır. Ayrıca parmak izleri kişisel bilgiler olduğu için kişisel verilerin korunmasına ilişkin yasalar ile korunmaktadır. Bu nedenle, kişilerin izni olmadan, gerçek parmak izlerinin toplanması ve paylaşılması zor ve yasadışıdır. Öte yandan, makina öğrenmesi görevlerinde başarılı olduğu kanıtlanan derin öğrenme sistemlerinin yüksek başarımlara ulaşması genellikle çok büyük eğitim kümelerine bağlıdır. Bu çalışmada, derin sistemlerin eğitimindeki veri açlığı sorununun üstesinden gelmek için model tabanlı yöntemler kullanılarak sentetik parmak izleri üretilmiştir. Bu amaçla, ilk olarak ana parmak izi görüntüleri oluşturulmuş ve daha sonra gerçek dünya bozulmaları uygulanarak birçok gösterim elde edilmiştir. Sentetik parmak izlerinin gerçekçiliği ve kullanılabilirliği, parmak izi sınıflandırma sisteminde denenmiş ve doğrulanmıştır. Bunun için, sentetik olarak üretilen verilerle ve veriler olmadan derin sinir ağları eğitilmiştir. Yapılan deneyler sonucunda, üretilen parmak izi görüntülerinin sınıflandırma sonuçlarını olumlu etkileyecek kadar gerçekçi olduğu ve sentetik olarak üretilen parmak izlerinin derin sistemlerin eğitiminde kullanımının umut verici olduğu gösterilmiştir.