Analysis of fingerprint matching performance with deep neural networks

Abstract

Fingerprints are unique biometric properties for each person. In the literature and industry, they are widely used for identification purposes. Collecting biometric datasets is a tedious work since it is not possible without the owners’ consent, and existing fingerprint datasets are either not sufficient to use in deep learning tasks by means of size or most of them are kept private to the collectors’ use. This increases the need of synthetic fingerprint images and their use in a variety of tasks especially for training deep learning models. In this study, the performance of a CNN architecture named Finger ConvNet[1] is compared to well-known networks and the question of whether a mixed dataset consisting of synthetically generated and real fingerprint images can reach a performance close or equal to ones having only real images is discussed. As a result of experiments, it is shown that the number of real images in the dataset is an important factor and that the performance of the mixed dataset was less than the one having only real images proposed in the referred study.

Parmak izleri her kişi için benzersiz biyometrik özelliklerdir. Literatürde ve endüstride kimlik belirleme amacıyla yaygın olarak kullanılmışlardır. Biyometrik veri kümesi oluşturmak veri sahibinin izni olmadan yapılamadığından ve varolan veri kümelerinin derin öğrenme yöntemleri için yeterli olmaması, toplayan kişi ya da kurumun özel kullanımı için oluşturulması gibi sebeplerden ötürü zorlu bir iştir. Bu, sentetik parmak izi resimlerinin ve onların özellikle derin öğrenme gibi çeşitli problemlerde kullanımının önemini arttırmıştır. Bu çalışmada, Finger Convnet[1] isimli bir sınıflandırıcı derin öğrenme modelinin performansı, literatürdeki iyi bilinen modellerle karşılaştırılmış, sentetik ve gerçek veri karışımından oluşan veri kümesinin performansının, yalnızca gerçek verilerden oluşanlara yakın ya da eşit olup olamayacağı sorusu tartışılmıştır. Deneylerin sonucu olarak, karma veri kümesinin içindeki gerçek resim sayısının belirleyici bir faktör olduğu ve performansın referans çalışmadaki[1] sadece gerçek veri içeren veri kümesinden daha az olduğu görülmüştür.