Lernen von Fingerabdrucksdetails für eine biometrische Authentifizierung mit Hilfe von tiefen Netzwerken

Abstract

Biometrische Authentifizierung wird eingesetzt um wichtige Infrastrukturpunkte abzusichern. Die meist benutzte Form der biometrischen Authentifizierung ist das Vergleichen von Fingerabdrücken. Derzeitige Methoden benutzen spezielle Details, genannt „Minutiae“, in Fingerabdrücken für robuste Ergebnisse. Dazu braucht es einen robusten Algorithmus um diese Fingerabdruckdetails zu extrahieren. Der derzeitige State of the Art benutzt zeitraubende Bildverbesserungsprozeduren und qualitativ hochwertige Fingerabdrucksbilder um eine stabile Erkennung von Minutiae gewährleisten zu können. Mit dem Anstieg an Verfahren in verwandten Gebieten, welche auf tiefen neuronalen Netzwerken basieren, und der freien Verfügbarkeit von synthetischen Fingerabdrucksgeneratoren, ist es vielversprechend diese Technologie hier anzuwenden. Die Idee hierbei ist ein gleichwertiges binäres Segmentierungsproblem zu lösen, welches für jeden Pixel die Wahrscheinlichkeit ermittelt, dass dieses zu einem Minutiaepunkt gehört. Dieses Problem wird dann mit einem U-shaped Fully Convolutional Neural Network (U-net FCNN) gelöst. Mit dieser Information wird dann eine Liste an Minutiae extrahiert und mit existierenden Verfahren auf Basis der Vergleichswerte verglichen. Hierbei werden ähnliche Werte erzielt, wie derzeitige state-of-the-art Verfahren. Auf neuronalen Netzwerken basierende Verfahren haben eine starke Abhängigkeit zu den Daten, welche benutzt werden um diese zu lernen. Der frei verfügbare Fingerabdrucksgenerator Anguli wird benutzt um den Grundstock an Daten zu generieren. Hierbei ist für jeden Fingerabdruck auch ein sauberes Bild des dazugehörigen Fingerabdrucksmuster erstellt worden. Die Ground Truth dazu wird vom kommerziellen Minutiaeextraktor Verifinger auf den Fingerabdrucksmusterbildern erstellt. In dieser Arbeit wird davon ausgegangen, dass der derzeitige State-of-the-Art auf diesen Bildern keine Fehler macht. Um die Unterschiede zwischen den Trainingsbildern und echten Bildern zu minimieren wird ein neuer Ansatz, basierend auf adversarial training angewendet. Dieser Ansatz wird verwendet um Veränderung zu lernen, welche die generierten Fingerabdrucksbilder ununterscheidbar von echten Bildern machen. Dieser Algorithmus kann während dem Training angewendet werden um die Trainingsbilder zu verändern und verbessern die Vergleichswerte des Verfahrens über alle getesteten Datenbanken.

Biometric authentication is used to secure vital infrastructure like airports. The most common form thereof is fingerprint matching. Current matcher use information about special landmarks in fingerprints, called minutiae for robust matching results. For this reason a stable fingerprint minutiae extractor is needed. Current solutions use timeconsuming image enhancements routines and rely on specific quality measurements to allow reliable extraction of minutiae landmarks. With the rise of deep learning in similar areas and the free availability to synthetic fingerprint generators it is promising to try this technology on the minutiae extraction problem. The idea is to solve an equivalent binary segmentation problem, where for every pixel it is determined, if this pixel belongs to a minutiae region. This problem is then solved using an U-net FCNN. Using this information, a minutiae list is extracted and is then compared to existing solutions based on the matching score. Thereby results similar to other state-of-the-art methods are reported. Learning based approach depend on their training data. The freely available synthetic fingerprint generator Anguli is used to generate the basic dataset for training. Anguli also provides clean images of the ridge pattern to every fingerprint. The commercial minutiae extractor Verifinger is then used on those clean images to add a suitable ground truth. In this thesis it is proven, that it is possible to learn a minutiae extractor, which is better than the minutiae extractor used to generate the ground truth. To minimize the difference between synthetic images and real fingerprint images a novel approach based on adversarial learning is proposed, where suitable refinements are learned instead of hand crafted. This enables to generate synthetic fingerprint images indistinguishable from real fingerprints and improve the matching score across all tested databases.