Метод ідентифікації відбитків пальців на основі згорткових нейронних мереж

Abstract

Запропоновано передовий метод ідентифікації відбитків пальців, оснований на технології згорткових нейронних мереж (CNN). У роботі детально описано процес розроблення та впровадження спеціалізованої архітектури CNN для виявлення і верифікації автентичності відбитків пальців. Використання комплексного набору даних Socofing дало змогу глибоко проаналізувати здатність моделі розрізняти справжні та імітовані відбитки пальців. Точність моделі вражає – до 98,964 %. Особливу увагу звернено на аналіз помилок, зокрема відсоток помилкового виявлення та пропускання, що вказує на потенційні напрями подальшого удосконалення. Окрім висвітлення технічних аспектів і високої точності ідентифікації, у статті також розглянуто потенційні виклики та обмеження, з якими можна зіткнутися, використовуючи метод. Це проблеми, пов’язані з незбалансованістю та різноманітністю даних у наборі Socofing, а також обмеження, пов’язані з обчислювальними ресурсами під час навчання глибоких нейронних мереж. Висвітлено потенційні способи оптимізації моделі, зокрема, зосереджено увагу на зменшенні відсотка помилкового пропускання, що може покращити досвід користувача під час автентифікації. У завершальній частині статті наголошено на важливості поданої роботи для сфери безпеки, де критично потрібна точна аутентифікація зображень відбитків пальців. Отримані результати можна вважати міцним підґрунтям для майбутніх наукових розробок у цьому напрямі. Також звернено увагу на необхідність систематичного оновлення та модифікації моделі з метою її адаптації до постійно вдосконалюваних методик імітації, що забезпечить її довгострокову релевантність та ефективність. The article presents an advanced method of fingerprint identification based on convolutional neural network (CNN) technology. This work elaborately describes the development and implementation process of a specialized CNN architecture for detecting and verifying the authenticity of fingerprints. Utilizing the comprehensive Socofing dataset allowed for an in-depth analysis of the model's ability to distinguish between genuine and fabricated fingerprints, where the model demonstrated impressive accuracy – up to 98.964 %. Special attention is given to error analysis, including the false discovery and omission rates, pointing towards potential directions for further improvement. Besides highlighting the technical aspects and high identification accuracy, the article also addresses potential challenges and limitations that the method might encounter. This includes issues related to the imbalance and diversity of data in the Socofing set, as well as limitations associated with computational resources when training deep neural networks. Potential pathways for model optimization are discussed, particularly focusing on reducing the false omission rate, which could improve user experience in authentication. The concluding section of the article emphasizes the importance of the presented work for the security sector, where precise authentication of fingerprint images is critically needed. The obtained results can be considered a solid foundation for future scientific developments in this direction. Additionally, the need for systematic updates and modifications of the model is highlighted to adapt it to continually improved imitation techniques, ensuring its long-term relevance and effectiveness.