На сегодняшний день отпечаток пальца является основным и самым точным биометрическим идентификатором личности человека. Основано это на том, что каждый человек имеет уникальный рисунок папиллярных линий на пальцах.
Каждый день огромное количество отпечатков пальцев собирается и обрабатывается различными организациями, как коммерческими, так и государственными. В качестве примера можно привести Индию, в которой, в рамках программы Aadhaar по сбору биометрических данных жителей страны и выдаче уникальных идентификационных номеров, было собрано уже около миллиарда отпечатков пальцев. Также многие компании используют отпечатки пальцев для идентификации своих сотрудников.
Для выяснения, принадлежит ли отпечаток пальца базе, в худшем случае придется сравнивать исходный отпечаток со всеми отпечатками из базы. Вследствие больших размеров баз, данная задача может занять огромное количество времени, однако от систем идентификации человека требуется быстрое принятие точных решений. Под точностью понимается то, что система должна идентифицировать человека, чей отпечаток есть в базе, и наоборот, отклонить, если человека в базе нет.
Общепринятым способом увеличения скорости поиска отпечатка является разделение базы на классы. Вместо того, чтобы искать отпечаток по всей базе, отпечаток ищется в части базы, в соответствии с тем, к какому классу отпечаток относится.
Стоит отметить, что разделение базы на классы может осуществляться по-разному. Исторически сложилось, что самой популярной классификацией отпечатков является классификация Гальтона-Генри. Она основана на различных рисунках папиллярных линий, всего выделяется пять видов рисунков. Однако у данного подхода есть недостаток, заключается он в том, что отпечатки пальцев людей распределяются неравномерно на эти пять классов, на один из классов приходится примерно 30% отпечатков на выборке из 222 миллионов пальцев.
Из всего этого следует, что задача разбиения базы на группы и дальнейшее сопоставление отпечатка нужной группе - актуальная и важная задача. Для её решения могут быть полезны методы машинного обучения, а именно алгоритмы кластеризации данных для разделения базы на группы с похожими свойствами, и методы глубокого обучения, для дальнейшего сопоставления отпечатка в нужный кластер. Под нужным кластером подразумевается тот, в котором есть изображения искомого пальца. В данной работе предполагается применить данные методы для решения задачи увеличения скорости идентификации отпечатков пальцев.
В рамках данной работы получены следующие результаты:
• Разработана система, разделяющую базу отпечатков пальцев на кластеры и сопоставляющую отпечаток в нужный кластер.
• Проведено сравнение результатов работы системы с существующими решениями задачи идентификации отпечатка пальца в базе.
