Mustervergleich bildverarbeitung

Hunderte Millionen Menschen nutzen die Fingerabdruckerkennung in ihrem täglichen Leben, insbesondere zum Entsperren ihres Smartphones und zunehmend zur Autorisierung von Finanztransaktionen. Infolgedessen werden Angriffe auf Fingerabdruckerkennungssysteme für Kriminelle immer attraktiver. Zwei wichtige Arten von Angriffen ähneln Betrügerangriffen [23] und Spoof-Angriffen [24, 25]. Spoofs sind gefälschte Finger aus Material wie Gelatine, Holzleim oder Silikon. Diese künstlichen Finger beabsichtigen, das Vorhandensein von echten Finger zu einem Sensor zu fälschen. Es sind mehrere Szenarien denkbar, wie Spooffinger erstellt werden können. Beispielsweise kann ein Fingerabdruck aus einem Glas oder einem anderen zuvor berührten Objekt entfernt werden. Das Bild kann automatisch mit typischen Fingerabdruck-Vorverarbeitungsschritten [26] wie Segmentierung, Orientierungsfeldschätzung, Gratfrequenzschätzung [8] und Fingerabdruckverbesserung [8, 27] verbessert werden. Schließlich kann das verbesserte Bild gedruckt werden, um eine Form zu erhalten [24]. Eine weitere Möglichkeit ist die Rekonstruktion eines Fingerabdruckbildes aus einer gestohlenen Minutiae-Vorlage. Zunächst wird das Segmentierungs- und Ausrichtungsfeld rekonstruiert [28]. Als nächstes kann die Bildrekonstruktion z.B.

mit amplituden- und frequenzmodulierten (AM-FM) Funktionen erreicht werden [29]. Eine Übersicht über die Methoden zur Rekonstruktion von Fingerabdrücken ist in [30] enthalten. Jedes Vordergrundpixel eines Fingerabdrucks (A) wird als Mittelpunkt eines kleinen Bildpatches betrachtet. Anstatt die ursprünglichen Patches (B) und ihre DCT-Koeffizienten (C) zu verwenden, berücksichtigen wir die lokale Ausrichtung, um rotationsinvariante Patches (D) und ihre DCT-Koeffizienten (E) zu erhalten. Wir berechnen das binäre Muster (F) durch den Vergleich ausgewählter Paare von zwei DCT-Koeffizienten von (E), siehe Eq (2). Das Muster (F) wird in eine Bin-Zahl (G) konvertiert, siehe Eq (3). Ein Histogramm (H) fasst die relative Häufigkeit des Auftretens aller lokalen Muster für ein Bild zusammen. (Nur zur Veranschaulichung sind Patchgrößen hier 17 x 17 Pixel, und Koeffizienten mit Index = 1 werden auf Null in (C) und (E) und (F-H) Beispieldeskriptoren gesetzt.) APHIS (imedea.uib-csic.es/bc/ecopob/) implementiert zwei verschiedene Matching-Algorithmen (Oscar et al., 2015). Ein funktionsbasierter Ansatz, der I3SPattern+ ähnelt; Die wichtigsten Punkte werden jedoch vom Benutzer manuell ausgewählt. In dieser Studie konzentrieren wir uns auf den zweiten Algorithmus, bei dem APHIS einen pixelbasierten Ansatz verwendet, den Namen Image Template Matching (ITM), der die matchTemplate-Funktion der Open Computer Vision Libraries verwendet (Itseez, 2016).