Fingerprint Matching using Small Sensors
(2017) In Master's Theses in Mathematical Sciences FMA820 20162Mathematics (Faculty of Engineering)
- Abstract
- Fingerprint software is widely used in applications such as smartphones. There has to be some overlap between two fingerprint samples in order for them to be considered as belonging to the same finger. Determining if this overlap exists is normally not a problem if a fingerprint sensor is big enough to capture a sample from the whole finger at once. However, if the sensor is small it might capture samples from different parts of the same finger such that there is no overlap. To find a predictor one needs a training set but constructing the set using small sensors lead to a highly noisy set. This project examines some methods to filter the noise. None of the filtering methods provided a conclusive improvement on all datasets compared to the... (More)
- Fingerprint software is widely used in applications such as smartphones. There has to be some overlap between two fingerprint samples in order for them to be considered as belonging to the same finger. Determining if this overlap exists is normally not a problem if a fingerprint sensor is big enough to capture a sample from the whole finger at once. However, if the sensor is small it might capture samples from different parts of the same finger such that there is no overlap. To find a predictor one needs a training set but constructing the set using small sensors lead to a highly noisy set. This project examines some methods to filter the noise. None of the filtering methods provided a conclusive improvement on all datasets compared to the already implemented method. The most promising methods, however, includes a substitution of the SVM algorithm with S3VM and either to use no filtering, random downsampling of the majority class or a recursive filter. (Less)
- Popular Abstract (Swedish)
- Antalet produkter som använder sig av fingeravtryckssensorer för systemåtkomst har under de senaste åren ökat. Denna typ av teknik är nu i princip standard hos flera olika mobiltelefontillverkare. Fingeravtryckssensorer i mobiltelefoner är ofta så små att de inte kan läsa av ett helt fingeravtryck på en och samma gång. Två avläsningar kan därför ha liten likhet även om de kommer från samma finger. Likheten kan till och med vara så liten att de lika gärna hade kunnat komma från två olika fingrar! När en samling av exempel på jämförelser mellan avläsningar byggs upp ställer denna situation till med problem. I detta arbete har olika metoder att filtrera bort missvisande exempel undersökts. Tanken är att ju bättre samling exempel man har,... (More)
- Antalet produkter som använder sig av fingeravtryckssensorer för systemåtkomst har under de senaste åren ökat. Denna typ av teknik är nu i princip standard hos flera olika mobiltelefontillverkare. Fingeravtryckssensorer i mobiltelefoner är ofta så små att de inte kan läsa av ett helt fingeravtryck på en och samma gång. Två avläsningar kan därför ha liten likhet även om de kommer från samma finger. Likheten kan till och med vara så liten att de lika gärna hade kunnat komma från två olika fingrar! När en samling av exempel på jämförelser mellan avläsningar byggs upp ställer denna situation till med problem. I detta arbete har olika metoder att filtrera bort missvisande exempel undersökts. Tanken är att ju bättre samling exempel man har, desto bättre prediktor kan man hitta. Det filter som gav bäst resultat bestod av att använda en delmängd av de tillgängliga exemplen för att hitta en prediktor. Denna prediktor användes sedan för att städa bort felklassificerade exempel varpå en ny prediktor hittades med hjälp av den reducerade exempelmängden. Filtret kombinerades med en anpassning av träningsalgoritmen för att tillåta en viss tvetydighet i exemplen. Med denna metod hittades en något förbättrad prediktor från två av de tre exempelmängder som användes under arbetets gång. Resultaten indikerar att det kan finnas en viss prestandaförbättring att hämta genom att städa bort missvisande exempel innan exempelmängden används för att hitta en prediktor. Att kunna urskilja dessa med hjälp av ett generellt filter för en godtycklig exempelmängd kan dock vara för mycket begärt. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/8918315
- author
- Drugge, Rikard LU
- supervisor
- organization
- course
- FMA820 20162
- year
- 2017
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- SVM, S3VM, SMOTE, ADASYN, filter, noise, fingerprint, small sensor, machine learning
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMA-3314-2017
- ISSN
- 1404-6342
- other publication id
- 2017:E13
- language
- English
- id
- 8918315
- date added to LUP
- 2018-06-07 17:50:55
- date last changed
- 2018-06-07 17:50:55
@misc{8918315,
abstract = {{Fingerprint software is widely used in applications such as smartphones. There has to be some overlap between two fingerprint samples in order for them to be considered as belonging to the same finger. Determining if this overlap exists is normally not a problem if a fingerprint sensor is big enough to capture a sample from the whole finger at once. However, if the sensor is small it might capture samples from different parts of the same finger such that there is no overlap. To find a predictor one needs a training set but constructing the set using small sensors lead to a highly noisy set. This project examines some methods to filter the noise. None of the filtering methods provided a conclusive improvement on all datasets compared to the already implemented method. The most promising methods, however, includes a substitution of the SVM algorithm with S3VM and either to use no filtering, random downsampling of the majority class or a recursive filter.}},
author = {{Drugge, Rikard}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Fingerprint Matching using Small Sensors}},
year = {{2017}},
}