Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Quick Match: Fast Template Selection for Fingerprint Recognition

Engsner, Johanna LU and Palm, Lovisa LU (2026) In Master's Theses in Mathematical Sciences FMAM05 20261
Mathematics (Faculty of Engineering)
Abstract
Fingerprint recognition has become a popular authentication method in modern smartphones, replacing traditional passwords and PINs. However, smartphone fingerprint sensors are small and capture only partial fingerprints with limited resolution. Combined with varying image quality and inconsistent finger placement, multiple images must be stored per user to ensure reliable authentication. During verification, the scanned fingerprint must be compared against all of these images. Since these comparisons are computationally expensive, a fast sorting algorithm is used to rank the stored images and forward only the most promising candidates to the matching algorithm. The current sorting method uses histogram-based representations of fingerprint... (More)
Fingerprint recognition has become a popular authentication method in modern smartphones, replacing traditional passwords and PINs. However, smartphone fingerprint sensors are small and capture only partial fingerprints with limited resolution. Combined with varying image quality and inconsistent finger placement, multiple images must be stored per user to ensure reliable authentication. During verification, the scanned fingerprint must be compared against all of these images. Since these comparisons are computationally expensive, a fast sorting algorithm is used to rank the stored images and forward only the most promising candidates to the matching algorithm. The current sorting method uses histogram-based representations of fingerprint features, but whether this is the most effective approach remains an open question.

This thesis investigates four approaches to improve the sorting algorithm, looking into the trade-off between sorting performance and computational time. Double Angle builds upon the current method, but uses ridge orientation symmetry to reduce computational time by a factor of four. Curvature replaces an existing feature with ridge curvature measurements. Overlapping Regions partitions images into subregions and employs machine learning models to combine comparison scores. Embeddings uses residual networks trained with triplet loss to learn compact representations for cosine-similarity comparison, testing both conventional and rotation-equivariant architectures.

Experiments on optical and ultrasound sensor databases evaluated how effectively each approach retained true matches among top-ranked templates. Double Angle improved sorting performance by 1.09 percentage points on average while reducing computational time by a factor of four. The Embeddings approach achieved the strongest results, improving performance by 7.99 percentage points on real-world data using the conventional architecture. Curvature decreased performance, while Overlapping Regions only showed limited improvements on certain datasets, despite significantly increasing computational time. (Less)
Popular Abstract (Swedish)
Varje gång du låser upp mobilen med ditt fingeravtryck måste systemet hitta rätt bland många lagrade bilder på bråkdelen av en sekund. För att minska antalet beräkningstunga jämförelser används ett sorteringssteg som väljer ut de mest lovande bilderna. I det här examensarbetet undersöktes fyra sätt att förbättra sorteringen.

Fingeravtryck är unika och fungerar därför som ett säkert sätt att identifiera personer. Det unika mönstret bildas av upphöjningar som kallas åsar och utrymmet mellan dem som kallas dalar. Men i praktiken ser två avläsningar av samma finger sällan exakt likadana ut. Beroende på hur fingret placeras på sensorn och om huden är torr eller fuktig kan bilderna bli helt olika. Därför lagras inte bara en bild per finger,... (More)
Varje gång du låser upp mobilen med ditt fingeravtryck måste systemet hitta rätt bland många lagrade bilder på bråkdelen av en sekund. För att minska antalet beräkningstunga jämförelser används ett sorteringssteg som väljer ut de mest lovande bilderna. I det här examensarbetet undersöktes fyra sätt att förbättra sorteringen.

Fingeravtryck är unika och fungerar därför som ett säkert sätt att identifiera personer. Det unika mönstret bildas av upphöjningar som kallas åsar och utrymmet mellan dem som kallas dalar. Men i praktiken ser två avläsningar av samma finger sällan exakt likadana ut. Beroende på hur fingret placeras på sensorn och om huden är torr eller fuktig kan bilderna bli helt olika. Därför lagras inte bara en bild per finger, utan flera.

När en ny bild kommer in måste systemet avgöra vilka lagrade bilder som mest sannolikt matchar den. Att jämföra mot alla bilder tar för lång tid, vilket gör ett snabbt sorteringssteg nödvändigt. Det reducerar antalet bilder som skickas vidare till den mer noggranna matchningen. Fyra metoder har undersökts för att förbättra sorteringen.

Idag bygger sorteringsalgoritmen bland annat på information om åsarnas riktning. I arbetet utnyttjades en symmetri i dessa mönster: en ås som pekar åt ett håll är i praktiken identisk med en ås som pekar åt motsatt håll. Genom att ta hänsyn till detta kunde antalet beräkningar minska med 75 procent. Metoden, kallad Double Angle, gav fyra gånger så snabba jämförelser och var dessutom lite mer träffsäker i sin sortering.

En annan metod, kallad Embeddings, använde ett neuralt nätverk för att skapa en kompakt representation av varje fingeravtryck. På verklig användardata förbättrades sorteringsprestandan med nästan åtta procentenheter samtidigt som jämförelserna blev 15 gånger snabbare. Överraskande nog fungerade ett vanligt nätverk bättre än ett som var specialdesignat för att hantera roterade bilder. Det skulle kunna bero på att vi människor håller mobilen ungefär likadant varje gång vi låser upp den.

De två övriga metoderna, Curvature som mätte åsarnas krökning och Overlapping Regions som delade upp bilderna i mindre överlappande regioner, gav sämre resultat än den nuvarande algoritmen. Curvature verkade vara känslig för brus och Overlapping Regions blev nio gånger långsammare utan förbättrad sorteringsprestanda.

Double Angle är redo att användas direkt: enkel att implementera, snabbare och lite bättre. Det neurala nätverket är mer lovande på sikt men behöver utvärderas vidare innan det är redo att användas i din mobiltelefon. (Less)
Please use this url to cite or link to this publication:
author
Engsner, Johanna LU and Palm, Lovisa LU
supervisor
organization
alternative title
Quick Match: Snabbt bildurval inför fingeravtrycksmatchning
course
FMAM05 20261
year
type
H2 - Master's Degree (Two Years)
subject
keywords
fingerprint recognition, biometric systems, template sorting, metric learning
publication/series
Master's Theses in Mathematical Sciences
report number
LUTFMA-3614-2024
ISSN
1404-6342
other publication id
2026:E28
language
English
id
9231461
date added to LUP
2026-06-12 11:01:32
date last changed
2026-06-12 11:01:32
@misc{9231461,
  abstract     = {{Fingerprint recognition has become a popular authentication method in modern smartphones, replacing traditional passwords and PINs. However, smartphone fingerprint sensors are small and capture only partial fingerprints with limited resolution. Combined with varying image quality and inconsistent finger placement, multiple images must be stored per user to ensure reliable authentication. During verification, the scanned fingerprint must be compared against all of these images. Since these comparisons are computationally expensive, a fast sorting algorithm is used to rank the stored images and forward only the most promising candidates to the matching algorithm. The current sorting method uses histogram-based representations of fingerprint features, but whether this is the most effective approach remains an open question.

This thesis investigates four approaches to improve the sorting algorithm, looking into the trade-off between sorting performance and computational time. Double Angle builds upon the current method, but uses ridge orientation symmetry to reduce computational time by a factor of four. Curvature replaces an existing feature with ridge curvature measurements. Overlapping Regions partitions images into subregions and employs machine learning models to combine comparison scores. Embeddings uses residual networks trained with triplet loss to learn compact representations for cosine-similarity comparison, testing both conventional and rotation-equivariant architectures.

Experiments on optical and ultrasound sensor databases evaluated how effectively each approach retained true matches among top-ranked templates. Double Angle improved sorting performance by 1.09 percentage points on average while reducing computational time by a factor of four. The Embeddings approach achieved the strongest results, improving performance by 7.99 percentage points on real-world data using the conventional architecture. Curvature decreased performance, while Overlapping Regions only showed limited improvements on certain datasets, despite significantly increasing computational time.}},
  author       = {{Engsner, Johanna and Palm, Lovisa}},
  issn         = {{1404-6342}},
  language     = {{eng}},
  note         = {{Student Paper}},
  series       = {{Master's Theses in Mathematical Sciences}},
  title        = {{Quick Match: Fast Template Selection for Fingerprint Recognition}},
  year         = {{2026}},
}