Urat jari dan buku jari merupakan antara ciri-ciri biometrik yang boleh dipercayai yang mampu mengenal pasti identiti seseorang dengan tepat kerana corak mereka adalah unik dan tersendiri. Walau bagaimanapun, penggunaan satu ciri biometrik adalah terhad kerana tiada satu biometrik yang cukup mantap dan tepat dalam aplikasi sebenar. Batasan-batasan bagi satu ciri biometrik boleh diatasi dengan menggabungkan pelbagai jenis biometrik. Berdasarkan kajian sistem yang dibangunkan sebelum ini, perubahan posisi jari semasa proses pendaftaran, perubahan ROI segmentasi dan sensitiviti algoritma terhadap ralat anjakan merupakan faktor-faktor yang mempengaruhi prestasi sistem. Objektif projek ini adalah untuk meningkatkan prestasi dan ketepatan kaedah-kaedah yang dicadangkan sebelum ini. Oleh itu, Canonical Correlation Analysis Network (CCANet) telah digunakan dalam sistem biometrik pelbagai model yang berdasarkan urat jari dan buku jari untuk menangani batasan-batasan tersebut. Memandangkan CCANet mempertimbangkan ciri-ciri dua pandangan daripada satu imej, imej skala kelabu daripada pangkalan data digunakan sebagai ciri-ciri pandangan pertama, manakala ciri-ciri pandangan kedua diekstrak daripada imej-imej asal dengan menggunakan Maximum Curvature (MC) dan Compound Local Binary Pattern (CLBP). Skor padanan bagi urat jari dan buku jari, yang dihasilkan oleh kaedah Normalized Histogram Intersection (NHI), akan digabungkan dengan menggunakan teknik Support Vector Machine (SVM). Bagi mencari parameter yang terbaik untuk keseluruhan sistem yang dicadangkan, eksperimen yang menyeluruh telah dijalankan terhadap dua pangkalan data, iaitu FVFKP_USM dan THU-FVFDT2. Keputusan eksperimen menunjukkan bahawa kaedah CCANet yang dicadangkan mempunyai prestasi yang lebih baik berbanding dengan kaedah lain yang sedia ada. Gabungan urat jari dan buku jari untuk sistem biometrik berdasarkan jari mempunyai Equal Error Rate (EER) serendah 0.001077% dan Genuine Acceptance Rate (GAR) setinggi 99.9989%, apabila kaedah yang dicadangkan diuji terhadap pangkalan data THU-FVFDT2. Kesimpulannya, sistem bimodal berdasarkan urat jari dan buku jari mempunyai lebih tinggi GAR dan lebih rendah EER berbanding dengan urat jari dan buku jari bagi sistem unimodal.
_______________________________________________________________________________________________________
The finger vein and knuckle print are among the most promising biometric traits that can accurately identify a person because their patterns are unique and distinctive. However, unimodal biometrics have limited usage since no single biometric is sufficiently robust and accurate in real applications. The limitations imposed by unimodal biometrics can be overcome by incorporating multimodal biometrics. Based on the review of previously developed systems, the misalignment of finger during acquisition process, the variation of ROI segmentation and the sensitivity of algorithms towards displacement error are the factors that influence the performance of the system. The objective of this project is to improve the performance and accuracy of the previously proposed methods. So, Canonical Correlation Analysis Network (CCANet) is applied on the bimodal biometric system based on finger vein and knuckle print to address the limitations. Since CCANet considers two-view features of one image, the greyscale images of database are used as the first view features, whereas the second view features are extracted from the original images using Maximum Curvature (MC) and Compound Local Binary Pattern (CLBP), respectively. The matching scores of finger vein and knuckle print, which provided by Normalized Histogram Intersection (NHI) method, are fused using Support Vector Machine (SVM)-based score level fusion method. To find the best parameter setting for the entire proposed system, extensive experiments are conducted on two databases, namely FVFKP_USM and THU-FVFDT2. The experimental results show that the proposed CCANet method has better performance than the other existing methods. The fusion of vein and knuckle print for a finger-based biometric system has an Equal Error Rate (EER) of 0.001077% and a Genuine Acceptance Rate (GAR) of 99.9989%, when the proposed method is tested on THU-FVFDT2 database. In conclusion, the bimodal system based on finger vein and knuckle print has higher GAR and lower EER than finger vein and finger knuckle print unimodal systems.
Fusion of vein and knuckle print for a finger-based biometric system / Ong Chu Mei