Development of Efficient Biometric Systems for Persons Recognition

Abstract

With growing concerns about security breaches and transaction fraud, reliable and convenient personal identification and verification technologies are increasingly demanded in our social activities and national services. Biometrics, which uses distinctive physiolo- gical and behavioral characteristics to learn an individual’s identity, is gaining popularity in a wide range of government, forensic, military, and commercial security applications.

Palmprint and finger knuckle print are two physiological modalities obtained from the human hand and have proved their reliability and user acceptability in a wide range of security applications. In our work, we first developed an effective approach called Simpli- fied PalmNet—Gabor that concentrates on improving the PalmNet for fast recognition of multispectral and contactless palmprint images. Moreover, we use feature selection and dimensionality reduction procedures to overcome computational complexity issues. Ex- perimental results show that our approach achieves a high recognition rate by using a substantially lower number of features.

We also designed unimodal and multimodal identification systems based on multispec- tral palmprint and finger knuckle print images. Feature extraction is a crucial step in the biometric system. For this reason, we propose the Convolutional Neural Network (CNN) deep learning method to extract deep features. The results indicate that the proposed deep learning-based feature extraction techniques can achieve high performance compa- red to the best state-of-the-art techniques.

Face aux inquiétudes croissantes concernant les failles de sécurité et les transactions frauduleuses, les technologies fiables et pratiques d’identification et de vérification des personnes sont de plus en plus demandées dans nos activités sociales et nos services na- tionaux. La biométrie, qui utilise des caractéristiques physiologiques et comportementales distinctives pour connaître l’identité d’un individu, gagne en popularité dans un large éventail d’applications de sécurité gouvernementales, médico-légales, militaires et com- merciales.

L’empreinte palmaire et l’empreinte articulaire du doigt sont deux modalités physiolo- giques obtenues à partir de la main humaine et ont prouvé leur fiabilité et leur acceptabilité par l’utilisateur dans une large gamme d’applications de sécurité. Dans notre travail, nous avons d’abord développé une approche efficace appelée Simplified PalmNet—Gabor qui se concentre sur l’amélioration du PalmNet pour la reconnaissance rapide d’images d’em- preintes palmaires multispectrales et sans contact. De plus, nous utilisons des procédures de sélection de caractéristiques et de réduction de la dimensionnalité pour surmonter les problèmes de complexité de calcul. Les résultats expérimentaux montrent que notre ap- proche permet d’atteindre un taux de reconnaissance élevé en utilisant un nombre de caractéristiques nettement inférieur.

Nous avons également conçu des systèmes d’identification unimodaux et multimodaux basés sur des images multispectrales d’empreintes palmaires et empreintes des articula- tions des doigts. L’extraction de caractéristiques est une étape cruciale dans le système biométrique. Pour cette raison, nous proposons une méthode d’apprentissage profond par réseau de neurones convolutionnels (CNN) pour extraire les caractéristiques profondes. Les résultats obtenus indiquent clairement que les techniques d’extraction de caracté- ristiques basées sur l’apprentissage profond proposé peuvent atteindre des performances élevées par rapport aux meilleures techniques de pointe.