Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fruit Classification for Retail Stores Using Deep Learning Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Towards Inpainting and Denoising Latent Fingerprints: A Study on the Impact in Latent Fingerprint Identification

verfasst von : Ernesto Ramírez-Sáyago, Octavio Loyola-González, Miguel Angel Medina-Pérez

Erschienen in: Pattern Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we provide a study about the impact of the most prominent inpainting and denoising solutions on the latent fingerprint identification. From an in-depth analysis, we show how some of the analyzed inpainting and denoising solutions can improve up 63% for Rank-1 and 26% for Rank-20 the fingerprint identification rates when state-of-the-art minutiae extractors are used. Nevertheless, it is necessary to create new denoising and inpainting solutions that are specifically built to deal with latent fingerprints and their associated issues.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Towards Selecting Reducts for Building Decision Rules for Rule-Based Classifiers
Nächstes Kapitel New Method for Extreme Color Detection in Images
Fußnoten
Literatur
1.
Adiga V, S., Sivaswamy, J.: FPD-M-net: fingerprint image denoising and inpainting using m-net based convolutional neural networks. In: Escalera, S., Ayache, S., Wan, J., Madadi, M., Güçlü, U., Baró, X. (eds.) Inpainting and Denoising Challenges. TSSCML, pp. 51–61. Springer, Cham (2019). https://​doi.​org/​10.​1007/​978-3-030-25614-2_​4CrossRef
2.
Cappelli, R., Ferrara, M., Maltoni, D.: Minutia cylinder-code: a new representation and matching technique for fingerprint recognition. IEEE Trans. Pattern Anal. Mach. Intell. 32(12), 2128–2141 (2010)CrossRef
3.
Garris, M.D., Mccabe, R.M.: NIST Special Database 27: Fingerprint minutiae from latent and matching tenprint images. Technical report, National Institute of Standards and Technology, Gaithersburg, MD, USA (2000)
4.
5.
Lee, J., Jain, A., Tong, W., et al.: Image retrieval in forensics: tattoo image database application. IEEE MultiMedia 19(1), 40–49 (2011)CrossRef
6.
Mansar, Y.: Deep end-to-end fingerprint denoising and inpainting. ArXiv abs/1807.11888 (2018)
7.
8.
Nguyen, D.L., Cao, K., Jain, A.K.: Robust minutiae extractor: Integrating deep networks and fingerprint domain knowledge. In: The 11th International Conference on Biometrics, 2018 (2018)
9.
Prabhu, R., Yu, X., Wang, Z., Liu, D., Jiang, A.A.: U-Finger: multi-scale dilated convolutional network for fingerprint image denoising and inpainting. In: Escalera, S., Ayache, S., Wan, J., Madadi, M., Güçlü, U., Baró, X. (eds.) Inpainting and Denoising Challenges. TSSCML, pp. 45–50. Springer, Cham (2019). https://​doi.​org/​10.​1007/​978-3-030-25614-2_​3CrossRef
10.
Reddy, G.J., Prasad, T.J.C., Prasad, M.G.: Fingerprint image denoising using curvelet transform. Proc. Asian Res. Publ. Netw. J. Eng. Appl. Sci. 3(3), 31–35 (2008)
11.
12.
Singh, K., Kapoor, R., Nayar, R.: Fingerprint denoising using ridge orientation based clustered dictionaries. Neurocomputing 167, 418–423 (2015)CrossRef
13.
Tang, Y., Gao, F., Feng, J., Liu, Y.: Fingernet: an unified deep network for fingerprint minutiae extraction. In: 2017 IEEE International Joint Conference on Biometrics (IJCB), pp. 108–116. IEEE (2017)
14.
Valdes-Ramirez, D., et al.: A review of fingerprint feature representations and their applications for latent fingerprint identification: trends and evaluation. IEEE Access 7(1), 48484–48499 (2019)CrossRef
Metadaten
Titel
Towards Inpainting and Denoising Latent Fingerprints: A Study on the Impact in Latent Fingerprint Identification
verfasst von
Ernesto Ramírez-Sáyago
Octavio Loyola-González
Miguel Angel Medina-Pérez
Copyright-Jahr
2020
Buch
Pattern Recognition

Print ISBN: 978-3-030-49075-1

Electronic ISBN: 978-3-030-49076-8

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-49076-8_8

Premium Partner

    Bildnachweise