Gragnaniello, Diego
(2015)
Local image descriptors for biometric liveness detection.
[Tesi di dottorato]
Item Type: |
Tesi di dottorato
|
Resource language: |
English |
Title: |
Local image descriptors for biometric liveness detection |
Creators: |
Creators | Email |
---|
Gragnaniello, Diego | diego.gragnaniello@unina.it |
|
Date: |
31 March 2015 |
Number of Pages: |
110 |
Institution: |
Università degli Studi di Napoli Federico II |
Department: |
Ingegneria Elettrica e delle Tecnologie dell'Informazione |
Scuola di dottorato: |
Ingegneria dell'informazione |
Dottorato: |
Ingegneria elettronica e delle telecomunicazioni |
Ciclo di dottorato: |
27 |
Coordinatore del Corso di dottorato: |
nome | email |
---|
Riccio, Daniele | daniele.riccio@unina.it |
|
Tutor: |
nome | email |
---|
Verdoliva, Luisa | UNSPECIFIED |
|
Date: |
31 March 2015 |
Number of Pages: |
110 |
Keywords: |
biometrics; liveness detection; image processing; image classification; machine learning; local image descriptors |
Settori scientifico-disciplinari del MIUR: |
Area 09 - Ingegneria industriale e dell'informazione > ING-INF/03 - Telecomunicazioni |
Aree tematiche (7° programma Quadro): |
TECNOLOGIE DELL'INFORMAZIONE E DELLA COMUNICAZIONE > Macchine "più intelligenti", servizi migliori SICUREZZA > Sviluppo di tecnologie in grado di garantire un più alto livello di protezione della privacy e dei dati personali dei cittadini comunitari |
[error in script]
[error in script]
Date Deposited: |
07 Apr 2015 11:14 |
Last Modified: |
30 Sep 2015 16:44 |
URI: |
http://www.fedoa.unina.it/id/eprint/10360 |
DOI: |
10.6092/UNINA/FEDOA/10360 |
Collection description
L'argomento scelto riguarda la classificazione delle immagini tramite descrittori locali e più in particolare le applicazioni ai sistemi di classificazione biometrica. I descrittori locali sono largamente utilizzati in vari ambiti della Computer Vision. Vengono calcolati per ogni pixel dell'immagine e sono in grado di descrivere in maniera accurata classi di immagini tramite istogrammi. A partire da questi descrittori ricchi di informazioni, classificatori potenti presi in prestito dal Machine Learning sono in grado di apprendere i modelli statistici delle classi del problema in esame. Dunque uno stesso descrittore locale che cattura determinate relazioni tra un pixel ed il suo vicinato può essere applicato con successo in diversi ambiti a patto di avere ogni volta una quantità sufficiente di campioni per apprendere i modelli statistici delle classi.
Le applicazioni di questo approccio sono molteplici, durante il mio dottorato mi sono occupato dei sistemi di autenticazione basati su biometrie (come le impronte digitali, l'iride, le vene o l'intero volto). Tali sistemi, che attualmente stanno subendo una notevole diffusione, si è visto come sia relativamente semplice attaccare questi sistemi accedendo con le credenziali di un'altra persona. E' necessario dunque una fase di Liveness Detection che attesti l'autenticità del tratto biometrico presentato in ingresso al sensore prima ancora di individuare l'utente a cui esso appartenga.
Nell'ambito della Liveness Detection sono stati affrontati diversi tipi di attacchi a sistemi basati sulla scansione delle impronte digitali, delle vene delle dita, dell'iride e della faccia. In particolare è stato proposto un nuovo descrittore locale, denominato LCPD (Local Contrast Phase Descriptor) progettato per le impronte digitali e che utilizza informazioni complementari di ampiezza e fase dell'immagine sotto test. Inoltre è stato proposto un nuovo approccio che fa uso di un descrittore proposto recentemente (SID, Scale Invariant Descriptor) e dell'approccio Bag of Words per ottenere un descrittore molto versatile, in grado di raggiungere (ed in diversi casi superare) l'attuale stato dell'arte nella maggior parte delle applicazioni biometriche considerate. In altri casi sono stati uniti descrittori differenti, provenienti da altri ambiti di ricerca, oppure sono stati modificati descrittori già noti in letteratura, per risolvere con successo il problema della liveness detection.
Downloads per month over past year
Actions (login required)
|
View Item |