Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.contributor | Segundo, Maurício Pamplona | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-4529-5757 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9402272133670888 | - |
Autor(es): dc.contributor | Teixeira, Raoni Florentino da Silva | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9851-6018 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5079017129840047 | - |
Autor(es): dc.contributor | Silva, Ricardo Dutra da | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8002-8411 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8512085741397097 | - |
Autor(es): dc.contributor | Minetto, Rodrigo | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2277-4632 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8366112479020867 | - |
Autor(es): dc.creator | Bonacim, Alexandre Nadolni | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:23:51Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:23:51Z | - |
Data de envio: dc.date.issued | 2025-07-15 | - |
Data de envio: dc.date.issued | 2026-12-24 | - |
Data de envio: dc.date.issued | 2025-07-15 | - |
Data de envio: dc.date.issued | 2025-06-25 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37478 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1094577 | - |
Descrição: dc.description | Ridge counting is an important feature in standardized fingerprint templates, supporting interoperability, improving matching accuracy, and providing a transparent and interpretable measure to validate automated decisions. However, traditional ridge counting techniques that rely on binarization and skeletonization are prone to artifacts, limiting their accuracy and robustness. In this study, we propose and analyze machine learning methods for ridge counting based on different architectures paradigms such as fully connect residual networks, convolutional and Transformer techniques, which operate directly on raw grayscale fingerprint images. As part of this study, we introduce a benchmark dataset comprising 23,724 of manually annotated ridge counts from 50 subjects. Our experiments show that convolutional and Transformer-based models achieved the highest accuracy, with exact ridge count match rates of 96.6% and 95.6%, respectively, outperforming classical techniques and a commercial solution top ranked in the NIST MINEX III evaluation. Additionally, we investigate the influence of ridge counting on fingerprint matching performance using the FVC2002 benchmark, with additional cross-dataset tests on Fingerprint Verification Competition 2004 DB1 A (FVC2004) and SD301. The source codes, ridge count dataset, and trained models are available on GitHub. | - |
Descrição: dc.description | A contagem de cristas é uma característica importante em modelos padronizados de impressões digitais, suportando interoperabilidade, aumentando a precisão de correspondência e fornecendo uma medida transparente e interpretável para validar decisões automatizadas. No entanto, técnicas tradicionais de contagem de cristas que dependem de binarização e esqueletização estão sujeitas a artefatos, limitando sua precisão e robustez. Neste estudo, propomos e analisamos métodos de aprendizado de máquina para contagem de cristas baseados em diferentes paradigmas de arquitetura, como redes residuais totalmente conectadas, técnicas convolucionais e Transformers, que operam diretamente em imagens cruas de impressões digitais em escala de cinza. Como parte deste estudo, introduzimos um conjunto de dados de referência contendo 23.724 contagens de cristas anotadas manualmente de 50 indivíduos. Nossos experimentos mostram que os modelos baseados em redes convolucionais e Transformers alcançaram a maior precisão, com taxas de correspondência exata de contagem de cristas de 96,6% e 95,6%, respectivamente, superando técnicas clássicas e uma solução comercial líder na avaliação National Institute of Standards and Technology (NIST) Minutiae Interoperability Exchange (MINEX) III. Adicionalmente, investigamos a influência da contagem de cristas no desempenho de correspondência de impressões digitais usando o benchmark Fingerprint Verification Competition 2002 DB1 A (FVC2002), com testes cross-dataset adicionais nas bases FVC2002 e NIST Special Database 301A (SD301). Os códigos-fonte, o conjunto de dados de contagem de cristas e os modelos treinados estão disponíveis no GitHub. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | embargoedAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Impressões digitais | - |
Palavras-chave: dc.subject | Sistemas de reconhecimento de padrões | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Identificação biométrica | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Fingerprints | - |
Palavras-chave: dc.subject | Pattern recognition systems | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Biometric identification | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Exploring machine learning techniques for fingerprint ridge counting | - |
Título: dc.title | Explorando técnicas de aprendizado de máquina para contagem de cristas em impressões digitais | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: