Blog - Jak działają algorytmy rozpoznawania linii papilarnych

Rozpoznawanie odcisku palca to klasyczny pipeline biometryczny: jakość obrazu → wzmocnienie grzbietów → minucje → porównanie. Współczesne systemy łączą klasyczne cechy z embeddingami CNN.

Co system naprawdę porównuje?

Nie porównujemy „zdjęć”, tylko reprezentację:

1. Minucje — zakończenia i rozwidlenia linii ($x, y, \theta$).
2. Deskryptory lokalne — orientacja, częstotliwość grzbietów, pore/ridge shape.
3. Embedding — wektor $e \in \mathbb{R}^{d}$ z sieci (template).

Dla minucji klasyczny matcher szuka korespondencji po transformacji sztywnej (obrót + przesunięcie). Score rośnie z liczbą zgodnych par.

Przepływ

Score i FAR/FRR

Przy progu $\tau$:

• FAR — false accept rate (obcy przepuszczony),
• FRR — false reject rate (właściciel odrzucony).

Krzywa DET/ROC pokazuje kompromis. Punkt pracy wybieramy tak, by:

$$\mathrm{FAR}(\tau) \le \varepsilon_{\text{security}}, \quad \mathrm{FRR}(\tau) \le \varepsilon_{\text{ux}}$$

Odporność na ataki

Same minucje nie wystarczą: potrzebujesz liveness (2D/3D texture, pulse, challenge). Template warto trzymać w formie cancelable biometrics / hashed embedding, nie surowego obrazu.

Wniosek

Dobry fingerprint matcher to przede wszystkim kontrola jakości skanu + kalibracja $\tau$, a nie tylko „więcej AI”.