Comparative Analysis between Generalized Hough Transform and Neural Networks in Fingerprint Recognition

This study evaluates and compares the performance of two prominent fingerprint recognition methods: the Generalized Hough Transform (GHT) and Siamese neural networks. Using the diverse and well suited CASIA database, we conducted an exhaustive comparison on a representative sample of 628 fingerprints per model.Siamese neural networks demonstrated exceptional accuracy, surpassing 99.2\%. Their efficiency in processing large datasets highlights their suitability for biometric applications requiring detailed analysis. In contrast, the Generalized Hough Transform achieved a strong accuracy of 97.7\%, proving its reliability even with more constrained data.Our analysis underscores the distinct strengths of each method, particularly the adaptability of Siamese networks to complex fingerprint variations. Their robust generalization capabilities make them ideal for large-scale biometric systems.Performance was assessed using key metrics, including the confusion matrix (visualizing predicted vs. actual matches) and the F1-score (balancing precision and recall).These findings advance our understanding of biometric security challenges and suggest promising directions for future research in this rapidly evolving field. Cette étude évalue et compare les performances de deux méthodes majeures de reconnaissance d’empreintes digitales : la transformée de Hough généralisée (GHT) et les réseaux neuronaux siamois. En utilisant la base de données CASIA, reconnue pour sa diversité et son adéquation à ce type d’analyse, nous avons mené une comparaison exhaustive sur un échantillon représentatif de 628 empreintes par modèle.Les réseaux neuronaux siamois ont démontré une précision exceptionnelle, dépassant les 99,2 %. Leur efficacité dans le traitement de grands ensembles de données souligne leur pertinence pour les applications biométriques nécessitant une analyse fine. En comparaison, la transformée de Hough généralisée a atteint une précision solide de 97,7 %, confirmant sa fiabilité même dans des contextes de données plus restreints.Notre analyse met en lumière les forces distinctes de chaque méthode, notamment l’adaptabilité des réseaux siamois face aux variations complexes des empreintes digitales. Leur capacité de généralisation robuste en fait une solution idéale pour les systèmes biométriques à grande échelle.Les performances ont été évaluées à l’aide d’indicateurs clés, tels que la matrice de confusion (visualisant les correspondances prédites vs réelles) et le score F1 (équilibrant précision et rappel).Ces résultats enrichissent notre compréhension des enjeux liés à la sécurité biométrique et ouvrent des perspectives prometteuses pour les recherches futures dans ce domaine en constante évolution.