La reconnaissance des empreintes digitales entre différentes prises espacées dans le temps diminue quand la durée augmente, mais reste très proche de 100 %.
Cet article attaque le problème du point de vue de la reconnaissance des empreintes digitales, plutôt que sur les empreintes elles-mêmes. Il cherche à déterminer si des paramètres démographiques (age, sexe, ethnie) et surtout le temps entre deux mesures des empreintes peuvent influencer la reconnaissance d'un individu à l'aide de ses empreintes digitales.
Les auteurs ont utilisé la base de donnée de la police du Michigan (Etats-Unis) pour étudier les empreintes de 15 597 personnes mesurées plusieurs fois (au moins 5 ans entre chaque mesure). Puis des études statistiques poussées permettent de déterminer si les empreintes d'une même personne prise à plusieurs années d’intervalle sont significativement différentes ou non (est-ce que le programme de reconnaissance "match").
Les résultats montrent que plus la durée séparant les deux mesures des empreintes d'une même personne est importante, moins elles ont de chance de "matcher". De plus, plus l'age du sujet est élevé, moins les empreintes sont reconnaissables.
Globalement, les auteurs soulignent que si les images sont de bonne qualité, le taux de "match" est très proche de 100 % dans tous les cas.
Les auteurs expliquent que les échecs de reconnaissance sont le plus souvent dus à la qualité des images elles-mêmes. Ils évoquent aussi la façon dont l'empreinte est prise (doigt plus ou moins appuyé par exemple) comme source de variabilité.
Le fait que le taux de reconnaissance diminue lorsque la durée entre les deux mesures augmente peut supporter l'idée que les empreintes digitales peuvent varier au cours de la vie. Cette diminution est toutefois limitée.
Human identification by fingerprints is based on the fundamental premise that ridge patterns from distinct fingers are different (uniqueness) and a fingerprint pattern does not change over time (persistence). Although the uniqueness of fingerprints has been investigated by developing statistical models to estimate the probability of error in comparing two random samples of fingerprints, the persistence of fingerprints has remained a general belief based on only a few case studies. In this study, fingerprint match (similarity) scores are analyzed by multilevel statistical models with covariates such as time interval between two fingerprints in comparison, subject’s age, and fingerprint image quality. Longitudinal fingerprint records of 15,597 subjects are sampled from an operational fingerprint database such that each individual has at least five 10-print records over a minimum time span of 5 y. In regard to the persistence of fingerprints, the longitudinal analysis on a single (right index) finger demonstrates that (i) genuine match scores tend to significantly decrease when time interval between two fingerprints in comparison increases, whereas the change in impostor match scores is negligible; and (ii) fingerprint recognition accuracy at operational settings, nevertheless, tends to be stable as the time interval increases up to 12 y, the maximum time span in the dataset. However, the uncertainty of temporal stability of fingerprint recognition accuracy becomes substantially large if either of the two fingerprints being compared is of poor quality. The conclusions drawn from 10-finger fusion analysis coincide with the conclusions from single-finger analysis.
