[論文レビュー] Latent fingerprint minutia extraction using fully convolutional network

Yao Tang, Fei Gao+1 more|arXiv (Cornell University)|Sep 30, 2016

Biometric Identification and Security参考文献 15被引用数 3

ひとこと要約

本論文は、従来の前処理手順を回避するエンド・ツー・エンドの潜在指紋 minutiae 抽出のための完全畳み込みネットワーク（FCN）ベースの手法を提案する。ピクセル単位の minutiae スコアマップを生成し、分類と方向推定のための共有畳み込みニューラルネットワーク（CNN）で提案を精緻化することで、NIST SD27 で 53% のリCALL と 53% のプレシジョンを達成した。特徴量可視化により、リッジ構造が保持されていることが確認された。

ABSTRACT

Minutiae play a major role in fingerprint identification. Extracting reliable minutiae is difficult for latent fingerprints which are usually of poor quality. As the limitation of traditional handcrafted features, a fully convolutional network (FCN) is utilized to learn features directly from data to overcome complex background noises. Raw fingerprints are mapped to a correspondingly-sized minutia-score map with a fixed stride. And thus a large number of minutiae will be extracted through a given threshold. Then small regions centering at these minutia points are entered into a convolutional neural network (CNN) to reclassify these minutiae and calculate their orientations. The CNN shares convolutional layers with the fully convolutional network to speed up. 0.45 second is used on average to detect one fingerprint on a GPU. On the NIST SD27 database, we achieve 53\% recall rate and 53\% precise rate that outperform many other algorithms. Our trained model is also visualized to show that we have successfully extracted features preserving ridge information of a latent fingerprint.

研究の動機と目的

• 低品質な潜在指紋における信頼性の高い minutiae 抽出の課題に対処すること。従来のハンドクラフト特徴量手法では、しばしば失敗する。
• 手動によるセグメンテーションや強調処理、前処理に依存しないようにし、生指紋画像から直接特徴量を学習すること。
• 位置と方向の共同回帰を用いたポイント検出としての minutiae のモデリングにより、検出精度を向上させること。
• リッジ構造を保持し、ノイズに強く、耐性のある robust な minutiae 述語をエンド・ツー・エンドで学習できること。

提案手法

• 完全畳み込みネットワーク（FCN）は、ストライド固定16で生指紋を minutiae スコアマップにマップし、学習済みスコアに基づいてピクセル単位の提案を生成する。
• 提案はしきい値を用いてフィルタリングされ、候補となる minutiae 位置が特定され、空間的正確性を向上させるために位置回帰がマルチタスク損失として用いられる。
• 共有畳み込みニューラルネットワーク（CNN）は、提案を真の minutiae として分類し、マルチタスク損失層を用いて方向を回帰する。
• FCN と CNN は初期の畳み込み層を共有することで、推論を高速化し、段階間での特徴一貫性を確保する。
• 活性化再構成による特徴量可視化により、ネットワークが潜在指紋のリッジおよびベーシュパターンを学習して保持していることが確認された。
• 分類、位置、方向回帰損失の組み合わせを用いて、生指紋画像上でエンド・ツー・エンドでモデルを訓練した。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワークは、セグメンテーションや強調処理を経ない生で低品質な潜在指紋から、信頼性の高い minutiae 提案を直接効果的に生成できるか？
• RQ2 深層ネットワークによる minutiae 述語のエンド・ツー・エンド学習は、ノイズが多く複雑な背景を持つ状況で、ハンドクラフト特徴量手法を上回るか？
• RQ3 位置と方向の共同回帰は、分類のみに比べて、どの程度 minutiae 検出精度を向上させるか？
• RQ4 学習された特徴量は、挑戦的な潜在指紋条件において、リッジ構造を保持し、偽陽性から minutiae を区別できるか？

主な発見

• 提案手法は NIST SD27 データベースで 53% のリCALL と 53% のプレシジョンを達成し、複数の既存アルゴリズムを上回った。
• GPU 上で 1 枚の指紋を平均 0.45 秒で処理でき、高い効率性を示した。
• アブレーションスタディの結果、位置回帰を除去するとリCALL とプレシジョンはそれぞれ 50.0% と 49.7% に低下し、局所化の正確性において重要な役割を果たしていることが示された。
• 方向回帰を除去すると、リCALL とプレシジョンはそれぞれ 55.0% と 55.4% に上昇し、方向フィルタリングが偽陽性の除去に寄与していることが示唆された。
• 可視化結果から、ネットワークがリッジおよびベーシュ構造を抽出・保持する能力を学習していることが確認され、潜在指紋での微調整後、顕著な改善が見られた。
• NIST SD27 の 129 枚の潜在指紋を用いた評価において、本手法は mindtct や Gabor&CNN ベース手法よりも優れた識別性能を達成した。