[논문 리뷰] Latent fingerprint minutia extraction using fully convolutional network

Yao Tang, Fei Gao외 1명|arXiv (Cornell University)|2016. 09. 30.

Biometric Identification and Security참고 문헌 15인용 수 3

한 줄 요약

이 논문은 전연결합성 네트워크(FCN) 기반의 방법을 제안하여 전처리 단계 없이 종단간 전이 잠재 지문 미니어처 추출을 수행한다. 픽셀 수준의 미니어처 스코어 맵을 생성하고, 공유된 CNN을 통해 분류 및 방향 회귀를 통한 제안 개선을 통해, NIST SD27에서 53%의 리콜과 53%의 정밀도를 달성하며 기존 방법을 능가한다. 또한 특성 시각화를 통해 고리 무늬 구조를 잘 유지함을 확인한다.

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.

연구 동기 및 목표

• 낮은 품질의 잠재 지문에서 신뢰할 수 있는 미니어처 추출의 과제를 해결하기 위해, 기존 수작업 특성 기반 방법이 실패하는 상황을 대비한다.
• 수동 세그먼테이션, 향상 또는 사전 처리에 의존하지 않고, 원시 지문 이미지에서 직접 특징을 학습함으로써 이를 제거한다.
• 위치와 방향의 동시 회귀 모델링을 통해 미니어처를 점 검출로 간주하고 정확도를 향상시킨다.
• 고리 무늬 구조를 유지하고 노이즈에 민감도를 줄이는 강력한 미니어처 기술자료를 종단간으로 학습할 수 있도록 한다.

제안 방법

• 전연결합성 네트워크(FCN)는 원시 지문을 고정된 스트라이드 16로 미니어처 스코어 맵으로 매핑하며, 학습된 스코어 기반으로 픽셀 수준의 제안을 생성한다.
• 제안은 임계값을 사용해 후보 미니어처 위치로 필터링되며, 공간 정확도 향상을 위해 위치 회귀가 다중 과제 손실로 사용된다.
• 공유된 컨volutional 신경망(CNN)은 제안을 진짜 미니어처로 분류하고, 다중 과제 손실 레이어를 통해 방향을 회귀한다.
• FCN과 CNN은 초기 컨볼루션 레이어를 공유하여 추론 속도를 향상시키고 단계 간 특징 일관성을 확보한다.
• 활성화 복원을 통한 특성 시각화 결과, 네트워크가 잠재 지문의 고리 무늬 및 골짜기 패턴을 학습하여 유지하는 것으로 확인된다.
• 분류, 위치, 방향 회귀 손실의 조합을 사용해 원시 지문 이미지에서 종단간으로 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 전연결합성 네트워크는 세그먼테이션 또는 향상 없이도 낮은 품질의 원시 잠재 지문에서 신뢰할 수 있는 미니어처 제안을 효과적으로 생성할 수 있는가?
• RQ2 딥 뉴럴 네트워크를 통한 종단간 미니어처 기술자료 학습이 노이즈가 많고 복잡한 배경에서 수작업 특성 기반 방법보다 우수한가?
• RQ3 위치와 방향의 동시 회귀는 분류만 사용하는 것에 비해 미니어처 검출 정확도를 어느 정도 향상시키는가?
• RQ4 학습된 특징은 도전적인 잠재 지문 조건에서 고리 무늬 구조를 유지하고 가짜 양성과를 효과적으로 구분할 수 있는가?

주요 결과

• 제안된 방법은 NIST SD27 데이터베이스에서 53%의 리콜과 53%의 정밀도를 달성하며, 여러 기존 알고리즘을 능가한다.
• 모델은 GPU에서 한 장의 지문을 평균 0.45초 내에 처리하여 높은 효율성을 보였다.
• 제거 실험 결과, 위치 회귀를 제거하면 리콜과 정밀도가 각각 50.0%와 49.7%로 감소하여 국소화 정확도 향상에 중요한 역할을 함을 확인했다.
• 방향 회귀를 제거하면 리콜과 정밀도가 각각 55.0%와 55.4%로 증가하여, 방향 필터링이 가짜 양성 제거에 도움이 된다는 것을 시사한다.
• 시각화 결과, 네트워크가 고리 무늬 및 골짜기 구조를 추출하고 유지하는 것을 확인했으며, 잠재 지문에서의 정밀 조정 후 개선이 두드러졌다.
• NIST SD27의 129개 잠재 지문을 대상으로 평가한 결과, 이 방법은 mindtct 및 Gabor&CNN 기반 접근법보다 더 뛰어난 식별 성능을 달성했다.