[논문 리뷰] Automatic Cropping Fingermarks: Latent Fingerprint Segmentation.

Dinh-Luan Nguyen, Kai Cao외 1명|arXiv (Cornell University)|2018. 04. 25.

Biometric Identification and Security참고 문헌 8인용 수 2

한 줄 요약

이 논문은 전체 이미지를 한 번에 처리하여 엔드 투 엔드로 잠재 지문 분할을 수행하는 완전 컨볼루션 신경망인 SegFinNet을 제안한다. 이는 U-Net과 검출 기반 아키텍처를 결합한 것으로, NIST SD27, WVU 및 운영 현장 지문 베이스에서 최신 기술 수준의 성능을 달성하며, 잠재 지문 분할 시간을 500ms 이내로 단축하고 후속 지문 매칭기의 정확도를 향상시킨다.

ABSTRACT

We present a simple but effective method for automatic latent fingerprint segmentation, called SegFinNet. SegFinNet takes a latent image as an input and outputs a binary mask highlighting the friction ridge pattern. Our algorithm combines fully convolutional neural network and detection-based approach to process the entire input latent image in one shot instead of using latent patches. Experimental results on three different latent databases (i.e. NIST SD27, WVU, and an operational forensic database) show that SegFinNet outperforms both human markup for latents and the state-of-the-art latent segmentation algorithms. Our latent segmentation algorithm takes on average 457 (NIST SD27) and 361 (WVU) msec/latent on Nvidia GTX Ti 1080 with 12GB memory machine. We show that this improved cropping, in turn, boosts the hit rate of a latent fingerprint matcher.

연구 동기 및 목표

• 법의학 응용 분야에서 일관성 없고 시간이 오래 소요되는 수동 잠재 지문 분할 문제를 해결하기 위해.
• 고정확도와 고효율성을 갖춘 잠재 지문의 문살 무늬 패턴을 자동으로 분할하는 방법을 개발하기 위해.
• 다양한 잠재 지문 데이터베이스에서 기존 최신 기술 수준의 분할 알고리즘과 인간이 작성한 기준 마스크를 초월하기 위해.
• 분할 품질을 유지하거나 향상시키면서도 잠재 이미지당 처리 시간을 단축하기 위해.
• 향상된 분할 정확도를 통해 후속 지문 매칭 성능을 향상시키기 위해.

제안 방법

• SegFinNet은 전체 잠재 지문 이미지를 단일 프로퍼스에서 처리하는 완전 컨볼루션 신경망 아키텍처를 사용하여, 피ッチ 기반 처리를 피한다.
• 밀도 높은 특징 학습과 공간적 세부 정보 유지의 목적으로 U-Net 유사 인코더-디코더 구조와 스킵 연결을 통합한다.
• 문살 영역을 국소화하기 위해 검출 기반 헤드를 사용하여 정밀한 경계 예측을 가능하게 한다.
• 기준 마스크의 이진 마스크에 대해 이진 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 단일 프로퍼스에서 추론을 수행하여 표준 GPU 하드웨어에서 실시간 처리를 가능하게 한다.
• 세 가지 다른 데이터베이스인 NIST SD27, WVU 및 운영 현장 법의학 데이터베이스에서 평가된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 인간 전문가와 기존 최신 기술 수준의 방법보다 뛰어난 잠재 지문 분할 정확도를 달성할 수 있는가?
• RQ2 단일 스탑, 전체 이미지 처리 접근 방식이 속도와 정확도 측면에서 피치 기반 분할 전략을 능가하는가?
• RQ3 향상된 분할이 잠재 지문 매칭기의 정확도 향상에 어느 정도 기여하는가?
• RQ4 표준 GPU 하드웨어에서 이론적 추론 시간 측면에서 이 방법의 효율성은 어떠한가?
• RQ5 이 모델은 다양한 품질과 복잡도를 가진 다양한 잠재 지문 데이터베이스에 대해 일반화 가능한가?

주요 결과

• SegFinNet은 테스트된 세 가지 데이터베이스(NIST SD27, WVU, 운영 현장 법의학 데이터베이스)에서 인간이 작성한 기준 마스크와 최신 기술 수준의 분할 알고리즘을 모두 뛰어넘었다.
• NVIDIA GTX Titan X 1080(12GB 메모리)를 사용하여 NIST SD27에서 평균 추론 시간은 457ms, WVU에서는 361ms를 기록했다.
• 향상된 분할 정확도가 직접적으로 잠재 지문 매칭기의 정확도 향상으로 이어졌다.
• 모델은 전체 잠재 이미지를 한 번에 처리하여 피치 기반 처리가 필요 없게 되었고, 계산 오버헤드가 감소했다.
• 검출 기반 헤드 덕분에 낮은 품질이나 노이즈가 많은 영역에서도 국소화 정밀도가 향상되었다.
• 실제 운영 데이터를 포함한 다양한 법의학 데이터베이스에서 강력한 일반화 성능을 보였다.