[论文解读] A Fully Automated Latent Fingerprint Matcher with Embedded Self-learning Segmentation Module

Jinwei Xu, Jiankun Hu+1 more|arXiv (Cornell University)|Jun 26, 2014

Biometric Identification and Security参考文献 11被引用 3

一句话总结

本文提出了一种完全自动化的潜在指纹匹配器，其内置基于自学习字典学习的感兴趣区域（ROI）分割模块和基于遗传算法（GA）的细节匹配单元。该方法在NIST SD27数据库上实现了优越性能，优于现有的公开方法，在场景1中的平均穿透率（penetration rate）达到38.159%，在场景2中通过所提出的分割方法进一步提升了结果，证明了在无手动干预条件下对复杂潜在指纹条件的鲁棒性。

ABSTRACT

Latent fingerprint has the practical value to identify the suspects who have unintentionally left a trace of fingerprint in the crime scenes. However, designing a fully automated latent fingerprint matcher is a very challenging task as it needs to address many challenging issues including the separation of overlapping structured patterns over the partial and poor quality latent fingerprint image, and finding a match against a large background database that would have different resolutions. Currently there is no fully automated latent fingerprint matcher available to the public and most literature reports have utilized a specialized latent fingerprint matcher COTS3 which is not accessible to the public. This will make it infeasible to assess and compare the relevant research work which is vital for this research community. In this study, we target to develop a fully automated latent matcher for adaptive detection of the region of interest and robust matching of latent prints. Unlike the manually conducted matching procedure, the proposed latent matcher can run like a sealed black box without any manual intervention. This matcher consists of the following two modules: (i) the dictionary learning-based region of interest (ROI) segmentation scheme; and (ii) the genetic algorithm-based minutiae set matching unit. Experimental results on NIST SD27 latent fingerprint database demonstrates that the proposed matcher outperforms the currently public state-of-art latent fingerprint matcher.

研究动机与目标

• 开发一种完全自动化的潜在指纹匹配器，消除在感兴趣区域（ROI）检测与细节提取中的手动干预。
• 解决潜在指纹图像中图像质量差、重叠结构噪声以及部分图像等挑战。
• 通过整合基于自学习字典学习的ROI分割模块与基于遗传算法的细节匹配单元，提升匹配准确性。
• 提供一个公开可用、可复现的系统，以支持潜在指纹识别研究的基准测试与进步。

提出的方法

• 采用基于字典学习的ROI分割模块，自动检测并从潜在指纹图像中提取感兴趣区域。
• 该分割模块通过训练数据学习，自适应地识别前景区域，同时抑制污渍、线条和图形等结构噪声。
• 仅在分割后的ROI区域内自动提取细节，以提高特征可靠性并减少误匹配。
• 基于遗传算法的匹配单元对查询潜在指纹与数据库指纹之间的细节集合进行对比，通过进化搜索优化匹配得分。
• 在三种场景下评估系统：基线（无分割）、所提分割 + GA匹配，以及Cao的方法 + GA匹配，以隔离分割模块的影响。
• GA单元中的适应度函数设计为基于细节对应关系、方向一致性与空间分布，最大化匹配得分。

实验结果

研究问题

• RQ1 完全自动化的潜在指纹匹配器是否能在无需手动标注ROI或提取特征的情况下实现高性能？
• RQ2 基于自学习字典学习的分割模块如何提升低质量潜在指纹中细节提取的可靠性？
• RQ3 与现有方法相比，集成专用ROI分割模块与基于遗传算法的匹配单元能带来多大的性能提升？
• RQ4 所提出的匹配器在NIST SD27数据库中不同图像质量类别（良好、较差、极差）下的表现如何？
• RQ5 在平均穿透率与CMC（累积匹配特性）方面，所提系统相较于公开的最先进潜在指纹匹配器，优势程度如何？

主要发现

• 在场景1中，未应用分割时，所提匹配器实现了38.159%的平均穿透率（pr），确立了强有力的基线性能。
• 在场景2中，采用所提出的自学习分割模块后，平均穿透率提升至34.496%，证明了ROI分割在提升匹配可靠性方面的有效性。
• 在场景3中，采用Cao的分割方法，平均穿透率为36.434%，证实所提分割方法优于现有替代方案。
• 系统在“良好”质量的潜在图像上表现最佳，平均穿透率为28.40%；而在“较差”（36.17%）和“极差”（39.11%）类别中性能下降，原因在于图像质量差。
• CMC（累积匹配特性）曲线显示，所提匹配器在早期排名中持续优于基线及其他基于分割的方法。
• 研究证实，集成一个稳健的自学习分割模块可显著提升自动化基于细节的潜在指纹识别匹配精度。