[论文解读] CNN-based Pore Detection and Description for High-Resolution Fingerprint Recognition.

Gabriel Dahia, Maurício Pamplona Segundo|arXiv (Cornell University)|Sep 26, 2018

Biometric Identification and Security参考文献 19被引用 2

一句话总结

本文提出一种基于CNN的方法，用于在高分辨率指纹识别中学习鲁棒的局部孔洞描述子，通过图像配准自动生成训练标注，以绕过缺乏标注数据的问题。该方法通过用数据驱动的描述子替代手工设计的描述子，在部分指纹和完整指纹的公开基准测试中均实现了最先进性能，且通过消融实验得到验证。

ABSTRACT

High-resolution fingerprint recognition often relies on sophisticated matching algorithms based on hand-crafted keypoint descriptors, with pores being the most common keypoint choice. Our method is the opposite of the prevalent approach: we use instead a simple matching algorithm based on robust local pore descriptors that are learned from the data using a CNN. In order to train this CNN in a fully supervised manner, we describe how the automatic alignment of fingerprint images can be used to obtain the required training annotations, which are otherwise missing in all publicly available datasets. This improves the state-of-the-art recognition results for both partial and full fingerprints in a public benchmark. To confirm that the observed improvement is due to the adoption of learned descriptors, we conduct an ablation study using the most successful pore descriptors previously used in the literature. All our code is available at this https URL

研究动机与目标

• 解决高分辨率指纹识别中孔洞描述子缺乏标注训练数据的问题。
• 开发一种完全监督的基于CNN的方法，从数据中学习鲁棒的局部孔洞描述子。
• 通过使用学习到的描述子而非手工设计的描述子，提升部分指纹和完整指纹的识别准确率。
• 通过消融实验，证明学习到的描述子相较于先前最先进手工设计描述子的优越性。
• 利用指纹图像配准实现孔洞的自动标注，克服公开数据集中缺乏真实标签的问题。

提出的方法

• 训练一个卷积神经网络（CNN），以完全监督的方式学习局部孔洞描述子。
• 通过配准指纹图像自动生成训练标注，利用几何一致性推断孔洞位置。
• 该方法采用基于学习到的CNN描述子的简单匹配算法，降低对复杂关键点匹配流程的依赖。
• 网络在对齐的指纹图像对上端到端训练，利用配准结果定义正样本和负样本。
• 该方法利用高分辨率图像数据提取细粒度的孔洞特征，使其在匹配任务中具有强区分性。
• 消融实验将学习到的描述子与最成功的先前手工设计描述子进行比较，以验证性能提升。

实验结果

研究问题

• RQ1 从CNN学习到的局部描述子是否能在高分辨率指纹识别中超越手工设计的孔洞描述子？
• RQ2 通过图像配准实现的自动标注，在训练监督CNN用于指纹孔洞数据方面有多有效？
• RQ3 与最先进方法相比，所提出方法是否在部分指纹和完整指纹上均提升了识别准确率？
• RQ4 性能提升在多大程度上源于学习到的描述子，而非匹配策略？
• RQ5 与先前手工设计方法相比，基于CNN的描述子学习在多大程度上带来了性能增益？

主要发现

• 所提出的基于CNN的方法在部分指纹和完整指纹的公开基准测试中均实现了最先进识别性能。
• 性能提升可直接归因于使用了学习到的描述子，消融实验对比手工设计描述子已证实此点。
• 自动图像配准使得能够为孔洞描述子创建完全监督的训练数据，克服了公开数据集中缺乏标注的问题。
• 即使采用更简单的匹配算法，该方法仍优于依赖手工设计描述子的先前最先进方法。
• 消融实验确认，性能增益源于学习到的描述子的质量，而非匹配流程本身。
• 所有代码和模型均已公开发布，以支持可复现性与进一步研究。