[论文解读] Fingerprint Classification Based on Depth Neural Network

Ruxin Wang, Congying Han+2 more|arXiv (Cornell University)|Sep 18, 2014

Biometric Identification and Security参考文献 5被引用 38

一句话总结

本文提出一种基于深度学习的指纹分类方法，利用堆叠稀疏自编码器学习方向场特征，随后采用新型模糊分类策略的Softmax回归。该方法在0.95概率阈值下实现98.0%的准确率，显著优于标准方法，通过融合前两名类别得分的概率实现误分类减少。

ABSTRACT

Fingerprint classification is an effective technique for reducing the candidate numbers of fingerprints in the stage of matching in automatic fingerprint identification system (AFIS). In recent years, deep learning is an emerging technology which has achieved great success in many fields, such as image processing, natural language processing and so on. In this paper, we only choose the orientation field as the input feature and adopt a new method (stacked sparse autoencoders) based on depth neural network for fingerprint classification. For the four-class problem, we achieve a classification of 93.1 percent using the depth network structure which has three hidden layers (with 1.8% rejection) in the NIST-DB4 database. And then we propose a novel method using two classification probabilities for fuzzy classification which can effectively enhance the accuracy of classification. By only adjusting the probability threshold, we get the accuracy of classification is 96.1% (setting threshold is 0.85), 97.2% (setting threshold is 0.90) and 98.0% (setting threshold is 0.95). Using the fuzzy method, we obtain higher accuracy than other methods.

研究动机与目标

• 通过利用深度神经网络进行无监督特征学习，提升自动指纹识别系统（AFIS）中的指纹分类准确率。
• 减少对人工设计特征和奇异点检测的依赖，后者对噪声和错误敏感。
• 通过引入基于多概率得分的模糊分类方法，提升分类鲁棒性。
• 实现在计算开销极小的前提下实现高准确率分类，适用于实际AFIS系统部署。

提出的方法

• 以指纹图像的方向场作为输入，避免了奇异点检测的需要。
• 采用三层堆叠稀疏自编码器进行无监督预训练，学习指纹图案的分层、低维表示。
• 在学习到的特征上应用Softmax回归，实现四类分类：左环、右环、弓形和螺旋形。
• 引入一种模糊分类策略，通过结合前两名预测概率识别并重新分类模糊或误分类样本。
• 设置自适应概率阈值（0.85、0.90、0.95），以控制拒收率并提升整体准确率。
• 使用第一和第二高概率之和作为新判据，以召回30%此前被误分类的样本。

实验结果

研究问题

• RQ1 是否能够通过堆叠稀疏自编码器的深度神经网络，从方向场中有效学习到无需依赖奇异点的判别性指纹特征？
• RQ2 基于前两名预测概率的模糊分类方法相比标准分类方法，如何提升指纹分类准确率？
• RQ3 在指纹分类中，平衡准确率与拒收率的最优概率阈值是什么？
• RQ4 前两名类别概率之和能否作为可靠标准，以恢复被误分类的样本？

主要发现

• 所提方法在NIST-DB4数据集上，使用标准深度网络（三隐藏层）实现93.1%的分类准确率。
• 通过采用0.95阈值的模糊分类，准确率提升至98.0%，显著优于基线方法。
• 当使用第一和第二概率之和作为恢复条件时，误分类率降低30%，尤其在模糊样本中表现显著。
• 该方法在保持极低计算成本的同时，若对可疑指纹引入二级分类，准确率可超过99%。
• 通过稀疏自编码器实现的方向场重建能有效保留结构模式，即使在噪声或模糊情况下也能实现准确分类。