基于深度學習的指紋識別技術研究熱點分析

何岸花 林滿山 鄭逢德

摘 要：文章總結近幾年深度學習技術在指紋識別領域的應用方向，分析當前指紋識別在應用過程中所面臨的問題，旨在給研究者和技術人員提供指紋識別的客觀理解與啟示，促進深度學習在指紋識別領域的應用與快速發(fā)展。

關鍵詞：深度學習;客觀理解;指紋識別

0 引言

現代科學技術正處于飛速發(fā)展的時期，指紋識別技術已經融入人類生活各個領域中。在眾多生物特征^[1]識別技術中，指紋識別技術作為一種最直觀的技術被廣泛應用。傳統指紋識別技術存在一些弊端^[2-3]，例如需要人工設置指紋特征，并且需要多次調試，設計特征和選擇分類器相對而言不易達成最優(yōu)化，導致指紋識別率不達標。除此之外，庫指紋數量較大的情況下，人工設置指紋特征，時間和人員消耗比較大，每比對一個指紋，周期很長。近年來，隨著機器學習技術的興起，深度學習技術已經成為當下的熱門課題。將深度學習技術與生物特征識別技術融合到指紋識別領域成為研究熱點。深度學習技術可以在海量數據中學習并分析，可以自動識別分析并學習指紋特征數據，從而減少人工工作量，同時達到提高指紋識別準確率的目的。本文簡要介紹了深度學習在指紋識別中的應用熱點，意在幫助人們更深入地了解深度學習以及深度學習在指紋識別技術中的應用，激發(fā)研究者和技術人員對指紋識別的客觀理解與啟示，并希望深度學習能促使生物特征識別技術獲得高速發(fā)展。

1 指紋識別精確性研究

指紋識別應用主要分為民用指紋和公安指紋。民用指紋涉及范圍比較廣，主要是門禁、考勤、保險箱、身份認證等方面^[4-5]，民用指紋可本地存儲，指紋采集環(huán)境簡單，指紋質量好，并且比對地庫數量級較小。公安指紋主要應用于刑偵領域，指紋采集現場復雜，指紋質量差^[6]，甚至有殘缺，角度不定，給比對帶來很大困難。傳統的指紋識別是通過傳統圖像處理方法提取指紋的重要特征，例如指紋紋線方向場、細節(jié)點^[7]、中心、三角點^[8]以及紋型等特征，將特征以一定的結構制作模板^[9]，最后通過特征比對實現指紋識別。深度學習技術在指紋識別領域的應用也離不開指紋的特征，研究人員將深度學習技術應用到各種特征提取環(huán)節(jié)，通過深度學習所得到的模型處理圖像得到傳統圖像處理方法所得到的結果^[10]，從而實現指紋識別。目前，深度學習指紋識別研究主要涉及以下幾個方面。

1.1 指紋方向場提取

指紋的方向場刻畫了指紋紋線的走向分布，是指紋圖像界于指紋中心的宏觀特征^[11]。深度學習指紋方向場識別是用深度神經網絡模擬人腦逐步抽象的認知過程，選擇包含指紋的整體形態(tài)和局部流向的方向場信息作為網絡的輸入，通過自主學習來得到特征，實現指紋方向場的識別。

深度學習方向場指紋識別步驟：數據預處理、模型訓練。訓練數據為指紋對數據方向場圖像，圖像對有3種情況：原始高清指紋對、原始高清指紋和合成指紋。圖像預處理主要是去除背景干擾，圖像濾波，通過傳統圖像處理算法得到方向場圖，輸入圖像對如圖1所示。模型訓練是將指紋方向場圖像對進行標簽化，采用深度網絡結構，使用指紋的方向場信息作為網絡的輸入，通過有監(jiān)督自學學習指紋的方向場特征，通過預設的方向場的損失函數來計算整體誤差，再次、根據誤差，通過反向傳播的方法計算網絡梯度，不斷優(yōu)化網絡，方向場模型網絡訓練流程如圖2所示。

1.2 指紋細節(jié)點提取

除方向場以外，細節(jié)點也是指紋的一個重要特征，指紋識別技術用得最多的特征就是方向場和細節(jié)點^[12]。深度學習多特征指紋識別是以方向場和細節(jié)點兩個重要特征為主，以其他特征為輔，實現指紋識別。

圖像對通過傳統圖像處理方法得到方向場圖像對，以此作為神經網絡的輸入，輸出結果是圖中是否有細節(jié)點，在網絡的最后，加上對于細節(jié)點具體位置和方向進行回歸，從而提取精確的細節(jié)點信息^[13]，包括細節(jié)點分布圖、細節(jié)點x軸方向坐標分布圖、細節(jié)點y軸方向坐標分布圖、細節(jié)點方向分布圖，訓練流程圖如圖3所示。根據所得到的細節(jié)點信息實現指紋識別。

1.3 指紋方向場校正

指紋識別過程中可能會因為兩個指紋方向的不一致導致匹配失敗，可以通過校正方向場來對齊指紋的方向，從而解決這一難題。以指紋的中心點為坐標原點^[14]，建立二位坐標系，利用已有方法計算出指紋方向場，作為實驗原始數據，用經典的指紋方向場數據表示方式0到7來代表指紋的 8個方向，從原始數據集中挑選出一部分圖像中心區(qū)域沒有錯亂方向塊的相對干凈數據集，作為標準數據集，然后人工隨機擾動這部分數據， 制作噪聲數據集。其次，構建深度卷積神經網絡。將噪聲數據和標準數據對進行有監(jiān)督的訓練，讓網絡自動學習噪聲分布，用原始帶噪聲的方向場數據減去生成的噪聲數據，得到去噪后的方向場數據，從而實現方向場的校正。此方法可以有效解決指紋對齊問題，有效提升指紋識別正確率。

1.4 三維指紋識別

三維指紋識別技術是一個新興的研究領域，技術方面存在著很多挑戰(zhàn)，普通指紋識別技術雖然已經比較成熟，但是將普通指紋識別技術直接運用到三維指紋識別中，不僅速度慢，而且會丟失指紋的深度信息。

運用深度學習方法，通過引入卷積神經網絡，減少了尋找指紋特征點這一步驟，降低識別算法的復雜度，并有效地保留指紋的深度信息。具體步驟：首先，將指紋深度圖像和二維指紋圖像分別輸入不同的卷積神經網絡中得到指紋深度特征和二維指紋特征。其次，通過另一個神經網絡進行特征融合。最后，對融合后的特征進行三維指紋識別^[15]。其中三維指紋如圖4（a）所示，指紋二維圖片如圖4（b）所示，深度圖如圖4（c）所示，指紋深度圖中，每個像素點的灰度值為該點的深度值，即三維模型空間信息。

1.5 全局特征識別

深度學習在圖像處理方面展現了強大的學習能力，指紋特定特征圖可以通過神經網絡訓練，最終得到可識別特定特征的模型。很多研究者直接將指紋原圖對作為輸入，通過深度學習的方法獲得指紋全局特征，以指紋間中心點歐式距離或余弦值差值循環(huán)回歸，優(yōu)化參數，實現聚類，將指紋特征識別問題轉化為聚類問題，通過特征匹配實現指紋識別。

1.6 指紋圖像配準

用指紋進行身份識別過程中，遇到低質量的指紋圖像時，往往難以獲得較高的準確率。由于部分指紋圖像角度的偏差導致識別效果不佳^[16]，為解決這個問題，部分研究者對指紋圖像配準進行研究。使用卷積神經網絡實現圖像之間的空間變換關系，從而使一對或多幅圖像達到空間上的對齊。

1.7 指紋識別其他特征

指紋可以根據紋線的結構特點分為斗型、左旋、右旋、弓型、帳弓型^[17]、其他類型。指紋識別中，通過紋型的篩選也可排除很多錯誤指紋，紋型的判斷可通過神經網絡分類實現^[18]。步驟：首先，人工將指紋數據按紋型分類并給以標簽;其次，以自監(jiān)督學習方式訓練，通過反向傳播優(yōu)化參數;最后，得到分類模型。除此之外，指紋還有其他一些細微的特征，例如指紋汗孔等，通過神經網絡對特定特征識別，多特征組合實現指紋識別。

2 指紋識別其他研究

2.1 指紋采集

無線網絡具有開放性，惡意用戶通過竊聽、誘騙等方式會對合法用戶的正常通信進行干擾、破壞，威脅合法用戶信息安全^[19]。針對射頻指紋的抗偽裝性研究不足^[20]，設備的射頻指紋存在被惡意用戶偽裝的風險，利用無線信號的原始采樣樣本直接進行射頻指紋特征的學習與提取，生成對抗網絡模型，對偽裝的指紋實現有效識別，提高基于射頻指紋的設備身份識別系統的抗偽裝能力。

2.2 污損指紋識別

污損指紋識別一直都是一個難點，通過深度學習的方法提取指紋的深層特征信息，可以提高污損指紋識別率。將指紋圖像進行分塊處理，提取以指紋中心點為中心的指紋圖像塊表示訓練樣例的部分特征。另外，提取污損指紋圖像所能提取到的部分特征點^[21]，并將之模糊化，作為訓練樣例的另一部分特征。利用深度神經網絡算法結構模擬人腦對指紋圖像的多層信息特征提取方式，對上述組合訓練圖像進行自動特征提取，并進行分類識別。

3 結語

隨著新應用的不斷出現，對指紋識別技術的要求逐漸提高，指紋識別技術仍存在一些問題，相信隨著技術的進一步發(fā)展以及新技術的出現，指紋識別技術能進一步有所突破。

[參考文獻]

[1]陳文燕，范文博，楊鈞宇.基于密集連接卷積網絡的小面積指紋識別方法[J].計算機工程與應用，2020（10）：134-140.

[2]陳虹旭，李曉坤，鄭永亮，等.基于深度學習的指紋識別方法研究[J].智能計算機與應用，2018（3）：64-69.

[3]袁穎.基于Matlab的小波紋理特征融合指紋識別系統[J].電子技術與軟件工程，2019（14）：79-81.

[4]袁穎.基于非特征點的指紋自動識別方法研究進展[J].中國刑警學院學報，2018（6）：95-99.

[5]蘇蒙蒙.基于深度學習模型的生物特征識別系統安全性研究[D].杭州：浙江工業(yè)大學，2020.

[6]白茹攀.基于深度卷積神經網絡的低質量指紋識別[D].昆明：云南大學，2019.

[7]范文博.基于Android系統的小面積指紋識別技術的研究[D].西安：西安科技大學，2019.

[8]史夢琦.基于方向場和深度學習的指紋識別研究[D].長春：吉林大學，2019.

[9]張永良，周冰，詹小四，等.基于深度學習的小面積指紋匹配方法[J].計算機應用，2017（11）：3212-3218，3225.

[10]劉君宇.指紋方向場識別技術研究[D].哈爾濱：哈爾濱工業(yè)大學，2019.

[11]趙浩宇.指紋方向場識別深度學習模型的優(yōu)化研究[D].長春：吉林大學，2020.

[12]鐘瑞.基于深度學習和多特征融合的小面積指紋識別算法研究[D].西安：西安電子科技大學，2018.

[13]臧亞麗，楊鑫.指紋識別技術研究熱點與新方向[J].警察技術，2015（5）：4-7.

[14]席鮮麗.基于深度學習的指紋方向場校正及圖像質量評估[D].長春：吉林大學，2020.

[15]田倩玉.基于深度學習的三維指紋識別技術研究[D].天津：河北工業(yè)大學，2018.

[16]陳雷.基于卷積神經網絡實現指紋圖像的配準[J].法制博覽，2018（36）：129-130.

[17]張寶，楊春宇，劉強.指紋自動識別系統在刑事偵查中的應用[J].警察技術，2015（5）：17-20.

[18]郭曉萌.基于神經網絡的指紋紋型識別及分類[D].長沙：湖南大學，2019.

[19]趙蔚宸.基于深度學習技術的信號指紋提取[D].北京：北京郵電大學，2017.

[20]鄭雅文.射頻指紋偽裝及對抗技術研究[D].北京：北京交通大學，2020.

[21]吳震東，王雅妮，章堅武.基于深度學習的污損指紋識別研究[J].電子與信息學報，2017（7）：1585-1591.

Research hotspots analysis of fingerprint recognition technology based on deep learning

He Anhua¹， Lin Manshan²， Zheng Fengde¹

（1. Beijing Hisign Technology Co.， Ltd.， Beijing 100070， China; 2. Guangzhou Criminal Technology Institute，

Guangzhou 510000， China）

Abstract：This paper summarizes the application direction of deep learning technology in the field of fingerprint recognition and analyzes the problems faced by fingerprint recognition in the application process in recent years. It aims to provide researchers and technicians with objective understanding and inspiration for fingerprint recognition and promote the application and rapid development of deep learning in the field of fingerprint recognition.

Key words：deep learning; objective understanding; fingerprint recognition

基金項目：廣州民生科技攻關重大專項;項目名稱：人工智能在指紋識別實戰(zhàn)中的應用技術研究;項目編號：2019030013。

作者簡介：何岸花（1988—），女，北京人，研究員，碩士;研究方向：指紋識別。