吳春生，李孝君，吳 浩

（1.北京警察學(xué)院，北京 102202；2.公安部物證鑒定中心，北京 100038）

指紋是人體生物特征之一，因其唯一性、易獲取和低成本而被廣泛使用[1]，在我國(guó)法庭科學(xué)中有著廣泛的應(yīng)用。隨著指紋數(shù)據(jù)庫(kù)容量的不斷擴(kuò)大，應(yīng)用計(jì)算機(jī)技術(shù)對(duì)指紋實(shí)現(xiàn)快速的自動(dòng)比對(duì)識(shí)別成為趨勢(shì)[2]。我國(guó)從20世紀(jì)80年代初開始指紋自動(dòng)識(shí)別系統(tǒng)（automated fi ngerprint identifi cation system, AFIS）的研發(fā)工作，至20世紀(jì)90年代逐步走向成熟，21世紀(jì)初在公安機(jī)關(guān)得到了廣泛的應(yīng)用。近年來(lái)，隨著指紋庫(kù)容量的快速增長(zhǎng)，由于識(shí)別準(zhǔn)確率無(wú)法持續(xù)提高，基于特征點(diǎn)的傳統(tǒng)指紋識(shí)別技術(shù)遇到瓶頸。與此同時(shí)以深度學(xué)習(xí)技術(shù)為代表的人工智能技術(shù)開始在指紋識(shí)別領(lǐng)域嶄露頭角。

1 AFIS的技術(shù)發(fā)展

指紋自動(dòng)識(shí)別系統(tǒng)的研究與開發(fā)是一門多學(xué)科融合的技術(shù)[3]，涉及應(yīng)用數(shù)學(xué)、信息技術(shù)、法庭科學(xué)多個(gè)領(lǐng)域，這三個(gè)領(lǐng)域可以進(jìn)一步細(xì)分為若干個(gè)二級(jí)領(lǐng)域。其中，應(yīng)用數(shù)學(xué)解決特征提取、特征比對(duì)的核心算法；信息技術(shù)解決數(shù)據(jù)組織、數(shù)據(jù)存儲(chǔ)、任務(wù)管理、人機(jī)交互等技術(shù)環(huán)節(jié)；法庭科學(xué)既是AFIS的應(yīng)用領(lǐng)域，又擔(dān)負(fù)著探究指紋識(shí)別的原理和指引其發(fā)展方向的任務(wù)。

AFIS系統(tǒng)的發(fā)展與信息化領(lǐng)域相關(guān)學(xué)科的發(fā)展密切相關(guān)[4]。當(dāng)涉及的學(xué)科領(lǐng)域有新的技術(shù)出現(xiàn)，都會(huì)在法庭科學(xué)領(lǐng)域得到應(yīng)用，從而促進(jìn)AFIS向前發(fā)展，不斷邁上新的臺(tái)階。

1.1 基于模式識(shí)別技術(shù)的指紋特征識(shí)別算法

基于特征點(diǎn)的指紋自動(dòng)識(shí)別算法的思路來(lái)自于人工指紋鑒定方法[5-6]。此方法依賴于對(duì)指紋細(xì)節(jié)特征點(diǎn)進(jìn)行提取，而模式識(shí)別技術(shù)及一系列衍生方法的研究很好地解決了這一難題，進(jìn)而能根據(jù)兩個(gè)特征點(diǎn)集合間的最大匹配度計(jì)算出兩枚指紋的相似度。

1.2 基于Web技術(shù)的指紋信息系統(tǒng)

網(wǎng)絡(luò)技術(shù)的發(fā)展，特別是金盾工程的實(shí)施，使得AFIS系統(tǒng)從單機(jī)版升級(jí)為網(wǎng)絡(luò)版[7]。隨著網(wǎng)絡(luò)帶寬和電腦終端性能的提升，主流的AFIS系統(tǒng)均已經(jīng)實(shí)現(xiàn)了基于Web技術(shù)的B/S交互，大大降低了AFIS的應(yīng)用門檻，實(shí)現(xiàn)了系統(tǒng)的應(yīng)用普及。

1.3 基于高性能計(jì)算的指紋比對(duì)

進(jìn)入21世紀(jì)，隨著指紋庫(kù)容量的不斷升級(jí)，比對(duì)速度成為應(yīng)用瓶頸?？蒲袡C(jī)構(gòu)利用以并行計(jì)算、分布式計(jì)算為代表的一系列高性能計(jì)算技術(shù)，實(shí)現(xiàn)了指紋比對(duì)的加速，支撐起了千萬(wàn)人級(jí)乃至更高量級(jí)指紋庫(kù)的應(yīng)用[8-10]。

隨著指紋庫(kù)容量的進(jìn)一步擴(kuò)大以及人像等其他生物識(shí)別技術(shù)的應(yīng)用，AFIS的破案率不斷下降，需要通過(guò)不斷追加硬件設(shè)備的方式維持系統(tǒng)的比對(duì)效率。同時(shí)由于各主流指紋算法原理接近，均為使用細(xì)節(jié)特征進(jìn)行比對(duì)，大量因圖像問(wèn)題造成特征點(diǎn)提取或標(biāo)注不準(zhǔn)確的現(xiàn)場(chǎng)指紋未能被比中。傳統(tǒng)的細(xì)節(jié)特征點(diǎn)匹配算法經(jīng)過(guò)多年的不斷研究升級(jí)，已經(jīng)面臨著技術(shù)瓶頸。

2 人工智能技術(shù)

人工智能（artifi cial intelligence, AI）是計(jì)算機(jī)學(xué)科的一個(gè)分支，近三十年來(lái)它發(fā)展迅速，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，無(wú)論在理論和實(shí)踐上都已自成體系[11-12]。人工智能是研究使用計(jì)算機(jī)來(lái)模擬人的某些思維過(guò)程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，幾乎涉及自然科學(xué)和社會(huì)科學(xué)的所有學(xué)科，其范圍已遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)科學(xué)的范疇。人工智能技術(shù)廣泛應(yīng)用在圖像識(shí)別等多個(gè)領(lǐng)域。指紋識(shí)別是人工智能技術(shù)在圖像識(shí)別領(lǐng)域的一個(gè)具體應(yīng)用，近年來(lái)已有國(guó)內(nèi)外多個(gè)科研機(jī)構(gòu)對(duì)人工智能在指紋自動(dòng)識(shí)別方面的應(yīng)用開展了研究工作[13-18]。

根據(jù)計(jì)算機(jī)領(lǐng)域各項(xiàng)技術(shù)產(chǎn)生、發(fā)展、成熟的普遍規(guī)律，把基于人工智能的指紋識(shí)別技術(shù)發(fā)展分為三個(gè)階段。

1）初始發(fā)展階段。隨著近年來(lái)人工智能新技術(shù)的出現(xiàn)和設(shè)備計(jì)算能力的提升，將已有的成熟技術(shù)方法直接在指紋識(shí)別領(lǐng)域應(yīng)用，成為最快捷的方法。如：使用較為成熟的分類網(wǎng)絡(luò)甚至人像識(shí)別等技術(shù)進(jìn)行指紋的分類識(shí)別。由于沒有針對(duì)性的改進(jìn)，初期的性能較差，僅靠實(shí)驗(yàn)才能判定某種方法的有效性。此階段人工智能技術(shù)僅能開展圖像質(zhì)量處理、特征提取和簡(jiǎn)單分類等工作，可以作為傳統(tǒng)算法的一種補(bǔ)充。

2）并行發(fā)展階段。在簡(jiǎn)單套用的基礎(chǔ)上，根據(jù)指紋的特點(diǎn)對(duì)技術(shù)方法進(jìn)行改進(jìn)。無(wú)論是訓(xùn)練數(shù)據(jù)的選取還是網(wǎng)絡(luò)結(jié)構(gòu)的搭建，都體現(xiàn)出指紋自身的特點(diǎn)。如：根據(jù)指紋脊線的平均寬度設(shè)置卷積窗口的尺度，可以大幅提高采樣的有效性。新的算法可以滿足主流應(yīng)用需求，與基于特征點(diǎn)的傳統(tǒng)算法之間存在互補(bǔ)性?？梢詫烧咄ㄟ^(guò)在算法之上進(jìn)行并行應(yīng)用，實(shí)現(xiàn)算法之間的互補(bǔ)，達(dá)到綜合應(yīng)用的最優(yōu)性能。

3）全面趕超階段。此階段，新算法在綜合識(shí)別準(zhǔn)確率和速度指標(biāo)上大大超出傳統(tǒng)算法，新的系統(tǒng)可以完全替代原有系統(tǒng)。此階段仍然需要指紋專家參與最終的認(rèn)定，但工作量大大減少。這就需要在指紋圖像特性、人工智能基礎(chǔ)理論、現(xiàn)有技術(shù)方法三方面相結(jié)合的基礎(chǔ)上，逐漸開發(fā)并完善全新算法。新的算法雖然還需要對(duì)現(xiàn)有技術(shù)進(jìn)行借鑒，但其應(yīng)具有較完備的理論支撐，能夠有的放矢地去調(diào)整算法進(jìn)行性能改進(jìn)，對(duì)于算法出現(xiàn)的各種性能問(wèn)題做到可解釋。

當(dāng)前，業(yè)內(nèi)整體處于從第一階段向第二階段過(guò)渡時(shí)期。人工智能在圖像識(shí)別領(lǐng)域最常采用的技術(shù)是深度學(xué)習(xí)（deep learning）。深度學(xué)習(xí)技術(shù)通過(guò)建立具有多層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)（artifi cial neural networks），實(shí)現(xiàn)了模擬人類對(duì)圖像中所包含內(nèi)容進(jìn)行識(shí)別分辨的初級(jí)人工智能[12,19-21]。神經(jīng)網(wǎng)絡(luò)的應(yīng)用在20世紀(jì)90年代曾經(jīng)流行，但由于當(dāng)時(shí)的計(jì)算機(jī)性能不高，僅限于構(gòu)建淺層神經(jīng)網(wǎng)絡(luò)，而淺層網(wǎng)絡(luò)難以從高維數(shù)據(jù)中自動(dòng)學(xué)習(xí)到有效的特征表達(dá)。相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，當(dāng)前的深度神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)是具有更大的深度和維度即網(wǎng)絡(luò)層數(shù)和每層節(jié)點(diǎn)數(shù)，可以實(shí)現(xiàn)對(duì)高分辨率的圖像進(jìn)行特征提取。

3 深度學(xué)習(xí)技術(shù)在指紋領(lǐng)域的應(yīng)用

基于深度學(xué)習(xí)的基礎(chǔ)理論，衍生出了大量結(jié)構(gòu)各異的深度神經(jīng)網(wǎng)絡(luò)（deep neural network, DNN），如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，在很多應(yīng)用領(lǐng)域均取得了良好的效果。在指紋領(lǐng)域，借助深度神經(jīng)網(wǎng)絡(luò)對(duì)高分辨率圖像特征學(xué)習(xí)和提取的優(yōu)勢(shì)，可以將深度學(xué)習(xí)技術(shù)應(yīng)用于對(duì)指紋圖像的特征識(shí)別、特征壓縮和特征匹配。深度學(xué)習(xí)技術(shù)的應(yīng)用改變了若干年以來(lái)的指紋識(shí)別算法的設(shè)計(jì)規(guī)則。深度學(xué)習(xí)進(jìn)行指紋識(shí)別基于圖像特征而不是傳統(tǒng)的細(xì)節(jié)特征。這些特征可以用一維數(shù)組的方式進(jìn)行存儲(chǔ)，稱為特征向量。以特征向量為基礎(chǔ)，對(duì)指紋進(jìn)行相似程度的比較。

3.1 指紋圖像特征向量的構(gòu)建

傳統(tǒng)的指紋識(shí)別算法以指紋細(xì)節(jié)特征點(diǎn)的提取和匹配作為算法的主要工作目標(biāo)和性能評(píng)判標(biāo)準(zhǔn)，而深度學(xué)習(xí)方法可以創(chuàng)建由指紋整體圖像在多重變換及降維后得到的多尺度多形態(tài)的圖像特征，并由此構(gòu)成特征向量。該特征向量的維度大小可由設(shè)計(jì)者通過(guò)設(shè)置網(wǎng)絡(luò)的輸入維度來(lái)進(jìn)行調(diào)整。為了保證包含足夠的信息量，指紋特征向量通常應(yīng)在100以上。特征規(guī)模與其對(duì)原始指紋的描述程度成正比，更高的特征規(guī)模意味著能夠在更高的維度表現(xiàn)出指紋圖像的更多潛在特征。圖像的特征向量由構(gòu)成圖像的所有像素轉(zhuǎn)換生成，因此圖像特征向量相比細(xì)節(jié)特征點(diǎn)具有更高層級(jí)的對(duì)于指紋圖像信息的表達(dá)能力。與細(xì)節(jié)特征點(diǎn)不同的是，DNN提取的特征是經(jīng)過(guò)壓縮后的圖像特征，每個(gè)特征都不能直觀地看到其所表達(dá)的內(nèi)容。特征向量的大小相對(duì)于傳統(tǒng)方法提取的數(shù)量為100左右的細(xì)節(jié)特征點(diǎn)而言，處于同一數(shù)量級(jí)。由于DNN可對(duì)指紋有效區(qū)域內(nèi)所有圖像形態(tài)的隱性特征進(jìn)行提取，對(duì)于無(wú)特征點(diǎn)區(qū)域和特征點(diǎn)難以定位的圖像區(qū)域，DNN具有先天的技術(shù)優(yōu)勢(shì)。特征向量生成網(wǎng)絡(luò)的實(shí)現(xiàn)方式有很多種，下面以訓(xùn)練指紋紋型分類網(wǎng)絡(luò)為例，對(duì)于特征向量的構(gòu)建方法進(jìn)行說(shuō)明。構(gòu)建步驟如下：

1）創(chuàng)建指紋的訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本。

2）設(shè)計(jì)分類深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建網(wǎng)絡(luò)并初始化。

3）使用訓(xùn)練樣本對(duì)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)自動(dòng)通過(guò)損失函數(shù)來(lái)對(duì)其參數(shù)進(jìn)行調(diào)整，使用驗(yàn)證樣本進(jìn)行準(zhǔn)確性的校驗(yàn)。

4）當(dāng)網(wǎng)絡(luò)訓(xùn)練收斂到符合準(zhǔn)確性要求后，使用測(cè)試樣本進(jìn)行測(cè)試，得到網(wǎng)絡(luò)的分類性能。

3.2 基于深度學(xué)習(xí)的指紋識(shí)別基本技術(shù)方案

深度學(xué)習(xí)進(jìn)行指紋識(shí)別的基本技術(shù)方案是通過(guò)將較高分辨率的指紋圖片多次降維及神經(jīng)網(wǎng)絡(luò)映射變換，得到圖像的特征向量。通過(guò)將兩枚指紋的特征向量進(jìn)行空間距離比較，得到兩枚指紋的相似度。應(yīng)用流程見圖1。

這其中涉及的主要技術(shù)環(huán)節(jié)如下：

1）網(wǎng)絡(luò)模型的設(shè)計(jì)：在應(yīng)用需求的牽引下，確定深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。主要包括設(shè)計(jì)網(wǎng)絡(luò)兩端的輸入輸出數(shù)據(jù)維度、網(wǎng)絡(luò)層數(shù)、每層采用的結(jié)構(gòu)、網(wǎng)絡(luò)優(yōu)化器的類型等等。用于指紋圖像的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)通常設(shè)計(jì)由若干卷積層、池化層和多個(gè)全連接層組成。

2）訓(xùn)練數(shù)據(jù)的準(zhǔn)備：根據(jù)網(wǎng)絡(luò)模型的輸入和輸出設(shè)計(jì)選取數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和校驗(yàn)，分為訓(xùn)練數(shù)據(jù)和校驗(yàn)數(shù)據(jù)，其中以訓(xùn)練數(shù)據(jù)為主。數(shù)據(jù)選取的一般原則：典型有代表性、不同類別分布均勻、數(shù)據(jù)量充足。對(duì)于有監(jiān)督學(xué)習(xí)模式，要對(duì)所有的數(shù)據(jù)標(biāo)注標(biāo)簽，如：進(jìn)行紋型識(shí)別時(shí)要對(duì)訓(xùn)練的指紋圖像標(biāo)注好現(xiàn)有的紋型類別，細(xì)節(jié)特征點(diǎn)提取時(shí)要對(duì)某部分圖像是否含有特征點(diǎn)進(jìn)行標(biāo)注。對(duì)于無(wú)監(jiān)督學(xué)習(xí)，往往也要將數(shù)據(jù)分組分類，如進(jìn)行指紋匹配訓(xùn)練時(shí)，要先將重卡或比中的數(shù)據(jù)放在同一組中。面向應(yīng)用的開發(fā)以數(shù)據(jù)為驅(qū)動(dòng)，合理的數(shù)據(jù)選取會(huì)讓開發(fā)事半功倍。

3）模型的訓(xùn)練和調(diào)優(yōu)：神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練就是向網(wǎng)絡(luò)輸入足夠多的樣本數(shù)據(jù)，通過(guò)優(yōu)化算法調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)（主要是調(diào)節(jié)網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的權(quán)值），使網(wǎng)絡(luò)的輸出與預(yù)期值相符。訓(xùn)練往往需要大量的循環(huán)迭代，持續(xù)較長(zhǎng)時(shí)間。每隔一定的循環(huán)次數(shù)，要用校驗(yàn)數(shù)據(jù)檢驗(yàn)是否達(dá)到預(yù)期。對(duì)于不收斂和遲遲不能達(dá)到預(yù)期的網(wǎng)絡(luò)要及時(shí)調(diào)整網(wǎng)絡(luò)設(shè)置。

4）特征向量的提取存儲(chǔ)：當(dāng)網(wǎng)絡(luò)訓(xùn)練符合預(yù)期，需要將網(wǎng)絡(luò)中指紋圖像的變換結(jié)果固化，避免多次重復(fù)計(jì)算。指紋識(shí)別1對(duì)N的比對(duì)模式，意味著對(duì)于每個(gè)比對(duì)任務(wù)，指紋庫(kù)中所有指紋都要進(jìn)行一次單循環(huán)的比對(duì)。顯然每次加載指紋圖像比對(duì)時(shí)間過(guò)長(zhǎng)，存儲(chǔ)空間也難以滿足。深度學(xué)習(xí)的主要計(jì)算量集中在將圖像進(jìn)行空間映射變換操作中，而全連接層結(jié)點(diǎn)向量之間的相似度計(jì)算量很小。因此在網(wǎng)絡(luò)不變的情況下，將網(wǎng)絡(luò)中最后一層的結(jié)點(diǎn)向量值作為指紋經(jīng)轉(zhuǎn)換后得到的特征向量值進(jìn)行保存。該特征向量作為該枚指紋的抽象特征表達(dá)，可以直接參與指紋識(shí)別計(jì)算。

3.3 關(guān)鍵技術(shù)

在開發(fā)過(guò)程中，針對(duì)不同的需求和應(yīng)用模式，要使用不同的模型設(shè)計(jì)或組合方法。如：正查、反查所用的訓(xùn)練數(shù)據(jù)和網(wǎng)絡(luò)模型會(huì)有所區(qū)別。但無(wú)論哪種應(yīng)用模式都會(huì)涉及如下幾個(gè)關(guān)鍵技術(shù)環(huán)節(jié)。

1）圖像的預(yù)處理。深度學(xué)習(xí)可以直接對(duì)指紋圖像進(jìn)行降維和特征提取，并能達(dá)到相當(dāng)不錯(cuò)的識(shí)別效果。像傳統(tǒng)方式那樣對(duì)指紋圖像進(jìn)行預(yù)處理成為可選的步驟。預(yù)處理的優(yōu)點(diǎn)是能夠大大降低圖像噪聲、使圖像灰度均衡化、得到指紋的有效區(qū)域，缺點(diǎn)是使得圖像中部分固有特征消失。圖像固有特征在細(xì)節(jié)點(diǎn)提取時(shí)無(wú)需關(guān)注，但在深度學(xué)習(xí)中卻至關(guān)重要。

2）網(wǎng)絡(luò)模型的深度定義。深度神經(jīng)網(wǎng)絡(luò)的層數(shù)越多越能提取圖像的本質(zhì)特征，而相對(duì)淺層網(wǎng)絡(luò)可以提取到圖像的表象特征。二者對(duì)圖像的區(qū)分能力各有側(cè)重，淺層網(wǎng)絡(luò)側(cè)重于表達(dá)局部的細(xì)節(jié)形態(tài)，層數(shù)增加則更有利于學(xué)習(xí)到圖像整體的特征。例如，對(duì)細(xì)節(jié)特征的分辨就不宜使用較深的網(wǎng)絡(luò)，而紋型的識(shí)別則推薦使用層數(shù)較多的網(wǎng)絡(luò)完成。開發(fā)者需要根據(jù)不同應(yīng)用場(chǎng)景，設(shè)計(jì)相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)、層數(shù)及參數(shù)設(shè)置。

3）圖像的降維。指紋圖像的采集普遍采用較高分辨率，如公安行業(yè)標(biāo)準(zhǔn)規(guī)定指紋采集的分辨率為500 dpi[22]。高分辨率圖像中存在不同尺度的信息，如指紋紋線的間距一般為5～9像素，判斷方向場(chǎng)要根據(jù)紋線間距進(jìn)行窗口的設(shè)計(jì)，而不同類型的細(xì)節(jié)特征點(diǎn)可以在3×3至7×7的二維區(qū)域內(nèi)進(jìn)行識(shí)別。高分辨圖像維度遠(yuǎn)超存儲(chǔ)和比對(duì)所能接受的量級(jí)，必須對(duì)圖像進(jìn)行合理且有效的降維，也就是通過(guò)設(shè)計(jì)合理的計(jì)算窗口，將窗口內(nèi)的像素按一定規(guī)律合并，同時(shí)使得窗口內(nèi)的原有信息在合并之后仍然能夠相互區(qū)別。通常要經(jīng)過(guò)若干次降維才能達(dá)到所需的維度。降維主要采用卷積計(jì)算的方式。

4）特征向量的維度。特征向量的內(nèi)容與網(wǎng)絡(luò)結(jié)構(gòu)直接相關(guān)。深度神經(jīng)網(wǎng)絡(luò)的每層輸出都作為新的特征輸入到下一層的網(wǎng)絡(luò)中。實(shí)踐中往往提取網(wǎng)絡(luò)中最后一個(gè)全連接層的一維向量作為最終的識(shí)別特征向量。向量維度大小是識(shí)別環(huán)節(jié)中最重要的參數(shù)，相當(dāng)于現(xiàn)行的指紋標(biāo)準(zhǔn)中對(duì)特征點(diǎn)數(shù)量的定義，對(duì)系統(tǒng)運(yùn)行性能和數(shù)據(jù)存儲(chǔ)空間有很強(qiáng)的影響。過(guò)大的特征向量會(huì)導(dǎo)致系統(tǒng)性能下降，而過(guò)小的則會(huì)影響準(zhǔn)確性。初期的經(jīng)驗(yàn)值往往在1 024級(jí)別左右，但隨著研究的深入，我們發(fā)現(xiàn)更低量級(jí)的特征向量也可以較好地對(duì)指紋進(jìn)行表達(dá)。

3.4 常用的基本網(wǎng)絡(luò)模型示例

3.4.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[23-24]是近年來(lái)圖像識(shí)別方面最流行的深度神經(jīng)網(wǎng)絡(luò)，通過(guò)它可以實(shí)現(xiàn)對(duì)輸入的指紋圖像進(jìn)行降維、降噪、分類等一系列功能。卷積操作本質(zhì)上是一種壓縮技術(shù)，通過(guò)卷積計(jì)算，可以對(duì)指紋圖像進(jìn)行有效的降維，將大圖逐漸縮小為小圖。深度學(xué)習(xí)技術(shù)之所以能夠?qū)Ω叻直媛实闹讣y圖像實(shí)現(xiàn)高速有效的特征提取，卷積網(wǎng)絡(luò)的使用功不可沒。圖2為使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行紋型分類的示意圖。

3.4.2 自編碼器

對(duì)于無(wú)監(jiān)督的深度學(xué)習(xí)，可以使用同樣的指紋圖像同時(shí)作為輸入和輸出數(shù)據(jù)，也就是指紋圖像自己做自己的標(biāo)簽，這樣的網(wǎng)絡(luò)模型稱為自編碼器[25-26]。訓(xùn)練自編碼器要達(dá)到的目標(biāo)是：通過(guò)編碼網(wǎng)絡(luò)進(jìn)行指紋圖像的壓縮編碼、得到壓縮特征表達(dá)，再通過(guò)解碼網(wǎng)絡(luò)反向計(jì)算還原成原圖。也就是中間的壓縮特征可作為指紋的特征向量在后續(xù)的識(shí)別中使用。圖3為指紋圖像自編碼器的示意圖。

3.4.3 卷積自編碼器

將卷積神經(jīng)網(wǎng)絡(luò)和自編碼器相結(jié)合，稱為卷積自編碼器[27-28]，是自編碼器的一種具體實(shí)現(xiàn)方法。如果將輸出的指紋加以變換，也可以讓網(wǎng)絡(luò)學(xué)習(xí)到變換的規(guī)律。如將指紋圖像原圖對(duì)應(yīng)的細(xì)化圖作為重構(gòu)圖像，則通過(guò)網(wǎng)絡(luò)訓(xùn)練可以實(shí)現(xiàn)指紋圖像細(xì)化的深度神經(jīng)網(wǎng)絡(luò)。見圖4。

4 AFIS性能測(cè)試及比較

2016年以來(lái)，國(guó)際國(guó)內(nèi)已經(jīng)有多個(gè)研究機(jī)構(gòu)開展了基于人工智能的指紋自動(dòng)識(shí)別技術(shù)研究工作，很多AFIS研發(fā)企業(yè)都參與其中。目前大多數(shù)成果處于試驗(yàn)階段或與傳統(tǒng)算法混合使用，形成獨(dú)立產(chǎn)品的屈指可數(shù)。本章給出對(duì)目前國(guó)內(nèi)某基于人工智能技術(shù)的AFIS（記為A系統(tǒng)）核心算法的性能測(cè)試情況，并將其與國(guó)內(nèi)幾個(gè)主流的傳統(tǒng)AFIS產(chǎn)品（分別記為B系統(tǒng)、C系統(tǒng)、D系統(tǒng)、E系統(tǒng)）的測(cè)試結(jié)果進(jìn)行比較。

4.1 某人工智能算法的性能測(cè)試

4.1.1 正查測(cè)試

從某公安機(jī)關(guān)AFIS系統(tǒng)中選取部分具有代表性的比中關(guān)系，由指紋專家逐一核對(duì)檢視確認(rèn)，整理出現(xiàn)場(chǎng)檔案比對(duì)關(guān)系6 227對(duì)。

將比中的檔案指紋與500萬(wàn)人員的指紋庫(kù)隨機(jī)混合在一起。使用A系統(tǒng)將現(xiàn)場(chǎng)指紋逐一在指紋庫(kù)中進(jìn)行比對(duì)。目標(biāo)現(xiàn)場(chǎng)指紋比對(duì)結(jié)果候選隊(duì)列前200位的有4 231枚，占67.9%；未進(jìn)入前200位的視為漏比，占32.1%。比中情況見表1。

表1 人工智能算法正查測(cè)試Table 1 Scene fi ngerprint matching to the archived fi ngerprint by AI algorithm

4.1.2 查重測(cè)試

在某公安機(jī)關(guān)收集的全國(guó)指紋庫(kù)中抽取用于測(cè)試的十指指紋數(shù)據(jù)，其中有重卡的十指指紋和無(wú)重卡的十指指紋各10 000人份。經(jīng)進(jìn)一步核對(duì)，確定20人份十指指紋無(wú)效，10 640人份有重卡、9 340人份無(wú)重卡，合計(jì)19 980人份十指指紋作為測(cè)試數(shù)據(jù)。將數(shù)據(jù)混入正查的500萬(wàn)人指紋庫(kù)中，在A系統(tǒng)中進(jìn)行查重測(cè)試，共聲明比中十指指紋重卡9 281人份。經(jīng)人工核對(duì)，情況見表2。

表2 人工智能算法查重測(cè)試Table 2 Searching for the repetitive archived fi ngerprint by AI algorithm

在19 980人份十指指紋數(shù)據(jù)中，A系統(tǒng)共聲明比中十指指紋重卡9 281人份，經(jīng)專家人工核對(duì)，有9 159人份為正確比中關(guān)系，有1 481人份未比中。無(wú)重卡的9 340人中，有122人份為錯(cuò)誤比中關(guān)系。由此可計(jì)算出綜合比中率、錯(cuò)比率、漏比率。綜合比中率為重卡數(shù)據(jù)查出率和無(wú)重卡數(shù)據(jù)未錯(cuò)識(shí)率的綜合比率，綜合比中率=[查出率+ (100%-錯(cuò)識(shí)率)]/ 2 =[86.1%+ (100%-1.3%)] / 2 = 92.4%。錯(cuò)比率為總量指紋中錯(cuò)誤比出的概率，錯(cuò)比率=錯(cuò)誤聲明比中數(shù)量/總量=122/19 980 ≈ 0.61%；漏比率為總量指紋中未正確比出的概率，漏比率=未比中數(shù)量/總量=1 481/19 980≈7.41%。

4.2 性能對(duì)照

對(duì)國(guó)內(nèi)幾個(gè)主流的AFIS產(chǎn)品，使用同樣的數(shù)據(jù)進(jìn)行了正查和查重測(cè)試。由于B、C、D、E系統(tǒng)是基于人工標(biāo)注現(xiàn)場(chǎng)指紋特征點(diǎn)，部分指紋存在兩種及以上的標(biāo)注方法，對(duì)每種標(biāo)注方法作為單獨(dú)的任務(wù)進(jìn)行提交，因此總?cè)蝿?wù)數(shù)會(huì)大于6 227，達(dá)到6 496。結(jié)果對(duì)照見表3、表4。

表3 多系統(tǒng)正查測(cè)試結(jié)果對(duì)照表Table 3 Comparison for scene fi ngerprint matching to archived fi ngerprint among multiple algorithms

表4 多系統(tǒng)查重測(cè)試結(jié)果對(duì)照表Table 4 Comparison for searching the repetitive archived fi ngerprint among multiple algorithms

5 展望

不斷提升的指紋應(yīng)用需求是指紋自動(dòng)識(shí)別技術(shù)的發(fā)展動(dòng)力。隨著指紋數(shù)據(jù)庫(kù)容量的增加，自動(dòng)識(shí)別技術(shù)的發(fā)展，新的技術(shù)取代舊的技術(shù)是必然趨勢(shì)。從指紋識(shí)別所屬的模式識(shí)別、圖像處理領(lǐng)域看，以深度學(xué)習(xí)為代表的人工智能技術(shù)已經(jīng)取得了大量令人矚目的成果，大大推動(dòng)了這些領(lǐng)域的科技進(jìn)步和應(yīng)用發(fā)展。在指紋領(lǐng)域，經(jīng)過(guò)探索，已經(jīng)出現(xiàn)了性能不低于主流AFIS產(chǎn)品的人工智能算法。隨著指紋應(yīng)用需求的不斷豐富，以及人工智能技術(shù)的不斷進(jìn)步和新技術(shù)的產(chǎn)生，基于深度學(xué)習(xí)的指紋自動(dòng)識(shí)別技術(shù)將不斷發(fā)展完善，邁向最終的全面趕超階段。