一種利用稀有細節改善匹配器的指紋自動識別方法

陳磊

天津公安警官職業學院 刑事技術系,天津300382

犯罪現場遺留下的指紋被稱為隱約指紋[1]，是最常見的司法鑒定證據，并且已經在刑事調查中存在超過100 年的使用歷史，但隱約指紋的比對并不簡單。這主要是因為犯罪現場得到的隱約指紋質量不佳。當發現隱約指紋時，司法人員首先會使用自動指紋識別系統[2]（Automatic Fingerprint Identification System,AFIS）在犯罪數據庫中搜索嫌疑人。若發現匹配，則此人將會就此接受調查。法醫檢查人員需要就隱約指紋是否屬于某個特定個體作出判定（識別或匹配）。通常按照指紋摩擦嵴檢查，通過分析、比較、評價和驗證方法[3]來制定決策。

為提高匹配效率，文獻[4]在隱約指紋匹配中提出了“熄燈系統”的概念。文獻[5]結合了局部和全局方法以進行細節特征匹配。該方法對兩個指紋之間的密集形變域進行估計，以移除形變的負面影響。文獻[6]使用各種擴展指紋特征對不同算法進行了分數層融合。文獻[7]提出了一種基于局部圖像質量的方法，其中在高分辨率1000 ppi 指紋圖像上應用了擴展指紋特征，擴展特征與一級和二級細節特征[8]相結合，可被用于生成基于質量的似然比，以提高識別性能。

以上方法涉及稀有細節的非常少，本文提出的方法旨在通過整合提取出的可靠的稀有細節特征，提升基于細節的匹配器對不完整的隱約指紋的識別準確度。所提算法根據存在的稀有細節特征（例如斷線、閉環、斑點、中斷等），對基于細節的匹配器的相似性得分進行修正。根據隱約指紋和十指指紋樣本的細節特征集合之間的仿射變換的最小二乘擬合，對匹配或不匹配情況進行自動判定。

1 數據庫

本文使用的數據庫是Guardia 民事數據庫（Guardia Civil Data Base,GCDB）。GCDB 是真實的法醫指紋案例數據庫，該數據庫不但包含典型的細節特征類型（嵴終止、分叉），而且還有一些稀有特征類型，包括斷線、閉環、斑點、中斷等。數據庫中某個樣本指紋中的特征細節如圖1 所示，其中，典型特征如嵴終止、分叉；擴展特征如匯聚、嵴交叉、閉環；奇異點如核心、三角。GCDB中使用的稀有細節特征如圖2 所示。

圖1 數據庫中某個樣本指紋中的特征細節Fig.1 Feature details in a sample fingerprint in a database

圖2 某司法機構使用的細節特征Fig.2 Detailed features of the use of a judicial body

針對十指指紋樣本生成理想的細節特征集（即所有可能的細節特征），本文使用了VeriFinger細節特征提取器模塊[9]。執行基于Gabor 濾波的全局后處理，以消除前景之外的任何虛假細節特征。即，Gabor 濾波用于得到感興趣區域（Region of Interest,RoI）。然后，移除VeriFinger 生成的在RoI之外的虛假細節點。VeriFinger 僅從指紋圖像中提取典型的細節特征。接著，將十指指紋細節特征集的稀有細節特征，加入經過了后處理的VeriFinger 生成的十指指紋細節特征集。如果隱約指紋細節特征集與對應的十指指紋細節特征集的數量不相等，則前者僅作為十指指紋細節特征集的一個子集。隱約指紋細節特征的平均數量為13 個，十指指紋則為125 個。

2 識別算法

假定提出的算法中，稀有特征并不總是具有可重復性，且不會在多次捕捉（人工或自動生成）中始終得到一致的標注[10]。與細節特征匹配器能夠處理配對指紋圖像之間的變化一樣，所提算法也能夠處理這種內部變化。本文僅側重于使用真實數據（其中多次捕捉之間的內部變化是自然存在的），分析這些稀有細節特征可以在多大程度上改善現有的AFIS。GCDB 中的隱約指紋在本質上是高度不完整的，平均每個隱約指紋包含13 個細節點。為了在隱約指紋細節點和十指指紋樣板細節點（平均125 個細節點）之間進行適當的對齊，需要一個可靠的參考點。本文將稀有細節特征作為參考點來執行對齊。

設L和M分別表示隱約指紋和十指指紋樣板的細節點集合。每個細節點表示為一個四元組m={x,y,θ,t}，其表示坐標位置(x,y)、細節點角度θ和細節點類型t：

式中：p和q分別為L和M中的細節點數量。若t＞2，則該細節點為稀有類型，[×]T表示轉置。

提出的算法從一個細節特征匹配器中生成加權相似性得分，分為兩個步驟。僅在其中包含稀有細節點特征的時候，才對細節特征匹配器的相似性得分進行修正。

算法的第一個階段先針對隱約細節點集合到十指指紋樣板細節點集合的仿射變化，以估計出最小二乘擬合誤差。算法的第二個階段則基于擬合誤差，對細節特征匹配器所生成的相似性得分進行修正。圖3 展示了使用提出的算法，為細節特征匹配器進行得分修正的步驟順序圖。其中，AFIS 匹配器是獨立于提出的基于稀有特征的算法而運行的。提出的算法生成的新得分是對AFIS 匹配器標準輸出得分的融合。

圖3 本文指紋識別的流程圖Fig.3 Flow chart of fingerprint recognition in this paper

3 結果與分析

GCDB 中包含268 個隱約指紋和與之對應的268 個十指指紋樣板圖像和細節點。其中151 個指紋圖像的細節特征集中包含稀有細節特征，其他指紋僅包含分叉和嵴終止特征。本文在151 對隱約和十指指紋樣本集合上進行實驗，以證明提出的算法能夠使用稀有細節特征，提升原本使用典型細節特征的匹配器的指紋識別準確率。為進行評估，使用了兩種細節特征匹配器，分別為指紋驗證軟件開發工具包（Verified Finger Software Development Kit,VeriFinger-SDK）[9]和細節圓柱編碼軟件開發工具包（Minutia Cylinder Code-Software Development Kit，MCC-SDK）[11]。其中，VeriFinger 是學術界廣泛使用的商用SDK，MCC-SDK 則是知名的細節特征匹配器。在實驗的識別準確度報告中，共計151 個匹配比較和151×150 個不匹配比較。

3.1 分數融合

本文基于加和規則對得分進行融合，在區間[0,1]內對細節匹配器得到的相似性得分進行歸一化。

圖4（a）和4（b）分別給出了匹配器VeriFinger-SDK 和MCC-SDK 在分數融合之前和之后的累計匹配曲線（Cumulative Matching Curve,CMC）。VeriFinger-SDK 在識別的典型細節特征相似度得分較差，MCC-SDK 的性能比前者好得多，在僅使用典型細節特征時依然得到了78.15%的Rank 識別準確率?？傊琈CC-SDK 是表現最好的局部結構細節特征匹配器。由圖4，得分融合顯著提升了所有細節特征匹配器的Rank 識別準確率。VeriFinger-SDK 和MCC-SDK 的Rank-1 識別準確率均提升了。分別從31.13%和78.15%提升至62.25%和92.72%。該階段在所有Rank 中實現了顯著和持續的性能提升。

圖4 兩種匹配器的累計匹配曲線比較Fig.4 Comparison of cumulative matching curves of two matchers

3.2 基于擬合誤差閾值的分數修正

圖5(a)和5(c)展示給出兩個匹配器尋找最優閾值的情況，圖5(b)和5(d)給出了在應用最優閾值后，rank 識別率的提升情況。由圖5(a)和5(c)可知，閾值變化范圍為0.8 至1.0，大部分擬合誤差相似度數值集中在這一區域。圖5(b)給出了VeriFinger-SDK 基于最優閾值的CMC 曲線。在使用0.93 的最優閾值時，VeriFinger-SDK 的Rank-1 識別準確率從31.13%大幅提升值77.48%。在使用提出的算法并將稀有細節信息納入考量后，VeriFinger-SDK 的Rank 識別準確率也得到了顯著的持續提升。類似地，圖5(d)給出了MCC-SDK 的最優CMC 曲線。當使用0.95 的最優閾值時（見圖5(c)），MCC-SDK最高實現了96.03%的Rank-1 識別準確率，所提算法穩定提升了Rank 識別性能。

圖5 基于擬合誤差閾值的分數修正實驗結果Fig.5 Experimental results of fractional correction based on fitting error threshold

4 結論與展望

本文提出的算法從稀有細節特征中提取出可靠的信息，以提升細節特征匹配器的指紋識別準確度，在廣泛使用的細節特征匹配器上驗證了所提算法的有效性。根據擬合誤差對相似性得分進行修正后，三個匹配器在識別準確率上均得到了顯著提升。即使在僅由部分隱約指紋且細節特征數量極少的情況下，提取出的稀有細節特征依然能夠提升指紋比對的魯棒性。實驗中使用了法醫鑒定人員手工提取出的稀有細節特征。更可靠的稀有細節特征的自動化提取方法，能夠大幅提高當前AFIS性能。未來研究將利用細節特征類型之間的差異，進一步提升標準AFIS 的性能，例如當結合AFIS與輔助方法時，在對齊或匹配步驟中考慮加權因子。