CrossFingerprint：基于多级特征融合的3D指纹验证网络及其跨模态对比学习研究

针对接触式指纹采集易失真、传统3D点云处理效率低的问题，深圳大学团队提出CrossFingerprint网络，通过2D-3D跨模态对比学习实现特征级与分数级融合，在公开与自建数据库上达到1.21% EER（等错误率），显著提升非接触式3D指纹的匹配精度与速度。

　　

论文解读
在生物识别领域，指纹因其唯一性和永久性成为身份认证的黄金标准。然而传统接触式2D指纹采集面临卫生隐患和图像畸变问题，而新兴的非接触3D指纹技术虽能保留 ridge-valley（脊线-谷线）结构细节，却受限于点云数据量大、特征提取效率低的瓶颈。现有基于 minutiae（细节特征点）的方法依赖复杂预处理，而纯3D深度学习方法对小尺度指纹图案适应性差。这一矛盾促使深圳大学 Feng Liu 团队在《Neurocomputing》发表研究，提出革命性的 CrossFingerprint 框架。

研究采用双阶段训练策略：预训练阶段通过对比学习建立2D渲染图像与3D点云的 invariant space（不变空间）映射；微调阶段通过权重共享编码器实现跨模态特征融合。关键技术包括：1）基于点云处理的3D脊线提取算法；2）融合 Siamese network（孪生网络）的跨模态对比学习；3）特征级与分数级双融合机制。实验使用公开数据集与自建高分辨率数据库验证性能。

研究结果
3D指纹脊线提取方法
提出基于曲率分析的 ridge line 提取算法，从百万级点云中筛选关键几何特征，将数据量压缩90%以上。

跨模态对比学习框架
通过最大化2D图像与3D点云的 mutual information（互信息），预训练阶段使不同模态的同类指纹特征距离缩短67%。

多级融合验证系统
特征级融合采用 concatenation（拼接）策略，分数级融合通过可学习权重调整，最终匹配速度较传统 minutiae 方法提升8倍。

数据库验证
在包含2000枚指纹的自建数据库上达到1.21% EER，较 Finger PointNet 提升2.3个百分点，且对低质量样本鲁棒性显著增强。

结论与意义
该研究首次实现2D与3D指纹特征的端到端融合，突破传统生物识别系统对接触式采集的依赖。通过跨模态对比学习，模型无需人工标注即可挖掘模态间隐含关联，为疫情后无接触认证提供新范式。技术迁移至掌纹、静脉识别等场景的潜力，为多模态生物特征融合树立了方法论标杆。团队开源的 high-resolution 3D fingerprint 数据集将加速相关领域研究进程。