基于大规模数据集的指纹细节点统计分析以及精确的细节点检测方法

《Journal of Forensic Sciences》：Statistical analysis of fingerprint minutiae based on a large dataset and accurate minutiae detection method

基于62万张指纹图像的AI识别研究系统性地分析了指纹图案类型、细节点分布与手指形态的关联性，创新性地将深度学习算法应用于指纹分类、姿态估计和细节点检测，使细节点识别准确率提升至99.45%。研究揭示了涡型纹多分布于拇指和食指，环型纹集中于中指和小指，独立纹线在Delta区高度集中等分布规律，为构建概率指纹识别模型提供了量化依据。

　　

摘要

自20世纪末以来，基于指纹证据的不公正定罪以及司法审查引发了人们对指纹证据科学有效性的质疑，这促使人们有必要对指纹识别的科学基础进行研究。本文采用了最先进的人工智能算法来实现指纹模式分类、特征点定位和细节检测。通过对包含620,211张指纹图像的大规模数据集进行分析，探讨了指纹模式、特征点与手指之间的关系，并对六种类型特征点的数量和空间分布进行了统计分析：纹路末端、分叉点、突起、独立纹路、凹槽和交叉点。与以往的研究相比，特征点检测的平均准确率从97.22%提高到了99.45%。研究结果表明，旋涡状纹路最为常见，主要出现在拇指和无名指上，而环形纹路则多见于中指和小指。六种类型特征点的整体分布比例分别为：纹路末端[58.288, 58.875]、分叉点[37.874, 38.421]、突起[1.301, 1.314]、独立纹路[1.246, 1.260]、凹槽[0.415, 0.419]和交叉点[0.291, 0.295]。空间分布分析显示，独立纹路主要集中于delta区域，而其他类型的特征点则主要分布在核心区域。本文通过分析指纹模式、特征点与手指之间的关系以及特征点的空间分布，量化了不同特征点的证据价值，为建立概率指纹识别模型提供了科学统计基础，有助于提高指纹识别的客观性和科学严谨性。

利益冲突声明

作者声明没有利益冲突。