用于指纹脊线计数的机器学习

《IEEE Transactions on Biometrics, Behavior, and Identity Science》：Machine Learning for Fingerprint Ridge Counting

脊线计数方法研究提出基于全连接残差网络、卷积神经网络和Transformer的新模型，直接处理灰度图像，构建23,724个手动标注的基准数据集。实验显示卷积和Transformer模型分别达96.6%和95.6%的精确度，优于传统方法和商业方案，在NIST MINEX III评估中排名第一，并通过FVC多数据集验证了脊线计数对指纹匹配性能的显著提升。

　　

摘要：

脊线计数是标准化指纹模板中的一个重要特征，它支持互操作性，提高匹配精度，并为验证自动化决策提供了一种透明且可解释的衡量标准。然而，传统的脊线计数技术依赖于二值化和骨架化处理，容易产生伪影，从而限制了其准确性和鲁棒性。在这项研究中，我们提出并分析了基于不同架构范式的机器学习方法来进行脊线计数，例如全连接残差网络、卷积网络和Transformer技术，这些方法可以直接对原始的灰度指纹图像进行处理。作为本研究的一部分，我们引入了一个包含50名受试者手动标注的23,724条脊线计数的基准数据集。实验结果表明，基于卷积网络和Transformer的模型取得了最高的准确率，其精确的脊线计数匹配率分别为96.6%和95.6%，优于传统技术和在NIST MINEX III评估中排名靠前的商业解决方案。此外，我们还使用FVC2002基准测试研究了脊线计数对指纹匹配性能的影响，并在FVC2004和SD301数据集上进行了额外的交叉数据集测试。源代码、脊线计数数据集和训练好的模型可在https://github.com/Bonacim/ridge-count上获取。