一种用于潜在指纹识别的自监督对比学习方法

《Pattern Recognition Letters》：A self-supervised contrastive learning approach for latent fingerprint identification

本文提出一种基于自监督对比学习的潜在指纹识别方法，通过合成真实退化数据集生成可靠细节点对应，构建导向的细节点嵌入模型，在NIST SD27和SD302数据集上实现4.25和1.66%的排名1识别率提升。

　　本文探讨了一种针对指纹识别中低数据可用性问题的解决方案，特别是针对潜伏指纹（latent fingerprints）的识别挑战。潜伏指纹通常在犯罪调查中起到关键作用，并且在法庭上被广泛接受作为证据。然而，与故意采集的滚印或拍印指纹不同，潜伏指纹是无意间留在物体表面的，因此其采集过程不受控，导致指纹质量通常较低。此外，潜伏指纹可能包含不完整印痕、噪声、失真以及未知的几何变形，这些因素使得其识别任务变得更加复杂。

在指纹识别系统中，通常需要将低质量的查询指纹与大量参考指纹进行比对。这一过程涉及多个步骤，包括增强、分割、特征提取和匹配。然而，这些步骤在处理潜伏指纹时面临诸多挑战，如噪声干扰、图像不匹配、以及局部特征缺失。传统的指纹识别方法多依赖于人工标注或基于算法的伪标签生成，这在大规模数据上并不现实，因为标注潜伏指纹的对应关系需要大量人力和时间。

为了克服这些限制，本文提出了一种自监督的对比学习框架，用于生成指纹的微细特征嵌入（minutiae embeddings）。该方法首先引入了一种合成潜伏指纹的生成器，该生成器能够从已有的滚印和拍印指纹中生成具有现实感的潜伏指纹图像。通过应用一系列精心设计的退化处理，包括几何失真、部分遮挡、光照变化、模糊、噪声以及基于真实文档的背景，使得生成的指纹更加贴近实际应用中的情况。由于每个合成潜伏指纹都来源于已知的参考指纹，因此微细特征的对应关系可以自动获取，无需额外的标注工作。

在生成的高质量潜伏指纹基础上，本文提出了一种基于微细特征的局部表示方法，将指纹建模为一系列与指纹方向对齐的微细特征中心的图像块。通过使用Siamese网络，这些图像块被训练以生成具有判别能力的嵌入表示。具体来说，网络被优化以提高真实微细特征对之间的余弦相似度，同时降低虚假微细特征对之间的相似度。本文选择使用余弦相似度而不是常见的欧氏距离，是因为余角相似度更能够捕捉指纹纹路中的角度和语义关系。

在实验方面，本文在NIST SD27和SD302数据集上进行了评估，使用了一个包含20,473个指纹的参考库。实验结果表明，该方法在SD27数据集上实现了比先前方法高4.25个百分点的排名1识别率，在SD302数据集上实现了1.66个百分点的提升。此外，该方法在实验中也表现出优于其他合成潜伏指纹生成方法的性能。为了进一步验证该方法的泛化能力，本文还引入了RVL-CDIP数据集中的复杂背景纹理，这些纹理来自超过40万张历史诉讼文件的灰度扫描，使得生成的潜伏指纹更加贴近实际应用场景。

为了确保实验的可重复性和进一步研究的可行性，本文还对每个提出的退化处理（如纹路扭曲、模糊、遮挡、背景构成等）进行了消融实验，以量化其对学习到的微细特征描述符质量的贡献。这些结果表明，每个退化处理在模拟真实潜伏指纹的多样性方面都发挥了重要作用。

本文的实验评估不仅限于传统的指纹识别任务，还包括对大规模参考库的测试，以更全面地评估模型的性能。通过引入多个关键改进，包括更现实的合成潜伏指纹生成方法、更广泛的实验验证、以及与当前最先进的合成潜伏指纹生成技术的直接比较，本文在指纹识别领域取得了重要的进展。

此外，本文还强调了指纹识别技术在实际应用中的重要性，特别是在犯罪调查和法庭鉴定中的作用。通过提高指纹识别的准确率和鲁棒性，该方法有望在实际应用中提供更可靠的支持。同时，本文也指出了当前指纹识别技术面临的挑战，如数据获取的困难、标注成本的高昂，以及对复杂环境的适应能力不足。

综上所述，本文提出了一种新的自监督对比学习框架，用于生成潜伏指纹的微细特征嵌入。该方法不仅提高了指纹识别的准确率，还增强了模型的鲁棒性和泛化能力。通过引入更现实的合成潜伏指纹生成器，以及对多个退化处理的优化，本文为指纹识别技术的发展提供了新的思路和方法。未来的研究方向可能包括进一步提高模型的性能，探索更高效的特征提取方法，以及开发更适用于复杂环境的指纹识别系统。