《Forensic Science International: Reports》：Revisiting overlapped fingerprint separation methods and their key requirements for forensic systems
编辑推荐：
在犯罪现场，重叠指纹（overlapped fingerprints）经常出现在常用表面上，需要分离方法以便在法医系统（forensic systems）中进行可靠的人员识别。尽管近年来已经开发了多种重叠指纹分离方法，但由于缺乏实际需求，其实用性尚未得到充分评
在犯罪现场，重叠指纹（overlapped fingerprints）经常出现在常用表面上，需要分离方法以便在法医系统（forensic systems）中进行可靠的人员识别。尽管近年来已经开发了多种重叠指纹分离方法，但由于缺乏实际需求，其实用性尚未得到充分评估。本文基于一项元研究（meta-study）对2010年至2024年间（即15年）发表的33种方法进行了全面综述。此外，研究人员确定了十项关键需求（key requirements），以加强科学方法向法医实践的转化。分析显示，指纹分离方法明显趋向于混合（hybrid）方法和基于人工智能的（AI-based）方法，这些方法既带来了新的机遇（如效率、准确性）也带来了挑战（如可靠性、可解释性）。不幸的是，研究人员发现，当前分离方法在法医系统的实际可用性方面尚无法得到令人满意的评估。这一局限性源于大多数现有研究仅涉及部分已确定的需求，或仅在一定程度上涉及，这严重阻碍了它们的实际实施。该研究强调在评估指纹分离方法时需要更加注重实践导向的方法。为了增强其现实世界适用性，研究人员强烈鼓励其他研究者解决这十项已确定的需求，从而促进理论方法向现实法医系统的转化。
1. 引言（Introduction）
指纹识别是刑事调查的基础，基于脊线和谷线的独特模式。重叠指纹常见于犯罪现场，需要分离方法以便准确识别。然而，现有法医系统通常假设只有单枚指纹，导致标准方法无法直接应用于重叠情况。尽管已有多种分离方法，但缺乏统一评估标准，阻碍了其实践应用。本研究旨在通过系统文献综述（Systematic Literature Review, SLR）梳理2010-2024年的方法，并定义十项关键需求，以加强理论向实践的转化。
1.1 问题陈述（Problem statement）
重叠指纹通常由多人多次触摸表面产生，常见于门把手、武器等。分离方法对准确识别至关重要，但现有法医系统（如自动指纹识别系统AFIS）通常假设单指纹，导致方法不适用。当前方法缺乏实际可用性的可比评估，主要由于缺少统一评估标准。
1.2 目标与研究问题（Goal and research questions）
主要目标：提供重叠指纹分离方法的最新综述，并定义用于统一评估的关键需求。研究问题包括：RQ1：评估分离方法的关键需求是什么？RQ2：当前重叠指纹分离方法的最新趋势如何？
1.3 贡献（Contributions）
通过基于SLR的元研究，综合分析了2010-2024年间的33种方法。定义了十项关键需求，系统分析了当前方法及其流程，并讨论了所得见解。结果强调了方法复杂性及实践导向不足的问题，为法医实践选择合适方法提供了初步决策支持。
1.4 结构（Structure）
文章结构：第2节介绍背景；第3节描述元研究设计；第4节提出十项需求并分析其提及程度；第5节概述分离方法；第6节讨论有效性威胁；第7节介绍相关工作；第8节给出结论。
2. 背景（Background）
2.1 潜指纹（Latent fingerprints）
潜指纹（latents）是从犯罪现场表面提取的部分指纹，通常由汗液形成。其质量受背景噪声、扭曲等因素影响，影响后续处理步骤的准确性。因此，基于统一需求选择合适方法至关重要。
2.2 重叠指纹（Overlapped fingerprints）
重叠指纹通常指两枚重叠指纹（超过两枚的分离过于复杂）。传统分离流程包括三个步骤：方向场（Orientation Field, OF）估计、OF分离和指纹提取。传统方法通过手动、确定性过程实现，而基于人工智能（AI-based）的方法通常合并步骤，混合方法保留至少一个传统组件。
3. 方法论（Methodology）
3.1 研究设计（Study design）
基于Kitchenham等人的SLR指南，包括初始筛选、搜索策略、纳入标准和数据提取。初始筛选确认了研究兴趣；搜索策略在Scopus、IEEE Xplore和ACM Digital Library中执行，并应用前后向雪球法。纳入标准包括：英文、2010-2024年、同行评审、长度超过3页、报告分离方法。排除硬件/化学方法、系统部分或仅预处理步骤。数据提取包括需求、分离类型、程序和样本类型。
3.2 研究实施（Study conduct）
于2025年8月25日执行，共604篇出版物，去重后529篇。通过标题和摘要筛选，全文审查后得到29篇，再通过雪球法增加4篇，最终33种方法。第一作者进行数据提取和开放编码，第二和第三作者讨论解决冲突，第三作者随机抽样验证。
4. 研究问题1：关键需求（RQ1: Key requirements）
4.1 需求定义（Requirements definition）
基于前期工作（专家访谈）和元研究结果，定义了十项需求：
- 准确性（Accuracy）：分离结果正确，确保指纹分配无误。
- 完整性（Integrity）：分离完全，两枚指纹均被完整分离。
- 可用性（Usability）：算法易于使用，参数不宜过多。
- 可持续性（Sustainability）：指纹不被修改或破坏，使用非破坏性方法。
- 单一性（Singularity）：仅需单幅图像作为输入。
- 可解释性（Explainability）：结果可追溯，尤其对AI方法。
- 可重复性（Reproducibility）：结果一致，可客观比较。
- 效率（Efficiency）：资源与目标的平衡，包括时间与质量。
- 鲁棒性（Robustness）：在恶劣条件下（如图像质量差）仍能正常工作。
- 人工干预（Human intervention）：自动化程度高，减少手动操作。
4.2 文献结果（Literature results）
分析33种方法：94%提及需求，完整性、可持续性、单一性和可重复性被所有方法隐含提及；准确性提及73%，效率70%，人工干预45%，鲁棒性39%，可用性仅12%，可解释性0%。未包含安全性、敏感性和简单性等更通用需求。
4.3 讨论（Discussion）
分离方法通常不满足实践需求，现有评估缺乏统一指标。需求之间相互影响，开发评估框架复杂。例如，准确性和效率可应用于整体算法或组件。部分需求（如可持续性）隐含满足，但方法多以数字等效指纹工作。无方法提及超过五个需求，表明需求未被充分解决。不同用例中需求重要性可能不同，如可解释性因AI系统增多而重要性上升。多数论文声称优于前人，但评估不可比，缺乏标准化基础。
5. 研究问题2：分离方法（RQ2: Separation methods）
5.1 结果（Results）
33种方法：2010-2015年占52%，之后出版数下降，2022-2024年新增6种。方法类型：36%传统方法（基于Chen等人的局部傅里叶分析、松弛标记和Gabor滤波器），2016年后AI方法兴起（44%基于神经网络），混合方法占33%。样本类型：82%使用真实或真实与模拟指纹，18%仅模拟。
5.2 重要分离方法（Significant separation methods）
传统方法：Chen等人（2010/2011）的局部傅里叶分析和松弛标记，后续多种改进（如Jeyanthi等2013/2015，Neha等2017）。混合方法：Kargel等（2011）基于期望最大化；Zhao和Jain（2012）基于模型的方法；Zhang等（2014）自适应方向模型拟合；Hung等（2017）使用Bandelet变换；Sommit和Chitaree（2021）空间滤波与傅里叶变换；Akiba等（2022）基于荧光光谱的主成分分析（PCA）和多元曲线分辨-交替最小二乘（MCR-ALS）；Su等（2023）使用U-Net进行深度学习分离。AI方法：Stojanovi?等（2016/2018/2019）基于卷积神经网络（CNN）和误差反向传播；Yih等（2018）CNN检测重叠区域；Yoo等（2020）四层CNN（FinSNet）基于U-Net；Chegur等（2023）深度学习与卷积自编码器；Johnson和Chitra（2024）基于布朗运动k-means聚类。
5.3 讨论（Discussion）
从传统方法向AI方法演变，混合方法作为桥梁。AI方法可处理更复杂重叠，但也需大数据集和计算资源，需与法医专家合作。AI方法必须严格测试以避免错误或偏见，可解释性日益重要。大多数方法在真实指纹上性能低于模拟，需考虑真实环境的高变异性，目前多数方法尚不实用。
6. 有效性威胁（Threats to validity）
内部有效性：术语使用不一致（如效率与有效性混用），方法描述深度不一，难以统一评估。外部有效性：搜索策略可能遗漏相关出版物，但实验迭代未发现额外合格文献；仅关注重叠指纹分离，未考虑更广泛生物特征领域的需求。
7. 相关工作（Related work）
Pawar等（2015）综述了5种方法（2010-2014）；Stojanovi?等（2016）综述了7种方法（2008-2016）；Gundgurti等（2019）综述了19种分割和分离方法（2010-2016）。相比之下，本研究时间跨度更长（15年）、方法更多（33种），并覆盖传统、混合和AI方法，且首次关注实践需求。
8. 结论（Conclusion）
提出了十项分离方法需求，综述了33种方法。需求具有实践相关性，可作为评估标准化的基础。当前方法在实践导向和可比评估方面存在不足。强调AI方法的潜力与风险（鲁棒性、可解释性、公平性）。建议未来研究：如何测量和验证需求；如何构建基于需求的评估框架；需求对分离方法各部分的影响。需求工程作为理论与实践桥梁至关重要。
