何岸花 林满山 郑逢德

摘 要：文章总结近几年深度学习技术在指纹识别领域的应用方向，分析当前指纹识别在应用过程中所面临的问题，旨在给研究者和技术人员提供指纹识别的客观理解与启示，促进深度学习在指纹识别领域的应用与快速发展。

关键词：深度学习;客观理解;指纹识别

0 引言

现代科学技术正处于飞速发展的时期，指纹识别技术已经融入人类生活各个领域中。在众多生物特征^[1]识别技术中，指纹识别技术作为一种最直观的技术被广泛应用。传统指纹识别技术存在一些弊端^[2-3]，例如需要人工设置指纹特征，并且需要多次调试，设计特征和选择分类器相对而言不易达成最优化，导致指纹识别率不达标。除此之外，库指纹数量较大的情况下，人工设置指纹特征，时间和人员消耗比较大，每比对一个指纹，周期很长。近年来，随着机器学习技术的兴起，深度学习技术已经成为当下的热门课题。将深度学习技术与生物特征识别技术融合到指纹识别领域成为研究热点。深度学习技术可以在海量数据中学习并分析，可以自动识别分析并学习指纹特征数据，从而减少人工工作量，同时达到提高指纹识别准确率的目的。本文简要介绍了深度学习在指纹识别中的应用热点，意在帮助人们更深入地了解深度学习以及深度学习在指纹识别技术中的应用，激发研究者和技术人员对指纹识别的客观理解与启示，并希望深度学习能促使生物特征识别技术获得高速发展。

1 指纹识别精确性研究

指纹识别应用主要分为民用指纹和公安指纹。民用指纹涉及范围比较广，主要是门禁、考勤、保险箱、身份认证等方面^[4-5]，民用指纹可本地存储，指纹采集环境简单，指纹质量好，并且比对地库数量级较小。公安指纹主要应用于刑侦领域，指纹采集现场复杂，指纹质量差^[6]，甚至有残缺，角度不定，给比对带来很大困难。传统的指纹识别是通过传统图像处理方法提取指纹的重要特征，例如指纹纹线方向场、细节点^[7]、中心、三角点^[8]以及纹型等特征，将特征以一定的结构制作模板^[9]，最后通过特征比对实现指纹识别。深度学习技术在指纹识别领域的应用也离不开指纹的特征，研究人员将深度学习技术应用到各种特征提取环节，通过深度学习所得到的模型处理图像得到传统图像处理方法所得到的结果^[10]，从而实现指纹识别。目前，深度学习指纹识别研究主要涉及以下几个方面。

1.1 指纹方向场提取

指纹的方向场刻画了指紋纹线的走向分布，是指纹图像界于指纹中心的宏观特征^[11]。深度学习指纹方向场识别是用深度神经网络模拟人脑逐步抽象的认知过程，选择包含指纹的整体形态和局部流向的方向场信息作为网络的输入，通过自主学习来得到特征，实现指纹方向场的识别。

深度学习方向场指纹识别步骤：数据预处理、模型训练。训练数据为指纹对数据方向场图像，图像对有3种情况：原始高清指纹对、原始高清指纹和合成指纹。图像预处理主要是去除背景干扰，图像滤波，通过传统图像处理算法得到方向场图，输入图像对如图1所示。模型训练是将指纹方向场图像对进行标签化，采用深度网络结构，使用指纹的方向场信息作为网络的输入，通过有监督自学学习指纹的方向场特征，通过预设的方向场的损失函数来计算整体误差，再次、根据误差，通过反向传播的方法计算网络梯度，不断优化网络，方向场模型网络训练流程如图2所示。

1.2 指纹细节点提取

除方向场以外，细节点也是指纹的一个重要特征，指纹识别技术用得最多的特征就是方向场和细节点^[12]。深度学习多特征指纹识别是以方向场和细节点两个重要特征为主，以其他特征为辅，实现指纹识别。

图像对通过传统图像处理方法得到方向场图像对，以此作为神经网络的输入，输出结果是图中是否有细节点，在网络的最后，加上对于细节点具体位置和方向进行回归，从而提取精确的细节点信息^[13]，包括细节点分布图、细节点x轴方向坐标分布图、细节点y轴方向坐标分布图、细节点方向分布图，训练流程图如图3所示。根据所得到的细节点信息实现指纹识别。

1.3 指纹方向场校正

指纹识别过程中可能会因为两个指纹方向的不一致导致匹配失败，可以通过校正方向场来对齐指纹的方向，从而解决这一难题。以指纹的中心点为坐标原点^[14]，建立二位坐标系，利用已有方法计算出指纹方向场，作为实验原始数据，用经典的指纹方向场数据表示方式0到7来代表指纹的 8个方向，从原始数据集中挑选出一部分图像中心区域没有错乱方向块的相对干净数据集，作为标准数据集，然后人工随机扰动这部分数据， 制作噪声数据集。其次，构建深度卷积神经网络。将噪声数据和标准数据对进行有监督的训练，让网络自动学习噪声分布，用原始带噪声的方向场数据减去生成的噪声数据，得到去噪后的方向场数据，从而实现方向场的校正。此方法可以有效解决指纹对齐问题，有效提升指纹识别正确率。

1.4 三维指纹识别

三维指纹识别技术是一个新兴的研究领域，技术方面存在着很多挑战，普通指纹识别技术虽然已经比较成熟，但是将普通指纹识别技术直接运用到三维指纹识别中，不仅速度慢，而且会丢失指纹的深度信息。

运用深度学习方法，通过引入卷积神经网络，减少了寻找指纹特征点这一步骤，降低识别算法的复杂度，并有效地保留指纹的深度信息。具体步骤：首先，将指纹深度图像和二维指纹图像分别输入不同的卷积神经网络中得到指纹深度特征和二维指纹特征。其次，通过另一个神经网络进行特征融合。最后，对融合后的特征进行三维指纹识别^[15]。其中三维指纹如图4（a）所示，指纹二维图片如图4（b）所示，深度图如图4（c）所示，指纹深度图中，每个像素点的灰度值为该点的深度值，即三维模型空间信息。

1.5 全局特征识别

深度学习在图像处理方面展现了强大的学习能力，指纹特定特征图可以通过神经网络训练，最终得到可识别特定特征的模型。很多研究者直接将指纹原图对作为输入，通过深度学习的方法获得指纹全局特征，以指纹间中心点欧式距离或余弦值差值循环回归，优化参数，实现聚类，将指纹特征识别问题转化为聚类问题，通过特征匹配实现指纹识别。

1.6 指纹图像配准

用指纹进行身份识别过程中，遇到低质量的指纹图像时，往往难以获得较高的准确率。由于部分指纹图像角度的偏差导致识别效果不佳^[16]，为解决这个问题，部分研究者对指纹图像配准进行研究。使用卷积神经网络实现图像之间的空间变换关系，从而使一对或多幅图像达到空间上的对齐。

1.7 指纹识别其他特征

指纹可以根据纹线的结构特点分为斗型、左旋、右旋、弓型、帐弓型^[17]、其他类型。指纹识别中，通过纹型的筛选也可排除很多错误指纹，纹型的判断可通过神经网络分类实现^[18]。步骤：首先，人工将指纹数据按纹型分类并给以标签;其次，以自监督学习方式训练，通过反向传播优化参数;最后，得到分类模型。除此之外，指纹还有其他一些细微的特征，例如指纹汗孔等，通过神经网络对特定特征识别，多特征组合实现指纹识别。

2 指纹识别其他研究

2.1 指纹采集

无线网络具有开放性，恶意用户通过窃听、诱骗等方式会对合法用户的正常通信进行干扰、破坏，威胁合法用户信息安全^[19]。针对射频指纹的抗伪装性研究不足^[20]，设备的射频指纹存在被恶意用户伪装的风险，利用无线信号的原始采样样本直接进行射频指纹特征的学习与提取，生成对抗网络模型，对伪装的指纹实现有效识别，提高基于射频指纹的设备身份识别系统的抗伪装能力。

2.2 污损指纹识别

污损指纹识别一直都是一个难点，通过深度学习的方法提取指纹的深层特征信息，可以提高污损指纹识别率。将指纹图像进行分块处理，提取以指纹中心点为中心的指纹图像块表示训练样例的部分特征。另外，提取污损指纹图像所能提取到的部分特征点^[21]，并将之模糊化，作为训练样例的另一部分特征。利用深度神经网络算法结构模拟人脑对指纹图像的多层信息特征提取方式，对上述组合训练图像进行自动特征提取，并进行分类识别。

3 结语

随着新应用的不断出现，对指纹识别技术的要求逐渐提高，指纹识别技术仍存在一些问题，相信随着技术的进一步发展以及新技术的出现，指纹识别技术能进一步有所突破。

[参考文献]

[1]陈文燕，范文博，杨钧宇.基于密集连接卷积网络的小面积指纹识别方法[J].计算机工程与应用，2020（10）：134-140.

[2]陈虹旭，李晓坤，郑永亮，等.基于深度学习的指纹识别方法研究[J].智能计算机与应用，2018（3）：64-69.

[3]袁颖.基于Matlab的小波纹理特征融合指纹识别系统[J].电子技术与软件工程，2019（14）：79-81.

[4]袁颖.基于非特征点的指纹自动识别方法研究进展[J].中国刑警学院学报，2018（6）：95-99.

[5]苏蒙蒙.基于深度學习模型的生物特征识别系统安全性研究[D].杭州：浙江工业大学，2020.

[6]白茹攀.基于深度卷积神经网络的低质量指纹识别[D].昆明：云南大学，2019.

[7]范文博.基于Android系统的小面积指纹识别技术的研究[D].西安：西安科技大学，2019.

[8]史梦琦.基于方向场和深度学习的指纹识别研究[D].长春：吉林大学，2019.

[9]张永良，周冰，詹小四，等.基于深度学习的小面积指纹匹配方法[J].计算机应用，2017（11）：3212-3218，3225.

[10]刘君宇.指纹方向场识别技术研究[D].哈尔滨：哈尔滨工业大学，2019.

[11]赵浩宇.指纹方向场识别深度学习模型的优化研究[D].长春：吉林大学，2020.

[12]钟瑞.基于深度学习和多特征融合的小面积指纹识别算法研究[D].西安：西安电子科技大学，2018.

[13]臧亚丽，杨鑫.指纹识别技术研究热点与新方向[J].警察技术，2015（5）：4-7.

[14]席鲜丽.基于深度学习的指纹方向场校正及图像质量评估[D].长春：吉林大学，2020.

[15]田倩玉.基于深度学习的三维指纹识别技术研究[D].天津：河北工业大学，2018.

[16]陈雷.基于卷积神经网络实现指纹图像的配准[J].法制博览，2018（36）：129-130.

[17]张宝，杨春宇，刘强.指纹自动识别系统在刑事侦查中的应用[J].警察技术，2015（5）：17-20.

[18]郭晓萌.基于神经网络的指纹纹型识别及分类[D].长沙：湖南大学，2019.

[19]赵蔚宸.基于深度学习技术的信号指纹提取[D].北京：北京邮电大学，2017.

[20]郑雅文.射频指纹伪装及对抗技术研究[D].北京：北京交通大学，2020.

[21]吴震东，王雅妮，章坚武.基于深度学习的污损指纹识别研究[J].电子与信息学报，2017（7）：1585-1591.

Research hotspots analysis of fingerprint recognition technology based on deep learning

He Anhua¹， Lin Manshan²， Zheng Fengde¹

（1. Beijing Hisign Technology Co.， Ltd.， Beijing 100070， China; 2. Guangzhou Criminal Technology Institute，

Guangzhou 510000， China）

Abstract：This paper summarizes the application direction of deep learning technology in the field of fingerprint recognition and analyzes the problems faced by fingerprint recognition in the application process in recent years. It aims to provide researchers and technicians with objective understanding and inspiration for fingerprint recognition and promote the application and rapid development of deep learning in the field of fingerprint recognition.

Key words：deep learning; objective understanding; fingerprint recognition

基金项目：广州民生科技攻关重大专项;项目名称：人工智能在指纹识别实战中的应用技术研究;项目编号：2019030013。

作者简介：何岸花（1988—），女，北京人，研究员，硕士;研究方向：指纹识别。