陳磊

天津公安警官職業(yè)學(xué)院 刑事技術(shù)系,天津300382

犯罪現(xiàn)場遺留下的指紋被稱為隱約指紋[1]，是最常見的司法鑒定證據(jù)，并且已經(jīng)在刑事調(diào)查中存在超過100 年的使用歷史，但隱約指紋的比對并不簡單。這主要是因為犯罪現(xiàn)場得到的隱約指紋質(zhì)量不佳。當(dāng)發(fā)現(xiàn)隱約指紋時，司法人員首先會使用自動指紋識別系統(tǒng)[2]（Automatic Fingerprint Identification System,AFIS）在犯罪數(shù)據(jù)庫中搜索嫌疑人。若發(fā)現(xiàn)匹配，則此人將會就此接受調(diào)查。法醫(yī)檢查人員需要就隱約指紋是否屬于某個特定個體作出判定（識別或匹配）。通常按照指紋摩擦嵴檢查，通過分析、比較、評價和驗證方法[3]來制定決策。

為提高匹配效率，文獻(xiàn)[4]在隱約指紋匹配中提出了“熄燈系統(tǒng)”的概念。文獻(xiàn)[5]結(jié)合了局部和全局方法以進(jìn)行細(xì)節(jié)特征匹配。該方法對兩個指紋之間的密集形變域進(jìn)行估計，以移除形變的負(fù)面影響。文獻(xiàn)[6]使用各種擴(kuò)展指紋特征對不同算法進(jìn)行了分?jǐn)?shù)層融合。文獻(xiàn)[7]提出了一種基于局部圖像質(zhì)量的方法，其中在高分辨率1000 ppi 指紋圖像上應(yīng)用了擴(kuò)展指紋特征，擴(kuò)展特征與一級和二級細(xì)節(jié)特征[8]相結(jié)合，可被用于生成基于質(zhì)量的似然比，以提高識別性能。

以上方法涉及稀有細(xì)節(jié)的非常少，本文提出的方法旨在通過整合提取出的可靠的稀有細(xì)節(jié)特征，提升基于細(xì)節(jié)的匹配器對不完整的隱約指紋的識別準(zhǔn)確度。所提算法根據(jù)存在的稀有細(xì)節(jié)特征（例如斷線、閉環(huán)、斑點、中斷等），對基于細(xì)節(jié)的匹配器的相似性得分進(jìn)行修正。根據(jù)隱約指紋和十指指紋樣本的細(xì)節(jié)特征集合之間的仿射變換的最小二乘擬合，對匹配或不匹配情況進(jìn)行自動判定。

1 數(shù)據(jù)庫

本文使用的數(shù)據(jù)庫是Guardia 民事數(shù)據(jù)庫（Guardia Civil Data Base,GCDB）。GCDB 是真實的法醫(yī)指紋案例數(shù)據(jù)庫，該數(shù)據(jù)庫不但包含典型的細(xì)節(jié)特征類型（嵴終止、分叉），而且還有一些稀有特征類型，包括斷線、閉環(huán)、斑點、中斷等。數(shù)據(jù)庫中某個樣本指紋中的特征細(xì)節(jié)如圖1 所示，其中，典型特征如嵴終止、分叉；擴(kuò)展特征如匯聚、嵴交叉、閉環(huán)；奇異點如核心、三角。GCDB中使用的稀有細(xì)節(jié)特征如圖2 所示。

圖1 數(shù)據(jù)庫中某個樣本指紋中的特征細(xì)節(jié)Fig.1 Feature details in a sample fingerprint in a database

圖2 某司法機(jī)構(gòu)使用的細(xì)節(jié)特征Fig.2 Detailed features of the use of a judicial body

針對十指指紋樣本生成理想的細(xì)節(jié)特征集（即所有可能的細(xì)節(jié)特征），本文使用了VeriFinger細(xì)節(jié)特征提取器模塊[9]。執(zhí)行基于Gabor 濾波的全局后處理，以消除前景之外的任何虛假細(xì)節(jié)特征。即，Gabor 濾波用于得到感興趣區(qū)域（Region of Interest,RoI）。然后，移除VeriFinger 生成的在RoI之外的虛假細(xì)節(jié)點。VeriFinger 僅從指紋圖像中提取典型的細(xì)節(jié)特征。接著，將十指指紋細(xì)節(jié)特征集的稀有細(xì)節(jié)特征，加入經(jīng)過了后處理的VeriFinger 生成的十指指紋細(xì)節(jié)特征集。如果隱約指紋細(xì)節(jié)特征集與對應(yīng)的十指指紋細(xì)節(jié)特征集的數(shù)量不相等，則前者僅作為十指指紋細(xì)節(jié)特征集的一個子集。隱約指紋細(xì)節(jié)特征的平均數(shù)量為13 個，十指指紋則為125 個。

2 識別算法

假定提出的算法中，稀有特征并不總是具有可重復(fù)性，且不會在多次捕捉（人工或自動生成）中始終得到一致的標(biāo)注[10]。與細(xì)節(jié)特征匹配器能夠處理配對指紋圖像之間的變化一樣，所提算法也能夠處理這種內(nèi)部變化。本文僅側(cè)重于使用真實數(shù)據(jù)（其中多次捕捉之間的內(nèi)部變化是自然存在的），分析這些稀有細(xì)節(jié)特征可以在多大程度上改善現(xiàn)有的AFIS。GCDB 中的隱約指紋在本質(zhì)上是高度不完整的，平均每個隱約指紋包含13 個細(xì)節(jié)點。為了在隱約指紋細(xì)節(jié)點和十指指紋樣板細(xì)節(jié)點（平均125 個細(xì)節(jié)點）之間進(jìn)行適當(dāng)?shù)膶R，需要一個可靠的參考點。本文將稀有細(xì)節(jié)特征作為參考點來執(zhí)行對齊。

設(shè)L和M分別表示隱約指紋和十指指紋樣板的細(xì)節(jié)點集合。每個細(xì)節(jié)點表示為一個四元組m={x,y,θ,t}，其表示坐標(biāo)位置(x,y)、細(xì)節(jié)點角度θ和細(xì)節(jié)點類型t：

式中：p和q分別為L和M中的細(xì)節(jié)點數(shù)量。若t＞2，則該細(xì)節(jié)點為稀有類型，[×]T表示轉(zhuǎn)置。

提出的算法從一個細(xì)節(jié)特征匹配器中生成加權(quán)相似性得分，分為兩個步驟。僅在其中包含稀有細(xì)節(jié)點特征的時候，才對細(xì)節(jié)特征匹配器的相似性得分進(jìn)行修正。

算法的第一個階段先針對隱約細(xì)節(jié)點集合到十指指紋樣板細(xì)節(jié)點集合的仿射變化，以估計出最小二乘擬合誤差。算法的第二個階段則基于擬合誤差，對細(xì)節(jié)特征匹配器所生成的相似性得分進(jìn)行修正。圖3 展示了使用提出的算法，為細(xì)節(jié)特征匹配器進(jìn)行得分修正的步驟順序圖。其中，AFIS 匹配器是獨立于提出的基于稀有特征的算法而運行的。提出的算法生成的新得分是對AFIS 匹配器標(biāo)準(zhǔn)輸出得分的融合。

圖3 本文指紋識別的流程圖Fig.3 Flow chart of fingerprint recognition in this paper

3 結(jié)果與分析

GCDB 中包含268 個隱約指紋和與之對應(yīng)的268 個十指指紋樣板圖像和細(xì)節(jié)點。其中151 個指紋圖像的細(xì)節(jié)特征集中包含稀有細(xì)節(jié)特征，其他指紋僅包含分叉和嵴終止特征。本文在151 對隱約和十指指紋樣本集合上進(jìn)行實驗，以證明提出的算法能夠使用稀有細(xì)節(jié)特征，提升原本使用典型細(xì)節(jié)特征的匹配器的指紋識別準(zhǔn)確率。為進(jìn)行評估，使用了兩種細(xì)節(jié)特征匹配器，分別為指紋驗證軟件開發(fā)工具包（Verified Finger Software Development Kit,VeriFinger-SDK）[9]和細(xì)節(jié)圓柱編碼軟件開發(fā)工具包（Minutia Cylinder Code-Software Development Kit，MCC-SDK）[11]。其中，VeriFinger 是學(xué)術(shù)界廣泛使用的商用SDK，MCC-SDK 則是知名的細(xì)節(jié)特征匹配器。在實驗的識別準(zhǔn)確度報告中，共計151 個匹配比較和151×150 個不匹配比較。

3.1 分?jǐn)?shù)融合

本文基于加和規(guī)則對得分進(jìn)行融合，在區(qū)間[0,1]內(nèi)對細(xì)節(jié)匹配器得到的相似性得分進(jìn)行歸一化。

圖4（a）和4（b）分別給出了匹配器VeriFinger-SDK 和MCC-SDK 在分?jǐn)?shù)融合之前和之后的累計匹配曲線（Cumulative Matching Curve,CMC）。VeriFinger-SDK 在識別的典型細(xì)節(jié)特征相似度得分較差，MCC-SDK 的性能比前者好得多，在僅使用典型細(xì)節(jié)特征時依然得到了78.15%的Rank 識別準(zhǔn)確率?？傊?，MCC-SDK 是表現(xiàn)最好的局部結(jié)構(gòu)細(xì)節(jié)特征匹配器。由圖4，得分融合顯著提升了所有細(xì)節(jié)特征匹配器的Rank 識別準(zhǔn)確率。VeriFinger-SDK 和MCC-SDK 的Rank-1 識別準(zhǔn)確率均提升了。分別從31.13%和78.15%提升至62.25%和92.72%。該階段在所有Rank 中實現(xiàn)了顯著和持續(xù)的性能提升。

圖4 兩種匹配器的累計匹配曲線比較Fig.4 Comparison of cumulative matching curves of two matchers

3.2 基于擬合誤差閾值的分?jǐn)?shù)修正

圖5(a)和5(c)展示給出兩個匹配器尋找最優(yōu)閾值的情況，圖5(b)和5(d)給出了在應(yīng)用最優(yōu)閾值后，rank 識別率的提升情況。由圖5(a)和5(c)可知，閾值變化范圍為0.8 至1.0，大部分?jǐn)M合誤差相似度數(shù)值集中在這一區(qū)域。圖5(b)給出了VeriFinger-SDK 基于最優(yōu)閾值的CMC 曲線。在使用0.93 的最優(yōu)閾值時，VeriFinger-SDK 的Rank-1 識別準(zhǔn)確率從31.13%大幅提升值77.48%。在使用提出的算法并將稀有細(xì)節(jié)信息納入考量后，VeriFinger-SDK 的Rank 識別準(zhǔn)確率也得到了顯著的持續(xù)提升。類似地，圖5(d)給出了MCC-SDK 的最優(yōu)CMC 曲線。當(dāng)使用0.95 的最優(yōu)閾值時（見圖5(c)），MCC-SDK最高實現(xiàn)了96.03%的Rank-1 識別準(zhǔn)確率，所提算法穩(wěn)定提升了Rank 識別性能。

圖5 基于擬合誤差閾值的分?jǐn)?shù)修正實驗結(jié)果Fig.5 Experimental results of fractional correction based on fitting error threshold

4 結(jié)論與展望

本文提出的算法從稀有細(xì)節(jié)特征中提取出可靠的信息，以提升細(xì)節(jié)特征匹配器的指紋識別準(zhǔn)確度，在廣泛使用的細(xì)節(jié)特征匹配器上驗證了所提算法的有效性。根據(jù)擬合誤差對相似性得分進(jìn)行修正后，三個匹配器在識別準(zhǔn)確率上均得到了顯著提升。即使在僅由部分隱約指紋且細(xì)節(jié)特征數(shù)量極少的情況下，提取出的稀有細(xì)節(jié)特征依然能夠提升指紋比對的魯棒性。實驗中使用了法醫(yī)鑒定人員手工提取出的稀有細(xì)節(jié)特征。更可靠的稀有細(xì)節(jié)特征的自動化提取方法，能夠大幅提高當(dāng)前AFIS性能。未來研究將利用細(xì)節(jié)特征類型之間的差異，進(jìn)一步提升標(biāo)準(zhǔn)AFIS 的性能，例如當(dāng)結(jié)合AFIS與輔助方法時，在對齊或匹配步驟中考慮加權(quán)因子。