吳春生，李孝君，吳 浩

（1.北京警察學(xué)院，北京 102202；2.公安部物證鑒定中心，北京 100038）

指紋是人體生物特征之一，因其唯一性、易獲取和低成本而被廣泛使用[1]，在我國法庭科學(xué)中有著廣泛的應(yīng)用。隨著指紋數(shù)據(jù)庫容量的不斷擴大，應(yīng)用計算機技術(shù)對指紋實現(xiàn)快速的自動比對識別成為趨勢[2]。我國從20世紀80年代初開始指紋自動識別系統(tǒng)（automated fi ngerprint identifi cation system, AFIS）的研發(fā)工作，至20世紀90年代逐步走向成熟，21世紀初在公安機關(guān)得到了廣泛的應(yīng)用。近年來，隨著指紋庫容量的快速增長，由于識別準確率無法持續(xù)提高，基于特征點的傳統(tǒng)指紋識別技術(shù)遇到瓶頸。與此同時以深度學(xué)習(xí)技術(shù)為代表的人工智能技術(shù)開始在指紋識別領(lǐng)域嶄露頭角。

1 AFIS的技術(shù)發(fā)展

指紋自動識別系統(tǒng)的研究與開發(fā)是一門多學(xué)科融合的技術(shù)[3]，涉及應(yīng)用數(shù)學(xué)、信息技術(shù)、法庭科學(xué)多個領(lǐng)域，這三個領(lǐng)域可以進一步細分為若干個二級領(lǐng)域。其中，應(yīng)用數(shù)學(xué)解決特征提取、特征比對的核心算法；信息技術(shù)解決數(shù)據(jù)組織、數(shù)據(jù)存儲、任務(wù)管理、人機交互等技術(shù)環(huán)節(jié)；法庭科學(xué)既是AFIS的應(yīng)用領(lǐng)域，又擔負著探究指紋識別的原理和指引其發(fā)展方向的任務(wù)。

AFIS系統(tǒng)的發(fā)展與信息化領(lǐng)域相關(guān)學(xué)科的發(fā)展密切相關(guān)[4]。當涉及的學(xué)科領(lǐng)域有新的技術(shù)出現(xiàn)，都會在法庭科學(xué)領(lǐng)域得到應(yīng)用，從而促進AFIS向前發(fā)展，不斷邁上新的臺階。

1.1 基于模式識別技術(shù)的指紋特征識別算法

基于特征點的指紋自動識別算法的思路來自于人工指紋鑒定方法[5-6]。此方法依賴于對指紋細節(jié)特征點進行提取，而模式識別技術(shù)及一系列衍生方法的研究很好地解決了這一難題，進而能根據(jù)兩個特征點集合間的最大匹配度計算出兩枚指紋的相似度。

1.2 基于Web技術(shù)的指紋信息系統(tǒng)

網(wǎng)絡(luò)技術(shù)的發(fā)展，特別是金盾工程的實施，使得AFIS系統(tǒng)從單機版升級為網(wǎng)絡(luò)版[7]。隨著網(wǎng)絡(luò)帶寬和電腦終端性能的提升，主流的AFIS系統(tǒng)均已經(jīng)實現(xiàn)了基于Web技術(shù)的B/S交互，大大降低了AFIS的應(yīng)用門檻，實現(xiàn)了系統(tǒng)的應(yīng)用普及。

1.3 基于高性能計算的指紋比對

進入21世紀，隨著指紋庫容量的不斷升級，比對速度成為應(yīng)用瓶頸?？蒲袡C構(gòu)利用以并行計算、分布式計算為代表的一系列高性能計算技術(shù)，實現(xiàn)了指紋比對的加速，支撐起了千萬人級乃至更高量級指紋庫的應(yīng)用[8-10]。

隨著指紋庫容量的進一步擴大以及人像等其他生物識別技術(shù)的應(yīng)用，AFIS的破案率不斷下降，需要通過不斷追加硬件設(shè)備的方式維持系統(tǒng)的比對效率。同時由于各主流指紋算法原理接近，均為使用細節(jié)特征進行比對，大量因圖像問題造成特征點提取或標注不準確的現(xiàn)場指紋未能被比中。傳統(tǒng)的細節(jié)特征點匹配算法經(jīng)過多年的不斷研究升級，已經(jīng)面臨著技術(shù)瓶頸。

2 人工智能技術(shù)

人工智能（artifi cial intelligence, AI）是計算機學(xué)科的一個分支，近三十年來它發(fā)展迅速，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，無論在理論和實踐上都已自成體系[11-12]。人工智能是研究使用計算機來模擬人的某些思維過程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，幾乎涉及自然科學(xué)和社會科學(xué)的所有學(xué)科，其范圍已遠遠超出了計算機科學(xué)的范疇。人工智能技術(shù)廣泛應(yīng)用在圖像識別等多個領(lǐng)域。指紋識別是人工智能技術(shù)在圖像識別領(lǐng)域的一個具體應(yīng)用，近年來已有國內(nèi)外多個科研機構(gòu)對人工智能在指紋自動識別方面的應(yīng)用開展了研究工作[13-18]。

根據(jù)計算機領(lǐng)域各項技術(shù)產(chǎn)生、發(fā)展、成熟的普遍規(guī)律，把基于人工智能的指紋識別技術(shù)發(fā)展分為三個階段。

1）初始發(fā)展階段。隨著近年來人工智能新技術(shù)的出現(xiàn)和設(shè)備計算能力的提升，將已有的成熟技術(shù)方法直接在指紋識別領(lǐng)域應(yīng)用，成為最快捷的方法。如：使用較為成熟的分類網(wǎng)絡(luò)甚至人像識別等技術(shù)進行指紋的分類識別。由于沒有針對性的改進，初期的性能較差，僅靠實驗才能判定某種方法的有效性。此階段人工智能技術(shù)僅能開展圖像質(zhì)量處理、特征提取和簡單分類等工作，可以作為傳統(tǒng)算法的一種補充。

2）并行發(fā)展階段。在簡單套用的基礎(chǔ)上，根據(jù)指紋的特點對技術(shù)方法進行改進。無論是訓(xùn)練數(shù)據(jù)的選取還是網(wǎng)絡(luò)結(jié)構(gòu)的搭建，都體現(xiàn)出指紋自身的特點。如：根據(jù)指紋脊線的平均寬度設(shè)置卷積窗口的尺度，可以大幅提高采樣的有效性。新的算法可以滿足主流應(yīng)用需求，與基于特征點的傳統(tǒng)算法之間存在互補性?？梢詫烧咄ㄟ^在算法之上進行并行應(yīng)用，實現(xiàn)算法之間的互補，達到綜合應(yīng)用的最優(yōu)性能。

3）全面趕超階段。此階段，新算法在綜合識別準確率和速度指標上大大超出傳統(tǒng)算法，新的系統(tǒng)可以完全替代原有系統(tǒng)。此階段仍然需要指紋專家參與最終的認定，但工作量大大減少。這就需要在指紋圖像特性、人工智能基礎(chǔ)理論、現(xiàn)有技術(shù)方法三方面相結(jié)合的基礎(chǔ)上，逐漸開發(fā)并完善全新算法。新的算法雖然還需要對現(xiàn)有技術(shù)進行借鑒，但其應(yīng)具有較完備的理論支撐，能夠有的放矢地去調(diào)整算法進行性能改進，對于算法出現(xiàn)的各種性能問題做到可解釋。

當前，業(yè)內(nèi)整體處于從第一階段向第二階段過渡時期。人工智能在圖像識別領(lǐng)域最常采用的技術(shù)是深度學(xué)習(xí)（deep learning）。深度學(xué)習(xí)技術(shù)通過建立具有多層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)（artifi cial neural networks），實現(xiàn)了模擬人類對圖像中所包含內(nèi)容進行識別分辨的初級人工智能[12,19-21]。神經(jīng)網(wǎng)絡(luò)的應(yīng)用在20世紀90年代曾經(jīng)流行，但由于當時的計算機性能不高，僅限于構(gòu)建淺層神經(jīng)網(wǎng)絡(luò)，而淺層網(wǎng)絡(luò)難以從高維數(shù)據(jù)中自動學(xué)習(xí)到有效的特征表達。相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，當前的深度神經(jīng)網(wǎng)絡(luò)主要特點是具有更大的深度和維度即網(wǎng)絡(luò)層數(shù)和每層節(jié)點數(shù)，可以實現(xiàn)對高分辨率的圖像進行特征提取。

3 深度學(xué)習(xí)技術(shù)在指紋領(lǐng)域的應(yīng)用

基于深度學(xué)習(xí)的基礎(chǔ)理論，衍生出了大量結(jié)構(gòu)各異的深度神經(jīng)網(wǎng)絡(luò)（deep neural network, DNN），如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，在很多應(yīng)用領(lǐng)域均取得了良好的效果。在指紋領(lǐng)域，借助深度神經(jīng)網(wǎng)絡(luò)對高分辨率圖像特征學(xué)習(xí)和提取的優(yōu)勢，可以將深度學(xué)習(xí)技術(shù)應(yīng)用于對指紋圖像的特征識別、特征壓縮和特征匹配。深度學(xué)習(xí)技術(shù)的應(yīng)用改變了若干年以來的指紋識別算法的設(shè)計規(guī)則。深度學(xué)習(xí)進行指紋識別基于圖像特征而不是傳統(tǒng)的細節(jié)特征。這些特征可以用一維數(shù)組的方式進行存儲，稱為特征向量。以特征向量為基礎(chǔ)，對指紋進行相似程度的比較。

3.1 指紋圖像特征向量的構(gòu)建

傳統(tǒng)的指紋識別算法以指紋細節(jié)特征點的提取和匹配作為算法的主要工作目標和性能評判標準，而深度學(xué)習(xí)方法可以創(chuàng)建由指紋整體圖像在多重變換及降維后得到的多尺度多形態(tài)的圖像特征，并由此構(gòu)成特征向量。該特征向量的維度大小可由設(shè)計者通過設(shè)置網(wǎng)絡(luò)的輸入維度來進行調(diào)整。為了保證包含足夠的信息量，指紋特征向量通常應(yīng)在100以上。特征規(guī)模與其對原始指紋的描述程度成正比，更高的特征規(guī)模意味著能夠在更高的維度表現(xiàn)出指紋圖像的更多潛在特征。圖像的特征向量由構(gòu)成圖像的所有像素轉(zhuǎn)換生成，因此圖像特征向量相比細節(jié)特征點具有更高層級的對于指紋圖像信息的表達能力。與細節(jié)特征點不同的是，DNN提取的特征是經(jīng)過壓縮后的圖像特征，每個特征都不能直觀地看到其所表達的內(nèi)容。特征向量的大小相對于傳統(tǒng)方法提取的數(shù)量為100左右的細節(jié)特征點而言，處于同一數(shù)量級。由于DNN可對指紋有效區(qū)域內(nèi)所有圖像形態(tài)的隱性特征進行提取，對于無特征點區(qū)域和特征點難以定位的圖像區(qū)域，DNN具有先天的技術(shù)優(yōu)勢。特征向量生成網(wǎng)絡(luò)的實現(xiàn)方式有很多種，下面以訓(xùn)練指紋紋型分類網(wǎng)絡(luò)為例，對于特征向量的構(gòu)建方法進行說明。構(gòu)建步驟如下：

1）創(chuàng)建指紋的訓(xùn)練樣本、驗證樣本、測試樣本。

2）設(shè)計分類深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建網(wǎng)絡(luò)并初始化。

3）使用訓(xùn)練樣本對分類網(wǎng)絡(luò)進行訓(xùn)練，網(wǎng)絡(luò)自動通過損失函數(shù)來對其參數(shù)進行調(diào)整，使用驗證樣本進行準確性的校驗。

4）當網(wǎng)絡(luò)訓(xùn)練收斂到符合準確性要求后，使用測試樣本進行測試，得到網(wǎng)絡(luò)的分類性能。

3.2 基于深度學(xué)習(xí)的指紋識別基本技術(shù)方案

深度學(xué)習(xí)進行指紋識別的基本技術(shù)方案是通過將較高分辨率的指紋圖片多次降維及神經(jīng)網(wǎng)絡(luò)映射變換，得到圖像的特征向量。通過將兩枚指紋的特征向量進行空間距離比較，得到兩枚指紋的相似度。應(yīng)用流程見圖1。

這其中涉及的主要技術(shù)環(huán)節(jié)如下：

1）網(wǎng)絡(luò)模型的設(shè)計：在應(yīng)用需求的牽引下，確定深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。主要包括設(shè)計網(wǎng)絡(luò)兩端的輸入輸出數(shù)據(jù)維度、網(wǎng)絡(luò)層數(shù)、每層采用的結(jié)構(gòu)、網(wǎng)絡(luò)優(yōu)化器的類型等等。用于指紋圖像的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)通常設(shè)計由若干卷積層、池化層和多個全連接層組成。

2）訓(xùn)練數(shù)據(jù)的準備：根據(jù)網(wǎng)絡(luò)模型的輸入和輸出設(shè)計選取數(shù)據(jù)，對網(wǎng)絡(luò)進行訓(xùn)練和校驗，分為訓(xùn)練數(shù)據(jù)和校驗數(shù)據(jù)，其中以訓(xùn)練數(shù)據(jù)為主。數(shù)據(jù)選取的一般原則：典型有代表性、不同類別分布均勻、數(shù)據(jù)量充足。對于有監(jiān)督學(xué)習(xí)模式，要對所有的數(shù)據(jù)標注標簽，如：進行紋型識別時要對訓(xùn)練的指紋圖像標注好現(xiàn)有的紋型類別，細節(jié)特征點提取時要對某部分圖像是否含有特征點進行標注。對于無監(jiān)督學(xué)習(xí)，往往也要將數(shù)據(jù)分組分類，如進行指紋匹配訓(xùn)練時，要先將重卡或比中的數(shù)據(jù)放在同一組中。面向應(yīng)用的開發(fā)以數(shù)據(jù)為驅(qū)動，合理的數(shù)據(jù)選取會讓開發(fā)事半功倍。

3）模型的訓(xùn)練和調(diào)優(yōu)：神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練就是向網(wǎng)絡(luò)輸入足夠多的樣本數(shù)據(jù)，通過優(yōu)化算法調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)（主要是調(diào)節(jié)網(wǎng)絡(luò)中各個節(jié)點的權(quán)值），使網(wǎng)絡(luò)的輸出與預(yù)期值相符。訓(xùn)練往往需要大量的循環(huán)迭代，持續(xù)較長時間。每隔一定的循環(huán)次數(shù)，要用校驗數(shù)據(jù)檢驗是否達到預(yù)期。對于不收斂和遲遲不能達到預(yù)期的網(wǎng)絡(luò)要及時調(diào)整網(wǎng)絡(luò)設(shè)置。

4）特征向量的提取存儲：當網(wǎng)絡(luò)訓(xùn)練符合預(yù)期，需要將網(wǎng)絡(luò)中指紋圖像的變換結(jié)果固化，避免多次重復(fù)計算。指紋識別1對N的比對模式，意味著對于每個比對任務(wù)，指紋庫中所有指紋都要進行一次單循環(huán)的比對。顯然每次加載指紋圖像比對時間過長，存儲空間也難以滿足。深度學(xué)習(xí)的主要計算量集中在將圖像進行空間映射變換操作中，而全連接層結(jié)點向量之間的相似度計算量很小。因此在網(wǎng)絡(luò)不變的情況下，將網(wǎng)絡(luò)中最后一層的結(jié)點向量值作為指紋經(jīng)轉(zhuǎn)換后得到的特征向量值進行保存。該特征向量作為該枚指紋的抽象特征表達，可以直接參與指紋識別計算。

3.3 關(guān)鍵技術(shù)

在開發(fā)過程中，針對不同的需求和應(yīng)用模式，要使用不同的模型設(shè)計或組合方法。如：正查、反查所用的訓(xùn)練數(shù)據(jù)和網(wǎng)絡(luò)模型會有所區(qū)別。但無論哪種應(yīng)用模式都會涉及如下幾個關(guān)鍵技術(shù)環(huán)節(jié)。

1）圖像的預(yù)處理。深度學(xué)習(xí)可以直接對指紋圖像進行降維和特征提取，并能達到相當不錯的識別效果。像傳統(tǒng)方式那樣對指紋圖像進行預(yù)處理成為可選的步驟。預(yù)處理的優(yōu)點是能夠大大降低圖像噪聲、使圖像灰度均衡化、得到指紋的有效區(qū)域，缺點是使得圖像中部分固有特征消失。圖像固有特征在細節(jié)點提取時無需關(guān)注，但在深度學(xué)習(xí)中卻至關(guān)重要。

2）網(wǎng)絡(luò)模型的深度定義。深度神經(jīng)網(wǎng)絡(luò)的層數(shù)越多越能提取圖像的本質(zhì)特征，而相對淺層網(wǎng)絡(luò)可以提取到圖像的表象特征。二者對圖像的區(qū)分能力各有側(cè)重，淺層網(wǎng)絡(luò)側(cè)重于表達局部的細節(jié)形態(tài)，層數(shù)增加則更有利于學(xué)習(xí)到圖像整體的特征。例如，對細節(jié)特征的分辨就不宜使用較深的網(wǎng)絡(luò)，而紋型的識別則推薦使用層數(shù)較多的網(wǎng)絡(luò)完成。開發(fā)者需要根據(jù)不同應(yīng)用場景，設(shè)計相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)、層數(shù)及參數(shù)設(shè)置。

3）圖像的降維。指紋圖像的采集普遍采用較高分辨率，如公安行業(yè)標準規(guī)定指紋采集的分辨率為500 dpi[22]。高分辨率圖像中存在不同尺度的信息，如指紋紋線的間距一般為5～9像素，判斷方向場要根據(jù)紋線間距進行窗口的設(shè)計，而不同類型的細節(jié)特征點可以在3×3至7×7的二維區(qū)域內(nèi)進行識別。高分辨圖像維度遠超存儲和比對所能接受的量級，必須對圖像進行合理且有效的降維，也就是通過設(shè)計合理的計算窗口，將窗口內(nèi)的像素按一定規(guī)律合并，同時使得窗口內(nèi)的原有信息在合并之后仍然能夠相互區(qū)別。通常要經(jīng)過若干次降維才能達到所需的維度。降維主要采用卷積計算的方式。

4）特征向量的維度。特征向量的內(nèi)容與網(wǎng)絡(luò)結(jié)構(gòu)直接相關(guān)。深度神經(jīng)網(wǎng)絡(luò)的每層輸出都作為新的特征輸入到下一層的網(wǎng)絡(luò)中。實踐中往往提取網(wǎng)絡(luò)中最后一個全連接層的一維向量作為最終的識別特征向量。向量維度大小是識別環(huán)節(jié)中最重要的參數(shù)，相當于現(xiàn)行的指紋標準中對特征點數(shù)量的定義，對系統(tǒng)運行性能和數(shù)據(jù)存儲空間有很強的影響。過大的特征向量會導(dǎo)致系統(tǒng)性能下降，而過小的則會影響準確性。初期的經(jīng)驗值往往在1 024級別左右，但隨著研究的深入，我們發(fā)現(xiàn)更低量級的特征向量也可以較好地對指紋進行表達。

3.4 常用的基本網(wǎng)絡(luò)模型示例

3.4.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[23-24]是近年來圖像識別方面最流行的深度神經(jīng)網(wǎng)絡(luò)，通過它可以實現(xiàn)對輸入的指紋圖像進行降維、降噪、分類等一系列功能。卷積操作本質(zhì)上是一種壓縮技術(shù)，通過卷積計算，可以對指紋圖像進行有效的降維，將大圖逐漸縮小為小圖。深度學(xué)習(xí)技術(shù)之所以能夠?qū)Ω叻直媛实闹讣y圖像實現(xiàn)高速有效的特征提取，卷積網(wǎng)絡(luò)的使用功不可沒。圖2為使用卷積神經(jīng)網(wǎng)絡(luò)進行紋型分類的示意圖。

3.4.2 自編碼器

對于無監(jiān)督的深度學(xué)習(xí)，可以使用同樣的指紋圖像同時作為輸入和輸出數(shù)據(jù)，也就是指紋圖像自己做自己的標簽，這樣的網(wǎng)絡(luò)模型稱為自編碼器[25-26]。訓(xùn)練自編碼器要達到的目標是：通過編碼網(wǎng)絡(luò)進行指紋圖像的壓縮編碼、得到壓縮特征表達，再通過解碼網(wǎng)絡(luò)反向計算還原成原圖。也就是中間的壓縮特征可作為指紋的特征向量在后續(xù)的識別中使用。圖3為指紋圖像自編碼器的示意圖。

3.4.3 卷積自編碼器

將卷積神經(jīng)網(wǎng)絡(luò)和自編碼器相結(jié)合，稱為卷積自編碼器[27-28]，是自編碼器的一種具體實現(xiàn)方法。如果將輸出的指紋加以變換，也可以讓網(wǎng)絡(luò)學(xué)習(xí)到變換的規(guī)律。如將指紋圖像原圖對應(yīng)的細化圖作為重構(gòu)圖像，則通過網(wǎng)絡(luò)訓(xùn)練可以實現(xiàn)指紋圖像細化的深度神經(jīng)網(wǎng)絡(luò)。見圖4。

4 AFIS性能測試及比較

2016年以來，國際國內(nèi)已經(jīng)有多個研究機構(gòu)開展了基于人工智能的指紋自動識別技術(shù)研究工作，很多AFIS研發(fā)企業(yè)都參與其中。目前大多數(shù)成果處于試驗階段或與傳統(tǒng)算法混合使用，形成獨立產(chǎn)品的屈指可數(shù)。本章給出對目前國內(nèi)某基于人工智能技術(shù)的AFIS（記為A系統(tǒng)）核心算法的性能測試情況，并將其與國內(nèi)幾個主流的傳統(tǒng)AFIS產(chǎn)品（分別記為B系統(tǒng)、C系統(tǒng)、D系統(tǒng)、E系統(tǒng)）的測試結(jié)果進行比較。

4.1 某人工智能算法的性能測試

4.1.1 正查測試

從某公安機關(guān)AFIS系統(tǒng)中選取部分具有代表性的比中關(guān)系，由指紋專家逐一核對檢視確認，整理出現(xiàn)場檔案比對關(guān)系6 227對。

將比中的檔案指紋與500萬人員的指紋庫隨機混合在一起。使用A系統(tǒng)將現(xiàn)場指紋逐一在指紋庫中進行比對。目標現(xiàn)場指紋比對結(jié)果候選隊列前200位的有4 231枚，占67.9%；未進入前200位的視為漏比，占32.1%。比中情況見表1。

表1 人工智能算法正查測試Table 1 Scene fi ngerprint matching to the archived fi ngerprint by AI algorithm

4.1.2 查重測試

在某公安機關(guān)收集的全國指紋庫中抽取用于測試的十指指紋數(shù)據(jù)，其中有重卡的十指指紋和無重卡的十指指紋各10 000人份。經(jīng)進一步核對，確定20人份十指指紋無效，10 640人份有重卡、9 340人份無重卡，合計19 980人份十指指紋作為測試數(shù)據(jù)。將數(shù)據(jù)混入正查的500萬人指紋庫中，在A系統(tǒng)中進行查重測試，共聲明比中十指指紋重卡9 281人份。經(jīng)人工核對，情況見表2。

表2 人工智能算法查重測試Table 2 Searching for the repetitive archived fi ngerprint by AI algorithm

在19 980人份十指指紋數(shù)據(jù)中，A系統(tǒng)共聲明比中十指指紋重卡9 281人份，經(jīng)專家人工核對，有9 159人份為正確比中關(guān)系，有1 481人份未比中。無重卡的9 340人中，有122人份為錯誤比中關(guān)系。由此可計算出綜合比中率、錯比率、漏比率。綜合比中率為重卡數(shù)據(jù)查出率和無重卡數(shù)據(jù)未錯識率的綜合比率，綜合比中率=[查出率+ (100%-錯識率)]/ 2 =[86.1%+ (100%-1.3%)] / 2 = 92.4%。錯比率為總量指紋中錯誤比出的概率，錯比率=錯誤聲明比中數(shù)量/總量=122/19 980 ≈ 0.61%；漏比率為總量指紋中未正確比出的概率，漏比率=未比中數(shù)量/總量=1 481/19 980≈7.41%。

4.2 性能對照

對國內(nèi)幾個主流的AFIS產(chǎn)品，使用同樣的數(shù)據(jù)進行了正查和查重測試。由于B、C、D、E系統(tǒng)是基于人工標注現(xiàn)場指紋特征點，部分指紋存在兩種及以上的標注方法，對每種標注方法作為單獨的任務(wù)進行提交，因此總?cè)蝿?wù)數(shù)會大于6 227，達到6 496。結(jié)果對照見表3、表4。

表3 多系統(tǒng)正查測試結(jié)果對照表Table 3 Comparison for scene fi ngerprint matching to archived fi ngerprint among multiple algorithms

表4 多系統(tǒng)查重測試結(jié)果對照表Table 4 Comparison for searching the repetitive archived fi ngerprint among multiple algorithms

5 展望

不斷提升的指紋應(yīng)用需求是指紋自動識別技術(shù)的發(fā)展動力。隨著指紋數(shù)據(jù)庫容量的增加，自動識別技術(shù)的發(fā)展，新的技術(shù)取代舊的技術(shù)是必然趨勢。從指紋識別所屬的模式識別、圖像處理領(lǐng)域看，以深度學(xué)習(xí)為代表的人工智能技術(shù)已經(jīng)取得了大量令人矚目的成果，大大推動了這些領(lǐng)域的科技進步和應(yīng)用發(fā)展。在指紋領(lǐng)域，經(jīng)過探索，已經(jīng)出現(xiàn)了性能不低于主流AFIS產(chǎn)品的人工智能算法。隨著指紋應(yīng)用需求的不斷豐富，以及人工智能技術(shù)的不斷進步和新技術(shù)的產(chǎn)生，基于深度學(xué)習(xí)的指紋自動識別技術(shù)將不斷發(fā)展完善，邁向最終的全面趕超階段。