深度年龄不变指纹分割系统

当使用包含受试者多枚指纹的掌纹（slap）而非单枚指纹时，基于指纹的识别系统可达到更高精度。然而，由于指纹方向各异、背景噪声以及指尖部件较小，在slap图像中分割或自动定位所有指纹是一项挑战性任务。真实世界数据集中存在一枚或多枚指纹旋转的slap图像，使生物识别系统难以自动定位并标注指纹。不当的指纹定位与手指标注错误会导致匹配性能下降。本文引入一种利用基于深度学习的算法生成任意角度边界框的方法，可精确地从轴对齐与过度旋转的slap图像中定位并标注指纹。我们通过更新先前提出的基于传统Faster R-CNN架构的CFSEG模型[21]，构建了名为CRFSEG（Clarkson Rotated Fingerprint segmentation Model，克拉克森旋转指纹分割模型）的指纹分割模型。CRFSEG改进了Faster R-CNN算法，采用任意角度边界框，使其在具挑战性的slap图像中表现更优。在包含成人与儿童受试者slap图像的新数据集上训练CRFSEG算法后，我们的结果表明CRFSEG模型在不同年龄组间具有不变性，并能成功处理过度旋转的slap图像。在包含成人与儿童正常及旋转图像的Combined数据集上，我们实现了97.17%的匹配精度，优于最先进的VeriFinger（94.25%）与NFSEG分割系统（80.58%）。