面向增强型指纹识别的创新深度学习架构
计算机视觉与模式识别
2025-09-30 v1 密码学与安全
机器学习
摘要
增强型指纹识别 (AFR) 是边境管控、司法鉴定和财政入囊等应用场景中的生物识别挑战。 adversary 可刻意修改脊纹模式以规避检测，因此对被篡改印刷体的稳健识别至关重要。我们提出 DeepAFRNet，一种深度学习识别模型，用于匹配和识别被扭曲的指纹样本。该方法采用 VGG16 主干网络提取高维特征，并利用余弦相似度进行嵌入比较。我们在 SOCOFing Real-Altered 子集上进行评估，该子集包含三种难度级别 (Easy, Medium, Hard)。在严格阈值下，DeepAFRNet 在三种难度级别上的准确率分别为 96.7%、98.76% 和 99.54%。阈值灵敏度研究表明，当阈值从 0.92 放宽至 0.72 时，准确率分别急剧下降至 7.86%、27.05% 和 29.51%，凸显了生物识别系统中阈值选择的重要性。通过使用真实篡改样本并报告分层指标，DeepAFRNet 解决了基于人造篡改或受限验证协议的 prior work 的局限性，表明其在双重安全性和识别韧性至关重要的实际部署场景中具备就业潜力。
引用
@article{arxiv.2509.20537,
title = {Innovative Deep Learning Architecture for Enhanced Altered Fingerprint Recognition},
author = {Dana A Abdullah and Dana Rasul Hamad and Bishar Rasheed Ibrahim and Sirwan Abdulwahid Aula and Aso Khaleel Ameen and Sabat Salih Hamadamin},
journal= {arXiv preprint arXiv:2509.20537},
year = {2025}
}