基于U-Net的指纹增强功能用于3D指纹识别
Mohammad Mogharen Askarin1, Min Wang1,2, Xuefei Yin3
1School of Systems and Computing, University of New South Wales, Canberra, ACT 2612, Australia.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究通过使用深度学习U-Net来增强3D指纹识别,以改善对比度. 这种先进的生物识别身份验证方法显著降低了同等错误率 (EER),使其更安全和可靠.
科学领域:
- 生物识别和安全工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 传统的二维指纹生物识别技术面临传感器伪造和疾病传播的风险,因为基于接触的传感器.
- 三维 (3D) 指纹识别可提供无接触式捕获,并加强了防伪的安全性.
- 将3D指纹数据 (点云) 转换为2D图像通常会导致对比度差,阻碍识别准确性.
研究的目的:
- 开发一种有效的图像细分方法,以提高3D指纹图像的对比度.
- 为了提高传统的2D指纹识别方法的性能,当应用到3D指纹数据时.
- 为了解决现有的3D到2D指纹转换过程的局限性.
主要方法:
- 提出了一种使用深度学习U-Net架构的图像细分方法.
- 应用U-Net模型来增强3D指纹点云生成的2D灰度图像的对比度.
- 通过使用传统的指纹识别技术评估了增强的指纹图像.
主要成果:
- 拟议的基于U-Net的图像分割显著改善了指纹对比度.
- 指纹识别等错率 (EER) 在实验A中从41.32%降至13.96%
- 在实验B中,EER从41.97%提高到12.49%,显示出显著的性能提升.
结论:
- 基于深度学习的图像细分有效地增强了识别的3D指纹图像.
- 拟议的方法提供了一个可行的解决方案,以提高3D指纹认证系统的准确性和可靠性.
- 这种方法解决了3D指纹识别的关键挑战,为更安全,更卫生的生物识别解决方案铺平了道路.


