基于贴片的潜伏指纹识别:一种新的方法可靠地识别部分印记

科学领域:

• 法医科学 法医科学 法医科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 隐形指纹对于法医调查至关重要,但通常是部分的,缺乏足够的特征可靠的识别.
• 目前的指纹采集方法通常是基于触摸的,可能需要化学试剂,这对证据处理有局限性.
• 现有的基于补丁的自动识别系统对部分指纹样本的准确性有限.

研究的目的:

• 开发基于贴片的自动隐藏指纹识别系统 (APLFRS),可靠地识别部分隐藏指纹.
• 评估深度学习模型的性能,以提高退化和部分指纹样本的识别.
• 提高隐藏指纹识别系统在不同数据集上的普遍性.

主要方法:

• 使用无触摸反射紫外线成像系统 (RUVIS) 进行高分辨率的指纹样本的数字捕获.
• 开发了一种补丁估计算法,以确定用于特征提取的最佳补丁大小,超出了手动细节匹配的范围.
• 基于经典和生成对抗网络 (GAN) 的应用增强,用于现实的数据模拟和深度特征提取.
• 评估了包括VGG16和ResNet50在内的浅层和深度学习模型,用于部分指纹识别.
• 用多类SVM分类器微调ResNet50架构,并使用加权平均融合来提高性能.

主要成果:

• 拟议的系统在微调后达到96%的最大精度,在加权平均融合后进一步提高到~98%.
• 作为带有多类SVM分类器的骨干架构,ResNet50表现出卓越的性能.
• 该模型在RUVIS数据集上达到98%的准确性,在标准NISTSD27数据集上达到96%的准确性,显示出强大的通用性.
• 它的性能优于现有的基于补丁的识别方法,其准确性在68%至84%之间.

结论:

• 开发的基于自动补丁的隐藏指纹识别系统可靠地识别部分隐藏指纹,解决当前方法的局限性.
• 深度学习模型,特别是ResNet50,对于从退化和部分指纹样本中提取特征非常有效.
• 该系统在准确性和通用性方面取得了显著的改进,为法医识别提供了有希望的进步.