混合式现场变形指纹的校正方法研究.pdf

中国司法鉴定圆园23 年第 4 期 渊总第 129 期冤混合式现场变形指纹的校正方法研究高 畅1袁沙良潇1袁赵雪珺2袁包 清1袁3渊1.上海市公安局刑事侦查总队袁上海 200083曰 2.上海市刑事科学技术研究院 上海市现场物证重点实验室袁上海 200083曰 3.上海理工大学袁上海 200093冤摘要院 目的 探索一种适用于刑事案件现场勘查的曲面客体上变形指纹的校正方法袁以提高疑难指纹在案件中的作用率遥 方法 提出一种由粗到细的校正方法袁以传统模式识别复原曲面畸变的结果为基础袁在保证其外框架形状不变的条件下对内部图像依照神经网络校正结果进行优化袁结合了传统模式识别的鲁棒性和深度卷积神经网络渊deep convolu鄄tional neural network袁DCNN冤的精准性遥 结果 制作了 40 枚模拟现场潜在变形指纹袁在库容量为 2000 万的上海市公安局物证鉴定中心指纹测试库检索比较的实验中袁所提的新型混合式校正方法效果显著优于 DCNN 校正方法袁50 名内比中率从 85%上升至 100%遥结论 该新型混合式校正方法对现场变形指纹的校正有积极意义袁尤其是对低质量的变形指纹效果显著袁校正后排位提升明显袁有助于提高现场勘查中疑难物证的作用率遥关键词院 现场潜在指纹曰变形指纹校正曰混合式方法曰深度卷积神经网络中图分类号院 DF794.1文献标志码院 Adoi:10.3969/j.issn.1671-2072.2023.04.008文章编号院 1671-2072-渊2023冤4-0057-09A Combined Method to Rectify Distorted Fingerprints Left at Crime SceneGAO Chang1,SHA Liangxiao1,ZHAO Xuejun2,BAO Qing1,3渊1.Criminal Investigation Department of Shanghai Public Security Bureau,Shanghai 200083,China;2.Shanghai Key Laboratoryof Scene Evidence,Shanghai Resenrch Institute of Criminal Science and Technology,Shanghai 200083,China;3.University ofShanghai for Science and Technology,Shanghai 200093,China冤Abstract:Objective This paper put forward a method for rectifying distorted latent fingerprints left on curved objects at crimescene to improve the application rate of evidence.Methods We proposed a coarse to fine approach,modifying inner imagebased on fixed frame computed by traditional pattern recognition.It combines the advantages of traditional pattern recognitionand deep learning network considering robustness and accuracy.Results We conducted several experiments with fortysimulation samples to compare our approach with deep convolutional neural network 渊阅悦晕晕冤 based approach.Theexperiments usied the test database of Shanghai Public Security Bureau,which contains twenty million different fingerprints.The proposed approach presented remarkable improvement in fingerprints matching.The hit rate in top fifty candidates rosefrom 85%to 100%.Conclusion The proposed method is promising in handling distorted latent fingerprints,especially for lowquality latent fingerprints.The ranks of genuine match rose obviously after rectification,which would improve the usage rate ofdistorted fingerprint evidence in crime scene investigationKeywords:latent fingerprint at scene;distortion rectification;combined method;deep convolutional neural network渊DCNN冤鉴定科学Forensic Science收稿日期院2022-02-16基金项目院上海市刑事科学技术研究院现场物证重点实验室开放课题项目渊2023XCWZK02冤遥作者简介院高畅渊1992要冤袁男袁工程师袁主要从事痕迹检验遥 E-mail院通信作者院赵雪珺渊1987要冤袁女袁副研究员袁硕士袁主要从事现场物证光学探测技术遥 E-mail院通信作者院包清渊1989要冤袁男袁高级工程师袁博士袁主要从事物证技术学及模式识别遥 E-mail院57窑窑Chinese Journal of Forensic Sciences熏圆园23熏 晕燥援4 Total No.129在各类刑事案件的现场勘查过程中袁指纹一直是痕迹物证的重要组成部分袁能够起到明确案件性质尧锁定嫌疑人等诸多关键作用遥 在指纹检索比对过程中袁变形指纹会产生不利影响袁使得正确的比中结果在候选列表中排名靠后袁甚至会不出现在自动指纹识别系统渊automatic fingerprint identification system袁AFIS冤反馈的候选列表中遥对于变形指纹的校正袁国内外相关研究学者已有了很多研究遥 国内的研究主要包括陶桂兰等1报道的在特定约束条件下袁利用 Photoshop 软件的自由变换功能对图像进行校正并比中嫌疑人的案例遥但该方法依赖人工操作袁不具备模式特征且不易推广袁案例数量过少袁说服力不足遥 曹轶超等2提出了使用 Matlab 软件通过预制变形模板和人工选取网格参考点相结合的方法多项式拟合校正袁该方法的校正效果受制于人工对特征点的选取袁高阶数对取点和计算量的要求较高袁低阶数的拟合效果可能不尽理想遥 仲伟波等3提出了利用指纹拓扑模式自动匹配和识别指纹袁该方法对变形指纹鲁棒性强袁匹配率达到近 60%袁但该匹配率仍然较低袁且与现有的指纹识别系统不兼容遥 栗赫遥等4提出了一种自适应的渐变曲率校正方法袁该方法对于曲率半径发生变化的曲面有很好的效果袁但该方法只适用于圆柱面袁对于复杂曲面渊如鸡蛋壳表面尧可乐瓶表面等冤则无法进行校正遥 国外的研究主要包括 CHEN等5提出的基于模糊函数相似度的检验方法袁根据选取的特征参数能够给出匹配上的特征的可靠程度袁 筛选出可靠特征并达到降低错误匹配的概率袁但该方法要求变形指纹可被提取的特征点多袁存在一些变形小的区域袁现场遗留的潜在指纹往往不满足上述条件遥 ROSS 等6以及 LIN 等7提出了基于薄板样条函数渊thin plate spline袁TPS冤对变形指纹进行校正的方法袁该方法是一种指纹纹线的匹配而不仅仅是特征点的匹配袁但该方法要取得好的校正效果袁一是需要多张同枚指纹的变形图像袁但在现场勘查中袁遗留单枚变形指纹的情况更为常见曰二是需要指纹图像能够清晰连贯高反差地从承痕体中区别出来袁而在现场勘查中各种背景干扰尧附着物干扰尧纹线反映不清晰不连贯等情况也使得该方法过于理想化遥 SENIOR 等8选择另辟蹊径袁将指纹的纹线密度假设为常数袁通过均衡化指纹纹线密度达到校正变形指纹的目的遥该方法在校正严重变形指纹时确实能够起到很好的野视觉改善冶效果袁但准确性还有待商榷袁比如 WAN 等9的相关研究中明确指出了指纹纹线密度在不同的指纹区域是不同的遥SI 等10在总结前人研究的基础上袁提出了一种基于方向特征图和频率特征图的字典法校正袁将待校正指纹输入模型后提取相关的特征袁确定待校正指纹与字典中的哪种变形模板最为接近袁再将变形模板的逆变换应用于变形指纹中袁以获得校正结果遥 该方法在 FVC 2004DB1尧FVC 2006DB2尧Tinghua DF和 NIST SD27 指纹库中均取得了优于其他校正方法的效果遥 但该方法依然存在以下两个缺陷院一是为了达到更好的校正效果袁需要大量增加模板数量袁校正指纹的时间开销显著延长曰二是该方法在应用于现场指纹库 NIST SD27 时袁校正效果明显下降袁甚至出现一些校正结果不及原图的案例袁在司法鉴定实战中表现不尽如人意遥 DABOUEI 等11在SI 等10的研究启发下袁利用深度卷积神经网络渊deepconvolutional neural network袁DCNN冤模型对变形指纹进行校正袁该方法在模型训练完成后效果优于SI 等10提出的字典法袁并且不存在时间开销延长的问题遥 但是该方法在比较时仅仅在 FVC 2004DB1 和Tinghua DF 这两个指纹库上进行了比较测试袁删去了现场指纹库 NIST SD27 的比较袁且 FVC 2004DB1和 Tinghua DF 指纹库中的指纹均为捺印样本袁该方法同样在的实践环节缺乏说服力遥为改善以上问题袁本文提出了一种混合传统模式识别和 DCNN 相结合的指纹校正技术袁将传统模式识别的鲁棒性优点和 DCNN 的准确性优点结合起来袁对变形指纹进行校正袁以提高正确比中结果在候选列表中的排位遥1材料与方法本文在栗赫遥等4与 DABOUEI 等11研究基础上袁提出了一种曲面模型传统模式识别结合 DCNN的方法遥 该方法结合了传统模式识别技术在现场变形指纹校正中对各种干扰因素鲁棒性强的优点袁以及 DCNN 网络模型在条件适当的区域校正更加准确的优点袁流程说明图如图 1 所示遥58窑窑中国司法鉴定圆园23 年第 4 期 渊总第 129 期冤图 1校正方法总体流程图1.1材 料为了突出适应现场勘查实战的需求袁本次实验在模拟指纹样本和测试指纹库两个环节均考虑实践需求遥 一是模拟指纹样本方面遥 本次实验的模拟指纹样本均为模仿遗留在现场曲面客体上的潜在指纹袁经过磁性粉刷显或 502 熏显袁并按照相应的拍照提取要求袁采用适当的光学提取方式对指纹进行拍照提取袁接近现场勘查中的实际情况袁存在客体背景干扰尧客体表面附着物干扰尧客体表面凹凸不平干扰尧纹线残缺中断干扰尧中心花纹模糊干扰等影响指纹图像质量的因素遥 二是测试指纹库方面遥 本次实验所选指纹库是上海市公安局物证鉴定中心测试指纹库袁包含了超过 200 万人的指纹信息袁即超过 2 000 万枚不同的指纹袁测试得到的比中排位的变化更具有说服力遥1.2 方 法本文方法大致可分为传统模式识别模块尧DC鄄NN 模块和融合模块这三个主要模块袁是一种由粗略校正到精准微调的校正方法遥1.2.1 传统模式识别模块传统模式识别模块是依据曲面模型袁将遗留有指纹的曲面客体看成是一组相似的曲线簇 L1沿着L2堆叠而形成的袁简化的示意图如图 2 所示遥 在客体表面沿着 L1和 L2的方向上粘贴比例尺袁在不变形的条件下袁比例尺上的刻度间的间隔是处处均匀的袁由于曲面客体的弯曲导致客体表面存在着不同程度的投影变形袁依据曲面模型和正交粘贴的比例尺可以计算出曲面任意一点的畸变场袁通过逆变换后消除指纹的变形遥首先袁要计算出在 L1处的横向畸变场袁具体方法与栗赫遥等4提出的校正方法相类似遥 通过标尺刻度宽度与标尺刻度间隔构造一个衡量弯曲程度的数组袁构造方法如下院cn=bn+an+bn+1渊1冤通过数组 cn袁可以估计出在 L1上投影畸变程度最轻的位置 t袁估算的具体方法如下院argmax balance撞Cn1t-1撞Cnt+1nt渊2冤式渊2冤中 t 的集合为候选集合袁候选集合由不小于 cn中最大元素的 99%对应的元素位置组成遥图 2曲面模型示意图L2L159窑窑Chinese Journal of Forensic Sciences熏圆园23熏 晕燥援4 Total No.129balance()函数的返回值为变量及其倒数的最小值袁根据式渊2冤求解得到的 t袁即为 L1上投影畸变程度最轻处遥 下一步是使用一个曲率半径为常数的圆弧与数组按照下式进行最佳匹配院argmin椰cn-match渊兹袁t冤椰兹渊3冤match渊冤函数是指以 t 位置处为圆弧的顶点进行的以固定曲率半径进行匹配袁则是欧氏距离的计算方法遥 为了适应各种复杂曲面的匹配袁在式渊3冤的基础上还需要进行曲率半径的二阶补偿袁如式渊4冤所示院argmin椰cn-渊match渊兹袁t冤+粤伊兹+B伊兹2冤椰粤袁月渊4冤至此袁L1处离散的横向畸变场求解结束袁下一步需要将离散的横向畸变场转变为连续的结果袁使得 L1处任意一点的横向畸变场可以被确定遥 其示意图如图 3 所示袁转化过程可按照式渊5冤进行院乙兹2acos兹d兹乙兹2acos兹d兹=MlMr渊缘冤经过连续化处理后袁L1处任意一点 琢 的横向畸变场 茁h渊琢冤的计算结果为院茁h渊琢冤=1-Lr伊sin兹2+Ll伊sin兹1Ll+Lr+A伊兹x+B伊兹2x渊远冤式渊6冤中的参数 兹x是依据式渊5冤计算得到的调和转角袁其余参数可参见式渊4冤遥 需要指出的是袁式渊3冤渊6冤需要在 t 位置处两侧分别计算匹配遥 采用上述方法同样可以计算得到 L2处的纵向畸变场 茁v渊琢冤袁具体过程不再赘述遥在获取到 L1处的横向畸变场及 L2处的纵向畸变场的基础上袁为了克服栗赫遥等4所提方法只适用于柱面客体的缺陷袁需要将畸变场的计算推广至曲面上的任意一点遥 先将 L1处的横向畸变场推广至曲面上任意一点的横向畸变场袁将曲面看成是一组与 L1相似的曲线簇在曲线 L2上的堆叠袁对曲面上任意一点的横向畸变场 茁h渊子冤进行近似估计袁具体如式渊7冤所示院茁h渊子冤越transformh x袁y袁茁h渊琢冤蓸蔀渊7冤式渊7冤中的渊x袁y冤是曲面上任意一点的坐标袁函数是依据 L2和 t 的关系袁估计得到该点所在水平线的横向畸变场和 L1处横向畸变场对应关系的变换袁示意图如图 4 所示遥 其中院图 4渊a冤中的实线表示不同水平位置的曲面弯曲可以被近似地认为是一组相似的曲线簇袁存在诸如 C1-D2袁C2-D2袁C3-D3的相似关系曰图 4渊b冤不同水平位置与 L1处横向畸变场的相似比为 r2/r1袁其中 r2表示该点水平线在通过 t的垂线和 L2之间的距离袁r1表示 L1处水平线在通过 t 的垂线和 L2之间的距离遥现还需将 L2处的纵向畸变场推广至曲面上任意一点的纵向畸变场袁依据曲面模型袁当 L1处的横向畸变场为曲率半径固定的圆弧时袁客体曲面可以看成 L2沿着 L1旋转而成袁曲面上任意一点对应转角的纵向畸变场均与 L2相同遥 当 L1处的曲率半径不固定时袁曲面上任意一点对应转角的纵向畸变场茁h渊子冤均可近似地估计为 L2拉伸变换后的结果袁计算方法如式渊8冤所示院k=乙sin cos-1L1乙sin cos-1R渊8冤茁v渊子冤=transformv x袁y袁k袁茁v渊琢冤蓸蔀渊9冤式渊8冤中的 L1和 R 分别表示 L1以及曲率半径固定为 R 的横向畸变场袁k 则是式渊9冤中的拉伸比例系数袁渊x,y冤是曲面上任意一点的坐标袁transformv渊冤函数则是由 L2处的纵向畸变场 茁v渊琢冤通过拉伸变换图 4transformh渊冤函数示意图C1C2C3D2D1D3渊a冤渊b冤tr1r2r2L2图 3畸变场连续化示意图MlMr兹1琢兹2260窑窑中国司法鉴定圆园23 年第 4 期 渊总第 129 期冤得到的纵向畸变场袁纵向畸变场的变换示意图如图5所示遥 其中院图5渊a冤中的实线表示L1处的横向畸变场袁虚线表示虚拟的曲率半径不变的圆弧对应的横向畸变场袁r1表示任意点到L1畸变场的距离袁r2表示任意点到L2虚拟曲线的距离袁r1/r2即为k曰图5渊b冤中的虚线表示L2对应的纵向畸变场袁实线表示L2拉伸变换后得到的纵向畸变场L2忆袁比例系数即为k遥1.2.2 DCNN 模块本文所提 DCNN 模块在训练集的选取尧参数的设置以及训练的具体方法上均与 DABOUEI 等11所提的方法相一致遥 从 BioCOP 2013 数据库中选择1033 枚正常指纹袁按照从 Tinghua DF 数据库中的两个主要变形因素对每一枚正常指纹生成 400 枚变形指纹袁并对 DCNN 模块进行训练遥 网络的训练次数为40 次袁每次进行 6265 次的迭代袁批量学习样本数为64袁优化方法为Adam袁其中beta为0.5袁学习率为10-4遥输入图像大小为256伊256伊1遥 每层采用的方法为卷积渊Conv冤尧数据批标准化渊batch normalization袁BN冤尧修正线性激活函数渊ReLU冤和最大池化渊max-pooling袁MP冤袁最大值池化的步长为 2遥 需要指出不同的是袁本文的模拟样本为模拟现场遗留的潜在指纹袁 而不是捺印的高反差灰度图像袁故需要对指纹图像进行预处理袁将其转化为 DCNN 需求的图像再进行处理袁网络的具体结构参见表 1遥 其中院方法有卷积渊Conv冤袁数据 BN袁修正线性激活函数渊ReLU冤袁MP袁最大池化的窗口 2伊2袁池化步长为 2曰所有的卷积步长为 1遥图 5茁v渊子冤计算示意图r2Rr1L2L2r1r2渊a冤渊b冤层数类型卷积核尺寸输入尺寸输出尺寸1Conv袁BN袁ReLU袁MP3伊3伊32256伊256伊1128伊128伊322Conv袁BN袁ReLU袁MP3伊3伊64128伊128伊3264伊64伊643Conv袁BN袁ReLU袁MP3伊3伊6464伊64伊6432伊32伊644Conv袁BN袁ReLU袁MP3伊3伊12832伊32伊6416伊16伊1285Conv袁BN袁ReLU袁MP3伊3伊25616伊16伊1288伊8伊2566Conv袁BN袁ReLU袁MP3伊3伊5128伊8伊2564伊4伊5127Conv袁BN袁ReLU袁MP3伊3伊10244伊4伊5122伊2伊10248Conv袁BN袁ReLU袁MP3伊3伊20482伊2伊10241伊1伊20489Conv1伊1伊21伊1伊20481伊1伊2表 1DCNN 结构参数1.2.3 综合应用模块传统模块和 DCNN 模块各有优点袁传统模块鲁棒性强且对图像要求低袁可应对各种干扰袁DCNN 模块的优点则是准确性高袁当指纹的小块区域干扰少且与训练集合类似时袁可取得更为准确的校正效果遥DCNN 模块输入的图像大小均为 256伊256 像素袁首先需要将 DCNN 输入的图像切割成 32伊32 像素的小块袁并且将 32伊32像素的小块与利用传统方法校正和 DCNN 校正后的相同区域对应起来袁示意图如图 6 所示遥61窑窑Chinese Journal of Forensic Sciences熏圆园23熏 晕燥援4 Total No.129综合应用的评判指标是两种校正方法结果对应分割方格的相似性遥 当相似度低时袁意味着 DC鄄NN 模块受到的干扰大且效果不佳袁适合采用传统模块校正曰反之则说明 DCNN 模块校正结果适用性强袁适合采用 DCNN 模块对传统模块结果进一步优化遥 相似度的计算方法如式渊10冤所示院酌越圻 圻r1*r2伊-r1*r2圻圻|r1|2圻|r2|2圻伊圻 圻r3*r4伊-r猿*r源圻圻|r源|r猿|22圻 圻渊10冤其中院圻r1尧圻r2尧圻r3尧圻r4分别表示 DCNN 校正结果和传统方法校正结果对应的分割方格的对角线向量袁示意图如图 7 所示遥 野*冶表示向量的内积运算袁相似度 酌 的阈值设定为 0.8遥当相似度低于阈值时袁传统模块对该分割方格校正的结果即为最终结果曰反之袁还需要结合 DCNN 模块结果在保证分割方格外轮廓的同时袁对内部像素点的分布进行一次调整袁内部调整方法遵循式渊11冤院渊x1袁y1冤=transformco transformob渊x1袁y1冤蓸蔀忆忆渊11冤式渊11冤中渊x1袁y1冤忆忆的代表融合了 DCNN 结果后袁内部调整后对应点的坐标袁渊x1袁y1冤代表传统方法校正后点的坐标袁函数是指将传统方法结果的分割方格对应到相同序数关系的 DCNN 结果的分割方格遥函数 transformco渊冤则是在确保坐标系内相对位置关系不变的约束条件下袁将 transformob渊冤计算得到的点再映射回传统方法结果的分割方格中袁示意图如图 8 所示遥 其中院图 8渊a冤中的蓝色虚线表示传统方法校正后对应的 32伊32 像素分割方格的外轮廓袁红色小方格代表每一个像素点的畸变场袁黑色实心方格表示精细调整前的初始点位置袁黑色虚线方格表示经过了 transformco渊冤尧transformob渊冤函数映射后的调整后位置曰图 8渊b冤中的蓝色虚线表示 DCNN 方法校正后对应的 32伊32 像素分割方格的外轮廓袁红色小方格代表每一个像素点的畸变场袁黑色实心方格表示初始位置由 transformco渊冤函数映射得到的对应位置遥由于邻近畸变场存在相似性袁精细调整的强度应当与邻近畸变场参与精细调整的数量正相关袁因此需要对式渊11冤修正如下院渊x1袁y1冤越渊x1+渊x1-x1冤伊棕i袁y1冤+渊y1-y1冤伊棕i冤义忆忆忆忆义渊12冤其中袁渊x1袁y1冤义义为调整的最终结果袁棕i为取决于邻近 32伊32 像素分割方格畸变场的系数袁示意图如图 怨 所示遥其中袁中间的方格是待处理的 32伊32 像素分割方格袁相邻的其他方格代表着相邻的 32伊32 像素渊a冤r1圻尧r3圻表示 DCNN 校正结果对应 32伊32 分割方格的对角向量曰渊b冤r2圻尧r4圻表示传统方法校正结果对应 32伊32 分割方格的对角线向量遥图 7相似度计算示意图渊a冤DCNN 模块输入图像的 32伊32 分割方格曰渊b冤DCNN 模块校正结果对应 32伊32 分割方格曰渊c冤传统模块识别方法校正结果对应 32伊32 分割方格遥图 6DCNN 模块和传统模块分割 32伊32 方格对应关系示意图图 8精细调整示意图transformobtransformo渊a冤渊b冤ababc62窑窑中国司法鉴定圆园23 年第 4 期 渊总第 129 期冤分割方格遥 图 怨渊a冤表示邻近 32伊32 像素分割方格满足相似度阈值的个数为 1袁棕1=0.25遥 图 怨渊b冤表示邻近 32伊32 像素分割方格满足相似度阈值的个数为 2袁棕2=0.5遥图 怨渊c冤表示邻近 32伊32 像素分割方格满足相似度阈值的个数为 3袁棕3=0.75遥 图 怨渊d冤表示邻近 32伊32 像素分割方格满足相似度阈值的个数为 4袁棕4=1遥2结 果为量化本文方法的校正效果袁使用了本文方法与 DABOUEI 等11所提方法对 40 枚模拟现场变形潜在指纹进行校正后袁在上海市公安局物证鉴定中心测试指纹库中进行检索比对袁比较未经校正的图像尧两种不同方法校正的图像在比中排名上的变化如表 2 所示遥 实验将该结果绘制成累积匹配特性曲线渊cumulative matching characteristic袁CMC冤袁具体如图 10 所示袁其中排名标记为野员#尧圆#尧猿#尧缘#尧员园#尧员缘#尧圆园#尧圆缘#尧猿缘#尧源园#尧源缘#尧缘园#尧员园园#尧圆园园#冶遥根据以上结果可以发现院渊1冤两种方法的处理结果均对比中率有提升作用遥 渊2冤本文方法对比中率的提升优于 DABOUEI 等11所提方法遥 渊3冤本文方法对低质量变形指纹的校正有显著优势袁原始图片中 50 名内的比中率为 70%袁经过 DABOUEI 等11所提方法校正后可提升到 85%袁而本文方法可提高到100%遥 通常人工复核的指纹就是候选列表中的前50 名袁故候选列表中前 50 名能否比中对司法鉴定有重大意义遥图 9系数调节示意图渊a冤渊b冤渊c冤渊d冤表 2同枚指纹在不同校对方法中的比中排名结果序号比中排名原始DABOUEI 等11所提方法本文方法11316510245131261412671518201644471981512785921950261810717111711217121313907541416191315106658165955517222182251977720111序号比中排名原始DABOUEI 等11所提方法本文方法219212276523391272462262510548926111271813289157295450630812373111132211337543411235885673611137831381083413975340222图 10不同校对方法的 CMC 结果比较1.00.90.80.70.60.50.40.30.20.10员园园#缘园#源缘#源园#猿缘#猿园#圆缘#圆园#员缘#员园#5#3#2#1#圆园园#排名原始方法DABOUEI 等11所提方法本文方法63窑窑Chinese Journal of Forensic Sciences熏圆园23熏 晕燥援4 Total No.129渊a冤原始图片袁比中排位为第 198曰渊b冤比较方法校正结果袁比中排位为第 151曰渊c冤本文方法校正结果袁比中排位为第 27遥图 11同枚指纹的比较结果渊严重的非线性形变以及表面的其他附着物降低了图片质量冤渊a冤原始图片袁比中排位为第 131曰渊b冤比较方法校正结果袁比中排位为第 65曰渊c冤本文方法校正结果袁比中排位为第 10遥图 12同枚指纹的比较结果渊红圈处的纹线重叠和整体纹线浅淡降低了图片质量冤渊a冤原始图片袁比中排位为第 39曰渊b冤比较方法校正结果袁比中排位为第 12曰渊c冤本文方法校正结果袁比中排位为第 7遥图 13同枚指纹的比较结果渊承痕体凹凸起伏的表面降低了图片质量冤当指纹纹线连贯且特征点数量多时袁变形对排位的影响较小袁本文方法显著优于 DABOUEI 等11所提方法的示例如图 1员1猿 所示遥 多种在现场勘查过程中常见的干扰因素均会显著降低指纹图像的质量遥 而在参考文献中训练样本和测试样本为捺印样本袁该样本过于理想化袁使用现场指纹测试时往往不能取得良好的效果遥3结 论指纹变形导致的 AFIS 识别准确率下降的问题一直是指纹检验中的难点遥 在现场勘查中袁曲面客体上变形指纹是一种典型的相对常见而又利用率低的疑难痕迹物证遥 现有研究方法对现场变形指纹的校正均不能取得良好的效果袁本文提出了一种混合式的校正方法袁兼顾了传统模式识别方法的鲁棒性和 DCNN 模块的准确性袁本文方法主要的优势有两点院渊1冤不需要参考指纹袁单张变形指纹图片即可校正遥 渊2冤方法在司法鉴定内适用性强袁对现场勘查中提取到的实际变形指纹存在的各种干扰均有着很强的鲁棒性袁校正效果好袁尤其是低质量变形指纹图像校正效果显著优于未校正图像及比较方法abcacbabc64窑窑中国司法鉴定圆园23 年第 4 期 渊总第 129 期冤的校正结果遥 本文介绍的方法能够稳定可靠地校正现场曲面客体上提取到的各种变形指纹袁为提高现场勘查中疑难痕迹物证的利用率提供了新的突破口遥参考文献院 1 陶桂兰袁董大刚.修正变形指纹提高比中概率的案例思考J.刑事技术袁2019袁44渊6冤院562-564 2 曹轶,超虞静,于奎栋.变形指印矫正方法及工具研发J.警察技术袁2017渊1冤院 41-43.3 仲伟波袁吕园袁李敏敏.指纹拓扑模式构建及其在识别中的应用J.中国图象图形学报袁2013渊12冤院1587-1592.4 栗赫遥袁高畅袁蔡能斌袁等.渐变曲率曲面指纹的自适应校正方法实验研究J.刑事技术袁2021袁46渊4冤院342-348.5 CHEN X J,TIAN J,YANG X.A new algorithm for dis鄄torted fingerprints matching based on normalized fuzzysimilarity measureJ.IEEE Transaction on Image Process鄄ing,2006,3:767-776.6 ROSS A,DASS S,JAIN A.Fingerprint warping us鄄ing ridge curve correspondences J.IEEE Transaction onPattern Analysis and Machine Intelligence,2006,1:19-30.7 LIN C H,KUMAR A.Matching contactless and contact-based conventional fingerprint images for biometrics iden鄄tificationJ.IEEE Transaction on Image Processing,2018,4:2008-2021.8 SENIOR A W,BOOLE R M.Improved fingerprint match鄄ing by distortion removalJ.IEICE Transactions on Infor鄄mation and System,2001,7:825-832.9 WAN D R,ZHOU J A.Fingerprint recognition using modelbased density mapJ.IEEE Transaction on Image Process鄄ing,2006,6:1690-1696.10 SI X,Zhou J,JIE Z,et al.Detection and rectification ofdistorted fingerprintsJ.IEEE Transaction on Pattern Anal鄄ysis and Machine Intelligence,2015,3:555-568.11 DABOUEI A,KAZEMI H,IRANMANESH S M,et al.Fin鄄gerprint distortion rectification using deep convolutionalC/Proceedings of 2018 International Conference on Biomet鄄rics.Washington,D.C,:IEEE Press,2018:1-21.渊本文编辑院孙年峰冤65窑窑