指纹解锁里AI能做什么

手指皮肤和身体皮肤对比图

皮肤是人体最大（面积）的器官，却不同地方有着不同的特征，就像手指上的皮肤和胳膊上的皮肤有很大不同。

（像指纹皮肤有凹凸没毛发，虽然年龄增长但是指纹唯一不变，相比之下保留下来的时候还能便于收集痕迹。）

于是，这期我们来给大家讲讲，「指纹识别」——身份识别的一种。

01

什么是指纹识别

技术向的解释是：利用传感器、图象处理、模式识别的技术来自动或者半自动的识别两个指纹。

图 2. 指纹识别技术流程

通俗的说，通过采集图像、提取特征、匹配库里的数据，识别指纹是否是库中做过标记的指纹。

在最后的匹配中，根据不同的应用大致分为三种匹配方式。

第一是1对N匹配，例如将在犯罪现场发现的指纹与指纹数据库中的指纹进行匹配。

第二种是先进行1对N匹配，再进行1对1匹配，例如现在出入境一般就有这两个环节，一个是给外国人发签证的时候为了防止多重身份，要做一个1对N的排查，当过关的时候则需要1对1地确定入境的是当事人。

第三种应用就是1对1的身份验证，就像我们动动我们的手指，打开我们的手机锁。

02

图像采集

指纹图像的采集可以分两种。比较早的就是离线采集（off-line method），例如我们在电视剧里看到过的油墨采集，还有在犯罪现场撒灰获得指纹后粘贴到胶带上保留的采集。

随着时代的进步，在线采集（on-line method）的使用越来越广泛。相对来说采集的原理更为的多。有基于光学全反射原理的，也有通过电容传感器或者超声波等方式的，也有用相机直接拍照的。

但是不管什么样采集方式，最后得到的图像大概就是下面这三种。

图 从左到右分别为油墨指纹、来自现场的潜指纹和基于光学全反射原理的指纹

指纹的质量决定了识别的准确率（当然其他生物特征的图像质量也是如此）。有很多原因会造成图像质量差。比如当按手指时，按的方式和手的姿态也对图像质量都有影响。这些低质量指纹对于指纹识别算法都是很大的挑战。

（所以这就是为什么侧边指纹比较少比如大法家的，绝大多数的手机厂商会以正面或背面指纹运用较多的原因~）

03

特征提取

指纹的特征有比较清晰的定义，早些年没有自动指纹识别算法时指纹鉴定专家就利用这样的特征来做识别。这些特征依据分辨率大致可以分为三个层次。

第一层：脊线方向和频率。即指纹的方向场和脊线的密集程度。

第二层：脊线。当分辨率提高时，我们可以观察到脊线以及上面的一些特殊点（端点和分叉点），这也叫做细节点。

第三层：脊线的内外轮廓。当分辨率再高一些可以观察到脊线并不是线，我们可以看到它有自己的外轮廓，中间还有一些白色空洞（即汗孔）；不同手指上这些汗孔的位置和形态也存在差异。

现在的指纹识别系统主要利用的是前两层特征，因为第三层特征对于采集仪和手指皮肤的状况要求比较高，太过敏感。通常的做法是先提取第一层特征，然后在第一层特征的指引下提取第二层特征。

04

匹配

大部分指纹匹配算法是基于细节点的匹配，所以这个步骤就是点与点匹配的问题。

细节点匹配

因为指纹的细节点是带着方向的（比如你按指纹的时候是偏左还是偏右按压）；因此获得点的类型并不稳定。

指纹对齐是细节点匹配的关键一步。和虹膜识别不同的是，两个虹膜图像是可以做到绝对的对齐，而指纹识别因其每次按压的方式不同，只能做到找到对应点后，通过某种方法算出匹配分数。

05

深度学习方法

那么对于那些残缺的指纹，现在在人工智能领域，也有较好的进展。

清华大学冯建红副教授，进行了相关实验。实验团队对Faster R-CNN 模型做了修改，把不同角度的指纹当成不同的类去检测。

图 深度学习方法

转变遇到的两个问题

1

如何把同一个角度的多重响应合并起来？

类内的合并

2

如何根据各个角度检测的结果差值得出一个角度分辨率较高的角度？

类间的合并

实验结果

1

大约有 95% 以上的指纹位置偏差小于 2.6 毫米，角度偏差小于 5 度。

算法估计的结果和专家凭经验标注的姿势的一致性

2

95％ 的指纹位置偏差小于 2.4毫米，方向偏差小于 7 度。

对于同一个手指按出的两个指纹图像，算法估计出的姿态的一致性

3

通过估计姿态的方法确实可以大大地降低搜索时间和错误率。

算法是否能够提高速度和精度

在大库检索中利用估计的指纹姿态， 无论在速率还是错误率上的表现都得到大大地提升。

小编终于把这篇呕心沥血写出来的文案发了，感觉周末都能好好过了呢~好啦，下期见啦！

END

子询AILab

以最有趣的方式了解AI

φ(>ω