Joint Identity Verification and Pose Alignment for Partial Fingerprints

目前，便携式电子设备越来越受欢迎。考虑到轻量化的因素，它们的指纹识别模块通常使用尺寸有限的传感器。然而，部分指纹具有较少的可匹配特征，特别是当手指按压姿势或图像质量存在差异时，这使得部分指纹验证具有挑战性。大多数现有方法将指纹位置矫正和身份验证视为独立的任务，忽略了它们之间的耦合关系——相对姿态估计通常依赖于成对的特征作为锚点，并且身份验证准确性往往随着更精确的姿态对齐而提高。在本文中，我们提出了一种新的框架，用于部分指纹对的联合身份验证和姿态对齐，旨在利用它们之间的固有相关性来相互改进。为了实现这一目标，我们提出了一个多任务CNN-Transformer混合网络，并设计了一个预训练任务来增强特征提取能力。在多个公共数据集（NIST SD14、FVC2002 DB1A和DB3A、FVC2004 DB1A和DB2A、FVC2006 DB1A）和一个内部数据集上的实验证明，我们的方法在部分指纹验证和相对姿态估计方面均达到了最先进的性能，同时比以前的方法更高效。

本论文旨在解决指纹识别中局部指纹匹配困难的问题，提出了一种联合身份验证和姿态估计的框架，以改善两者的性能。

论文提出了一种多任务CNN-Transformer混合网络，设计了一个预训练任务来增强特征提取能力，从而实现局部指纹对的身份验证和相对姿态估计的联合优化。

论文在多个公共数据集和内部数据集上进行了实验，证明该方法在局部指纹验证和相对姿态估计方面均取得了最先进的性能，同时比以前的方法更高效。值得关注的是，该方法采用了预训练任务来增强特征提取能力，同时提出了一种新的多任务学习框架。

最近的相关研究包括：'Deep Learning for Fingerprint Recognition: A Survey'，'Fingerprint Matching Using a Hybrid Convolutional Neural Network'，'Deep Learning for Latent Fingerprint Enhancement and Matching'等。