面向跨终端的交叉库与小面积指纹识别及身份认证系统研究

Cross-terminal fingerprint recognition is the normalization of fingerprint recognition algorithm for different specifications of the fingerprint, aiming to eliminate barriers between the recognition of different terminals at the algorithm level. Cross-matching fingerprint recognition of different acquisition principles and small-area fingerprint recognition of small collection area are two key issues in cross-terminal fingerprint recognition. In this project, the cross-match fingerprint recognition and small-area fingerprint recognition are studied in detail. Cross- matching fingerprint matching model based on propagation algorithm, geometric topology and ridge counting is established to overcome the problem of systematic deformation and inherent elastic deformation. Based on the deep learning, a multivariate small-area fingerprint mosaicking method is used to achieve high-quality fingerprint composite template. Integrating the biometrics template protection technology based on the irreversible transformation, a cross-terminal fingerprint recognition and identity authentication system is designed and implemented to promote cross-terminal identity authentication technology in the current mobile Internet more extensive and deeper applications.

随着移动互联网的兴起以及配备各种指纹采集仪的终端设备的普及，指纹采集设备小型化及原理、规格不一致使用户在交叉认证时存在较大误差，在识别方法、安全保护等方面带来新的理论和技术问题。因此，面向跨终端的指纹识别技术是一个亟待深入研究的课题。跨终端指纹识别即针对不同规格的指纹图像进行的识别算法归一化，旨在算法层面消除不同终端之间的识别壁垒。本项目深入分析跨终端指纹识别中的两个关键问题——交叉库指纹识别与小面积指纹识别，建立基于传播算法、几何拓扑结构和脊线计数的交叉库指纹匹配模型，克服交叉库指纹识别中存在的系统形变以及固有弹性形变问题；建立基于深度学习的多元小面积指纹拼接模型，得到高质量的指纹拼接图像，提出基于指纹拼接的高精度小面积指纹识别方法；融合了基于不可逆变换的生物特征模板保护技术，设计并实现跨终端的指纹识别与身份认证应用系统，推动跨终端指纹识别技术在当前移动互联网领域更广泛和更深层次的应用。

随着移动互联网的兴起以及配备各种指纹采集仪的终端设备的普及，指纹采集设备小型化及原理、规格不一致使用户在交叉认证时存在较大误差，在识别方法、安全保护等方面带来新的理论和技术问题。因此，面向跨终端的指纹识别技术是一个亟待深入研究的课题。跨终端指纹识别即针对不同规格的指纹图像进行的识别算法归一化，旨在算法层面消除不同终端之间的识别壁垒。本项目深入分析跨终端指纹识别中的关键问题——交叉库指纹识别与小面积指纹识别，建立基于深度风格迁移和匹配分数融合的交叉库指纹匹配模型，克服交叉库指纹识别中存在的系统形变以及采集仪风格不统一等问题，在自建库和公开库上的交叉库指纹匹配实验EER分别达到0.5%以下和5%以下；建立基于深度学习的多元小面积指纹拼接模型，得到高质量的指纹拼接图像；提出基于深度学习的高精度小面积指纹识别方法，。。。；提出基于谱聚类和高区分性指纹细节点邻域融合特征的指纹定长二值特征提取算法在公测库FVC2002 DB1-DB3上指纹匹配实验EER达到0.87%、0.71%和3.23%；基于IMM Hashing（Indexing-Min-Max hashing）的指纹模板保护算法在FVC2002数据库上性能表现优异，尤其是在DB1和DB2上的EER均小于0.5%；基于OPH(One Permutation Hashing）的指纹模板保护算法公测库FVC2002 DB1-DB3上EER达到0.19%、0.51%和3.44%；同时在低质量指纹库FVC2004上也取得了较好的结果。提出的指纹模板保护方法均满足不可逆、可撤销等生物特征模板保护的要求。提出了一种新的基于Transform+ResNet的轻量级指纹活体检测网络来区分活体指纹和假指纹，并使用CycleGan风格迁移增加伪造指纹图像以增强其在未知材料上的泛化能力，在LivDet2015数据库上取得了较好的实验结果，并体现了较好的对于未知材料假指纹检测的泛化能力。开发了融合活体指纹检测和生物特征模板保护技术的高安全指纹识别系统，推动跨终端指纹识别和指纹模板保护技术在当前移动互联网领域更广泛和更深层次的应用。