[论文] Fusion2Print：深度闪光‑非闪光融合用于无接触指纹匹配

Source: arXiv - 2601.02318v1

概述

论文 Fusion2Print (F2P) 提出了一种新颖的方法，通过捕获同一手指的 闪光和非闪光图像 并智能融合，以提升无接触指纹识别的效果。作者利用两种采集模式的互补优势，显著提高了指纹脊线的清晰度和匹配精度，使无接触系统更接近传统接触式扫描仪的可靠性。

关键贡献

• 配对闪光‑非闪光数据集（FNF Database）： 首个公开描述的同步闪光和非闪光无接触指纹图像集合。
• 信号层面闪光减除： 手动分离闪光图像中保留纹线信息的部分，以指导融合过程。
• 轻量级注意力融合网络： 动态加权每种模态的有效通道，同时抑制噪声和镜面高光。
• U‑Net 增强模块： 将融合输出细化为高对比度的灰度图像，优化后续匹配。
• 跨域嵌入模型： 生成统一的指纹表征，适用于无接触、闪光‑非闪光融合以及传统接触式指纹，实现跨设备的无缝验证。
• 领先的性能表现： 达到 AUC = 0.999、EER = 1.12 %——相较于使用单一采集模式的 Verifinger、DeepPrint 等主流基线，性能显著提升。

方法论

1. 数据捕获 – 对每根手指，系统快速连续拍摄两张图像：一张使用内置闪光灯（脊线细节丰富但噪声较大），另一张不使用闪光灯（背景更干净但对比度较低）。
2. 手动闪光‑非闪光减法 – 作者计算差分图像，以突出闪光灯贡献的脊线特定信号，为网络提供真实标签。
3. 基于注意力的融合网络 – 一个紧凑的 CNN 采用通道注意力，学习强调富含脊线的闪光特征，同时保留非闪光图像的低噪声背景。
4. U‑Net 增强 – 融合后的特征图通过 U‑Net 风格的编码‑解码器，锐化脊线并归一化光照，输出单张灰度指纹图像。
5. 嵌入模型 – 在增强图像与传统接触式指纹图像上训练深度 Siamese/Triplet 网络，使两个域映射到共享的嵌入空间。验证时，使用简单的余弦相似度得分决定匹配。

所有组件均设计为足够轻量，可在现代智能手机或边缘 AI 模块上实现设备端推理。

Results & Findings

• 脊线清晰度: 目视检查显示，融合后脊线‑谷底对比度提升了 2–3 倍。
• 对光照的鲁棒性: 由于补充的闪光信息，模型在不同环境光照下仍能保持高准确率。
• 跨域兼容性: F2P 的嵌入向量能够匹配非接触式和传统接触式指纹，无需使用不同的分类器。

实际意义

• 卫生认证: 可部署在客流量大的场所（机场、医院、工作场所），无需触摸扫描仪。
• 智能手机集成: 现代手机已配备闪光灯 LED 和高分辨率摄像头；F2P 可通过软件更新实现，仅需简短的双拍 UI 流程。
• 降低硬件成本: 免除专用非接触式指纹传感器的需求，只需普通摄像头加闪光灯即可。
• 兼容遗留系统: 由于嵌入空间与现有接触式数据库对齐，组织可以在不改造后端验证管道的情况下采用非接触式采集。
• 提升安全性: 更高的脊线保真度降低误接受率，使非接触式方案在银行、门禁控制和身份验证等领域可行。

限制与未来工作

• 捕获时间： 需要两次快速拍摄会在用户体验中增加几分之一秒的延迟；未来工作可以探索单次拍摄硬件（例如双调光照明）或更快的传感器流水线。
• 数据集多样性： 虽然 FNF 数据库规模庞大，但仅限于受控的室内光照和特定人群；更广泛的户外和多族裔数据将验证模型的泛化能力。
• 实际部署： 论文未涉及运动模糊、遮挡（如戒指、指甲）或极端皮肤状况等变化——这些都是进一步提升鲁棒性的研究方向。
• 模型压缩： 尽管已轻量化，融合网络加 U‑Net 对低端物联网设备仍可能偏重；可探索剪枝或量化等技术。

总体而言，Fusion2Print 证明了通过巧妙结合闪光与非闪光成像，并借助注意力驱动的深度学习，能够缩小无接触与接触式指纹系统之间的性能差距——为日常技术中更安全、更便捷的生物识别认证打开了大门。

作者

• Roja Sahoo
• Anoop Namboodiri

论文信息

• arXiv ID: 2601.02318v1
• 类别: cs.CV
• 发布于: 2026年1月5日
• PDF: 下载 PDF