《Pattern Recognition》：A Review of Advancements in Latent Fingerprint Recognition: Unravelling Algorithms, Opportunities, Challenges and Responsible Deployment
编辑推荐：
潜在指纹识别通过AI技术显著提升，但仍面临数据质量差、模型可解释性不足及对抗攻击等挑战。本文系统综述了AI在指纹增强、重建、匹配等环节的应用进展，分析GAN等生成模型在合成数据中的优势，并探讨黑客利用AI的攻击手段（如对抗样本、模型投毒），提出通过可解释AI和联邦学习构建安全系统的未来方向。
里蒂卡·达内什瓦尔（Ritika Dhaneshwar）| 塔努·瓦德赫拉（Tanu Wadhera）
印度昌迪加尔旁遮普大学工程学院（University Institute of Engineering and Technology, Panjab University, Chandigarh, India）
摘要
随着人工智能（AI）的进步，潜在指纹识别技术得到了显著的发展和完善。尽管AI在克服潜在指纹识别挑战方面发挥了关键作用，但其被非法利用的问题也不容忽视。本文介绍了潜在指纹识别的基本原理，并回顾了基于AI的潜在指纹系统，重点关注了对手可能利用的漏洞来攻击这些系统。文章的后续部分围绕五个研究问题展开，每个部分都进行了专门的讨论、批判性分析以及未来可能的发展方向。这些研究问题的设计旨在全面涵盖技术、伦理和部署等方面，以确保该领域的实用性和理论深度。此外，本文还讨论了基准潜在指纹数据集的规格以及利用AI生成合成指纹的方法。文章指出了现有技术的缺点和挑战，并提出了在潜在指纹识别中运用可解释性和负责任AI概念的建议。因此，本文为开发安全、可靠且强大的识别系统提供了新的工具和智能方法。本文提出了将安全性和AI结合到潜在指纹识别中的两种方式：i) 合成指纹数据的生成；ii) 具有可解释性的数据识别，以提高模型的商业可行性。未来，目标是将量子AI、联邦学习、边缘计算等新兴技术应用于构建负责任且强大的指纹识别系统。
引言
潜在指纹是从犯罪现场提取的无色且不可见的印记。在现实情况下，由于这些印记的非故意性，执法机构收集到的证据质量较差。为了更好地可视化和捕获这些证据，需要对样本进行额外处理。这些印记的不可控性导致了诸如部分指纹样本、指纹重叠、指纹纹理质量差、虚假细节、背景噪声、人为干预（样本的采集和标记）以及数据集有限等问题。这些挑战促使研究人员采用物联网（IoT）、边缘计算、专家系统、人工智能（AI）、计算机视觉和模糊系统以及识别系统的自动化等新兴技术来进行创新。目前该领域专家的重点是利用AI技术的认知潜力来提升潜在指纹识别系统的性能。一些使用AI的先进方法，如指纹纹理流估计、基于虚拟细节的指纹重建、特征提取（使用自编码器、卷积神经网络CNN等），已经取得了令人满意的结果[1]。这些方法在解决虚假细节生成、样本重叠、背景噪声等问题方面发挥了重要作用。然而，由于严格的 数据保护和隐私法规，大规模高质量数据集的收集变得困难，而这对于该领域的AI驱动研究至关重要。由于多样化的潜在指纹数据集公开可用性有限，研究人员开始探索数据匿名化和合成数据生成等方向，以满足实际需求。由于手动收集潜在指纹数据集既耗时又昂贵，研究人员提出了基于AI的生成架构，如变分自编码器（VAEs）、生成对抗网络（GANs）和扩散模型等，以创建逼真的合成数据样本[2]。在生成模型中，GANs是最受欢迎的架构，用于生成匿名和多样化的样本。它们能够保留指纹的纹理细节、微小特征和其他重要特性，从而生成真实且高质量的数据样本（例如深度卷积GANs（DCGAN）、StyleGAN、CycleGAN等）。本文详细探讨了GAN模型在潜在指纹识别领域的应用。
尽管AI在该领域得到了广泛应用，但它也被视为一把双刃剑。强大技术的非道德用途引发了对其可信度和责任性的诸多质疑。如今，黑客正在利用复杂的AI工具和技术来利用认证和识别系统的漏洞。展示攻击、数据重建、模型投毒、对抗性攻击和欺骗检测规避等策略是黑客常用的手段。由于AI算法的辅助，这类不道德行为显著增加。这些新挑战促使人们重新审视和探索开发负责任潜在指纹识别框架的新方法。
此外，为了制定有针对性的研究问题，对潜在指纹识别领域的现有综述文章进行了调查。大多数作者专注于潜在指纹识别的各个独立阶段：Chhabra等人[3]回顾了基于深度学习的潜在指纹分割方法，Fang等人[4]关注了增强技术，Sankaran等人[5]则研究了匹配方法。Singh等人[6]和Peng等人[7]的一些最新研究提供了涵盖大部分阶段的全面综述，但他们没有讨论潜在指纹识别中的负责任AI视角。本文扩展了基于AI的潜在指纹系统的安全性和可靠性方面的研究。文章讨论了潜在指纹识别的基本原理，并回顾了过去十年用于分析指纹证据的AI方法。指出了研究空白和局限性，为改进潜在指纹工具和方法提供了机会。同时，讨论了AI在潜在指纹识别中的作用，特别关注了AI的伦理问题和责任，这使本文与现有文献有所不同。据作者所知，现有文献中缺乏涵盖本文所述内容的文章。
本文探讨的研究问题如下：
RQ1. 潜在指纹是如何被处理和分析以用于识别的？
RQ2. 基于AI的方法如何推动了潜在指纹的分割、增强、重建和匹配技术的发展？
RQ3. 标准潜在指纹数据集的规格是什么？生成合成指纹的技术有哪些？
RQ4. 对手使用哪些技术来破坏基于AI的潜在指纹系统？
RQ5. 如何确保在潜在指纹识别中负责任地使用AI？
为填补现有文献的空白，本文从负责任AI的角度分析了潜在指纹识别领域。文章还提供了现有方法的全面分阶段回顾，包括其优势和局限性，并提出了破坏AI系统的对策，以指导更安全的识别系统的开发。文章结构如下：第2节讨论了系统综述的框架。第3节介绍了潜在指纹的基本处理方法，回顾了现有的基于AI的潜在指纹分割、增强、重建和匹配方法。第4节讨论了数据集的规格，并比较了合成指纹生成的技术。第5节探讨了负责任AI在潜在指纹识别中的作用。文章进一步讨论了研究的优势和劣势，以及现有的挑战，并提出了未来的研究方向。
系统综述协议
系统综述协议
本文遵循PRISM协议[8]对现有文献进行了系统综述，具体内容如图1所示。综述重点关注了AI在潜在指纹分割、增强、重建、合成样本生成、负责任AI、指纹识别系统攻击及其预防方面的应用。同时分析了现有的基准潜在指纹数据集，以收集有关捕获的特征等关键信息。
潜在指纹处理——传统方法与AI方法
潜在指纹，通常被称为“沉默的证人”，在法医分析中起着重要作用，它们是由人体自然分泌物（如汗液或油脂痕迹）生成的。由于这些印记的非故意性和不可控性，提取的指纹质量通常较低，这使得开发可靠且强大的识别系统变得困难。在本节中，作者旨在解决与RQ1相关的问题，即如何处理和分析这些印记。
基准潜在指纹数据集
本文在表6中总结了最常用的指纹数据集，提供了详细的规格和特征，以支持RQ3的研究。这些数据集主要在收集机制、分辨率和捕获的特征类型等方面存在差异。图4展示了来自不同数据集的一些样本。进一步分析现有数据集后，制作了一个饼图，显示了特定数据集在基于AI的研究论文中的使用百分比。
负责任AI在潜在指纹识别中的整合
AI的快速发展为指纹分割、增强和匹配等复杂问题提供了先进的解决方案。它通过提高精度和减少冗余工作量增强了人类的能力。尽管AI带来了巨大的好处和机会，但其灰色地带也不能被忽视。对手正在利用AI工具的优势和便利性进行不道德活动。
讨论
随着先进智能算法、工具和技术的采用，潜在指纹识别领域取得了巨大进展。传统上，法医专家需要手动检查指纹样本。在这种方法中，细节标记依赖于人工操作，容易出现主观不一致性和人为错误。例如，在检查样本时，不同专家可能会根据经验将某些细节视为单一特征或组合特征。
挑战、解决方案和未来展望
基于AI的潜在指纹识别为法医分析和调查做出了巨大贡献。然而，要构建安全、可靠、高效且负责任的识别系统，仍需解决许多挑战。主要需要改进和发展的领域包括：
1. 潜在指纹的可视化——从犯罪现场提取的潜在指纹样本通常肉眼不可见。为了可视化这些样本，使用了多种技术
结论
潜在指纹识别在AI、深度学习和图像处理算法的推动下取得了显著进展。本文系统地回答了提出的研究问题（RQ1至RQ5），同时评估了这些技术与负责任AI原则（包括公平性、透明度、隐私和问责制）的一致性。为了解决RQ1，文章分阶段讨论了相关步骤
CRediT作者贡献声明
里蒂卡·达内什瓦尔（Ritika Dhaneshwar）：撰写原始草稿、可视化设计、方法论制定、数据整理。塔努·瓦德赫拉（Tanu Wadhera）：撰写审查和编辑内容、验证、监督、调查、概念构思。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
