Recursive Class Connectivity Classification (R3C) Applied to Binary Image Segmentation for Improved Infant Fingerprint Enhancement

Résumé technique : Classification de connectivité de classe récursive (R3C) pour l'amélioration des empreintes digitales infantiles

Énoncé du problème
La reconnaissance des empreintes digitales infantiles fait face à des obstacles significatifs par rapport aux biométries adultes en raison de différences physiologiques, notamment des dimensions digitales plus petites, des structures de crêtes plus fines et une malléabilité de la peau. Ces facteurs entraînent une mauvaise qualité d'image, des motifs de crêtes et de vallées flous et une définition des caractéristiques incohérente, même lors de la capture avec des scanners haute résolution (par exemple, 5 000 ppp). Bien que les méthodes d'amélioration standard (telles que les filtres de Gabor ou les modèles d'apprentissage profond) soient efficaces pour les adultes, elles échouent souvent à capturer des structures significatives dans les empreintes digitales infantiles, conduisant à de faibles taux d'identification. De plus, la rareté des jeux de données d'empreintes digitales infantiles annotées limite le développement de solutions d'apprentissage profond supervisées spécifiquement adaptées à cette démographie. Les techniques d'amélioration existantes produisent souvent des motifs de crêtes fragmentés ou échouent à segmenter entièrement les régions de faible qualité, entravant l'extraction et la mise en correspondance des minuties.

Méthodologie : Classification de connectivité de classe récursive (R3C)
L'article propose R3C, un cadre novateur conçu pour affiner itérativement les sorties de segmentation binaire issues de méthodes d'amélioration existantes, sans nécessiter de données d'entraînement ni de modifications des classificateurs sous-jacents. Contrairement aux approches précédentes qui reposent sur des points de départ explicites ou des caractéristiques de connectivité (comme le cadre ELEMENT pour les vaisseaux rétiniens), R3C fonctionne en réinjectant récursivement la sortie classifiée dans l'image d'entrée.

Le mécanisme central comprend :

1. Initialisation : Une image d'entrée $M$ est traitée par un classificateur binaire $f$ pour produire une segmentation initiale $C$.
2. Fusion récursive : La segmentation $C$ est combinée à l'entrée originale $M$ via une somme pondérée : $A = M + \alpha \times C$, où $\alpha$ est un paramètre de fusion contrôlant la transparence de la superposition de segmentation.
3. Itération : L'image combinée $A$ devient l'entrée pour l'itération suivante du classificateur. Ce processus se répète, permettant au classificateur de « voir » ses propres prédictions précédentes, propageant ainsi l'information de classe et étendant les structures de crêtes.
4. Terminaison : La récursion s'arrête lorsque la différence entre les sorties de segmentation consécutives, $d(C_i, C_{i-1})$, tombe en dessous d'un seuil prédéfini $\epsilon$.
5. Régularisation : Pour empêcher l'expansion itérative de déformer la largeur des crêtes, la méthode applique une étape de squelettisation (algorithme d'amincissement de Zhang et Suen) à la sortie du classificateur avant la fusion. De plus, une inversion des couleurs est appliquée pour assurer la compatibilité entre la représentation crêtes sombres/vallées claires des images brutes et la sortie crêtes blanches/vallées sombres de certains filtres d'amélioration.

Contributions clés

• Cadre novateur : Introduction de R3C, une méthode sans entraînement et agnostique au classificateur qui améliore la segmentation binaire en exploitant la connectivité des pixels via des boucles de rétroaction récursive.
• Indépendance des données : La méthode fonctionne sans nécessiter de données d'entraînement de vérité terrain, répondant au manque critique de jeux de données d'empreintes digitales infantiles annotées.
• Large applicabilité : Le cadre est conçu pour s'intégrer de manière transparente à divers classificateurs d'amélioration, y compris les méthodes traditionnelles basées sur des filtres (Gabor, FFT) et les modèles d'apprentissage profond (CNN, GAN).
• Amélioration qualitative : La méthode démontre sa capacité à reconnecter les motifs de crêtes fragmentés et à étendre la couverture de segmentation aux régions précédemment manquées par les classificateurs autonomes.

Résultats expérimentaux
L'étude a évalué R3C sur trois jeux de données : CMBD (enfants de 18 mois à 4 ans), NITG (enfants, uniquement pouces) et UTFPR-NFD (nouveau-nés, 3 heures à 3 jours). Quatre classificateurs ont été testés : filtres de Gabor, NBIS (FFT), SegV4 (CNN commercial) et FingerGAN (GAN d'amélioration latente).

• Gains de performance :
  • Nouveau-nés (UTFPR-NFD) : R3C a produit les améliorations les plus significatives. Pour le classificateur SegV4, le taux de vraie acceptation (TAR) à un taux de fausse acceptation (FAR) de 1,0 % est passé de 5,04 % à 7,42 % (un gain relatif d'environ 47 %). FingerGAN, qui n'a pas produit de correspondances en mode autonome à FAR=0,1 %, a atteint un TAR de 0,27 % lorsqu'intégré à R3C.
  • Enfants plus âgés (CMBD) : R3C a fourni des gains modestes mais constants. Pour les filtres Gabor et NBIS, des améliorations de TAR allant jusqu'à 4 % ont été observées à FAR=1,0 %.
  • Jeu de données NITG : Les résultats étaient mitigés ; bien que certains gains marginaux aient été constatés, l'intégration de R3C avec FingerGAN et NBIS a en réalité dégradé les performances, suggérant que le processus récursive peut introduire du bruit dans certains contextes.
• Limites : La méthode engendre un coût de calcul dû à plusieurs appels du classificateur par image. Dans certains cas (par exemple, FingerGAN sur CMBD/NITG), le processus récursif a introduit de fausses structures de crêtes (bifurcations spuriées), entraînant une diminution de la précision de la mise en correspondance.
• Performance absolue : Malgré les améliorations, les taux d'identification absolus pour les nouveau-nés restent faibles (par exemple, TAR maximal de 7,43 % pour les nouveau-nés à FAR=1,0 %), soulignant que R3C est un outil d'amélioration plutôt qu'une solution complète au défi biométrique infantile.

Signification et affirmations
Les auteurs positionnent R3C comme une solution flexible et largement applicable pour améliorer la segmentation binaire dans des scénarios où les données d'entraînement ne sont pas disponibles. L'article affirme que R3C étend efficacement la couverture d'amélioration aux régions d'empreintes digitales précédemment manquées par les méthodes de référence, améliorant ainsi la qualité visuelle de la segmentation et aidant potentiellement à l'extraction de minuties.

L'étude souligne que, bien que R3C améliore le potentiel de mise en correspondance en affinant la connectivité des crêtes, il ne comble pas entièrement l'écart de performance entre les biométries infantiles et adultes. Les auteurs notent que l'« effet de l'âge » reste un facteur dominant, les nouveau-nés présentant les défis les plus significatifs. Ils concluent que R3C est particulièrement précieux pour l'enrôlement des empreintes digitales de nouveau-nés, où il peut aider à capturer des structures de crêtes et de vallées souvent perdues dans le traitement standard, mais ils mettent en garde contre le fait que son application nécessite un réglage soigneux des paramètres (spécifiquement $\alpha$ et $\epsilon$) pour éviter la sur-segmentation et l'introduction d'artefacts. Le travail suggère que les avancées futures nécessiteront probablement une combinaison de protocoles d'acquisition améliorés, de modèles d'apprentissage profond spécialisés et de cadres comme R3C pour parvenir à une identification infantile fiable.