Cross-Modal Registration Between 3D and 2D Fingerprints via Pose-Aware Unwrapping and Point-Cloud Fusion
作者: Xiongjun Guan, Jianjiang Feng, Jie Zhou
分类: cs.CV
发布日期: 2026-05-15
💡 一句话要点
提出一种姿态感知的3D指纹展开与点云融合方法，实现3D与2D指纹的跨模态配准。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 3D指纹 跨模态配准 点云融合 姿态估计 非参数展开
📋 核心要点
- 现有方法难以将3D指纹与传统2D指纹系统有效集成，存在接触变形和模态差异等问题。
- 提出一种统一框架，通过非参数展开、点云融合和姿态感知配准，实现3D指纹与2D指纹的跨模态配准。
- 实验表明，该框架实现了脊线级别的3D配准精度，并显著提高了3D指纹与2D指纹的匹配性能。
📝 摘要（中文）
三维（3D）指纹保留了全局手指几何结构和局部脊线结构，同时避免了接触引起的变形，但它们与传统的二维（2D）指纹系统集成仍然困难。本文着眼于3D采集和跨模态匹配之间的中间阶段，提出了一个统一的框架，用于3D指纹预处理以及非接触式和接触式2D模态之间的配准。该框架结合了四个组成部分：1）一种非参数可视化和展开方法，将3D指纹点云转换为等效的展开2D表示，而无需依赖全局手指形状模型；2）一个点云融合流程，用于注册和拼接多个局部3D捕获，形成更完整的指纹模型；3）一种基于椭圆的姿态归一化方法，用于规范的手指对齐；4）一种姿态感知的跨模态配准策略，提高了3D指纹与非接触式和接触式2D指纹之间的兼容性。在包含150个手指的自收集多模态指纹数据库上的实验表明，所提出的框架实现了脊线级别的3D配准精度、鲁棒的姿态估计以及2D兼容性的一致提升。特别是，3D融合误差集中在0.09毫米左右，非接触式2D-3D配准达到了脊线尺度的投影精度，并且姿态感知展开相对于通用3D展开提高了真实匹配分数。这些结果支持使用3D指纹作为异构指纹模态之间有效的几何桥梁。
🔬 方法详解
问题定义：现有指纹识别系统主要基于2D指纹图像，而3D指纹具有不易受接触变形影响的优点，但如何将3D指纹与已有的2D指纹系统兼容是一个挑战。现有的3D指纹处理方法通常依赖于全局手指形状模型，容易受到手指姿态变化的影响，且难以实现高精度的跨模态配准。
核心思路：本文的核心思路是通过姿态感知的非参数展开方法，将3D指纹点云转换为与2D指纹相似的展开图像，从而实现跨模态的特征匹配。同时，通过点云融合技术，将多个局部3D指纹扫描结果拼接成完整的指纹模型，提高指纹信息的完整性。姿态感知模块则用于校正手指的姿态，提高展开图像的准确性。
技术框架：该框架主要包含四个模块：1) 非参数可视化和展开模块：将3D指纹点云转换为2D展开图像；2) 点云融合模块：将多个局部3D扫描结果融合为完整的指纹模型；3) 姿态归一化模块：基于椭圆拟合进行手指姿态校正；4) 姿态感知跨模态配准模块：利用姿态信息提高3D指纹与2D指纹的配准精度。整体流程是从3D指纹点云开始，经过展开、融合和姿态归一化后，与2D指纹进行配准和匹配。
关键创新：该方法的主要创新在于：1) 提出了一种非参数的3D指纹展开方法，避免了对全局手指形状模型的依赖，提高了对不同手指形状的适应性；2) 引入了姿态感知机制，利用手指的姿态信息来指导3D指纹的展开和配准，提高了配准的准确性和鲁棒性；3) 提出了一个统一的框架，能够同时处理3D指纹的预处理、融合和跨模态配准问题。
关键设计：非参数展开方法通过局部邻域搜索和曲率估计，将3D点云投影到2D平面上，避免了全局参数模型的限制。点云融合模块采用迭代最近点（ICP）算法进行配准，并使用加权平均方法进行融合。姿态归一化模块通过椭圆拟合估计手指的旋转角度，并进行校正。姿态感知跨模态配准模块则利用姿态信息对展开图像进行校正，并使用特征点匹配算法进行配准。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架实现了脊线级别的3D配准精度，3D融合误差集中在0.09毫米左右。非接触式2D-3D配准达到了脊线尺度的投影精度，并且姿态感知展开相对于通用3D展开提高了真实匹配分数。在包含150个手指的自收集多模态指纹数据库上进行了验证，证明了该框架的有效性。
🎯 应用场景
该研究成果可应用于多模态生物识别系统，例如结合3D指纹和2D指纹的身份认证系统，提高身份识别的准确性和安全性。此外，该技术还可应用于刑侦领域，例如通过3D指纹重建和匹配，提高犯罪现场指纹识别的效率和准确性。未来，该技术有望应用于移动支付、门禁系统等领域。
📄 摘要（原文）
Three-dimensional (3D) fingerprints preserve global finger geometry and local ridge structure while avoiding contact-induced deformation, but they remain difficult to integrate with legacy two-dimensional (2D) fingerprint systems. This paper addresses the intermediate stage between 3D acquisition and cross-modal matching, and presents a unified framework for 3D fingerprint preprocessing and registration across contactless and contact-based 2D modalities. The framework combines four components: 1) a nonparametric visualization and unwrapping method that converts a 3D fingerprint point cloud into a rolled-equivalent 2D representation without relying on a global finger-shape model; 2) a point-cloud fusion pipeline that registers and mosaics multiple partial 3D captures into a more complete fingerprint model; 3) an ellipse-based pose normalization method for canonical finger alignment; and 4) a pose-aware cross-modal registration strategy that improves compatibility between 3D fingerprints and both contactless and contact-based 2D fingerprints. Experiments on a self-collected multimodal fingerprint database containing 150 fingers show that the proposed framework achieves ridge-level 3D registration accuracy, robust pose estimation, and consistent gains in 2D compatibility. In particular, the 3D fusion error is concentrated around 0.09 mm, contactless 2D--3D registration reaches ridge-scale projection accuracy, and pose-aware unwrapping improves genuine matching scores relative to generic 3D unwrapping. These results support the use of 3D fingerprints as an effective geometric bridge across heterogeneous fingerprint modalities.