1998 — 1999年, 为调查专业人员对指印伪造现象的看法, Geller等^[2]在爱沙尼亚、法国、以色列、瑞士四国开展了一项针对指纹工作者的国际调查, 这项调查共有152名具有10年以上指纹检验工作经历的现场勘查人员、指纹检验专家参加。分析调查结果后, 研究人员发现, 尽管参与者都认为指印伪造现象存在, 但绝大部分都无法发现、辨别伪造指印, 因此对伪造指印进行技术、社会学和法律层面的研究极有必要。Espinoza等^[3]则将活体采集的同一人的伪造指印与真实指印录入数据库中, 用AFIS系统比对并比较真伪指印比中得分, 实验结果表明, 高分辨率指纹传感器对伪造指纹的识别能力也十分有限。2015年, 司法部颁布了《文件上可见指印鉴定技术规范》^[4], 该技术规范从形态学比对角度提出了可见指印概念和可见指印可能具有的积墨特征、漏白特征、边缘特征、介质特征和变异特征等指印印面特征, 但并未对这些特征的定义、价值等进行进一步阐述。尽管目前未形成识别指印形成方式、判断指印真伪的检验方法, 但实际工作中涉及此类检验的案件逐年增多, 已成为指纹检验工作的难点和痛点。

要系统认识伪造指印、研究其识别方法, 首先应当对伪造指印这一研究对象进行分类。现有文献中的分类标准各异, 主要可以依据伪造方式和指印是否可见对伪造指印进行分类。

1.2.1 按伪造方式分类

依据伪造方式分类, 伪造指印可分为直接伪造和间接伪造：直接伪造是以被伪造指印所在手指为母版, 即在指纹所属主体的主动或被动配合下完成; 间接伪造则是以手指遗留的指印（显现后的潜在指印或可见指印）为母版进行伪造^[1]。

Harper^[5]将指印伪造分为了两大类：以真实指印为模板制作模具的伪造和转移指印遗留物质的伪造。张森^[6]将伪造指印分为直接伪造指印和间接伪造指印两大类别, 并进一步对这两类伪造指印进行细分：直接伪造指印包括利用尸体手印伪造死者生前押名手印, 以及从日常场所中转移至犯罪现场的案件无关人员的真实指印; 间接伪造指印包括利用化学制模法、以粉末类物质为介质的转印制模法、“ 溺死手套” 法、彩色打印/复印法、照相制模法、转印法方式制作的指印。Geller等^[7]总结了三种主要的指印伪造方式：指模伪造、提取转移、图片拼接修饰, 以及两种新型伪造方式：利用美容假手套（假肢）伪造、计算机模拟指纹细节特征伪造。以上伪造方式均可归纳为直接和间接伪造两种类别。实际上, 直接伪造指印的本质, 在于伪造者能够在被伪造者的主动或被动配合下, 接触到其手指并进行伪造; 间接伪造指印的本质, 在于伪造者利用的是被伪造者的指印而非手指。

1.2.2 按是否可见分类

按指印介质的不同, 伪造指印可分为潜在伪造指印和可见伪造指印。潜在伪造指印是指无法用肉眼直接观察到、需显现处理的伪造指印; 可见伪造指印即无需技术显现, 通过目测或借助放大镜即可观察到的有色加层或减层指印^[4]。

Saharan等^[8]用PVA材料制作指模, 蘸取人工汗液捺印在纸张、硬纸板、本色木等渗透性客体和塑料瓶、玻璃等非渗透性客体上制作伪造汗潜手印样本, 以研究显现后的汗潜伪造手印和在同等条件下遗留的真实汗潜手印的区别。潘自勤等^[9]利用液态硅胶制作仿生指纹膜, 分别用仿生指纹膜和手指捺印汗潜指印并显现, 以比较仿生指纹膜印与真实指印的特征差异。Dittmann等^[10]制作了3D打印指模, 蘸取人工汗液后在纸张、玻璃片等常见客体上捺印伪造汗潜手印样本, 首次提出了犯罪现场勘查中识别伪造汗潜手印痕迹的步骤以及检测特性（detection properties, DP）、环境异常特性（context anomaly properties, CAP）等概念。

可见伪造指印主要指文书上的印油/印泥伪造指印。由于习惯和传统不同, 国外鲜有此类伪造指印, 文献中有报道的仅1916年印度加尔各答曾发生的一起支票伪造指印案件^[7]。国内王勇等^[11]通过比较光敏指纹印章盖印指印与手指捺印红印油指印, 提出了区分光敏印模指印与捺印指印所依据的特征, 并对指印形成方式的检验方法进行了阐述。李珍珍等^[12]分别以真实指纹的立体指印、文件上的真实指印为模版制作了硅胶高仿指模和感光树脂板高仿指模, 并从指模的制作原理、指印形成机制、变化因素、表现形式等方面, 分析了高仿指模与真实指纹、指印的特征差异。孙年峰等^[13]分别以三名志愿者的印泥指印为母版采用曝光法制作指模, 并形成对应的伪造指印, 通过整体比较、重叠法分析尺寸差异、纹线形态比较、汗孔特征比较、墨迹分布比较等方法, 对伪造指印与对应母版指印进行整体和微观分析, 得出了伪造指印与母版指印的差异和特点, 并指出识别伪造指印需要综合多种特征分析, 强调墨迹分布特征是识别伪造指印的主要依据。

形态学比对是痕迹检验中较为常用的检验方法, 也广泛应用于伪造指印识别。国内外研究人员采用形态学比对方法所提出的伪造指印特征, 可根据其反映指印特征的层级归纳为整体特征和显微特征两大类。形态学比对方法研究采用的特征及伪造方式见补充材料表S1。

2.1.1 整体特征

整体特征主要包括墨迹分布特征、指印印面形态特征、伪造指印与母版指印的尺寸差异、纹线质量特征、背景噪声等, 其反映的是指印总体形态和可见指印油墨分布特征。其中, 墨迹分布特征之所以能够用于区分真伪指印, 主要原因是伪造指印所用的模具较人的手指刚性更强、印面更为平整, 以及模具（尤其是光敏印章）的出墨方式与手指蘸取油墨捺印不同^[11]; 制作模具所用设备的精密程度和制模材料自身特性则会造成纹线质量差异和背景噪声的出现^{[1, 11, 13]}; 伪造指印与母版指印的尺寸差异主要是制模过程中的缩放导致的, 且这种缩放为设备所固有, 但要注意手指捺印也会由于用力、角度的不同造成指印尺寸发生细微变化^{[1, 13]}。

2.1.2 显微特征

显微特征主要包括露白特征、空白特征、印面疵点特征、纹线缺失特征、纹线宽度异常、微孔特征等, 这类特征关注的是单一指印纹线的形态以及纹线间的关系特征, 往往需要借助放大镜、显微镜等工具进行观察。此外, 模具自身瑕疵造成的痕迹往往较细小, 不会影响指印总体形态, 也可归为显微特征。露白特征、空白特征和印面疵点特征均指伪造指印纹线某处出现了不同于汗孔和脱皮的小范围空白, 该特征的出现与模具制作过程中对原始母版指印图像的处理有关, 或因模具制作过程中产生气泡或有细小杂质干扰而出现“ 露白” ^{[11, 12]}; 纹线宽度的变化主要由模具材料本身特性及制模工艺导致, 相应也会影响纹线间距, 但手指捺印力度变化及蘸墨量的不同也会对纹线宽度造成影响^{[1, 13]}; 微孔特征是光敏指纹印章指印特有的特征, 主要是由于章体材料存在缺陷或制章过程影响形成, 微孔的尺寸较汗孔略大, 分布较为无序, 不像汗孔特征一样在同一条纹线上连续出现^[11]。值得注意的是, 伪造指印的显微特征与手印鉴定所说的三级特征不同, 显微特征本质上反映的是模具特征或母版指印纹线形态和相互关系特征, 这些特征更多的是因设备工艺或人为操作而产生, 并非指纹纹线的本质特征, 而三级特征反映的是指纹纹线本身的形态、汗孔等固有特征。

不同的指纹伪造方式对伪造指印特征的种类有一定影响, 部分伪造指印特征对某类伪造方式具有专属性。如利用光敏印章伪造的指印, 因光敏垫材料特性而呈现出微孔特征; 曝光法制作指模伪造的指印, 因制作过程中的缩放而使纹线间隔有所变化等。这意味着采用形态学比对方法研究伪造指印识别, 需对伪造方式进行识别并分类后再开展后续工作, 这也要求研究人员了解尽可能多的指印伪造技术。同时, 目前国内外采用形态学比对方法研究所提出的特征名称繁杂、种类多样, 存在同一种特征采用不同名称描述或特征名称相近但实际分属整体特征和显微特征的现象, 若要使伪造指印识别的形态学比对研究更加深入, 应规范特征命名和定义。

指纹图像作为一种非结构化的复杂数据, 国内外研究者往往采用机器学习方法来对其进行研究。经典机器学习方法主要基于人工设计的特征来实现指纹图像识别和处理, 但该类方法容易局限于人的认知。随着深度学习在计算机视觉领域的应用不断拓展, 研究人员开始使用深度学习方法处理指纹图像, 提高了方法模型的计算速度和精度, 实现了活体捺印指印和伪造指印的区分。

2.2.1 经典机器学习方法

本世纪初, 许多研究人员基于指纹图像的纹理特征, 通过包括连续性、清晰度和延展性在内的纹理特征的差异来区分活体捺印指印和伪造指印。

为检测伪造指纹对指纹识别系统的攻击, Nikam等^[14]开发了基于梯度的局部二进制模式（local binary pattern, LBP）, 该方法基于真实指纹和伪造指纹表现出不同的纹理特征这一观察结果, 融合神经网络、支持向量机和使用“ 乘积规则” 的k最近邻分类算法三个分类器, 正确率达到94% ~ 97%, 这是纹理特征首次应用于指纹活体检测。Gragnaniello等^[15]提出了专为指纹图像设计的局部描述符, 并将其命名为局部对比度相位描述（local contrast-phase descriptor, LCPD）, 不同于LBP, LCPD将梯度和局部相位信息结合在一起, 最终由经过训练的线性核支持向量机分类器做出决策。随着实践的深入, 研究者们发现仅仅基于纹理特征的检测方法无法满足实际工作中指印形态多变、伪造方式多样背景下的检测需求, 为此, 研究人员通常采用多种分类器结合、特征融合等方式来提升模型性能。Hildebrandt^[16]开发了一种鲁棒性增强的特征空间融合算法识别人工汗液打印指纹, 该方法采用CfsSubsetEval技术结合Best-First算法寻找非相关特征, 并用爬山算法优化模型。该研究表明, 特征级融合可提高检测精度, 且特征选择对不同分类器影响各异, 尤其是贝叶斯网络在特征选择后鲁棒性显著提高。Xia等^[17]提出了一种新的韦伯局部二进制描述符（weber local binary descriptor, WLBD）, 该方法由提取强度方差特征的局部二元差分激励分量和提取方向特征的局部二元梯度方向分量两部分组成, 通过计算两个分量的共现概率来构建判别特征向量, 再将特征向量输入支持向量机（support vector machine, SVM）分类器, 最后通过直观分析和基于马氏距离的数值论证验证其有效性。

2.2.2 深度学习方法

如2.2.1所述, 大多数现有的基于纹理的方法都依赖于专业知识来设计特征, 但这些特征对于未知材料和多样的传感器缺乏鲁棒性^[18]。此外, 纹理描述符是一种浅层特征, 只反映了指纹图像的表面属性, 而没有体现出更深层的特征^[19]。目前大多数先进的方法是基于深度学习的, 其中高级语义特征是通过训练卷积神经网络来获得的。

目前, 国内外研究人员大多以VGG、Google-Net、ResNet等网络结构为基础设计真伪指印识别算法模型, 构建出的基于深度神经网络的模型具有较高的鲁棒性、更高的准确性和泛化能力以及更强的应用性。Nogueira等^[20]比较了VGG模型预训练的卷积神经网络（CNN-VGG）、Alexnet预训练的CNN（CNN-Alexnet）、具有随机权重的CNN（CNN-Random）和经典的LBP方法检测指纹真伪的效果, 实验显示CNN-VGG模型显著优于其他算法, 且无需选择框架或超参数, 该模型在2015年指纹活性检测竞赛（LivDet）中获得第一名。Jiang等^[21]在LBP方法基础上引入了指纹的三层空间金字塔, 提出统一局部二进制模式（uniform local binary pattern, ULBP）, 该方法用ULBP来描述三层空间金字塔的纹理信息以提取指纹特征, 并使用SVM分类器, 大大提高了该模型在标准数据集上的性能。Jang等^[22]利用直方图均衡化来增强图像对比度, 并通过由6个权重层组成的CNNs判断指纹图像子块是否伪造, 从而提高了CNN的检测精度, 该模型的平均准确率高达99.8%。Bhanu等^[23]提出了基于三重卷积网络的度量学习方法来代替传统的二元分类模型, 其中活体检测是通过将来自被测指纹的图像块分别与参考活体指纹块和伪造指纹块进行匹配来实现的。对新型采集设备和新材料制作的伪造指印, 该模型在基准数据集上均表现出了良好的泛化性和鲁棒性。Chugh等^[24]提出了一种基于深度卷积神经网络的方法, 该方法在以细节为中心的局部块上采用投票策略, 能够实现传感器内、跨采集传感器、不同制模材料的伪造指纹检测, 平均精确度达到99.03%。但定位大量细节点并考虑每个细节块将不可避免地增加计算成本和时间, 因此该模型不适用于实时应用。Nguyen等^[25]提出了一种由Fire和Gram-K模块组成的紧凑而高效的网络架构, 并将其命名为fPADnet（fingerprint presentation attack detection network）。其中, Fire模块按照SqueezeNet Fire模块的结构设计, 源自于Gram矩阵的Gram-K模块用于提取指纹纹理信息以提供区分真伪指纹的特征, 该架构使网络规模显著减小, 处理时间明显缩短。Zhang等^[26]对深度残差网络进行修改, 构建了新的Slim-ResCNN网络, 该网络由一系列专为指纹活体检测而设计改进的残差块的堆栈组成, 与以往的网络结构相比, Slim-ResCNN更加轻量化且性能强大, 获得了2017年LivDet比赛第一名, 总体准确率达到95.25%。针对由未知材料制作模具或跨传感器采集的伪造指印, Gonzá lez-Soler等^[27]对局部特征[即尺度不变特征变换（scale-invariant feature transform, SIFT）]采用三种不同的通用特征编码方法[词袋（bag of words, BoW）、局部特征聚合描述符（vector of locally aggregated descriptors, Vlad）和Fisher向量（Fisher vector, FV）]进行处理, 再分别使用SVM进行分类操作, 最后对结果进行加权融合, 该方法结合了指纹的局部和全局信息, 具有较好的泛化能力。

目前采用形态学比对方法的研究, 虽然提出了许多区分真伪指印的形态学特征, 但特征的定义都不十分明确, 特征的出现受多方面因素影响且局限于已知的伪造方式, 这意味着这些特征的稳定性、唯一性有待考察, 而且随着伪造技术不断发展, 研究和检验处于被动地位, 这对日常检验鉴定工作十分不利。因此, 伪造指印识别的形态学比对研究, 今后应关注手指与模具的本质区别和手指捺印指印与模具伪造指印的本质区别, 从这一原则出发才可能得出能够应用于实际检验鉴定工作的形态学特征。

因为深度学习方法自身网络结构的特点（包含很多隐藏层）, 我们无法得知其输出结果所依据的特征, 在目前的应用中该方法缺乏可解释性, 且深度学习得出的结果也并非法定证据类型, 这在一定程度上限制了该方法在司法实践中的应用。

一方面, 针对目前缺乏伪造指纹识别与鉴定方法的现状, 研究人员应专门开发针对伪造指印识别的深度学习方法, 且由于受制于无法穷尽所有伪造和制模方式, 该算法应具有较好的泛化能力, 并仍然具有鲁棒性、收敛性以及较高的准确度和精度, 这样才能充分应对实际工作中可能出现的情况。另一方面, 近年来深度学习的可解释性研究成为一个新的研究方向, 积极开展伪造指印识别深度学习算法的可解释性研究, 能够为这一方法今后在物证鉴定等司法实践活动中广泛应用提供重要依据。