Fingerprints feature a ridge pattern with moderately varying ridge frequency (RF), following an orientation field (OF), which usually features some singularities. Additionally at some points, called minutiae, ridge lines end or fork and this point pattern is usually used for fingerprint identification and authentication. Whenever the OF features divergent ridge lines (e.g., near singularities), a nearly constant RF necessitates the generation of more ridge lines, originating at minutiae. We call these the necessary minutiae. It turns out that fingerprints feature additional minutiae which occur at rather arbitrary locations. We call these the random minutiae or, since they may convey fingerprint individuality beyond the OF, the characteristic minutiae. In consequence, the minutiae point pattern is assumed to be a realization of the superposition of two stochastic point processes: a Strauss point process (whose activity function is given by the divergence field) with an additional hard core, and a homogeneous Poisson point process, modelling the necessary and the characteristic minutiae, respectively. We perform Bayesian inference using an Markov-Chain-Monte-Carlo (MCMC)-based minutiae separating algorithm (MiSeal). In simulations, it provides good mixing and good estimation of underlying parameters. In application to fingerprints, we can separate the two minutiae patterns and verify by example of two different prints with similar OF that characteristic minutiae convey fingerprint individuality.

中文翻译：

---

指纹的特征和必要的细节

指纹的特征是具有适度变化的脊频率 (RF) 的脊图案，遵循通常具有一些奇点的方向场 (OF)。此外，在某些点，称为细节，脊线末端或分叉，该点图案通常用于指纹识别和认证。每当 OF 具有发散的脊线（例如，接近奇点）时，几乎恒定的 RF 就需要产生更多的脊线，起源于细节。我们称这些为必要的细节。事实证明，指纹具有额外的细节，这些细节出现在相当随意的位置。我们将这些称为随机细节，或者，因为它们可以传达超出 OF 的指纹个性，所以称为特征细节。结果，假设细节点模式是两个随机点过程叠加的实现：一个带有附加硬核的施特劳斯点过程（其活动函数由散度场给出）和一个齐次泊松点过程，建模必要的和特征细节，分别。我们使用基于 Markov-Chain-Monte-Carlo (MCMC) 的细节分离算法 (MiSeal) 执行贝叶斯推理。在模拟中，它提供了良好的混合和基本参数的良好估计。在指纹应用中，我们可以将两个细节图案分开，并通过两个具有相似OF的不同指纹的例子来验证特征细节是否传达了指纹的个性。具有附加硬核的施特劳斯点过程（其活动函数由散度场给出）和齐次泊松点过程，分别对必要和特征细节进行建模。我们使用基于 Markov-Chain-Monte-Carlo (MCMC) 的细节分离算法 (MiSeal) 执行贝叶斯推理。在模拟中，它提供了良好的混合和基本参数的良好估计。在指纹应用中，我们可以将两个细节图案分开，并通过两个具有相似OF的不同指纹的例子来验证特征细节是否传达了指纹的个性。具有附加硬核的施特劳斯点过程（其活动函数由散度场给出）和齐次泊松点过程，分别对必要和特征细节进行建模。我们使用基于 Markov-Chain-Monte-Carlo (MCMC) 的细节分离算法 (MiSeal) 执行贝叶斯推理。在模拟中，它提供了良好的混合和基本参数的良好估计。在指纹应用中，我们可以将两个细节图案分开，并通过两个具有相似OF的不同指纹的例子来验证特征细节是否传达了指纹的个性。我们使用基于 Markov-Chain-Monte-Carlo (MCMC) 的细节分离算法 (MiSeal) 执行贝叶斯推理。在模拟中，它提供了良好的混合和基本参数的良好估计。在指纹应用中，我们可以将两个细节图案分开，并通过两个具有相似OF的不同指纹的例子来验证特征细节是否传达了指纹的个性。我们使用基于 Markov-Chain-Monte-Carlo (MCMC) 的细节分离算法 (MiSeal) 执行贝叶斯推理。在模拟中，它提供了良好的混合和基本参数的良好估计。在指纹应用中，我们可以将两个细节图案分开，并通过两个具有相似OF的不同指纹的例子来验证特征细节是否传达了指纹的个性。