首页/论文/1001.1966

arXiv 1001.19662010-01-12cs.CVcs.CR

基于二次推理函数的手背静脉提取新方法

A New Method to Extract Dorsal Hand Vein Pattern using Quadratic Inference Function

University of Mauritius（毛里求斯大学）

Maleika Heenaye Mamode Khan, Naushad Ali Mamode Khan

备注：: 5 pages IEEE format, International Journal of Computer Science and Information Security, IJCSIS December 2009, ISSN 1947 5500, http://sites.google.com/site/ijcsis/
发表信息：: International Journal of Computer Science and Information Security, IJCSIS, Vol. 6, No. 3, pp. 026-030, December 2009, USA

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在所有的生物特征中，手背静脉模式最近引起了研究人员的注意。人们对各种技术进行了广泛的研究，希望找到一种有效的方法，可以应用于手背静脉模式，以提高其准确性和匹配时间。生物特征提取是生物特征识别的关键步骤之一。本文提出了一种基于二次推理函数的手背静脉特征提取方法。该生物识别系统在一个包含100张图像的数据库上进行了测试。计算了错误接受率（FAR）、错误拒绝率（FRR）和匹配时间。

英文摘要：

Among all biometric, dorsal hand vein pattern is attracting the attention of researchers, of late. Extensive research is being carried out on various techniques in the hope of finding an efficient one which can be applied on dorsal hand vein pattern to improve its accuracy and matching time. One of the crucial step in biometric is the extraction of features. In this paper, we propose a method based on quadratic inference function to the dorsal hand vein features to extract its features. The biometric system developed was tested on a database of 100 images. The false acceptance rate (FAR), false rejection rate (FRR) and the matching time are being computed.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

用于手部静脉生物识别的深度学习技术：一项全面综述

Deep Learning Techniques for Hand Vein Biometrics: A Comprehensive Review

University of Sciences and Technology Houari Boumediene (USTHB)（侯阿里·布迈丁科技大学）；University of Medea（梅代亚大学）；Taif University（泰夫大学）；Gomal University（戈马尔大学）

本文是手部静脉生物识别深度学习技术的全面综述，涵盖基础、公开数据集、评估指标、各类方法及挑战与未来方向，为相关研究提供参考。

2024-09-11cs.AIcs.CRcs.CV

开放集静脉生物识别与深度度量学习

Open-Set Vein Biometric Recognition with Deep Metric Learning

Wroclaw University of Science and Technology（波兹南科技大学）

本文提出了一种基于深度度量学习的开放集静脉识别方法，通过学习判别L2规范化嵌入和原型匹配，提升在数据稀缺和领域偏移下的识别性能，实验证明在大规模数据集上具有高准确率和鲁棒性。

2026-07-07cs.CV

FDFNet：一个安全的可取消的深手指背模板生成网络。生物哈希

FDFNet : A Secure Cancelable Deep Finger Dorsal Template Generation Network Secured via. Bio-Hashing

IIT Mandi（印度理工学院曼迪分校）；IIT Dharwad（印度理工学院达尔瓦德分校）；IIT Jodhpur（印度理工学院焦特布尔分校）

当今世界已经通过施加多个具有挑战性的问题/场景来不断探索在线和数字世界的精细边缘。与物理世界类似，个人身份管理对于提供任何安全的在线系统都非常重要。在过去的十年里，人们已经看到了很多工作在这一领域使用生物识别技术，如面部，指纹，虹膜等，仍然存在一些漏洞，应该更加认真地解决受损生物识别技术的问题，因为它们一旦受损就不能轻易修改。在这项工作中，我们提出了一个安全的可取消的手指背模板生成网络（学习域特定功能）通过。生物哈希。提出的系统有效地保护了原始手指背图像撤回妥协的模板，并重新分配新的。提出了一种新的用于提取鉴别特征的指背特征提取网（FDFNet）。该网络专门针对特定特征进行训练，而不使用任何类型的预训练架构。后来的生物哈希，一种基于为每个用户分配标记化随机数的技术，已被用于对从FDFNet提取的特征进行哈希。为了测试所提出的架构的性能，我们已经在两个基准公共手指关节数据集上进行了测试：PolyU FKP和PolyU Contactless FKI。实验结果表明，该系统在安全性和准确性方面的有效性。

2018-12-13cs.CV

从噪声到功能：利用亮度分布作为一种新的软生物特征用于手指静脉识别

From Noise to Feature: Exploiting Intensity Distribution as a Novel Soft Biometric Trait for Finger Vein Recognition

South China University of Technology（华南理工大学）

大多数手指静脉特征提取算法由于其纹理表示能力而获得令人满意的性能，尽管同时忽略了由手指组织形成的强度分布，并且在某些情况下，将其作为背景噪声处理。在本文中，我们利用这种噪声作为一种新的软生物特征，以实现更好的手指静脉识别性能。首先，详细分析了手指静脉成像的原理和图像的特点，指出手指组织在背景中形成的亮度分布可以作为软生物特征进行识别。然后，针对亮度分布特征提取，提出了两种手指静脉背景层提取算法和三种软生物特征提取算法。最后，提出了一种混合匹配策略，以解决得分水平上的主要和软生物特征之间的尺寸差异的问题。在三个开放数据库上进行的一系列对比实验表明，该方法对手指静脉识别是可行和有效的。

2021-12-15cs.CV

基于双优化阶段无监督学习的手指静脉识别二值模式自动提取

Fully Automated Binary Pattern Extraction For Finger Vein Identification using Double Optimization Stages-Based Unsupervised Learning Approach

University of Diyala（迪亚拉大学）

如今，手指静脉识别作为一种潜在的生物识别框架解决方案越来越受欢迎。基于机器学习的无监督、有监督和深度学习算法目前对手指静脉检测和识别产生了重大影响。另一方面，深度学习需要大量的训练数据集，这些数据集必须手动生成和标记。在这项研究中，我们提供了一个完全自动化的无监督学习策略来创建训练数据集。我们的方法旨在完全自动地提取和构建一个体面的二进制掩码训练数据集。在该技术中，设计并采用了两个优化步骤。优化的初始阶段是创建一个完全自动化的无监督图像聚类的基础上手指静脉图像定位。在第二次优化中采用全球手指静脉图案方向估计来优化检索到的手指静脉线。最后，该系统实现了99.6%的模式提取准确率，这是显着高于其他常见的无监督学习方法，如k-means和模糊C-均值（FCM）。

2022-05-08cs.AIcs.CV

VeinPLUS：一个基于透照和反射的手静脉数据库

VeinPLUS: A Transillumination and Reflection-based Hand Vein Database

University of Salzburg（萨尔茨堡大学）

本文简要总结了创建部门托管的手静脉数据库的相关工作。在介绍部分之后，解释了手部静脉采集的特殊属性，随后是一个比较表，该表显示了与现有知名手部静脉数据库的主要差异。最后，描述了感兴趣区域的提取过程，并给出了示例图像和感兴趣区域。

2015-05-25cs.CV

更多相关论文收起更多论文

基于生成码的手指静脉识别

Finger Vein Recognition by Generating Code

手指静脉识别以其高度的识别能力、安全性和非侵入性等优点，成为当前最受关注和最有发展前途的生物特征识别技术之一。传统方法的主要思想是直接从手指静脉图像或模式中提取特征，然后比较特征以找到最佳匹配。然而，从图像中提取的特征包含大量的冗余数据，而从模式中提取的特征受图像分割方法的影响很大。针对这些问题，本文提出了一种新的基于代码生成的手指静脉识别方法.该方法不需要图像分割算法，计算简单，数据量小。首先对手指静脉图像进行分块计算均值;然后利用生成的特征矩阵进行中心对称编码。所获得的码字被连接作为图像的特征码字。静脉代码之间的相似性度量的最小汉明距离的码字长度的比值。在两个公共手指静脉数据库上的实验验证了该方法的有效性。结果表明，我们的方法优于国家的最先进的方法，并在执行匹配任务的竞争潜力。

2021-01-21cs.CVcs.ITmath.IT

3D打印的逼真手指静脉模型

3D printed realistic finger vein phantoms

University of Twente（特文特大学）；Indonesian Institute of Sciences (LIPI)（印度尼西亚科学院（LIPI））

本文提出用3D打印制作光学特性逼真、静脉模式精确已知的手指静脉模型，用于评估识别方法并验证其欺骗系统的能力。

2023-09-26cs.CV

基于混合特征选择模型的手掌静脉识别

Palm Vein Identification based on hybrid features selection model

University of Al-Qadisiyah（卡迪西亚大学）；College of Computer Science and Information Technology（计算机科学与信息技术学院）；Liverpool John Moores University（利物浦约翰摩尔大学）；College of Computer Science（计算机科学学院）；Sheffield（谢菲尔德）

手掌静脉识别（PVI）是一种现代生物特征安全技术，用于提高安全性和认证系统。棕榈静脉图案的主要特征包括，其对每个人的独特性，令人难忘的，非侵入性的，不能被未经授权的人采取。然而，从手掌静脉图案中提取的特征数量庞大，冗余度高。在本文中，我们提出了一个组合模型的二维离散小波变换，主成分分析（PCA），粒子群优化（PSO）（2D-DWTPP），以提高预测静脉手掌模式。2D-DWT从手掌静脉图像中提取特征，PCA减少手掌静脉特征的冗余。该系统已被训练在选择高相关性的特征的包装模型的基础上。粒子群算法通过一个最优特征子集来给包装器模型提供信息。该系统使用四种分类器作为目标函数来确定VPI，这四种分类器包括支持向量机（SVM）、K最近邻（KNN）、决策树（DT）和朴素贝叶斯（NB）。实验结果表明，所提出的系统Iit满足最好的结果与SVM。所提出的2D-DWTPP模型进行了评估，结果表明，与Alexnet和分类器相比，没有特征选择显着的效率。实验上，我们的模型具有更好的准确性，反映了（98.65），而Alexnet具有（63.5）和应用分类器没有特征选择有（78.79）。

2020-07-31cs.CV

一种用于手指静脉识别的具有生理特征的局部描述子

A Local Descriptor with Physiological Characteristic for Finger Vein Recognition

Institute of Semiconductors, Chinese Academy of Sciences（中国科学院半导体研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Wave Group（浪潮集团）

局部特征描述子具有良好的稳定性和鲁棒性，在手指静脉识别中具有很大的优势。然而，这些方法中的大多数使用通用描述符，不考虑手指静脉特异性特征。在这项工作中，我们提出了一个手指静脉特定的局部特征描述符的手指静脉模式的生理特征，即，定向生理Gabor响应（HOPGR）直方图，用于手指静脉识别。首先，以无监督的方式获得手指静脉图案的方向特征的先验。然后根据先验信息建立生理Gabor滤波器组，提取生理响应和方向。最后，为了使特征对图像的局部变化具有鲁棒性，通过将图像划分为非重叠单元和重叠块来生成直方图作为输出。在多个数据库上的大量实验结果清楚地表明，该方法优于目前最先进的手指静脉识别方法。

2020-04-16cs.CV

基于多任务损失函数和注意层的手掌静脉识别

Palm Vein Recognition via Multi-task Loss Function and Attention Layer

Shenzhen University（深圳大学）

随着个人设备运算能力和算法精度的提高，生物特征在个人身份识别中的应用越来越广泛，而手掌静脉识别具有丰富的可提取特征，近年来得到了广泛的研究。然而，传统的识别方法鲁棒性差，易受环境影响，如反射和噪声。本文采用基于VGG-16迁移学习融合注意力机制的卷积神经网络作为红外手掌静脉数据集的特征提取网络。首先使用掌纹分类方法训练手掌静脉分类任务，然后使用相似度函数进行匹配，其中我们提出了多任务损失函数来提高匹配任务的准确性。为了验证该模型的鲁棒性，在不同来源的数据集上进行了实验。然后，我们使用K-均值聚类来确定自适应匹配阈值，最终在预测集上达到了98.89%的准确率。同时，该方法具有较高的匹配效率，平均每对手掌静脉的匹配时间为0.13秒，具有一定的实用价值。

2022-11-11cs.CVcs.LG

基于Siamese网络的N-shot手掌静脉验证

N-shot Palm Vein Verification Using Siamese Networks

Department of Electrical, Computer, and Software Engineering（电气、计算机与软件工程系）

近年来，使用深度学习方法从手掌表面提取血管生物特征模式一直受到研究人员的关注。在许多生物识别任务中，训练样本的数量是有限的。这是因为可用于研究的静脉生物特征数据库有限。这限制了深度学习方法在设计算法时的应用，这些算法可以有效地识别或认证人以进行静脉识别。提出了一种基于Siamese神经网络结构的Few Shot手掌静脉识别方法。该网络使用来自两个手掌的图像，由两个子网组成，共享权重以识别一个人。在香港理工大学多光谱棕榈静脉数据库上使用有限的样本测试了体系结构性能。结果表明，该方法是有效的，因为它具有91.9%的精确度，91.1%的召回率，92.2%的特异性，91.5%，F1-Score和90.5%的准确度值。

2021-09-27cs.CV

基于局部二值模式的眼底图像视网膜动、静脉自动识别

Automatic Identification of Retinal Arteries and Veins in Fundus Images using Local Binary Patterns

University of California San Diego（加州大学圣地亚哥分校）

视网膜图像的动脉和静脉（AV）分类是必要任务的关键，例如动脉与静脉直径比（AVR）的自动测量。本文综述了AV分类方法的研究现状。为了改进已有的方法，提出了一种新的基于局部二元模式的方法（LBP）。除了其简单性之外，LBP对低对比度和低质量眼底图像是鲁棒的;并且它通过包括附加的AV纹理和形状信息来帮助该过程。实验结果比较了新方法的性能与国家的最先进的，也与不同的特征提取和分类模式的方法。

2016-05-03cs.CV

StarLKNet：基于星形混叠与大卷积核网络的掌静脉识别

StarLKNet: Star Mixup with Large Kernel Networks for Palm Vein Identification

Chongqing Technology and Business University（重庆工商大学）；Telecom SudParis（巴黎综合理工大学电信高等学院）

本文提出StarLKNet，一种结合大卷积核卷积、门控机制与StarMix数据增强方法的掌静脉识别网络，有效解决了小感受野和样本不足导致的特征提取问题，在公开数据集上实现了最高识别准确率和最低错误率。

2024-10-12cs.CV

一种高效的基于静脉图案的识别系统

An Efficient Vein Pattern-based Recognition System

CSJMU（坎普尔大学）；IIT Kanpur（印度理工学院坎普尔分校）

提出了一种基于手背静脉纹的高效人体识别系统。提出了一种新的基于吸收的技术，以在低成本相机和光源的帮助下收集高质量的图像。系统自动从图像中检测出感兴趣区域，并进行必要的预处理以提取特征。基于欧几里德距离的匹配技术已被用于作出决定。它已被测试的数据集，从341个人收集的1750个图像样本。验证系统的准确率为99.26%，错误拒绝率（FRR）为0.03%。

2010-05-06cs.CV

ColorVein：彩色可撤销静脉生物特征识别

ColorVein: Colorful Cancelable Vein Biometrics

School of Cyber Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education（教育部区块链应用监督与管理工程研究中心（东南大学））；Purple Mountain Laboratories（紫金山实验室）；College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Department of Computer and Information Science, University of Macao（澳门大学计算机与信息科学系）；Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学计算机科学与工程系）

针对静脉生物特征泄露问题，本文提出ColorVein方案，通过交互式着色为灰度静脉图像添加可控颜色信息生成可撤销模板，并引入安全中心损失优化训练，实现高性能且安全的静脉识别。

2025-04-19cs.CV

聚焦植物：叶片、茎与叶脉实例的细粒度分析

Zoom in on the Plant: Fine-grained Analysis of Leaf, Stem and Vein Instances

Technical University of Denmark（丹麦技术大学）

针对农业精准机器人植物理解粒度不足的问题，研究提出提取叶片、茎、叶脉细粒度表型信息的模型，发布首个关键点引导折线标注的RumexLeaves数据集，并提出适配指标POKS，验证其优于OKS。

2023-12-14cs.CVcs.RO

基于通道空间注意的手指多模态特征融合与识别

Finger Multimodal Feature Fusion and Recognition Based on Channel Spatial Attention

Nanjing University of Posts and Telecommunications（南京邮电大学）

由于单模态生物识别系统的不稳定性和局限性，多模态系统越来越受到研究者的关注。然而，如何利用不同模态之间的独立和互补信息仍然是一个关键和具有挑战性的问题。本文提出了一种基于指纹和手指静脉的多模态生物特征融合识别算法（Fingerprint Finger Veins-Channel Spatial Attention Fusion Module，FPV-CSAFM）。具体来说，对于每一对指纹和手指静脉图像，我们首先提出了一个简单而有效的卷积神经网络（CNN）来提取特征。然后，我们建立了一个多模态特征融合模块（通道空间注意力融合模块，CSAFM），充分融合指纹和手指静脉之间的互补信息。与现有的融合策略不同，该融合方法可以根据不同模态在信道和空间维度上的重要性动态调整融合权重，从而更好地融合不同模态之间的信息，提高整体识别性能。为了评估我们的方法的性能，我们在多个公共数据集上进行了一系列实验。实验结果表明，该算法在基于指纹和手指静脉的三种多模态数据集上均取得了良好的识别性能。

2022-09-06cs.CV

11K Hands：使用大型手部图像数据集进行性别识别和生物特征识别

11K Hands: Gender recognition and biometric identification using a large dataset of hand images

York University（约克大学）；Assiut University（艾斯尤特大学）

人类的手具有能够揭示性别信息的显著特征。此外，手被认为是用来识别一个人的主要生物特征之一。在这项工作中，我们提出了一个大型的数据集的人手图像（背侧和手掌侧）与详细的地面真相信息的性别识别和生物识别。使用该数据集，可以有效地训练卷积神经网络（CNN）以用于性别识别任务。在此基础上，我们设计了一个双流CNN来解决性别识别问题。然后将该训练模型用作特征提取器，以馈送用于生物特征识别任务的一组支持向量机分类器。我们表明，手背侧的手的图像，由一个普通的数码相机捕捉，传达有效的独特功能类似，如果不是更好，那些可在手掌的手图像。为了便于访问所提出的数据集和复制我们的实验，数据集，训练的CNN模型和Matlab源代码可在（https：//goo.gl/rQJndd）获得。

2018-09-17cs.CV

用于血管模式增强的残差特征金字塔网络

Residual Feature Pyramid Network for Enhancement of Vascular Patterns

Idiap Research Institute（伊迪亚普研究所）；University of Lausanne（洛桑大学）

针对低对比度导致指静脉识别精度下降的问题，提出通用预处理方法 ResFPN，利用 SDBlock 和 FAM 提取并聚合多尺度静脉特征，在公开数据集上使平均识别错误率最高降低 5%，并在跨数据集场景中保持稳健。

2023-06-29cs.CVcs.LGeess.IV

用于CT中肺气道和动静脉分割的学习小管敏感CNN

Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医学机器人研究所）；School of Computer Science and Technology, Guizhou University（贵州大学计算机科学与技术学院）；Shanghai Chest Hospital, Shanghai Jiao Tong University（上海交通大学附属胸科医院）；Université de Lyon, INSA Lyon, CREATIS, CNRS, INSERM（里昂大学、里昂国立应用科学学院、CREATIS实验室、法国国家科学研究中心、法国国家健康与医学研究院）

训练卷积神经网络（CNN）用于肺气道、动脉和静脉的分割是具有挑战性的，这是由于管状目标和背景之间的严重类别不平衡引起的稀疏监督信号。我们提出了一种基于CNN的方法，用于在非对比度计算机断层扫描中准确分割气道和动静脉。它对纤细的外周细支气管、小动脉和小静脉具有优越的敏感性。该方法首先使用特征重新校准模块，以充分利用从神经网络学习的特征。适当地整合特征的空间信息，以保持激活区域的相对优先级，这有利于后续的通道方式重新校准。然后，注意蒸馏模块被引入到加强管状对象的表征学习。高分辨率注意力地图中的细粒度细节递归地从一层传递到前一层，以丰富上下文。设计并结合了肺上下文图和距离变换图的解剖先验，以提高动静脉区分能力。大量的实验表明，这些组件带来了相当大的性能增益。与最先进的方法相比，我们的方法提取更多的分支，同时保持竞争力的整体分割性能。代码和型号可在http://www.pami.sjtu.edu.cn/News/56上获得

2021-02-25cs.CVeess.IV

基于耳静脉模式识别的杂交猪身份识别：一种面向小规模养殖应用的机器学习方法

Cross-Breed Pig Identification Using Auricular Vein Pattern Recognition: A Machine Learning Approach for Small-Scale Farming Applications

Carnegie Mellon University Africa（卡内基梅隆大学非洲分校）

针对小规模养殖中传统生猪识别方法成本高、可靠性差的问题，提出基于耳静脉模式的非侵入式杂交猪识别方法，通过多阶段视觉流水线提取特征并结合SVM实现98.12%识别精确率，为资源受限场景的精准养殖提供低成本方案。

2025-10-02cs.CVcs.SE

使用卷积多头注意力网络的手指静脉验证

Fingervein Verification using Convolutional Multi-Head Attention Network

Norwegian University of Science and Technology (NTNU)（挪威科技大学）；AiBA AS（AiBA公司）

提出轻量化卷积多头注意力网络VeinAtnNet用于手指静脉验证，从正常和增强图像中提取判别信息，并在FV-300等数据集上验证了其优于五种先进系统的有效性。

2023-10-25cs.CV

用于手和指静脉生物识别的高级图像质量评估

Advanced Image Quality Assessment for Hand- and Fingervein Biometrics

University of Salzburg（萨尔茨堡大学）

提出了非参考图像质量测量中常用的自然场景统计和基于深度学习的质量评估方法作为血管图像的生物特征质量指标。虽然NIQE和BRISQUE如果在具有通常失真的常见图像上训练，则不能很好地用于评估脉管系统模式样本的质量，但是在大多数情况下，在高质量和低质量脉管系统样本数据上训练的它们的变体表现得与生物计量质量估计器所预期的一样（对于某些数据集或特征提取方法，发生与总体趋势的偏差）。所提出的基于深度学习的质量度量能够在大多数情况下将正确的质量类别分配给vaculature模式样本，而与正在评估的手指或手静脉模式无关。这些实验是在总共13个公开的手指和手部静脉数据集上进行的，涉及三种不同的模板表示（其中两种是专门为血管生物识别设计的）。建议（训练）的质量措施进行比较，几个经典的质量指标，其实现的结果强调其有前途的行为。

2023-02-21cs.CV

通过深度特征学习识别自闭症谱系障碍的功能连接模式

Functional connectivity patterns of autism spectrum disorder identified by deep feature learning

Cheonan Public Health Center（天安公共卫生中心）

自闭症谱系障碍（ASD）被认为是一种神经网络全面中断的脑部疾病。尽管fMRI研究已经揭示了ASD中的异常功能连接，但他们还没有就中断的模式达成共识。这里，基于深度学习的特征提取方法识别ASD的多变量和非线性功能连接模式。从自闭症脑成像数据交换获得的972名受试者（465名ASD 507名正常对照）的静息状态fMRI数据。使用90个预定义的大脑区域生成每个受试者的功能连接矩阵。变分自编码器（VAE）是一种不需要被试诊断等先验知识的数据驱动的特征提取方法，它将功能连接矩阵归纳为2个特征。将ASD患者的这些特征值与对照组进行统计学比较。ASD与正常对照组有显著性差异。提取的特征通过基于VAE的生成器可视化，生成虚拟功能连接矩阵。ASD相关的功能与额顶连接，背内侧额叶皮质和皮质纹状体连接的互连。与全量表智商呈负相关趋势。基于深度学习的数据驱动的特征提取可以识别ASD功能连接的复杂模式。这种方法将有助于发现各种大脑疾病中大脑连接异常的复杂模式。

2017-07-25cs.CVq-bio.NC

数字取证中的手部生物特征

Hand Biometrics in Digital Forensics

Jadavpur University（贾达普大学）

本文探讨手部生物特征在数字取证中的应用，通过手部几何验证方法解决指纹或掌纹不可用时的身份验证问题，并分析了多种单模态与多模态手部生物特征识别技术。

2024-02-17cs.CV

非远节指骨指纹生物特征匹配与融合系统

Biometric Matching and Fusion System for Fingerprints from Non-Distal Phalanges

Bahcesehir University（巴切塞希尔大学）；TUBITAK – BILGEM, Informatics and Information Security Research Center（土耳其科学技术研究委员会——信息学和信息安全研究中心）

市场研究表明，指纹仍然是最流行的生物识别方式的个人身份验证。即使随着新模式的出现（例如静脉匹配），不同领域（电子身份证、银行、边境控制.）并且地理位置依赖于从远端趾骨（也称为，部分，手指）的人手结构。受影响人口的非平凡部分（这降低了相关的认证准确性）的质量差的远端指纹图像的问题的启发，我们设计并测试了一个多指，多指骨融合方案，该方案结合了源自非远端的细节点匹配分数（即，中间和近端）趾骨，基于（i）简单和融合，（ii）基于NFIQ图像质量的融合，和（iii）基于趾骨类型的融合。利用我们实验室收集的中等大小（50个人，400个独特的手指，1600个不同的图像）数据库，以及商业光学指纹传感器和商业细节提取器和匹配器（未经任何修改），使我们能够模拟真实世界的指纹认证设置。包括具有统计置信区间的ROC曲线的详细分析表明，所提出的系统可以是以下情况的可行替代方案：（i）远端指骨图像不可用（例如，由于缺失的手指或由于体力劳动导致的低质量手指表面），以及（ii）由于经济或基础设施限制而无法切换到新的生物识别模式（例如虹膜）。此外，我们表明，当远节指骨图像实际上是可用的，将它们与其他指骨的图像相结合，以及增加准确性。

2015-05-20cs.CV

用于手部图像分类的可解释视觉Transformer的自适应知识蒸馏

Adaptive Knowledge Distillation for Classification of Hand Images using Explainable Vision Transformers

Monash University（莫纳什大学）；Australian Federal Police（澳大利亚联邦警察）

本文提出基于可解释视觉Transformer的自适应知识蒸馏方法，用于手部图像分类，通过防止灾难性遗忘在跨域数据上取得优异性能，适用于访问控制等现实应用。

2024-08-20cs.AIcs.CVcs.LG

一种用于光照不变生物特征认证的仅相位交叉注意力轻量级Transformer

A Lightweight Transformer with Phase-Only Cross-Attention for Illumination-Invariant Biometric Authentication

Department of Mechanical Engineering, Indian Institute of Technology, Kanpur, India（印度理工学院坎普尔分校机械工程系）；Advanced Technology Development Centre, Indian Institute of Technology, Kharagpur, India（印度理工学院Khargapur分校先进技术发展中心）；Department of Mathematics, School of Science, GITAM Deemed to be University, Hyderabad, India（印度希达姆大学Hyderabad分校数学系）

本文提出一种轻量级视觉Transformer（POC-ViT），结合额头与眼周双重生物特征，利用仅相位交叉注意力提取空间特征相关性，在光照变化及佩戴口罩场景下实现98.8%的高准确率，适用于边缘部署。

2025-08-14cs.AIcs.CVcs.LG