AGVBench: A Reliability-Oriented Benchmark of Data Augmentation for Vein Recognition
Chongqing Technology and Business University（重庆理工大学）；School of Engineering, Westlake University（西湖大学工程学院）；SAMOVAR, Telecom SudParis, Institute Polytechnique de Paris（SAMOVAR，Telecom SudParis，巴黎高等理工学院）；Guangzhou College of Applied Science and Technology（广州应用科学与技术学院）
提出AGVBench基准，评估30种数据增强策略在5个公开手掌/手指静脉数据集上的表现，发现多图像混合方法性能最优但校准差且易受对抗攻击，几何变换常降低识别效果，证明仅以准确率评估不足。
2026-07-28 cs.CV
PAFedFV: Personalized and Asynchronous Federated Learning for Finger Vein Recognition
Nanjing University of Posts and Telecommunications（南京邮电大学）
本文提出PAFedFV框架，通过个性化模型聚合解决手指静脉数据异构性问题，并采用异步训练模块利用客户端等待时间，在六个数据集上验证了其准确性和鲁棒性的优越表现。
2024-04-20 cs.CV
Motion Transfer-Driven intra-class data augmentation for Finger Vein Recognition
City University of Hong Kong（香港城市大学）；Dongguan University of Technology（东莞理工学院）
针对指静脉识别中数据集规模有限导致过拟合的问题，本文提出一种运动迁移数据增强模型，通过建模手指姿态与旋转运动生成新样本，并在三个公开数据库上验证其能有效提升识别准确率。
2024-12-29 cs.CV
Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend
Hunan First Normal University（湖南第一师范学院）；National University of Defense Technology（国防科技大学）；Northeastern University（东北大学）
手指静脉图像识别技术在生物特征识别中占有重要地位，已成功应用于许多领域。由于静脉深埋于皮肤组织之下，手指静脉图像识别具有无可比拟的优势，不易受外界因素干扰。本综述总结了2017年至2021年关于深度学习用于手指静脉图像识别的46篇论文。这些论文是按照深度神经网络的任务来总结的。最后，提出了手指静脉图像识别的挑战和潜在的发展方向。
2022-07-05 cs.AI cs.CV
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。
2023-09-26 cs.CV
Adversarial Masking Contrastive Learning for vein recognition
Chongqing Technology and Business University（重庆工商大学）；Telecom SudParis（巴黎电信学院）；University Paris-Saclay（巴黎-萨克雷大学）；China University of Mining and Technology（中国矿业大学）
本文提出对抗性掩码对比学习（AMCL），通过GAN生成困难掩码样本增强对比学习，以缓解静脉识别训练样本稀缺问题，并在三个数据库上取得最先进识别性能。
2024-01-16 cs.CV
Adaptive Contrast Enhancement and Optimised Feature Matching for RootSIFT-Based Palm-Vein Recognition
研究针对掌静脉图像对比度低的问题，提出ILACS-BGOT方法增强对比度并减轻伪影，集成RootSIFT特征与KNN+RT及MMD滤波器，通过在三个数据集上分析参数变化对识别性能的影响，显著提升了掌静脉识别的EER和准确率，且有更广泛适用性。
2026-07-27 cs.CV
CFVNet: An End-to-End Cancelable Finger Vein Network for Recognition
School of Cyber Science and Engineering, Southeast University（东南大学网络空间科学与工程学院）；Purple Mountain Laboratories（紫金山实验室）；University of Macao（澳门大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对手指静脉识别的信息泄露风险与系统未集成问题，提出端到端可撤销手指静脉网络CFVNet，通过集成预处理与模板保护模块，在保证高识别精度的同时增强了系统的安全性与隐私保护能力。
2024-09-23 cs.CV
Robust Palm-Vein Recognition Using the MMD Filter: Improving SIFT-Based Feature Matching
University of Northumbria at Newcastle（诺森比亚大学）
本文提出MMD滤波器改进SIFT特征匹配，有效提升掌纹识别的鲁棒性和准确性，降低等错误率。
2025-03-03 cs.CV
Convolutional Neural Network with Convolutional Block Attention Module for Finger Vein Recognition
Southwest Jiaotong University（西南交通大学）
卷积神经网络以其强大的图像特征表示能力成为手指静脉识别领域的研究热点。然而，大多数研究人员专注于通过增加CNN的深度和宽度来提高网络的性能，这通常需要很高的计算工作量。而且，我们可以注意到，不仅不同通道中像素的重要性不同，而且同一通道中不同位置的像素的重要性也不同。为了减少计算量并考虑到像素的不同重要性，提出了一种轻量级的带有卷积块注意模块（CBAM）的卷积神经网络用于手指静脉识别，通过注意力机制可以实现对视觉结构更准确的捕捉。首先，将图像序列输入到我们设计的轻量级卷积神经网络中，以改善视觉特征。然后，它在卷积块注意模块的帮助下学习以自适应的方式分配特征权重。在两个公开数据库上进行的实验表明，该方法在多模态手指识别中具有稳定、高精度和鲁棒性的特点。
2022-02-14 cs.CV
FingerVeinSyn-5M: A Million-Scale Dataset and Benchmark for Finger Vein Recognition
School of Cyber Science and Engineering, Southeast University（网络安全科学与工程学院，东南大学）；Lee Kong Chian School of Medicine, Nanyang, Technological University Singapore（李光前医学院，南洋理工大学新加坡）；Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院）；Center for Machine Vision and Signal Analysis , University of Oulu（机器视觉与信号分析中心，奥卢大学）
针对指静脉识别缺乏大规模公开数据的问题，本文提出合成生成器FVeinSyn并构建包含5万手指、500万样本的FingerVeinSyn-5M数据集，预训练模型在多个基准上平均提升53.91%。
2025-06-04 cs.CV
Extensive Threat Analysis of Vein Attack Databases and Attack Detection by Fusion of Comparison Scores
在过去的十年里，手指和手静脉生物特征识别领域的呈现攻击检测已经做出了许多重大的贡献。在这些贡献中，人们能够找到各种不同的攻击数据库，这些数据库要么是私有的，要么是向研究界公开的。然而，并不总是显示所使用的攻击样本是否具有实际欺骗现实静脉识别系统的能力。受以往工作的启发，本研究提供了一个系统的威胁评估，包括三个公开的手指静脉攻击数据库和一个私人手背静脉数据库。为此，14种不同的静脉识别方案面临攻击样本，然后将错误接受的攻击样本的百分比报告为冒名顶替者攻击呈现匹配率。作为第二步，来自不同识别方案的比较分数使用分数级融合与执行演示攻击检测的目标相结合。
2023-03-10 cs.CV
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。
2022-09-06 cs.CV
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。
2021-09-27 cs.CV
Neural Architecture Search based Global-local Vision Mamba for Palm-Vein Recognition
School of Computer Science and Information Engineering, Chongqing Technology and Business University（重庆工商大学计算机与信息工程学院）；SAMOVAR, Telecom SudParis, Institut Polytechnique de Paris（巴黎综合理工大学Telecom SudParis学院SAMOVAR实验室）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
针对掌静脉识别中 Vision Mamba 局部细节不足及人工架构设计低效的问题，提出 GLVM 混合网络、ConvMamba 模块与 GLNAS 进化搜索方法，在三个公开数据库上达到 SOTA 准确率。
2024-09-10 cs.CV
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。
2022-11-11 cs.CV cs.LG
Towards the Generation of Synthetic Images of Palm Vein Patterns: A Review
Universidad Católica del Maule（马乌莱天主教大学）；Research Center for Advanced Studies of Maule（马乌莱高级研究中心）；Indian Institute of Technology Delhi（印度理工学院德里分校）
随着最近计算机视觉和深度学习的成功，使用静脉生物特征的自动个人识别已经取得了显着进展。然而，收集用于手掌静脉识别的大规模真实世界训练数据已被证明是具有挑战性的，这主要是由于在采集时包括的噪声和不规则变化。同时，现有的手掌静脉识别数据集通常是在近红外光下收集的，缺乏对属性的详细注释（例如，姿态），因此不同属性对静脉识别的影响研究得很少。因此，本文研究了合成静脉图像的适用性，以弥补公共可用的大规模数据集的迫切缺乏。本文首先从静脉的基本背景知识、静脉解剖结构、数据采集、公共数据库和质量评估等方面综述了近年来国内外手掌静脉识别的研究进展。然后，我们专注于国家的最先进的方法，允许生成的血管结构的生物识别的目的和建模的生物网络与各自的应用领域。此外，我们回顾了现有的研究生成的风格转移和基于生物本质的合成手掌静脉图像的算法。之后，我们正式的合成数据库的创建比较真实的手掌静脉图像和生成的合成样本，以获得一些了解到现实的静脉成像系统的发展的一般流程图。最后，我们讨论的挑战，见解和未来的前景，在生成合成棕榈静脉图像的进一步工作。
2022-05-20 cs.CV cs.LG
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。
2016-05-03 cs.CV
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。
2021-01-21 cs.CV cs.IT math.IT
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。
2026-07-07 cs.CV
MsMemoryGAN: A Multi-scale Memory GAN for Palm-vein Adversarial Purification
Chongqing Technology and Business University（重庆工商大学）；Institut Polytechnique de Paris（巴黎综合理工学院）；Chongqing University of Posts and Telecommunications（重庆邮电大学）；China University of Mining and Technology（中国矿业大学）
针对静脉识别易受对抗扰动攻击的问题，提出多尺度记忆生成对抗网络MsMemoryGAN，通过多尺度自编码器与记忆模块过滤扰动，实验证明可有效净化对抗样本并提升识别准确率。
2024-08-20 cs.CV
FV-UPatches: Enhancing Universality in Finger Vein Recognition
Shandong University（山东大学）；INHA University（仁荷大学）
近年来，许多基于深度学习的模型已被引入手指静脉识别中。然而，这些解决方案受到数据依赖性的影响，并且难以实现模型泛化。为了解决这个问题，我们受到领域自适应思想的启发，提出了一个通用的基于学习的框架，该框架在有限数据的情况下实现了泛化。为了减少数据分布之间的差异，压缩的U-Net被引入作为域映射器，以将原始感兴趣区域图像映射到目标域。集中的目标域是一个统一的特征空间，用于后续的匹配，其中的局部描述符模型SOSNet被用来嵌入补丁到描述符测量匹配对的相似性。在所提出的框架中，域映射器是对特定提取函数的近似，因此训练仅是有限数据的一次性努力。此外，可以基于非指静脉图像的公共数据集来训练局部描述符模型以具有足够的代表性。整个管道使框架能够得到很好的推广，从而有可能提高普遍性，并有助于降低数据汇集、调整和再培训的成本。在五个公开数据集上的实验结果与SOTA性能进行了比较，证明了该框架的有效性。此外，该框架在其他基于静脉的生物特征识别中也具有应用潜力。
2022-06-02 cs.AI cs.CV
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）。
2020-07-31 cs.CV
A single scale retinex based method for palm vein extraction
Southwest University（西南大学）
手掌静脉识别是一种新型的生物特征识别技术。但如何从原始手掌图像中获得更好的静脉提取效果仍然是一个具有挑战性的问题，特别是当原始数据汇集存在光照不对称的问题时。针对光照不对称和手掌几何形状不均匀导致阴影较强的情况，提出了一种基于单尺度Retinex算法的手掌静脉图像提取方法。我们测试我们的方法上的多光谱手掌图像。实验结果表明，该方法对光照角度和阴影的影响具有较强的鲁棒性。与传统提取方法相比，该方法可以获得更好的可视化效果（对比度提高18.4%，熵提高1.07%，清晰度提高18.8%）。
2016-05-26 cs.CV
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）。
2022-05-08 cs.AI cs.CV
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。
2024-09-11 cs.AI cs.CR cs.CV
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。
2023-06-29 cs.CV cs.LG eess.IV
A New Method to Extract Dorsal Hand Vein Pattern using Quadratic Inference Function
University of Mauritius（毛里求斯大学）
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。
2010-01-12 cs.CR cs.CV
Foliage Plant Retrieval using Polar Fourier Transform, Color Moments and Vein Features
Gadjah Mada University（加查马达大学）
提出了一种结合极坐标傅里叶变换、颜色矩和纹理特征的叶片图像检索方法。该方法对人们识别观叶植物有很大的帮助。观叶植物是指叶子上有各种颜色和独特图案的植物。因此，颜色及其图案是在植物识别处理中应该依靠的信息。为了比较检索系统的性能和其他结果，实验使用了Flavia数据集，这是非常流行的识别植物。实验结果表明，该方法比PNN、SVM和傅立叶变换方法具有更好的性能。该方法还使用具有各种颜色的观叶植物进行了测试。对50种植物的识别率为90.80%。
2011-10-07 cs.CV
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。
2025-10-02 cs.CV cs.SE
$\textit{sweet}$- An Open Source Modular Platform for Contactless Hand Vascular Biometric Experiments
Idiap Research Institute（日内瓦研究所）
本文提出开源非接触式手部血管生物特征平台 sweet，支持多光谱 NIR、RGB、立体视觉与光度立体采集，构建 120 人数据集及 3D 预处理流水线，并重点验证手指静脉识别与多模态融合效果。
2024-09-11 cs.CV
Leaf vein segmentation using Odd Gabor filters and morphological operations
Amity University（阿米提大学）
叶脉是叶片特征和分类的基础。不同的物种有不同的叶脉图案。可以看出，叶脉分割将有助于根据其特定的纹理模式维护所有叶片的记录，从而提供了一种有效的方式来检索和存储数据库中的各种植物物种的信息，以及提供了一种有效的手段来表征植物的叶脉结构的基础上，这是唯一的每一个物种。该算法提出了一种新的方法分割的叶片静脉与使用奇Gabor滤波器和使用形态学操作产生一个更好的输出。Odd Gabor滤波器给出了有效的输出，并且与现有技术相比是鲁棒的和可扩展的，因为它更有效地检测叶子中存在的细纤维状静脉。
2012-06-22 cs.AI cs.CV
Detecting Finger-Vein Presentation Attacks Using 3D Shape & Diffuse Reflectance Decomposition
Norwegian Biometrics Laboratory（挪威生物识别实验室）；NTNU（挪威科技大学）
尽管具有很高的生物特征性能，但手指静脉识别系统容易受到呈现攻击（又名，欺骗攻击）。在本文中，我们提出了一种新的和强大的方法来检测演示攻击手指静脉生物识别系统利用三维形状（正常地图）和材料属性（扩散地图）的手指。观察的法线地图和扩散地图表现出增强的纹理差异与原始的手指静脉图像相比，特别是在存在不同的照明强度，我们建议采用纹理特征描述符对他们两个独立的。这些特征随后用于使用支持向量机（SVM）分类器来计算分离超平面，该分类器用于独立地从法线映射和扩散映射计算的特征。给出了每个分类器的法线映射和扩散映射的分数，我们提出了基于求和规则的分数级融合，使这种呈现攻击的检测更加鲁棒。为此，我们构建了一个新的数据库的手指静脉图像采集使用自定义捕获设备与三个内置照明和验证所提出的方法的适用性。新收集的数据库包括936幅图像，其中对应468幅真实图像和468幅伪影图像。我们建立了所提出的方法的优越性，它与经典的纹理特征描述符直接应用于手指静脉图像的基准。与传统方法相比，该方法的攻击呈现分类出错率（APCER）和真实呈现分类出错率（BPCER）均为0%，优于传统方法。
2019-12-03 cs.CV eess.IV
FVeinSyn: Synthetic Finger Vein Image Generator
School of Cyber Science and Engineering, Southeast University（东南大学网络空间科学与工程学院）；Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education（教育部区块链应用与监管管理工程研究中心（东南大学））；Purple Mountain Laboratories（紫金山实验室）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院）；Faculty of Engineering, Shenzhen MSU-BIT University（深圳北理莫斯科大学工程学院）；VinUniversity；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对指静脉识别缺乏大规模公开数据集的问题，提出FVeinSyn框架，通过解耦血管拓扑与成像外观合成生成50万张指静脉图像，训练的模型在8个公开数据集上平均准确率提升27.43%。
2026-08-31 cs.AI cs.CV
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。
2023-02-21 cs.CV
Proceedings of The 38th Annual Workshop of the Austrian Association for Pattern Recognition (ÖAGM), 2014
奥地利模式识别协会（ÖAGM）第38届年度研讨会将于2014年5月22日至23日在IST奥地利举行。研讨会为研究人员和工业界提供了一个平台，讨论计算机视觉的传统和新领域。今年的主题是：模式识别：跨学科的挑战和机遇。
2014-04-30 cs.CV
Proceedings of the 37th Annual Workshop of the Austrian Association for Pattern Recognition (ÖAGM/AAPR), 2013
本卷代表了奥地利模式识别协会（ÖAGM/AAPR）第37届年度研讨会的会议记录，该研讨会于2013年5月23日至24日在奥地利因斯布鲁克举行。
2013-05-28 cs.CV
Proceedings of The 39th Annual Workshop of the Austrian Association for Pattern Recognition (OAGM), 2015
奥地利模式识别协会（OAGM/AAPR）第39届年度研讨会为OAGM/AAPR社区内的研究进展和研究项目提供了一个展示和讨论的平台。
2015-04-30 cs.CV
Stochastic-Based Pattern Recognition Analysis
Universitat de les Illes Balears（巴利阿里群岛大学）
在这项工作中，我们回顾了随机逻辑的基本原理，并提出了其应用概率为基础的模式识别分析。所提出的技术本质上是一个并行比较的输入数据的各种预存储的类别，使用贝叶斯技术。我们设计了智能脉冲为基础的随机逻辑块，以提供一个有效的模式识别分析。所提出的架构被应用到一个特定的导航问题。由此产生的系统比基于处理器的解决方案快几个数量级。
2012-02-20 cs.CV
Edge Detection for Pattern Recognition: A Survey
Nazarbayev University（纳扎尔巴耶夫大学）
本文综述了受人类视觉理解启发的模式识别边缘检测方法的文献。我们注意到边缘检测是灵长类动物低级视觉中最基本的过程之一，为高级视觉智能提供了基础。图像中模式的识别与边缘形成的时空过程密切相关，其实现需要神经科学、计算和模式识别的交叉规划方法。本文将边缘检测器分为边缘特征、梯度和草图模型三大类，并给出了一些应用实例以供参考。我们注意到，在过去的十年中，利用边缘特征的计算机视觉和图像理解的问题有直接的含义，模式识别与图像的广泛的已发表的研究的量显着增加。
2016-02-15 cs.CV
Advanced local motion patterns for macro and micro facial expression recognition
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）
在本文中，我们开发了一种新的方法，识别面部表情，创新的局部运动模式功能的基础上，有三个主要贡献。第一个是面部皮肤的时间弹性和面部变形的分析表达。第二种是宏观和微观表情识别的统一方法。第三个是朝着野外表达识别迈出的一步，处理各种强度和各种表达激活模式，照明变化和小头部姿势变化等挑战。我们的方法优于国家的最先进的方法，微观表情识别和位置本身的顶级国家的最先进的方法，宏观表情识别。
2018-05-04 cs.CV
ÖAGM/AAPR 2013 - The 37th Annual Workshop of the Austrian Association for Pattern Recognition
University of Innsbruck（因斯布鲁克大学）；IST Austria（奥地利科学技术研究所）；University of Graz（格拉茨大学）
在这篇社论中，组织者总结了事件的事实和背景。
2013-05-25 cs.CV
Applications of a Graph Theoretic Based Clustering Framework in Computer Vision and Pattern Recognition
近年来，一些聚类算法已经被用来解决来自不同学科的各种问题。本论文旨在通过将计算机视觉和模式识别中的问题转化为聚类问题来解决这些具有挑战性的问题。我们提出了新的方法来解决多目标跟踪，视觉地理定位和离群点检测问题，使用统一的下划线聚类框架，即，优势集聚类及其扩展，并提出了优于几个国家的最先进的方法的结果。
2018-01-07 cs.CV
Pattern Recognition of Bearing Faults using Smoother Statistical Features
提出了一种基于模式识别（PR）的轴承故障诊断方法。振动数据采集故障轴承使用的试验台。特征从数据中提取，并在PR过程中使用之前进行处理。该处理涉及特征分布的平滑。这减少了振动随机性对PR过程的不利影响，从而提高了模型的诊断准确性。
2015-11-30 cs.CV
DcnnGrasp: Towards Accurate Grasp Pattern Recognition with Adaptive Regularizer Learning
Wenzhou University（温州大学）；Memorial University of Newfoundland（纽芬兰纪念大学）
抓取模式识别的任务是根据视觉信息推导出物体的适用抓取类型。现有的抓取模式识别方法忽略了抓取对象的类别信息。提出了一种新的双分支卷积神经网络（DcnnGrasp）来实现物体类别分类和抓取模式识别的联合学习。DcnnGrasp将物体类别分类作为辅助任务，提高抓取模式识别的有效性。同时，通过最大化后验值，得到了一种新的损失函数--联合交叉熵，并引入了自适应正则化算子，显著提高了模型的性能。此外，基于新的损失函数，提出了一种训练策略，以最大限度地提高两个任务的协作学习。该实验在五个家庭对象数据集上进行，包括RGB-D对象数据集，Hit-GPRec数据集，阿姆斯特丹对象图像库（ALOI），哥伦比亚大学图像库（COIL-100）和MeganePro数据集1。实验结果表明，该方法在抓取模式识别方面具有与现有方法相媲美的性能。具体来说，我们的方法在RGB-D Object数据集上测试新对象的全局准确性方面甚至比第二好的方法高出近15%。
2022-05-11 cs.CV
Region Based Extensive Response Index Pattern for Facial Expression Recognition
Malviya National Institute of Technology（马尔维亚国家理工学院）
提出了一种新的基于区域的广泛反应指数模式（RETRaIN）描述子用于人脸表情识别。RETRaIN对面部活动区域的参考像素和相邻像素之间的关系进行编码。这些关系是通过在输入图像上使用方向罗盘掩模来计算的，并且提取最前面方向上的高边缘响应。进一步的极端边缘索引位置被选择并编码成六位压缩码，以减少特征维数并区分面部特征中的均匀和非均匀图案。所提出的描述符的性能进行了测试和评估的三个基准数据集扩展Cohn Kanade，JAFFE和MUG。与最先进的技术相比，RETRaIN实现了卓越的识别准确性。
2018-11-26 cs.CV
Color-related Local Binary Pattern: A Learned Local Descriptor for Color Image Recognition
Chongqing University of Posts and Telecommunications（重庆邮电大学）
局部二值模式（LBP）作为一种局部特征，在图像识别中表现出简单、易实现和较强的识别能力。虽然一些LBP算法被专门用于彩色图像识别，但这些方法没有充分考虑图像的颜色信息，容易导致分类中的维数灾难。提出了一种基于颜色相关局部二值模式（cLBP）的彩色图像识别方法。本文首先提出了一种描述彩色图像通道间颜色相似性的相对相似性空间（RSS）。然后，解码的LBP，可以挖掘LBP特征映射之间的相关性信息对应的RSS传统的RGB空间的每个颜色通道，用于特征提取。最后，采用一种特征学习策略学习颜色相关的主导模式，以降低特征向量的维数，进一步提高特征的区分度。理论分析表明，与传统的RGB空间相比，该方法能提供更多的判别信息，具有更好的噪声鲁棒性和光照鲁棒性。在4组共12个公共彩色图像数据集上的实验结果表明，该方法在无噪声、噪声和光照变化条件下，在特征维数、识别精度等方面均优于大多数LBP算法。
2020-12-11 cs.CV
Spontaneous Facial Micro-Expression Recognition using Discriminative Spatiotemporal Local Binary Pattern with an Improved Integral Projection
University of Oulu（奥卢大学）
近年来，从人脸图像序列中推断微表情的研究受到越来越多的关注。由于微表情的细微运动，特征提取成为自发人脸微表情识别的重要和关键问题。目前的研究多采用时空局部二值模式进行微表情分析。然而，常用的时空局部二值模式考虑了人脸图像的动态纹理信息，而忽略了人脸图像的形状属性。另一方面，他们的工作是从全局人脸区域中提取时空特征，忽略了两个微表情类之间的区分信息。上述问题严重限制了时空局部二值模式在微表情识别中的应用。针对微表情识别中的时空局部二值模式问题，提出了一种基于改进积分投影的判别式时空局部二值模式.首先，我们提出了一种改进的积分投影，以保持微表情的形状属性。此外，一个改进的积分投影被纳入跨空间和时间域的本地二进制模式算子。具体来说，我们提取新的时空特征，将形状属性纳入时空纹理特征。为了提高微表情识别的区分度，提出了一种基于拉普拉斯算子的特征选择方法来提取微表情识别的区分信息。密集的实验进行了三个可用公布的微表情数据库。我们比较我们的方法与国家的最先进的算法。实验结果表明，我们提出的方法取得了良好的性能微表情识别。
2016-08-07 cs.CV
Describing Textures in the Wild
University of Oxford（牛津大学）；Toyota Technological Institute, Chicago（丰田工业大学芝加哥分校）；Ecole Centrale Paris（巴黎中央理工学院）；Stony Brook University（石溪大学）
图案和纹理是许多自然物体的定义特征：衬衫可以是条纹，蝴蝶的翅膀可以是静脉，动物的皮肤可以是鳞状的。为了在图像理解中支持这种分析维度，我们解决了具有挑战性的问题，描述纹理的语义属性。我们识别了一个包含47个纹理术语的丰富词汇表，并用它们来描述一个在野外收集的大型模式数据集，得到的可描述纹理数据集（DTD）是寻找最佳纹理表示的基础，用于识别图像中的可描述纹理属性。我们端口从物体识别到纹理识别的改进Fisher向量（IFV），并表明，令人惊讶的是，它优于专门的纹理描述符不仅对我们的问题，而且在建立的材料识别数据集。我们还表明，可描述的属性是优秀的纹理描述符，在数据集和任务之间传输;特别是，与IFV相结合，它们在FMD和KTHTIPS-2b基准测试中的表现明显优于最先进的8%以上。我们还表明，他们产生直观的描述材料和互联网图像。
2013-11-15 cs.CV
Pigment Melanin: Pattern for Iris Recognition
University of Tehran（德黑兰大学）；University of Waterloo（滑铁卢大学）；Henry Ford Hospital（亨利福特医院）
由于人眼角膜对可见光的反射，使得基于可见光成像的虹膜识别成为一个难题。尽管如此，色素黑色素在VL中提供了丰富的特征源，这在近红外（NIR）成像中是不可用的。这是由于真黑素的生物光谱学，一种在NIR中不受刺激的化学物质。在这种情况下，可以通过在图像直方图上使用变分技术的自适应过程来提供观察这种图案的合理解决方案。为了描述的模式，形状分析方法是用来获得每个主题的特征代码。一个重要的问题是，从VL中提取的黑色素图案在多大程度上独立于NIR中的虹膜纹理。考虑到这个问题，本研究提出了融合从NIR和VL提取的特征，以提高识别性能。我们已经收集了我们自己的数据库（UTIRIS）包括近红外和VL图像的158只眼睛的79个人。实验结果表明，该算法对虹膜的色团模式高度敏感，提高了虹膜识别率。
2009-11-29 cs.CV
Agriculture-Vision Challenge 2022 -- The Runner-Up Solution for Agricultural Pattern Recognition via Transformer-based Models
PAII Inc.（PAII公司）；Ping An Bank Co., Ltd（平安银行股份有限公司）
CVPR中的视觉挑战赛是全球研究人员打破计算机视觉与农业部门之间界限的最著名和最具竞争力的挑战之一，旨在从航空图像中进行农业模式识别。在本文中，我们提出了CVPR 2022中第三个视觉挑战的解决方案。我们利用数据预处理方案和几个基于Transformer的模型以及数据增强技术，实现了0.582的mIoU，在这项挑战中获得第二名。
2022-06-23 cs.CV
Pattern recognition using inverse resonance filtration
Vinnitsa National Technical University（文尼察国立技术大学）；InnoVinn Inc.（因诺文公司）
提出了一种基于逆共振滤波（IRF）的纹理模式识别方法。纹理图像信号波动本征谐波分解（EHD）的一组主谐振谐波用于IRF设计。结果表明，EHD对纹理图像线性位移具有不变性。纹理的识别是通过将纹理信号转换成非结构化的纹理信号来实现的，非结构化的纹理信号可以利用简单的统计参数进行纹理模式识别。异物上信号点的异常变化。考虑到纹理信号突变的存在，提出了两种二维EHD参数估计方法。第一种方法是基于对信号相位跳变不敏感的线性对称模型。特征多项式对称的条件提供了模型的平稳性和周期性。第二种方法是基于二维相关矩阵的奇异值分解（SVD）的主向量空间的矩阵束投影的特征值问题。提出了两种纹理图像异物分类检索方法。
2010-03-16 cs.CV
Spoofing PRNU Patterns of Iris Sensors while Preserving Iris Recognition
Michigan State University（密歇根州立大学）
光响应非均匀性（PRNU）的原理用于将图像与其源相关联，即，在这项工作中，我们调查是否有可能修改虹膜图像采集使用一个传感器，以欺骗不同的传感器的PRNU噪声模式。在这方面，我们开发了一个图像扰动例程，迭代修改原始虹膜图像中的像素块，使其PRNU模式接近目标传感器。实验表明所提出的扰动方法在欺骗虹膜图像中存在的PRNU图案同时仍然保留其生物特征内容中的功效。
2018-12-15 cs.CV
Experimental results on palmvein-based personal recognition by multi-snapshot fusion of textural features
Department of Computer Science, University of Milan（米兰大学计算机科学系）；Department of Electrical and Electronic Engineering, University of Cagliari（卡利亚里大学电气与电子工程系）；University of Milan（米兰大学）；University of Cagliari（卡利亚里大学）
本文研究了基于纹理特征的多快拍融合的手掌静脉识别方法，包括识别和验证。虽然文献提出了几种方法来识别棕榈静脉，棕榈静脉的性能仍然受到影响的识别和验证错误。众所周知，手掌静脉通常是由线为基础的方法，增强静脉流动。这被认为是独一无二的从人到人。然而，掌静脉图像的特征还在于可以通过纹理特征指出的纹理，其依赖于最近的高效手工算法，例如局部二进制模式、局部相位量化、局部Tera模式、局部方向模式和二进制统计图像特征（分别为LBP、LPQ、LTP、LDP和BSIF）等。最后，当可以获取多个样本进行识别时，它们可以在特征级融合中轻松管理。因此，多快照融合可以利用这些功能的互补性。我们在本文中的目标是表明，这是确认palmvein识别，从而允许实现非常高的识别率在一个众所周知的基准数据集。
2020-10-17 cs.CV cs.LG
