Unconstrained Periocular Recognition: Using Generative Deep Learning Frameworks for Attribute Normalization
University of Beira Interior（贝拉内大学）
工作在无约束环境中的眼睛生物识别系统通常面临的问题，小类内的紧凑性所造成的多个因素，共同降低所获得的数据的质量。在这项工作中，我们提出了一种基于深度学习生成框架的属性归一化策略，该策略减少了成对比较中使用的样本的变异性，而不会降低它们的可辨别性。所提出的方法可以被看作是一个预处理步骤，有助于数据正则化和提高识别精度，是完全不可知的识别策略。作为概念证明，我们考虑了“眼镜”和“凝视”因素，比较了五种不同识别方法的性能水平，使用/不使用所提出的归一化策略。此外，我们引入了一个新的数据集的无约束的眼周识别，由移动设备获取的图像，特别适合于感知的影响，“戴眼镜”的识别效果。我们的实验在两个不同的数据集上进行，并支持我们的属性归一化方案，以提高识别性能的有用性。
2020-02-10 cs.CV
Benchmarking Foundation Models for Zero-Shot Biometric Tasks
Department of Computer Science and Engineering（计算机科学与工程系）
本文提出了一个全面的基准测试，评估41个VLMs在人脸和虹膜等六项生物识别任务中的零样本和少样本性能，发现无需微调即可达到高TMR，并验证了预训练模型在通用人工智能中的潜力。
2025-05-30 cs.AI cs.CV
in-Car Biometrics (iCarB) Datasets for Driver Recognition: Face, Fingerprint, and Voice
Idiap Research Institute（伊迪亚普研究所）
该研究提出包含人脸、指纹、语音三种模态的车内生物特征iCarB数据集，解决现有车载数据集模态单一问题，可用于识别系统评估、多模态算法训练等，助力生物特征研究。
2024-11-26 cs.CV
Gender and Ethnicity Classification based on Palmprint and Palmar Hand Images from Uncontrolled Environment
诸如性别、种族或年龄的软生物特征属性可以为生物特征和取证应用提供有用的信息。研究人员使用，例如，面部、步态、虹膜和手等来对这些属性进行分类。虽然手已经被广泛研究的生物特征识别，相对较少的关注已经给予软生物特征从手。以往基于手部图像的软生物特征识别研究主要集中在性别和良好控制的成像环境上。在本文中，性别和种族分类在非受控环境中被认为是。收集性别和种族标签，并在公开数据库中为受试者提供，该数据库包含来自互联网的手部图像。五个深度学习模型在基于手掌的性别和种族分类场景中进行了微调和评估：1）完整的手，2）分割的手和3）掌纹图像。实验结果表明，对于非受控环境下的性别和种族分类，完整和分割的手部图像比掌纹图像更适合。
2020-08-06 cs.CV
Deep Ear Biometrics for Gender Classification
Haldia Institute of Technology（哈尔迪亚理工学院）；Birla Institute of Technology and Science Pilani（比尔拉科学技术学院（皮拉尼））；National Institute of Technology, Durgapur（杜尔加布尔国家理工学院）
本文提出一种基于耳朵图像的深度CNN性别分类模型，相比四种前沿预训练CNN显著降低可训练参数与计算复杂度，并在EarVN1.0数据集上达到93%准确率。
2023-08-17 cs.CV
Unconstrained Biometric Recognition: Summary of Recent SOCIA Lab. Research
University of Beira Interior（贝拉内陆大学）
开发能够在视觉监控条件下工作的生物识别解决方案，即，在不受约束的数据采集条件下和在隐蔽协议下的研究已经激发了研究界越来越多的努力。在关注这个问题的各种实验室、学校和研究机构中，SOCIA：软计算和图像分析实验室，葡萄牙贝拉内政大学的研究人员一直在积极寻求颠覆性的解决方案，以获得这种极其雄心勃勃的自动机。本报告总结了SOCIA实验室成员发表的研究成果。在过去的十年中，在不受约束的条件下，生物识别的范围。这个想法是，它可以作为希望进入这个研究课题的人的基础。
2020-01-29 cs.CV
Age and Gender Classification From Ear Images
Istanbul Technical University（伊斯坦布尔理工大学）；Istanbul Aydın University（伊斯坦布尔艾登大学）
本文详细分析了从人耳图像中提取年龄和性别等软生物特征的方法。虽然之前已经有一些关于使用耳朵图像进行性别分类的工作，但据我们所知，这项研究是第一次从耳朵图像进行年龄分类的工作。在这项研究中，我们已经利用了几何特征和外观为基础的特征的耳朵表示。所使用的几何特征是基于8个人体测量地标，包括14个距离测量和两个面积计算。基于外观的方法采用深度卷积神经网络进行表示和分类。研究中采用了著名的卷积神经网络模型，即AlexNet、VGG-16、GoogLeNet和SqueezeNet。他们已经在一个大规模的耳朵数据集上进行了微调，该数据集是根据Multi-PIE人脸数据集中的轮廓和接近轮廓的人脸图像构建的。这样，我们就执行了领域自适应。更新后的模型在小规模目标耳朵数据集上再次进行了微调，该数据集仅包含约270个用于训练的耳朵图像。实验结果表明，基于外观的方法优于基于几何特征的方法。性别分类的准确率为94%，年龄分类的准确率为52%。这些结果表明，耳朵图像提供了有用的线索，年龄和性别分类，但是，需要进一步的工作，年龄估计。
2018-06-14 cs.CV
Privacy-Preserving Biometric Verification with Handwritten Random Digit String
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院）；SCUT-Zhuhai Institute of Modern Industrial Innovation（华南理工大学珠海现代产业创新研究院）；School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；EI Product Department, Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司EI产品部）
针对手写生物特征含个人信息的隐私风险，提出基于随机数字字符串RDS的在线手写验证方法，构建HRDS4BV数据集并设计PAVENet与DPM模块，显著优于现有方法。
2025-03-17 cs.CV
InsideBias: Measuring Bias in Deep Networks and Application to Face Gender Biometrics
Universidad Autonoma de Madrid（马德里自治大学）
这项工作探讨了基于深度神经网络架构的学习过程中的偏差。我们通过一个使用MNIST数据库的玩具示例和一个人脸图像性别检测的案例研究来分析偏见如何影响深度学习过程。我们采用了两种基于流行的深度神经网络的性别检测模型。我们对模型学习的特征使用不平衡训练数据集时的偏差效应进行了全面分析。我们展示了偏见如何影响基于人脸图像的性别检测模型的激活。最后，我们提出了InsideBias，一种新的方法来检测偏置模型。InsideBias基于模型如何表示信息，而不是它们如何执行，这是其他现有偏差检测方法的正常做法。我们使用InsideBias的策略允许用很少的样本检测有偏差的模型（在我们的案例研究中只有15张图像）。我们的实验包括来自24K身份和3个种族群体的72K人脸图像。
2020-07-22 cs.CV
Face-voice Association across LAnguages and Gender (FLAG) 2027 Challenge Evaluation Plan
Johannes Kepler University（约翰·开普勒大学）；University of Michigan（密歇根大学）；University of Engineering and Technology（工程技术大学）；Fortemedia Singapore（Fortemedia新加坡公司）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Linz Institute of Technology（林茨理工学院）
针对人脸-语音关联模型依赖语言和性别线索的问题，提出FLAG 2027挑战赛，通过跨模态验证任务和两种评估设置，推动开发捕捉身份特定特征的模型。
2026-09-17 cs.CV
SAF- BAGE: Salient Approach for Facial Soft-Biometric Classification - Age, Gender, and Facial Expression
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；L. D. College of Engineering（L. D.工程学院）；Ahmedabad University（艾哈迈达巴德大学）；Dosepack LLC（Dosepack有限责任公司）；Meditab Software Inc.（Meditab软件公司）
我们如何在人类视觉系统的帮助下改进面部软生物特征分类？本文探讨了使用显著性，这是相当于人类视觉系统的分类年龄，性别和面部表情的软生物特征的人脸图像。使用深度多级网络（ML-Net）[1]和现成的人脸检测器[2]，我们提出了我们的方法- SAF-BAGE，它首先检测测试图像中的人脸，将限界框（B-Box）边缘增加30%，使用ML-Net找到显着图，显着图的重新加权率为30%，它与输入的裁剪的面部相乘，并在相乘的重新加权的显著面部上提取卷积神经网络（CNN）预测。我们的CNN使用模型AlexNet [3]，该模型在ImageNet上进行了预训练。所提出的方法超过了其他方法的性能，在广泛使用的Adience [28]数据集上将最先进的年龄和性别分类提高了约0.8%，在最近的AffectNet [36]数据集上将最先进的面部表情分类提高了近3%。我们希望我们的简单，可重复和有效的方法将有助于简化未来的研究在面部软生物特征分类使用显着性。
2018-11-21 cs.CV
GaitFace: A Multimodal Dataset for Long-Range Person Identification
Idiap Research Institute（伊迪阿普研究所）
介绍用于远距离人员识别的多模态数据集GaitFace，利用预注册和“野外”捕获数据反映真实边境场景，通过基准测试揭示当前面部和步态模型在低分辨率和高视角下的关键漏洞，为无约束生物识别研究提供公共基准。
2026-07-28 cs.CV
Periocular Biometrics: A Modality for Unconstrained Scenarios
School of Information Technology, Halmstad University（哈尔姆斯塔德大学信息技术学院）；School of Engineering, Universidad Autonoma de Madrid（马德里自治大学工程学院）；Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形研究所）；TU Darmstadt（达姆施塔特工业大学）；Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系）
本文针对非受限场景下传统人脸、虹膜生物特征识别失效的问题，梳理眼周生物特征识别领域的最新进展，构建涵盖定义采集、身份识别、软生物特征分析的研究框架，并指出当前挑战与未来方向。
2023-07-20 cs.CV
IIITM Face: A Database for Facial Attribute Detection in Constrained and Simulated Unconstrained Environments
ABV-Indian Institute of Information Technology and Management Gwalior（ABV-瓜廖尔印度信息技术与管理学院）；Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）
本文讨论了人脸属性检测的挑战，特别是在印度的背景下。虽然在不受约束的环境中有许多人脸数据集，但它们都没有捕捉到不同人脸方向的情绪。此外，在这些数据集中，印度族裔的代表性不足，因为它们是从流行的搜索引擎中抓取的。因此，最先进的技术的性能无法在印度人的脸上进行评估。在这项工作中，我们引入了一个新的数据集IIITM Face，供科学界应对这些挑战。我们的数据集包括107名参与者，他们在3种不同的面部方向上表现出6种情绪。这些图像中的每一个都进一步标记了性别，胡子，胡子或眼镜的存在，主题所穿的衣服和头发的密度等属性。此外，这些图像是以高分辨率拍摄的，具有特定的背景颜色，可以很容易地用杂乱的背景代替，以模拟"野外“行为。我们通过构建IIITM Face-SUE来证明这一点。IIITM Face和IIITM Face-SUE都已经在关键的多标签指标上进行了基准测试，以便研究界比较它们的结果。
2019-10-02 cs.CV
Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images
Halmstad University（哈尔姆斯塔德大学）；University of Balearic Islands（巴利阿里群岛大学）
我们解决了使用智能手机拍摄的自拍眼部图像来估计年龄和性别的问题。由于强制使用口罩，部分面部遮挡已成为一个问题。此外，流动设备的使用激增，疫情进一步加快了向数字服务的迁移。然而，相关任务（例如身份或表情识别）中的现有技术解决方案采用大型卷积神经网络，由于硬件限制和可下载应用程序的大小限制，其在移动设备中的使用是不可行的。为了解决这个问题，我们调整了在ImageNet挑战赛中提出的两个现有的轻量级CNN，以及为移动人脸识别提出的两个额外的架构。由于使用自拍图像进行软生物特征预测的数据集有限，我们通过使用在ImageNet上预训练的网络来抵消过度拟合。此外，一些网络还被进一步预训练用于人脸识别，对于人脸识别，非常大的训练数据库是可用的。由于这两个任务采用相似的输入数据，我们假设，这种策略可以是有益的软生物特征估计。对所采用的架构进行了不同预训练的效果的全面研究，结果表明，在大多数情况下，在对网络进行微调以进行人脸识别后，可以获得更好的准确性。
2021-05-04 cs.CV
ChatGPT and biometrics: an assessment of face recognition, gender detection, and age estimation capabilities
Norwegian University of Science and Technology (NTNU)（挪威科技大学（NTNU））；Mizani Research Institute（米扎尼研究所）；Idiap Research Institute（伊迪亚普研究所）
该研究设计提示策略绕过ChatGPT的安全防护，评估其在人脸识别、性别检测和年龄估计三类生物特征任务的能力，验证了大语言模型在该领域的应用潜力。
2024-12-11 cs.AI cs.CV
Joint Estimation of Age and Gender from Unconstrained Face Images using Lightweight Multi-task CNN for Mobile Applications
Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）
基于无约束图像的自动年龄和性别分类已经成为移动设备上的基本技术。在有限的计算能力下，如何开发一个健壮的系统成为一个具有挑战性的任务。在本文中，我们提出了一种高效的卷积神经网络（CNN），称为轻量级多任务CNN，用于同时进行年龄和性别分类。轻量级多任务CNN使用深度可分离卷积来减少模型大小并节省推理时间。在公开的Adience数据集上，年龄和性别分类的准确性优于基线多任务CNN方法。
2018-06-06 cs.CV
Optimized clothes segmentation to boost gender classification in unconstrained scenarios
Universidad de Las Palmas de Gran Canaria（拉斯帕尔马斯大学）
一些应用程序需要普通人在不受约束的情况下的人口统计信息。这不是一个微不足道的任务，由于显着的人类外观变化。在这项工作中，我们引入三像素聚类图像区域，列举了它们的优势相比，超像素。经典的GrabCut算法后来被修改为在无监督的上下文中分割三像素而不是像素。结合人脸检测，我们得到了一种接近实时的分割方法。该研究使用具有挑战性的Pascal VOC数据集进行分割评估实验。最后一个实验分析了服装特征与ClothesDB中最先进的性别分类器的融合，揭示了性别分类的显着性能改善。
2016-11-12 cs.CV
Facial Soft Biometrics for Recognition in the Wild: Recent Works, Annotation, and COTS Evaluation
Nokia Bell-Labs（诺基亚贝尔实验室）；Escuela Politecnica Superior, Universidad Autonoma de Madrid（马德里自治大学高等理工学院）
软生物特征识别在无约束场景中增强个人识别系统的作用尚未得到广泛研究。在这里，我们探讨了以下模式的效用：性别，种族，年龄，眼镜，胡子和胡子。我们考虑两个假设：1）人工估计的软生物特征和2）自动估计从两个商业现成的系统（COTS）。所有的实验报告使用野生（LFW）数据库中的标记的面孔。首先，我们研究了独立的软生物特征识别能力。然后，进行实验融合软生物特征识别与两个国家的最先进的人脸识别系统的基础上深度学习。我们观察到，软生物特征是一个有价值的补充，在不受约束的情况下，人脸模态，相对提高40%/15%的验证性能时，使用手动/自动软生物特征估计。结果是可重复的，因为我们公开了我们的手动注释和COTS输出的软生物识别LFW，以及面部识别分数。
2022-10-24 cs.CV
Tattoo Image Search at Scale: Joint Detection and Compact Representation Learning
Michigan State University（密歇根州立大学）
视频监控和社交媒体中数字图像的爆炸性增长导致了对执法和法医应用中感兴趣的人的有效搜索的显著需求。尽管在主要生物特征方面取得了巨大进展（例如，面部和指纹）的个人识别，单独的单个生物特征不能满足法医场景中期望的识别精度。纹身作为一种重要的软生物特征，在身份识别中具有重要的应用价值。然而，在大量无约束图像中进行纹身搜索仍然是一个难题，现有的纹身搜索方法主要集中在匹配裁剪的纹身，这与实际应用场景不同。为了缩小差距，我们提出了一种有效的纹身搜索方法，该方法能够通过多任务学习在单个卷积神经网络（CNN）中联合学习纹身检测和紧凑表示。虽然骨干网络中的特征由纹身检测和紧凑表示学习共享，但是每个子网络的各个潜在层分别针对检测和特征学习任务来优化共享特征。我们通过随机图像拼接和预先特征缓冲来解决联合纹身检测和紧凑表示学习网络内部的小批量问题。我们评估建议的纹身搜索系统使用多个公共领域的纹身基准，和画廊集从这些数据集和图像从互联网上编译约300K分心纹身图像。此外，我们还介绍了一个纹身草图数据集包含300纹身草图为基础的纹身搜索。实验结果表明，该方法具有优越的性能，在纹身检测和纹身搜索的规模相比，几个国家的最先进的纹身检索算法。
2018-11-01 cs.CV
Gender and Ethnicity Classification of Iris Images using Deep Class-Encoder
IIIT-Delhi（印度德里信息技术学院）；West Virginia University（西弗吉尼亚大学）
软生物特征模态已经在不同的应用中显示出它们的效用，包括显著减小搜索空间。这导致改进的识别性能、减少的计算时间和测试样本的更快处理。一些常见的软生物特征模态是种族、性别、年龄、头发颜色、虹膜颜色、面部毛发或痣的存在以及标记。本研究针对虹膜影像进行种族与性别分类。我们提出了一种新的基于监督的自动编码器的方法，深度类编码器，它使用类标签通过将学习到的特征向量映射到其标签来学习给定样本的判别表示。该模型在两个数据集上进行评估，每个数据集用于种族和性别分类。与现有方法和最先进的方法相比，使用所提出的深度类编码器获得的结果证明了其有效性。
2017-10-08 cs.CV
Investigating Bias in Deep Face Analysis: The KANFace Dataset and Empirical Study
Imperial College London（帝国理工学院）；University of Athens（雅典大学）
基于深度学习的方法已经突破了人脸分析的最新技术极限。然而，尽管这些模型取得了成功，但它们对某些人口统计数据的偏见引起了人们的关注。这种偏见是由训练集中人口统计数据的有限多样性以及算法的设计造成的。在这项工作中，我们研究了深度学习模型在人脸识别，年龄估计，性别识别和亲属关系验证中的人口统计学偏差。为此，我们介绍了迄今为止最全面的大规模面部图像和视频数据集。它由40K静态图像和44K序列（总共1450万视频帧）组成，这些图像是在不受约束的真实世界条件下从1，045个主题中捕获的。这些数据都是人工标注的，包括身份、确切年龄、性别和亲属关系。国家的最先进的模型的性能进行审查和人口统计偏差暴露进行了一系列的实验。最后，介绍了一种消除网络嵌入偏差的方法，并在所提出的基准测试上进行了测试。
2020-09-09 cs.CV
Towards Unconstrained Palmprint Recognition on Consumer Devices: a Literature Review
National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）；National University of Ireland（爱尔兰国立大学）
作为一种生物识别技术，掌纹在很大程度上没有得到充分利用，但它们比指纹和面部生物识别技术具有一些优势。最近在手持和可穿戴消费设备上的成像能力的改进重新唤起了人们对掌纹使用的兴趣。本文的目的是提供一个全面的国家的最先进的掌纹识别方法，包括感兴趣的区域提取方法，特征提取方法和匹配算法，以及可用的掌纹数据集的概述，以了解最新的趋势和研究动态在掌纹识别领域。
2020-03-02 cs.CV
A Survey on Periocular Biometrics Research
Halmstad University（哈尔姆斯塔德大学）
眼周是指眼睛附近的面部区域，包括眼睑、睫毛和眉毛。虽然人脸和虹膜已被广泛研究，眼周区域已成为一个有前途的特点，无约束的生物特征，以下要求增加鲁棒性的人脸或虹膜系统。该区域具有令人惊讶的高识别能力，可以很容易地通过现有的面部和虹膜设置获得，并且可以放松对用户合作的要求，从而促进与生物识别系统的交互。它也可以在很宽的距离范围内使用，即使在虹膜纹理无法可靠获得（低分辨率）或部分面部遮挡（近距离）的情况下也是如此。在这里，我们回顾了眼周生物识别研究的最新进展。描述了多个方面，包括：i）现有的数据库，ii）用于眼周检测和/或分割的算法，iii）用于识别的特征，iv）眼周区域的最有区别的区域的识别，v）与虹膜和面部模态的比较，vi）软生物测定（性别/种族分类），以及vii）性别转换和整形手术对识别准确性的影响。这项工作预计将提供眼周生物识别技术中最相关的问题的见解，全面覆盖现有的文献和最新的技术水平。
2018-10-08 cs.CV
YinYang-Net: Complementing Face and Body Information for Wild Gender Recognition
University of Beira Interior（贝拉内陆大学）
监控场景中的软生物特征推断是各种应用，特别是在安全相关领域中感兴趣的主题。然而，软生物特征分析在野生条件下没有广泛报道。特别是，以前的性别识别工作报告了他们在人脸数据集中的结果，具有相对较好的图像质量和正面姿势。鉴于在野生条件下的面部区域的可用性的不确定性，我们认为这些方法是不足够的监视设置。为了克服这些局限性，我们：1）提出了三个著名的监控数据集的正面和野生人脸版本; 2）提出了阴阳网（YY-Net），这是一种有效和动态补充面部和身体信息的模型，这使得它适合在野生条件下进行性别识别。正面和野生人脸数据集来自广泛使用的行人属性识别（PAR）集（PETA，PA-100K和RAP），使用基于姿势的方法来过滤正面样本和面部区域。这种方法检索图像的面部区域与不同的图像/主体条件，其中国家的最先进的人脸检测器往往失败。YY-Net通过一个可学习的融合矩阵和一个通道注意力子网络将面部和身体信息结合起来，根据特定的图像/主体特征聚焦于最有影响力的身体部位。我们将其与五种PAR方法进行比较，始终获得最先进的性别识别结果，并将正面样本的预测误差降低了24%。公布的PAR数据集版本和YY-Net作为野生软生物特征分类的基础，可在www.example.com上获得。
2021-09-20 cs.CV
UESegNet: Context Aware Unconstrained ROI Segmentation Networks for Ear Biometric
National Institute of Technology Jalandhar（贾朗达尔国家理工学院）；Indian Institute of Technology Mandi（曼迪印度理工学院）
基于生物特征的个人认证系统已经看到了强劲的需求，主要是由于在各种隐私和安全应用的日益关注。虽然每种生物特征的使用都是依赖于问题的，但已经发现人耳具有足够的辨别特征，以允许其用作强生物特征测量。在二维人脸图像中定位耳朵是一项具有挑战性的任务，现有的方法已经取得了很好的效果，但大多数研究都是基于受限环境的。然而，在无约束的环境中，耳部生物识别技术存在很大的困难，其中姿势、尺度、遮挡、光照、背景杂波等变化很大。为了解决野外人耳定位问题，我们提出了两种高性能感兴趣区域（ROI）分割模型UESegNet-1和UESegNet-2，它们基本上基于深度卷积神经网络，主要使用上下文信息在无约束环境中定位人耳。此外，我们还应用了最先进的深度学习模型，即FRCNN（更快的区域建议网络）和SSD（Single Shot MultiBox Detector）用于耳朵定位任务。为了测试模型的泛化能力，我们在六个不同的基准数据集上对它们进行了评估，即IITD、IITK、USTB-DB 3、UND-E、UND-J2和UBEAR，所有这些数据集都包含具有挑战性的图像。基于目标检测性能指标IOU（Intersection Over Union）、准确度、精确度、召回率和F1-Score对模型的性能进行了比较。已经观察到，所提出的模型UESegNet-1和UESegNet-2在较高的IOU值下优于FRCNN和SSD，…
2020-10-08 cs.AI cs.CV
Periocular Soft Biometrics: A Survey and Applications to Multimedia Forensics and Disinformation Detection
Halmstad University（哈尔姆斯塔德大学）
该研究综述了眼周图像的人口统计属性估计方法，探讨其在多媒体取证与虚假信息检测中的应用，并指出数据集偏差等未解决挑战。
2026-08-18 cs.CV
Deep User Identification Model with Multiple Biometrics
NOTA Incorporated（NOTA公司）；Khalifa University（哈利法大学）；Korea Advanced Institute of Science and Technology（韩国高等科学技术院）
利用生物特征进行身份识别是一项重要而又具有挑战性的任务。关于使用给定信号识别个人身份或性别已经进行了大量的研究。各种类型的生物测定，如心电图（ECG），脑电图（EEG），面部，指纹和语音已被用于这些任务。大多数的研究只集中在单一的通道或单一的任务，而输入通道或任务的组合还有待研究。在本文中，我们提出了使用多模态生物识别技术进行深度识别和性别分类。我们的模型使用ECG，指纹和面部数据。然后，它执行两项任务：性别识别和分类。通过使用多模态，单个模型可以处理各种输入域，而无需独立地训练每个模态，并且域之间的相关性可以提高其在任务上的泛化性能。
2019-09-03 cs.CV cs.LG eess.SP
BioMetricNet: deep unconstrained face verification through learning of metrics regularized onto Gaussian distributions
Politecnico di Torino（都灵理工大学）
我们提出了BioMetricNet：一个用于深度无约束人脸验证的新框架，它学习正则化度量来比较面部特征。与流行的方法（如FaceNet）不同，所提出的方法不会对面部特征施加任何特定的度量;相反，它通过学习一种潜在的表示来塑造决策空间，在这种表示中，匹配和非匹配对被映射到明确分离且行为良好的目标分布上。特别是，网络联合学习最佳特征表示和遵循目标分布的最佳度量，以用于区分人脸图像。在本文中，我们提出了这个一般的框架，第一种面部验证，并将其调整为高斯分布。这种选择使得能够使用简单的线性决策边界，该决策边界可以被调谐以实现假警报和真实接受率之间的期望折衷，并且导致可以以封闭形式书写的损失函数。对公开可用的数据集进行了广泛的分析和实验，如野外标签人脸（LFW），Youtube人脸（YTF），野外正面轮廓中的名人（CFP），以及具有挑战性的数据集，如跨年龄LFW（CALFW），跨姿势LFW（CPLFW），在野生年龄数据集（CARDB）显示了显着的性能改善，并证实了BioMetricNet的有效性和优越性，超过现有的国家的，艺术方法。
2020-08-13 cs.CV cs.LG
The Unconstrained Ear Recognition Challenge 2019 - ArXiv Version With Appendix
University of Ljubljana（卢布尔雅那大学）；Nitte Mahalinga Adyanthaya Memorial Institute of Technology（尼特·马哈林加·阿迪扬塔亚纪念理工学院）；Jagadguru Sri Shivarathreeshwara Science & Technology University（贾伽杜古鲁·斯里·希瓦拉特里什瓦拉科技大学）；Research an Academic Computer Network（研究与学术计算机网络）；Warsaw University of Technology（华沙理工大学）；University of South Florida（南佛罗里达大学）；Federal University of Bahia（巴伊亚联邦大学）；Korea Institute of Science and Technology（韩国科学技术院）；Indian Insti（印度理工）
本文总结了2019年无约束耳朵识别挑战赛（UERC），这是一系列小组基准测试中的第二次，重点关注在不受控制的环境中捕获的耳朵图像中的人识别问题。该挑战的目标是评估现有耳朵识别技术在具有挑战性的大规模耳朵数据集上的性能，并从各种角度分析该技术的性能，例如对不可见数据特征的泛化能力，对旋转的敏感性，遮挡和图像分辨率以及基于人口统计标准（即性别和种族）选择的受试者子组的性能偏差。来自12个机构的研究小组参加了比赛，并提交了从基于机器人的方法到深度学习模型的13种识别方法。大多数提交的文件都集中在基于集成的方法上，这些方法结合了来自多个深度模型的表示或手工制作的学习图像描述符。我们的分析表明，结合深度学习模型的方法明显优于仅依赖手工制作的描述符的技术，即使这两组技术在对各种协变量的鲁棒性方面表现出相似的行为，例如遮挡的存在，（头部）姿势的变化或图像分辨率的变化。挑战赛的结果也表明，自2017年第一届UERC以来，已经取得了相当大的进展，但在这一领域仍有足够的进一步研究空间。
2019-03-14 cs.CV
Investigating Fairness of Ocular Biometrics Among Young, Middle-Aged, and Older Adults
School of Computing Wichita State University（威奇托州立大学计算机学院）
许多研究表明，面部生物识别技术存在偏见，即，人脸识别和软生物特征估计方法，跨性别，种族和年龄组。最近有一种迫切的要求，调查不同的生物识别方式的偏见，对公平和值得信赖的生物识别解决方案的部署。由于其高准确性、安全性、隐私性和在移动设备中的易用性，眼睛生物识别技术已经获得学术界和工业界越来越多的关注。$2020$最近的一项研究也表明了男性和女性之间基于视觉的用户识别的公平性。本文的目的是评估公平的眼睛生物测定在可见光谱中的年龄组;年轻人，中年人和老年人。由于最新的大规模2020年UFPR眼部生物特征数据集的可用性，受试者的年龄范围为18 - 79岁，以促进这项研究。实验结果表明，在用户验证和性别分类中，不同性别和年龄组的眼部生物特征识别的整体性能相当。在用户验证和年龄分类时，分别注意到老年人和年轻人在较低错误匹配率下的性能差异。这可能是由于这些年龄组的生物特征数据的固有特征影响了特定的应用，这表明需要在传感器技术和软件解决方案方面取得进展。
2021-10-04 cs.AI cs.CV cs.LG
Large-scale Datasets: Faces with Partial Occlusions and Pose Variations in the Wild
Wayne State University（韦恩州立大学）
人脸检测方法依赖于人脸数据集进行训练。然而，现有的人脸数据集往往是在小规模的人脸学习在约束和无约束的环境。在本文中，我们首先介绍了我们的大规模图像数据集，大规模标记人脸（LSLF）和嘈杂的大规模标记非人脸（LSLNF）。我们的LSLF数据集由大量无约束的多视图和部分遮挡的人脸组成。人脸在颜色和灰度、图像质量、图像分辨率、图像照明、图像背景、图像错觉、人脸、卡通脸、面部表情、轻微和严重的部分面部遮挡、化妆、性别、年龄和种族方面有许多变化。这些面部中的许多面部被诸如纹身、帽子、眼镜、太阳镜、手、头发、胡子、围巾、麦克风或其他物体或人的配件部分地遮挡。LSLF数据集是目前文献中最大的标记人脸图像数据集，与其他现有的标记人脸图像数据集相比，标记图像的数量和个体的数量。其次，我们介绍了我们的CrowedFaces和CrowedNonFaces图像数据集。crowedFaces和crowedNonFaces数据集包括拥挤场景中的人脸和非人脸图像。这些数据集的主要目的是为研究人员提供大量的训练样本，具有许多变化的大规模人脸学习和人脸识别任务。
2017-06-27 cs.CV
The More Secure, The Less Equally Usable: Gender and Ethnicity (Un)fairness of Deep Face Recognition along Security Thresholds
University of Cagliari（卡利亚里大学）
人脸生物识别技术在使现代智慧城市应用更加安全和可用方面发挥着关键作用。通常，人脸识别系统的识别阈值是基于所考虑的用例的安全程度来调整的。匹配的可能性可以例如通过在支付交易验证的情况下设置高阈值来降低。不幸的是，人脸识别的先前工作表明，某些人口统计群体的出错率通常更高。因此，这些差异使人们对拥有面部生物识别技术的系统的公平性产生了质疑。在本文中，我们调查在不同的安全级别下，人口群体之间的差异变化的程度。我们的分析包括十个人脸识别模型，三个安全阈值，以及基于性别和种族的六个人口统计组。实验表明，系统的安全性越高，可用性在人口统计学群体之间的差异越大。因此，在需要严格的安全级别的现实世界高风险环境中存在强制性的不公平问题，并迫切需要采取对策。
2022-09-30 cs.CV
Dog Identification using Soft Biometrics and Neural Networks
University of Calgary（卡尔加里大学）；Beijing Institute of Technology（北京理工大学）
本文讨论了动物，特别是狗的生物识别问题。我们在宠物的照片上应用先进的机器学习模型，如深度神经网络，以确定宠物的身份。在本文中，我们探讨了使用不同类型的“软”生物识别技术的可能性，如品种，身高或性别，与“硬”生物识别技术，如宠物的脸的照片融合。我们将迁移学习的原理应用于不同的卷积神经网络，以创建一个专门为品种分类设计的网络。对于两个不同的数据集，该网络在区分两个狗品种时能够达到90.80%和91.29%的准确率。在不使用“软”生物特征的情况下，狗的识别率为78.09%，但通过使用决策网络结合“软”生物特征，识别率可以达到84.94%。
2020-07-22 cs.CV
Ear Recognition: More Than a Survey
University of Ljubljana（卢布尔雅那大学）
从人耳图像中自动识别身份是生物识别领域的一个研究热点。从远处以隐蔽方式捕获耳朵图像的能力使该技术成为监视和安全应用以及其他应用领域的吸引人的选择。近年来，该领域做出了重大贡献，但开放的研究问题仍然存在，阻碍了该技术的更广泛（商业）部署。本文介绍了自动人耳识别（从2D图像）领域的概述，并特别侧重于最新的，在这一领域提出的基于矢量的方法。开放的挑战进行了讨论，并概述了潜在的研究方向，为读者提供了一个参考点的问题，值得在未来的研究目标。除了对人耳识别技术进行全面回顾外，本文还介绍了一个新的、完全无约束的从网络上收集的人耳图像数据集和一个工具箱，该工具箱实现了几种最先进的人耳识别技术。该数据集和工具箱旨在解决该领域的一些悬而未决的问题，并向研究界公开提供。
2019-02-01 cs.CV
An Explainable Machine Learning Approach for Age and Gender Estimation in Living Individuals Using Dental Biometrics
University of Essex（埃塞克斯大学）；Tel Aviv University（特拉维夫大学）；Oral Medicine and Oral Surgery（口腔医学与口腔外科）；Universitas Airlangga（艾尔朗加大学）；Boston University（波士顿大学）；King George’s Medical University（乔治国王医科大学）
本研究利用862名个体的牙齿测量数据，开发了基于多种机器学习模型及集成学习的年龄与性别预测系统，并结合SHAP实现可解释性，其中XGB和RF模型表现最优，提升了法医牙科估计的准确性与自动化水平。
2024-11-12 cs.AI cs.CV
Harnessing Unlabeled Data to Improve Generalization of Biometric Gender and Age Classifiers
School of Computing, Wichita State University（威奇托州立大学计算机学院）；School of Computing, University of Missouri, Kansas City（密苏里大学堪萨斯城分校计算机学院）
随着深度学习的重大进展，许多计算机视觉应用已经达到了拐点。然而，这些深度学习模型需要大量的标记数据用于模型训练和最佳参数估计。用于模型训练的有限标记数据导致过拟合并影响其泛化性能。然而，大量数据的收集和注释是非常耗时且昂贵的操作。此外，由于隐私和安全问题，无法为某些应用（例如涉及医疗领域的应用）收集大量标记数据。自训练、协同训练和自集成方法是三种类型的半监督学习方法，可用于利用未标记数据。在本文中，我们提出了基于自集成的深度学习模型，该模型利用有限的标记数据，利用未标记数据来提高泛化性能。我们评估了所提出的基于自集成的深度学习模型，用于软生物特征性别和年龄分类。对CelebA和VISOB数据集的实验评估表明，性别分类准确率分别为94.46%和81.00%，对于CelebA数据集，仅使用1000个标记样本，剩余199k个样本作为未标记样本，同样，对于VISOB数据集，使用1000个标记样本，剩余107k个样本作为未标记样本。比较评估表明，与在整个CelebA和VISOB数据集上训练的监督模型相比，自集成模型的准确性分别有$5.74\%$和$8.47\%$的提高。我们还在Adience数据集上评估了所提出的年龄组预测学习方法，它优于基线监督深度学习模型，精确准确率为55.55 $\pm$ 4.28，比基线高出3.92%。
2021-10-09 cs.AI cs.CV cs.LG
PTSD in the Wild: A Video Database for Studying Post-Traumatic Stress Disorder Recognition in Unconstrained Environments
University Paris-Est Créteil（巴黎东克雷泰伊大学）；University Paris City（巴黎城市大学）；Istanbul Technical University（伊斯坦布尔理工大学）；National Institute of Technology Warangal（瓦朗加尔国家技术学院）；The National Engineering School of Sfax（斯法克斯国家工程师学院）；French National Centre for Scientific Research（法国国家科学研究中心）
创伤后应激障碍（PTSD）是一种慢性和使人衰弱的精神状况，是在应对灾难性生活事件时发展起来的，如军事战斗，性侵犯和自然灾害。创伤后应激障碍的特征是对过去创伤事件的闪回、侵入性想法、噩梦、过度警惕和睡眠障碍，所有这些都会影响一个人的生活，并导致相当大的社交、职业和人际交往功能障碍。PTSD的诊断由医学专业人员使用精神疾病诊断和统计手册（DSM）中定义的PTSD症状的自我评估问卷进行。在本文中，我们第一次收集，注释，并准备公开发布一个新的视频数据库，用于自动PTSD诊断，称为PTSD在野生数据集。该数据库表现出“自然”和大的变化，在不同的姿态，面部表情，照明，焦点，分辨率，年龄，性别，种族，闭塞和背景的采集条件。除了描述数据集集合的详细信息外，我们还提供了一个基准，用于评估野生数据集中基于计算机视觉和机器学习的创伤后应激障碍方法。此外，我们提出并评估了一种基于深度学习的方法，用于在给定的基准方面进行PTSD检测。所提出的方法显示出非常有前途的结果。感兴趣的研究人员可以从http://www.lissi.fr/PTSD-Dataset/下载PTSD-in-the wild数据集的副本
2022-09-28 cs.CV cs.HC cs.LG
Face Recognition Techniques: A Survey
目前，研究已经扩展到从各种生物特征技术中提取辅助信息，如指纹，人脸，虹膜，手掌和声音。这些信息包含一些主要特征，如性别，年龄，胡须，胡子，疤痕，身高，头发，肤色，眼镜，体重，面部标记和纹身。所有这些信息都有助于人类的识别。人脸识别面临的主要挑战是找到人的年龄和性别。本文综述了用于确定年龄和性别的各种人脸识别技术。现有的技术进行了讨论的基础上，他们的性能。本文还为今后的进一步研究提供了方向。
2021-01-30 cs.CV
WildGait: Learning Gait Representations from Raw Surveillance Streams
University Politehnica of Bucharest（布加勒斯特理工大学）
使用步态进行身份识别具有重要的优点，例如非侵入性，不引人注目，不需要合作，并且与其他生物特征相比不太可能被掩盖。现有的步态识别方法需要合作的步态场景，其中一个人在摄像机前沿直线行走多次。我们的目标是解决现实世界场景中的挑战，在这种场景中，摄像头的内容会捕捉到多个人，而这些人在大多数情况下只会在摄像头前经过一次。我们通过仅使用行走个体的运动信息来解决隐私问题，而不使用可识别的基于外观的信息。因此，我们提出了一种新的弱监督学习框架，WildGait，它包括训练时空图卷积网络上的大量自动注释的骨架序列从原始的，真实的，监视流学习有用的步态签名。我们收集了训练数据，并编制了最大的行走骨骼数据集，称为不合作的野性步态，包含超过38k的匿名行走2D骨骼轨迹。我们发布数据集供公众使用。我们的研究结果表明，通过微调，我们超越了当前最先进的基于姿势的步态识别解决方案。我们提出的方法是可靠的训练步态识别方法在无约束的环境中，特别是在设置与稀缺的注释数据量。
2021-08-18 cs.CV
Periocular biometrics: databases, algorithms and directions
Halmstad University（哈尔姆斯塔德大学）
本文综述了眼周生物特征识别作为独立模态的研究现状，涵盖数据库、算法及在非受控条件下与人脸或虹模态结合的应用，并展望未来趋势。
2023-07-26 cs.CV eess.IV
Seeing Voices and Hearing Faces: Cross-modal biometric matching
University of Oxford（牛津大学）
我们引入了一个看似不可能完成的任务：只给一个人说话的音频片段，确定两个面部图像中的哪一个是说话者。在本文中，我们研究了这一点，以及一些相关的跨模态任务，旨在回答这个问题：我们能从声音中推断出多少关于脸的信息，反之亦然？我们研究这个任务“在野外”，采用的数据集，现在公开提供的人脸识别从静态图像（VGGFace）和说话人辨识从音频（VoxCeleb）。这些为跨模态匹配的静态和动态测试提供了训练和测试场景。我们做出了以下贡献：（i）我们引入了CNN架构，用于二进制和多路跨模态人脸和音频匹配，（ii）我们比较了动态测试（视频信息可用，但音频不是来自同一视频）与静态测试（只有一个静态图像可用），以及（iii）我们使用人体测试作为基线来校准任务的难度。我们表明，CNN确实可以被训练来解决静态和动态场景中的这项任务，并且在给定语音的情况下，对面部进行10向分类的机会甚至远远高于机会。CNN在简单的例子上匹配人类的表现（例如，不同性别的面孔），但在更具挑战性的例子上超过人类的表现（例如，具有相同性别，年龄和国籍的面孔）。
2018-04-03 cs.CV
Gender Classification from Iris Texture Images Using a New Set of Binary Statistical Image Features
Universidad Tecnologica de Chile - INACAP（智利理工大学-INACAP）
诸如性别的软生物特征信息可以有助于许多应用，如身份识别和安全。本文探讨了使用二进制统计特征（BSIF）算法从近红外传感器捕获的虹膜纹理图像进行性别分类。它对虹膜识别系统使用相同的流水线，包括虹膜分割，归一化和分类。实验表明，应用BSIF并不简单，因为它会创建人工纹理，导致错误分类。为了克服这一限制，根据眼睛图像训练了一组新的过滤器，并在受试者不相交的数据库上测试了具有填充带的不同大小的过滤器。实现了一种改进的BSIF（MBSIF）方法。后者获得了较好的性别分类结果（左眼为94.6%，右眼为91.33%）。这些结果与性别分类的最新技术水平具有竞争力。另一项贡献是，建立了一个新的按性别划分的数据库，可应要求提供。
2019-05-01 cs.CV
FlowSAN: Privacy-enhancing Semi-Adversarial Networks to Confound Arbitrary Face-based Gender Classifiers
Michigan State University（密歇根州立大学）
现代数字时代的隐私问题促使研究人员开发技术，允许用户选择性地抑制收集的数据中的某些信息，同时允许提取其他信息。在这方面，半对抗网络（SAN）最近已经成为一种方法，用于赋予软生物特征隐私的面部图像。SAN使得能够修改输入面部图像，使得所得到的面部图像仍然可以被任意常规面部匹配器可靠地用于识别目的，而属性分类器（诸如性别分类器）被混淆。然而，SAN在任意性别分类器中的普遍性仍然是一个公开的问题。在这项工作中，我们提出了一种新的方法，FlowSAN，允许SAN推广到多个看不见的性别分类器。我们建议结合一组不同的SAN模型，以弥补彼此的弱点，从而形成一个强大的模型，提高泛化能力。使用不同的看不见的性别分类器和人脸匹配器的广泛实验证明了所提出的范例在赋予性别隐私的人脸图像的有效性。
2019-05-03 cs.CV
Gait-based Age Group Classification with Adaptive Graph Neural Network
Multimedia University（多媒体大学）；Yonsei University（延世大学）；University College Dublin（都柏林大学学院）
本文提出基于模型步态的深度学习方法，构建MMU GAG数据集，利用姿态估计和部分聚合生成步态图，设计PairGCN网络，在年龄组分类中达到99%准确率，验证了无约束环境下AI应用的可行性。
2024-09-19 cs.CV cs.LG
Heterogeneity Aware Deep Embedding for Mobile Periocular Recognition
IIIT-Delhi（德里英迪拉·甘地信息技术学院）；IBM TJ Watson（IBM托马斯·J·沃森研究中心）
移动生物识别方法提供了一个无所不在的技术安全认证的便利。然而，这带来了在不受约束的环境中识别生物特征模式的额外挑战，包括移动相机传感器、照明条件和捕获距离的变化。为了解决异构的挑战，这项研究提出了一种新的异构感知损失函数的深度学习框架内。建议的损失函数的有效性进行评估，使用CSIP，IMP和VISOB移动眼周数据库的眼周生物特征。实验结果表明，该算法在异构环境下得到了最佳的结果，并提高了跨数据库实验的通用性。
2018-11-02 cs.CV
Analyzing Covariate Influence on Gender and Race Prediction from Near-Infrared Ocular Images
最近的研究探索了从生物特征数据中自动推断个人性别，年龄和种族等信息的可能性。虽然在这方面已经对面部模态进行了广泛的研究，但虹膜模态较少。在本文中，我们首先回顾了医学文献，以建立从虹膜中提取性别和种族线索的生物学基础。然后，我们证明，它是可以使用简单的纹理描述符，如BSIF（二进制统计图像特征）和LBP（本地二进制模式），提取性别和种族属性的近红外眼睛图像中使用的一个典型的虹膜识别系统。该方法从单眼图像中预测性别和种族，准确率分别为86%和90%。此外，还进行了以下分析：（a）眼睛区域的不同部分对属性预测的作用;（b）性别对种族预测的影响，反之亦然;（c）眼睛颜色对性别和种族预测的影响;（d）图像模糊对性别和种族预测的影响;（e）该方法在不同数据集上的可推广性;以及（f）左眼和右眼的预测性能的一致性。
2019-01-17 cs.CV
Age Group and Gender Estimation in the Wild with Deep RoR Architecture
North China Electric Power University（华北电力大学）；University of Missouri（密苏里大学）
从无约束条件下获得的人脸图像中自动预测年龄组和性别是许多现实世界应用中的重要且具有挑战性的任务。然而，传统的方法与手动设计的功能在野外基准是不令人满意的，因为不胜任处理大的变化，在无约束的图像。卷积神经网络（CNN）以其强大的特征表示能力在一定程度上缓解了这一困难。在本文中，我们提出了一种新的基于CNN的年龄组和性别估计方法，该方法利用残差网络的残差网络（RoR），该方法比其他CNN架构具有更好的年龄组和性别分类优化能力。此外，为了进一步提高年龄估计的性能，提出了两种基于年龄组特征观测的适度估计机制，为了缓解过拟合问题，首先在ImageNet上对RoR模型进行预训练，然后在IMDB-WIKI-101数据集上对RoR模型进行微调，以进一步学习人脸图像的特征，最后在Adience数据集上进行微调。我们的实验说明了RoR方法在野外进行年龄和性别估计的有效性，它比其他CNN方法具有更好的性能。最后，具有两种机制的RoR-152+IMDB-WIKI-101在Adience基准测试中取得了新的最先进的结果。
2017-10-09 cs.CV
Attention-Aware Transformer-Based Aggregation Network for Video Periocular Recognition
Department of Computer Science, Federal University of Minas Gerais, Belo Horizonte, Brazil（巴西米纳斯吉拉斯联邦大学计算机科学系）；Department of Informatics, Federal University of Paraná, Curitiba, Brazil（巴西巴西南部联邦大学信息技术系）
本文提出一种基于变换器的聚合网络，用于视频眼周识别，通过特征嵌入和聚合模块提升识别鲁棒性，在COX Face数据集上优于传统方法，达到99.8%的TPR@1e-1和96.6%的Rank-5。
2026-05-15 cs.CV cs.LG
PrivacyProber: Assessment and Detection of Soft-Biometric Privacy-Enhancing Techniques
Faculty of Electrical Engineering, University of Ljubljana（卢布尔雅那大学电气工程学院）；Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）
软生物计量隐私增强技术表示机器学习方法，其目的在于：（i）通过抑制面部图像中的所选软生物计量属性（例如，性别、年龄、种族），以及（ii）使主动提取敏感个人信息变得不可行。由于这些技术越来越多地用于现实世界的应用程序，它是必要的，以了解在何种程度上的隐私增强可以被逆转，有多少属性信息可以从隐私增强的图像恢复。虽然这些方面是至关重要的，但它们在文献中尚未被研究。因此，我们研究了几种最先进的软生物特征隐私增强技术的鲁棒性属性恢复尝试。我们提出了PrivacyProber，一个用于从隐私增强的面部图像中恢复软生物特征信息的高级框架，并将其应用于三个公共面部数据集的综合实验中的属性恢复，即，LFW、MUCT和Adience。我们的实验表明，所提出的框架是能够恢复相当数量的被抑制的信息，无论使用的隐私增强技术，但也有考虑的隐私模型之间的显着差异。这些结果表明，需要新的机制，可以提高现有的隐私增强技术的鲁棒性，并确保他们对潜在的对手试图恢复被抑制的信息。
2022-11-22 cs.CV
BiosecurID: a multimodal biometric database
Universidad Autonoma de Madrid（马德里自治大学）；Escuela Universitaria Politecnica de Mataro（马塔罗大学理工学院）；Universidad de Valladolid（巴利亚多利德大学）；Universidad del Pais Vasco（巴斯克大学）；Universidad de Zaragoza（萨拉戈萨大学）
一个新的多模态生物特征数据库，获得的BiosecuID项目的框架内，提出了与描述的收购设置和协议。该数据库包括八个单峰生物特征，即：语音、虹膜、面部（静止图像、说话面部视频）、手写签名和手写文本（在线动态信号、离线扫描图像）、指纹（用两种不同的传感器采集）、手（掌纹、轮廓几何）和指纹识别。该数据库包括400个主题，并提出了功能，如：现实的收购方案，平衡的性别和人口分布，有关特定人口统计群体（年龄，性别，用手习惯）的信息的可用性，收购的重放攻击的语音和语音识别，熟练的forecast签名，并与其他现有的数据库的兼容性。所有这些特性使得它在研究和开发单峰和多峰生物识别系统中非常有用。
2021-11-02 cs.CR cs.CV eess.IV
X-Palm: Paired Multispectral-to-Smartphone Dataset for Cross-Domain Palmprint Authentication
Singapore Institute of Technology（新加坡科技学院）；Università degli Studi di Milano（米兰大学）；University of Toronto（多伦多大学）
为解决掌纹识别中受控注册与非约束认证之间的域差距，提出首个配对身份的多光谱-智能手机跨域数据集X-Palm，包含6006张图像，覆盖大规模模态和环境变化，实验表明现有模型在该数据集上性能严重下降，而基于X-Palm训练的模型具有跨域鲁棒性。
2026-06-23 cs.CV eess.IV
Reversing Deep Face Embeddings with Probable Privacy Protection
Hochschule Darmstadt（达姆施塔特应用科学大学）
本文针对软生物特征隐私增强人脸嵌入，利用最先进的人脸图像重建方法评估其不可逆性与脆弱性，发现受保护嵌入最高可被以约98%的准确率重建。
2023-10-04 cs.CV
An Attack on Facial Soft-biometric Privacy Enhancement
Hochschule Darmstadt（达姆施塔特应用技术大学）；Fraunhofer Institute for Computer Graphics Research（弗劳恩霍夫计算机图形学研究所）；Norwegian University of Science and Technology（挪威科技大学）；University of Ljubljana（卢布尔雅那大学）
最近，不同的研究人员提出了隐私增强的人脸识别系统，旨在隐藏特征级的软生物特征属性。这些工作报告了令人印象深刻的结果，但一般不考虑具体的攻击，在他们的分析隐私保护。我们基于两个观察结果对所述方案进行攻击：（1）高度相似的面部表示通常源自具有相似的软生物特征属性的面部图像;（2）为了实现高识别精度，必须在其隐私增强版本中保留对面部表示内类内变化的鲁棒性。所提出的攻击只需要隐私增强算法作为一个黑盒子和一个相对较小的数据库的人脸图像与注释的软生物特征属性。首先，将截获的隐私增强的面部表示与攻击者的数据库进行比较。随后，从与所获得的最高相似性分数相关联的属性推断未知属性。在实验中，攻击是针对两个国家的最先进的方法。该攻击在相当大的程度上规避了隐私增强，并且能够正确地对性别进行分类，准确率高达约90%。未来的隐私增强人脸识别的工作，鼓励包括在隐私保护的评估建议的攻击。
2022-05-17 cs.CV
