FingerNet: An Unified Deep Network for Fingerprint Minutiae Extraction
Key Laboratory of Machine Perception (MOE), School of EECS, Peking University(北京大学信息科学技术学院机器感知与智能教育部重点实验室)
细节特征提取在自动指纹识别中具有重要意义。以往的工作,滚动/拍打指纹失败的潜在指纹,由于嘈杂的脊模式和复杂的背景噪声。在本文中,我们提出了一种结合领域知识和深度学习的表示能力来设计深度卷积网络的新方法。在方向估计、分割、增强和细节点提取等方面,将几种典型的传统方法转化为卷积方式,并集成为一个统一的平面网络。我们证明了这个管道相当于一个固定权重的浅网络。然后扩展网络以增强其表示能力,并释放权重以从数据中学习复杂的背景方差,同时保持端到端的可微性。在NIST SD 27潜在数据库和FVC 2004 slap数据库上的实验结果表明,该算法优于现有的细节点提取算法。代码可在https://github.com/felixTY/FingerNet上公开获取。
2017-09-07 cs.CV
Fingerprint Synthesis: Search with 100 Million Prints
Michigan State University(密歇根州立大学)
由于缺乏公开可用的数据集,大规模指纹搜索算法的评估受到限制。为了解决这个问题,我们利用生成对抗网络(GAN)来合成由1亿个指纹图像组成的指纹数据集。与现有的指纹合成算法相比,我们将一个身份损失,引导生成器合成指纹对应于更不同的身份。我们的合成指纹的特征被证明是更接近真实的指纹比现有的方法,通过八个不同的度量(细节点计数-块和模板,细节点方向-块和模板,细节点凸包面积,细节点空间分布,块细节点质量分布,和NFIQ 2.0分数)。此外,通过搜索结果和冒名顶替者分布统计,基于我们的方法的合成指纹比基于公开方法的合成指纹更明显。最后,我们在公开文献中首次报告了对1亿个指纹图像库的搜索准确率(NIST SD 4 Rank-1准确率为89.7%)。
2020-06-12 cs.CV
DWT Based Fingerprint Recognition using Non Minutiae Features
Cambridge Institute of Technology(剑桥理工学院);University Visvesvaraya College of Engineering(维斯瓦瓦拉亚工程大学学院);Bangalore University(班加罗尔大学);Seemanta Engineering College(西曼塔工程学院);F.M. University(F.M.大学)
刑事调查、恐怖分子识别和国家安全问题等法医应用需要强大的指纹数据库和高效的识别系统。本文提出了一种基于小波变换的非细节点指纹识别算法。采用三层小波变换将指纹图像分解为LL、LH、HL和HH四个多分辨率子带。仅在LL频带上计算主导局部取向角θ和相干性。中心区域特征和边缘参数通过考虑所有四个子带在每个DWT级别上确定。基于各特征的欧氏距离确定测试指纹与数据库指纹的比较。与现有算法相比,FAR、FRR和TSR的值得到了改善。
2011-06-17 cs.CV
Fusion of Methods Based on Minutiae, Ridges and Pores for Robust Fingerprint Recognition
Unesp - Brazil(巴西圣保罗大学(Unesp - 巴西))
使用物理和行为特征进行身份识别被称为生物识别。在众多生物特征中,指纹是使用最广泛的。指纹识别是基于指纹的印痕模式,指纹的印痕模式包括指纹的纹线模式和指纹的细节点模式,分别是指纹的第一级特征和第二级特征。由于传感器的低成本,当前的识别系统使用这两个级别的指纹特征。然而,由于传感器技术的最新进展,可以使用存在于脊内的第三级特征,例如汗孔。最近的研究表明,使用第三级特征可以提高生物识别系统的安全性和欺诈保护,因为它们很难复制。此外,由于多生物特征识别的诸多优点,近年来的研究也集中在多生物特征识别上。这项工作的目标是应用融合技术的指纹识别,以结合细节,脊和孔为基础的方法,从而提供更强大的生物识别系统。对基于各向同性和自适应的自动毛孔提取方法以及基于毛孔的方法与基于细节点和脊线的识别方法的融合进行了评价。实验在公共数据库PolyU HRF上进行,与单独使用这些方法获得的最佳结果相比,相等出错率降低了约16%。
2018-05-28 cs.CV
Minutia Texture Cylinder Codes for fingerprint matching
National Database And Registration Authority(国家数据库与注册局)
细节柱码(MCC)是基于细节的指纹描述符,其考虑指纹图像中的细节信息以用于指纹匹配。在本文中,我们提出了一个修改的MCC描述符的基础信息,并表明,使用不同的功能,匹配的准确性受到很大的影响,这种变化。MCC原本是一个细节描述符,被转换为纹理描述符。利用短时傅立叶变换(STFT)分析将细节点的角度信息转换为方向、频率和能量信息。将细节点圆柱编码转换为细节点纹理圆柱编码(MTCC)。基于一组固定的参数,建议的MCC变更显示FVC 2002和2004数据集的性能有所改善,并超过传统MCC性能。
2018-07-06 cs.CV
Minutiae-Guided Fingerprint Embeddings via Vision Transformers
Michigan State University(密歇根州立大学);Rank One Computing(Rank One Computing公司);Amazon(亚马逊)
细节点匹配长期以来一直是指纹识别领域的主流。然而,深度网络可以用来从指纹中提取固定长度的嵌入。迄今为止,探索使用CNN架构来提取此类嵌入的少数研究已经显示出极大的希望。受这些早期作品的启发,我们提出了第一次使用视觉Transformer(ViT)来学习有区别的固定长度指纹嵌入。我们进一步证明,通过引导ViT专注于本地,细节相关的功能,我们可以提高识别性能。最后,我们表明,通过融合CNN和ViT学习的嵌入,我们可以达到与商业最先进(SOTA)匹配器的接近平价。特别是,我们在NIST SD 302公共域数据集上获得了TAR= 94.23%@FAR =0.1%,而SOTA商业匹配器获得了TAR= 96.71%@FAR = 0.1%。此外,我们的固定长度嵌入可以比商业系统更快地匹配数量级(250万匹配/秒,而50 K匹配/秒)。我们公开我们的代码和模型,以鼓励对这个主题的进一步研究:https://github.com/tba。
2022-10-26 cs.CV
Minutiae Extraction from Fingerprint Images - a Review
University of Delhi(德里大学);Keshav Mahavidyalaya, University of Delhi(德里大学凯沙夫 Mahavidyalaya)
指纹是最古老和最广泛使用的生物识别形式。众所周知,每个人都有独特的、不可改变的指纹。由于大多数自动指纹识别系统都是基于局部脊线特征(细节点)的,因此准确地标记细节点并剔除假细节点是非常重要的。然而,由于皮肤和印象条件的变化,指纹图像会退化和损坏。因此,在细节点提取之前采用图像增强技术。指纹自动匹配的一个关键步骤是从输入的指纹图像中可靠地提取细节点。本文介绍了大量的技术,目前在文献中提取指纹细节点。这些技术大致分为那些工作在二值化的图像和那些工作的灰度图像直接。
2011-11-29 cs.CR cs.CV
Minutiae-Anchored Local Dense Representation for Fingerprint Matching
Department of Automation, Tsinghua University(自动化系,清华大学)
本文提出细节点锚定的局部稠密表示DMD,通过三维张量融合细节点与脊线纹理特征,并利用前景掩码提升匹配效率,在多种指纹数据集上取得最先进精度。
2025-07-21 cs.CV
End-to-End Pore Extraction and Matching in Latent Fingerprints: Going Beyond Minutiae
Michigan State University(密歇根州立大学)
潜在指纹识别并不是一个新的课题,但在过去的50年里,它吸引了学术界和工业界研究人员的大量关注。随着模式识别技术的迅速发展,自动指纹识别系统(AFIS)越来越普遍。然而,大多数自动指纹识别系统用于实时扫描或滚动/拍打指纹,而只有少数系统可以以合理的准确度对潜在指纹进行工作。对潜指纹及其滚动/拍打伴侣指纹进行更高分辨率的扫描是否有助于提高识别准确性的问题仍然是法医界的一个悬而未决的问题。由于毛孔是除细节点之外识别潜指纹最可靠的特征之一,本文提出了一个端到端的毛孔自动提取与匹配系统,分析了毛孔在潜指纹识别中的效用。因此,本文回答了两个问题,在潜在的指纹域:(i)合并的孔隙作为3级功能显着提高系统的性能?以及(ii)1,000 nm图像分辨率是否改善了识别结果?我们相信,我们提出的端到端的孔隙提取和匹配系统将是未来潜在的AFIS发展的具体基线。
2019-05-30 cs.CV
Latent Fingerprint Recognition: Role of Texture Template
Department of Computer Science and Engineering(计算机科学与工程系);Michigan State University(密歇根州立大学);East Lansing(东兰辛(城市名,非机构));Michigan 48824(密歇根州 48824(邮编,非机构))
我们提出了一种纹理模板的方法,由一组虚拟的细节,以提高整体潜在的指纹识别的准确性。为了弥补缺乏足够数量的细节点在质量差的潜在指纹,我们生成一组虚拟细节点。然而,由于大量的这些规则放置的虚拟细节点,基于纹理的模板匹配有一个大的计算需求相比,匹配真正的细节点模板。为了提高纹理模板匹配的准确性和效率,我们研究:i)用于训练卷积神经网络的原始和增强的指纹块(ConvNet)以提高与每个虚拟细节点相关联的描述符的独特性,ii)虚拟细节点周围的较小块和快速ConvNet架构以加速描述符提取,iii)减少描述符长度,iv)改进的层次图匹配策略,提高了匹配速度; v)多纹理模板提取,提高了匹配性能。在NIST SD 27潜在数据库上的实验表明,上述策略可以将匹配速度从每次比较(潜在打印和参考打印之间)的11 ms(24个线程)提高到每次比较的7.7 ms(单个线程),同时将rank-1的准确率提高8.9%。
2018-04-27 cs.CV
Latent Fingerprint Registration via Matching Densely Sampled Points
Tsinghua University(清华大学)
潜在指纹匹配是一个非常重要但尚未解决的问题。指纹配准作为指纹匹配的关键步骤,对识别性能有很大的影响。现有的潜指纹配准方法主要是基于建立细节点之间的对应关系,当指纹面积小或图像质量差导致提取的细节点数量不足时,配准方法必然失败。细节点提取已成为潜在指纹配准的瓶颈。在本文中,我们提出了一种非细节点的潜在指纹配准方法,估计一对指纹之间的空间变换,通过密集的指纹补丁对齐和匹配过程。给定一对待匹配的指纹,我们绕过细节点提取步骤,取均匀采样点作为关键点。然后,所提出的补丁对齐和匹配算法比较所有对采样点,并产生它们的相似性以及对齐参数。最后,通过谱聚类找到一组一致的对应关系。在NIST27数据库和MOLF数据库上的大量实验表明,该方法具有较好的配准性能,特别是在复杂的配准条件下。
2021-01-20 cs.CV
MRA-GNN: Minutiae Relation-Aware Model over Graph Neural Network for Fingerprint Embedding
University of Chinese Academy of Sciences(中国科学院大学)
针对现有指纹嵌入方法无法利用拓扑和相关性等非结构化数据的问题,提出MRA-GNN模型,通过图神经网络结合拓扑关系推理模块和相关感知模块学习指纹图嵌入,有效解决了过平滑问题并在多个数据集上达到SOTA。
2023-07-31 cs.CV
On the Effects of Image Quality Degradation on Minutiae- and Ridge-Based Automatic Fingerprint Recognition
Escuela Politecnica Superior(高等理工学院);Universidad Autonoma de Madrid(马德里自治大学)
研究了图像质量退化对自动指纹识别验证性能的影响。研究了两种基于细节点和脊线信息的指纹匹配器在不同指纹图像质量下的性能。脊为基础的系统被发现是更强大的图像质量下降比细节为基础的系统为一些不同的图像质量标准。
2022-07-12 cs.CV eess.IV
Latent fingerprint minutia extraction using fully convolutional network
Key Laboratory of Machine Perception (MOE), School of EECS, Peking University(北京大学信息科学技术学院机器感知与智能教育部重点实验室)
细节点在指纹识别中起着重要的作用。潜指纹往往质量较差,提取可靠的细节点是一个难点。针对传统手工特征的局限性,利用全卷积网络(FCN)直接从数据中学习特征,以克服复杂的背景噪声。原始指纹被映射到具有固定步幅的相应大小的细节点分数图。因此,通过给定的阈值将提取大量的细节点。然后,将以这些细节点为中心的小区域输入到卷积神经网络(CNN)中,以重新分类这些细节点并计算它们的方向。CNN与全卷积网络共享卷积层以加速。0.45第二个平均用于在GPU上检测一个指纹。在NIST SD 27数据库上,我们取得了53%的召回率和53%的准确率,优于许多其他算法。我们的训练模型也可视化,以表明我们已经成功地提取特征保留潜在指纹的脊线信息。
2017-09-07 cs.CV
An Effective Fingerprint Verification Technique
GIMT;Tezpur University(Tezpur大学)
本文提出了一种有效的方法,指纹验证的基础上的数据采掘技术称为细节聚类和图论方法来分析指纹比较的过程中,给出一个特征空间表示的细节,并产生一个下界的数目可检测不同的指纹。该方法还通过使用细节点图的拓扑行为和称为Hausdorff距离的距离度量来证明每个个体指纹的不变性。自组织映射神经网络也被用于指纹分类。
2010-06-14 cs.CV
Enhanced Secure Algorithm for Fingerprint Recognition
Ain Shams University(艾因·夏姆斯大学)
指纹识别需要用户的最小努力,除了识别过程严格需要的信息之外不捕获其他信息,并且提供相对良好的性能。指纹识别系统中的一个关键步骤是对输入指纹图像进行细化。细节点提取算法的性能在很大程度上依赖于细化算法的质量。为此,提出了一种快速指纹细化算法。该算法直接对灰度图像进行二值化处理,因为二值化会产生许多虚假的细节点,同时也会去除许多重要的特征。实验结果表明,该细化算法具有快速、准确的特点。提出了一种新的基于细节点的指纹匹配方法。其主要思想是每个指纹都由数据库中的两列细节表表示。在指纹的核心点周围的一定宽度的每个轨道中发现的不同细节点类型(终止和分叉)的数量记录在该表中。表中的每一行表示某一轨道,在第一列中,记录每个轨道中的终端的数量,在第二列中,记录每个轨道中的分叉的数量。该算法具有旋转和平移不变性,且存储量小.实验结果表明,该方法的识别正确率为98%,等出错率为2%.最后,通过通信通道传输的数据的完整性必须从扫描仪到应用程序的所有方式都是安全的。对含水印的指纹图像进行高斯噪声叠加、高质量因子和中等质量因子的JPEG压缩后,识别准确率略有下降,达到96%。
2014-02-20 cs.CV
Revisiting Handcrafted Minutiae Detection: A Simple and Effective Open Source Baseline for Modern Fingerprint Workflows
University of Bologna(博洛尼亚大学)
本研究提出集成于开源 pyfing 包的 SBMEX 方法,通过双查找表架构等优化,在 NIST SD302 数据集上实现了高精度、低延迟的 minutiae 检测,为现代指纹工作流提供了有效开源基线。
2026-10-09 cs.CV
Fingerprint Matching using the Onion Peeling Approach and Turning Function
Institute for Advanced Studies in Basic Sciences (IASBS)(基础科学高级研究所(IASBS))
指纹作为一种最普遍、最健壮的生物特征,可以用于自动身份识别和验证系统中来识别个人。指纹匹配是指纹识别系统中一个重要而又具有挑战性的问题。大多数指纹匹配算法都是基于细节点的。指纹细节点的不连续性可以用来确定指纹细节点。脊线端点和脊线分叉点是指纹匹配算法中经常用到的两个细节点。本文提出了一种新的基于细节特征的指纹匹配方法。在该方法中,指纹对齐,找到匹配的细节点。然后,构造匹配细节点的嵌套凸多边形,并通过旋转函数距离进行对等多边形之间的比较。洋葱剥皮方法的简单性、准确性和低时间复杂度是使其成为用于指纹匹配目的的标准方法的三个重要因素。在数据库$FVC2002$上对算法的性能进行了评估。结果表明,相同手指的指纹比不同手指的指纹具有更高的得分。由于忽略了指纹层数之差大于$2$且细节点匹配分数小于0.15的指纹,因此获得了较好的结果。
2021-10-03 cs.CG cs.CV
An Efficient Automatic Attendance System Using Fingerprint Reconstruction Technique
Velammal Engineering College(维拉马尔工程学院)
生物识别考勤系统是生物识别技术最成功的应用之一。生物识别时间和考勤系统的主要优点之一是它避免了“好友打卡”。好友打卡是一个主要的漏洞,将利用在传统的时间出勤系统。指纹识别是当今已建立的领域,但是从一组登记的指纹中识别个体仍然是一个耗时的过程。大多数基于指纹的生物识别系统将用户的细节模板存储在数据库中。传统上一直假设用户的细节点模板不揭示关于原始指纹的任何信息。这种信念现在已经被证明是错误的,已经提出了几种算法,可以重建指纹图像的细节模板。本文提出了一种新的指纹图像重建算法,对指纹相位图进行重建,并将其转换为灰度图。提出的重建算法从细节点重建相位图像。本文提出的重建算法用于自动化考勤的整个过程,人工考勤是一项费力、麻烦的工作,浪费了大量的时间,其管理和维护记录也是一项繁重的工作。所提出的重建算法已被评估的成功率方面的I型攻击(匹配重建的指纹对原始指纹)和II型攻击(匹配重建的指纹对不同的印象,原始指纹)使用商业指纹识别系统。鉴于重建图像从我们的算法,我们表明,这两种类型的攻击可以有效地发起对指纹识别系统。
2012-08-08 cs.CV
End-to-End Latent Fingerprint Search
Michigan State University(密歇根州立大学)
潜在指纹是执法和法医机构中最重要和最广泛使用的证据来源之一。然而,最先进的潜在识别系统的性能远远不能令人满意,他们往往需要手动标记,以提高潜在的搜索性能。此外,COTS系统是专有的,并且不输出潜在印刷品和参考印刷品之间的真实比较分数以进行定量证据分析。我们提出了一个端到端的潜在指纹搜索系统,包括自动感兴趣区域(ROI)裁剪,潜像预处理,特征提取,特征比较,并输出一个候选列表。两个独立的细节点提取模型提供互补的细节点模板。为了弥补小区域内细节点数量少和潜在质量差的缺点,生成虚拟细节点集来构造纹理模板。一个96维的描述符提取每个细节从其邻域。为了计算效率,虚拟细节点的描述符长度进一步减少到16使用产品量化。我们的端到端系统在三个潜在数据库上进行评估:NIST SD 27(258个潜伏期); MSP(1,200个潜伏期),西弗吉尼亚大学(449个潜伏期)和N2 N(10,000个潜伏期)与100 K卷印的背景集合进行比较,所述卷印包括潜伏期的真实卷印,等级1检索率为65.7%、69.4%、65.5%,和7.6%。在24个核心上实施的多核心解决方案每次潜在与滚动比较可获得1 ms的时间。
2018-12-26 cs.CV
Using k-nearest neighbors to construct cancelable minutiae templates
School of Engineering Technology, SUNY at Farmingdale(纽约州立大学法明代尔分校工程技术学院)
指纹被广泛应用于各种应用中。必须采取安全措施来保护指纹数据的隐私。可撤销生物特征认证是作为一种有效的生物特征使用和保护机制而提出的。本文提出了一种将真实模板和合成模板相结合来构造可撤销指纹模板的新方法。具体地,每个用户被给予一个利用随机数生成器生成的合成细节点模板。将真实模板中的每个细节点单独放入合成模板中,从中找到其k-近邻,并通过组合任意的k-近邻来构造验证模板。为了证明该方案的有效性,在三个数据库上进行了测试。实验结果表明,所构造的模板满足可撤销生物特征识别的要求。
2016-08-30 cs.CV
A triple-branch network for latent fingerprint enhancement guided by orientation fields and minutiae
Shandong Chengshi Electronic Technology Limited Company(山东城市电子技术有限公司)
针对潜指纹增强中低质量区域恢复不足的问题,提出三支空间融合网络TBSFNet及多级特征引导网络MLFGNet,利用方向场和细节特征提升泛化能力,在MOLF和MUST数据集上优于现有算法。
2025-04-21 cs.AI cs.CV
Latent fingerprint enhancement for accurate minutiae detection
TCC Research and Development Labs, Technology Control Company(TCC研发实验室,技术控制公司);University of New South Wales(新南威尔士大学);Abasyn University Islamabad(阿巴辛伊斯兰堡大学);Computer and Information Sciences College, Jouf University(焦夫大学计算机与信息科学学院)
针对现有潜在指纹增强方法忽略精细宏观细节、识别性能不足的问题,提出基于GAN的结构化生成增强框架,优化细节点信息并保留局部与结构特征,在公开数据集上性能优于现有技术,可提升法医场景的潜在指纹识别准确率。
2024-09-18 cs.AI cs.CV
A Single-step Accurate Fingerprint Registration Method Based on Local Feature Matching
School of Artificial Intelligence, Beijing University of Posts and Telecommunications(人工智能学院,北京邮电大学);Beijing Key Laboratory of Network System and Network Culture(网络系统与网络文化北京市重点实验室)
本文提出一种端到端单步指纹配准算法,通过直接预测半稠密匹配点对应关系并结合全局-局部注意力实现像素级对齐,避免了传统细节点初始配准在低质量图像下易失败的问题,实验证明其单步即可达到最先进匹配性能。
2025-07-22 cs.CV
Learning a Fixed-Length Fingerprint Representation
Michigan State University(密歇根州立大学);Goodix(汇顶科技)
我们提出了DeepPrint,一个深度网络,它学习提取只有200字节的固定长度指纹表示。DeepPrint将指纹领域知识(包括对齐和细节检测)整合到深度网络架构中,以最大限度地提高其表示的区分能力。紧凑的DeepPrint表示与流行的可变长度细节点表示相比具有若干优点,流行的可变长度细节点表示(i)需要计算上昂贵的图匹配技术,(ii)难以使用强加密方案(例如,同态加密)来保护,以及(iii)在细节点提取不可靠的低质量指纹中具有低辨别能力。我们将DeepPrint与NIST和FVC评估中的两个性能最好的COTS SDK(Verifinger和Innovatrics)进行基准测试。再加上重新排名方案,NIST SD 4数据集上的DeepPrint rank-1搜索准确率与110万个指纹库相当,但它明显更快(DeepPrint:0.3秒内98.80%与COTS A:27秒内98.85%)。据我们所知,DeepPrint表示是学术文献中报道的最紧凑和最具鉴别力的固定长度指纹表示。
2019-12-18 cs.CV
LEADER: Lightweight End-to-End Attention-Gated Dual Encoder-Decoder Network for Robust Minutiae Extraction
Department of Computer Science and Engineering of the University of Bologna(博洛尼亚大学计算机科学与工程系)
LEADER通过轻量端到端注意力门控双自编码器实现鲁棒的 minutiae 提取,提升准确性和跨领域泛化能力。
2026-10-30 cs.CV
Fingerprints: Fixed Length Representation via Deep Networks and Domain Knowledge
Michigan State University(密歇根州立大学)
我们学习了一个有区别的固定长度的特征表示的指纹,这与常用的无序,可变长度的细节点集。为了达到这种固定长度的表示,我们将指纹域知识嵌入到多任务深度卷积神经网络架构中。在两个公共领域指纹数据库上的经验结果(NIST SD 4和FVC 2004 DB 1)表明,与由两种最先进的商业匹配器提取的细节点表示相比,(Verifinger v6.3和Innovatrics v2.0.3),我们的固定长度表示提供(i)更高的搜索准确性:对于2000个图库大小,NIST SD 4上的Rank-1准确率为97.9% vs. 97.3%,以及(ii)显著更快的大规模搜索:每秒682,594个匹配,而在i5 3.3 GHz处理器和8 GB RAM上的商业匹配器每秒22个匹配。
2019-04-01 cs.CV
Separating the Real from the Synthetic: Minutiae Histograms as Fingerprints of Fingerprints
University of Göttingen(哥廷根大学)
在这项研究中,我们表明,由目前最先进的合成生成的指纹可以很容易地从真正的指纹区分。我们提出了一种基于二阶扩展细节点直方图(MHs)的方法,它可以区分真实和合成的打印具有非常高的准确性。MH为指纹提供了一个固定长度的特征向量,该特征向量在旋转和平移下是不变的。这种“真实性测试”可以应用于任何方法产生的合成指纹。在这项工作中,进行测试的12个公开可用的数据库FVC 2000,FVC 2002和FVC 2004,这是建立良好的基准,用于评估性能的指纹识别算法,这12个数据库中的3个由SFinGe软件生成的人工指纹。此外,我们评估的判别性能的数据库中的合成指纹生成的软件Bicz与真实的指纹图像。最后,我们提出了改进合成指纹生成的建议。
2014-10-15 cs.AI cs.CV cs.DB
A Collaborative Approach using Ridge-Valley Minutiae for More Accurate Contactless Fingerprint Identification
The Hong Kong Polytechnic University(香港理工大学)
非接触式指纹识别已经成为一种可靠和用户友好的替代方案,用于电子商务和执法应用中的个人身份识别。然而,从文献中非常已知的是,与从基于接触的指纹传感器获得的匹配精度相比,非接触式指纹图像提供非常低的匹配精度。本文开发了一种新的方法,以显着提高非接触式指纹匹配功能。我们系统地分析了互补的脊谷信息的程度,并引入了新的方法,以实现显着更高的匹配精度比目前常用的最先进的指纹匹配器。我们还调查了指纹颜色空间转换的最少探索的选项,这可以为更准确的非接触式指纹匹配发挥关键作用。本文介绍了实验结果,从不同的公开可用的非接触式指纹数据库使用NBIS,MCC和COTS匹配。我们一贯优于结果验证了所提出的方法的有效性,更准确的非接触式指纹识别。
2019-09-19 cs.CV eess.IV
Combining multiple matchers for fingerprint verification: A case study in biosecure network of excellence
Universidad Autonoma de Madrid(马德里自治大学);Halmstad University(哈尔姆斯塔德大学)
我们报告在第一次生物安全住宅研讨会期间进行的指纹模式的实验。两个用于指纹验证的参考系统与另外两个非参考系统一起进行了测试。这些系统遵循不同的指纹处理方法,并详细讨论。融合实验I volving不同组合的可用系统。实验结果表明,最好的识别策略包括基于细节和相关性的测量。关于融合实验,当融合基于用于特征提取和/或匹配的异构策略的系统时,获得最佳的相对改进。两个/三个/四个系统的最佳组合总是包括最佳的单个系统,而最佳的验证性能是在组合所有可用系统时获得的。
2022-12-04 cs.CV
A Fully Automated Latent Fingerprint Matcher with Embedded Self-learning Segmentation Module
The University of New South Wales(新南威尔士大学)
潜指纹对于在犯罪现场无意中留下指纹痕迹的犯罪嫌疑人的识别具有实用价值。然而,设计一个完全自动化的潜在指纹匹配器是一个非常具有挑战性的任务,因为它需要解决许多具有挑战性的问题,包括在部分和低质量的潜在指纹图像上分离重叠的结构化图案,并找到与具有不同分辨率的大型背景数据库的匹配。目前还没有完全自动化的潜在指纹匹配器可供公众使用,大多数文献报道都使用了一个专门的潜在指纹匹配器COTS 3,这是公众无法访问的。这将使评估和比较相关的研究工作变得不可行,而这对研究界至关重要。在这项研究中,我们的目标是开发一个全自动的潜在匹配器的自适应检测的兴趣区域和强大的匹配的潜在打印。与人工进行的匹配过程不同,所提出的潜在匹配器可以像一个密封的黑匣子一样运行,而无需任何人工干预。该匹配器由以下两个模块组成:(i)基于字典学习的感兴趣区域(ROI)分割方案;和(ii)基于遗传算法的细节点集匹配单元。在NIST SD 27潜在指纹数据库上的实验结果表明,该匹配器的性能优于目前公开的最先进的潜在指纹匹配器。
2014-06-26 cs.CR cs.CV
Genetic Programming Framework for Fingerprint Matching
Menoufia University(米努夫大学);Misr International University(埃及国际大学)
指纹匹配是一个非常困难的问题。基于细节点的匹配是最流行和最广泛使用的指纹匹配技术。自动识别系统中考虑的细节点通常基于终止点和分叉点。本文提出了一种利用指纹特征点和遗传编程进行指纹匹配的新方法。本文的目标是提取定义细节点的数学公式。
2009-12-05 cs.CR cs.CV cs.MM
Biometric Recognition System (Algorithm)
The LNM Institute of Information Technology(LNM信息技术研究所);Jaypee University of Engineering and Technology(贾皮工程技术大学)
指纹是最广泛使用的生物识别形式。没有两个人共享相同的指纹,因为他们有唯一的生物识别符。本文提出了一种有效的指纹识别算法,提高了匹配精度。由于皮肤和印模条件的变化,指纹图像会退化和损坏。因此,在奇异点检测和细节点提取之前采用图像增强技术。奇点是曲率最大的点。它由每个指纹脊的法线确定,然后沿着它们向内朝向中心。利用叉数法提取局部纹线特征,即细节点,找出纹线端点和分叉点。该算法选取一个半径,以中心点为圆心画圆,使指纹图像具有旋转不变性和均匀性。半径可以根据特定应用的精度而变化。形态学技术,如清洁,毛刺和H-休息,以消除噪音,其次是消除虚假的细节点。对FVC 2002指纹识别大赛采集的指纹图像进行了特征向量提取和模板生成,并建立了指纹识别数据库。计算保存模板与待测指纹图像模板之间的最小欧氏距离,并与设定的阈值进行比较,进行匹配判决。对于所提出的算法的性能评估的各种措施,相等的出错率(EER),Dmin在EER,准确性和阈值进行评估和绘制。实验结果表明,该算法具有较好的鲁棒性和有效性.
2018-12-08 cs.CV
Transformer based Fingerprint Feature Extraction
International Institute of Information and Technology(国际信息技术研究所)
指纹特征提取是一项使用全局或局部表示来解决的任务。最先进的全局方法使用繁重的深度学习模型来一次处理完整的指纹图像,这使得相应的方法占用大量内存。另一方面,局部方法涉及基于细节点的补丁提取,多个特征提取步骤和昂贵的匹配阶段,这使得相应的方法时间密集。然而,这两种方法都为解决问题提供了有用的,有时是独家的见解。同时使用这两种方法来提取指纹表示在语义上是有用的,但效率很低。我们的卷积Transformer为基础的方法与内置的细节提取器提供了一个时间和内存效率的解决方案,以提取全球以及本地表示的指纹。使用这些表示以及智能匹配过程为我们提供了跨多个数据库的最先进性能。该项目的页面可以在https://saraansh1999.github.io/global-plus-local-fp-transformer上找到。
2022-09-08 cs.CV
Generating protected fingerprint template utilizing coprime mapping transformation
Indian Institute of Technology Indore(印度理工学院印多尔分校)
如果生物特征数据受到损害,用户的身份将永久丢失,因为生物特征信息是不可替代和不可撤销的。为了撤销并重新发布新模板以代替受损的生物特征模板,引入了可取消生物特征的想法。可取消生物特征背后的概念是不可逆地转换原始生物特征模板并在受保护域中执行比较。本文提出了一种互质变换方案来构造受保护的指纹模板。该方法将指纹区域相对于每个细节点划分为多个扇区,并识别每个扇区中的最近邻细节点。然后,计算所有相邻细节点的脊线特征,并将其映射到随机矩阵的互质位置,以生成可取消模板。该方法在FVC 2002的DB1、DB2、DB3和DB4数据集上的EER分别为1.82、1.39、4.02和5.77,在FVC 2004的DB1、DB2、DB3和DB4数据集上的EER分别为8.70、7.95、5.23和4.87。实验评估表明,该方法优于目前的最先进的。此外,它已被证实,从安全性分析,该方法满足所需的特性的多样性,可扩展性,和不可逆性与轻微的性能下降所造成的转换。
2018-05-25 cs.CV
A non-invertible cancelable fingerprint template generation based on ridge feature transformation
Indian Institute of Technology Indore(印度理工学院印多尔分校)
在生物特征验证系统中,生物特征数据的泄漏导致永久身份丢失,因为原始生物特征数据固有地链接到用户。此外,对生物识别系统的各种类型的攻击可能会揭示其他应用中的原始模板和实用程序。为了解决这些安全和隐私问题,已经引入了可取消的生物特征。可取消生物特征使用变换函数从原始生物特征模板构造受保护的模板,并在变换域中执行模板之间的比较。最近的可取消指纹生成方法要么依赖于将细节点相对于奇异点(核心/增量)对齐,要么利用细节点的绝对坐标位置。本文提出了一种新的不可逆脊线特征变换方法来保护原始指纹模板信息。该方法采用基于脊线的坐标系,以每个细节点为基准,将指纹区域划分为若干扇区。识别每个扇区中的最近邻细节点,并计算基于脊的特征。此外,通过应用康托配对函数随后随机投影来生成可取消模板。我们已经评估了我们的方法与FVC 2002,FVC 2004和FVC 2006数据库。实验结果表明,该方法优于文献中已有的方法。此外,安全性分析表明,所提出的方法满足必要的要求的不可逆性,可重复性,和多样性与轻微的性能下降所造成的,由于可取消的变换。
2018-05-28 cs.CV
Benchmarking fixed-length Fingerprint Representations across different Embedding Sizes and Sensor Types
Hochschule Darmstadt(达姆施塔特应用技术大学)
本文通过实验评估定长指纹嵌入在不同维度、光学与电容式传感器以及旋转平移条件下的识别表现,发现基于纹理的嵌入部分以512维最优,并揭示传感器类型导致的性能差异。
2023-07-17 cs.CV
A Fingerprint Indexing Method Based on Minutia Descriptor and Clustering
Kim Il Sung University(金日成综合大学)
在本文中,我们提出了一种新的指纹索引方法,以加快在指纹识别系统。什么样的特征用于索引以及如何使用提取的特征进行搜索是指纹索引的关键。在本文中,我们选择了一个细节描述符,这已被用来提高指纹匹配的准确性,作为一个局部特征的索引和构造一个固定长度的特征向量,将用于搜索从细节描述符的指纹图像使用聚类。提出了一种以特征向量间的欧氏距离作为索引特征间相似度的指纹检索方法。我们的索引方法有几个好处。该算法在指纹图像尺寸较小或质量较低的情况下仍具有较强的鲁棒性,且不受奇异点的影响,显著地减少了搜索时间。该方法构造的索引向量与特征无关,基于特征点之间的几何关系进行索引,类似于基于特征点三元组的索引向量。因此,所提出的方法可以与其他索引方法相结合,以获得更好的索引性能。
2018-11-21 cs.CV
Synthetic Latent Fingerprint Generator
Michigan State University(密歇根州立大学)
给定一个完整的指纹图像(滚动或拍打),我们提出CycleGAN模型来生成与完整指纹相同的身份的多个潜在印象。我们的模型可以控制生成的潜印图像中的失真、噪声、模糊和遮挡程度,以获得NIST SD 27潜印数据库中介绍的好、坏和丑潜印类别。我们工作的贡献是双重的:(i)证明合成生成的潜在指纹图像与NIST SD 27和MSP数据库中的犯罪现场潜在指纹的相似性,如通过NIST NFIQ 2质量度量和由SOTA指纹匹配器获得的ROC曲线所评估的,以及(ii)使用合成潜在指纹来增强公共领域中的小尺寸潜在训练数据库以提高DeepPrint的性能,一个SOTA指纹匹配器,设计用于在三个潜在数据库(NIST SD 27,NIST SD 302和IIITD-SLF)上进行滚动指纹匹配。作为示例,通过合成潜在数据增强,DeepPrint在挑战NIST SD 27潜在数据库上的Rank-1检索性能从15.50%提高到29.07%。我们用于生成合成潜在指纹的方法可以用于提高任何潜在匹配器及其各个组件(例如,增强、分割和特征提取)。
2022-08-29 cs.CV
MiDeCon: Unsupervised and Accurate Fingerprint and Minutia Quality Assessment based on Minutia Detection Confidence
Fraunhofer Institute for Computer Graphics Research IGD(弗劳恩霍夫计算机图形学研究所IGD);Technical University of Darmstadt(达姆施塔特工业大学)
在指纹识别系统中,实现高精度的一个基本因素是其样本的质量。尽管大多数指纹识别技术都是基于检测到的细节点的,但以前的工作主要提出了基于图像属性的监督解决方案,忽略了细节点提取过程。因此,即使所利用的细节提取器产生不可靠的信息,指纹图像也可以被分配高质量。在这项工作中,我们提出了一个新的概念,评估细节和指纹质量的基础上细节检测置信度(MiDeCon)。MiDeCon可以应用于任意基于深度学习的细节提取器,并且不需要用于学习的质量标签。我们建议使用提取的细节点的检测可靠性作为其质量指标。通过结合最高的细节质量,MiDeCon还可以准确地确定完整指纹的质量。实验是在FVC 2006的公开数据库上进行的,并与几个基线进行比较,如NIST广泛使用的指纹图像质量软件NFIQ1和NFIQ2。结果表明,一个显着更强的质量评估性能的建议MideCon质量的相关工作,细节和指纹水平。实现是公开的。
2021-06-10 cs.CV
A Contactless Fingerprint Recognition System
Indian Institute of Technology Indore(印度理工学院印多尔分校)
指纹是最广泛探索的生物特征之一。具体地,基于接触的指纹识别系统由于其鲁棒性、便携性和在该领域中所做的广泛研究工作而占据主导地位。然而,这些系统遭受诸如卫生、由于持续的物理接触而导致的传感器退化以及潜在指纹威胁等问题。在本文中,我们提出了一种开发非接触式指纹识别系统的方法,该系统在合适的环境中使用图像传感器从远处捕获手指照片。然后进一步处理所捕获的手指照片以获得全局和局部(基于细节点的)特征。具体而言,暹罗卷积神经网络(CNN)被设计为从给定的手指照片中提取全局特征。所提出的系统计算基于CNN的特征和基于细节的特征的匹配分数。最后,将两个分数进行融合,以获得探针和参考指纹模板之间的最终匹配分数。最重要的是,拟议的系统是使用Nvidia Jetson Nano开发套件开发的,它使我们能够以最小的延迟和可接受的匹配精度实时执行非接触式指纹识别。所提出的系统的性能进行评估的内部IITI非接触式指纹数据集(IITI-CFD)包含105列车和100个测试科目。该系统在IITI-CFD上实现了2.19%的等误差率。
2021-08-20 cs.CV
Real time ridge orientation estimation for fingerprint images
Isfahan University of Technology(伊斯法罕理工大学);McMaster University(麦克马斯特大学)
指纹识别是一种重要的生物识别技术。大多数的自动识别系统都是基于指纹特征点的匹配。细节点的提取是一个重要的过程,它需要估计图像中线条的方向。大多数现有方法涉及密集的数学计算,因此通过软件手段执行。本文提出了一种基于流水线结构的实时的方位估计的硬件实现方案。仿真电路验证了该方法的有效性和准确性。
2017-10-13 cs.AR cs.CV
On Demographic Bias in Fingerprint Recognition
Michigan State University(密歇根州立大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
指纹识别系统已经在全球范围内部署在许多应用中,包括个人设备、取证、执法、银行和国家身份系统。要使这些系统为社会所接受和值得信赖,关键是它们在不同人口群体中的表现同样出色。在这项工作中,我们提出了一个正式的统计框架,以测试存在的偏见(人口差异)在指纹识别在四个主要的人口群体(白人男性,白人女性,黑人男性,黑人女性)的两个国家的最先进的(SOTA)指纹匹配器在验证和识别模式。在两个不同的指纹数据库(分别有15,468和1,014名受试者)上进行的实验表明,SOTA指纹识别系统中的人口统计差异随着匹配器精度的提高而降低,任何可能明显的小偏差都可能是由于某些离群值、低质量的指纹图像造成的。
2022-05-19 cs.CV
Generative Convolutional Networks for Latent Fingerprint Reconstruction
USI Lugano(卢加诺大学);Intel(英特尔)
指纹识别的性能在很大程度上取决于细节点的提取。因此,指纹脊图案的增强是显著降低假阳性和假阴性检测率的必要预处理步骤。一个特别具有挑战性的设置是当指纹图像损坏或部分丢失时。在这项工作中,我们应用生成卷积网络来去除可见细节点的噪声,并预测脊线图案的缺失部分。所提出的增强方法进行测试,作为一个预处理步骤,结合几个标准的特征提取方法,如MINDTCT,其次是生物特征比较使用MCC和BOZORTH3。我们评估我们的方法上使用不同的传感器捕获的几个公开可用的潜在指纹数据集。
2017-05-04 cs.CV cs.LG
Evaluation of direct attacks to fingerprint verification systems
Universidad Autonoma de Madrid(马德里自治大学)
研究了基于指纹的识别系统在有和没有用户合作的情况下直接攻击的脆弱性。两个不同的系统,一个基于细节和一个脊特征的基础上,真实和伪造的指纹数据库进行评估。基于指纹图像的质量和在不同的操作场景中取得的结果,我们获得了一些统计上显着的观察系统的鲁棒性。
2022-12-15 cs.CV
Effectiveness of learning-based image codecs on fingerprint storage
Università di Padova(帕多瓦大学)
本研究首次评估基于学习的图像编解码器在指纹存储中的适应性,发现在固定码率下其失真和细节点保留显著优于 JPEG2000,且不影响自动识别与人工视觉检查。
2024-09-27 cs.CV eess.IV
A New Point-set Registration Algorithm for Fingerprint Matching
Bio-Key International Inc.(Bio-Key国际公司);Capella University(卡佩拉大学)
提出了一种新的基于细节点的指纹匹配算法。匹配器考虑所有可能的细节点配对,并迭代地对齐两个集合,直到细节点对的数量不超过允许的一对一配对的最大数量。通过线性最小二乘法解析推导出最佳对准参数。第一次对齐建立两个细节点集之间的重叠区域,然后通过每次连续对齐(迭代地)细化。在每次对准之后,丢弃表现出弱对应性的细节点对。重复该过程,直到剩余配对的数量不再超过允许的一对一配对的最大数量。该算法在FVC2000和FVC2002数据库上进行了测试,结果表明,所提出的匹配器是有效的和高效的指纹认证,它是快速的,不利用任何计算昂贵的数学函数(如三角函数,指数)。除了建议的匹配器,本文的另一个贡献是最小二乘解的分析推导的最佳对齐参数的两个点集缺乏精确的对应关系。
2017-02-07 cs.CV
Fingerprint Verification based on Gabor Filter Enhancement
University Visvesvariah College of Engineering, Bangalore University(班加罗尔大学维斯瓦瓦拉亚工程学院)
指纹具有唯一性和持久性,是身份识别的可靠特征。指纹图案由脊线、谷线和细节点组成。本文提出了一种基于Gabor滤波增强的指纹鉴别算法,该算法基于9像素邻域进行细节点特征提取和后处理。全局特征提取和指纹增强基于Hong增强方法,该方法能够同时提取局部脊线方向和脊线频率。据观察,灵敏度和特异性值优于现有算法。
2009-12-04 cs.CR cs.CV
Automated Latent Fingerprint Recognition
Michigan State University(密歇根州立大学)
潜在指纹是世界范围内执法和法医机构最重要和最广泛使用的证据之一。然而,NIST的评估表明,最先进的潜在识别系统的性能远远不能令人满意。一个高精度的自动化潜在指纹识别系统是必不可少的,以比较潜在的犯罪现场发现大量的参考指纹,以产生一个候选人名单的可能的伴侣。在本文中,我们提出了一种自动化的潜在指纹识别算法,利用卷积神经网络(ConvNets)的脊流估计和细节描述符提取,并提取互补模板(两个细节模板和一个纹理模板)来表示潜在的。基于三个模板的潜在指纹和参考指纹之间的比较分数被融合以从参考数据库中检索短候选列表。实验结果表明,rank-1的识别准确率(查询潜在的是匹配其真正的伴侣在参考数据库中)是64.7%的NIST SD 27和75.3%的WVU潜在的数据库,对参考数据库的100 K轧制印刷品。这些结果是最好的已发表的论文中的潜在识别和竞争的性能(66.7%和70.8%的排名-1准确度NIST SD 27和WVU DB,分别)的领先COTS潜在自动指纹识别系统(AFIS)。通过将我们的系统与商业现货(COTS)潜在AFIS进行评分级(等级级)融合,在NIST SD 27和WVU潜在数据库上,整体等级1识别性能分别从64.7%和75.3%提高到73.3%(74.4%)和76.6%(78.4%)。
2017-04-06 cs.CV
Topological summaries of fingerprint ridge patterns carry identity information
Williams College(威廉姆斯学院);QSIDE Institute(QSIDE研究所);University of Colorado Boulder(科罗拉多大学博尔德分校);San Francisco State University(旧金山州立大学);Michigan State University(密歇根州立大学);Macalester College(麦卡莱斯特学院)
本文利用持续同调性提取指纹脊线环的多尺度拓扑摘要,无需细节点检测,在FVC2000 DB1上验证方法达到0.91 AUC,融合最优传输方法在低误接受率下表现最佳。
2026-06-23 cs.CV stat.AP
G-MSGINet: A Grouped Multi-Scale Graph-Involution Network for Contactless Fingerprint Recognition
Department of Computer Science and Engineering(计算机科学与工程系);Advanced Technology Development Centre(先进技术发展中心);School of Quality and Reliability(质量与可靠性学院);Indian Institute of Technology Kharagpur(印度理工学院Khargpur分校)
提出融合分组内卷、动态多尺度核与图关系建模的 G-MSGINet,以轻量端到端架构实现非接触式指纹细节点定位与身份识别,性能优于现有方法。
2025-05-14 cs.CV
AdvBiom: Adversarial Attacks on Biometric Matchers
TECH5
随着深度学习模型的出现,人脸识别系统已经取得了令人印象深刻的识别率。这一成功背后的主力是卷积神经网络(CNN)和大型训练数据集的可用性。然而,我们表明,人类无法察觉的小变化,人脸样本可以逃避大多数流行的人脸识别系统。更令人担忧的是,同一个生成器将来可以扩展到其他特征。在这项工作中,我们提出了如何这样的生成器可以被训练,并扩展到其他生物识别方式,如指纹识别系统。
2023-01-10 cs.CV
A Stable Minutia Descriptor based on Gabor Wavelet and Linear Discriminant Analysis
Kim Il Sung University(金日成综合大学)
细节点描述子是描述指纹细节点特征的一种方法,在指纹识别中起着重要的作用。通常,指纹识别系统采用细节描述符来找到细节之间的潜在对应关系,并且它们使用两个细节描述符之间的相似性来计算两个指纹图像之间的总体相似性。一个好的细节描述子可以提高指纹识别系统的识别精度,并大大减少比对时间。一个好的细节点描述符应该具有很高的区分不同细节点的能力,同时应该在包括低质量图像和小尺寸图像在内的困难条件下具有鲁棒性。它也应该是有效的描述符之间的相似性的计算成本。本文利用Gabor小波和线性鉴别分析构造了一种鲁棒的细节点描述子。该特征描述子具有识别能力强、稳定性好、比较方法简单等特点。在FVC 2004和FVC 2006指纹库上的实验结果表明,该特征描述子在指纹识别中具有很好的识别效果。
2018-09-06 cs.CV stat.AP
Super-resolution Guided Pore Detection for Fingerprint Recognition
West Virginia University(西弗吉尼亚大学)
指纹识别算法的性能实质上依赖于从指纹中提取的精细特征。除了细节点和脊图案之外,孔隙特征已被证明可用于指纹识别。虽然细节点和脊图案的特征可以从低分辨率图像中获得,但是只有当指纹图像具有高分辨率时,使用毛孔特征才是实际的,这需要一种模型,该模型增强了传统的500微米传统指纹的图像质量,保留了精细的细节。为了从低分辨率指纹中恢复孔隙信息,我们采用了一种基于联合学习的方法,该方法结合了超分辨率和孔隙检测网络。我们修改后的单图像超分辨率生成对抗网络(SRGAN)框架有助于可靠地从低分辨率指纹样本中重建高分辨率指纹样本,帮助毛孔检测网络以高精度识别毛孔。该网络从真实的低分辨率指纹样本中联合学习一个独特的特征表示,并成功地从中合成一个高分辨率样本。为了为所有受试者添加区分信息和独特性,我们将从深度指纹验证器中提取的特征与SRGAN质量识别器相结合。我们还增加了脊重建损失,利用脊模式,以充分利用提取的特征。我们所提出的方法解决了识别问题,通过提高指纹图像的质量。合成样本的高识别精度接近使用原始高分辨率图像实现的精度,验证了我们提出的模型的有效性。
2020-12-10 cs.CV cs.NE