Long-Range Biometric Identification in Real World Scenarios: A Comprehensive Evaluation Framework Based on Missions
Oak Ridge National Laboratory(橡树岭国家实验室)
本文针对远距离生物特征识别中研发数据与真实应用不匹配问题,提出融合人脸与身体特征的鲁棒识别方法,并基于任务驱动指标构建评估框架,初步验证了全身识别的有效性。
2024-09-03 cs.AI cs.CV cs.LG
Multi-Domain Biometric Recognition using Body Embeddings
University of Maryland(马里兰大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文针对跨红外光谱人员识别,基于IJB-MDF多域数据集和vision transformer验证身体嵌入优于面部嵌入,并给出小样本训练洞见与LLCM上的SOTA mAP。
2025-03-13 cs.CV
One-shot Representational Learning for Joint Biometric and Device Authentication
Michigan State University(密歇根州立大学)
在这项工作中,我们提出了一种方法,同时执行(i)生物识别(即,识别个体),以及(ii)设备识别,(即,识别设备)。这样的联合识别方案可以在诸如智能电话的设备中用于增强安全性以及隐私。我们建议自动学习一个联合表示,封装生物特征和传感器特定的功能。我们评估所提出的方法,使用虹膜,面部和眼周图像获得近红外虹膜传感器和智能手机摄像头。使用来自15个传感器的14,451张图像进行的实验导致高达99.81%的rank-1识别准确率和高达100%的验证准确率,错误匹配率为1%。
2021-01-02 cs.CV
Toward Face Biometric De-identification using Adversarial Examples
Universidad Autonoma de Madrid(马德里自治大学);University of Twente(特文特大学)
人脸识别(FR)的巨大成功已经危及互联网用户的隐私,特别是在社交媒体上。最近,研究人员转向使用对抗性例子作为对策。在本文中,我们评估了使用两种广为人知的对抗方法(BIM和ILLC)去识别个人图像的有效性。我们发现,与文献中先前的声明不同,要获得对人类视觉系统具有不可感知的对抗性扰动的高保护成功率(抑制识别率)并不容易。最后,我们发现对抗性示例的可移植性受到生成它们的网络的训练参数的高度影响。
2023-02-07 cs.CR cs.CV cs.LG
Privacy Preserving Group Membership Verification and Identification
Univ Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);IRISA(IRISA研究所)
当召集隐私时,组成员身份验证检查生物特征是否对应于组中的一个成员,而不会泄露该成员的身份。同样,群体成员身份识别表明个人属于哪个群体,而不知道他/她的身份。最近的贡献提供了隐私和安全的组成员协议,通过联合使用两种机制:量化生物特征模板到离散嵌入和聚合成一个组表示的几个模板。这篇论文显著提高了这一贡献,因为它联合学习如何嵌入和聚合,而不是强加固定和硬编码的规则。这是通过暴露学习阶段的数学基础,然后通过针对人脸识别的一系列广泛的实验来显示改进来证明的。总体而言,实验表明,学习产生了良好的安全/隐私和验证/识别性能之间的权衡。
2019-04-23 cs.CV
Finger Biometric Recognition With Feature Selection
Haldia Institute of Technology(哈尔迪亚理工学院);Jadavpur University(贾达普大学)
针对非接触环境下拇指影响手部几何特征识别效果的问题,提出基于四指的生物识别方法,结合自适应FoBa算法的全局与局部特征选择策略,在Bosphorus数据库上实现98.67%的识别准确率。
2023-12-19 cs.CV
FarSight: A Physics-Driven Whole-Body Biometric System at Large Distance and Altitude
Michigan State University(密歇根州立大学);Purdue University(普渡大学);University of Oregon(俄勒冈大学);Georgia Tech(佐治亚理工学院);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出物理驱动的全身生物识别系统FarSight,融合人脸、步态与体型,结合成像物理与深度学习解决远距离高空图像低质量等问题,在BRIAR数据集上识别率显著提升。
2023-09-06 cs.CV
Demographic Fairness in Face Identification: The Watchlist Imbalance Effect
最近,不同的研究人员已经发现,人脸数据库的图库组成可以诱导性能差异的面部识别系统,其中探针图像与所有存储的参考图像进行比较,以达到生物识别决策。这种负面影响被称为“观察名单不平衡效应”。在这项工作中,我们提出了一种方法,从理论上估计所述影响的生物识别系统,其验证性能的人口群体和所使用的画廊的组成。此外,我们报告的结果不同组成的人口子集,即女性和男性,使用开源ArcFace人脸识别系统的公共学术MORPH数据库的识别实验。结果表明,数据库组成对生物特征识别系统的性能差异有巨大的影响,即使性能差异在验证方案中不太明显。这项研究代表了观察名单不平衡效应的第一次详细分析,预计这将对面部识别领域的未来研究产生很大的兴趣。
2021-06-30 cs.CV cs.CY
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
Recognizing Partial Biometric Patterns
Center for Research on Intelligent Perception and Computing(智能感知与计算研究中心);National Laboratory of Pattern Recognition(模式识别国家重点实验室);CAS Center for Excellence in Brain Science and Intelligence Technology(中国科学院脑科学与智能技术卓越创新中心)
部分捕获目标的生物识别是具有挑战性的,其中只有几个部分观测对象可用于匹配。在该领域中,基于深度学习的方法被广泛应用于在人重新识别和部分面部识别中匹配这些由遮挡、姿势变化或仅仅部分视野外引起的部分捕获对象。然而,大多数当前的方法在对象的某些部分不可获得的情况下不能识别个体,而其余的则专用于某些受约束的场景。为此,我们提出了一个强大的通用框架,任意生物特征匹配的情况下,没有对齐的限制,以及输入的大小。我们引入了一个特征后处理步骤来处理FCN中的特征图,并引入了一个基于字典学习的空间特征重建(SFR)来匹配不同大小的特征图。此外,采用批量硬三元组损失函数对模型进行了优化。在三个人的再识别数据集(Market 1501,CUHK 03,DukeMTMC-reID),两个部分人的数据集(Partial REID和Partial iLIDS)和两个部分人脸的数据集(CASIA-NIR-Distance和Partial LFW)上的实验结果证明了该方法的适用性和有效性,并与几种最先进的方法进行了比较,保证了最先进的性能。该代码在线发布,可在网站上找到:https://github.com/lingxiao-he/Partial-Person-ReID。
2018-10-17 cs.CV
Advancing Ear Biometrics: Enhancing Accuracy and Robustness through Deep Learning
Egypt-Japan University of Science and Technology(埃及-日本科学技术大学)
本研究聚焦耳部生物特征识别,利用深度学习结合数据预处理与增强技术,在AMI和EarNV1.0数据集上分别取得99.35%和98.1%的准确率,证明该方法能克服表情与光照限制实现高精度身份识别。
2024-05-31 cs.AI cs.CV cs.HC
Thermal hand image segmentation for biometric recognition
EUP Mataró (TCM – UPC)(马塔罗理工大学学院(TCM – 加泰罗尼亚理工大学));Brno University of Technology(布尔诺理工大学)
在本文中,我们提出了一种方法来识别人的热(TH)和可见光(VIS)的手同时获得的图像与TESTO 882-3相机。此外,我们还提出了一个新的数据库专门收购这项工作。处理TH图像时的真正挑战是冷指区域,这可能与采集表面混淆。利用VIS信息解决了这个问题。我们已经进行了不同的测试,以显示TH和VIS图像在识别问题中的工作方式。实验结果表明,TH手图像与VIS手图像一样适用于生物特征识别系统,结合这些信息可以获得更好的识别效果。生物特征分散匹配器已被用作特征向量降维技术以及分类任务。它的选择标准有助于减少用于执行多达一百个测量的识别的向量的长度。在这些条件下,当使用104人的数据库时,识别率达到最大值98.3%。
2022-02-23 cs.CR cs.CV cs.LG
Biometric recognition: why not massively adopted yet?
Escola Universitaria Politècnica de Mataró(马塔罗理工学院)
尽管在过去的十年中,捕获设备的价格大幅降低,计算能力也有所提高,但生物识别系统似乎还远未被大规模应用于民用。本文讨论了这种现象的原因,以及一些关于生物特征识别的误解。
2022-03-11 cs.CR cs.CV cs.CY
ReCowGnition: A Realistic Biometric Benchmark for Cow Face Recognition
Fraunhofer Institute for Computer Graphics Research IGD(弗劳恩霍夫计算机图形研究所IGD);Technische Universität Darmstadt(达姆施塔特工业大学)
针对奶牛面部识别,构建了含6838张图像的公开基准数据集,定义了评估协议,给出六个基准模型的评估结果,为奶牛面部识别研究提供数据支持与评估标准,推动该领域可比研究。
2026-07-27 cs.CV
Longitudinal Study of Facial Biometrics at the BEZ: Temporal Variance Analysis
本研究在BEZ中心对400多名参与者进行两年半的长期面部生物特征评估,发现人脸识别比对分数在不同日期间的波动显著大于整个测量期,强调了长期受控测试的重要性。
2025-07-15 cs.CV
Identity-Sensitive Knowledge Propagation for Cloth-Changing Person Re-identification
Peking University(北京大学);ETH Zurich(苏黎世联邦理工学院)
服装变换中的身份识别是近年来兴起的一个新的研究课题,其目的是在服装变换的情况下进行身份匹配。然而,典型的基于生物特征的CC-ReID方法通常需要繁琐的姿势或身体部位估计器来从人类生物特征中学习与衣服无关的特征,这带来了很高的计算成本。此外,由于监控图像的分辨率下降,性能受到显着限制。为了解决上述限制,我们提出了一个有效的身份敏感知识传播框架(DeSKPro)的CC-ReID。具体来说,服装无关的空间注意力模块被引入到消除分心的服装外观从人类解析模块获取知识。为了缓解分辨率下降的问题,并从人脸中挖掘身份敏感的线索,我们建议使用先验面部知识来恢复丢失的面部细节,然后将其传播到一个较小的网络。训练后,不再需要人工解析或人脸恢复的额外计算。大量的实验表明,我们的框架优于国家的最先进的方法由一个很大的利润。我们的代码可在https://github.com/KimbingNg/DeskPro上获得。
2022-08-25 cs.CV
Untargeted Near-collision Attacks on Biometrics: Real-world Bounds and Theoretical Limits
Université Clermont-Auvergne(克莱蒙奥弗涅大学);CNRS(法国国家科学研究中心);Mines de Saint-Étienne(圣埃蒂安矿业学院);Clermont-Auvergne-INP(克莱蒙奥弗涅综合理工学院);LIMOS(信息、建模与优化实验室);LMBP(布莱斯·帕斯卡实验室)
本文研究生物特征识别系统在最小信息泄露下的无目标攻击,利用FMR和FPIR分析攻击复杂度并估计数据库最大用户数,同时通过概率建模揭示近碰撞概率与理论安全极限。
2024-02-21 cs.CR cs.CV
Whole-body Detection, Recognition and Identification at Altitude and Range
Johns Hopkins University(约翰斯·霍普金斯大学);City University of Hong Kong(香港城市大学)
本文提出一种端到端全身生物特征检测识别系统,在远距离(500米)和大俯仰角(50度)下,通过预训练与微调,在BRIAR数据集上达到高F1分数和识别准确率。
2023-11-09 cs.CV
Person Recognition at Altitude and Range: Fusion of Face, Body Shape and Gait
Department of Computer Science and Engineering, Michigan State University(计算机科学与工程系,密歇根州立大学);School of Electrical and Computer Engineering, Purdue University(电气与计算机工程学院,普渡大学);School of Interactive Computing, Georgia Tech(交互计算学院,佐治亚理工学院);Department of Electrical and Computer Engineering, University of Texas at Austin(电气与计算机工程系,德克萨斯大学奥斯汀分校)
本文提出 FarSight 端到端系统,融合人脸、体型与步态,通过检测跟踪、视频恢复、特征编码和质量引导融合,在 BRIAR 远距离识别任务上显著提升验证、闭集与开集识别性能。
2025-05-07 cs.CV
COCAS: A Large-Scale Clothes Changing Person Dataset for Re-identification
Shenzhen Institutes of Advanced Technology, Chinese Academy of Science(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Institute of Microelectronics of the Chinese Academy of Sciences(中国科学院微电子研究所)
近年来,在个人身份重新识别(re-id)方面取得了很大进展。Market 1501、CUHK 03和DukeMTMC等学术基准对促进re-id研究起到了重要作用。据我们所知,所有现有的基准都假设同一个人会有同样的衣服。而在现实世界中,人们经常会换衣服。为了解决换衣服的人的真实身份问题,我们构建了一个新的大规模的真实身份基准命名为Clothes Changing Person Set(COCAS),它提供了多个图像的同一身份与不同的衣服。COCAS共包含5,266人的62,382张身体图像。在COCAS的基础上,我们引入了一个新的人re-id设置的衣服更换问题,其中的查询既包括一个衣服模板和一个人的形象采取另一件衣服。此外,我们提出了一个名为生物特征服装网络(BC-Net)的两个分支网络,它可以有效地集成生物特征和服装特征,以实现在我们的设置下的身份识别。实验表明,利用服装模板进行服装换装识别是可行的。
2020-05-16 cs.CV
WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding
Department of Computer Science, La Sapienza University of Rome(计算机科学系,罗马拉·索菲亚大学)
针对视觉行人重识别受光照遮挡限制的问题,提出WhoFi利用Wi-Fi CSI信号经Transformer编码器提取生物特征,以批内负损失训练,在NTU-Fi数据集上取得与先进方法相当的效果。
2025-08-04 cs.CV cs.LG
From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition
University of the Bundeswehr Munich(慕尼黑联邦国防军大学);University of Amsterdam(阿姆斯特丹大学)
本文提出代表性形态热图,将ECG信号转换为图像用于生物识别,通过多个模型和数据集验证,显著降低EER并提高识别率。
2026-09-24 cs.CV eess.SP
Attribute-Based Deep Periocular Recognition: Leveraging Soft Biometrics to Improve Periocular Recognition
West Virginia University(西弗吉尼亚大学)
近年来,眼周识别已发展为一种有价值的生物特征识别方法,尤其是在面部识别可能不适用的野生环境中(例如,由于COVID-19大流行而导致的蒙面面部)。本文提出了一种新的深度眼周识别框架,称为基于属性的深度眼周识别(ADPR),它预测软生物特征,并将预测纳入眼周识别算法,以高精度确定眼周图像的身份。我们提出了一个端到端的框架,它使用几个共享的卷积神经网络(CNN)层(一个共同的网络),其输出馈送两个单独的专用分支(模态专用层);第一个分支分类眼周图像,而第二个分支预测softn生物特征。接下来,将这两个分支的特征融合在一起,以进行最终的眼周识别。所提出的方法是不同于现有的方法,因为它不仅使用一个共享的CNN特征空间来训练这两个任务联合,但它也融合预测的软生物特征与眼周特征的训练步骤,以提高整体眼周识别性能。我们提出的模型使用四个不同的公开数据集进行了广泛的评估。实验结果表明,我们的软生物特征为基础的眼周识别方法优于其他国家的最先进的方法在野外环境中的眼周识别。
2021-11-02 cs.CV eess.IV
Activity-Biometrics: Person Identification from Daily Activities
University of Central Florida(中佛罗里达大学);Center for Research in Computer Vision(计算机视觉研究中心)
研究日常活动中人员识别问题,提出ABNet框架,通过解耦生物与非生物特征并利用活动先验,在五个数据集上验证了其有效性。
2024-03-26 cs.CV
A Competitive Method for Dog Nose-print Re-identification
Nanjing University of Science and Technology(南京理工大学);DeepBlue Technology Co., Ltd(深兰科技有限公司);Guangdong University of Technology(广东工业大学)
基于视觉的模式识别(如人脸、指纹、虹膜等)在人类生物识别中已经成功应用了很长时间。然而,由于缺乏大量的标记数据,狗的鼻纹认证是一个具有挑战性的问题。为此,本文提出了我们提出的CVPR 2022宠物生物识别挑战赛中狗鼻纹认证(Re-ID)任务的方法。首先,针对每个类在训练集中样本较少的问题,提出了一种自动离线数据增强策略。然后,针对训练数据集和测试数据集之间样本类型的差异,我们采用联合交叉熵,三元组和成对循环损失函数进行网络优化。最后,采用多模型组合的方法,在测试集上获得了86.67%的AUC。代码可在https://github.com/muzishen/Pet-ReID-IMAG上获得。
2022-06-01 cs.AI 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
University of Twente(特文特大学)
耳朵识别可以被描述为一个复兴的科学领域。长期以来,耳朵生物识别技术被认为不够准确,在科学研究中处于次要地位,被视为其他类型生物识别技术的补充,因为难以正确测量耳朵特征以及耳朵可能被头发,衣服和耳朵珠宝遮挡。然而,在解决了这些问题并证明耳朵生物识别技术可以提供真正准确的识别和验证结果之后,最近的研究已经将其恢复为一个生动的研究领域。已经开发和研究了几种2D和3D成像技术以及使用声音发射和反射的声学技术用于耳朵识别,同时在完全自动化的耳朵识别方面也取得了重大进展。此外,耳朵生物识别技术已被证明大多是非侵入性的,足够永久和准确,并且难以欺骗和伪造。此外,不同的耳朵识别技术已被证明是一样有效的人脸识别,从而提供了机会,耳朵识别被用于识别和验证应用。最后,尽管一些问题仍然存在,需要进一步的研究,但耳朵生物识别技术的科学领域已被证明不仅是可行的,而且确实蓬勃发展。
2021-01-26 cs.CR cs.CV cs.LG
Multi-Channel Time-Series Person and Soft-Biometric Identification
TU Dortmund University(多特蒙德工业大学)
本研究使用深度架构从多通道时间序列HAR的可穿戴设备记录中识别人与软生物特征,提出属性表示法,并在四个数据集上验证了其有效性及活动对识别性能的影响。
2023-04-04 cs.CV
Towards Individual Grevy's Zebra Identification via Deep 3D Fitting and Metric Learning
University of Bristol(布里斯托大学);Princeton University(普林斯顿大学)
本文将用于物种检测、3D模型拟合和度量学习的深度学习技术结合在一个管道中,通过利用独特的皮毛图案从照片中识别个体动物。这是尝试这一点的第一项工作,与传统的2D限界框或基于分割的CNN识别管道相比,该方法提供了有效和明确的视点归一化,并允许直接可视化学习的生物特征群体空间。注意,由于使用度量学习,流水线也容易应用于开集和zero shot重新识别场景。我们将所提出的方法应用于个体Grevy斑马(Equus grevyi)识别,并在SMALST数据集上的一项小型研究中显示,使用3D模型拟合确实可以提高性能。特别是,从3D拟合模型的反向投影纹理提高识别精度从48.0%到56.8%相比,2D限界框方法的数据集。虽然这项研究太小,无法准确估计在大规模现实世界应用环境中可实现的全部性能潜力,并与抛光工具进行比较,但我们的工作为动物生物识别技术的下一步奠定了概念和实践基础,以实现深度度量学习驱动,在开放的种群环境中完全3D感知动物识别。我们发布了网络权重和相关的促进源代码与本文的完全再现性和进一步研究的灵感。
2022-08-09 cs.CV cs.LG
Deep Learning-based Patient Re-identification Is able to Exploit the Biometric Nature of Medical Chest X-ray Data
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
随着近年来深度学习技术的兴起和不断增长的潜力,公开可用的医疗数据集成为实现医疗领域诊断算法可重复开发的关键因素。医疗数据包含敏感的患者相关信息,因此通常通过删除患者标识符来匿名,例如,发表前患者姓名据我们所知,我们是第一个证明训练有素的深度学习系统能够从胸部X光数据中恢复患者身份的人。我们使用公开的大规模ChestX-ray 14数据集来证明这一点,该数据集收集了来自30,805名独特患者的112,120张正面胸部X射线图像。我们的验证系统能够识别两个正面胸部X射线图像是否来自同一个人,AUC为0.9940,分类准确率为95.55%。我们进一步强调,所提出的系统能够在初始扫描后十年或更长时间内显示同一个人。当追求检索方法时,我们观察到0.9748的mAP@R和0.9963的精度@1。此外,当在CheXpert和COVID-19图像数据汇集等外部数据集上评估我们训练的网络时,我们实现了高达0.9870的AUC和高达0.9444的精度@1。基于这种高识别率,潜在的攻击者可能会泄露患者相关信息,并额外交叉引用图像以获得更多信息。因此,敏感内容很有可能落入未经授权的人手中,或在违背有关患者意愿的情况下传播。特别是在COVID-19大流行期间,许多胸部X射线数据集已被发布以推进研究。因此,这样的数据可能容易受到基于深度学习的重新识别算法的潜在攻击。
2022-09-02 cs.AI cs.CV cs.LG
Biometric identification by means of hand geometry and a neural net classifier
Escola Universitària Politècnica de Mataró(马塔罗理工大学学院);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文介绍了一种手部几何特征的生物特征识别系统。我们已经获得了一个数据库的22人使用传统的文件扫描仪。实验部分包括对不同提取特征的区分能力的研究,以及基于神经网络的不同分类器的识别率。
2022-04-08 cs.CV
Privacy-preserving Multi-biometric Indexing based on Frequent Binary Patterns
Hochschule Darmstadt(达姆施塔特应用科学大学)
针对现有隐私保护生物特征模板方案无法高效索引、计算效率低的问题,提出基于频繁二进制模式的多生物特征分箱方案,实现隐私保护的同时大幅降低计算负载并提升高安全阈值下的识别性能。
2023-10-04 cs.CV
Expanding on the BRIAR Dataset: A Comprehensive Whole Body Biometric Recognition Resource at Extreme Distances and Real-World Scenarios (Collections 1-4)
Oak Ridge National Laboratory(橡树岭国家实验室);IARPA(美国情报高级研究计划局)
本文介绍了BRIAR数据集的扩展版本,涵盖极端距离和无人机等真实场景下的全身生物特征数据,并说明了数据组成、采集与标注方法。
2025-02-04 cs.AI cs.CV cs.LG
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。
2018-09-17 cs.CV
Signal-level Fusion for Indexing and Retrieval of Facial Biometric Data
Hochschule Darmstadt(达姆施塔特应用科学大学)
世界各地生物识别部署的范围、规模和数量不断增长,强调了研究促进高效和可靠的生物识别查询技术的必要性。这项工作提出了一种索引生物特征数据库的方法,它依赖于信号级融合的面部图像(变形),以创建一个多阶段的数据结构和检索协议。通过连续地预过滤潜在候选身份的列表,所提出的方法使得可以减少完成生物特征识别事务所需的生物特征模板比较的次数。所提出的方法是广泛的公开可用的数据库使用开源和商业现成的识别系统进行评估。结果表明,使用所提出的方法,计算工作量可以减少到30%左右,同时在闭集和开集识别场景中完全保持了基线基于穷举搜索的检索的生物识别性能。
2021-03-05 cs.CV
Research on Bi-mode Biometrics Based on Deep Learning
鉴于生物特征具有优良的独立区分特性,生物特征识别技术几乎涉及人类区分的所有相关领域。指纹、虹膜、人脸、声纹等生物特征已被广泛应用于公安部门的侦测探测、移动设备解锁、目标跟踪等领域。随着电子设备的使用越来越广泛,频率也越来越高。只有识别率高的生物特征识别技术才能保证这些领域的长远发展。
2017-05-16 cs.CV
Blockchain and Biometrics: Survey, GDPR Analysis, and Future Directions
Biometrics and Data Pattern Analytics Lab, Universidad Autonoma de Madrid, Spain(生物特征与数据模式分析实验室,马德里自治大学,西班牙);Biometric Law Lab, Centre for IT & IP Law (CITIP), KU Leuven, Belgium(生物特征法律实验室,信息与知识产权法中心(CITIP),鲁汶大学,比利时)
本文综述区块链与生物识别结合的研究,首次基于GDPR进行法律分析,探讨其在PKI、可信服务及身份管理中的应用,并指出当前挑战与未来方向。
2025-10-24 cs.CR cs.CV cs.DC
Towards Automated Biometric Identification of Sea Turtles (Chelonia mydas)
UNIMAS(马来西亚砂拉越大学);Danau Girang Field Centre(Danau Girang野外研究中心)
被动生物识别使野生动物监测具有最小的干扰。使用运动激活的相机放置在一个较高的位置,面向下,我们收集的图像海龟甲壳,每个属于一个16 Chelonia mydas青少年。然后,我们从这些图像中学习协变和鲁棒的图像描述符,从而实现索引和检索。在这项工作中,我们提出了几个分类结果的海龟甲壳使用学习的图像描述符。我们发现,基于模板的描述符,即,直方图的方向性特征(HOG)的表现非常好,在分类过程中比基于关键点的描述符。对于我们的数据集,由于甲壳图像内部的最小梯度和颜色信息,高维描述符是必须的。使用HOG,我们获得了65%的平均分类准确率。
2021-06-23 cs.CV
Continual Representation Learning for Biometric Identification
The University of Edinburgh(爱丁堡大学);SenseTime Group Limited(商汤科技);The University of Sydney(悉尼大学)
随着近年来数字数据的爆炸式增长,从数据流中不断学习新任务而不忘记以前获得的知识变得越来越重要。在本文中,我们提出了一个新的持续学习(CL)设置,即"连续表示学习“,其重点是学习更好的表示在一个连续的方式。我们还提供了两个大规模的多步骤生物识别基准,其中不同类别的视觉外观是高度相关的。与要求模型识别更多的学习类相反,我们的目标是学习特征表示,这些特征表示不仅可以更好地推广到以前看不见的图像,还可以推广到看不见的类/身份。对于新的设置,我们提出了一种新的方法,执行知识蒸馏在大量的身份通过应用邻域选择和一致性松弛策略,以提高可扩展性和灵活性的持续学习模型。我们证明,现有的CL方法可以提高在新的设置的代表性,我们的方法取得了更好的结果比竞争对手。
2020-06-28 cs.CV
Feature Level Fusion of Biometrics Cues: Human Identification with Doddingtons Caricature
Dr. B. C. Roy Engineering College(Dr. B. C. Roy工程学院);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Jadavpur University(贾达沃普尔大学)
本文提出了一种多模式的指纹和耳朵生物识别系统。基于尺度不变特征变换(SIFT)描述子对人耳和指纹提取的特征集进行融合.融合集采用K-中心点分割方法进行编码,减少了特征点的个数。K-medoids将整个数据集划分为聚类,以最小化属于聚类的数据点与其中心之间的误差。缩减特征集用于两个生物特征集之间的匹配。匹配分数使用Doddington引入的基于用户的特征加权方案生成。该技术进行了测试,以展示其强大的性能。
2010-02-02 cs.AI cs.CV
Cancelable Indexing Based on Low-rank Approximation of Correlation-invariant Random Filtering for Fast and Secure Biometric Identification
National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所);Shizuoka University(静冈大学);Hitachi, Ltd.(日立有限公司)
相关不变随机滤波(CIRF)是一种可撤销的生物特征识别方案,被认为是一种有前途的模板保护方案。该方案通过二维数论变换(NTT)和随机滤波将生物特征表示为图像。CIRF具有完美的保密性,因为变换后的特征不会泄露原始特征的任何信息。然而,CIRF不能应用于大规模的生物特征识别,因为在匹配阶段的2D逆NTT需要很高的计算时间。此外,现有的生物特征索引方案不能与模板保护方案结合使用以加速生物特征识别,因为生物特征索引泄漏了关于原始特征的一些信息。在本文中,我们提出了一种新的索引方案称为“可取消索引”,以加快CIRF而不失去其安全性。该方案是基于快速计算CIRF通过低秩近似的生物特征图像,并通过最小生成树表示的低秩矩阵在傅立叶域。我们证明了变换后的索引不泄露关于原始索引和原始生物特征的信息(即,完全保密),并对方案的安全性进行了深入的讨论。我们还证明,它显着减少了一对多的匹配时间,使用手指静脉数据集,其中包括来自505名受试者的六个手指。
2018-04-05 cs.CR cs.CV
Victory Sign Biometric for Terrorists Identification
Mu'tah University(穆塔大学);Al-Hussein Bin Talal University(侯赛因·本·塔拉尔大学)
覆盖面部和所有身体部位,有时识别一个人的唯一证据是他们的手的几何形状,而不是整个手-只有两个手指(食指和中指),同时显示胜利的迹象,正如许多恐怖分子的视频中所看到的那样。本文首次探讨了一种新的方法来识别人,特别是(恐怖分子)从他们的胜利标志。我们在这方面建立了一个新的数据库,使用手机摄像头,对两届会议期间50个不同的人的胜利标志进行成像。除了手指区域的Hu矩之外,还使用手指的简单测量来提取分割后所示的手的所示部分的几何特征。使用KNN分类器的实验结果是令人鼓舞的大多数记录的人,约40%至93%的总识别精度,这取决于功能,距离度量和K使用。
2016-02-26 cs.CV
A Study on Wrist Identification for Forensic Investigation
Nanyang Technological University(南洋理工大学)
基于犯罪现场图像的犯罪人与被害人身份识别是法医学调查的重要组成部分。犯罪分子通常通过在不受控制的环境中拍摄的证据图像中覆盖他们的面部和纹身来避免识别。现有的识别方法利用生物特征,例如静脉、皮肤标记、身高、肤色、体重、种族等,被认为是解决这个问题。软生物特征,包括肤色,性别,身高,体重和种族,提供了有用的信息,但不够独特。静脉和皮肤标记仅限于高分辨率图像,某些身体部位可能既没有足够的皮肤标记,也没有清晰的静脉。恐怖分子和暴徒往往露出手腕,以示胜利、问候或致敬,而恋童癖者通常在触摸受害者时露出手腕。然而,手腕被忽视的生物识别社区法医应用。本文提出了一种手腕识别算法,包括皮肤分割、关键点定位、图像与模板对齐、大特征集提取和分类。该算法在NTU-Wrist-Image-Database-v1上进行了评估,该数据库由来自731个不同手腕的3945幅图像组成,其中包括从互联网上收集的205对手腕图像,这些图像在不同姿势和分辨率的不均匀光照下拍摄。实验结果表明,手腕是一个有用的线索,罪犯和受害者的识别。关键词:生物统计学,犯罪和受害者识别,法医学,手腕。
2019-10-08 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
Smartphone Camera De-identification while Preserving Biometric Utility
Michigan State University(密歇根州立大学)
光响应非均匀性(PRNU)的原理经常被用来推断其相机或传感器被用于获取特定图像的智能手机设备的身份。在这项工作中,我们设计了一种算法,扰动使用智能手机摄像头获取的面部图像,使得(a)与智能手机摄像头有关的传感器特定细节被抑制(传感器匿名化);(b)不同设备的传感器模式被合并(传感器欺骗);以及(c)使用扰动图像的生物特征匹配不受影响(生物特征效用)。我们采用一个简单的方法,利用离散余弦变换来实现上述目标。MICHE-I和OULU-NPU数据集上进行的实验,其中包含使用12个智能手机摄像头获取的眼周和面部数据,证明了所提出的去识别算法对三种不同的基于PRNU的传感器识别方案的有效性。这项工作在传感器取证和个人隐私方面有应用。
2020-09-17 cs.CV eess.IV
Language identification as improvement for lip-based biometric visual systems
University of Salerno(萨莱诺大学)
语言一直是人类的特征之一。视觉语言识别(VLI)是一个相对较新的研究领域,它很复杂,而且在很大程度上尚未得到充分研究。在本文中,我们提出了一项初步研究,其中我们使用语言信息作为软生物特征来增强基于嘴唇运动的视觉(无听觉)识别系统的性能。我们报告了一个显着的改进,在识别性能的建议的视觉系统的结果,这些数据的集成使用基于分数的融合策略。深度和机器学习的方法进行了考虑和评估。为了实验的目的,我们建立了一个由八种不同语言组成的口语语音识别问题数据集(BABELE)。它包括一系列不同的特征,其中口语代表了最相关的特征,而每个样本也手动标记了受试者的性别和年龄。
2023-02-27 cs.AI cs.CV
Ear2Face: Deep Biometric Modality Mapping
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Istanbul Technical University(伊斯坦布尔理工大学)
在本文中,我们探讨了不同的视觉生物识别方式之间的相关性。为此,我们提出了一个端到端的深度神经网络模型,学习生物识别模式之间的映射。也就是说,我们的目标是在给定他/她的耳朵图像作为输入的情况下生成被摄体的正面面部图像。我们将问题描述为成对的图像到图像转换任务,并从Multi-PIE和FERET数据集中收集耳朵和面部图像对的数据集,以训练我们基于GAN的模型。除了对抗性和像素损失之外,我们还采用了特征重建和风格重建损失。我们评估了所提出的方法重建质量和人的识别精度。为了评估学习的映射模型的泛化能力,我们还进行了跨数据集实验。也就是说,我们在FERET数据集上训练模型,并在Multi-PIE数据集上测试它,反之亦然。我们已经取得了非常有希望的结果,特别是在FERET数据集上,从耳朵图像输入生成视觉上吸引人的人脸图像。此外,我们获得了非常高的跨模态人员识别性能,例如,在FERET数据集上达到了90.9%的Rank-10识别准确率。
2020-06-02 cs.CV
Aerial Animal Biometrics: Individual Friesian Cattle Recovery and Visual Identification via an Autonomous UAV with Onboard Deep Inference
University of Bristol(布里斯托大学)
本文描述了一种计算增强的M100无人机平台,该平台具有机载深度学习推理系统,用于集成计算机视觉和导航,能够自主发现和视觉识别自由移动牛群中的个体荷斯坦黑白花奶牛。我们提出了一种方法,利用三个深度卷积神经网络架构在飞机上实时运行;即基于YoloV 2的物种检测器,提供探索性代理的双流CNN和基于InceptionV 3的生物识别LRCN用于个体动物识别。我们评估了每个组件的性能离线,也在线通过现实世界的现场测试,包括146.7分钟的自主低空飞行在农场环境中的分散的牛群17头小母牛奶牛。我们在这个在线实验中报告了无错误的识别性能。该概念验证系统是同类系统中的第一个,也是在开放牧场环境中从空中对单个动物进行自主生物识别的成功一步,以支持农业和生态学中的无标签人工智能。
2019-07-11 cs.CV cs.RO
Dog nose print matching with dual global descriptor based on Contrastive Learning
Yunnan University(云南大学);ShanghaiTech University(上海科技大学);Zhejiang A&F University(浙江农林大学)
最近在基于生物识别的识别任务中的研究表明,深度学习方法可以实现更好的性能。这些方法一般提取全局特征作为描述符来表示原始图像。尽管如此,它在细粒度任务下的生物识别方面表现不佳。其主要原因是单一的图像描述符所包含的信息不足以表示图像。本文提出了一种双全局描述子模型,该模型结合多个全局描述子来开发多层次的图像特征。此外,我们利用对比损失扩大混淆类的图像表示之间的距离。该框架在CVPR2022生物识别研讨会宠物生物识别挑战赛上获得了前2名。源代码和经过训练的模型可在以下网址公开获取:https://github.com/flyingsheepbin/pet-biometrics
2022-06-01 cs.CV
Two-headed eye-segmentation approach for biometric identification
Tooploox;Wroclaw University of Science and Technology(弗罗茨瓦夫科技大学);Worldcoin(世界币)
基于虹膜的身份识别系统是最流行的身份识别方法之一。这样的系统需要高质量的分割模块,理想地识别不同眼睛组件的区域。本文介绍了新的双头架构,其中眼睛组件和睫毛分割使用两个单独的解码模块。此外,我们通过采用不同的训练损失来研究各种训练场景。多亏了双头方法,我们还能够用凸先验来检查模型的质量,这加强了分割形状的凸性。我们对现实生活条件下的高分辨率近红外虹膜图像的各种学习场景进行了广泛的评估。
2022-09-30 cs.CV cs.LG
DisenQ: Disentangling Q-Former for Activity-Biometrics
Center for Research in Computer Vision(计算机视觉研究中心);University of Central Florida(中央佛罗里达大学)
本文提出DisenQ框架,利用结构化语言引导解耦Q-Former中的生物特征、运动与非生物特征,解决活动场景下身份识别难题,在三个活动视频基准上达到最优性能。
2025-07-09 cs.CV
Textural Approach to Palmprint Identification
生物特征识别技术利用人体的生理特征来识别个体,是目前广泛应用的身份识别和认证方法。生物特征识别是一种使用多种图像处理技术的技术,描述了从生物特征(如指纹、面部、虹膜或掌纹)的数字化图像中使用特征提取、存储和匹配进行识别和验证的一般过程。目前的论文使用了掌纹生物识别技术。在这里,我们提出了一种识别方法,利用掌纹图像的纹理特性。该方法的优点是将传统的边缘检测技术扩展到了对纹理特征的描述。在这项技术中,手掌的所有特征,如主线,边缘和皱纹都被认为具有同等重要性。
2012-10-23 cs.CR cs.CV cs.GR
CardioID: Mitigating the Effects of Irregular Cardiac Signals for Biometric Identification
心脏模式被用于获得难以伪造的生物特征签名,并在最先进的(SoA)识别应用中实现了高准确性。然而,这种性能是在心脏信号保持相对均匀的模式的受控场景下获得的,从而有助于识别过程。在这项工作中,我们分析了在更现实(不受控制)的情况下收集的心脏信号,并表明它们的高信号变异性(即,不规则性)使得更难获得稳定和明显的用户特征。此外,SoA通常无法识别特定的用户群,使得现有的识别方法在不受控制的情况下无效。为了解决这些问题,我们提出了一个框架,具有三个新的属性。首先,我们设计了一种自适应方法,通过为每个用户定制滤波频谱来实现稳定和独特的功能。其次,我们表明用户可以有多种心脏形态,与SoA相比,为我们提供了更大的心脏信号和用户池。第三,我们克服了其他失真的影响,目前在认证应用程序中的多聚类方法和马氏距离。我们的评估表明,SoA的平均平衡准确度(BAC)从受控场景中的90%以上下降到非受控场景中的75%,而我们的方法在非受控场景中保持平均BAC高于90%。
2022-03-30 cs.CR cs.CV
Deep Eyedentification: Biometric Identification using Micro-Movements of the Eye
University of Potsdam(波茨坦大学)
我们研究眼睛的无意识微运动用于生物识别。虽然先前的研究从基于视频的眼动跟踪系统的输出中提取低频宏观运动,并设计这些宏观运动的显式特征,但我们开发了一种处理原始眼动跟踪信号的深度卷积架构。与以前的工作相比,该网络的出错率降低了一个数量级,速度提高了两个数量级:它在几秒钟内准确地识别用户。
2020-05-05 cs.CL cs.CV cs.HC