A Novel Approach For Finger Vein Verification Based on Self-Taught Learning
Malek-Ashtar University of Technology（马立克阿什塔尔理工大学）；Semnan University（塞姆南大学）；Iran University of Science and technology（伊朗科技大学）
在本文中，我们提出了一种方法，用户手指静脉认证（FVA）作为一个生物识别系统。使用这些手指静脉的区别性特征进行分类是在相关工作中产生差异的主要技巧之一，因此，我们提出了学习一组代表性的特征，基于自编码器。我们使用高斯分布对用户手指静脉进行建模。实验结果表明，我们的算法执行像一个国家的最先进的SDUMLA-HMT基准。
2015-08-15 cs.CV
From Noise to Feature: Exploiting Intensity Distribution as a Novel Soft Biometric Trait for Finger Vein Recognition
South China University of Technology（华南理工大学）
大多数手指静脉特征提取算法由于其纹理表示能力而获得令人满意的性能，尽管同时忽略了由手指组织形成的强度分布，并且在某些情况下，将其作为背景噪声处理。在本文中，我们利用这种噪声作为一种新的软生物特征，以实现更好的手指静脉识别性能。首先，详细分析了手指静脉成像的原理和图像的特点，指出手指组织在背景中形成的亮度分布可以作为软生物特征进行识别。然后，针对亮度分布特征提取，提出了两种手指静脉背景层提取算法和三种软生物特征提取算法。最后，提出了一种混合匹配策略，以解决得分水平上的主要和软生物特征之间的尺寸差异的问题。在三个开放数据库上进行的一系列对比实验表明，该方法对手指静脉识别是可行和有效的。
2021-12-15 cs.CV
MAGE-Vein: Multi-Instance Age and Gender Estimation from Finger Vein Images
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院）；Hitachi, Ltd.（日立有限公司）
针对手指静脉图像年龄估计难题，提出MAGE-Vein多实例多任务学习框架，通过混合特征级融合提取衰老特征并抑制噪声，结合性别分类优化消除血管差异，在平衡数据集上取得良好效果，推翻传统认知。
2026-07-24 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
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
Fingertip Detection and Tracking for Recognition of Air-Writing in Videos
National Institute of Technology Durgapur（杜尔加布尔国家技术学院）；Indian Institute of Technology Bhubaneswar（布巴内斯瓦尔印度理工学院）；Indian Institute of Technology Roorkee（鲁尔基印度理工学院）
空气书写是在没有任何手持设备的帮助下，使用手指或手的运动在自由空间中书写字符或单词的过程。在这项工作中，我们解决了使用网络摄像头视频作为输入的半空中手指书写的问题。尽管最近在目标检测和跟踪方面取得了进展，但指尖的准确且鲁棒的检测和跟踪仍然是一项具有挑战性的任务，这主要是由于指尖的尺寸小。此外，由于缺乏任何标准的划界准则，空中手指书写的初始化和终止也具有挑战性。为了解决这些问题，我们提出了一种新的书写手姿态检测算法，用于使用Faster R-CNN框架进行空气书写的初始化，以进行准确的手检测，然后进行手分割，最后根据手的几何特性计算抬起的手指的数量。此外，我们提出了一个强大的指尖检测和跟踪方法，使用一个新的签名函数称为距离加权曲率熵。最后，基于指尖速度的终止准则被用作标记空气书写手势完成的标志。实验表明，所提出的指尖检测和跟踪算法的优越性，在国家的最先进的方法，平均精度为73.1%，同时实现实时性能在18.5 fps，这是至关重要的条件，空气书写。字符识别实验给出了一个平均准确率为96.11%，使用建议的空气书写系统，这是一个结果，这是现有的手写字符识别系统。
2018-09-09 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
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
A Uniform Representation Learning Method for OCT-based Fingerprint Presentation Attack Detection and Reconstruction
Shenzhen University（深圳大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Norwegian University of Science and Technology（挪威科技大学）
光学相干层析成像（OCT）技术能够获取皮肤层的深度信息，为指纹识别开辟了新的研究领域。如果能够充分利用深度信息，开发鲁棒性和高安全性的自动指纹识别系统（AFRS）是可能的。针对现有研究将呈现攻击检测（PAD）和基于深度信息的亚表面指纹重建作为两个独立分支处理，导致AFRS构建计算量大、复杂度高的问题，提出了一种基于OCT的指纹PAD和亚表面指纹重建的统一表示模型。首先，我们设计了一种新的语义分割网络，该网络仅由基于OCT的指纹的真实手指切片训练，以从这些切片（也称为B扫描）中提取多个表面下结构。由于潜码包含丰富的地下生物信息，且不依赖于PA材料，对未知PA具有较强的鲁棒性，因此直接利用网络中的潜码进行有效的PA检测。同时，采用分割的地下结构来重建多个地下二维指纹。基于传统的二维指纹，利用现有的成熟技术可以很容易地实现识别。在我们自己建立的最大的基于OCT的2449卷公开指纹数据库上进行了大量的实验。在PAD任务中，我们的方法可以从最先进的方法提高0.33%的Acc。对于重建性能，我们的方法在0.834 mIOU和0.937 PA下实现了最佳性能。通过与表面二维指纹的识别性能比较，进一步证明了该方法在高质量亚表面指纹重建中的有效性。
2022-09-25 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
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
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
Analysis of Master Vein Attacks on Finger Vein Recognition Systems
University of Science, VNU-HCM（越南胡志明市国家大学科学大学）；Vietnam National University, Ho Chi Minh City（越南胡志明市国家大学）；National Institute of Informatics（日本国立信息学研究所）；University of Tokyo（东京大学）
手指静脉识别（FVR）系统已经在商业上用于客户验证，特别是在ATM中。因此，必须测量它们对各种攻击方法的鲁棒性，特别是当使用手工制作的FVR系统而没有任何对策方法时。在本文中，我们是文献中第一个介绍主静脉攻击的人，在这种攻击中，我们制作了一个静脉外观的图像，以便它可以通过FVR系统与尽可能多的身份进行错误匹配。我们提出了两种方法来生成主静脉用于攻击这些系统。第一种方法使用了隐变量进化算法的自适应，并提出了生成模型（β-VAE和WGAN-GP模型的多阶段组合）。第二种使用对抗性机器学习攻击方法来攻击基于强代理CNN的识别系统。这两种方法可以很容易地结合起来，以提高他们的攻击能力。实验结果表明，所提出的方法单独和一起实现的错误接受率高达73.29%和88.79%，分别对三浦的手工制作的FVR系统。我们还指出，Miura的系统很容易受到WGAN-GP模型生成的非静脉样本的影响，错误接受率高达94.21%。研究结果对此类系统的鲁棒性提出了警告，并建议应将主静脉攻击视为一项重要的安全措施。
2022-10-18 cs.CV
OpenVeinNet: Robust Open-Set Finger Vein Verification with Dynamic Snake Convolution and Graph Learning
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；SAFE Centre（SAFE中心）
OpenVeinNet结合动态蛇形卷积与图学习，引入质心角度混合损失，在5个公开指静脉数据集上实现了出色的开放集指静脉验证性能与跨数据集泛化能力。
2026-08-27 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
A Fusion Method Based on Decision Reliability Ratio for Finger Vein Verification
Peking University（北京大学）
手指静脉身份验证自提出以来已经有了很大的发展，但仍然没有一个完善的算法。证明了具有相同总体精度的算法可能具有不同的误分类模式。我们可以利用这种互补性将各个算法融合在一起，以获得更精确的结果。根据我们的观察，算法对它的决策有不同的信心，但它很少被考虑在融合方法。我们的工作是首先定义的决策可靠性比来量化这种信心，然后提出了最大决策可靠性比（MDRR）融合方法结合加权投票。在1000个手指的数据集上进行的实验证明了该方法的有效性。通过MDRR方法得到的分类器的准确率为99.42%，而原始个体分类器的最高准确率为97.77%。实验结果也表明，MDRR优于传统的融合方法，如投票，加权投票，总和和加权总和。
2016-12-17 cs.CV
Using CNNs to Identify the Origin of Finger Vein Image
University of Salzburg（萨尔茨堡大学）
我们使用深度学习方法研究手指静脉（FV）传感器模型识别任务。到目前为止，对于这种生物特征模态，仅应用了基于相关性的PRNU和基于纹理特征的方法。我们采用了五个突出的CNN架构，涵盖了广泛的CNN系列模型，包括VGG 16，ResNet和Xception模型。此外，在这项工作中，提出了一种新的架构称为FV 2021，它优于其紧凑性和少量的参数进行训练。实验中使用了原始样本以及来自8个公开访问的FV数据集的感兴趣区域数据。一个优秀的传感器识别AUC-ROC评分为1.0补丁的未裁剪的样品和0.9997的ROI样品已经实现。与以往方法的比较表明，基于CNN的方法是优越的，改善了结果。
2021-03-02 cs.CV
DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对现有手指静脉分割与认证方法难以获得真实静脉模式的问题，提出统一扩散框架DiffVein，通过分割与去噪分支及掩码条件模块和SD-Former实现动态交互，并引入FourierSIM损失，在USM和THU-MVFV3V数据集上取得新基准。
2024-02-03 cs.CV
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
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
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
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
PVTree: Realistic and Controllable Palm Vein Generation for Recognition Tasks
School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）；Tencent Youtu Lab（腾讯优图实验室）；Tencent WeChat Pay Lab（腾讯微信支付实验室）
提出掌静脉生成框架PVTree，利用改进CCO算法构建3D血管树并投影生成真实图像，解决身份控制难题，首次实现合成数据训练的识别模型超越真实数据。
2025-03-04 cs.CV
$\textit{sweet}$- 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
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
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
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
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
An Efficient Vein Pattern-based Recognition System
CSJMU（坎普尔大学）；IIT Kanpur（印度理工学院坎普尔分校）
提出了一种基于手背静脉纹的高效人体识别系统。提出了一种新的基于吸收的技术，以在低成本相机和光源的帮助下收集高质量的图像。系统自动从图像中检测出感兴趣区域，并进行必要的预处理以提取特征。基于欧几里德距离的匹配技术已被用于作出决定。它已被测试的数据集，从341个人收集的1750个图像样本。验证系统的准确率为99.26%，错误拒绝率（FRR）为0.03%。
2010-05-06 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
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
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
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
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
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
FingerNet: Pushing The Limits of Fingerprint Recognition Using Convolutional Neural Network
New York University（纽约大学）；University of California, Riverside（加州大学河滨分校）
指纹识别已被用于手机认证、机场安全等。已经提出了许多不同的特征和算法来改进指纹识别。在本文中，我们提出了一个端到端的深度学习框架，用于使用卷积神经网络（CNN）进行指纹识别，它可以联合学习特征表示并执行识别。我们在大规模指纹识别数据集上训练我们的模型，并在准确性方面改进了以前的方法。我们提出的模型是能够实现一个非常高的识别精度上一个著名的指纹数据集。我们相信这个框架可以广泛用于生物识别任务，使更可扩展和准确的系统成为可能。我们还使用了可视化技术来突出显示输入指纹图像中的重要区域，这些区域主要影响识别结果。
2019-07-28 cs.CV cs.LG
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
Improving 3D Finger Traits Recognition via Generalizable Neural Rendering
School of Automation Science and Engineering, South China University of Technology（华南理工大学自动化科学与工程学院）
针对显式3D手指特征识别中信息丢失与软硬件耦合问题，提出基于可泛化神经辐射场的FingerNeRF，通过特征引导Transformer与几何约束实现隐式3D识别，在多个数据集上取得优异性能。
2024-10-12 cs.AI cs.CV
Improving Contactless Fingerprint Recognition with Robust 3D Feature Extraction and Graph Embedding
Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对现有非接触式指纹识别算法未考虑模态差异、忽略3D特征的问题，提出一种通过恢复3D特征并采用3D图匹配的算法，可提升匹配精度且在多姿态下表现稳定。
2025-11-10 cs.CV
Fingerprint Recognition Using Translation Invariant Scattering Network
New York University（纽约大学）
指纹识别在过去的几十年里引起了人们的广泛关注。不同的特征和算法在过去已经用于指纹识别。在本文中，一个强大的图像表示称为散射变换/网络，用于识别。散射网络是一种卷积网络，其架构和滤波器是预定义的小波变换。散射表示的第一层类似于SIFT描述符，并且更高层捕获信号的更高频率内容。在提取散射特征后，应用主成分分析（PCA）对其进行降维。最后，利用多类支持向量机进行模板匹配，完成识别任务。该方案在一个著名的指纹数据库上进行了测试，并显示出良好的效果，最佳准确率为98%。
2015-11-26 cs.CV
A Fingerprint Detection Method by Fingerprint Ridge Orientation Check
Pyongyang Software Joint Development Center（平壤软件联合开发中心）
指纹由于易于获取、唯一性和可用性而在基于生物特征的系统中很受欢迎。现在它被用于智能手机安全，数字支付和数字储物柜。指纹识别技术已经研究了很长时间，最近其识别率上升到了一个很高的水平。特别是深度神经网络技术的引入，达到了以前无法达到的识别率。本文提出了一种用于指纹识别系统的指纹检测算法。
2022-05-06 cs.AI cs.CV
PoreNet: CNN-based Pore Descriptor for High-resolution Fingerprint Recognition
Indian Institute of Technology Indore（印度理工学院印多尔分校）
随着高分辨率指纹扫描仪的发展，基于高分辨率指纹的生物特征识别近年来受到越来越多的关注。提出了一种基于毛孔特征的生物特征识别方法。我们的方法采用卷积神经网络（CNN）模型DeepResPore来检测输入指纹图像中的毛孔。此后，为每个检测到的孔周围的块计算基于CNN的描述符。具体来说，我们设计了一个基于残差学习的CNN，称为PoreNet，它从毛孔斑块中学习独特的特征表示。为了验证，通过使用欧几里德距离以双向方式比较从一对指纹图像获得的孔隙描述符来生成匹配分数。高分辨率指纹识别的建议方法达到2.91%和0.57%的相等出错率（EER）的基准理大HRF数据集的部分（DBI）和完整（DBII）指纹。最重要的是，它在两个数据集上实现了比当前最先进方法更低的FMR 1000和FMR 10000值。
2019-08-29 cs.CV
Automatic Fingerprint Recognition Using Minutiae Matching Technique for the Large Fingerprint Database
Khulna University of Engineering & Technology（库尔纳工程技术大学）
指纹特征点提取是自动指纹识别系统中最重要的步骤之一。由于细节点匹配无疑是最知名和最广泛使用的指纹匹配方法，细节点是指纹图案中的局部不连续性。本文提出了一种基于细节点特征的指纹匹配算法，该算法通过为大型指纹数据库生成相应的指纹模板，使获取的指纹图像尺寸最小化。与其他方法的结果进行了比较，结果表明，该方法在细节点检测过程中，在内存和时间上都有一定的改进。
2013-04-08 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
Pair-Relationship Modeling for Latent Fingerprint Recognition
University of New South Wales（新南威尔士大学）
潜指纹对识别犯罪嫌疑人很重要。然而，在参考指纹的集合中识别潜在指纹仍然是一个挑战。大多数（如果不是全部的话）现有方法将独立地提取每个指纹的表示特征，然后比较这些表示特征的相似性以在不同的过程中进行识别。在特征提取过程中，如果没有相似度的监督，提取的表征特征很难最优地反映两个待比较指纹的相似度，而这正是匹配决策的基础。在本文中，我们提出了一种新的方案，可以直接模拟两个指纹的配对关系作为识别的相似性特征。配对关系由混合深度网络建模，该网络可以处理潜在指纹的随机大小和损坏区域的困难。在两个数据库上的实验结果表明，该方法的性能优于现有技术。
2022-07-02 cs.AI 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
Fingerprint Recognition under Missing Image Pixels Scenario
本文研究了在原始图像中存在像素缺失的情况下的指纹图像识别问题。丢失的像素恢复的可能性进行了测试，通过应用压缩感知方法。即，观察到不同百分比的丢失像素，并且通过应用用于稀疏图像重建的常用方法来进行图像重建。该理论通过实验得到了验证，即使图像像素丢失小于90%，也能成功地重建图像并进行身份识别。
2019-02-06 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
Fusion of Minutia Cylinder Codes and Minutia Patch Embeddings for Latent Fingerprint Recognition
Havelsan Incorporation（哈维桑公司）
针对潜指纹因变形和伪影导致识别率低的问题，提出多阶段融合手工细节特征与深度神经网络嵌入特征的局部匹配方法，显著提升了真实数据集上的rank-1识别准确率。
2024-03-24 cs.CV
Multitask training with unlabeled data for end-to-end sign language fingerspelling recognition
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
我们解决的问题，自动美国手语手指拼写识别视频。之前的工作主要依赖于帧级标签，手工制作的功能或其他限制，并且由于缺乏数据而受到阻碍。我们介绍了一个模型的手指拼写识别，解决这些问题。该模型由一个基于自动编码器的特征提取器和一个基于注意力的神经编码器-解码器组成，它们是联合训练的。该模型接收一系列图像帧并输出手指拼写的单词，而不依赖于任何帧级训练标签或手工制作的特征。此外，自动编码器子组件可以利用未标记的数据来改进特征学习。该模型实现了11.6%和4.4%的绝对字母准确率分别在签名独立和签名适应的手指拼写识别比以前的方法，需要帧级训练标签。
2019-02-17 cs.CL cs.CV
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
