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
Synthetic Forehead-creases Biometric Generation for Reliable User Verification
Indian Institute of Technology Mandi（曼迪印度理工学院）；Technology Innovation Hub - Indian Institute of Technology, Mandi（曼迪印度理工学院技术创新中心）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出一种基于布朗桥扩散模型的前额皱纹图像合成框架，包含特定主体和非特定主体生成模块，生成具有独特性和真实性的合成数据，有效提升了前额皱纹验证系统的准确率。
2024-08-28 cs.CV
Two-Stage Human Verification using HandCAPTCHA and Anti-Spoofed Finger Biometrics with Feature Selection
Edge Hill University（边山大学）；Jadavpur University（贾达普大学）；University of Hradec Kralove（赫拉德茨-克拉洛韦大学）；Durham University（杜伦大学）
本文提出一种两阶段人类验证方案，结合 HandCAPTCHA 防御机器人攻击与防欺骗手指生物特征识别，利用 M-FoBa 算法进行特征选择，在 BU 和 IITD 数据库上实现了高识别准确率与低错误率。
2024-10-13 cs.CV
A novel hybrid score level and decision level fusion scheme for cancelable multi-biometric verification
Indian Institute of Technology Indore（印度理工学院印多尔分校）
尽管基于生物特征的认证系统的好处，有很少的关注，因为生物特征数据的异常值的敏感性，由于类内的变化和信息泄漏造成的隐私侵犯造成的低性能。为了解决这些问题，我们提出了一个混合融合框架，只有受保护的模态相结合，以满足保密性和性能提高的要求。本文提出了一种基于均值闭合加权（MCW）评分水平和Dempster-Shafer（DS）理论的虹膜和指纹决策层融合的可取消模态集成方法，以缓解个体评分或决策融合机制的局限性。建议的混合融合方案采用了不同的匹配器对应于每个保护模态的相似性得分。使用MCW分数融合方法将从不同匹配器获得的每个模态的个体分数相结合。MCW技术实现了得分计算中涉及的每个匹配器的最佳权重。此外，DS理论被应用于诱导分数以输出最终决策。在三个虚拟数据库上进行的严格的实验评估表明，所提出的混合融合框架优于组件级或单个融合方法（评分级和决策级融合）。实验结果表明，在Virtual_A、Virtual_B和Virtual_C数据库上，与单模态可取消虹膜和单模态可取消指纹验证系统相比，性能分别提高了（48%，66%）、（72%，86%）和（49%，38%）.同时，该方法对分数和离群值的变化具有足够的鲁棒性，满足安全认证的要求。
2018-05-26 cs.CV
Multibiometric: Feature Level Fusion Using FKP Multi-Instance biometric
University of Mysore（迈索尔大学）；P.E.S College of Engineering（P.E.S工程学院）
本文提出了使用多实例特征级融合作为一种手段，以提高性能的手指指关节纹（FKP）验证。采用log-Gabor滤波器提取图像局部方向信息，并表示FKP特征。使用FKP数据库进行实验，该数据库由7，920幅图像组成。结果表明，多实例验证方法优于使用任何单一的实例更高的性能。研究了不同融合规则下特征级融合对生物识别性能的影响。
2012-10-02 cs.CV
Biometric verification of humans by means of hand geometry
Escola Universitària Politècnica de Mataró, Adscrita a la UPC（马塔罗理工学院（附属于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22人的数据库，每人10次采集，使用传统的文件扫描仪。我们提出了一个特征提取和分类器。实验结果表明，使用多层感知器分类器的最大识别率为93.64%，检测成本函数的最小值为2.92%。
2022-04-16 cs.CR cs.CV
Exploring Transformers for On-Line Handwritten Signature Verification
Universidad Autonoma de Madrid（马德里自治大学）；University of Kent（肯特大学）
本文研究基于Transformer的四种架构配置在在线手写签名验证中的适用性，并依据SVC-onGoing竞赛协议进行实验评估，结果表明Transformer在该任务中具有良好应用前景。
2023-07-06 cs.CV
Human Identity Verification based on Heart Sounds: Recent Advances and Future Directions
University of Catania（卡塔尼亚大学）
身份验证是我们日常生活中越来越重要的过程，生物特征识别是身份验证问题的自然解决方案。生物特征识别领域最重要的研究方向之一是表征新的生物特征，这些特征可以与其他特征结合使用，以限制其缺点或提高其性能。这项工作的目的是向读者介绍使用心音进行生物识别，描述这种新特性的优点和缺点，并详细分析不同研究小组迄今为止开发的方法及其性能。
2011-05-20 cs.CV stat.AP
Fingervein Verification using Convolutional Multi-Head Attention Network
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；AiBA AS（AiBA公司）
提出轻量化卷积多头注意力网络VeinAtnNet用于手指静脉验证，从正常和增强图像中提取判别信息，并在FV-300等数据集上验证了其优于五种先进系统的有效性。
2023-10-25 cs.CV
N-shot Palm Vein Verification Using Siamese Networks
Department of Electrical, Computer, and Software Engineering（电气、计算机与软件工程系）
近年来，使用深度学习方法从手掌表面提取血管生物特征模式一直受到研究人员的关注。在许多生物识别任务中，训练样本的数量是有限的。这是因为可用于研究的静脉生物特征数据库有限。这限制了深度学习方法在设计算法时的应用，这些算法可以有效地识别或认证人以进行静脉识别。提出了一种基于Siamese神经网络结构的Few Shot手掌静脉识别方法。该网络使用来自两个手掌的图像，由两个子网组成，共享权重以识别一个人。在香港理工大学多光谱棕榈静脉数据库上使用有限的样本测试了体系结构性能。结果表明，该方法是有效的，因为它具有91.9%的精确度，91.1%的召回率，92.2%的特异性，91.5%，F1-Score和90.5%的准确度值。
2021-09-27 cs.CV
Secure voice based authentication for mobile devices: Vaulted Voice Verification
Securics Inc（Securics公司）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Harvard University（哈佛大学）
随着生物识别技术的使用变得越来越广泛，由生物识别技术的使用引起的隐私问题变得越来越明显。随着移动设备的使用增长，将生物特征识别实现到这样的设备中的期望也增长。绝大多数正在使用的移动设备是移动电话。虽然正在努力将不同类型的生物识别技术应用到移动电话中，例如基于照片的生物识别技术，但语音是更自然的选择。语音作为生物识别的想法已经存在很长时间了。使用语音作为标识符的主要问题之一是语音的不稳定性。我们已经开发了一个解决这些不稳定性并保护隐私的协议。本文描述了一种新的协议，允许用户使用语音在移动/远程设备上进行身份验证，而不会损害他们的隐私。我们首先讨论\vv协议，这是最近在研究文献中介绍，然后描述其局限性。然后，我们介绍了一种新的适应和扩展的拱形验证协议的语音，被称为$V^3$。接下来，我们展示了一个性能评估，然后结束与安全性和未来工作的讨论。
2012-11-30 cs.CR cs.CV
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
Robust retinal biometrics for patient identity verification and retrieval across age and imaging devices
Erasmus University Medical Center（伊拉斯姆斯大学医学中心）；Radboud University Medical Center（拉德堡德大学医学中心）；Institute of Molecular and Clinical Ophthalmology, University of Basel（巴塞尔大学分子与临床眼科学研究所）；University of Lausanne（洛桑大学）；Swiss Institute of Bioinformatics（瑞士生物信息学研究所）；University of Cape Town（开普敦大学）
本研究提出结合ConvNeXtV2与ArcFace、三元组损失的512维度量学习编码器，实现跨设备、长随访的鲁棒视网膜生物特征，可高效准确验证和检索患者身份，保障医疗记录完整性。
2026-09-01 cs.CV
Ciphera: A Decentralised Biometric Identity Framework
University of East London（东伦敦大学）
提出Ciphera框架，结合隐私保护面部识别、多节点验证、IPFS凭证元数据存储和区块链锚定撤销，实现去中心化生物特征身份管理，并通过功能、性能、安全性和分布式一致性评估验证其可行性。
2026-05-28 cs.CR cs.CV cs.DC
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
Encryption and encoding of facial images into quick response and high capacity color 2d code for biometric passport security system
School of Computer, Information and Mathematical Sciences（计算机、信息与数学科学学院）
本文提出了一种多模态生物特征、安全加密数据和加密生物特征编码到基于QR码的生物特征护照认证方法，用于国家安全应用。首先，采用扩展轮廓-局部二值模式（EP-LBP）、Canny边缘检测器和带图像文件信息的尺度不变特征变换（SIFT）算法（IMFINFO），初步实现了人脸标记尺寸的识别。其次，将主动形状模型（ASM）应用于主动外观模型（AAM）中，对手部进行跟踪，并将手部几何特征注入到验证和识别中，实现手部几何形状的识别。第三，将可公开访问的加密生物特征护照信息编码成QR码并插入电子护照以提高保护。此外，通过应用高级加密标准（AES）和安全散列算法（SHA）256算法对个人信息和生物统计数据进行加密。它将加强生物特征护照安全系统。
2022-03-17 cs.CV
GaitPrivacyON: Privacy-Preserving Mobile Gait Biometrics using Unsupervised Learning
University of Kent（肯特大学）；Universidad Autonoma de Madrid（马德里自治大学）
文献中的许多研究已经表明了移动设备上的生物识别技术用于认证目的的潜力。然而，已经表明，与生物识别系统相关联的学习过程可能会暴露关于受试者的敏感个人信息。这项研究提出了GaitPrivacyON，一种新的移动步态生物特征验证方法，提供准确的认证结果，同时保留受试者的敏感信息。它包括两个模块：i）卷积自动编码器，其将生物特征原始数据的属性（例如性别或正在执行的活动）转换为新的隐私保护表示;以及ii）基于卷积神经网络（CNN）和具有连体架构的递归神经网络（RNN）的组合的移动步态验证系统。GaitPrivacyON的主要优点是第一个模块（卷积自动编码器）是以无监督的方式训练的，不需要指定要保护的主题的敏感属性。使用两个流行的数据库（MotionSense和DataAct）实现的实验结果表明，GaitPrivacyON有潜力显着提高受试者的隐私，同时保持用户身份验证结果高于99%的曲线下面积（AUC）。据我们所知，这是第一个考虑以无监督方式训练隐私保护方法的移动步态验证方法。
2022-07-19 cs.CV cs.HC
Feature Representation for Online Signature Verification
Malek-Ashtar University of Technology（马利克-阿什塔尔技术大学）
生物测定系统已被用于广泛的应用中，并已改进了人员认证。签名验证是最常见的生物特征识别方法之一，其技术采用各种签名规范。近年来，深度学习在图像、声音和文本处理等领域取得了巨大的成功。本文将深度学习方法用于特征提取和特征选择。
2015-05-29 cs.AI cs.CV
Is It Really You? Exploring Biometric Verification Scenarios in Photorealistic Talking-Head Avatar Videos
Biometrics and Data Pattern Analytics Lab（生物特征与数据模式分析实验室）
本文研究在逼真说话头像视频中，利用面部运动模式作为行为生物特征进行身份验证，提出基于图卷积网络的轻量级模型，AUC接近80%。
2025-08-04 cs.AI cs.CR cs.CV
Study of a committee of neural networks for biometric hand-geometry recognition
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）
本文研究了用于生物特征模式识别的各种神经网络。我们使用的神经网络作为分类识别和验证的目的。我们表明，一个委员会的网络可以提高识别率相比，多开始初始化算法，只是拿起神经网络，提供了最好的性能。另一方面，我们发现使用相同分类器的识别和验证应用之间没有很强的相关性。
2022-04-08 cs.CV cs.LG
SelfKin: Self Adjusted Deep Model For Kinship Verification
Bar-Ilan University（巴伊兰大学）
生物识别和人脸识别领域尚未解决的挑战之一是亲属关系验证。这个问题旨在了解两个人是否有家庭关系以及如何（姐妹，兄弟等）。解决这个问题可以产生各种任务和应用。在国土安全（HLS）领域，自动检测被询问的人是否与通缉的嫌疑人有关是至关重要的，在生物识别领域，亲属关系验证可以帮助通过照片区分家庭，在预测或时尚领域，它可以帮助预测人脸的年龄或年轻模型。最近，随着先进的深度学习技术的出现，这个问题在数据和研究方面得到了研究界的关注。在本文中，我们提出使用深度学习方法来解决亲属关系验证问题。此外，我们还提供了一种新的自学习深度模型，它可以从不同的人脸中学习基本特征。我们证明了我们的模型赢得了Recognize Families In the Wild（RFIW2018，FG2018）挑战赛，并获得了最先进的结果。此外，我们表明，我们提出的模型可以减少一半的网络规模，而不会损失性能。
2018-09-22 cs.CV
TinySiamese Network for Biometric Analysis
University of Sfax（斯法克斯大学）；National Engineering School of Sfax（斯法克斯国家工程学院）；Higher Institute of Computer Science Mahdia（马赫迪耶高等计算机科学学院）；University of Monastir（莫纳斯提尔大学）；Al Ain University of Science and Technology（艾因科技大学）；University of Johannesburg（约翰内斯堡大学）
本文提出TinySiamese网络，利用预训练CNN作特征提取器，以不超过7层的结构解决生物特征识别中标准Siamese网络计算量大、内存需求高的问题，在多数据集上显著降低训练与匹配时间并提升验证准确率。
2023-07-02 cs.CV
Keypoint Description by Symmetry Assessment -- Applications in Biometrics
Halmstad University（哈尔姆斯塔德大学）
本文提出用调和函数有限展开评估关键点邻域对称性的模型化特征，在指纹与眼周生物特征识别中验证其鉴别力，并证明其与 Gabor 纹理特征融合可显著降低 EER。
2023-11-03 cs.CV
Spectrum Translation for Cross-Spectral Ocular Matching
Halmstad University（哈尔姆斯塔德大学）
交叉光谱验证仍然是生物识别中的一个大问题，特别是对于眼部区域，这是由于图像中的反射特征取决于所使用的区域和光谱的差异。在本文中，我们研究了使用条件对抗网络的光谱转换之间的近红外和可见光图像的眼睛生物识别。我们根据变换后图像的整体视觉质量和识别系统在使用相反数据进行训练时的准确性下降来分析变换。我们使用PolyU数据库，并提出了两种不同的生物特征验证系统，第一种基于使用Softmax和交叉熵损失训练的Siamese网络，第二种是Triplet Loss网络。当使用针对NIR训练的Triplet Loss网络并找到真实NIR图像与从可见光谱转换的假图像之间的欧几里得距离时，我们实现了1%的EER。我们也优于以前的结果使用基线算法。
2020-02-14 cs.CV
Alpha Divergence Losses for Biometric Verification
Athens University of Economics and Business（雅典经济与商业大学）；Archimedes/Athena RC（阿基米德/雅典RC）；Brno University of Technology（布拉格技术大学）；National and Kapodistrian University of Athens（雅典国家与卡波迪斯蒂亚大学）；Omilia - Conversational Intelligence（Omilia - 对话智能）
本文提出两种基于α-分歧的损失函数，用于提升面部和语音验证性能，通过引入稀疏性增强模型效果，并解决训练稳定性问题。
2025-11-22 cs.AI cs.CV
Sum of Group Error Differences: A Critical Examination of Bias Evaluation in Biometric Verification and a Dual-Metric Measure
Information Technologies Institute, CERTH（信息技术研究所（CERTH））；Freie Universität Berlin（柏林自由大学）；IDnow, Research CoE（IDnow研究中心）；Research Institute CODE, Bundeswehr University Munich（慕尼黑联邦国防军大学CODE研究所）
本文批判性分析了生物特征验证中现有偏差评估指标的局限性，并提出了一种名为组误差差异之和（SEDG）的新型双指标度量方法，通过合成数据集实验验证了其有效性并提供了场景化指标推荐。
2024-04-23 cs.AI cs.CV cs.CY
Sparsity-Inducing Divergence Losses for Biometric Verification
Athens University of Economics and Business（雅典经济与商业大学）；Archimedes/Athena Research Center（阿基米德/雅典娜研究中心）；Brno University of Technology（布尔诺理工大学）；Omilia；National and Kapodistrian University of Athens（雅典大学）
提出Q-Margin损失，通过将边际惩罚编码到参考测度中，在α-散度框架下实现稀疏性与判别性嵌入，在人脸和说话人验证中优于ArcFace和CosFace。
2026-07-01 cs.AI cs.CV
Verification system based on long-range iris and Graph Siamese Neural Networks
Vicomtech Foundation（Vicomtech基金会）；Public University of Navarre（纳瓦拉公立大学）；Netherlands Forensic Institute（荷兰法医学研究所）
生物识别系统代表了用户身份验证和验证等任务的有效解决方案，因为它们能够高精度地分析身体和行为特征。然而，特别是当使用物理生物识别技术时，如虹膜识别，它们需要特定的硬件，如视网膜扫描仪，传感器或高清摄像头来实现相关结果。同时，它们要求用户非常接近相机以提取高分辨率信息。出于这个原因，在这项工作中，我们提出了一种新的方法，使用远程（LR）距离图像实现虹膜验证系统。更具体地说，我们提出了一种新的方法，将LR虹膜图像转换成图形，然后使用图连体神经网络（GSNN）来预测两个图是否属于同一个人。在这项研究中，我们不仅描述了这种方法，而且还评估了如何将这些图像的光谱分量用于改进图形提取和最终分类任务。结果表明，这种方法的适用性，鼓励社区探索生物识别系统中的图形应用。
2022-07-28 cs.CV cs.LG
On Missing Scores in Evolving Multibiometric Systems
Michigan State University（密歇根州立大学）
本研究针对演化多模态生物特征系统中缺失分数问题，提出结合多种分数插补与求和融合的方法，在缺失比例高达90%时仍提升验证与识别精度，其中K近邻迭代插补效果最优。
2024-08-21 cs.CV
Fairness Index Measures to Evaluate Bias in Biometric Recognition
Idiap Research Institute（Idiap研究所）；University of Lausanne（洛桑大学）
本文提出基于分数分布统计特征的多种公平性指数，用于评估生物识别系统的人口统计偏差，并引入非线性加权策略以缓解数据集不平衡影响，适用于多种生物识别模态。
2023-06-19 cs.CV cs.CY cs.LG
Multimodal Biometric Authentication Using Camera-Based PPG and Fingerprint Fusion
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Toronto（多伦多大学）；King Fahad University of Petroleum and Minerals（法赫德国王石油与矿业大学）
本研究提出一种融合基于相机的PPG信号与指纹的多模态生物特征认证系统，采用双SSM编码器、跨模态注意力及分布导向对比损失，在单、双会话场景下均实现更优的用户验证性能。
2024-12-07 cs.CV
Impact of Iris Pigmentation on Performance Bias in Visible Iris Verification Systems: A Comparative Study
Indian Institute of Technology Mandi（印度曼迪理工学院）；Technology Innovation Hub, Indian Institute of Technology Mandi（印度曼迪理工学院技术创新中心）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本研究比较分析了虹膜色素沉着（蓝色与深色）对可见光虹膜验证系统性能的影响，发现系统对蓝色虹膜准确率更高，并揭示了跨设备与颜色的固有偏差，强调需通过包容性数据集和模型优化促进公平识别。
2024-11-13 cs.CV
Multilingual Audio-Visual Smartphone Dataset And Evaluation
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
智能手机已经与基于生物识别的验证系统一起使用，以在高度敏感的应用中提供安全性。视听生物识别技术由于其可用性而越来越受欢迎，并且由于其多模态性质，欺骗也将具有挑战性。在这项工作中，我们提出了一个视听智能手机数据集捕获在五个不同的最近的智能手机。这个新的数据集包含在三个不同的会话中捕获的103个主题，考虑了不同的现实世界场景。在这个数据集中采集了三种不同的语言，以包括说话人识别系统的语言依赖问题。该数据集的这些独特特征将为实现新颖的最先进的单峰或视听说话人识别系统铺平道路。我们还报告了基准生物识别验证系统在我们的数据集上的性能。生物识别算法的鲁棒性评估对多种依赖性，如信号噪声，设备，语言和演示攻击，如重放和合成信号与广泛的实验。获得的结果引发了人们对智能手机中最先进生物识别方法的泛化特性的许多担忧。
2021-11-15 cs.CR cs.CV
Exploring Vision-Language Models for Online Signature Verification: A Zero-Shot Capability Study
BiometricsAI, School of Engineering, Universidad Autonoma de Madrid, Spain（生物识别AI，工程学院，马德里自治大学，西班牙）
本文研究了最新视觉-语言模型在在线签名验证任务中的零样本性能，发现信号质量和伪造类型对性能有显著影响，尤其在高难度伪造场景中，基于链式推理的模型表现下降。
2026-05-14 cs.CV
EERLoss: A Novel Loss Function for Training Deep Biometric Models. A Case Study in Keystroke Dynamics
LSIA, University of Buenos Aires（布宜诺斯艾利斯大学LSIA）；BiometricsAI, Universidad Autonoma de Madrid（马德里自治大学生物识别AI实验室）
提出EERLoss，一种可微的等错误率近似损失函数，直接优化生物特征验证的评估指标，在击键动力学大规模基准上相对EER降低约30%。
2026-06-24 cs.CV cs.LG
BIDO: A Biometric Identity Online Authentication Framework
CyberMACS Kadir Has University（凯德里哈大学CyberMACS）；DigitalFortress Private Limited & Indominus Labs Private Limited（DigitalFortress私人有限公司及Indominus Labs私人有限公司）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Computer Science and Engineering（卓越中心，人工智能与机器人（AIR），计算机科学与工程学院）；VIT-AP University, India（印度VIT-AP大学）；Centre of Excellence, Artificial Intelligence & Robotics (AIR), School of Electroncs and Communication Engineering（卓越中心，人工智能与机器人（AIR），电子与通信工程学院）
本文提出BIDO框架，通过动态生成非居民Web认证凭证，实现无需存储长期生物特征模板的设备无关身份验证，达到NIST SP 800-63B中的AAL2标准，同时在多个面部基准测试中表现出高准确率和低误报率。
2026-05-16 cs.CR cs.CV cs.ET
Beyond ROC-AUC: Operating-Point Performance Reporting for Biometric Verification
Department of Electrical；Computer Engineering Clarkson University, Potsdam, NY, USA Email
针对生物特征验证中仅关注低误匹配率区域的实际需求，本文重新审视ISO标准，指出ROC-AUC等全局指标会掩盖低FMR性能，并通过多模态实验证明DET曲线和固定FMR下的FNMR应作为主要报告指标。
2026-06-23 cs.CV eess.AS
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
Multispectral Palmprint Encoding and Recognition
The University of Western Australia（西澳大学）
掌纹作为一种新的身份识别技术，在多模态生物特征识别中得到了广泛的应用。在可见光和红外光谱中捕获的多光谱掌纹图像不仅包含手掌的皱纹和脊结构，而且还包含静脉的基本图案;使其成为高度区分的生物识别符。在本文中，我们提出了一个强大的和高精度的多光谱掌纹表示和匹配的特征编码方案。为了便于紧凑存储的功能，我们设计了一个二进制哈希表结构，允许在大型数据库中的高效匹配。在两个公共数据集上进行了识别和验证场景的全面实验-一个是使用基于接触的传感器（PolyU数据集）捕获的，另一个是使用非接触式传感器（CASIA数据集）捕获的。在各种实验设置的识别结果表明，所提出的方法始终优于现有的国家的最先进的方法。通过我们的方法实现的出错率（0.003%的理大和0.2%的CASIA）是在两个数据集的文献中报道的最低的，清楚地表明掌纹作为一个可靠的和有前途的生物特征的可行性。所有源代码都是公开的。
2014-02-06 cs.CV
Rotation, Scaling and Translation Analysis of Biometric Signature Templates
Thadomal Shahani Engineering College（塔多马尔·沙阿哈尼工程学院）
使用签名验证方法的生物鉴别认证系统通常仅在有限和受限的条件下才能提供最佳性能。这种方法利用几个训练样本，以便实现高精度。此外，对最终用户施加了若干限制，以便系统可以按预期最佳地工作。例如，用户被要求在一个小框内签名，以便将他们的签名限制在一组预定义的维度上，从而消除缩放。此外，相对于参考签名的角旋转将作为人为错误被无意地引入，这阻碍了生物特征签名验证系统的性能。为了消除这种情况，传统上，要求用户在参考线的顶部准确签名。在本文中，我们提出了一个鲁棒的系统，该系统针对旋转-缩放-平移（RST）的大范围变化优化从用户获得的签名，并根据数据库中存储的参考签名解决用户签名中的这些错误参数。
2011-10-06 cs.CR cs.CV cs.IT
Type2Branch: Keystroke Biometrics based on a Dual-branch Architecture with Attention Mechanisms and Set2set Loss
University of Buenos Aires（布宜诺斯艾利斯大学）；Universidad Autonoma de Madrid（马德里自治大学）
Type2Branch通过合成时序特征、双分支注意力架构、Set2set损失和递增难度训练，在KVC-onGoing桌面与移动击键验证中取得最低错误率。
2025-02-10 cs.CV
Cross-Spectral Attention for Unsupervised RGB-IR Face Verification and Person Re-identification
针对RGB-IR跨光谱生物识别中监督方法标记数据获取可扩展性差的问题，提出结合伪三元组损失、跨光谱注意力网络和结构化稀疏性的无监督框架，在ARL-VTF和RegDB数据集上部分性能优于监督方法。
2024-11-28 cs.CV
Deep Features for Contactless Fingerprint Presentation Attack Detection: Can They Be Generalized?
Norwegian University of Science and Technology（挪威科技大学）
本文比较了七种预训练CNN和一种ViT在非接触式指纹呈现攻击检测上的泛化能力，通过留一法实验表明ResNet50对未见过的攻击仪器具有最佳泛化性能。
2023-07-04 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
Cross-Domain Face Verification: Matching ID Document and Self-Portrait Photographs
CPqD Foundation（CPqD基金会）；University of Campinas (Unicamp)（坎皮纳斯州立大学）；Phelcom Technologies
跨域生物识别技术已经成为一种新的需求，这带来了一些额外的挑战，包括苛刻的照明变化，噪声，姿态变化等。在本文中，我们探讨了跨域人脸验证的方法，将自拍照片（“自拍”）与身份证文件进行比较。我们通过适当的图像光度调整和数据标准化技术来解决这个问题，同时使用深度学习方法从数据中提取最突出的特征，从而减少该问题中域偏移的影响。我们使用一个新的数据集，包括50个人验证的方法。所得到的结果是有希望的，并表明所采用的路径是值得进一步研究。
2016-11-17 cs.CV
Two-step Authentication: Multi-biometric System Using Voice and Facial Recognition
National Changhua University Of Education（国立彰化师范大学）；Chandigarh University（昌迪加尔大学）
本文提出一种基于语音和面部识别的两步认证系统，通过面部识别和语音验证结合，实现低成本、高鲁棒性的用户身份验证。
2026-01-09 cs.AI cs.CV cs.MM
On-line signature verification system with failure to enroll managing
Escola Universitaria Politecnica de Mataro（马塔罗理工学院）
在本文中，我们模拟了一个真实的生物特征验证系统的基础上在线签名。为此，我们将MCYT签名数据库分成三个子集：一个用于分类器训练，另一个用于系统调整，第三个用于系统测试模拟注册和验证。此上下文对应于实际操作，其中新用户尝试注册现有系统，并且必须由系统自动引导以检测注册失败的情况。这项工作的主要贡献是管理失败的情况下，通过一个新的建议，称为智能注册，其中包括一致性检查，以自动拒绝低质量的样本。这种策略可以在忽略8%的用户时将验证错误提高到22%。在这种情况下，8%的人无法在系统中注册，必须通过其他生物识别技术或人类能力进行验证。这些人被识别为智能登记，因此可以管理这种情况。此外，我们还提出了一个基于DCT的阈值编码和判别准则的特征提取器。
2022-02-23 cs.CR cs.CV cs.LG
Selfie Periocular Verification using an Efficient Super-Resolution Approach
Hochschule Darmstadt（达姆施塔特应用技术大学）；TOC Biometrics Company（TOC生物识别公司）；Hochschule Ansbach（安斯巴赫应用技术大学）
基于自拍的生物识别技术具有广泛应用的巨大潜力，因为例如眼周验证是非接触式的，并且当面部的大部分被面罩覆盖时，在诸如COVID-19的流行病中使用是安全的。尽管具有优势，但基于自拍的生物识别技术仍存在挑战，因为对不同距离处的数据采集的控制有限。因此，必须使用超分辨率（SR）来提高眼睛图像的质量并保持或改善识别性能。本文提出了一种有效的单图像超分辨率算法，该算法在滤波器的大小和效率之间进行了权衡。为此，该方法实现了一个损失函数的基础上，用于评估虹膜图像质量的Sharpness度量。与最先进的方法相比，我们的方法大大减少了参数的数量：从2，170，142减少到28，654。我们在远程验证系统上的最佳结果是FaceNet的EER为8.89%，VGGFace为12.14%，ArcFace为12.81%。然后，从SR图像中提取嵌入向量，基于FaceNet的系统对于x2的嵌入率为8.92%，x3为8.85%，x4为9.32%。
2022-03-18 cs.CV eess.IV
Texture-based Presentation Attack Detection for Automatic Speaker Verification
Hochschule Darmstadt（达姆施塔特应用技术大学）；EURECOM（欧洲通信学院）；Hochschule Ansbach（安斯巴赫应用技术大学）
如今，生物识别系统在广泛的应用中被采用。它们提供高安全性和高效率，并且在许多情况下是用户友好的。尽管有这些和其他优点，一般的生物特征系统和特别是自动说话者验证（ASV）系统可能容易受到攻击呈现。最近的ASVSpoof 2019竞赛表明，大多数形式的攻击都可以通过基于集成分类器的呈现攻击检测（PAD）方法可靠地检测到。然而，这些从根本上取决于系综中系统的互补性。为了提高PAD解决方案的通用性，本文报告了我们对纹理描述符应用于语音谱图图像分析的探索。特别是，我们提出了一个共同的Fisher向量特征空间的基础上生成模型。实验结果表明，我们的方法的合理性：在100个真正的演示文稿中，最多有16个被拒绝，而只有一个在100个攻击演示文稿被接受。
2020-10-08 cs.CV cs.LG cs.SD
A Dual-Stream Challenge-Response Protocol for Ocular Liveness Verification
针对眼部生物识别面临的复杂呈现攻击，提出时空亮度传感器融合协议，构建同步矩阵评估相关生物延迟，通过蒙特卡罗模拟证明理论可分离性及多轮挑战设计的优势，为眼部和虹膜生物识别动态欺骗防御提供理论框架。
2026-07-14 cs.CR cs.CV
Time flies by: Analyzing the Impact of Face Ageing on the Recognition Performance with Synthetic Data
NTNU（挪威科技大学）；h-da（达姆施塔特应用科学大学）
合成图像合成的巨大进步使得能够生成高分辨率和照片写实主义的面部图像。在生物识别应用中，使用合成数据的主要动机是解决公开可用的生物识别数据的短缺，同时在处理此类敏感信息时降低隐私风险。这些优点是利用在这项工作中，通过模拟人脸老化与最近的面部年龄修改算法，以产生交配样本，从而研究老化的影响，对性能的开源生物识别系统。此外，使用真实数据集来评估短期老化的影响，将生物识别性能与合成域进行比较。主要研究结果表明，1-5年的短期老化对一般识别性能的影响很小。然而，正确验证长期年龄差异超过20岁的配对面孔仍然是一个重大挑战，需要进一步调查。
2022-08-17 cs.AI cs.CV
Position: Age Estimation Models Do Not Process Biometric Data
Sumsub GmbH, Berlin, Germany（Sumsub公司，柏林，德国）
本文研究了年龄估计模型是否处理生物特征数据，通过实验表明这些模型无法达到身份识别阈值，因此不涉及身份识别，呼吁研究者和监管机构提高透明度。
2026-05-17 cs.CV cs.CY cs.LG
Block Induced Signature Generative Adversarial Network (BISGAN): Signature Spoofing Using GANs and Their Evaluation
TUD Dresden University of Technology（德累斯顿工业大学）；National University of Sciences and Technology (NUST)（国家科技大学）；National Center of Artificial Intelligence (NCAI)（国家人工智能中心）
提出BISGAN，使用融合注意力头的CycleGAN生成器和SigCNN变体判别器生成高质量伪造签名，实现80%至100%的欺骗成功率，并设计自定义评估指标衡量伪造质量。
2024-10-11 cs.AI cs.CV
