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
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
Topology-Aware Global-Local Mamba Networks for Palm Vein Biometrics
University of Auckland(奥克兰大学)
针对掌纹识别的数据集限制问题,提出拓扑感知全局-局部Mamba网络,在两个公开掌纹数据集上以较少参数实现低等错误率,且浮点运算量表现优异。
2026-08-11 cs.CV
Video-Based Palm-Vein Authentication under Challenging Conditions
Columbia University(哥伦比亚大学);Princeton University(普林斯顿大学);Stanford University(斯坦福大学);Amazon.com Services LLC(亚马逊服务有限责任公司)
该研究推出首个公开视频掌纹数据集CUP,提出融合时间共识与空间区域匹配的鲁棒认证方法,在脏污等挑战性条件下大幅降低EER,还发现温暖条件下与身体水分、性别相关的性能差距。
2026-09-03 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
PVSNet: Palm Vein Authentication Siamese Network Trained using Triplet Loss and Adaptive Hard Mining by Learning Enforced Domain Specific Features
Indian Institute of Technology Mandi(印度理工学院曼迪分校);Indian Institute of Technology Indore(印度理工学院印多尔分校)
设计一个端到端的深度学习网络来匹配具有有限训练样本的生物特征是一项极具挑战性的任务。为了解决这个问题,我们提出了一种设计端到端深度CNN框架的新方法,即,PVSNet分为两个主要步骤:首先,编码器-解码器网络用于学习生成域特定特征,然后是Siamese网络,其中卷积层以无监督方式预先训练为自动编码器。所提出的模型是通过三重损失函数,调整学习特征嵌入的方式,最大限度地减少嵌入对之间的距离,从同一主题和最大限度地提高与来自不同主题的距离,与利润。特别地,已经提出了使用基于自适应余量的硬否定挖掘的三重连体匹配网络。与训练策略相关的超参数(如自适应裕度)已被调整,以使学习在生物特征数据集上更有效。在广泛的实验中,所提出的网络在三种类型的典型静脉数据集上的性能优于大多数现有的深度学习解决方案,这清楚地证明了我们所提出的方法的有效性。
2018-12-15 cs.CV
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
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
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
Experimental results on palmvein-based personal recognition by multi-snapshot fusion of textural features
Department of Computer Science, University of Milan(米兰大学计算机科学系);Department of Electrical and Electronic Engineering, University of Cagliari(卡利亚里大学电气与电子工程系);University of Milan(米兰大学);University of Cagliari(卡利亚里大学)
本文研究了基于纹理特征的多快拍融合的手掌静脉识别方法,包括识别和验证。虽然文献提出了几种方法来识别棕榈静脉,棕榈静脉的性能仍然受到影响的识别和验证错误。众所周知,手掌静脉通常是由线为基础的方法,增强静脉流动。这被认为是独一无二的从人到人。然而,掌静脉图像的特征还在于可以通过纹理特征指出的纹理,其依赖于最近的高效手工算法,例如局部二进制模式、局部相位量化、局部Tera模式、局部方向模式和二进制统计图像特征(分别为LBP、LPQ、LTP、LDP和BSIF)等。最后,当可以获取多个样本进行识别时,它们可以在特征级融合中轻松管理。因此,多快照融合可以利用这些功能的互补性。我们在本文中的目标是表明,这是确认palmvein识别,从而允许实现非常高的识别率在一个众所周知的基准数据集。
2020-10-17 cs.CV cs.LG
Artificial Neural Networks for Finger Vein Recognition: A Survey
Hunan First Normal University(湖南第一师范学院);National University of Defense Technology(国防科技大学);Northeastern University(东北大学)
手指静脉识别是一种新兴的生物特征识别技术。与身体表面的其他生物特征不同,手指的静脉血管组织深埋在皮肤内。由于这个优点,手指静脉识别是高度稳定和私密的。它们几乎不可能被盗,也很难受到外部条件的干扰。与传统的基于机器学习的手指静脉识别方法不同,人工神经网络技术,特别是深度学习,不依赖于特征工程,具有优越的性能。为了总结基于人工神经网络的手指静脉识别的研究进展,本文收集了149篇相关论文。首先,我们介绍了手指静脉识别的背景和本次调查的动机。然后,介绍了人工神经网络的发展历史和用于手指静脉识别任务的代表性网络。然后描述了在手指静脉识别中广泛使用的公共数据集。在此基础上,分别总结了基于经典神经网络和深度神经网络的手指静脉识别任务。最后,对手指静脉识别中存在的问题和未来的发展方向进行了展望.据我们所知,本文是第一个全面的调查集中在手指静脉识别的基础上人工神经网络。
2022-08-29 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
ICFVR 2017: 3rd International Competition on Finger Vein Recognition
Peking University(北京大学);Shenzhen Maidi Technology Co., LTD.(深圳迈迪科技有限公司);TigerIT(TigerIT公司);Chittagong University of Engineering & Technology(吉大港工程技术大学)
近年来,手指静脉识别已成为生物特征识别领域的一个重要分支,并被应用于实际应用中。手指静脉识别算法的发展严重依赖于大规模的真实世界数据集。为了推动手指静脉识别的研究,我们发布了迄今为止最大的手指静脉数据集,并每年举办基于我们数据集的手指静脉识别比赛。2017年,国际指静脉识别竞赛(ICFVR)与IJCB 2017联合举办。11个团队注册,其中10个团队参加了最终评估。与去年的获奖者相比,今年的获奖者将EER从2.64%大幅提高到0.483%。在本文中,我们介绍了ICFVR 2017的过程和结果,并对最先进的手指静脉识别算法的发展提出了见解。
2018-01-04 cs.CV
A Local Descriptor with Physiological Characteristic for Finger Vein Recognition
Institute of Semiconductors, Chinese Academy of Sciences(中国科学院半导体研究所);University of Chinese Academy of Sciences(中国科学院大学);Wave Group(浪潮集团)
局部特征描述子具有良好的稳定性和鲁棒性,在手指静脉识别中具有很大的优势。然而,这些方法中的大多数使用通用描述符,不考虑手指静脉特异性特征。在这项工作中,我们提出了一个手指静脉特定的局部特征描述符的手指静脉模式的生理特征,即,定向生理Gabor响应(HOPGR)直方图,用于手指静脉识别。首先,以无监督的方式获得手指静脉图案的方向特征的先验。然后根据先验信息建立生理Gabor滤波器组,提取生理响应和方向。最后,为了使特征对图像的局部变化具有鲁棒性,通过将图像划分为非重叠单元和重叠块来生成直方图作为输出。在多个数据库上的大量实验结果清楚地表明,该方法优于目前最先进的手指静脉识别方法。
2020-04-16 cs.CV
Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend
Hunan First Normal University(湖南第一师范学院);National University of Defense Technology(国防科技大学);Northeastern University(东北大学)
手指静脉图像识别技术在生物特征识别中占有重要地位,已成功应用于许多领域。由于静脉深埋于皮肤组织之下,手指静脉图像识别具有无可比拟的优势,不易受外界因素干扰。本综述总结了2017年至2021年关于深度学习用于手指静脉图像识别的46篇论文。这些论文是按照深度神经网络的任务来总结的。最后,提出了手指静脉图像识别的挑战和潜在的发展方向。
2022-07-05 cs.AI 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
Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum)
School of Life and Environmental Sciences, The University of Sydney(悉尼大学生命与环境科学学院);Department of Soil and Crop Sciences, Texas A&M University(德克萨斯农工大学土壤与作物科学学院)
本文以棉花中Amaranthus palmeri为案例,研究基于YOLO架构的多生长阶段植物识别,比较26种变体,发现按视觉或尺寸特征减少类别能显著提升检测性能,凸显开源架构在植物表型分析中的应用潜力。
2023-07-28 cs.CV cs.LG
Highly Accurate Multispectral Palmprint Recognition Using Statistical and Wavelet Features
NYU Polytechnic School of Engineering(纽约大学理工学院)
掌纹是最有用的生理生物特征之一,可以作为一个强大的手段,在个人识别系统。掌纹的主要特征是掌纹线、皱纹和脊线,许多方法以不同的方式使用它们来解决掌纹识别问题。在这里,我们提出了使用一组统计和基于小波的功能;统计捕捉掌纹的一般特征;和基于小波的,以找到这些信息在空间域中不明显。此外,我们使用两种不同的分类方法,最小距离分类器方案和加权多数投票算法,进行掌纹匹配。该方法在6000个样本的掌纹数据集上进行了测试,在大多数情况下,准确率达到99.65%-100%。
2015-06-24 cs.CV
Child PalmID: Contactless Palmprint Recognition
发展中国家和最不发达国家面临着确保本国每个儿童获得所需剂量的疫苗接种、充足营养和适当药物的严峻挑战。儿童基金会、世卫组织和粮食计划署等国际机构以及其他组织努力寻找创新解决办法,以确定哪些儿童获得了福利,哪些儿童没有。已经寻求生物识别系统来帮助解决这个问题。为此,本报告建立了商业非接触式掌纹识别系统的基线准确性,该系统可用于识别1至5岁年龄组的儿童。在来自500名儿童的1000个独特手掌的非接触式掌纹图像的数据库上,我们使用Armatura的PalmMobile SDK建立了SOTA认证准确率为90.85%@FAR为0.01%,rank-1识别准确率为99.0%(闭集),FPIR= 0.01@FNIR =0.3用于开集识别。
2022-12-14 cs.CV
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
RPG-Palm: Realistic Pseudo-data Generation for Palmprint Recognition
Youtu Lab, Tencent(腾讯优图实验室);Hefei University of Technology(合肥工业大学);UCLA(加州大学洛杉矶分校);WeChat Pay Lab33, Tencent(腾讯微信支付Lab33)
本文提出RPG-Palm真实感伪掌纹生成模型,通过条件调制生成器、身份感知损失和改进的Bézier褶皱生成策略合成大规模掌纹数据,显著提升识别性能并接近无真实数据训练。
2023-08-08 cs.CV
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
Child Palm-ID: Contactless Palmprint Recognition for Children
Michigan State University(密歇根州立大学)
针对贫困地区儿童缺乏身份证件的问题,提出基于移动设备的接触式掌纹识别系统Child Palm-ID,在儿童数据库上TAR=94.11% @ FAR=0.1%,成人识别性能与SOTA相当,但时间分离的儿童掌纹识别率较低。
2023-05-09 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
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
3D printed realistic finger vein phantoms
University of Twente(特文特大学);Indonesian Institute of Sciences (LIPI)(印度尼西亚科学院(LIPI))
本文提出用3D打印制作光学特性逼真、静脉模式精确已知的手指静脉模型,用于评估识别方法并验证其欺骗系统的能力。
2023-09-26 cs.CV
Multispectral Palmprint Recognition Using Textural Features
New York University(纽约大学)
为了最大程度地利用识别,我们需要强大而快速的算法和系统来处理数据。由于掌纹是每个人可靠且独特的特征,我们根据其几何形状、线条和角度提取和使用其特征。有无数种方法可以定义识别任务的度量。为了分析一个新的观点,我们提取纹理特征并将其用于掌纹识别。共生矩阵可用于纹理特征提取。作为分类器,我们使用了最小距离分类器(MDC)和加权多数表决系统(WMV)。该方法在一个6000个样本的多光谱掌纹数据集上进行了测试,在大多数情况下,该方法的准确率为99.96-100%,优于以往所有的多光谱掌纹识别工作。
2015-02-12 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
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
On Feature based Delaunay Triangulation for Palmprint Recognition
Sarhad University of Science & IT(萨尔哈德科学与信息技术大学);Islamia College University(伊斯兰学院大学)
通过基于掌纹的生物特征识别系统进行个人身份认证由于其可靠性而变得非常流行,因为它包含独特且稳定的特征。在本文中,我们提出了一种新的方法,掌纹识别和表示。采用局部阈值化的Niblack二值化算法提取手掌轮廓线。确定这些线的端点,并使用德洛内三角剖分在它们之间创建连接,从而生成每个掌纹的不同拓扑结构。接下来,我们从德洛内三角剖分的三角形中提取不同的几何和定量特征,以帮助识别不同的个体。为了保证该方法对旋转和缩放的不变性,对掌纹的拓扑和几何结构进行了相关的特征提取。利用加权和方法计算两个掌纹的相似度,并与k-近邻法进行比较。实验结果表明,该方法可以有效区分不同的掌纹图像,在大型数据库中的识别率达到90%。
2016-02-05 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
Multispectral Palmprint Recognition Using a Hybrid Feature
Sharif University(谢里夫大学)
身份识别问题是近年来的一个重要研究领域。利用指纹、虹膜、人脸、语音和掌纹的基于生物识别的技术一直是解决这一问题的关注焦点。可以使用掌纹来代替这些生物识别技术中最早的指纹。手掌覆盖着与指尖相同的皮肤,但有更大的表面,比指尖提供更多的信息。手掌的主要特征是掌纹,包括主纹、皱纹和脊纹。使用这些线是解决掌纹识别问题的最流行的方法之一。另一个鲁棒的特征是手掌的小波能量。在本文中,我们使用了一个混合功能,结合了这两个功能。此外,多光谱分析的应用,以提高系统的性能。最后,使用最小距离分类器将测试图像与训练样本进行匹配。该算法在一个著名的多光谱掌纹数据集上进行了测试,平均准确率达到98.8%。
2015-12-11 cs.CV
Palmprint Recognition Using Deep Scattering Convolutional Network
New York University(纽约大学)
近年来,掌纹识别技术受到了广泛的关注。在过去的掌纹识别中,已经提出了许多算法,其中大多数是基于从变换域中提取的特征。这些变换域特征中的许多不是平移或旋转不变的,因此需要大量的预处理来对齐图像。在本文中,一个强大的图像表示,称为散射网络/变换,用于掌纹识别。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。散射网络的第一层捕获与SIFT描述符类似的特征,并且更高层的特征捕获在SIFT和其他类似描述符中丢失的信号的更高频率的内容。在提取散射特征之后,通过应用主成分分析(PCA)来降低其维数,这降低了识别任务的计算复杂性。两种不同的分类器用于识别:多类SVM和最小距离分类器。该方法在一个著名的掌纹数据库上进行了测试,使用最小距离分类器和支持向量机分别取得了99.95%和100%的准确率。
2016-03-30 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
On The Power of Joint Wavelet-DCT Features for Multispectral Palmprint Recognition
New York University(纽约大学)
近年来,基于生物特征的身份识别引起了人们的广泛关注。在所有的生物识别技术中,掌纹被认为具有丰富的特征。在本文中,我们提出了并行使用基于DCT的特征与基于小波的掌纹识别。主成分分析被应用到的功能,以减少他们的维数和多数投票算法被用来执行分类。这里介绍的功能导致一个近乎完美的准确识别。该方法在一个著名的多光谱掌纹数据库上进行了测试,准确率达到99.97- 100%,优于同类条件下的所有以前的方法。
2015-11-26 cs.CV
Finger Vein Recognition by Generating Code
手指静脉识别以其高度的识别能力、安全性和非侵入性等优点,成为当前最受关注和最有发展前途的生物特征识别技术之一。传统方法的主要思想是直接从手指静脉图像或模式中提取特征,然后比较特征以找到最佳匹配。然而,从图像中提取的特征包含大量的冗余数据,而从模式中提取的特征受图像分割方法的影响很大。针对这些问题,本文提出了一种新的基于代码生成的手指静脉识别方法.该方法不需要图像分割算法,计算简单,数据量小。首先对手指静脉图像进行分块计算均值;然后利用生成的特征矩阵进行中心对称编码。所获得的码字被连接作为图像的特征码字。静脉代码之间的相似性度量的最小汉明距离的码字长度的比值。在两个公共手指静脉数据库上的实验验证了该方法的有效性。结果表明,我们的方法优于国家的最先进的方法,并在执行匹配任务的竞争潜力。
2021-01-21 cs.CV cs.IT math.IT
Mobile Contactless Palmprint Recognition: Use of Multiscale, Multimodel Embeddings
Michigan State University(密歇根州立大学)
本文提出Palm-ID移动端掌纹识别系统,结合ViT与CNN提取局部和全局特征,并加入掌纹增强和高效降维,在保持低延迟的同时实现高精度匹配。
2024-01-16 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
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
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
Local Multiple Directional Pattern of Palmprint Image
Harbin Institute of Technology(哈尔滨工业大学);Shenzhen Graduate School, Harbin Institute of Technology(哈尔滨工业大学深圳研究生院)
线是掌纹图像中最基本、最具鉴别力的特征,基于线方向的掌纹识别方法层出不穷。传统的方法通常只捕捉其中一个最主要方向的掌纹图像。然而,由于掌纹图像中存在大量的交叉线,使得掌纹图像中的许多点具有两个甚至两个以上的主导方向。在本文中,我们提出了一个局部多方向模式(LMDP),有效地描述多方向特征的掌纹图像。LMDP不仅能准确地表示主导方向的个数和位置,而且能有效地反映各主导方向的置信度。然后,设计了一种简单有效的编码方案来表示LMDP,并采用分块LMDP描述子作为掌纹图像的特征空间进行掌纹识别。大量的实验结果表明,LMDP优于传统的强大的描述符和国家的最先进的方向为基础的方法在掌纹识别。
2016-07-21 cs.CV
Diff-Palm: Realistic Palmprint Generation with Polynomial Creases and Intra-Class Variation Controllable Diffusion Models
Hefei University of Technology(合肥工业大学);Tencent Youtu Lab(腾讯优图实验室);Tencent WeChat Pay Lab(腾讯微信支付实验室)
针对掌纹识别缺乏大规模公开数据集、现有合成掌纹与真实掌纹差距大的问题,提出基于多项式的掌纹褶皱表征及带类内变化控制的条件扩散模型,生成的数据集训练的识别模型无需微调即超真实数据集训练效果。
2025-03-24 cs.CV
Context-Aware Palmprint Recognition via a Relative Similarity Metric
University of Edinburgh(爱丁堡大学);Nethermind;University of Waterloo(滑铁卢大学)
针对传统掌纹匹配度量无法捕捉数据集上下文相似性比较的问题,提出引入相对相似性度量(RSM)的方法,应用于CCNet架构后在同济数据集获0.000036%的最先进EER,提升了鲁棒性与判别力。
2025-04-15 cs.CV
Touchless Palmprint Recognition based on 3D Gabor Template and Block Feature Refinement
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Hefei University of Technology(合肥工业大学);Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳))
随着人们对手部卫生和使用便利性要求的不断提高,非接触式掌纹识别技术近年来得到了很大的发展,为身份识别提供了一种有效的解决方案。尽管在这方面已经做了很多努力,但非接触式掌纹的鉴别能力仍然不确定,特别是对于大规模数据集。为了解决这个问题,在本文中,我们建立了一个大规模的非接触式掌纹数据集包含2334手掌从1167个人。据我们所知,就个人和手掌的数量而言,这是有史以来收集的最大的非接触式掌纹图像基准。此外,我们提出了一种新的深度学习框架,称为3DCPN(3D卷积掌纹识别网络),它利用3D卷积动态集成多个Gabor特征。在3DCPN中,一个新的变种的Gabor滤波器被嵌入到第一层的曲线特征提取增强。通过设计良好的集成方案,然后将低级别的3D特征卷积以提取高级别的特征。最后,在此基础上,我们设置了一个基于区域的损失函数,以增强全局和局部描述符的区分能力。为了证明我们的方法的优越性,我们的数据集和其他流行的数据库同济大学和IITD进行了广泛的实验,结果表明,所提出的3DCPN达到最先进的或相当的性能。
2021-12-12 cs.AI cs.CV
A Joint Pixel and Feature Alignment Framework for Cross-dataset Palmprint Recognition
基于深度学习的掌纹识别算法已经显示出巨大的潜力。它们中的大多数主要集中在识别来自同一数据集的样本。然而,它们可能不适合用于训练和测试的图像来自不同数据集的更方便的情况,例如由嵌入式终端和智能手机收集的。因此,我们提出了一种新的联合像素和特征对齐(JPFA)框架,这种跨数据集的掌纹识别方案。两阶段对齐应用于在源和目标数据集中获得自适应特征。1)采用深度风格转换模型将源图像转换为伪图像,以减少数据集间隙并在像素级上进行数据增强。2)提出了一种新的深度领域自适应模型,通过在特征层上对齐目标-源和目标-伪对的特定于目标的分布来提取自适应特征。充分的实验进行了几个基准,包括约束和无约束的掌纹数据库。结果表明,我们的JPFA优于其他模型,以实现国家的最先进的。与基线相比,交叉数据集识别的准确率提高了28.10%,交叉数据集验证的等出错率(EER)降低了4.69%。为了使我们的结果可重复,代码可在http://gr.xjtu.edu.cn/web/bell/resource上公开获得。
2020-05-25 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
Hand Gesture Recognition Based on Karhunen-Loeve Transform
Assam Don Bosco University(阿萨姆唐博斯科大学)
本文提出了一种基于K-L变换的手势识别系统。该系统包括五个步骤:皮肤过滤,手掌裁剪,边缘检测,特征提取,分类。首先,使用皮肤滤波检测手和手掌裁剪进行提取出的手掌部分的手。然后对提取的图像进行Canny边缘检测,提取手掌轮廓图像。在手掌提取之后,利用K-L变换技术提取手势特征,最后利用合适的分类器对输入手势进行识别。在我们的系统中,我们已经测试了10个不同的手势,并获得了96%的识别率。因此,我们提出了一个简单的方法来识别不同的手势。
2013-06-11 cs.CV
Scale-aware competition network for palmprint recognition
College of Computer Science, Sichuan University(四川大学计算机科学学院);School of Electrical and Electronic Engineering, Yonsei University(延世大学电气与电子工程学院)
针对现有掌纹识别方法忽略纹理尺度维度的问题,提出尺度感知竞争网络(SAC-Net),通过结合尺度内竞争模块(ISCM)和跨尺度竞争模块(ASCM)同时提取方向与尺度特征,在三个基准数据集上取得了优于现有方法的识别性能与鲁棒性。
2023-11-21 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
Pilot Comparative Study of Different Deep Features for Palmprint Identification in Low-Quality Images
Eötvös Loránd University(厄特沃什·罗兰大学);Institute for Computer Science and Control(计算机科学与控制研究所);Mutah University(穆塔大学)
深度卷积神经网络(CNN)是广泛而有效的视觉识别工具。在本文中,我们对三种流行的预训练CNN模型进行了比较研究:AlexNet,VGG-16和VGG-19。我们解决了低质量图像中的掌纹识别问题,并将支持向量机(SVM)与所有比较模型相结合。为了进行比较,我们使用MOHI掌纹图像数据库,其图像的特点是低对比度,阴影,和不同的照明,缩放,平移和旋转。另一个名为COEP的高质量数据库也被认为是研究高质量和低质量图像之间的识别差距。我们的实验表明,更深的预训练CNN模型,例如,VGG-16和VGG-19倾向于提取高度可区分的特征,这些特征比AlexNet等深度较低的网络更有效地识别低质量的掌纹。此外,我们使用各种模型在两个数据库上进行的实验表明,从较低级别的全连接层提取的特征比高层特征提供更高的识别率。我们的研究结果表明,不同的预训练模型可以有效地用于非接触式识别系统与低质量的掌纹图像。
2018-04-10 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
PALMAR: Towards Adaptive Multi-inhabitant Activity Recognition in Point-Cloud Technology
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
随着深度神经网络和基于计算机视觉的人类活动识别的发展,点云数据技术(LiDAR,mmWave)的使用由于其隐私保护性质而引起了很多兴趣。鉴于准确的PCD技术的高承诺,我们开发,PALMAR,多居民活动识别系统,采用高效的信号处理和新的机器学习技术来跟踪个人发展自适应多居民跟踪和HAR系统。更具体地说,我们提出了(i)一个基于体素化特征表示的实时PCD微调方法,(ii)有效的聚类(DBSCAN和BIRCH)、基于自适应顺序隐马尔可夫模型的多人跟踪和交叉模糊度降低技术以及(iii)新的基于自适应深度学习的领域自适应技术,以在数据稀缺和多样性的情况下提高HAR的准确性(设备、位置和种群多样性)。我们实验评估我们的框架和系统使用(i)实时PCD收集三个设备(3D LiDAR和79 GHz毫米波),来自6名参与者,(ii)一份公开提供的3D LiDAR活动数据(28名参与者)和(iii)一个嵌入式硬件原型系统,在多居民(96%)场景中提供了有希望的HAR性能,多居民(63%)的改善,人员跟踪,而不会损失边缘计算设备中的显著系统性能。
2022-12-03 cs.AI cs.CV
Enhancing Hand Palm Motion Gesture Recognition by Eliminating Reference Frame Bias via Frame-Invariant Similarity Measures
Department of Mechanical Engineering and Flanders Make(机械工程系和佛兰德斯制造)
本文提出了一种通过帧不变相似性度量消除参考框架偏差的方法,用于提升手部手掌运动手势识别的鲁棒性,并在实时应用中实现了92.3%的识别准确率。
2025-12-11 cs.CV cs.HC cs.RO
Palmprint De-Identification Using Diffusion Model for High-Quality and Diverse Synthesis
PAMI Research Group, Department of Computer and Information Science, University of Macau(PAMI研究组,计算机与信息科学系,澳门大学);School of Electrical and Electronic Engineering, College of Engineering, Yonsei University(电气电子工程学院,延世大学);School of Software, Nanchang Hangkong University(软件学院,南昌航空大学);College of Computer Science, Sichuan University(计算机科学学院,四川大学)
本文提出一种基于预训练扩散模型的无训练掌纹去标识化框架,结合语义引导嵌入融合与先验插值机制生成高质量且多样化的掌纹图像,在隐藏身份特征的同时保留图像可用性与非敏感信息,并引入去标识化比率作为新评估指标。
2025-09-16 cs.CV cs.MM