本文总结了 46 篇 2017 年至 2021 年期间发表的关于深度学习在指静脉图像识别方面的研究。文章根据深度神经网络的任务对这些研究进行了总结，并提出了指静脉图像识别的挑战和潜在发展方向。

Jul, 2022

介绍了一种利用卷积多头注意网络的新型指静脉验证技术，该技术能从正常和增强的指静脉图像中提取判别信息，通过与其他五种先进的指静脉验证系统的比较，证明了该方法的有效性。

Oct, 2023

本文提出了一种基于深度学习的通用框架，通过域自适应实现模型泛化，使用压缩的 U-Net 作为域映射器，并使用本地描述符模型 SOSNet 将补丁嵌入描述符，以测量匹配对的相似性。实验结果证明，该框架在五个公共数据集中具有与最佳性能相当的结果，表明其在指静脉识别等其它基于静脉的生物识别方面具有应用潜力。

Jun, 2022

借助 3D 打印技术创建仿真手指静脉模型，可以模拟手指内部的骨骼、静脉和软组织等，用于开发和评估手指静脉提取和识别方法，同时可以欺骗手指静脉识别系统。

Sep, 2023

通过 DiffVein 方法，使用统一的扩散模型框架同时解决静脉分割和认证任务，并通过引入专用模块和针对减噪网络的 FourierSIM 损失函数，改进了现有方法在静脉模式验证上的性能。

Feb, 2024

开发基于深度学习的非接触式指纹定位与分割工具，其平均绝对误差为 30 像素、角度预测误差为 5.92 度、标签准确率为 97.46%。

Nov, 2023

引入 ResFPN 作为通用的预处理方法，该方法采用底层金字塔架构和特征聚合模块，能够在不同尺度下提取指静脉结构，实现指静脉识别的精度提升。实验结果表明，经过 ResFPN 预处理后，在常用识别管线中，平均识别错误率下降高达 5%。即使在不同数据集上进行识别，这种改进依然存在。

Jun, 2023

使用近红外成像和深度学习技术结合，针对在抗压部位可见静脉较少的病人，通过构建新的数据集、提出修改的 U-Net 模型以及应用于便携式静脉导引设备，成功实现了静脉分割和定位，展现了在资源受限的低成本设备中有潜在的良好性能。

Oct, 2023

本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。

Sep, 2017

以手部几何为基础的四指生物特征方法，采用特征选择方法提高鉴别性能，实验使用 Bosphorus 手部数据库的 300 个受试者进行测试，通过排名为基础的本地 FoBa 算法选择的 25 个特征子集，实现了最佳鉴别准确率 98.67% 和等错误率 4.6%。

Dec, 2023