通过融合手工特征和深度神经网络嵌入特征的多层次融合方法，提出的方法在潜在指纹识别中显著提高了真实数据集的排名 - 1 识别准确率。

Mar, 2024

本研究旨在开发一种名为 ULPrint 的快速方法，以增强各种潜在指纹类型，包括从真实犯罪现场和实验室创建的样本中获得的指纹，从而提高指纹识别系统的性能。这种新方法通过开发一个基于 Ridge 分段、UNet 和 Mix Visual Transformer (MiT) SegFormer-B5 编码器架构的两步潜在指纹增强方法来解决不同潜在指纹类型的挑战，提高了司法调查和刑事司法结果。

May, 2023

将全局和局部特征相结合的新框架可提高掌纹匹配准确性，结合 ViT 和 CNN 特征的基于移动设备的 Palm-ID 系统在 AMD EPYC 7543 32-Core CPU 上以 128 个线程在 18ms 内提取模板，在 0.33ms 内对 10,000 个掌纹图库进行高效搜索，并在大规模操作数据集上实现 98.06% 的真正接受率（TAR）和 0.01% 的误认为真率（FAR），同时在移动设备中嵌入完整的识别流程以提升用户隐私和安全。

Jan, 2024

研究使用混合深度网络建立两个指纹间相似性特征直接模型的方法，得到的结果在两个数据集上均优于现有技术。

Jul, 2022

与图纹型指纹表示相比，固定长度的表示因其简单和高效的匹配而具有吸引力。然而，当匹配不同可见区域的指纹时，固定长度的指纹表示在准确度上存在限制。为了解决这个问题，我们提出了一种名为 LDRF 的局部深度指纹表示。LDRF 通过关注局部区域内的区分特征，为具有不同可见区域的指纹提供了更加稳健和准确的固定长度表示。LDRF 可以适应保留在任何有效区域内的信息，具有高度的灵活性。LDRF 产生的匹配分数还展现出直观的统计特性，因此我们提出了一种匹配分数归一化技术来减轻在非常小的重叠区域情况下的不确定性。通过这种新技术，即使数据库规模迅速增长，我们仍能保持高水准的准确性和可靠性。我们在 21 个数据集上进行的实验结果包含超过 140K 个具有不同手指姿势和印记类型的指纹，表明 LDRF 优于其他固定长度表示，并且对感测技术和印记类型具有鲁棒性。此外，所提出的匹配分数归一化技术在包含超过 5.11 百万个指纹的大规模识别实验中有效降低了错误匹配率（FMR），相较于不进行匹配分数归一化和之前的研究，降低了两个数量级和五个数量级。

Nov, 2023

本文介绍了一个新的野外大规模潜指纹数据库，包括五个不同的采集场景，并通过各种子集评估的广泛分析来突出潜指纹识别研究未来的挑战。

Apr, 2023

该研究提出了一种名为 RTK-PAD 的全局 - 局部模型的假证据检测方法，通过采用全局模块和局部模块之间的重新思考模块连接，结合了全局和局部的假证据得分，以实现假证据检测，并在 LivDet 2017 上进行的实验结果表明 RTK-PAD 表现显著，在 TDR（真实检测率）方面比现有方法高 10%（91.19% 对 80.74%）。

Feb, 2024

本文旨在探讨使用深度神经网络提取固定长度嵌入的纹理信息，以减少指纹图像比对中的计算量，并研究不同传感器类型和指纹图像旋转平移对指纹嵌入提取的影响，实验结果表明，纹理嵌入 512 个特征元素为最佳选择，不同传感器类型表现存在差异。

Jul, 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

本文提出了一种基于深度学习的算法，用于精确定位和标记斜向和过度旋转的掌纹影像中的指纹，并通过在新数据集上的训练证明此算法在不同年龄组的掌纹影像中均具有不变性，并在成年人和儿童主体的正常和旋转图像的综合数据集中，实现了 97.17％的匹配准确度，表现优于现有的系统。

Mar, 2023