Jul, 2023

RidgeBase：跨传感器多指接触式非接触式指纹数据集

PDF
TL;DR本文介绍了 RidgeBase 基准数据集，该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从 88 个个体中采集的超过 15,000 对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究，我们提出了一种基于集合的匹配协议，特别是针对实用的非接触指纹匹配，可考虑注意力、极性和指角度的差异。我们还在 RidgeBase 数据集上报告了不同协议的定量和定性基线结果。
contactless fingerprint matchingsmartphone camerasreal-world datasetsridgebase benchmark datasetset-based matching protocol
发现论文，激发创造
  • 基于深度学习的非接触式指纹分割和提取方法

    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

  • 无接触指纹生物识别系统的通用反欺骗方法

    我们提出了一种用于无接触指纹的通用表现攻击检测方法，该方法使用了合成的无接触指纹进行模型训练，并结合了 Arcface 和 Center loss 进行联合损失函数的设计，最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。

    Oct, 2023

  • 移动非接触式掌纹识别：多尺度多模型嵌入

    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

  • 野外潜在指纹数据库

    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

  • ContactDB: 使用热成像技术分析和预测握持接触

    使用红外传感器捕捉和记录了 50 种日常物品的手 - 物体接触点图，研究表明功能意图和物品大小对握取有影响，多种算法用于预测手 - 物体接触点图。

    Apr, 2019

  • 一种基于指纹脊线方向检查的指纹检测方法

    该研究提出了一种用于指纹识别系统的指纹检测算法，并结合深度神经网络技术，提高了指纹识别的准确率。

    May, 2022

  • 接触式指纹攻击检测的深度特征：能否被推广？

    本文研究了七种预训练 CNN 和一个 Vision Transformer 模型对于探测虚假指纹的泛化能力，并通过四个不同的仿冒手段和深度特征技术的性能评估结果表明，ResNet50 CNN 具有最好的泛化性能。

    Jul, 2023

  • 免接触指纹生物特征反欺骗：一种无监督深度学习方法

    我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

    Nov, 2023

  • 将精确的人员识别扩展到新的高度和范围：BRIAR 数据集

    使用计算机视觉方法以及长距离摄像机和无人机等多元化设备，采集和整理人脸识别等生物特征的数据集，旨在提高人脸识别技术的效率和精准度，并扩展人体识别的方法和应用领域。

    Nov, 2022

  • 指纹验证系统直接攻击评估

    研究了指纹识别系统在有或没有用户配合下直接攻击的漏洞，通过对真假指纹数据库上两个不同系统（细节和脊特征）的评估，根据指纹图像质量和在不同操作场景下获得的结果， 得出了一些关于系统的鲁棒性的统计显著观察结果。

    Dec, 2022