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
本研究提出了一种完全自动的无监督学习策略,用于创建指静脉图像数据集,以提高模式提取准确度。通过采用全球范围的指静脉图案定向估计,本文的方法在模式提取准确率方面表现优秀,达到 99.6%,显著高于其他常见的无监督学习方法,如 k 均值和模糊 C 均值(FCM)
May, 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
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
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
介绍了一种生成软糖手指的新方法,并在介绍的中等规模的假指纹数据库上评估了两种不同的指纹验证系统。通过三种不同的实验情境考虑,即:使用真实指纹进行注册和测试、使用假指纹进行注册和测试以及使用真实指纹进行注册并使用假指纹进行测试。此项研究结果表明光学扫描和热扫描传感器中的两种系统均易受直接攻击。
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。
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
我们提出了 PrintsGAN,这是一种合成指纹生成器,能够为给定的指纹生成独特的指纹和多个印象。使用 PrintsGAN,我们合成了一个由 525k 个指纹(包括 15 个印象的 35k 个不同手指)组成的数据库,利用该数据库,我们训练了一个深度网络,从指纹中提取了一个固定长度的嵌入,这在真实情况下是非常困难的。
Jan, 2022
该研究论文介绍了一种名为'sweet' 的无接触血管生物特征传感器平台,用于手部血管生物特征研究以及手掌上的特征,支持多种采集模式,并展示了综合多种特征的生物特征实验结果及相关数据集。
Apr, 2024