Dec, 2023

特征选择的指纹生物特征识别

PDF
TL;DR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%。
biometricshand geometryfour-finger based biometric methodfeature selection methodsidentification accuracy
发现论文，激发创造
  • 数字取证中的手部生物特征

    数字取证是确保数字世界免受身份盗窃的不可避免的一部分，生物特征是解决数字取证所遇到问题的更好方案，手部生物特征模式的潜在益处和范围已经通过手几何验证方法进行了调查。

    Feb, 2024

  • 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

  • 离线手写签名验证：迁移学习与特征选择方法

    手写签名验证是生物识别和文件真实性方面的严峻挑战，最优特征选择和分类准确度显著提高了提出的离线签名验证方法的性能和结果验证预测向量。

    Jan, 2024

  • 使用一组庞大的手部图像数据进行性别识别和生物识别

    本研究提出了一个大型数据集，其中包含详细的基准信息，用于人类手图像（背侧和掌侧）的性别识别和生物识别。利用卷积神经网络来训练，设计了一个两流的 CNN 来解决性别识别问题。该模型可以被用作特征提取器，为生物识别任务提供支持向量机分类器的输入。通过实验结果，发现正常像机拍摄的背侧图像与掌侧图像一样有效。

    Nov, 2017

  • 利用神经网络的生物计量学

    生物识别技术在数字身份识别中发挥着重要作用，然而当前的技术仍存在一定的安全性和精确性问题。本文调查了基于神经网络的各种生物识别技术，强调了对提高精确性和可靠性的不断追求，得出了神经网络与生物特征结合不仅可以提高准确性，还有助于整体安全性的结论。

    Feb, 2024

  • 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

  • 指纹图像质量估计方法的比较研究

    该研究论文研究了指纹验证中的一个问题：指纹图像的质量下降不利于系统的整体性能，因此，为了解决这个问题，需要对定捕获的指纹图像进行质量和有效性的估计。

    Nov, 2021

  • 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

  • 使用行为生物特征和机器学习评估用户认证模式

    本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

    May, 2022

  • 人脸和指纹生物识别特征级融合

    本文旨在研究基于特征提取层面的人脸和指纹生物识别特征融合方法，通过提取两种模态的独立特征点集并使其兼容进行拼接，同时运用特征降维技术处理维数灾难问题并比较实验结果，最终通过点纹匹配和 Delaunay 三角剖分等技术对数据库和查询图像的融合特征点集进行匹配，从而评估其在特征提取层面的融合效果与匹配评分的差异。

    Feb, 2010