Jan, 2024

移动非接触式掌纹识别：多尺度多模型嵌入

PDF
TL;DR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。
contactless palmprintsglobal featureslocal featurespalmprint recognition systemdeep learning
发现论文，激发创造
  • 多光谱掌纹编码和识别

    本文提出了一种用于多光谱掌纹特征编码和匹配的方法，并设计了二进制哈希表结构以实现在大型数据库中有效匹配，经过综合实验验证，该方法在识别和验证场景下均表现出比现有最先进方法更为出色的性能表现，产生的误差率分别为 0.003％和 0.2％，证明了掌纹作为一项可靠且有前途的生物测定技术。

    Feb, 2014

  • 移动化手掌纹匹配

    本研究介绍了一种新的以手掌印为基础的移动生物识别技术，通过嵌入式摄像头捕获手掌印数据库，通过 RST 不变正方形基础的手掌印局部区域提取方法，实现了高准确性的认证技术。

    Dec, 2009

  • 儿童掌纹识别技术：非接触式掌纹识别

    本文介绍了一种基于生物识别技术的移动式非接触式棕纹识别系统，名为 Child Palm-ID，旨在为世界上一些最不发达和最贫困的国家的儿童，特别是婴幼儿，提供营养和医疗援助分配的有效解决方案，通过无联系儿童手掌图像数据库，Child-PalmDB1 的实验数据，证明了该系统的竞争力与先进性。

    May, 2023

  • 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

  • 隐形指纹识别：本地和全局嵌入的融合

    本研究结合全局特征嵌入和局部特征嵌入，以实现高通量的隐性指纹识别和较高的识别准确率，其中局部特征用于指导全局特征以关注比较中的区分性区域。

    Apr, 2023

  • 掌纹识别的尺度感知竞争网络

    利用创新的网络同时提取单一尺度和多尺度特征，改善先前方法中对纹理比例维度的忽视，并通过内尺度竞争模块和跨尺度竞争模块捕获与纹理方向和比例相关的特征。与现有方法相比，我们的方法在三个基准数据集上进行的严格实验明确展示了卓越的识别性能和抗干扰性。

    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

  • 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

  • GenPalm：无接触式扩散模型掌纹生成

    利用扩散概率模型介绍了一种新的手掌纹理生成方法，并开发了一个端到端框架来合成多个手掌身份，通过多个测试数据库的交叉数据库和时间分离评估协议证实了生成的手掌纹理图像在增强非接触式手掌纹理识别性能方面的有效性。

    Jun, 2024

  • ViT 统一：联合指纹识别和呈现攻击检测

    本研究提出使用 Vision Transformer（ViT）模型的统一系统架构，实现虚假检测和匹配，并取得了与最先进（SOTA）的顺序系统相当的 98.87% 的平均集成匹配（IM）准确率，但参数只有后者的约 50％，延迟只有后者的约 58％。该方法适用于安全指纹识别等场景。

    May, 2023