该论文介绍了基于机器学习的人脸识别技术在 Web 系统中作为身份认证方法的应用，其中结合了 MTCNN、Facenet 和 LinearSVC 等多个算法进行人脸识别，最终实现了 95% 的准确率。

Mar, 2021

本文就生物识别技术面临的问题进行了调查，包括认知性能、安全性、公平性、数据归集和用户隐私等，并提出了如何解决这些问题以提高其安全性和公信力的建议。

May, 2021

本研究关注耳部生物特征识别，通过利用其独特特征来提高准确性、可靠性和实用性，并证明了耳部生物特征识别在克服面部表情和光照条件变化等局限性方面的有效性。通过数据预处理和增强等技术，我们的模型在 AMI 数据集上实现了 99.35% 的测试准确率，并在 EarNV1.0 数据集上实现了 98.1% 的测试准确率，展示了我们方法在基于耳部生物特征的个体识别方面的有效性。

May, 2024

本文讨论了生物识别系统，特别是脸部模态的漏洞和如何通过伪造攻击的方式欺骗生物识别系统，并提出了十个问题，以开始在人工智能时代探讨市民数据安全和数据隐私问题。

May, 2022

本文深入探讨了生物识别技术在算法偏倚背景下的现存问题及解决方案，尤其关注人脸识别算法的种族歧视和偏见问题，并提出了未来的研究方向。

Mar, 2020

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

生物测量学在识别准确性方面表现出了其能力。本文提出了一种理论分析方法来解决生物识别系统的可区分性问题，并展示了人口规模与避免冲突所需的独立位数之间的简单关系。研究结果令人鼓舞，因为整个地球人口的生物测量数据可以储存在一个普通硬盘上，还留有一些空间用于噪声和冗余。

Nov, 2023

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

本篇论文介绍了生物特征识别的基本概念和在人脸质量度量方面的研究，提出了一种基于深度学习技术的开源脸部质量评估工具，并通过 NIST 的评估证明了其优越性。

Jun, 2020

TinySiamese 是一种用于生物识别的网络，采用预训练 CNN 作为特征提取器和 TinySiamese 学习提取特征，以达到与标准 Siamese 几乎相同的性能和效率，避免了内存和计算时间的问题。TinySiamese 可以在低功耗机器上运行，只需要不超过 7 层的小型网络，并在多个数据集上实现了高准确性。

Jul, 2023