密集细节点描述的潜指纹匹配
提出了一种名为 MinutiaeNet 的全自动细节提取器，基于深度神经网络，采用紧凑特征表示，用于快速比较细节集。使用指纹领域知识和深度网络的结合，改善了细节检测的准确性，实验结果表明，MinutiaeNet 对 NIST SD27 和 FVC 2004 数据集上的细节集进行了更高精度和召回率的检测。该方法将有助于培训基于网络的指纹匹配算法，以及在大规模测量指纹个性时进行指纹分析。
Dec, 2017
本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。
Sep, 2017
与图纹型指纹表示相比，固定长度的表示因其简单和高效的匹配而具有吸引力。然而，当匹配不同可见区域的指纹时，固定长度的指纹表示在准确度上存在限制。为了解决这个问题，我们提出了一种名为 LDRF 的局部深度指纹表示。LDRF 通过关注局部区域内的区分特征，为具有不同可见区域的指纹提供了更加稳健和准确的固定长度表示。LDRF 可以适应保留在任何有效区域内的信息，具有高度的灵活性。LDRF 产生的匹配分数还展现出直观的统计特性，因此我们提出了一种匹配分数归一化技术来减轻在非常小的重叠区域情况下的不确定性。通过这种新技术，即使数据库规模迅速增长，我们仍能保持高水准的准确性和可靠性。我们在 21 个数据集上进行的实验结果包含超过 140K 个具有不同手指姿势和印记类型的指纹，表明 LDRF 优于其他固定长度表示，并且对感测技术和印记类型具有鲁棒性。此外，所提出的匹配分数归一化技术在包含超过 5.11 百万个指纹的大规模识别实验中有效降低了错误匹配率（FMR），相较于不进行匹配分数归一化和之前的研究，降低了两个数量级和五个数量级。
Nov, 2023
利用生成卷积网络对指纹进行去噪和缺失图案预测的方法，作为指纹识别前的预处理步骤，能够显著降低 false positive 和 false negative 检测率，并可与多种标准特征提取方法结合使用，如 MINDTCT，MCC，BOZORTH3 等，本方法在使用不同传感器捕获的多个公开指纹数据集上进行了测试。
May, 2017
本文提出一种名为 FingerGAN 的基于生成对抗网络（GAN）框架下的潜在指纹增强方法，并通过两个公共潜在指纹数据库的实验结果表明其性能显著优于现有最优方法。
Jun, 2022
本研究提出了一种局部特征提取的方法，将检测器和描述子两个步骤互相独立，并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征，并在各项基准测试中显示出了比现有技术更好的性能。
May, 2020
本文旨在探讨使用深度神经网络提取固定长度嵌入的纹理信息，以减少指纹图像比对中的计算量，并研究不同传感器类型和指纹图像旋转平移对指纹嵌入提取的影响，实验结果表明，纹理嵌入 512 个特征元素为最佳选择，不同传感器类型表现存在差异。
Jul, 2023