Jun, 2024

超越一阶：一个多尺度的指节纹理生物特征识别方法

PDF
TL;DR近年来，指节纹理 (FKP) 因其丰富的纹理图案而受到关注，使其成为一个有前景的用于身份识别的生物特征。先前的 FKP 识别方法主要利用一阶特征描述符，能捕捉纹理的细节，但无法考虑结构信息。然而，新兴的研究表明，描述纹理曲线和弧线的二阶纹理包含了被忽视的结构信息。本文介绍了一种新颖的 FKP 识别方法，Dual-Order Texture Competition Network (DOTCNet)，旨在全面地捕捉 FKP 图像中的纹理信息。DOTCNet 包括三个双阶纹理竞争模块 (DTCMs)，分别针对不同尺度的纹理。每个 DTCM 采用可学习的纹理描述符，具体来说就是可学习的 Gabor 滤波器 (LGF)，用于提取纹理特征。通过利用 LGF，网络提取一阶和二阶纹理来全面描述精细纹理和结构特征。此外，一种注意力机制增强了一阶纹理中的相关特征，从而突出了重要的纹理细节。对于二阶纹理特征，一种竞争机制强调了结构信息，同时减少了高阶特征的噪声。广泛的实验证明，DOTCNet 在公开可用的 PolyU-FKP 数据集上明显优于几种标准算法。
finger knuckle printsbiometricidentity recognitionsecond-order texturesdotcnet
发现论文，激发创造
  • 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

  • FingerNet：用于指纹细节提取的统一深度网络

    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

  • 特征选择的指纹生物特征识别

    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%。

    Dec, 2023

  • 基于对称评估的关键点描述 —— 在生物识别中的应用

    通过模型化特征提取器描述关键点周围的邻域，使用有限展开来估计空间变化的方向，利用谐波函数来确定关键点位置并描述邻域的物体形状，这对传统纹理特征是一种新的补充和附加，具有显著的验证和识别能力。

    Nov, 2023

  • 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

  • 基于形状和纹理特征的序列双重深度学习用于草图识别

    本文提出了一种将形状和纹理特征相结合的顺序深度学习策略，利用编码形状描述符和 CNN 的输出作为抽象的纹理特征来识别并获得高灵活性的手绘图，并通过重复神经网络进行特征融合来实现物体不变性识别。实验结果表明，该方法即使在形状和外观发生显着变化的情况下也能优于人类平均水平和现有算法。

    Aug, 2017

  • 多方位多层双交叉模式用于鲁棒性人脸识别

    提出了一种使用新的算法从人脸图像中提取 MDML-DCP 来执行光照、姿势和表情变化的无约束人脸识别，实验结果表明该算法优于局部描述符的表现，在具有挑战性的 LFW 和 FRGC 2.0 数据库上实现了最好的性能。

    Jan, 2014

  • Finger-UNet：一种基于 U-Net 的深度指纹增强多任务架构

    研究通过改进编码器 - 解码器风格架构，使用离散小波变换和多任务学习提高指纹识别和增强技术。

    Oct, 2023

  • 用于潜在指纹重建的生成卷积网络

    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

  • 光学表面压花的物理增强多保真度学习

    使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。

    Nov, 2023