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

提出了MCLFIQ算法，它是首个用于移动无接触指纹的质量评估算法。该算法使用一个合成的无接触指纹数据库来重新训练了用于接触式指纹的NIST指纹图像质量（NFIQ）2方法，并在三个真实的无接触指纹数据库上评估了其性能，结果显示该方法比原来的NFIQ 2方法和基于锐度的质量评估算法更为准确和稳健，建议将其作为无接触指纹质量评估的新标准算法候选。

Apr, 2023

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

本文介绍了RidgeBase基准数据集，该数据集是用两个智能手机相机和一台平板式接触式传感器在不同背景和光照条件下从88个个体中采集的超过15,000对接触式和非接触式指纹图像。为了促进不同匹配场景下的研究，我们提出了一种基于集合的匹配协议，特别是针对实用的非接触指纹匹配，可考虑注意力、极性和指角度的差异。我们还在RidgeBase数据集上报告了不同协议的定量和定性基线结果。

Jul, 2023

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

我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均BPCER为0.96％，APCER为1.6％。

Nov, 2023

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

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

提出了一种姿态特异的3D指纹展开算法，用于将3D指纹展开为与平面指纹相同姿态的2D卷指纹，从而提高3D指纹和平面指纹之间的兼容性，进而导致更高的真实匹配得分。

Apr, 2024

本研究针对无接触指纹图像在准确性和匹配性上的不足，提出了一种通过改进频率估计和基于区域质量的新孤立特征提取算法来增强指纹识别的解决方案。研究结果表明，该方法在PolyU无接触指纹数据集上实现了最低2.84%的均等错误率，展示出其在指纹识别系统中的高精确性和强大抗干扰能力。

Aug, 2024