移动端非接触式掌纹识别：多尺度、多模型嵌入的使用
计算机视觉与模式识别
2024-01-17 v1
摘要
非接触式掌纹包含全局和局部判别特征。大多数先前工作仅专注于提取全局特征或局部特征进行掌纹匹配，而本研究引入了一个新颖的框架，结合全局与局部特征以提高掌纹匹配精度。利用深度学习的最新进展，本研究集成了视觉Transformer（ViT）和卷积神经网络（CNN）来提取互补的局部和全局特征。随后，开发了一个基于移动端的端到端掌纹识别系统，称为Palm-ID。在ViT和CNN特征之上，Palm-ID整合了掌纹增强模块和高效的降维（以实现更快匹配）。Palm-ID在精度与延迟之间取得了平衡，仅需18毫秒即可提取大小为516字节的模板，并能在配备128线程的AMD EPYC 7543 32核CPU上，于0.33毫秒内完成对10,000个掌纹库的搜索。跨数据库匹配协议及在大规模运营数据集上的评估证明了所提方法的鲁棒性，在一个新采集的、有时间间隔的数据集上，于FAR=0.01%时达到了98.06%的TAR。为展示端到端系统的实际部署，整个识别流程被嵌入到移动设备中，以增强用户隐私和安全性。
引用
@article{arxiv.2401.08111,
title = {Mobile Contactless Palmprint Recognition: Use of Multiscale, Multimodel Embeddings},
author = {Steven A. Grosz and Akash Godbole and Anil K. Jain},
journal= {arXiv preprint arXiv:2401.08111},
year = {2024}
}