Beyond First-Order: A Multi-Scale Approach to Finger Knuckle Print Biometrics

最近，由于其丰富的纹理图案，指节纹理（FKP）引起了人们的关注，使其成为一种有前途的身份识别生物特征。先前的FKP识别方法主要利用一阶特征描述符，可以捕捉复杂的纹理细节，但无法考虑结构信息。然而，新兴的研究表明，描述纹理的二阶纹理可以包含这些被忽视的结构信息，描述纹理的曲线和弧度。本文介绍了一种新颖的FKP识别方法，名为双阶纹理竞争网络（DOTCNet），旨在全面捕捉FKP图像中的纹理信息。DOTCNet包括三个双阶纹理竞争模块（DTCMs），每个模块针对不同尺度的纹理。每个DTCM使用可学习的纹理描述符，即可学习的Gabor滤波器（LGF），提取纹理特征。通过利用LGF，网络提取一阶和二阶纹理，以全面描述细节和结构特征。此外，一个注意机制增强一阶特征中的相关特征，从而突出显着的纹理细节。对于二阶特征，竞争机制强调结构信息，同时减少高阶特征的噪声。广泛的实验结果表明，DOTCNet在公开可用的PolyU-FKP数据集上显着优于几种标准算法。

本篇论文旨在解决指纹指节纹理识别中，传统一阶特征描述符无法充分考虑结构信息的问题，提出了一种新的双阶纹理竞争网络（DOTCNet）。

DOTCNet包含三个不同尺度的双阶纹理竞争模块（DTCM），每个模块使用可学习的纹理描述符（LGF）提取纹理特征，以全面地描述指纹指节纹理信息。同时，采用注意力机制和竞争机制，分别突出一阶特征中的重要纹理细节和二阶特征中的结构信息。

实验结果表明，DOTCNet在公开数据集PolyU-FKP上的识别准确率显著优于多种标准算法。此外，DOTCNet的设计思路和方法也具有一定的创新性和推广价值。

近期在指纹识别领域，还有一些相关的研究，如《基于纹线方向场的指纹图像增强方法》、《基于卷积神经网络的指纹图像分类方法》等。