[论文解读] Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend

Renye Zhang, Yimin Yin+3 more|arXiv (Cornell University)|Jul 5, 2022

Biometric Identification and Security被引用 6

一句话总结

本综述回顾了2017年至2021年间46项基于深度学习（DL）的指静脉识别（FVIR）研究，按神经网络任务（如分类、特征提取和图像增强）进行分类。识别出关键的深度学习架构，如ResNet、生成对抗网络（GANs）和胶囊网络，报告了最先进性能（例如，EERE为0.00%和ACC为99.98%），并指出光照变化和轻量化设备部署等挑战，提出知识蒸馏和跨指静脉相似性作为未来研究方向。

ABSTRACT

Finger vein image recognition technology plays an important role in biometric recognition and has been successfully applied in many fields. Because veins are buried beneath the skin tissue, finger vein image recognition has an unparalleled advantage, which is not easily disturbed by external factors. This review summarizes 46 papers about deep learning for finger vein image recognition from 2017 to 2021. These papers are summarized according to the tasks of deep neural networks. Besides, we present the challenges and potential development directions of finger vein image recognition.

研究动机与目标

• 系统总结2017年至2021年期间46项关于指静脉识别（FVIR）深度学习的最新研究。
• 根据深度神经网络执行的主要任务（包括分类、特征提取、图像增强、图像分割和加密）对这些研究进行分类。
• 识别在FVIR中使用的主流深度学习架构（如ResNet、GANs和胶囊网络），并评估其在标准数据集上的性能。
• 分析FVIR中持续存在的挑战，如光照不均、图像位移和演示攻击，并探讨在移动设备上实际部署的问题。
• 提出未来研究方向，包括用于轻量化部署的知识蒸馏，以及对同一人不同手指间指静脉模式相似性的研究。

提出的方法

• 本综述分析了来自IEEE、Springer、Elsevier和Google Scholar的46篇同行评审论文，通过关键词筛选：'finger vein image analysis' AND ('deep learning' OR 'neural network' OR 'CNN' OR 'GAN' OR 'LSTM' OR 'RNN' OR 'autoencoder')。
• 根据深度神经网络的主要任务对论文进行分类：分类、特征提取、图像增强、图像分割和加密。
• 使用EER（等错误率）、ACC（准确率）、APCER/BPCER（攻击演示分类错误率）、PSNR和SSIM等性能指标来评估和比较方法。
• 常用数据集包括FV-USM、HKPU、MMCBNU-6000、SDUMLA-HMT、UTFVP和THU-FVFDT2，其图像数量和分辨率各不相同。
• 重点回顾的深度学习模型包括AlexNet、ResNet（如ResNet-50、ResNet-101）、GANs、DenseNet-161、SqueezeNet以及基于注意力机制的网络（如FVRASNet和JAFVNet）。
• 本研究评估了知识蒸馏、三元组损失结合难样本挖掘，以及注意力机制等技术在提升识别准确率和模型效率方面的有效性。

实验结果

研究问题

• RQ1 在2017年至2021年间，哪些深度神经网络架构在指静脉识别任务中表现出最高性能？
• RQ2 不同深度学习技术（如GANs、注意力模块和自编码器）如何分别促进FVIR中的图像增强、分割和特征提取？
• RQ3 FVIR中最持久的技术挑战是什么，特别是与图像质量退化和演示攻击相关的问题？
• RQ4 同一人不同手指的指静脉模式是否可以可靠匹配？有哪些证据支持跨指静脉相似性？
• RQ5 如何优化深度学习模型以实现在真实FVIR应用中轻量化移动设备上的部署？

主要发现

• ResNet-50在HKPU数据集上实现了98.64%的准确率，表明其在分类任务中表现强劲。
• 一个双分支CNN在FV-USM数据集上实现了0.00%的EER，表明在特定条件下识别性能接近完美。
• 采用三元组损失结合难负样本挖掘的模型在识别对称手指（来自对侧手的相同手指类型）时达到99.13%的准确率，证实了跨指静脉的相似性。
• 知识蒸馏被识别为一种可行方法，可用于压缩大型模型以部署于轻量化移动终端，从而提升实际应用的可行性。
• 基于GAN的方法在SDUMLA-HMT数据集上实现了30.42的PSNR和98.85的SSIM，表明其在恢复低质量图像方面具有优异效果。
• 基于图神经网络（GNN）的模型在FV-USM数据集上实现了99.98%的准确率，突显了图神经网络在FVIR中的潜力，尽管其在该领域应用尚不广泛。