记录一下指纹识别相关资料（代码论文）

指纹识别这么久为啥各种各样资源和教程比较少，心累

记录一下一起参考学习

https://researchcode.com/code/1843265544/convolutional-networks-on-graphs-for-learning-molecular-fingerprints/
介绍了一种直接作用于图形的卷积神经网络。这些网络允许对输入为任意大小和形状的图的预测管道进行端到端学习。我们提出的体系结构概括了基于圆形指纹的标准分子特征提取方法。我们表明，这些数据驱动的特性更易于解释，并且在各种任务中具有更好的预测性能。

代码链接好几个

https://researchcode.com/code/1812398088/evaluating-software-based-fingerprint-liveness-detection-using-convolutional-networks-and-local-binary-patterns/

在这项工作中，我们实现并评估了基于软件的指纹活性检测的两种不同的特征提取技术：随机权重卷积网络和局部二值模式。这两种技术都与支持向量机（SVM）分类器结合使用。采用数据集增强的方法提高分类器的性能，并测试了多种预处理操作，如频率滤波、对比度均衡和感兴趣区域滤波。这些实验是在2009年、2011年和2013年的活体检测比赛中使用的数据集上进行的，这些数据集包括近50000幅真假指纹图像。我们的最佳方法实现了95.2%的正确分类样本的总体比率-与之前公布的最佳结果相比，测试误差提高了35%。 

但是代码链接 代码不好阅读 解释不多

https://researchcode.com/code/1651310600/deep-representations-for-iris-face-and-fingerprint-spoofing-detection/

我们假设对传感器的生物欺骗知识非常有限，基于两种深度学习方法，为虹膜、人脸和指纹模式导出优秀的欺骗检测系统。第一种方法是学习适合每个域的卷积网络结构，而第二种方法是通过反向传播学习网络的权值。我们考虑了9个生物特征欺骗基准——每个基准包含给定生物特征形态和攻击类型的真实和假的样本——并通过组合和对比这两种学习方法来学习每个基准的深层表示。这一策略不仅能更好地理解这些方法是如何相互作用的，而且还能创建在九个基准中有八个超过最著名结果的系统。研究结果表明，基于卷积网络的欺骗检测系统对已知的攻击具有很强的鲁棒性，并且可以很容易地适应尚未到来的基于图像的攻击。

 代码链接https://github.com/yomna-safaa/spoofnet-tensorflow

 

关于机器学习、计算机视觉和工程技术的总结和分享https://github.com/Captain1986/CaptainBlackboard