编辑推荐：
随着互联网发展，用户认证安全问题凸显，指关节纹（FKP）作为生物识别方式有独特优势，但识别准确率低于其他方式。研究人员运用 Vision Mamba（ViM）模型开展 FKP 分类研究，其准确率达 99.1%，为生物识别应用提供高效精准方案。
在互联网飞速发展的时代，信息的便捷获取也带来了严峻的安全挑战，用户认证成为保障隐私和数据安全的关键难题。传统的用户名和密码认证方式逐渐暴露出安全性不足的问题，容易遭受攻击和破解。生物识别技术因此备受关注，其中指关节纹（Finger Knuckle Print，FKP）识别凭借其独特的优势崭露头角。FKP 具有独特的纹理和线条模式，终生稳定且不易受环境因素干扰，还能实现非接触式认证，在安全、卫生等方面表现出色。然而，与指纹、面部识别等其他生物识别方式相比，FKP 识别的准确率较低，这一短板严重阻碍了其广泛应用，成为该领域亟待解决的问题。
为了突破这一困境，研究人员开展了针对 FKP 分类的深入研究。他们利用香港理工大学提供的包含 7920 张图像的数据集，对 17 种预训练的深度神经网络进行评估，重点探究 Vision Mamba（ViM）模型在 FKP 识别中的性能表现。该研究成果发表在《Franklin Open》，为生物识别领域带来了新的曙光。
在研究过程中，研究人员主要运用了以下关键技术方法：一是使用特定的数据集，该数据集来自 165 名不同年龄的志愿者，包含两个采集阶段，每个志愿者每次采集 4 根手指的 6 张图像；二是采用转移学习算法，借助预训练模型提升学习效率；三是利用 ViM 模型进行特征提取，该模型独特的结构设计使其能够有效捕捉 FKP 的细微特征。
研究结果如下：
- 模型性能评估：通过准确率、精确率、召回率、特异性和 F1分数等指标评估模型性能。在与 17 个不同模型的对比测试中，ViM 模型表现卓越，其准确率高达 99.1%，精确率为 99.2%，召回率 99.1%，特异性 99.99%，F1分数 99.1% 。相比之下，AlexNet 准确率为 96.2%，SCNN 为 98.3%，EfficientNet 为 98.2%，其他模型的表现也均不如 ViM 模型。
- 模型优势分析：ViM 模型具有诸多优势。其架构设计精心考虑了 FKP 纹理密集、模式复杂的特点，能够有效捕捉丰富的图案信息。选择 Sigmoid Linear Unit（SILU）激活函数，增强了模型捕捉非线性模式的能力，有助于更好地处理生物识别数据中的细微差异。采用 AdamW 优化器，结合自适应学习率调整和权重衰减，减少了过拟合现象，提高了模型的泛化能力。
- 应对复杂场景能力：在遮挡场景下，尽管 ViM 模型会面临挑战，但因其能够学习多层面的判别特征，在部分区域被遮挡时仍能识别出足够的特征模式。对于在无约束环境中的应用，研究人员提出通过训练多样化的增强数据、集成自适应预处理技术以及增加旋转和尺度不变特征提取层等方法，提升模型的适应性。
研究结论和讨论部分指出，ViM 模型在 FKP 识别中展现出极高的效率和准确性，是一种先进的深度学习模型。它不仅适用于 FKP 识别，还因其独特的架构设计，在图像识别、物体检测和场景理解等多种视觉任务中具有广泛的应用潜力。然而，ViM 模型也存在一定的局限性，如模型复杂度较高，在小数据集上可能出现过拟合现象，这就需要研究人员在实际应用中进行精细的数据管理和采用合适的正则化方法。总体而言，该研究为生物识别领域提供了新的思路和方法，推动了 FKP 识别技术的发展，对未来生物认证系统的优化和完善具有重要的指导意义，有望在安全、金融、执法等多个领域发挥重要作用，提升相关领域的安全性和便捷性。
