指纹识别综述(2): 指纹传感器

本文主要基于《Handbook of Fingerprint Recognition》第三版第二章“Fingerprint Sensing”的内容。本文会不定期更新，以反映一些新的进展和思考。

1、引言

指纹识别系统利用传感器、图像处理、模式识别技术自动识别两个指纹是否一致。指纹识别系统主要有三个模块，分别为指纹采集模块、特征提取模块和匹配模块。首先由传感器得到指纹图像，然后从图像中提取一些显著的特征（这些特征比较适合做识别任务），最后对指纹特征进行匹配得出匹配分数。指纹采集器作为第一个模块，显然对于整个系统至关重要。

指纹识别系统基本流程

为什么需要专用的指纹采集器？因为专用的指纹采集器可以获取对比度高的指纹图像，对特征提取和身份识别有利。而普通相机拍摄的指纹图像（类似肉眼所见的指纹）对比度很低，不利于指纹识别算法。两种图像的对比见下图。

对于同一手指，指纹采集器得到的图像（左图）比手机摄像头拍摄的照片（右图）对比度清晰，更利于识别算法。

最早的指纹采集技术是油墨法，至少已经有上百年的历史。1990年代出现了活体指纹采集器，利用各种传感器技术（例如光学、电容和超声波）直接从用户手指获得数字指纹图像。经过30年的发展，技术多元、形态多样的指纹采集器不断涌现，促进了指纹识别技术在公共安全、消费电子、电子商务等众多领域的应用。

指纹采集器的发展（Jain等人，2016）

指纹采集器和传感器是两个不同的概念，后者是前者的内部模块。形态差别很大的采集器可能是基于类似的传感器技术，例如下图都是基于光学传感技术的指纹采集器，分别可以采集四连指、滚动指纹、平面指纹、部分平面指纹。而形态类似的采集器可能是基于完全不同的传感器技术。例如基于超声波和光学的手机屏下指纹传感器，虽然技术原理完全不同，但是普通用户可能感受不到它们的区别。

基于光学传感技术的各种形态的指纹采集器，分别采集四连指、滚动指纹、平面指纹、部分平面指纹。

下文首先介绍离线指纹采集和各种活体指纹采集技术，然后讨论指纹图像质量问题。

2、离线采集

2.1 油墨法

油墨法是在手指蘸上油墨，在专门的指位卡片上按手指或者滚动手指。下图指纹卡的上面两排为滚动采集的指纹，可以采集尽可能多的信息；下面一排为左右手的平面采集。虽然滚动指纹的面积通常覆盖了平面指纹，但是平面指纹的图像较清晰、变形小。采集十个平面指纹还有一个用处，可以帮助检测滚动指纹错位。因为实际采集过程中，难免出现错位的情况。而仅仅从单个滚动指纹，难以判断左右手、具体的指位。一旦发生错位，可能会导致将来识别错误。

用油墨法在指纹卡片上采集指纹。

对于重案，警方甚至会全面采集手部皮肤纹理，包括手指各关节的各个侧面、手掌、掌侧。全面采集皮肤纹理可以提高识别的概率，不过采集过程很耗时。

对于重案，警方会全面采集手部皮肤纹理，包括手指各关节的各个侧面、手掌、掌侧。

虽然活体指纹采集技术早已普及，但是警方的指纹数据库积累了多年的油墨指纹（已扫描为电子版），警用指纹识别系统仍然需要兼容油墨指纹。

2.2 现场指纹提取技术

一种特殊的指纹图像，称为潜指纹或现场指纹，在识别犯罪嫌疑人方面非常有价值。手指在触摸物体（例如玻璃、纸张）时，皮肤上的水分、油脂从手指转移到物体上，并在物体上留下痕迹。现场指纹通常是肉眼不可见的，需要一些化学和物理手段进行显影，常见的有刷粉法、茚三酮法、碘熏法、硝酸银法四种（Lee和Gaensslen，2012）。相比其他采集技术得到的指纹图像，现场指纹图像的质量常常比较差，表现为背景噪声强、脊线不清晰、指纹有效面积小、皮肤变形大。

高、中、低质量的现场指纹（来自NIST SD27）

下图显示了刷粉法提取现场指纹的过程。首先通过刷粉将指纹显现；然后放一把尺子在指纹旁边，对二者同时拍照，尺子将用于把指纹图像调到标准的分辨率（例如，500 ppi）；最后用胶带提取指纹，作为物证保管。

利用刷粉法提取现场指纹的过程

3、活体采集

3.1 光学传感器

3.1.1 受抑全内反射 (Frustrated Total Internal Reflection，FTIR)

FTIR（Hase & Shimisu，1984）是最古老的活体指纹传感技术，目前仍然在警方和政府应用中广泛使用。下图是FTIR的原理图。当手指接触棱镜的顶部时，脊与棱镜表面接触，而谷无接触。光源从左下方进入棱镜，在谷处发生全反射，而在脊处散射。光线从棱镜右侧射出，通过镜头聚焦到图像传感器上。在形成的指纹图像中，脊显得很暗，而谷显得很亮，黑白分明，便于识别。

FTIR原理图

原始的FTIR技术存在一个明显的缺点：体积太大了。这么大的指纹采集器放在警察局、出入境闸机处使用，体积不是问题。而对于许多个人应用，指纹采集器需要嵌入各种设备，提供身份验证功能，这么大的采集器显然是不合适的。

原始FTIR采集器的体积大有两个原因：光路长、棱镜大。一种缩小体积的方法是使用多个镜子来回反射以保持光路长度，同时缩小总体积。为了缩小棱镜，Zhou等人（1998）发明了片状棱镜（一组小棱镜的组合），在缩小体积的同时，还降低了成本。

片状棱镜原理图（Xia和O'Gorman，2003）

3.1.2 无棱镜的光学成像

通过完全移除棱镜和透镜并将光电探测器阵列紧密贴合到采集表面的内侧，可以显著减小采集器的封装尺寸。为此，需要解决两个问题：（1）需要将手指反射的光子引导到光电探测器上，避免相邻像素之间的串扰;（2）由于无法利用透镜的放大效应，光电探测器阵列必须像整个采集区域一样大，如果使用CMOS成像，这将导致高成本。

第一个问题可以通过使用光纤层或光准直器来解决（见下图）。

基于光纤的传感器。手指发出的残余光通过微光学导板传送到构成CMOS或TFT背板的光电探测器阵列。

另一种方法是通过使用入射角为锐角的锥形光来照亮手指（Bae等人，2018）。

基于TFT技术的无透镜光学传感器。在Bae等人（2018）提出的方案中，LED光源放置在TFT玻璃基板下方，并被像素阵列部分遮盖。具有适当入射角的锥形光到达盖玻片表面并反射回光电探测器，像素之间没有串扰。

第二个问题可以通过用TFT传感器代替CMOS来解决。TFT工艺是目前制造大型LCD面板的成熟且廉价的技术，它通过在玻璃基板上沉积非晶硅薄膜来创建晶体管。晶体管仅覆盖每个像素区域的一小部分，薄膜的其余部分被蚀刻掉以允许光线通过。为了开发TFT光学传感器，阵列的每个像素都由光电二极管和读出晶体管组成。光电二极管可以用非晶硅（Bae等，2018）或印刷有机材料（Tordera等，2019）构建。TFT技术允许设计大面积面板（Liao等，2015）和高分辨率设备（Huang等，2015）。透明材料和柔性基板可用于将TFT光学传感器嵌入便携式设备的显示器中，或将它们包裹在曲面上。

3.1.3 电致发光

电致发光（Electro-luminescent）面板包含一种聚合物，当用适当的电压极化时，会发出取决于一侧施加的电位的光。由于脊线接触聚合物而谷线不接触，因此当手指放在其上时，整个表面的电位并不相同，发出的光量各不相同，因此可以生成指纹的发光图案（参见Integrated Biometrics公司的LES技术，2019）。发光图案可以使用传统的CMOS相机或TFT光电二极管阵列转换为数字图像。

光电指纹传感器

3.1.4 非接触光学采集

在照明条件好、对焦准确、距离合适的情况下，高分辨率相机或者手机摄像头直接对指尖拍摄的图像也可以用于指纹识别。相比接触式采集，非接触式采集的优点包括皮肤不会发生弹性变形，更卫生，传感器表面没有残留指纹。然而非接触指纹图像的对比度较低，美国NIST最近的一项技术评测N2N表明，非接触指纹的识别精度比接触式差（Libert 等人，2019）。要知道，NIST测试的都是专用的非接触指纹采集器，性能尚且不如接触指纹采集器。2019年部分媒体炒作的拍剪刀手照片会泄露指纹属于贩卖焦虑。尽管非接触指纹识别的性能较差，新冠疫情以来，这个方向还是引起了学术界和工业界更多的关注。在许多用户共用同一台采集设备的场景（例如，出入境身份核验、企业考勤），非接触采集是非常有吸引力的。

除了提高非接触指纹本身的识别精度，提高与接触式指纹的交叉匹配精度，对于非接触指纹的推广应用也非常重要。在实际应用中，注册和识别阶段采用不同的指纹采集器是很常见的。例如，身份证指纹识别领域的指纹采集器厂商众多，确保指纹识别算法能兼容不同采集器是很重要的问题。非接触采集作为新兴技术，与成熟的接触式采集兼容，是必须解决的问题。这个问题的困难在于不同采集模态图像的巨大差异（见下图的对比），例如非接触采集特有的透视变形、脊线对比度低、对焦问题，接触式采集特有的皮肤弹性变形、皮肤干湿。

非接触指纹与接触式指纹的交叉匹配需要解决模态差异问题（Grosz等人，2022）

3.1.5 三维指纹采集

手指本身是三维物体，三维指纹是指纹最原本的形态（见下图）。三维指纹相比二维指纹的优势包括：（1）避免皮肤变形；（2）无需滚动手指，即可一次采集完整的指纹；（3）三维信息具有额外的辨识力。

结构光技术得到的3D指纹

研究者提出了多种三维指纹采集技术（见下图），包括轮廓法（Parziale等，2006）、多视图（Liu和Zhang，2014）、阴影法（Kumar和Kwong，2015；Kumar，2018）、调焦法（Abramovich等，2013）、结构光（Wang等，2010）、激光雷达（Galbally等，2017）等。但是由于体积庞大、成本高、识别性能的优势不明显，这些三维指纹采集技术目前还没有取得大规模的应用。

几种3D指纹采集技术

Cui等人（2023）提出了由一幅非接触指纹图像重建三维指纹的技术，仅仅需要普通的相机即可采集三维指纹，显著降低了硬件成本。不同于之前过于依赖硬件的三维采集方案，该方案借助机器学习技术从大量样本学习手指三维形状先验以及二维非接触图像包含的三维信息。实验表明，该技术重建的三维指纹与庞大且昂贵的结构光三维成像设备的重建结果非常接近。

Cui等人（2023）提出由一幅非接触指纹图像重建三维指纹

三维指纹的识别可以由专用的识别算法完成，但是更现实的方案是通过三维指纹展开技术（Chen等，2006），得到类似滚动指纹的二维图像，然后利用成熟的二维指纹识别算法。这既借力了优化多年的传统指纹识别算法，又解决了与主流指纹采集技术、已有指纹库的兼容性问题，一举多得。

3.1.6 光学相干断层扫描（Optical Coherence Tomography，OCT）

光学相干断层扫描使用低相干光来捕获生物组织的深层图像，目前主要应用在医疗领域（观察皮肤、眼睛、血管等）。近年来研究者开始使用OCT设备获取指纹断层图像（见下图）。

OCT指纹体数据（Ding等人，2021）。不知为何，看OCT指纹断层图像，有一种自己手指皮肤被撕下的痛感。

OCT成像的主要优点是可以检测到真皮层。由于真皮层和表皮层的指纹图案原本一致，当手指表面皮肤受损时，真皮层图案可以提供更可靠的信息（见下图的对比）。此外，皮下的汗腺等特征可用于识别伪指纹。然而，目前的OCT设备仍然笨重、成像速度慢、价格昂贵，离商用还有距离。

Ding等人（2021）从OCT体数据提取到的表皮层指纹（上）和真皮层指纹（下）

3.2 电容传感器

尽管自 1980 年代以来，研究者提出了多种电容指纹传感器方案（Edwards，1984；Tsikos，1982），直到1990年代中期，它们才商业化可行（Xia和O’Gorman， 2003）。电容传感器是嵌入面板的微型电容阵列（见下图），每个微电容的另一测是手指皮肤本身。在当手指按在芯片上时，手指和每个电容之间形成了电荷。这些电荷的大小取决于指纹和电容之间的距离（Tartagni & Guerrieri，1998）。因此，指纹脊和谷导致板上的电容值不同。为了准确测量电容，研究者开放出各种方法以获得足够的灵敏度区分脊和谷。

电容指纹传感器原理图

在第一代电容指纹传感器中，微电容阵列是嵌入在CMOS技术制造的硅片中（Inglis等，1998；Lee等，1999；Morimura等，2000）。按照这样的方案，为了控制成本，指纹传感器的面积普遍较小。2013年，苹果iPhone 5S手机在home键集成了电容指纹传感器，引领了手机指纹识别的潮流。此后，其他手机纷纷集成了电容传感器，指纹解锁成为许多智能手机的标配。

由于大部分手机的电容指纹传感器面积很小，为了提高用户体验（在错误接受率不变的情况下，提高正确接受率），指纹识别系统靠模板更新技术来提高正确接受率。由于用户解锁手机的频率很高，模板更新也有条件进行。而其他指纹识别应用中（例如出入境、身份证），用户使用指纹识别的频率很低，模板更新的意义较小，机会也不多。频繁识别是手机指纹识别特有的。模板更新不是指纹特有的，其他生物特征识别也用更新技术提高性能（Rattani等，2009；Pisani等，2019）。

模板更新技术曾经出过一次bug。有人发现自己手机指纹传感器破裂后，其他人的指纹也能解锁他的手机了。有技术人员做了进一步发挥，发现橘子皮也能破解手机指纹识别。原因是，如果传感器表面不干净（存在传感器破裂、指纹贴等造成的背景纹理），当背景纹理+本人指纹通过验证后，会被注册为模板。如果背景纹理的特征占比较大，之后其他手指、橘子皮、任何东西按传感器，传感器读入的是任何东西的图案+背景纹理，验证就很可能通过了。这个bug后来基本被解决了。专门有个方向poisoning attack（Biggio等，2013）研究利用模板更新问题破解识别系统。

更新一代的电容传感器是基于TFT工艺将传感器阵列嵌入在玻璃基板上（Hashido等，2003；Hwang等，2017；Jeon等，2019；Seo等，2018；Young等，1997）。TFT工艺在制作大面积传感器时有成本优势，而且可以和显示结合起来（Jeon等，2016）。TFT电容传感器的设计比光学TFT更简单，因为后者需要提供照明并引导反射的光子束汇聚在像素上。然而，电容技术的缺点是隔着较厚的玻璃难以获取高质量的指纹图像。

为了降低CMOS电容传感器的成本，研究者还发明了很窄的滑动指纹传感器。当用户将手指竖直滑过传感器时，传感器得到一系列小图像，内置的指纹拼接算法由此重建出完整的指纹。这种传感器曾经在笔记本电脑的应用较多。

小面积的滑动指纹传感器通过图像拼接算法采集大面积指纹

3.3 超声波传感器

超声波传感是基于发送声学指向指尖的信号，并捕获回波信号（见下图），从回声信号计算指纹的脊线结构。超声波传感器的两个主要组件是发送器和接收器。前者产生声脉冲，后者检测这些脉冲从指纹反弹时的响应（Schneider和Wobschall，1991）。该方法是对手指较深层次的皮肤进行成像（甚至能透过薄手套），因此对脏手指、潮湿手指的成像比较好。

超声波指纹传感器原理图

John K. Schneider在读博士期间研究超声波指纹成像，毕业后创立了Ultra-Scan公司，要把超声波指纹采集器做成产品。早期的超声波采集器体积庞大，带有机械部件且相当昂贵（数百美元）。此外，由于需要进行机械扫描，采集过程较慢。Ultra-Scan公司把产品主要定位在警用和军用。2013年，Ultra-Scan被手机芯片巨头高通公司收购。随后，高通公司研发出针对手机的超声波指纹传感器，还推出了可以采集双指的大面积超声波指纹传感器（面积为20*30平方毫米）。相比手机屏下光学指纹传感器，超声波方案不需要打光（晚上刷手机的人应该对屏下光学指纹传感器的强光很熟悉），对湿手指成像好，在全面屏手机中占据了相当的份额。

高通的大面积超声波指纹传感器

3.4 热敏传感器

热传感器由热释电材料制成，可根据温度产生电流差异（Mainguet等，1999年；Han和Koshimoto，2008；Miki和Tsuchitani，2017）。指纹脊与传感器表面接触，而谷与传感器表面有一定距离，因而产生的温差不同。传感器通过电加热保持在高温，以增加传感器表面和手指之间的温差。当手指接触时，温差会产生一个图像，但这个图像很快就会产生消失。原因是很快达到了热平衡，像素温度稳定下来了。有两种方法可以克服这个问题：

• 通过手指滑动获取指纹图像（如2.4节所述），让脊的接触点一直变化。
• 主动热传感技术通过探测器阵列提供用户无法察觉的热脉冲（参见Next Biometrics公司的LTPS技术）。

相比电容技术，热传感技术对静电不敏感，而且可以接受较厚的保护涂层（因为热容易通过涂层传播）。但是，热传感器通常更耗能而且采集速度较慢。

3.5 压力传感器

压力传感器可在受力情况下产生电信号。早期的压力传感器基于压电材料。传感器表面由非导电介电材料制成，在受到手指压力时会产生电荷（这种效应称为压电效应）。产生的电流大小取决于手指在传感器表面上施加的压力。由于脊和谷与传感器表面的距离不同，它们导致不同的电流量。可惜这些材料在检测脊和谷的细微差异上不够灵敏；此外，保护涂层也导致生成的图像模糊。研究者提出了许多其他设计方案（见Mainguet网页）以提高灵敏度并降低成本。目前基于压力的指纹传感器市占率较低。

4、指纹图像质量

面对种类繁多的指纹传感器，如何评价和选择？对于某种特定的指纹传感器，如何优化其参数？最重要的标准是传感器的图像质量。下面首先简介指纹图像的主要参数；然后分析造成指纹图像质量低的主观和客观原因；进而讨论如何自动评价指纹图像的质量；最后介绍提高指纹图像质量的方法。

4.1 指纹图像参数

指纹图像的主要参数包括：分辨率、面积、像素数、几何精度、灰度范围、对比度、信噪比等。下图展示了不同指纹采集器从同一个手指得到的图像。

不同指纹采集器从同一个手指得到的图像

4.2 低质量指纹图像

许多主观和客观因素可能导致指纹图像质量差，进而导致识别率低。指纹质量差表现为四个方面：

• 信噪比低：许多因素可能导致信噪比低，例如，手指皮肤过于干燥或潮湿，手指按压力度过轻或过重，手指采集中的搓动造成模糊，手指皮肤长期磨损，手指伤痕，现场指纹常见的背景图案，传感器采集表面的污垢，传感器噪声。
• 指纹面积小：传感器小、手指与传感器接触面小。
• 皮肤变形大：手指按压后，施加了较大的剪切力、扭力。
• 姿态或部位不合适：手指按压的角度太偏（滚动角和俯仰角太大），按压部位不是指腹（比如指节）。

各种类型的低质量指纹图像

4.3 指纹图像质量评价

评价指纹质量的维度很多，要用一个数字全面且客观地衡量指纹图像的质量，是很困难的。但是，对于指纹图像给出一个质量分数很有用。例如，方便指纹采集中的质量控制，根据具体图像的质量调用适合的指纹算法等。

Grother和Tabassi（2007）认为指纹的质量应该是对其匹配性能的定量预测。如果一个输入指纹的库指纹可以在非常大的数据库中被排在第一名，可以认为这个输入指纹的质量是很高的。为了在仅有输入指纹的情况下，估计其质量，需要在离线阶段训练一个模型，从单幅图像提取特征并映射为质量分数。这方面最有影响力的技术是NFIQ（Tabassi等人，2004，2021）。

4.4 改善指纹图像质量

改善指纹图像质量最简单有效的方法是让用户再次采集。如果指纹采集系统能给出智能的提示，指导用户调整手指的干湿程度，控制好按指纹的角度和力度，用户再次采集的指纹质量往往会提升。此外，从算法层面改善指纹图像质量的方法有：利用指纹增强提高信噪比（Hong等人，1998），通过图像拼接增大指纹面积（Cui等人，2021），利用变形自校正尽量减小剪切力、扭力造成的指纹皮肤变形（Si等人，2015）。

4.4.1 指纹增强

许多指纹传感器会使用基本的图像增强算法（比如线性拉伸对比度）改善图像质量，传感器直接输出的就是增强后的图像。基本图像增强算法的增强效果很有限，难以去除强噪声。充分利用指纹特性的图像增强算法（如Gabor滤波）具有强大的噪声抑制能力，但也会改变破坏三级特征（如汗孔、不成熟脊线）。强的增强算法可以用于指纹识别算法，而不能取代传感器的原始图像作为输出。

Hong等人（1998）提出的Gabor滤波指纹增强方法能显著提高信噪比，但也会破坏汗孔等三级特征。左为原图，右为增强图。

4.4.2 指纹拼接

指纹拼接技术能将不同角度、不同部位的多幅指纹图像融合为一幅面积更大、脊线更清楚的指纹，提高指纹图像的有效面积和信噪比。指纹拼接的主要挑战是皮肤弹性变形、重叠太小以及噪声。传统的指纹拼接方法先找到两幅指纹之间的匹配细节点，然后拟合指纹之间的变形场。但是，当变形很大或匹配细节点有错时，拟合的变形场是不精确的，无法对准两个指纹的脊线，会导致拼接处不连续，反而带来副作用。

Cui等人（2021）提出的指纹稠密配准技术能计算出两幅指纹图像之间像素级的变形场。作者利用稠密配准技术将各种角度的平面指纹拼接为一幅完整指纹。相比传统的滚动指纹，完整指纹的面积更大，细节点更多，尤其是滚动指纹通常缺少的指尖区域，完整指纹也可以覆盖到。许多犯罪现场指纹就是来自指尖。如果警方采集这样的完整指纹，对于提高犯罪现场指纹的识别率是很有帮助的。

稠密配准技术将一系列平面指纹拼接为完整指纹（Cui等人，2021）。

手机的指纹传感器面积很小，为了提高用户体验，保证用户用不同角度按也可以通过，用户在注册阶段要采集许多次指纹作为模板。Cui等人（2021）利用稠密配准技术将许多小指纹图像拼接为面积更大的指纹模板，这样仅用一幅指纹就可以达到更高的识别率。

稠密配准技术将一系列小指纹图像拼接为更大面积的指纹（Cui等人，2021）。

4.4.3 指纹扭曲自校正

对于扭曲指纹，传统的做法是修改指纹匹配算法以容忍扭曲。但这种做法的缺点是会造成不同的指纹也变得比较像，提高了认假率；此外因为容忍的扭曲大，匹配速度也会变慢。

除了匹配环节，还可以在指纹采集环节对扭曲进行处理。相比匹配环节，在采集环节处理扭曲的优点是，不影响大库识别的效率。但是在没有参考指纹的情况下，仅仅从一幅指纹图像估计它的变形场，是很困难的。Si等人（2015）提出的扭曲自校正技术，从输入的指纹图像估计剪切力和扭力带来的扭曲，将扭曲去掉，得到正常指纹。对于校正后的指纹，现有的指纹识别技术进行识别是毫无困难的。

扭曲自校正技术将输入指纹中剪切力和扭力造成的扭曲去掉，得到正常指纹（Si等人，2015）。

5、总结

指纹识别技术在众多领域的普及离不开指纹传感技术的创新和进步。相比其他生物特征识别技术，指纹的传感器种类众多、数量庞大。2006年，曾经有科技媒体把AuthenTec指纹传感器累计出货一千万颗选为生物特征识别领域的十大新闻之一。到了移动互联网时代，指纹传感器出货量已经翻了几番了，指纹传感器大厂的市值一度突破千亿元。一个芯片厂的主管曾经说，指纹传感器消耗的硅片一度比CPU消耗的还多。

从技术的角度预测指纹传感器的发展是很难的，从用户需求的角度来预测也许更可靠。未来的指纹传感技术应该会朝着更轻薄、更柔顺、更耐用、更高信噪比、更快、更节能、更智能、更廉价的方向演化。

参考文献

1. Abramovich G, Harding K G, Hu Q, et al. (2013). Method and system for contactless fingerprint detection and verification: U.S. Patent 8,406,487.
2. Bae, S., Ling, Y., Lin, W., & Zhu, H. (2018). Optical fingerprint sensor based on a-Si:H TFT technology. Proceedings of SID Symposium Digest of Technical Papers, 49(1), 1017–1020.
3. Biggio, B., Didaci, L., Fumera, G., & Roli, F. (2013). Poisoning attacks to compromise face templates. In 2013 international conference on biometrics (ICB) (pp. 1-7).
4. Calmel, M. (2000). Fingerprint sensor device, US Patent 6128399.
5. Chen, Y., Parziale, G., Diaz-Santana, E., & Jain, A. K. (2006). 3D touchless fingerprints: Compatibility with legacy rolled images. In Proceddings of Biometric Symposium.
6. Cui, Z., Feng, J., & Zhou, J. (2021). Dense registration and mosaicking of fingerprints by training an end-to-end network. IEEE Transactions on Information Forensics and Security, 16, 627-642.
7. Cui, Z., Feng, J., & Zhou, J. (2023). Monocular 3D Fingerprint Reconstruction and Unwarping. IEEE transactions on pattern analysis and machine intelligence.
8. Ding, B., Wang, H., Chen, P., Zhang, Y., Guo, Z., Feng, J., & Liang, R. (2021). Surface and internal fingerprint reconstruction from optical coherence tomography through convolutional neural network. IEEE Transactions on Information Forensics and Security, 16, 685-700.
9. Fujieda, I., Ono, Y., & Sugama, S. (1995). Fingerprint image input device having an image sensor with openings, US Patent 5446290.
10. Galbally, J., Bostrom, G., & Beslay, L. (2017). Full 3D touchless fingerprint recognition: Sensor, database and baseline performance. In Proceedings of International Joint Conference on Biometrics (IJCB) (pp. 225–233).
11. Grosz, S. A., Engelsma, J. J., Liu, E., & Jain, A. K. (2022). C2cl: Contact to contactless fingerprint matching. IEEE Transactions on Information Forensics and Security, 17, 196-210.
12. Grother, P., & Tabassi, E. (2007). Performance of biometric quality measures. IEEE transactions on pattern analysis and machine intelligence, 29(4), 531-543.
13. Han, H., & Koshimoto, Y. (2008). Characteristics of thermal-type fingerprint sensor. In Proceedings of SPIE Conference on Biometric Technology for Human Identification V.
14. Hase, M., & Shimisu, A. (1984). Entry method of fingerprint image using a prism. Transactions of the Institute of Electronic and Communication Engineers of Japan, J67–D, 627–628.
15. Hashido, R., Suzuki, A., Iwata, A., Okamoto, T., Satoh, Y., & Inoue, M. (2003). A capacitive fingerprint sensor chip using low-temperature poly-Si TFTs on a glass substrate and a novel and unique sensing method. IEEE Journal of Solid-State Circuits, 38(2), 274–280.
16. Huang, S., Huang, Y., Yeh, C., Sugiura, N., You, J., & Peng, C. (2015). Design and modeling of 1000ppi fingerprint sensor. In Proceedings of IEEE Sensors Conference.
17. Hwang, H., Lee, H., Jang, B., Kim, H., Lee, T., & Chae, Y. (2017). A 500-dpi transparent on-glass capacitive fingerprint sensor. In Proceedings of SID Symposium Digest of Technical Papers.
18. Inglis, C., Manchanda, L., Comizzoll, R., Dickinson, A.,Martin, E., Mandis, S., Silveman, P.,Weber, G., Ackland, B., & O’Gorman, L. (1998). A robust, 1.8 V, 250 mW, direct contact 500 dpi fingerprint sensor. In Proceedings of IEEE Solid-State Circuits Conference.
19. Integrated Biometrics. (2019). LES film technology. https://integratedbiometrics.com/wp-content/uploads/2020/03/LES-Film-Technology-Whitepaper.pdf.
20. Jain, A. K., Nandakumar, K., & Ross, A. (2016). 50 years of biometric research: Accomplishments, challenges, and opportunities. Pattern recognition letters, 79, 80-105.
21. Jean-François Mainguet’s website. https://biometrics.mainguet.org/types/fingerprint/fingerprint.htm
22. Jeon, Y. E., Lee, Y. J., Jang, M. K., Seo, B. M., Kang, I. H., Hong, M. T., Lee, J. M., Jacques, E., Mohammed-Brahim, T., & Bae, B. S. (2016). Capacitive sensor array for fingerprint recognition. In Proceedings of International Conference on Sensing Technology (ICST) (pp. 1–4).
23. Jeon, G., Lee, S., Lee, S. H., Shim, J., Ra, J., Park, K.W., Yeom, H., Nam, Y., Kwon, O.,&Park, S. K. (2019).Highly sensitive active-matrix driven self-capacitive fingerprint sensor based on oxide thin film transistor. Scientific Reports, 9(1), 3216.
24. Kumar, A. (2018). Contactless 3D fingerprint identification. Springer.
25. Kumar, A., & Kwong, C. (2015). Towards contactless, low-cost and accurate 3D fingerprint identification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37(3), 681–696.
26. Lee, H. C., & Gaensslen, R. E. (2012). Advances in fingerprint technology (3rd ed.). CRC Press.
27. Lee, J. W., Min, D. J., Kim, J., & Kim, W. (1999). A 600 dpi capacitive fingerprint sensor chip and image synthesis technique. IEEE Journal of Solid-State Circuits, 34(4), 469–475.
28. Liao, Y., Chang, C., Lin, C., You, J., Hsieh, H., Chen, J., Cho, A., Liu, Y., Lai, Y., Tseng, J., Chiang, M., & Lin, Y. (2015). Flat panel fingerprint optical sensor using TFT technology. In Proceedings of IEEE Sensors Conference.
29. Libert, J., Grantham, J., Bandini, B., Ko, K., Orandi, S., & Watson, C. (2019). Interoperability assessment 2019: Contactless-to-contact fingerprint capture. NIST-IR 8307.
30. Liu, F., & Zhang, D. (2014). 3D fingerprint reconstruction system using feature correspondences and prior estimated finger model. Pattern Recognition, 47(1), 178-193.
31. Mainguet, J. G., Pegulu, M., & Harris, J. B. (1999). Fingerchip: Thermal imaging and finger sweeping in a silicon fingerprint sensor. In Proceedings of Workshop on Automatic Identification Advances Technologies (pp. 91–94).
32. Maltoni, D., Maio, D., Jain, A. K., & Feng, J. (2022). Fingerprint sensing. Handbook of Fingerprint Recognition, 3rd Edition. 63-114, Springer.
33. Miki, H., & Tsuchitani, S. (2017). Structural design points in arrayed micro thermal sensors (III) ~ polymer-based approach. International Journal of Engineering and Technical Research, 7(3), 24–32.
34. Morimura, H., Shigematsu, S., & Machida, K. (2000). A novel sensor cell architecture and sensing circuit scheme for capacitive fingerprint sensors. IEEE Journal of Solid-State Circuits, 37(10), 1300–1306.
35. Parziale, G., Diaz-Santana, E., & Hauke, R. (2006). The surround ImagerTM: A multi-camera touchless device to acquire 3D rolled-equivalent fingerprints. In Proceedings of International Conference on Biometrics. pp. 244–250.
36. Pisani, P. H., Mhenni, A., Giot, R., Cherrier, E., Poh, N., … & Amara, N. E. B. (2019). Adaptive biometric systems: Review and perspectives. ACM Computing Surveys (CSUR), 52(5), 1-38.
37. Rattani, A., Freni, B., Marcialis, G. L., & Roli, F. (2009). Template update methods in adaptive biometric systems: A critical review. In International Conference on Biometrics (pp. 847-856). Springer, Berlin, Heidelberg.
38. Schneider, J., & Wobschall, D. (1991). Live scan fingerprint imagery using high resolution C–SCAN ultrasonography. In Proceedings of International Carnahan Conference on Security Technology (25th ed., pp. 88–95).
39. Seo, W., Pi, J., Cho, S. H., Kang, S., Ahn, S., Hwang, C., Jeon, H., Kim, J. & Lee, M. (2018). Transparent fingerprint sensor system for large flat panel display. Sensors, 18(1).
40. Si, X., Feng, J., Zhou, J., & Luo, Y. (2015). Detection and rectification of distorted fingerprints. IEEE transactions on pattern analysis and machine intelligence, 37(3), 555-568.
41. Tabassi, E., Wilson, C., & Watson, C. (2004). Fingerprint Image Quality. NIST-IR 7151.
42. Tabassi, E., Olsen, M., …, & Schwaiger, M. (2021). NFIQ 2.0—NIST Fingerprint Image Quality. NIST-IR 8382.
43. Tartagni, M., & Guerrieri, R. (1998). A fingerprint sensor based on the feedback capacitive sensing scheme. IEEE Journal of Solid-State Circuits, 33(1), 133–142.
44. Tordera, D., Peeters, B., Akkerman, H. B., van Breemen, A. J. J. M., Maas, J., Shanmugam, S., Kronemeijer, A. J., & Gelinck, G. H. (2019). A high resolution thin film fingerprint sensor using a printed organic photodetector. Advanced Material Technologies, 4(11).
45. Xia, X., & O’Gorman, L. (2003). Innovations in fingerprint capture devices. Pattern Recognition, 36(2), 361-369.
46. Young, N. D., Harkin, G., Bunn, R. M., McCulloch, D. J., Wilks, R. W., & Knapp, A. G. (1997). Novel fingerprint scanning arrays using polysilicon TFT’s on glass and polymer substrates. IEEE Electron Device Letters, 18(1), 19–20.
47. Wang, Y., Hassebrook, L. G., & Lau, D. L. (2010). Data acquisition and processing of 3-D fingerprints. IEEE Transactions on Information Forensics and Security, 5(4), 750–760.
48. Zhou G, Qiao Y, & Mok F. (1998). Fingerprint sensing system using a sheet prism: U.S. Patent 5,796,858.