Žíly prstu jsou pro biometrické systémy atraktivní z jednoho prostého důvodu: jsou skryté pod kůží, nelze je okopírovat otiskem ani fotografií a u každého člověka jsou jedinečné. Moderní systémy pro jejich rozpoznávání dosahují vynikající přesnosti — ale za cenu specializovaného tréninku pro každou novou databázi nebo snímací zařízení. Přidáte-li nového uživatele nebo vyměníte skener, musíte celý model přetrénovat.
Tato práce, která vznikla primárně v oblasti výzkumu Štěpána Rydla (FIT VUT Brno), se ptá jinak: co když vezmeme neuronové sítě původně vyvinuté pro porovnávání libovolných fotografií a ověříme, zda umí rozlišit žíly prstu — beze změny jediného parametru?
Metoda
Systém porovnává dvojici snímků takto: předtrénovaná síť nalezne korespondující body v obou snímcích, ty se filtrují pomocí geometrické konzistence (homografická verifikace) a výsledné skóre podobnosti rozhodne, zda jde o stejnou osobu. Klíčovým krokem je maskování oblasti prstu, které odstraní artefakty snímacího zařízení. Z pěti testovaných architektur (SuperGlue, GlueStick, ASpanFormer, LoFTR, SGM-Net) vynikly zejména LoFTR a ASpanFormer — oba pracují na bázi transformerů bez explicitní detekce klíčových bodů.
Výsledky
Experimenty proběhly na třech veřejných databázích — SDUMLA-FV (636 prstů), MMCBNU (600 prstů) a FV-USM (492 prstů) — s totožným nastavením napříč všemi datasety bez jakékoli optimalizace.
Ve verifikačním scénáři (1:1) dosáhl LoFTR s předtrénovaným outdoor modelem na datasetu FV-USM přesnosti 99,83 % a EER 0,20 %. ASpanFormer dosáhl na stejném datasetu přesnosti 99,75 % a EER 0,28 %. Tyto výsledky jsou srovnatelné se specializovanými modely trénovanými přímo na biometrická data.
V identifikačním scénáři s otevřenou sadou (1:N), kde musí systém zároveň odmítnout nezaregistrované osoby, dosáhl nejlepšího výsledku dataset MMCBNU s chybovostí 4,73 %.
Proč je to důležité
Systém nevyžaduje biometrická tréninková data, funguje nezávisle na typu snímacího zařízení a nové osoby lze přidat za provozu bez přetrénování modelu — což řeší klíčovou limitaci současných přístupů pro reálné nasazení s využitím lokálních příznaků v obraze.
Štěpán Rydlo, Filip Orság, Tomáš Goldmann, Dušan Kolář Finger Vein Identification Using Pretrained Feature Matching Networks IEEE Access, vol. 14, 2026 — Open Access DOI: 10.1109/ACCESS.2026.3662722 Podpořeno FIT VUT Brno, grant FIT-S-23-8151.
