Flash–Non-Flash Fingerphoto (FNF) Database

FNF数据库是由印度海得拉巴国际信息技术学院构建的成对闪光-无闪光接触式指纹数据集，包含79名受试者在两个会话中采集的3,140张有效指纹图像。数据通过定制化智能手机应用以0.45固定缩放比获取，每受试者每会话提供20次采样，重点解决接触式指纹识别中因光照变化导致的脊线清晰度退化问题。该数据集通过频域减法和双模态融合技术增强脊线特征，适用于跨域指纹匹配、生物特征安全等研究领域，为开发光照鲁棒的指纹识别系统提供基准资源。The FNF database is a paired flash-no-flash contact-based fingerprint dataset constructed by the International Institute of Information Technology, Hyderabad, India. It contains 3,140 valid fingerprint images collected from 79 subjects across two sessions. The data was acquired using a customized smartphone application with a fixed scaling ratio of 0.45, with 20 samples collected per subject per session. This dataset primarily addresses the degradation of ridge clarity caused by illumination variations in contact-based fingerprint recognition. It enhances ridge features via frequency domain subtraction and bimodal fusion techniques, and is applicable to research fields including cross-domain fingerprint matching and biometric security, serving as a benchmark resource for developing illumination-robust fingerprint recognition systems.

原始信息汇总

Flash-Non-Flash-Fingerphoto-Database (FNF) 数据集概述

数据集简介

Flash–Non-Flash Fingerphoto (FNF) 数据库是一个两阶段的非接触式指纹数据集，包含成对的闪光与非闪光手指照片图像。该数据集在IRB批准下，使用受控的基于智能手机的采集设置收集，包含经过处理的、保护隐私的图像（无个人标识符），专为算法开发、评估和分析而设计。

数据集结构

数据集目录结构如下：

FNFDatabase/ └── Session1/ ├── Flash/ └── Non-Flash/ └── Session2/ ├── Flash/ └── Non-Flash/

每个会话包含在受控条件下捕获的成对闪光和非闪光手指照片图像。

访问与许可协议

访问 FNF 数据库需要完成许可协议。

申请访问步骤

1. 下载并填写提供的 FNF_License_Agreement.pdf。
2. 确保许可协议由授权的机构代表签署（学生也必须获得其导师的签名）。
3. 将签署的许可协议通过电子邮件发送到下方联系地址。
4. 填写完成后，将提供一个有效期为48小时的安全下载链接。

该数据集仅授权用于非商业学术用途，不得重新分发、修改后分享，或用于身份识别、法证或监控目的。

联系信息

如需申请数据集访问或有任何疑问，请联系：[e-mail]

引用要求

在任何出版物（论文、学位论文、报告、海报或演示文稿）中使用 FNF 数据库时，必须引用： bibtex @unpublished{Sahoo2025Fusion2Print, author = {Sahoo, Roja and Namboodiri, Anoop}, title = {Fusion2Print: Deep Flash--Non-Flash Fusion for Contactless Fingerprint Matching}, note = {Manuscript under review}, year = {2025}, institution = {IIIT Hyderabad} }

（论文发表后将提供完整引用。） 请将任何由此产生的出版物的副本通过电子邮件发送给数据集作者。

参考文献

Taylor, M., Hicklin, R. A., Kiebuzinski, G. Best Practices in the Collection and Use of Biometric and Forensic Datasets. NIST Interagency/Internal Report 8361, National Institute of Standards and Technology, 2021. DOI: 10.6028/NIST.IR.8361 PDF: https://nvlpubs.nist.gov/nistpubs/ir/2021/NIST.IR.8361.pdf

源代码与论文

源代码可在 src 目录中找到，论文预印本位于： https://arxiv.org/abs/2601.02318

搜集汇总

数据集介绍

构建方式

在非接触式指纹识别领域，光照变化常导致图像质量下降，Flash–Non-Flash Fingerphoto (FNF) Database的构建旨在解决这一挑战。该数据集通过定制开发的智能手机应用，在宏模式与固定缩放因子下，以600毫秒的间隔连续采集每根手指的闪光与非闪光配对图像，确保最小位移。数据涵盖79位受试者在两个会话中的3,140张有效指纹图像，每受试者每会话提供20次按压，形成了系统化的多模态指纹资源。

特点

FNF数据库的核心特点在于其成对的闪光与非闪光图像模态，这为探索互补的频域信息提供了独特基础。闪光图像保留了高频脊线细节但引入低频照明噪声，而非闪光图像则噪声较低但脊线对比度不足。数据集通过手动频域减法和后续的深度学习增强，显著提升了脊线结构的清晰度与连续性。此外，该数据集支持跨域嵌入学习，能够与接触式指纹系统实现兼容，为指纹识别的鲁棒性与泛化性研究提供了关键数据支撑。

使用方法

该数据集主要用于训练和评估非接触式指纹识别框架，如Fusion2Print。研究人员可首先对配对图像进行频域对齐与分割，随后利用注意力融合网络整合双模态特征，并通过U-Net增强模块优化脊线对比度。生成的增强图像可输入深度嵌入模型（如TripletDistilNet）学习判别性表示，最终在统一嵌入空间中进行跨域验证。数据集支持与VeriFinger、DeepPrint等基线方法对比，以全面评估识别性能，包括ROC-AUC、EER等指标。

背景与挑战

背景概述

Flash–Non-Flash Fingerphoto (FNF) Database 是由印度海得拉巴国际信息技术研究所的 Roja Sahoo 和 Anoop Namboodiri 于2026年创建的专业数据集，旨在推动非接触式指纹识别领域的研究。该数据集的核心研究问题在于解决传统接触式指纹采集系统存在的卫生隐患、传感器磨损及潜在指纹残留等问题，同时应对非接触式图像中因光照变化、皮下肤色差异及镜面反射导致的脊线清晰度退化挑战。通过系统性地采集配对的闪光与非闪光指纹图像，该数据集为探索多模态融合与增强技术提供了关键数据基础，显著提升了非接触式指纹识别的准确性与跨域互操作性，对生物特征识别领域的发展产生了积极影响。

当前挑战

该数据集旨在解决非接触式指纹识别中因单一光照条件导致的脊线细节丢失或噪声干扰问题，其核心挑战在于如何有效融合闪光与非闪光图像的互补信息以提升识别精度。构建过程中的具体挑战包括：确保配对图像在时间延迟下的空间对齐精度，避免因手指微小位移导致的配准误差；设计频率域噪声抑制算法以分离并保留脊线信号；以及开发轻量级注意力融合网络，实现跨模态特征的自适应加权与噪声抑制，从而生成适用于统一嵌入空间的判别性表示。

常用场景

经典使用场景

在无接触指纹识别领域，Flash–Non-Flash Fingerphoto (FNF) Database 的经典使用场景在于为基于深度学习的多模态融合算法提供基准数据。该数据集通过同步采集闪光与非闪光配对的指部图像，构建了具有互补照明特性的样本库，使得研究人员能够系统探索光照变化下的指纹脊线增强与特征提取。此类数据支撑了端到端框架的开发，例如 Fusion2Print，其利用注意力机制融合双模态信息，显著提升了在复杂光照条件下指纹图像的脊线清晰度与识别鲁棒性。

实际应用

在实际应用中，FNF 数据库支持了智能手机等移动设备上卫生、便捷的无接触身份验证系统。通过集成定制化相机应用，该数据集启发了在自然光照条件下实时采集与增强指纹照片的技术方案，适用于公共卫生敏感场景如医疗设施、边境安检或移动支付。其衍生的融合增强框架能够嵌入现有生物识别流程，提升在户外强光或室内弱光等多变环境中的识别成功率，同时避免因物理接触导致的传感器污染或遗留痕迹。

衍生相关工作

基于 FNF 数据库，研究社区衍生了一系列经典工作，主要集中在多模态融合与跨域匹配方向。例如，Fusion2Print 框架构建了双编码器注意力融合网络与 U-Net 增强模块的级联管道，实现了从原始图像到判别性嵌入的端到端优化。后续研究在此基础上扩展了三维指纹重建、对抗攻击鲁棒性以及多设备兼容性分析。这些工作共同推动了无接触指纹识别从实验室原型向实用化系统的演进，并为大规模跨传感器基准测试奠定了基础。