一對無需退化識別識別表現的方法，可以保護靜脈生物識別模板免受盜竊或洩漏的漏洞的影響，這是一對研究人員從IDIAP研究所。
Sebastien Marcel and Hatesh Otroshi researched the application of deep neural networks for biometric template protection with funding from the TReSPAsS-ETN (for training in secure and privacy-preserving biometrics, early training networks) project of the EU Marie Sklodowska-Curie ITN-European Industrial Doctorate (EID) program.
'深層自動編碼和生物損壞，以識別安全的手指靜脈``由2021年IEEE國際聲學，言語和信號處理的會議記錄發表，而更廣泛的聲音”通過生物損壞和深層神經網絡保護和增強血管生物識別識別方法'發表在《 IEEE生物識別技術，行為和身份科學》雜誌上。
該方法涉及通過生化深層生物特徵來保護靜脈模板。研究人員通過“具有多項損失函數的捲積自動編碼器神經網絡捕獲了深層特徵”。用深神經網絡降低了特徵的尺寸，然後用自動編碼器在嵌入層中提取特徵。
Otroshi和Marcel認為，他們在生物銷售之前使用深層自動編碼器降低靜脈圖像的尺寸的提議在該領域是新穎的。
前者提出了一個用於特徵提取功能的自動編碼器（AE），並將匹配性能與在正常情況和情況下的結果模板進行比較，在這種情況下，用戶的私鑰（無論實踐中多麼不可能）針對寬線探測器（WLD）（WLD）（WLD），重複線跟踪（RLT）（RLT）（RLT）和最大曲率（MC）特徵Algorith Algorith bio bio bio bio bio temaks bio bio temave bio bio bio temave bio bio temains bio bio bio temains bio temains temains temage after-Line detector（WLD）洩漏。第二篇論文僅測試上述每種提取算法，結合生物損壞，這兩種方法與主成分分析（PCA）和AE提取算法分別結合使用。
在正常情況和被盜的情況下，研究人員的模擬中，合併的AE-Plus-Biohash方法在研究人員的模擬中取得了較高的結果。
儘管該研究主要集中在手指靜脈生物識別上，但對棕櫚和腕靜脈生物識別技術的測試顯示出類似的有希望的結果。
去年的市場報告預測靜脈生物識別的收入每年達到10億美元到2029年。
