CN105224849B - 一种多生物特征融合身份鉴别方法以及装置 - Google Patents

一种多生物特征融合身份鉴别方法以及装置 Download PDF

Info

Publication number
CN105224849B
CN105224849B CN201510684297.2A CN201510684297A CN105224849B CN 105224849 B CN105224849 B CN 105224849B CN 201510684297 A CN201510684297 A CN 201510684297A CN 105224849 B CN105224849 B CN 105224849B
Authority
CN
China
Prior art keywords
eigenmatrix
matrix
information
percentage
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510684297.2A
Other languages
English (en)
Other versions
CN105224849A (zh
Inventor
肖铮
郑家春
韩小平
何进君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdian Yuntong Group Co ltd
Original Assignee
Guangdian Yuntong Financial Electronic Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdian Yuntong Financial Electronic Co Ltd filed Critical Guangdian Yuntong Financial Electronic Co Ltd
Priority to CN201510684297.2A priority Critical patent/CN105224849B/zh
Publication of CN105224849A publication Critical patent/CN105224849A/zh
Priority to EP16856583.6A priority patent/EP3367279B1/en
Priority to US15/765,253 priority patent/US10346602B2/en
Priority to RU2018117505A priority patent/RU2696336C1/ru
Priority to PCT/CN2016/077661 priority patent/WO2017067136A1/zh
Priority to CL2018000982A priority patent/CL2018000982A1/es
Priority to ZA2018/02810A priority patent/ZA201802810B/en
Application granted granted Critical
Publication of CN105224849B publication Critical patent/CN105224849B/zh
Priority to HK19100314.8A priority patent/HK1257952A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例公开了一种多生物特征融合身份鉴别方法，采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率。本发明实施例方法包括：采集待识别用户至少两种生物特征身份信息；对采集到的至少两种生物特征身份信息进行特征提取，得到对应的特征信息；根据特征信息建立特征矩阵，生物特征身份信息、特征信息和特征矩阵存在一一对应关系；对所有特征矩阵分别进行归一化处理；对归一化后的所有特征矩阵进行动态加权融合，得到融合特征矩阵；根据融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；根据贝叶斯决策模型和匹配分数得到待识别用户的身份识别结果。本发明实施例还提供一种多生物特征融合身份鉴别装置。

Description

一种多生物特征融合身份鉴别方法以及装置
技术领域
本发明涉及金融自助设备领域，尤其涉及一种多生物特征融合身份鉴别方法以及装置。
背景技术
多生物特征融合鉴别技术是指利用人固有的多个生理特征融合来对个人的身份进行鉴别。与传统的身份鉴别方式相比，生物特征鉴别最大的特点就是对用户自身的特征进行鉴别。这些生物特征具有独特性，且不容易被冒充或者窃取；另外生物特征可以“随身携带”，随时使用，又不需要定期维护。因此，基于生物特征鉴别技术的个人身份鉴别系统具有更高的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入金融领域。
现有技术多是通过单一的活体指纹对储户进行身份识别，因为活体指纹具有排他性、不可伪造、终身有效性和随身携带的方便性等特点，可在取款时对取款人进行身份鉴别，及时发现伪冒者，遏止账户被盗取款的行为，保护银行与储户的合法权益。但是据统计，群体中大约有5％的人不能够采集到足够高质量的指纹信息，而且随着科技的进步，市场出现了指模等可以骗过指纹识别机器的技术。随着人们对安全的要求越来越高，对身份鉴别系统的准确性及安全性要求也日益提高，特别是在银行方面等关系到国家和社会安全的特定场所，这时单一的生物特征往往无法满足实际需求。
发明内容
本发明实施例提供了一种多生物特征融合身份鉴别方法以及装置，能够采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率。
本发明实施例提供的一种多生物特征融合身份鉴别方法，包括：
采集待识别用户至少两种生物特征身份信息；
对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
对所有所述特征矩阵分别进行归一化处理；
对归一化后的所有所述特征矩阵进行动态加权融合，得到融合特征矩阵；
根据所述融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
根据贝叶斯决策模型和所述匹配分数得到所述待识别用户的身份识别结果。
可选地，所述对所有所述特征矩阵分别进行归一化处理具体为：采用MAX-MIN方法对所有所述特征矩阵分别进行归一化处理，处理后每个所述特征矩阵的元素在[0,1]范围内。
可选地，对归一化后的所有所述特征矩阵进行动态加权融合，得到融合特征矩阵具体包括：
根据预设的权值分配标准为每个归一化后的所述特征矩阵对应分配一个初始权值，所有所述权值之和等于1；
计算所述特征矩阵对应的所述特征信息的完整率；
在保证所有所述权值之和等于1的前提下，根据所述完整率调整每个对应的所述特征矩阵的对应权值；
根据归一化后的所有所述特征矩阵和调整后的对应权值进行矩阵加权融合，得到所述融合特征矩阵。
可选地，在保证所有所述权值之和等于1的前提下，根据所述完整率调整每个对应的所述特征矩阵的对应权值具体包括：
若所述特征矩阵的完整率小于1，则根据对应的缺失率按比例减小所述特征矩阵对应的权值，所述完整率与所述缺失率之和等于1；
若存在完整率等于1的所述特征矩阵，在其它所述特征矩阵对应的权值按比例减小时，完整率等于1的特征矩阵根据其所述初始权值的所占比例增大对应的权值，保证所有所述权值之和等于1；
若所有所述特征矩阵的完整率均小于1，则将完整率超过预设阈值的所述特征矩阵确定为完整率等于1的特征矩阵；
若所有所述特征矩阵的完整率均小于或等于预设阈值，则返回所述采集待识别用户至少两种生物特征身份信息的步骤进行重新采集。
可选地，若所述身份识别结果为通过，则允许所述待识别用户使用当前登录账户进行业务办理；若所述身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向所述登录账户发出警报。
可选地，所述标准矩阵由在首次使用所述方法登录账户之前预留，预留所述标准矩阵的具体步骤包括：
采集所述账户户主的至少两种生物特征身份信息；
对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
对所有所述特征矩阵分别进行归一化处理；
对归一化后的所有所述特征矩阵进行动态加权融合，得到所述户主对应的融合特征矩阵；
将所述融合特征矩阵作为标准矩阵存储到数据库。
本发明实施例提供的一种多生物特征融合身份鉴别的装置，包括：
身份信息采集模块，用于采集待识别用户至少两种生物特征身份信息；
特征提取模块，用于对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
矩阵建立模块，用于根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化处理模块，用于对所有所述特征矩阵分别进行归一化处理；
融合矩阵模块，用于对归一化后的所有所述特征矩阵进行动态加权融合，得到融合特征矩阵；
匹配模块，用于根据所述融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
识别模块，用于根据贝叶斯决策模型和所述匹配分数得到所述待识别用户的身份识别结果。
可选地，所述融合矩阵模块具体包括：
初始权值分配单元，用于根据预设的权值分配标准为每个归一化后的所述特征矩阵对应分配一个初始权值，所有所述权值之和等于1；
完整率计算单元，用于计算所述特征矩阵对应的所述特征信息的完整率；
权值调整单元，用于在保证所有所述权值之和等于1的前提下，根据所述完整率调整每个对应的所述特征矩阵的对应权值；
加权融合单元，用于根据归一化后的所有所述特征矩阵和调整后的对应权值进行矩阵加权融合，得到所述融合特征矩阵。
可选地，所述装置还包括：
业务允许模块，用于若所述识别模块得到的身份识别结果为通过，则允许所述待识别用户使用当前登录账户进行业务办理；
警报模块，用于若所述识别模块得到的身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向所述登录账户发出警报。
可选地，所述装置还包括预留模块，用于在首次使用所述装置之前预留所述标准矩阵，其具体包括：
信息采集单元，用于采集所述账户户主的至少两种生物特征身份信息；
特征提取单元，用于对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
特征矩阵建立单元，用于根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化单元，用于对所有所述特征矩阵分别进行归一化处理；
矩阵融合单元，用于对归一化后的所有所述特征矩阵进行动态加权融合，得到所述户主对应的融合特征矩阵；
存储单元，用于将所述融合特征矩阵作为标准矩阵存储到数据库。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，首先，采集待识别用户至少两种生物特征身份信息；对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；然后，根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；接着，对所有所述特征矩阵分别进行归一化处理；对归一化后的所有所述特征矩阵进行动态加权融合，得到融合特征矩阵；根据所述融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；最后，根据贝叶斯决策模型和所述匹配分数得到所述待识别用户的身份识别结果。在本发明实施例中，采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率，并且在个别生物特征身份信息采集不完善的时候，也不会影响到识别的准确率。
附图说明
图1为本发明实施例中一种多生物特征融合身份鉴别方法一个实施例流程图；
图2为本发明实施例中一种多生物特征融合身份鉴别方法另一个实施例流程图；
图3为本发明实施例中一种多生物特征融合身份鉴别的装置一个实施例结构图；
图4为本发明实施例中一种多生物特征融合身份鉴别的装置另一个实施例结构图。
具体实施方式
本发明实施例提供了一种多生物特征融合身份鉴别方法以及装置，可以采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种多生物特征融合身份鉴别方法一个实施例包括：
101、采集待识别用户至少两种生物特征身份信息；
首先，可以采集待识别用户至少两种生物特征身份信息。
102、对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
在采集待识别用户至少两种生物特征身份信息之后，可以对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息。
103、根据该特征信息建立特征矩阵；
在对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息之后，可以根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系。
104、对所有该特征矩阵分别进行归一化处理；
在根据该特征信息建立特征矩阵之后，可以对所有该特征矩阵分别进行归一化处理。
105、对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵；
在对所有该特征矩阵分别进行归一化处理之后，可以对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵。
106、根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
在对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵之后，可以根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数。
107、根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。
在得到相应的匹配分数之后，可以根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。
本实施例中，首先，采集待识别用户至少两种生物特征身份信息；对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；然后，根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；接着，对所有该特征矩阵分别进行归一化处理；对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵；根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；最后，根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。在本实施例中，采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率，并且在个别生物特征身份信息采集不完善的时候，也不会影响到识别的准确率。
为便于理解，下面对本发明实施例中的一种多生物特征融合身份鉴别方法进行详细描述，请参阅图2，本发明实施例中一种多生物特征融合身份鉴别方法另一个实施例包括：
201、采集待识别用户至少两种生物特征身份信息；
首先，可以采集待识别用户至少两种生物特征身份信息。这些生物特征身份信息可以包括人脸、指纹、声音等，例如，可以利用人脸采集设备对用户的人脸进行图像采集，利用指纹采集设备对用户的指纹进行采集，利用声音采集设备对用户的声音进行采集；并把采集到的信息上传到信息处理设备上。
202、对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
在采集待识别用户至少两种生物特征身份信息之后，可以对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息。例如，可以对人脸图像进行灰度处理，处理完成之后提取特征信息，利用特征信息构建人脸特征矩阵；可以对指纹图像进行灰度处理，处理完成之后提取特征信息，利用特征信息构建指纹特征矩阵；可以对声音信息进行降噪处理，处理完成之后提取特征信息，利用特征信息构建声音特征矩阵。
203、根据该特征信息建立特征矩阵；
在得到对应的特征信息之后，可以根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系。可以理解的是，采集到的一种生物特征身份信息对应一个集合的特征信息，而一个集合的特征信息对应一个特征矩阵。
204、采用MAX-MIN方法对所有该特征矩阵分别进行归一化处理；
在根据该特征信息建立特征矩阵之后，可以采用MAX-MIN方法对所有该特征矩阵分别进行归一化处理，处理后每个该特征矩阵的元素在[0,1]范围内。
具体地，假设表示人脸特征矩阵为A，指纹特征矩阵为B，声纹特征矩阵为C，且矩阵有i行j列，则aij表示人脸矩阵的每一个元素，bij表示指纹矩阵的每一个元素，cij表示声纹矩阵的每一个元素；amax表示矩阵A的最大元素，amin表示矩阵A的最小元素；bmax表示矩阵B的最大元素，bmin表示矩阵B的最小元素；cmax表示矩阵C的最大元素，cmin表示矩阵C最小元素。对矩阵进行MAX-MIN归一化处理：
则归一化后的人脸特征矩阵A′由a′ij表示；归一化后的指纹特征矩阵B′由b′ij表示；归一化后的声纹特征矩阵C′由c′ij表示。
采用MAX-MIN归一化方法可以保留了特征矩阵的原始分布的特征信息，改变的仅仅是特征矩阵的值域，因此这种归一化方法单个生物特征本身没有改变；因而在矩阵融合之后不会带来特征信息本质的改变。
205、根据预设的权值分配标准为每个归一化后的该特征矩阵对应分配一个初始权值；
在归一化处理之后，可以根据预设的权值分配标准为每个归一化后的该特征矩阵对应分配一个初始权值，所有该权值之和等于1。
206、计算该特征矩阵对应的该特征信息的完整率；
在根据预设的权值分配标准为每个归一化后的该特征矩阵对应分配一个初始权值，所有该权值之和等于1之后，可以计算该特征矩阵对应的该特征信息的完整率。
207、在保证所有该权值之和等于1的前提下，根据该完整率调整每个对应的该特征矩阵的对应权值；
在计算该特征矩阵对应的该特征信息的完整率之后，可以在保证所有该权值之和等于1的前提下，根据该完整率调整每个对应的该特征矩阵的对应权值。具体步骤可以如下：
若该特征矩阵的完整率小于1，则根据对应的缺失率按比例减小该特征矩阵对应的权值，该完整率与该缺失率之和等于1；
若存在完整率等于1的该特征矩阵，在其它该特征矩阵对应的权值按比例减小时，完整率等于1的特征矩阵根据其该初始权值的所占比例增大对应的权值，保证所有该权值之和等于1；
若所有该特征矩阵的完整率均小于1，则将完整率超过预设阈值的该特征矩阵确定为完整率等于1的特征矩阵；
若所有该特征矩阵的完整率均小于或等于预设阈值，则返回该采集待识别用户至少两种生物特征身份信息的步骤进行重新采集。
208、根据归一化后的所有该特征矩阵和调整后的对应权值进行矩阵加权融合，得到该融合特征矩阵；
在根据该完整率调整每个对应的该特征矩阵的对应权值之后，可以根据归一化后的所有该特征矩阵和调整后的对应权值进行矩阵加权融合，得到该融合特征矩阵。
下面将通过一个具体应用场景对本实施例中步骤205-208进行详细的描述，本场景下假设采集人脸、指纹、声音三种生物特征身份信息，具体如下：
首先，可以根据不同场景下或者不同的技术特征识别要求下赋予α,β,λ权值；
然后，对权值进行动态调整，流程如下：
第一步：在设备上预设好α,β,λ所占的权值(根据实际情况在ATM设备上预设α,β,λ的初始权值)，使得α+β+λ＝1；
第二步：对设备采集到的信息进行完整度的判断，判断是哪一个生物特征信息采集不完整，并且根据统计学的原理计算出完该生物特征信息采集的完整率和缺失率；
第三步：根据设备采集到的特征信息完整率和缺失率，动态调整该生物特征对应权值的大小；若该项特征信息采集不完整，则按照采集到的特征信息的缺失率，动态的减少该生物特征信息在融合时所占的权值，而采集完整的生物特征信息在融合时根据原来所占权值比例，动态的增加其所占权值；
第四步：动态调整完成后，输出最终生物特征所占权值α,β,λ的大小，并且α+β+λ＝1。
若有一个生物特征信息采集存在缺失，则对应这个生物特征的权值要根据生物特征信息采集的缺失率来相应减小，其他两项采集完善的生物特征信息的权值可根据它们之间所占比例继承因生物特征信息采集有缺失而减少的权值；若是两个生物特征信息采集都存在缺失，则未缺失的生物特征信息项继承因生物特征采集缺失而减少的权值；若采集到的三个生物特征项信息都有缺失，将采集完整率大于95％的生物特征信息项设定为采集完善生物特征信息项，再对权值进行动态调整；若三个生物特征信息采集的完整率都小于95％，则直接返回生物特征信息采集步骤，对生物特征信息进行重新采集。
得到最终的α,β,λ值之后，进行如下矩阵融合：
D＝αA′+βB′+λC′；
而α表示人脸特征矩阵的权值，β表示指纹特征矩阵的权值，λ表示声音特征矩阵的权值，D表示融合后产生新的矩阵；每一个独立的特征矩阵都有一个对应的权值，以实现对独立的特征矩阵进行加权融合。
根据实验，得到一个较好的技术特征识别方案，详见表1：
表1
根据表上的分级，记低为0、记中为1、高为2；则人脸得为7、指纹为11、声音为4，可 得
上述权值分配为人脸、指纹和声音信息采集理想情况下，若有一个采集的特征信息缺失，则对应的权值就要减小，其他两项的权值按照比例增大。若是人脸采集的特征信息缺失，则减少权值部分按照表1得指纹特征矩阵继承人脸特征矩阵减少权值的声音特征矩阵继承人脸特征矩阵减少权值的以此类推，若是指纹特征信息缺失,人脸特征矩阵继承权值为声音特征矩阵继承权值为若声音特征信息缺失，人脸特征矩阵继承权值为指纹特征矩阵继承权值为若是两个特征项的信息都缺失，则未缺失的特征项继承相应的权值；若采集到的三个生物特征项信息都有缺失，则将采集完整率大于或等于95％的生物特征信息项设定为采集完善生物特征信息项，再进行权值的动态调整；若三个生物特征信息采集的完整率都小于95％，则直接返回生物特征信息信息采集步骤，对生物特征信息进行重新采集。
每个矩阵有i×j个特征信息，采集到的特征信息为X，采集的特征信息的完整率为：
特征信息缺失率为：
若是人脸特征信息缺失，权值调整为：
减少的权值为：
指纹和声音的权值调整为：
以此类推，Y为采集到的指纹特征信息，权值调整：
Z为采集到的声音特征信息，权值调整：
若是有两项特征信息采集不完整，则有以下调整方式：
或者：
或者：
采用动态权值调整的方法，可以在一个或者多个特征采集不清晰的时候，对所属的特征矩阵在加权融合时降低其权值，相应的增加特征信息采集相对清晰的所属特征矩阵的权值，这样能够很好的解决因个别生物特征采集不清晰或不完整时带来的噪音干扰的问题。
209、根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
在得到融合特征矩阵之后，可以根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数，具体匹配过程可以如下：
其中，dij是融合特征矩阵中的第i行和第j列的元素，eij是数据库中存储的相关矩阵中的第i行和第j列的元素，Sij是第i行和第j列的元素的匹配分数。
需要说明的是，根据该融合特征矩阵和预设的对应标准矩阵进行匹配的原则，生成的匹配分数集合为：
S′＝{sij|i,j＝1,2,…N}；
其中匹配分数S∈S′，i,j为矩阵中的i行和j列。
需要说明的是，其中该预设的对应标准矩阵由在首次使用该方法登录账户之前预留，预留该标准矩阵的具体步骤包括：
1、采集该账户户主的至少两种生物特征身份信息；
2、对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
3、根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
4、对所有该特征矩阵分别进行归一化处理；
5、对归一化后的所有该特征矩阵进行动态加权融合，得到该户主对应的融合特征矩阵；
6、将该融合特征矩阵作为标准矩阵存储到数据库。
从而，完成标注矩阵的预留，以便于在用户后续使用本方法时根据该融合特征矩阵和该预留的对应标准矩阵进行匹配。
210、根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果；
在得到相应的匹配分数之后，可以根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。
承接上述步骤209，下面将通过一个具体应用场景进行说明：
在鉴别与认证的模式下，身份识别可以分成两类，一为通过，二为不通过，利用H＝1表示通过，H＝0表示不通过；则已知先验概率g＝P(H＝1)，由于互斥关系P(H＝0)＝1-g，根据贝叶斯理论，后验身份概率为：
式中的S为匹配分数，将上式化简可得：
定义身份认证正确决策和错误决策的风险函数为Enm,n,m∈{0,1}，其中当n＝m时，Enm＝0，当n≠m时，Enm＝1，则贝叶斯条件风险为：
F＝F{Enm}
＝E00P(G＝0,H＝0)+E01P(G＝0,H＝1)
+E10P(G＝1,H＝0)+E11P(G＝1,H＝1)
根据最小风险贝叶斯决策规则得出，身份认证决策为：
为了简化阈值，确定本文采取0～1风险函数，其正确判断时，风险为0，错误判断时风险为1；令即认为真实身份和冒充身份认证的概率相等。此时融合决策函数为：
采用贝叶斯决策融合判断函数可以较好的对身份进行判断识别；降低判断错误率，将风险控制在金融业可接受的范围之内。
在通过鉴别与认证通过之后，用户可以选择自己的业务进行办理；若不通过，则返回信息采集并发出警报(以短信的形式通知账户的户主，有人正在试图操作他的账户)。
211、若该身份识别结果为通过，则允许该待识别用户使用当前登录账户进行业务办理；
在得到该待识别用户的身份识别结果之后，若该身份识别结果为通过，则允许该待识别用户使用当前登录账户进行业务办理。
212、若该身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向该登录账户发出警报。
在得到该待识别用户的身份识别结果之后，若该身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向该登录账户发出警报，例如可以以短信的形式通知账户的户主，告诉他有人正在试图操作他的账户。
上面主要描述了一种多生物特征融合身份鉴别方法，下面将对一种多生物特征融合身份鉴别的装置进行详细的描述，请参阅图3，本发明实施例中一种多生物特征融合身份鉴别的装置一个实施例包括：
身份信息采集模块301，用于采集待识别用户至少两种生物特征身份信息；
特征提取模块302，用于对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
矩阵建立模块303，用于根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化处理模块304，用于对所有该特征矩阵分别进行归一化处理；
融合矩阵模块305，用于对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵；
匹配模块306，用于根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
识别模块307，用于根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。
本实施例中，首先，身份信息采集模块301采集待识别用户至少两种生物特征身份信息；特征提取模块302对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；然后，矩阵建立模块303根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；归一化处理模块304对所有该特征矩阵分别进行归一化处理；接着，融合矩阵模块305对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵；匹配模块306根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；最后，识别模块307根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。在本实施例中，采用两种以上生物特征身份信息进行身份鉴别和认证，具有更高的识别准确率，并且在个别生物特征身份信息采集不完善的时候，也不会影响到识别的准确率。
为便于理解，下面对本发明实施例中的一种多生物特征融合身份鉴别的装置进行详细描述，请参阅图4，本发明实施例中一种多生物特征融合身份鉴别的装置另一个实施例包括：
身份信息采集模块401，用于采集待识别用户至少两种生物特征身份信息；
特征提取模块402，用于对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
矩阵建立模块403，用于根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化处理模块404，用于对所有该特征矩阵分别进行归一化处理；
融合矩阵模块405，用于对归一化后的所有该特征矩阵进行动态加权融合，得到融合特征矩阵；
匹配模块406，用于根据该融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
识别模块407，用于根据贝叶斯决策模型和该匹配分数得到该待识别用户的身份识别结果。
本实施例中该融合矩阵模块405具体可以包括：
初始权值分配单元4051，用于根据预设的权值分配标准为每个归一化后的该特征矩阵对应分配一个初始权值，所有该权值之和等于1；
完整率计算单元4052，用于计算该特征矩阵对应的该特征信息的完整率；
权值调整单元4053，用于在保证所有该权值之和等于1的前提下，根据该完整率调整每个对应的该特征矩阵的对应权值；
加权融合单元4054，用于根据归一化后的所有该特征矩阵和调整后的对应权值进行矩阵加权融合，得到该融合特征矩阵。
本实施例中该装置还可以包括：
业务允许模块408，用于若该识别模块407得到的身份识别结果为通过，则允许该待识别用户使用当前登录账户进行业务办理；
警报模块409，用于若该识别模块407得到的身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向该登录账户发出警报。
本实施例中该装置还可以包括预留模块410，用于在首次使用该装置之前预留该标准矩阵，其具体包括：
信息采集单元4101，用于采集该账户户主的至少两种生物特征身份信息；
特征提取单元4102，用于对采集到的该至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
特征矩阵建立单元4103，用于根据该特征信息建立特征矩阵，该生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化单元4104，用于对所有该特征矩阵分别进行归一化处理；
矩阵融合单元4105，用于对归一化后的所有该特征矩阵进行动态加权融合，得到该户主对应的融合特征矩阵；
存储单元4106，用于将该融合特征矩阵作为标准矩阵存储到数据库。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种多生物特征融合身份鉴别方法，其特征在于，包括：
采集待识别用户至少两种生物特征身份信息；
对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
对所有所述特征矩阵分别进行归一化处理；
根据预设的权值分配标准为每个归一化后的所述特征矩阵对应分配一个初始权值，所有所述权值之和等于1；
计算所述特征矩阵对应的所述特征信息的完整率；
若所述特征矩阵的完整率小于1，则根据对应的缺失率按比例减小所述特征矩阵对应的权值，所述完整率与所述缺失率之和等于1；
若存在完整率等于1的所述特征矩阵，在其它所述特征矩阵对应的权值按比例减小时，完整率等于1的特征矩阵根据其所述初始权值的所占比例增大对应的权值，保证所有所述权值之和等于1；
若所有所述特征矩阵的完整率均小于1，则将完整率超过预设阈值的所述特征矩阵确定为完整率等于1的特征矩阵；
若所有所述特征矩阵的完整率均小于或等于预设阈值，则返回所述采集待识别用户至少两种生物特征身份信息的步骤进行重新采集；
根据归一化后的所有所述特征矩阵和调整后的对应权值进行矩阵加权融合，得到融合特征矩阵；
根据所述融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
根据贝叶斯决策模型和所述匹配分数得到所述待识别用户的身份识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对所有所述特征矩阵分别进行归一化处理具体为：采用MAX-MIN方法对所有所述特征矩阵分别进行归一化处理，处理后每个所述特征矩阵的元素在[0,1]范围内。
3.根据权利要求1所述的方法，其特征在于，若所述身份识别结果为通过，则允许所述待识别用户使用当前登录账户进行业务办理；若所述身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向所述登录账户发出警报。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述标准矩阵由在首次使用所述方法登录账户之前预留，预留所述标准矩阵的具体步骤包括：
采集所述账户户主的至少两种生物特征身份信息；
对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
对所有所述特征矩阵分别进行归一化处理；
对归一化后的所有所述特征矩阵进行动态加权融合，得到所述户主对应的融合特征矩阵；
将所述融合特征矩阵作为标准矩阵存储到数据库。
5.一种多生物特征融合身份鉴别的装置，其特征在于，包括：
身份信息采集模块，用于采集待识别用户至少两种生物特征身份信息；
特征提取模块，用于对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
矩阵建立模块，用于根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化处理模块，用于对所有所述特征矩阵分别进行归一化处理；
初始权值分配单元，用于根据预设的权值分配标准为每个归一化后的所述特征矩阵对应分配一个初始权值，所有所述权值之和等于1；
完整率计算单元，用于计算所述特征矩阵对应的所述特征信息的完整率；
权值调整单元，用于若所述特征矩阵的完整率小于1，则根据对应的缺失率按比例减小所述特征矩阵对应的权值，所述完整率与所述缺失率之和等于1；
若存在完整率等于1的所述特征矩阵，在其它所述特征矩阵对应的权值按比例减小时，完整率等于1的特征矩阵根据其所述初始权值的所占比例增大对应的权值，保证所有所述权值之和等于1；
若所有所述特征矩阵的完整率均小于1，则将完整率超过预设阈值的所述特征矩阵确定为完整率等于1的特征矩阵；
若所有所述特征矩阵的完整率均小于或等于预设阈值，则返回所述采集待识别用户至少两种生物特征身份信息的步骤进行重新采集；
加权融合单元，用于根据归一化后的所有所述特征矩阵和调整后的对应权值进行矩阵加权融合，得到融合特征矩阵；
匹配模块，用于根据所述融合特征矩阵和预设的对应标准矩阵进行匹配，得到相应的匹配分数；
识别模块，用于根据贝叶斯决策模型和所述匹配分数得到所述待识别用户的身份识别结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
业务允许模块，用于若所述识别模块得到的身份识别结果为通过，则允许所述待识别用户使用当前登录账户进行业务办理；
警报模块，用于若所述识别模块得到的身份识别结果为不通过，则返回采集待识别用户至少两种生物特征身份信息的步骤，并向所述登录账户发出警报。
7.根据权利要求5至6中任一项所述的装置，其特征在于，所述装置还包括预留模块，用于在首次使用所述装置登录账户之前预留所述标准矩阵，其具体包括：
信息采集单元，用于采集所述账户户主的至少两种生物特征身份信息；
特征提取单元，用于对采集到的所述至少两种生物特征身份信息进行特征提取，得到对应的特征信息；
特征矩阵建立单元，用于根据所述特征信息建立特征矩阵，所述生物特征身份信息、特征信息和特征矩阵存在一一对应关系；
归一化单元，用于对所有所述特征矩阵分别进行归一化处理；
矩阵融合单元，用于对归一化后的所有所述特征矩阵进行动态加权融合，得到所述户主对应的融合特征矩阵；
存储单元，用于将所述融合特征矩阵作为标准矩阵存储到数据库。
CN201510684297.2A 2015-10-20 2015-10-20 一种多生物特征融合身份鉴别方法以及装置 Active CN105224849B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201510684297.2A CN105224849B (zh) 2015-10-20 2015-10-20 一种多生物特征融合身份鉴别方法以及装置
PCT/CN2016/077661 WO2017067136A1 (zh) 2015-10-20 2016-03-29 一种多生物特征融合身份鉴别方法以及装置
US15/765,253 US10346602B2 (en) 2015-10-20 2016-03-29 Method and device for authenticating identify by means of fusion of multiple biological characteristics
RU2018117505A RU2696336C1 (ru) 2015-10-20 2016-03-29 Способ и устройство для аутентификации личности посредством объединения множества биологических характеристик
EP16856583.6A EP3367279B1 (en) 2015-10-20 2016-03-29 Method and device for authenticating identify by means of fusion of multiple biological characteristics
CL2018000982A CL2018000982A1 (es) 2015-10-20 2018-04-17 Procedimiento y dispositivo para identificar autentificando mediante la fusión de múltiples características biológicas
ZA2018/02810A ZA201802810B (en) 2015-10-20 2018-04-26 Method and device for authenticating identity by means of fusion of multiple biological characteristics
HK19100314.8A HK1257952A1 (zh) 2015-10-20 2019-01-09 一種多生物特徵融合身份鑒別方法以及裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510684297.2A CN105224849B (zh) 2015-10-20 2015-10-20 一种多生物特征融合身份鉴别方法以及装置

Publications (2)

Publication Number Publication Date
CN105224849A CN105224849A (zh) 2016-01-06
CN105224849B true CN105224849B (zh) 2019-01-01

Family

ID=54993813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510684297.2A Active CN105224849B (zh) 2015-10-20 2015-10-20 一种多生物特征融合身份鉴别方法以及装置

Country Status (8)

Country Link
US (1) US10346602B2 (zh)
EP (1) EP3367279B1 (zh)
CN (1) CN105224849B (zh)
CL (1) CL2018000982A1 (zh)
HK (1) HK1257952A1 (zh)
RU (1) RU2696336C1 (zh)
WO (1) WO2017067136A1 (zh)
ZA (1) ZA201802810B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224849B (zh) * 2015-10-20 2019-01-01 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置
NO344910B1 (en) * 2016-01-12 2020-06-29 Kk88 No As Device for verifying the identity of a person
US9899038B2 (en) 2016-06-30 2018-02-20 Karen Elaine Khaleghi Electronic notebook system
US10235998B1 (en) 2018-02-28 2019-03-19 Karen Elaine Khaleghi Health monitoring system and appliance
CN108985030A (zh) * 2018-06-06 2018-12-11 普联技术有限公司 智能手表的身份识别方法、装置及存储介质
CN112385180A (zh) * 2018-07-03 2021-02-19 蒂诺克股份有限公司 基于交易时间戳将身份和易于获得的个人标识符信息进行匹配的系统和方法
CN109344722B (zh) 2018-09-04 2020-03-24 阿里巴巴集团控股有限公司 一种用户身份确定方法、装置及电子设备
CN109614880A (zh) * 2018-11-19 2019-04-12 国家电网有限公司 一种多模态生物特征融合方法及装置
CN109583387A (zh) * 2018-11-30 2019-04-05 龙马智芯（珠海横琴）科技有限公司 身份认证方法及装置
US10559307B1 (en) 2019-02-13 2020-02-11 Karen Elaine Khaleghi Impaired operator detection and interlock apparatus
CN111460880B (zh) * 2019-02-28 2024-03-05 杭州芯影科技有限公司 多模生物特征融合方法和系统
CN109994116B (zh) * 2019-03-11 2021-01-19 南京邮电大学 一种基于会议场景小样本条件下的声纹准确识别方法
CN110020617A (zh) * 2019-03-27 2019-07-16 五邑大学 一种基于生物特征的身份识别方法、装置和存储介质
CN110189138A (zh) * 2019-05-30 2019-08-30 北京昱达天丽科技发展有限公司 一种基于生物识别的认证支付系统
WO2020243689A1 (en) * 2019-05-31 2020-12-03 Veritone, Inc. Cognitive multi-factor authentication
US10735191B1 (en) 2019-07-25 2020-08-04 The Notebook, Llc Apparatus and methods for secure distributed communications and data access
CN110266738A (zh) * 2019-07-31 2019-09-20 中国工商银行股份有限公司 基于多生物特征的识别认证方法及装置
CN110913163B (zh) * 2019-11-08 2022-01-14 无锡和风系统集成有限公司 楼宇权限处理方法和装置
CN111552695A (zh) * 2020-06-04 2020-08-18 支付宝(杭州)信息技术有限公司 数据存储和查询的方法、装置以及机器可读存储介质
CN111581625A (zh) * 2020-06-12 2020-08-25 支付宝(杭州)信息技术有限公司 一种用户身份识别方法、装置及电子设备
CN112115446B (zh) * 2020-07-29 2024-02-09 航天信息股份有限公司 一种基于Skyline查询生物特征的身份认证方法及系统
CN112597850B (zh) * 2020-12-15 2022-04-19 浙江大华技术股份有限公司 一种身份识别方法及装置
CN113361197B (zh) * 2021-06-08 2022-10-25 山东大学 一种锂电池剩余使用寿命预测方法及系统
CN113449682B (zh) * 2021-07-15 2023-08-08 四川九洲电器集团有限责任公司 一种基于动态融合模型识别民航领域射频指纹的方法
CN116030098B (zh) * 2023-03-27 2023-06-13 齐鲁工业大学(山东省科学院) 一种基于方向特征驱动的焊缝目标跟踪方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法
US20130018657A1 (en) * 2005-05-27 2013-01-17 Porticus Technology, Inc. Method and System for Bio-Metric Voice Print Authentication

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5761329A (en) * 1995-12-15 1998-06-02 Chen; Tsuhan Method and apparatus employing audio and video data from an individual for authentication purposes
US7742641B2 (en) * 2004-12-06 2010-06-22 Honda Motor Co., Ltd. Confidence weighted classifier combination for multi-modal identification
US8190540B2 (en) * 2005-01-14 2012-05-29 Ultra-Scan Corporation Multimodal fusion decision logic system for determining whether to accept a specimen
US20060171571A1 (en) * 2005-02-01 2006-08-03 Chan Michael T Systems and methods for quality-based fusion of multiple biometrics for authentication
WO2006101169A1 (ja) * 2005-03-23 2006-09-28 Ihc Corp. 認証システム
BRPI0613023A2 (pt) * 2005-07-11 2010-12-14 Volvo Technology Corp mÉtodos e disposiÇço para execuÇço de verificaÇço de identidade de motorista
CN100363938C (zh) 2005-10-31 2008-01-23 浙江大学 基于得分差加权融合的多模态身份识别方法
US8219571B2 (en) * 2006-02-21 2012-07-10 Samsung Electronics Co., Ltd. Object verification apparatus and method
US7864989B2 (en) * 2006-03-31 2011-01-04 Fujifilm Corporation Method and apparatus for adaptive context-aided human classification
RU64890U1 (ru) * 2007-01-09 2007-07-27 Владимир Николаевич Бичигов Носитель биометрической информации
RU2336018C1 (ru) * 2007-01-09 2008-10-20 Владимир Николаевич Бичигов Носитель биометрической информации
US8131039B2 (en) * 2007-09-26 2012-03-06 Siemens Medical Solutions Usa, Inc. System and method for multiple-instance learning for computer aided diagnosis
US8150108B2 (en) * 2008-03-17 2012-04-03 Ensign Holdings, Llc Systems and methods of identification based on biometric parameters
CN101504781B (zh) * 2009-03-10 2011-02-09 广州广电运通金融电子股份有限公司 有价文件识别方法及装置
US8379940B2 (en) 2009-06-02 2013-02-19 George Mason Intellectual Properties, Inc. Robust human authentication using holistic anthropometric and appearance-based features and boosting
US20100316293A1 (en) * 2009-06-15 2010-12-16 Siemens Corporation System and method for signature extraction using mutual interdependence analysis
US8989520B2 (en) * 2010-03-01 2015-03-24 Daon Holdings Limited Method and system for conducting identification matching
CN101894254B (zh) * 2010-06-13 2013-01-09 南开大学 一种基于等高线法的三维人脸识别方法
CN103593594A (zh) * 2012-01-09 2014-02-19 明智视觉有限公司 用于使用脸部生物特征识别和屏幕手势来提供对电子设备的安全访问的系统和方法
TWI456515B (zh) * 2012-07-13 2014-10-11 Univ Nat Chiao Tung 融合人臉辨識及語音辨識之身份辨識系統、其方法及其服務型機器人
US10864418B2 (en) * 2013-07-19 2020-12-15 Wilson Sporting Goods Co. Sports paddle with improved head portion
CN103745207A (zh) * 2014-01-27 2014-04-23 中国科学院深圳先进技术研究院 一种人脸识别的特征提取方法及装置
US9652915B2 (en) * 2014-02-28 2017-05-16 Honeywell International Inc. System and method having biometric identification intrusion and access control
CN104573652B (zh) * 2015-01-04 2017-12-22 华为技术有限公司 确定人脸图像中人脸的身份标识的方法、装置和终端
TWI619044B (zh) * 2015-07-23 2018-03-21 瑞鼎科技股份有限公司 電容式指紋感測裝置及電容式指紋感測方法
CN105224849B (zh) * 2015-10-20 2019-01-01 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018657A1 (en) * 2005-05-27 2013-01-17 Porticus Technology, Inc. Method and System for Bio-Metric Voice Print Authentication
CN1794266A (zh) * 2005-12-31 2006-06-28 清华大学 生物特征融合的身份识别和认证方法

Also Published As

Publication number Publication date
RU2696336C1 (ru) 2019-08-01
EP3367279A4 (en) 2018-08-29
WO2017067136A1 (zh) 2017-04-27
HK1257952A1 (zh) 2019-11-01
US20180285542A1 (en) 2018-10-04
ZA201802810B (en) 2019-01-30
CL2018000982A1 (es) 2018-09-04
CN105224849A (zh) 2016-01-06
US10346602B2 (en) 2019-07-09
EP3367279B1 (en) 2019-08-07
EP3367279A1 (en) 2018-08-29

Similar Documents

Publication Publication Date Title
CN105224849B (zh) 一种多生物特征融合身份鉴别方法以及装置
Snelick et al. Large-scale evaluation of multimodal biometric authentication using state-of-the-art systems
Bolle et al. Guide to biometrics
US6963659B2 (en) Fingerprint verification system utilizing a facial image-based heuristic search method
US7039221B1 (en) Facial image verification utilizing smart-card with integrated video camera
CN100356388C (zh) 生物特征融合的身份识别和认证方法
CN101901351B (zh) 基于层次结构的人脸和虹膜图像融合识别方法
Gudavalli et al. Multimodal Biometrics--Sources, Architecture and Fusion Techniques: An Overview
Radha et al. Rank level fusion using fingerprint and iris biometrics
CN102904885B (zh) 多身份认证信息特征复合认证方法
Nandakumar Integration of multiple cues in biometric systems
Jindal et al. Securing face templates using deep convolutional neural network and random projection
Jaafar et al. A review of multibiometric system with fusion strategies and weighting factor
Nanni et al. Likelihood ratio based features for a trained biometric score fusion
CN112949468A (zh) 人脸识别方法、装置、计算机设备和存储介质
Soltane et al. Multi-modal biometric authentications: concept issues and applications strategies
Hossain et al. Next generation identity verification based on face-gait Biometrics
Hossain et al. Human identity verification by using physiological and behavioural biometric traits
Khandelwal et al. Review paper on applications of principal component analysis in multimodal biometrics system
Barde et al. Person Identification Using Face, Ear and Foot Modalities.
Choudhary et al. Online Signature Verification Using the Information Set Based Models
Raghavendra et al. Qualitative weight assignment for multimodal biometric fusion
Kao et al. Personal based authentication by face recognition
Bhattacharyya et al. Euler number based feature extraction technique for gender discrimination from offline Hindi signature using SVM & BPNN classifier
Taha et al. A survey of multi-biometrics and fusion levels

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A multi biometric feature fusion identity authentication method and device

Effective date of registration: 20230811

Granted publication date: 20190101

Pledgee: Bank of China Limited by Share Ltd. Guangzhou Tianhe branch

Pledgor: GRG BANKING EQUIPMENT Co.,Ltd.

Registration number: Y2023980051844

PE01 Entry into force of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: 510663 9, 11, science Road, science and Technology City, Guangzhou high tech Industrial Development Zone, Guangdong

Patentee after: Guangdian Yuntong Group Co.,Ltd.

Country or region after: Zhong Guo

Address before: 510663 9 Luogang District Road, Science City, Guangzhou, Guangdong

Patentee before: GRG BANKING EQUIPMENT Co.,Ltd.

Country or region before: Zhong Guo

CP03 Change of name, title or address