CN101276408A - 一种基于电力系统网络安全访问的人脸识别方法 - Google Patents
一种基于电力系统网络安全访问的人脸识别方法 Download PDFInfo
- Publication number
- CN101276408A CN101276408A CNA2008100506376A CN200810050637A CN101276408A CN 101276408 A CN101276408 A CN 101276408A CN A2008100506376 A CNA2008100506376 A CN A2008100506376A CN 200810050637 A CN200810050637 A CN 200810050637A CN 101276408 A CN101276408 A CN 101276408A
- Authority
- CN
- China
- Prior art keywords
- identification
- human face
- location
- face
- layer
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种基于电力系统网络安全访问的人脸识别方法,属于人脸检测与安全识别领域,本发明采用基于局部特征分析与最优化匹配的人脸识别算法,利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点;在特征点的定位上,使用了六个BP神经网络进行特征点定位;在动态人脸检测中,包含人脸在内的图像函数随时间t快速变化,每秒至少应检测20帧以上;而且BP神经网络分3层,即输入层、隐含层和输出层,三个神经网络的结构完全相同,各层的拓朴结构为全互联模式。本方法能有效地解决人脸检测和识别中的光照补偿问题,使不同光照条件下的人脸检测和人脸识别性能得到了很大的提高。而且本方法还具有运算效率高、把握性好、适应面宽的特点。
Description
技术领域
本发明属于人脸检测与安全识别领域,特别涉及电力系统的网络安全访问的人脸识别方法。
背景技术
传统的网络安全与身份认证多采用密码、电子证书、密钥等形式,有其不足之处,可能被盗用或丢失,且不易随身携带。计算技术的进步,尤其是网络的普及使得身份认证已经成为我们生活和工作中的一部分,然而传统的主要依赖于密码的身份认证方法暴露出越来越多的问题,信用卡密码、银行账户密码、网络登录密码占用了我们宝贵的记忆空间,我们打开电脑要密码,进入邮箱要密码,银行取钱要密码等等,我们不但要记忆各种各样的密码,还要记住每个密码用于什么样的场合,密码已成为我们生活中的一种负担。另外,传统的信息安全措施主要解决信息在传输中的安全保密问题,却不能判别操作人员的个人身份,所以密码口令被破解,智能卡被盗用等情况时有发生,给人们工作和生活造成了不必要的损失。
随着近年生物识别技术的发展,将生物识别技术作为安全认证的手段之一,已经成为当今信息安全的一种重要方式,必将形成巨大的应用市场。
生物特征识别技术,是指通过计算机利用人体所固有的生理特征,如:人像、指纹、虹膜、DNA等或行为特征,如:手写签名、步态等来进行个人身份鉴定的技术。
保证电网的运行稳定、提高运行效率、降低运行成本、减少事故、保证安全生产,已是电力企业经济运营的主要决策和内容。随着电力市场的发展,SCADA主站系统已在调度自动化中起着不可替代的角色,而集控站则是SCADA系统中调度决策、控制指令的执行机构,随着电力自动化的逐步深入,越来越多的遥控操作由集控站来完成。现有的集控站系统控制任务有:设置保护定值、复归现场设备、控制开关刀闸分合、控制电容器投切、控制变压器分接头档位等。
保证遥控的成功率,避免控制出错是集控站系统最为重要的指标。当前的集控站系统,影响该指标的硬件因素主要是通道,而软件因素是工作人员的错误操作和无关人员的越权操作。
要减少或避免人员的错误操作可以制定严格的规程或在集控站软件中增加防误闭锁功能;而屏蔽无关人员的越权操作一般是通过提高权限管理、密码认证等措施,但一旦密码泄露,无关人员便可骗取系统的信任而导致严重后果。
发明内容
针对现有技术的不足与缺陷,本发明提供一种能够识别电力操作人员,保证电力系统网络安全的人脸识别方法。
本发明是这样设计的:
一种基于电力系统网络安全访问的人脸识别方法,其特征在于,通过以下步骤进行:
a)首先采用基于局部特征分析与最优化匹配的人脸识别算法,利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点,瞳孔、眼角、眉心、眉角、嘴角、鼻尖,之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征;
b)在特征点的定位上,使用了六个BP神经网络进行特征点定位,其中第一个用于瞳孔的定位,第二个用于眼角的定位,第三个用于眉心的定位,第四个用于眉角的定位,第五个用于鼻尖的定位,第六个用于嘴角的定位;
c)在动态人脸检测中,包含人脸在内的图像函数随时间t快速变化,每秒至少应检测20帧以上;
d)生成训练图像的加投影图像,录制面部特征图像3-5张和权限表一起存入数据库中,之后识别调用;
e)人像识别进程启动时装入集控站权限表和人像信息链接;
f)将验证结果提交给集控站程序,同时保存人像比对记录;集控站程序运行时自动启动人像识别进程和操作控制接口进程;
g)在用户密码认证前,将用户信息发送到操作控制接口进程,由其送往人像识别进程,并等待人像验证结果;
h)通过所述的人像预处理,人像特征提取,人像识别算法以及聚类分析,最终完成。
所述的BP神经网络分3层,即输入层、隐含层和输出层,三个神经网络的结构完全相同,各层的拓朴结构为全互联模式。
和已有的人脸光照补偿方法相比,此方法不用估计人脸表面的各种参数,如:反射率、法向方向等,不用估计环境光的方向、强度和光源的性质,如:是否点光源、是否平行光、单光源还是多光源等。同时本方法固有的特点决定了不会将一幅非人脸图像补偿为人脸图像,这是其它的一些光照补偿方法所不具备的优点。本方法能有效地解决人脸检测和识别中的光照补偿问题,使不同光照条件下的人脸检测和人脸识别性能得到了很大的提高。而且本方法还具有运算效率高、把握性好、适应面宽的特点。
具体实施方式
实施本发明主要通过以下步骤进行:
a)首先采用基于局部特征分析与最优化匹配的人脸识别算法,利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点,瞳孔、眼角、眉心、眉角、嘴角、鼻尖,之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征;
b)在特征点的定位上,使用了六个BP神经网络进行特征点定位,其中第一个用于瞳孔的定位,第二个用于眼角的定位,第三个用于眉心的定位,第四个用于眉角的定位,第五个用于鼻尖的定位,第六个用于嘴角的定位;
c)在动态人脸检测中,包含人脸在内的图像函数随时间t快速变化,每秒至少应检测20帧以上;
d)生成训练图像的加投影图像,录制面部特征图像3-5张和权限表一起存入数据库中,之后识别调用;
e)人像识别进程启动时装入集控站权限表和人像信息链接;
f)将验证结果提交给集控站程序,同时保存人像比对记录;集控站程序运行时自动启动人像识别进程和操作控制接口进程;
g)在用户密码认证前,将用户信息发送到操作控制接口进程,由其送往人像识别进程,并等待人像验证结果;
h)通过所述的人像预处理,人像特征提取,人像识别算法以及聚类分析,最终完成。
所述的BP神经网络分3层,即输入层、隐含层和输出层,三个神经网络的结构完全相同,各层的拓朴结构为全互联模式。
其中涉及的具体相关步骤与方法如下:
一、技术关键
1、人脸图像的获取过程中受姿态、表情、装饰、光照、背景、遮挡和时间跨度的影响;人像识别技术关键在于复杂背景下动态多人脸的快速检测与识别。项目组改进并融合快速傅氏变换,双正交小波变换和人工神经网络技术,提出了快速推进式FWNN定位法,有效地克服了光照和背景条件变化对人脸检测和识别的影响。
2、在复杂动态背景下,对视频图象序列中的多人脸快速准确检测定位算法,海量人脸数据库的识别算法是提高识别速度的关键。采用图象补偿技术和增强技术使得特征提取方法具有唯一性,是保证高识别率的关键。项目把人像检测定位技术、人像数据信息压缩和特征抽取技术、人像识别技术、图像压缩传输技术、人像信息检索和比对等高新技术整合在该系统上。项目组使用自主研究的“弹性匹配和差分像格相结合的方法”进行复杂背景下的人像检测定位;使用“基于几何、代数和小波分析相互融合的算法”进行数据压缩降维和特征抽取;使用“基于决策树的人像信息聚类分析”;使用“径向基函数和组合式ART网络模型算法”进行人像学习训练和识别。
3、在特征点的定位上,我们使用了六个BP神经网络进行特征点定位。其中第一个用于瞳孔的定位,第二个用于眼角的定位,第三个用于眉心的定位,第四个用于眉角的定位,第五个用于鼻尖的定位,第六个用于嘴角的定位。
定位方法以瞳孔为例,我们首先采集一些瞳孔样本和非瞳孔样本送入瞳孔定位神经网络进行分类训练。瞳孔样本的输出为1,非瞳孔样本的输出为-1。之后使用瞳孔定位神经网络进行瞳孔定位,如果定位错误我们将这个反例再次送入神经网络学习,这样经过多次的反复学习训练,瞳孔定位神经网络就具备了瞳孔定位的能力,其他定位神经网络的训练以此类推。
二、采用的技术具有以下创新:
1、拟线性曲面拟合光照补偿方法
在人脸检测和识别中,光照条件是一个十分重要的影响因素,国内外一直没有得到很好的解决。项目组在前期工作中提出了平面拟合光照补偿方法,较好地改善了图像质量。为了进一步克服光照补偿的约束,本项目把平面拟合技术推广到拟线性曲面情况,更好地克服光照影响。
本系统使用一种从粗到细、从整体到局部的基于小波和神经网络的人脸光照补偿算法。从粗到细的人脸光照补偿体现在从同态域的粗略线性光照补偿到小波与神经网络的细节光照补偿,从整体到局部的人脸光照补偿体现在小波和神经网络从人脸的低频(整体)到中高频(局部)的特征的光照补偿。本方法有效地结合了小波的多分辨分析和BP神经网络的自适应学习和良好泛化能力的性质,对人脸进行光照补偿。
和已有的人脸光照补偿方法相比,此方法不用估计人脸表面的各种参数
(如:反射率、法向方向等),不用估计环境光的方向、强度和光源的性质(如:是否点光源、是否平行光、单光源还是多光源等)。同时本方法固有的特点决定了不会将一幅非人脸图像补偿为人脸图像,这是其它的一些光照补偿方法所不具备的优点。理论和实验证明,本方法能有效地解决人脸检测和识别中的光照补偿问题,使不同光照条件下的人脸检测和人脸识别性能得到了很大的提高。而且本方法还具有运算效率高、把握性好、适应面宽的特点。
2、波进式快速Fourier变换方法(WFFT)
在动态人脸检测中,由于包含人脸在内的图像函数随时间t快速变化,为了达到实时检测的效果,每秒至少应检测20帧以上,这对检测方法的运算速度提出了苛刻的要求。项目组在前期工作中,改进了传统的FFT方法,提出了波进式快速Fourier变换方法(WFFT),大大提高了检测速度。该算法成功地实现了在复杂背景下动态人脸的快速检测和定位,已达到每秒可检测20帧以上,这也是目前国际上的最好水平。本项目组将进一步优化算法,使检测定位速度达到每秒25帧以上。
3、基于自相似组合标准脸特征函数的神经网络模型方法
本项目设计的BP神经网络分3层,即输入层、隐含层和输出层。
三个神经网络的结构完全相同,各层的拓朴结构为全互联模式,它们分别用于水平低频竖直低频信息、水平低频竖直高频信息、水平高频竖直低频信息数据的训练。为了保证分类器的稳定性和网络有良好的推广能力,同时避免神经网络中的过训练等问题的发生,我们初始时先将隐含层的神经元数设置为一个较小的值,学习一定次数后,不收敛再增加隐含层的神经元数,一直达到比较合理的隐单元数为止。
4、局部特征的最优化匹配
国际上较为通用的方法是采用双正交小波方法,进行滤波和特征分析。我们项目组提出了一种基于局部特征分析(LFA)与最优化匹配的人脸识别算法。该算法首先利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、眼角、眉心、眉角、嘴角等),之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征。这样人脸的每一个特征点就被一系列的Gabor小波系数所表示,最后对待识人脸与人脸库中人脸的相应特征点多尺度特征进行最优化匹配找出需要的人脸。实验证明,本方法远优于传统的EigenFace方法,同时能有效地克服光照变化对人脸识别的影响,并在一定的程度上对表情的变化也有较好的把握性。而和弹性图匹配方法相比,我们的方法有三个主要优点:其一、充分利用了特征点的特征向量张成的线性子空间所内含该特征点的共性,这一点是弹性图匹配方法所欠缺的;其二、由于在人脸特征点的提取上使用了神经网络方法而节约了大量的运算;其三、在特征点最优化匹配上我们可以通过计算得到全局的解析最优解,这在避免了通过大量的迭代运算获得最优解(而且迭代运算有时只能获得次最优解)的同时又提高了匹配的精度和识别的准确度。目前应用的人像自动识别技术,采用主成份分析技术,可以滤掉人体面部感情变化对算法产生的影响,具有很高的精度和广泛的适应性。
三、实施的具体内容
1、接口软件
应用计算机图象识别技术(视频画面采集、保存、比对)和进程通讯技术。
软件设计基于现有的Windows平台下的集控站系统,保持集控站软件相对独立;增加人像识别进程和操作控制接口进程。
各项参数是系统创建时一次完成,以后由系统管理员设置。系统管理员设置时同样需要经过人像识别的认证。
◆在集控站配置文件(RTMIS.INI)[系统参数]小节中KNOW_VIDEO=1,集控站加载人像识别功能(运行时自动启动人像识别进程);KNOW_VIDEO=0,集控站卸载人像识别功能。
◆在人像识别配置文件(VIDEO.INI)[SYSTEM]小节中,PATH=c:\Know_Video\为工作路径;CMPCNT=4表示比对连续成功4次认为识别通过;TIMEOUT=2表示2分钟比对不能通过指定次数,认为此次识别失败。
◆在人像识别配置文件(VIDEO.INI)[ODBC]小节中各项是连接用户权限库的数据源参数。DBSOURCE=CYMDB为数据源名称;USERNAME=dcy为数据库用户ID;PWD=cchx123为用户密码。
2、工作流程
系统管理员事先为系统每一位具有操作权限的人员录制面部特征图象(3-5张)和权限表一起存入数据库中,以便识别调用。
人像识别进程启动时装入集控站权限表和人像信息(链接),当集控站上有人员操作时,它负责认证比对操作人面部图象,将验证结果(通过或通不过)提交给集控站程序。同时保存人像比对记录。
集控站程序运行时自动启动人像识别进程和操作控制接口进程,当有人员操作时,在用户密码认证前,将用户信息(工号)发送到操作控制接口进程,由其送往人像识别进程,并等待人像验证结果。若人像比对通过,继续往下执行,验证权限密码是否正确;若人像比对通不过,则认为非法人员,终止此次操作。
四、采用的技术标准
GB 4208-1993 外壳防护等级(IP代码)
GB/T 2828-1987 逐批检查计数抽样程序及抽样表(适用于连续批的检查)
GB/T 2829-1987 周期检查计数抽样程序及抽样表(适用于生产过程稳定性的检查)
GB/T 2423.3 电工电子产品基本环境试验规程 试验Ca:恒定湿热试验方法
GB/T 5080.7-1986 备可靠性试验 恒定失效率假设下的失效率与平均无故障时间的验证试验方案
GB/T 6833.1-1986 电子测量仪器电磁兼容性试验规范 总则
GB/T 6833.3-1987 电子测量仪器电磁兼容性试验规范 静电放电敏感度试验
GB/T 6833.4-1987 电子测量仪器电磁兼容性试验规范 电源瞬态敏感度试验
GB/T 6833.5-1987 电子测量仪器电磁兼容性试验规范 辐射敏感度试验
GB/T 6587.7-1986 电子测量仪器 基本安全试验
SJ/T 11121-1997 应用电视视频控制设备通用技术条件
GB/T 191-2000 包装储运图示标志
五、主要技术指标
●人像拒识率小于1%,误识率小于0.1%
●人像捕获时间小于2秒,人像识别时间小于2秒。
●光照条件:自然光照,普通灯光采光。
●录像画质和占用硬盘空间
画面压缩质量 | 每路每小时录制图像占用硬盘空间 |
高(25帧/秒) | 195MB |
低(16帧/秒) | 132MB |
人像照片 | 23k/张 |
Claims (2)
1、一种基于电力系统网络安全访问的人脸识别方法,其特征在于,通过以下步骤进行:
a)首先采用基于局部特征分析与最优化匹配的人脸识别算法,利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点,瞳孔、眼角、眉心、眉角、嘴角、鼻尖,之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征;
b)在特征点的定位上,使用了六个BP神经网络进行特征点定位,其中第一个用于瞳孔的定位,第二个用于眼角的定位,第三个用于眉心的定位,第四个用于眉角的定位,第五个用于鼻尖的定位,第六个用于嘴角的定位;
c)在动态人脸检测中,包含人脸在内的图像函数随时间t快速变化,每秒至少应检测20帧以上;
d)生成训练图像的加投影图像,录制面部特征图像3-5张和权限表一起存入数据库中,之后识别调用;
e)人像识别进程启动时装入集控站权限表和人像信息链接;
f)将验证结果提交给集控站程序,同时保存人像比对记录;集控站程序运行时自动启动人像识别进程和操作控制接口进程;
g)在用户密码认证前,将用户信息发送到操作控制接口进程,由其送往人像识别进程,并等待人像验证结果;
h)通过所述的人像预处理,人像特征提取,人像识别算法以及聚类分析,最终完成。
2、根据权利要求1所述的一种基于电力系统网络安全访问的人脸识别方法,其特征在于,所述的BP神经网络分3层,即输入层、隐含层和输出层,三个神经网络的结构完全相同,各层的拓朴结构为全互联模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100506376A CN101276408A (zh) | 2008-04-24 | 2008-04-24 | 一种基于电力系统网络安全访问的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100506376A CN101276408A (zh) | 2008-04-24 | 2008-04-24 | 一种基于电力系统网络安全访问的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101276408A true CN101276408A (zh) | 2008-10-01 |
Family
ID=39995840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100506376A Pending CN101276408A (zh) | 2008-04-24 | 2008-04-24 | 一种基于电力系统网络安全访问的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101276408A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707401B (zh) * | 2009-11-27 | 2012-05-23 | 甄为忠 | 基于虹膜身份识别的电力防误闭锁系统及防误闭锁方法 |
CN101751710B (zh) * | 2008-12-16 | 2013-02-13 | 索尼株式会社 | 生物认证系统和生物认证方法 |
CN103324911A (zh) * | 2013-05-30 | 2013-09-25 | 苏州福丰科技有限公司 | 一种基于人脸识别的防作弊系统 |
CN103646201A (zh) * | 2013-12-09 | 2014-03-19 | 东南大学 | 一种人脸组合身份验证方法 |
CN104239856A (zh) * | 2014-09-04 | 2014-12-24 | 电子科技大学 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
CN105320921A (zh) * | 2014-07-31 | 2016-02-10 | 腾讯科技(深圳)有限公司 | 双眼定位方法及双眼定位装置 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN107064664A (zh) * | 2016-11-30 | 2017-08-18 | 国网山东省电力公司东明县供电公司 | 一种备自投装置校验系统以及方法 |
CN107423727A (zh) * | 2017-08-14 | 2017-12-01 | 河南工程学院 | 基于神经网络的人脸复杂表情识别方法 |
CN108764248A (zh) * | 2018-04-18 | 2018-11-06 | 广州视源电子科技股份有限公司 | 图像特征点的提取方法和装置 |
CN109508685A (zh) * | 2018-11-23 | 2019-03-22 | 赵雷 | 基于人脸识别技术的电力通信调度方法 |
-
2008
- 2008-04-24 CN CNA2008100506376A patent/CN101276408A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751710B (zh) * | 2008-12-16 | 2013-02-13 | 索尼株式会社 | 生物认证系统和生物认证方法 |
CN101707401B (zh) * | 2009-11-27 | 2012-05-23 | 甄为忠 | 基于虹膜身份识别的电力防误闭锁系统及防误闭锁方法 |
CN103324911A (zh) * | 2013-05-30 | 2013-09-25 | 苏州福丰科技有限公司 | 一种基于人脸识别的防作弊系统 |
CN103646201A (zh) * | 2013-12-09 | 2014-03-19 | 东南大学 | 一种人脸组合身份验证方法 |
CN105320921B (zh) * | 2014-07-31 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 双眼定位方法及双眼定位装置 |
CN105320921A (zh) * | 2014-07-31 | 2016-02-10 | 腾讯科技(深圳)有限公司 | 双眼定位方法及双眼定位装置 |
CN104239856A (zh) * | 2014-09-04 | 2014-12-24 | 电子科技大学 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
CN104239856B (zh) * | 2014-09-04 | 2017-10-17 | 电子科技大学 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN107045618B (zh) * | 2016-02-05 | 2020-07-03 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN107064664A (zh) * | 2016-11-30 | 2017-08-18 | 国网山东省电力公司东明县供电公司 | 一种备自投装置校验系统以及方法 |
CN107064664B (zh) * | 2016-11-30 | 2019-10-18 | 国网山东省电力公司东明县供电公司 | 一种备自投装置校验系统以及方法 |
CN107423727A (zh) * | 2017-08-14 | 2017-12-01 | 河南工程学院 | 基于神经网络的人脸复杂表情识别方法 |
CN108764248A (zh) * | 2018-04-18 | 2018-11-06 | 广州视源电子科技股份有限公司 | 图像特征点的提取方法和装置 |
CN108764248B (zh) * | 2018-04-18 | 2021-11-02 | 广州视源电子科技股份有限公司 | 图像特征点的提取方法和装置 |
CN109508685A (zh) * | 2018-11-23 | 2019-03-22 | 赵雷 | 基于人脸识别技术的电力通信调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101276408A (zh) | 一种基于电力系统网络安全访问的人脸识别方法 | |
CN106780906B (zh) | 一种基于深度卷积神经网络的人证合一识别方法及系统 | |
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
You et al. | On hierarchical palmprint coding with multiple features for personal identification in large databases | |
CN105261105B (zh) | 安全门禁方法 | |
CN102122402B (zh) | 基于手掌静脉认证的门禁系统及其认证方法 | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
CN103530659B (zh) | 结合原始和对称脸人脸图像的人脸识别方法及考勤系统 | |
CN106446754A (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
CN106068512A (zh) | 用于在移动装置上验证用户的方法和设备 | |
CN104700094A (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
CN106709417A (zh) | 一种多模态生物识别系统及其使用方法 | |
CN107124283A (zh) | 一种生物特征采集系统及生物特征采集方法 | |
CN105022994A (zh) | 一种电力系统网络安全访问的身份认证方法 | |
CN101681497A (zh) | 静脉图形管理系统、静脉图形注册设备、静脉图形认证设备、静脉图形注册方法、静脉图形认证方法、程序和静脉数据配置 | |
CN109740578A (zh) | 一种适用于光照、姿态、表情变化的人脸识别方法 | |
CN111507320A (zh) | 后厨违规行为检测方法、装置、设备和存储介质 | |
CN107292152A (zh) | 一种生物特征认证系统及生物特征认证方法 | |
CN105095715A (zh) | 一种电力系统网络的身份认证方法 | |
Maček et al. | Multimodal biometric authentication in IoT: Single camera case study | |
CN105184236A (zh) | 机器人人脸识别系统 | |
CN111723595A (zh) | 人员身份识别方法和系统 | |
Zhao et al. | The application and implementation of face recognition in authentication system for distance education | |
CN109285260A (zh) | 一种闸机控制方法及装置 | |
CN103456064A (zh) | 掌静脉门禁控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20081001 |