CN101452526A - 基于指纹和人脸的二维条码式身份认证方法 - Google Patents

Abstract

基于指纹和人脸的二维条码式身份认证方法，属于图像处理技术领域，涉及指纹识别处理技术、人脸识别技术以及二维条码技术。本发明主要内容包括如下四个部分：1.指纹特征的提取；2.人脸特征的提取；3.基于指纹和人脸的二维条码的生成；4.基于指纹和人脸的二维条码的识读和身份认证。本发明将个人的指纹特征和人脸特征组合起来进行编码、加入纠错码和进行加密，然后采用二维条码方式表示，具有信息容量大、成本低、可靠性高、保密防伪性强等优点。本发明可应用到工商业、国防、交通运输、金融、医疗卫生、邮电及办公室自动化等领域。

Description

基于指纹和人脸的二维条码式身份认证方法

技术领域

本发明属于图像处理技术领域，涉及指纹识别处理技术、人脸识别技术以及二维条码技术。

背景技术

生物特征识别技术是为了进行身份验证而采用自动技术测量生物特征或是个体行为特点，并将这些特征或特点与数据库的模板数据进行比较，完成身份认证的一种解决方案。由于科技的不断进步，单一的生物特征来对个人进行身份认证存在着很大的风险。例如：虽然指纹识别技术已成功应用于社会的各个领域，但是目前还是存在着伪造的指纹现象，因此对个人的身份认证产生了很大的挑战。同时，伴随着社会上的考试作弊，以及金融失窃等现象的不断发生，设计一种基于多生物特征的、可靠的身份认证系统是目前社会所迫切需要的。

国内外目前还没有专门的用于身份认证的二维条码系统的产品，而且已有的二维条码产品均用于物流以及商品的管理，还没有应用到生物特征识别的二维条码产品。

目前，已有基于指纹或人脸的特征信息的二维条码式身份认证系统或方法的报道，但基本上都是单一的指纹信息二维条码式认证或是人脸信息二维条码式认证，且不具有纠错和加密功能。

发明内容

本发明的提供一种基于指纹和人脸的二维条码式身份认证方法，将个人的指纹特征和人脸特征组合起来进行编码、加入纠错码和进行加密，然后采用二维条码方式表示，具有信息容量大、成本低、可靠性高、保密防伪性强等优点。

本发明主要内容包括如下四个部分：1、指纹特征的提取；2、人脸特征的提取；3、基于指纹和人脸的二维条码的生成；4、基于指纹和人脸的二维条码的识读和身份认证。

本发明技术方案如下：

基于指纹和人脸的二维条码式身份认证方法，如图1、图2和图3所示，包含下述步骤：

步骤1：指纹特征的提取，如图2所示，具体包括以下步骤：

步骤1-1：对所采集的指纹图像进行增强，以消除噪声，连接断裂脊线和谷线，并且增加脊线和谷线上的灰度值的对比度。

步骤1-2：对步骤1-1增强后的指纹图像进行二值化处理。

步骤1-3：对步骤1-2二值化处理后的图像用形态学的方法进行细化操作。

步骤1-4：在步骤1-3细化操作后的指纹图像上，确定指纹特征点的位置，并计算所在脊线的方向。将指纹特征点的位置和脊线方向作为指纹的特征进行存储。

步骤2：人脸特征的提取，如图3所示，具体包括以下步骤：

步骤2-1：对采集到的同一个体的人脸图像进行积分，计算人脸图像的矩形特征，其中相邻矩形的面积和位置可以人为设定，这样就能够产生大量的人脸特征。

步骤2-2：采用Adaboost学习算法从步骤2-1产生的大量人脸特征中挑选出关键分类特征，构造出一组弱分类器，级联起来得到人脸检测图像。

步骤2-3：通过二次曲面拟合的方法，将步骤2-2的人脸检测图像归一化到特定大小的图像。

步骤2-4：对归一化后的人脸图像进行分块，通常分成5×5块或者7×7块。

步骤2-5：对步骤2-4的每一分块人脸图像，计算其局部二值化模式值。具体计算方法是：如图4所示，在块内的每个像素处，从该像素左边的像素起，逆时针依次比较其8邻域的每个像素值与该像素值的大小。设定比该像素值大的比较结果为1，比该像素值小的比较结果为0。从该像素左边的像素起，将所有比较结果依次排列起来，得到该像素值的二值化模式值。计算完分块人脸图像内所有像素的二值化模式值后，得到该分块人脸图像的二值化模式值。

步骤2-6：根据步骤2-5的分块人脸图像的二值化模式值，计算出分块人脸图像的二值化模式值的直方图。

步骤2-7：步骤2-6用直方图叠加的方法计算出整幅人脸图像的二值化模式值的直方图。

步骤2-8：将步骤2-6的每个分块人脸图像的二值化模式值的直方图和步骤2-7的整幅人脸图像的二值化模式值的直方图作为人脸的特征，并进行存储。

步骤3：基于指纹特征和人脸特征的二维条码生成，具体包括以下步骤：

步骤3-1：采用ISO2022《信息处理七位和八位编码字符集代码扩充技术》中的八位代码的编码方式对指纹特征和人脸特征分别进行编码。

步骤3-2：在步骤3-1编码过程中加入Reed-Solomon(RS)纠错码字(一种特殊的循环码)，使得二维条码具有纠错功能。

步骤3-3：采用椭圆曲线密码体制(ECC)来对步骤3-1和步骤3-2所得的加入了Reed-Solomon纠错码字的指纹特征编码和人脸特征编码进行加密。加密时，用户可随意选择安全的椭圆曲线，从而其破译难度更大。

步骤3-4：将步骤3-3加密后的码字流用PDF417二维条码符号表示，最后将指纹特征二维条码信息和人脸特征二维条码信息组合在一起得到基于指纹和人脸的二维条码。

步骤4：基于指纹和人脸的二维条码的识读和身份验证，具体包括以下步骤：

步骤4-1：对基于指纹和人脸的二维条码分别采取与步骤3-4、3-3、3-2和3-1对应的分拆、解密、纠错译码和信息译码获得指纹特征和人脸特征。

步骤4-2：将身份认证时采集的个人指纹图像进行步骤1所述的指纹特征的提取，将提取出的指纹特征与步骤4-1所得的指纹特征进行匹配。

具体匹配时，在采用确定指纹间的参考点之后，两细节点的匹配规则如下：

其中R(d_i)为身份认证时采集的指纹特征的第i个特征点到参考点的距离，R(α_i)为身份认证时采集的指纹特征的第i个特征点的脊线方向与参考点的脊线方向的差，r(d_j)为存储的指纹特征的第j个特征点到参考点的距离，r(α_j)为存储的指纹特征的第j个特征点的脊线方向与参考点的脊线方向的差，thresh_d和thresh_α分别为判断距离以及角度一致性的阀值。

步骤4-3：将身份认证时采集的人脸图像进行步骤2所述的人脸特征提取，将提取的人脸特征与步骤4-1所得的人脸特征进行匹配。

具体匹配时，计算 ${\mathrm{\χ}}_w^2(x,\mathrm{\ξ})=\underset{i,j}{\mathrm{\Σ}}{w}_j\frac{{(x_{i,j}-{\mathrm{\ξ}}_{i,j})}^2}{x_{i,j}+{\mathrm{\ξ}}_{i,j}},$ 其中ξ，x分别为身份认证时提取的人脸特征和存储的人脸特征，x_i，j，ξ_i，j分别为身份认证时提取的人脸图像和存储的人脸图像的第j个块内的直方图的第i个值，w_j为第j个块的权系数。

步骤4-4：将指纹匹配和人脸匹配的结果进行身份验证。

本发明通过将个人的指纹特征和人脸特征组合在一起进行身份认证，该双重生物特征的鉴别能够比较有效的防止身份伪造的发生。同时为了使采集的个人身份特征具有高度保密性和可靠性，将指纹特征和人脸特征表示成二维条码形式，具有信息容量大，成本低、可靠性高、保密防伪性强等优点。因此，随着该身份认证方法设计的成功和该方法的逐步推广，该方法能够应用到工商业、国防、交通运输、金融、医疗卫生、邮电及办公室自动化等领域。

附图说明

图1是本发明主要流程框图。

图2是本发明步骤1所述的指纹特征提取流程示意图。

图3是本发明步骤2所述的人脸特征提取流程示意图。

图4是本发明步骤2-5所述二值化模式值计算方法示意图。

具体实施方式

基于指纹和人脸的二维条码式身份认证方法，包含下述步骤：

步骤1：指纹特征的提取，具体包括以下步骤：

步骤1-1：对所采集的指纹图像进行增强，以消除噪声，连接断裂脊线和谷线，并且增加脊线和谷线上的灰度值的对比度。

步骤1-2：对步骤1-1增强后的指纹图像进行二值化处理。

步骤1-3：对步骤1-2二值化处理后的图像用形态学的方法进行细化操作。

步骤1-4：在步骤1-3细化操作后的指纹图像上，确定指纹特征点的位置，并计算所在脊线的方向。将指纹特征点的位置和脊线方向作为指纹的特征进行存储。

步骤2：人脸特征的提取，具体包括以下步骤：

步骤2-1：对采集到的同一个体的人脸图像进行积分，计算人脸图像的矩形特征，其中相邻矩形的面积和位置可以人为设定，这样就能够产生大量的人脸特征。

步骤2-2：采用Adaboost学习算法从步骤2-1产生的大量人脸特征中挑选出关键分类特征，构造出一组弱分类器，级联起来得到人脸检测图像。

步骤2-3：通过二次曲面拟合的方法，将步骤2-2的人脸检测图像归一化到特定大小的图像。

步骤2-4：对归一化后的人脸图像进行分块，通常分成5×5块或者7×7块。

步骤2-5：对步骤2-4的每一分块人脸图像，计算其局部二值化模式值。具体计算方法是：如图3所示，在块内的每个像素处，从该像素左边的像素起，逆时针依次比较其8邻域的每个像素值与该像素值的大小。设定比该像素值大的比较结果为1，比该像素值小的比较结果为0。从该像素左边的像素起，将所有比较结果依次排列起来，得到该像素值的二值化模式值。计算完分块人脸图像内所有像素的二值化模式值后，得到该分块人脸图像的二值化模式值。

步骤2-6：根据步骤2-5的分块人脸图像的二值化模式值，计算出分块人脸图像的二值化模式值的直方图。

步骤2-7：步骤2-6用直方图叠加的方法计算出整幅人脸图像的二值化模式值的直方图。

步骤2-8：将步骤2-6的每个分块人脸图像的二值化模式值的直方图和步骤2-7的整幅人脸图像的二值化模式值的直方图作为人脸的特征，并进行存储。

步骤3：基于指纹特征和人脸特征的二维条码生成，具体包括以下步骤：

步骤3-1：采用ISO2022《信息处理七位和八位编码字符集代码扩充技术》中的八位代码的编码方式对指纹特征和人脸特征分别进行编码。

步骤3-2：在步骤3-1编码过程中加入Reed-Solomon(RS)纠错码字(一种特殊的循环码)，使得二维条码具有纠错功能。

步骤3-3：采用椭圆曲线密码体制(ECC)来对步骤3-1和步骤3-2所得的加入了Reed-Solomon纠错码字的指纹特征编码和人脸特征编码进行加密。加密时，用户可随意选择安全的椭圆曲线，从而其破译难度更大。

步骤3-4：将步骤3-3加密后的码字流用PDF417二维条码符号表示，最后将指纹特征二维条码信息和人脸特征二维条码信息组合在一起得到基于指纹和人脸的二维条码。

步骤4：基于指纹和人脸的二维条码的识读和身份验证，具体包括以下步骤：

步骤4-1：对基于指纹和人脸的二维条码分别采取与步骤3-4、3-3、3-2和3-1对应的分拆、解密、纠错译码和信息译码获得指纹特征和人脸特征。

步骤4-2：将身份认证时采集的个人指纹图像进行步骤1所述的指纹特征的提取，将提取出的指纹特征与步骤4-1所得的指纹特征进行匹配。

具体匹配时，在采用确定指纹间的参考点之后，两细节点的匹配规则如下：

其中R(d_i)为身份认证时采集的指纹特征的第i个特征点到参考点的距离，R(α_i)为身份认证时采集的指纹特征的第i个特征点的脊线方向与参考点的脊线方向的差，r(d_j)为存储的指纹特征的第j个特征点到参考点的距离，r(α_j)为存储的指纹特征的第j个特征点的脊线方向与参考点的脊线方向的差，thresh_d和thresh_α分别为判断距离以及角度一致性的阀值。

步骤4-3：将身份认证时采集的人脸图像进行步骤2所述的人脸特征提取，将提取的人脸特征与步骤4-1所得的人脸特征进行匹配。

具体匹配时，计算 ${\mathrm{\χ}}_w^2(x,\mathrm{\ξ})=\underset{i,j}{\mathrm{\Σ}}{w}_j\frac{{(x_{i,j}-{\mathrm{\ξ}}_{i,j})}^2}{x_{i,j}+{\mathrm{\ξ}}_{i,j}},$ 其中ξ，x分别为身份认证时提取的人脸特征和存储的人脸特征，x_i，j，ξ_i，j分别为身份认证时提取的人脸图像和存储的人脸图像的第j个块内的直方图的第i个值，w_j为第j个块的权系数。

步骤4-4：将指纹匹配和人脸匹配的结果进行身份验证。

Claims (4)

1、基于指纹和人脸的二维条码式身份认证方法，包含下述步骤：

步骤1：指纹特征的提取，具体包括以下步骤：

步骤1-1：对所采集的指纹图像进行增强，以消除噪声，连接断裂脊线和谷线，并且增加脊线和谷线上的灰度值的对比度；

步骤1-2：对步骤1-1增强后的指纹图像进行二值化处理；

步骤1-3：对步骤1-2二值化处理后的图像用形态学的方法进行细化操作；

步骤1-4：在步骤1-3细化操作后的指纹图像上，确定指纹特征点的位置，并计算所在脊线的方向。将指纹特征点的位置和脊线方向作为指纹的特征进行存储；

步骤2：人脸特征的提取，具体包括以下步骤：

步骤2-1：对采集到的同一个体的人脸图像进行积分，计算人脸图像的矩形特征，其中相邻矩形的面积和位置可以人为设定，这样就能够产生大量的人脸特征；

步骤2-2：采用Adaboost学习算法从步骤2-1产生的大量人脸特征中挑选出关键分类特征，构造出一组弱分类器，级联起来得到人脸检测图像；

步骤2-3：通过二次曲面拟合的方法，将步骤2-2的人脸检测图像归一化到特定大小的图像；

步骤2-4：对归一化后的人脸图像进行分块；

步骤2-5：对步骤2-4的每一分块人脸图像，计算其二值化模式值；具体计算方法是：在块内的每个像素处，从该像素左边的像素起，逆时针依次比较其8邻域的每个像素值与该像素值的大小；设定比该像素值大的比较结果为1，比该像素值小的比较结果为0；从该像素左边的像素起，将所有比较结果依次排列起来，得到该像素值的二值化模式值；计算完分块人脸图像内所有像素的二值化模式值后，得到该分块人脸图像的二值化模式值；

步骤2-6：根据步骤2-5的分块人脸图像的二值化模式值，计算出分块人脸图像的二值化模式值的直方图；

步骤2-7：步骤2-6用直方图叠加的方法计算出整幅人脸图像的二值化模式值的直方图；

步骤2-8：将步骤2-6的每个分块人脸图像的二值化模式值的直方图和步骤2-7的整幅人脸图像的二值化模式值的直方图作为人脸的特征，并进行存储；

步骤3：基于指纹特征和人脸特征的二维条码生成，具体包括以下步骤：

步骤3-1：采用ISO2022《信息处理七位和八位编码字符集代码扩充技术》中的八位代码的编码方式对指纹特征和人脸特征分别进行信息编码；

步骤3-2：在步骤3-1编码过程中加入Reed-Solomon(RS)纠错码字(一种特殊的循环码)，使得二维条码具有纠错功能；

步骤3-3：采用椭圆曲线密码体制(ECC)来对步骤3-1和步骤3-2所得的加入了Reed-Solomon纠错码字的指纹特征编码和人脸特征编码进行加密；

步骤3-4：将步骤3-3加密后的码字流用PDF417二维条码符号表示，最后将指纹特征二维条码信息和人脸特征二维条码信息组合在一起得到基于指纹和人脸的二维条码；

步骤4：基于指纹和人脸的二维条码的识读和身份验证，具体包括以下步骤：

步骤4-1：对基于指纹和人脸的二维条码分别采取与步骤3-4、3-3、3-2和3-1对应的分拆、解密、纠错译码和信息译码获得指纹特征和人脸特征；

步骤4-2：将身份认证时采集的个人指纹图像进行步骤1所述的指纹特征的提取，将提取出的指纹特征与步骤4-1所得的指纹特征进行匹配；

步骤4-3：将身份认证时采集的人脸图像进行步骤2所述的人脸特征提取，将提取的人脸特征与步骤4-1所得的人脸特征进行匹配；

步骤4-4：将指纹匹配和人脸匹配的结果进行身份验证。

2、根据权利要求1所述的基于指纹和人脸的二维条码式身份认证方法，其特征在于，步骤2-4对归一化后的人脸图像进行分块时，具体分成5×5块或者7×7块。

3、根据权利要求1所述的基于指纹和人脸的二维条码式身份认证方法，其特征在于，步骤4-2进行匹配时，在采用确定指纹间的参考点之后，两细节点的匹配规则如下：

其中R(d_i)为身份认证时采集的指纹特征的第i个特征点到参考点的距离，R(α_i)为身份认证时采集的指纹特征的第i个特征点的脊线方向与参考点的脊线方向的差，r(d_j)为存储的指纹特征的第j个特征点到参考点的距离，r(α_j)为存储的指纹特征的第j个特征点的脊线方向与参考点的脊线方向的差，thresh_d和thresh_α分别为判断距离以及角度一致性的阀值。

4、根据权利要求1所述的基于指纹和人脸的二维条码式身份认证方法，其特征在于，步骤4-3进行匹配时，计算 ${\mathrm{\χ}}_w^2(x,\mathrm{\ξ})=\underset{i,j}{\mathrm{\Σ}}{w}_j\frac{{(x_{i,j}-{\mathrm{\ξ}}_{i,j})}^2}{x_{i,j}+{\mathrm{\ξ}}_{i,j}}$ 其中ξ，x分别为身份认证时提取的人脸特征和存储的人脸特征，x_i，j，ξ_i，j分别为身份认证时提取的人脸图像和存储的人脸图像的第j个块内的直方图的第i个值，w_j为第j个块的权系数。

Images