CN101770567A - 一种识别生物特征的方法及系统 - Google Patents

一种识别生物特征的方法及系统 Download PDF

Info

Publication number
CN101770567A
CN101770567A CN200810205300A CN200810205300A CN101770567A CN 101770567 A CN101770567 A CN 101770567A CN 200810205300 A CN200810205300 A CN 200810205300A CN 200810205300 A CN200810205300 A CN 200810205300A CN 101770567 A CN101770567 A CN 101770567A
Authority
CN
China
Prior art keywords
point
minutiae
minutiae point
base
attribute
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.)
Granted
Application number
CN200810205300A
Other languages
English (en)
Other versions
CN101770567B (zh
Inventor
李健
刘中秋
吕虹晓
占海花
梁敏
蒋文琦
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.)
Miaxis Biometrics Co Ltd
Original Assignee
ZHONGZHENG BIOLOGICAL IDENTIFICATION TECHNOLOGY Co Ltd HANGZHOU
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 ZHONGZHENG BIOLOGICAL IDENTIFICATION TECHNOLOGY Co Ltd HANGZHOU filed Critical ZHONGZHENG BIOLOGICAL IDENTIFICATION TECHNOLOGY Co Ltd HANGZHOU
Priority to CN2008102053008A priority Critical patent/CN101770567B/zh
Publication of CN101770567A publication Critical patent/CN101770567A/zh
Application granted granted Critical
Publication of CN101770567B publication Critical patent/CN101770567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Collating Specific Patterns (AREA)

Abstract

一种识别生物特征的方法，在现场生物特征和生物模板中构造关键奇异点和细节点的旋转无关属性，找到初次匹配点对集合，利用直方图对生物特征的偏移分布进行整体统计，形成二次匹配点对集合，并计算出现场生物特征和生物模板的对齐参数，判断现场生物特征和生物模板是否匹配。本发明使生物特征的识别过程准确性高且速度快。

Description

一种识别生物特征的方法及系统
技术领域
本发明属于生物特征识别技术，特别涉及一种识别生物特征的方法及系统。
背景技术
生物认证技术是一项利用人体生物特征来确定个人身份的技术，可广泛应用于刑侦、安全、银行等领域。目前，生物认证技术中发展的最为成熟、应用最为广泛的是指纹认证技术。指纹以其因人而异、因指而异，而且容易采集和识别，即由于指纹认证存在方便使用、安全性高等特点，在安全领域、金融领域和民众生活领域都能看到指纹身份识别的技术产品，比如指纹门禁、指纹笔记本、指纹银行柜员机、指纹银行POS机、指纹U盘等。
指纹认证主要包括指纹采集和指纹识别这两个部分，即预先采集用户的指纹作为指纹模板库的指纹模板，后续认证时对采集到的用户指纹，与指纹模板库中的指纹模板进行对比，找到与之匹配的指纹模板。
在专利号为02110873.0中公开了一种指纹识别方法，该专利形成了指纹数据搜索算法的早期主流模式，其中提到在对指纹识别特征进行旋转对齐的时候，通过选择多对基准点设定对齐参数，并需对每个不同基准点的对齐参数分别进行对齐，导致识别速度大幅度下降，同时还存在基准点对随着指纹特征采集时的变形而导致基准点的变形，严重影响性能的准确性。
在专利号为200610065297.5中公开的另一个专利，发明名称为“指纹识别方法与系统”，也提到了指纹搜索过程，它主要依靠细节点拓扑图的相似度，结合了奇异点、平均脊密度和块方向图特征。对于大部分的图像，仍然需要计算细节点拓扑图的相似度，计算时间长。另外若简单地两两比对奇异点的位置、方向和类型，得到的相似度累加到全局特征相似度中，则对奇异点的计算准确度要求高，对性能也仅有微弱改善，却造成搜索所需时间比较长。
目前，随着计算机网络的普及，提供异地的身份识别成为可能。以金融系统为例，若整一银行系统采用指纹识别来进行身份认证，则存储的指纹模板库是一个海量数据库，当需要认证某一用户时，将采集到该用户的指纹从海量数据库中找到与之匹配的指纹模板，按照上述的搜索方法，消耗时间太长，根本无法满足该些需求。也就是说，面对大库容的数据量，以及随后的计算机硬件系统的不断更新，如果沿用现有的技术，仍将大大降低指纹比对消耗时间，甚至影响比对准确性。如何更快完成指纹的快速搜索，并保证结果的准确性，是当今指纹识别技术的一个瓶颈，更是对搜索算法的一个挑战。
当然，除了指纹这种生物特征需要进行识别，其它类型的生物特征同样也需要进行现场生物特征与数据库中预先存储的生物特征进行识别，以完成身份验证。现有的识别生物特征的方法同样存在准确性不高且识别时间过长的技术问题。
发明内容
本发明的目的在于提供一种识别生物特征的方法，以解决现有技术中识别生物特征的方法同样存在识别时间过长且准确性不高的技术问题。
本发明的另一目的在于提供一种识别生物特征的系统，以解决现有技术中识别生物特征的方法同样存在准确性不高且识别时间过长的技术问题。
为了达到上述目的，本发明提供了一种识别生物特征的方法，包括：
(1)采集现场生物特征，从中提取奇异点和细节点；
(2)借助奇异点，分别构造现场生物特征和生物模板的细节点的旋转无关属性，并组成生物模板细节点集合和现场生物特征细节点集合；
(3)将生物模板的细节点集合和现场生物特征的细节点集合中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合；
(4)根据直方图统计方法统计初次匹配点对集合内初次配对细节点的偏移分量分布，构造二次匹配点对集合，并计算集合中现场生物特征和生物模板的对齐参数；
(5)按照对齐参数，将二次匹配点对集合内的所有二次匹配点对的现场特征细节点属性进行角度旋转和位置平移，达到与模板里对应的细节点属性对齐；
(6)计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板中的特征是否匹配。
依照本发明较佳实施例所述的方法，其步骤(2)进一步包括：
通过比较现场生物特征和生物模板的奇异点属性差异，对奇异点进行配对并计算配对得分，找到取自现场生物特征和生物模板中配对得分最高的一组奇异点作为关键奇异点；
分别在指纹现场特征和生物模板中，根据每个细节点与关键奇异点的关系以及该细节点的原有属性，构造该细节点的旋转无关属性。
依照本发明较佳实施例所述的方法，其旋转无关属性包括λ，α，β，其中，λ表示细节点和关键奇异点之间的距离，α表示细节点方向到关键奇异点连线方向所成的夹角，β表示关键奇异点方向和关键奇异点到细节点连线方向所成的夹角。
依照本发明较佳实施例所述的方法，其步骤(4)中构造二次匹配点对集合进一步包括：
Al：计算基准角度偏移量θbase：令集合{Δθ1}表示初次匹配点对集合的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θkmax，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
A2：计算基准水平偏移量xbase：令集合{Δx}为初次匹配点对集合中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2， 表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
A3：计算基准垂直偏移量ybase：令集合{Δy}为初次匹配点对集合中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max；
A4：从初次匹配点对集合中，筛选各分量同时满足以下条件的接近基准偏移量的元素作为形成各偏移分量分布最集中的二次匹配点对集合：|Δθ-θbase|＜ξ1且|Δx-xbase|＜ξ2且|Δy-ybase|＜ξ3，ξ1、ξ2、ξ3、为一个预先设定的数。
依照本发明较佳实施例所述的方法，其生物特征包括指纹特征、指静脉特征、掌纹特征、掌静脉特征。
依照本发明较佳实施例所述的方法，其步骤(3)中进一步包括：
以旋转无关属性的某一属性为考量属性，先在生物模板细节点集合中找到考量属性满足阈值要求的细节点集合，然后从该些细节点集合中找到剩余属性分别满足预设阈值要求的细节点，作为初次配对细节点。
7、一种识别生物特征的系统，其特征在于，包括：
采集器：用于采集现场生物特征；
旋转无关属性构建单元：用于将借助奇异点，分别构造现场生物特征和生物模板的细节点的旋转无关属性，并各自组成细节点集合；
初次匹配单元：用于将生物模板的细节点集合和现场生物特征的细节点集合中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合；
二次匹配单元：用于统计初次匹配点对集合各偏移分量的分布情况，筛选出具有一致的角度偏移、横坐标偏移和纵坐标偏移的点对，组成该三个偏移分量分布最集中的二次匹配点对集合；
对齐参数计算单元：用于计算二次匹配点对集合内三种偏移分量的平均值，作为现场特征和模板的对齐参数；
对齐单元：用于按照对齐参数，将集合内的每一对最终匹配点对的现场特征细节点的旋转相关属性进行角度旋转和位置平移，达到与模板里对应的细节点对齐；
最终匹配单元：计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板中的特征是否匹配。
依照本发明较佳实施例所述的系统，其二次匹配单元进一步包括：
基准角度偏移量计算单元：用于用直方图统计方法计算基准角度偏移量θbase，令集合{Δθ1}表示初次匹配点对集合的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θk_max，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
基准水平偏移量计算单元：用于用直方图统计方法计算基准水平偏移量，令集合{Δx}为初次匹配点对集合中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2，表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
基准垂直偏移量计算单元：用于用直方图统计方法计算基准垂直偏移量，令集合{Δy}为初次匹配点对集合中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max。
相对于现有技术，本发明具有以下优点：
1.现有技术在对生物识别特征提取配对点对的过程中，引用了细节点和其他所有细节点的拓扑关系，由此导致配对速度相当缓慢。本发明利用奇异点，构造了细节点的旋转无关属性，能很快提取配对点对，能使识别过程的运算速度显著被提高。
2.现有技术在对生物识别特征进行对齐的时候，通过选择多对基准点，并需对每对不同基准点的对齐参数分别进行对齐，导致速度大幅度下降。本发明设置一组对齐参数，能使识别过程的运算速度显著被提高。
3.现有技术在对生物识别特征进行旋转对齐的时候，通过选择多对基准点并设定多组对齐参数，才能保证准确性。本发明设置的一组对齐参数是基于统计生物特征的整体偏移分布，能进一步保证性能的准确性。
4.现有技术在对生物识别特征进行旋转对齐的时候，通过选择好几对基准点设定对齐参数，所以存在基准点对随着生物特征采集时的变形而导致基准点的变形，严重影响性能的准确性，本发明引入对生物特征的偏移分布的整体统计，解决了上述采集的生物特征变形问题，极大提高了准确性。
附图说明
图1为本发明一种识别生物特征的方法的流程图；
图2为一细节点的旋转无关属性信息的示例图。
具体实施方式
以下结合附图，具体说明本发明。
本发明在现场生物特征和生物模板中按照对旋转无关属性的考量，找到初次匹配点对集合S1，本发明的核心在于构造关键奇异点和细节点的旋转无关属性，利用直方图统计的方法计算现场生物特征和生物模板的对齐参数，以便现场生物特征与生物模板的对齐及匹配判断。
请参阅图1，其为一种识别生物特征的方法的流程图。它包括：
S110：采集现场生物特征，从中提取奇异点和细节点。
提取要进行识别的现场生物特征里的奇异点和细节点：提取到原始奇异点和细节点。利用点和方向图的关系，去掉伪奇异点和细节点，得到有效奇异点和细节点信息，包括点的位置、方向和质量。其中，生物特征图像中的奇异点为少量的某几个特征点，描述了生物特征图像的全局信息。细节点为数量较多的一些特征点，描述了生物特征图像的局部信息。
以指纹为例，根据Poincare Index方法提取到指纹中的原始奇异点和细节点。其中，细节点存在于单个脊线偏离连续脊线流处，是指纹个性化的脊线特征。偏离可表现为终端、分叉或更复杂的“复合”形式。奇异点为指纹脊线曲率最大的点。
当然，生物特征除了指纹，还包括指静脉特征、掌纹、掌静脉特征类等其它生物特征，因为这些生物特征在进行识别时，皆可对生物特征全局或局部特征的纹理或纹理上的特殊点进行提取、属性构建、旋转偏移量计算、对齐和计算相似度，得到相似性匹配结果。以下主要以指纹特征来进行实例说明。
S120：借助奇异点，分别构造现场指纹特征和指纹模板的细节点的旋转无关属性，并组成指纹模板细节点集合M和现场指纹特征细节点集合N。具体为：
1、通过比较现场指纹特征和指纹模板的奇异点属性差异，对奇异点进行配对并计算配对得分，找到取自现场指纹特征和指纹模板中配对得分最高的一组奇异点作为关键奇异点。奇异点属性包括奇异点自身方向和局部方向场信息，比如，奇异点自身方向和局部方向场差异越小，奇异点质量越高，则配对得分越高。
2、在指纹现场特征中，根据每个细节点与关键奇异点的关系以及该细节点的原有属性，构造该细节点的旋转无关属性。旋转无关属性可以为(λ，α，β，t)。其中，λ表示细节点和关键奇异点之间的距离，α表示细节点方向到关键奇异点连线方向所成的夹角，β表示关键奇异点方向和关键奇异点到细节点连线方向所成的夹角，t表示该细节点类型为端点或者叉点。旋转无关属性也可以为(λ，α，β)，请参阅图2，为属性λ，α，β的示例图。
3、按照上述同样的方法，构造出指纹模板中每个细节点的旋转无关属性。
需要说明的是，步骤3和步骤2执行的顺序不具有先后性，即可以是步骤3也执行，或是同时执行。
设定指纹模板的细节点集合为M，现场指纹特征的细节点集合为N。其中指纹模板的细节点集合M和现场指纹特征的细节点集合N里的每个元素，即细节点，包括的属性为(x，y，θ，λ，α，β)，其中，x，y为细节点的横纵坐标、θ为细节点自身的方向，λ，α，β为该细节点和关键奇异点的旋转无关属性。
旋转无关属性为细节点自身的属性，当进行旋转或移动时，该属性不发生变化。
S130：将指纹模板的细节点集合M和现场指纹特征的细节点N中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合S1。
通常情况下，现场指纹特征的细节点N中的每一个细节点，都要去指纹模板的细节点M中查找是不是存在符合条件的配对细节点，组成配对细节点对。一种比较常见的查找符合条件的配对细节点对的方法为：以旋转无关属性的某一属性为考量属性，先在指纹模板的细节点M中找到考量属性满足阈值要求的细节点集合，然后从该些细节点集合中找到剩余属性分别满足预设阈值要求的细节点，作为配对细节点。
以下就一个具体实施例来说明上述的实现过程：
1)、将M中的细节点按照属性λ的值进行排序，得到新的集合M’。
2)、对于N中每一个细节点i，通过以下步骤从M’中找到与i配对的点。
3)、首先，利用二分法从M’中提取与细节点i的属性差异较小的点j组成集合M′1＝{j|j∈M′，且|λi-λj|≤ξ1}，其中ξ1是预先给定的值较小的数。
4)、比较i和M’中每一个点j的其他三个旋转无关属性，提取M’1中其他三个属性差异较小的点组成集合M’2，
M′2＝{j|j∈M′1，且|αi-αj|≤ξ2，且|βi-βj|≤ξ3，且ti＝tj}，
其中ξ2和ξ3是预先给定的值较小的数。
5)、计算i与M’2中所有点的属性差异得分Dif(j)
Dif(j)＝a1·|λi-λj|+a2·|αi-αj|+a3·|βi-βj|}，
提取M’2中与i属性差异得分最小的细节点k，Dif(k)＝MIN(Dif(i))，若Dif(k)小于预先给定常量阈值，则i和k即构成了一组配对细节点对<i，k>。
6)、验证N中是否还有其他未遍历的点i，若是，则对于i重复步骤3、4、5。
7)、N中的所有细节点遍历结束，则将所有配对的配对细节点对组成集合S1＝{＜i，k＞|i∈N，k∈M′}
这里的二分法为公知的方法，这里就不再赘述。
S140：用直方图统计方法构造二次匹配点对集合，并计算集合中现场指纹特征和指纹模板的对齐参数。
在指纹中的细节点有真细节点和伪细节点两种，其中真细节点具有一致的基准偏移量，伪细节点具有多元化的偏移量；在这里引用该直方图统计方法，能快速有效的统计初次匹配点对集合S1内各偏移分量的分布情况，剔除多元化的伪细节点对，筛选出集合初次匹配点对S1具有一致的角度偏移、横坐标偏移和纵坐标偏移的点对，组成该偏移分量分布最集中的二次匹配点对集合S2。
统计初次匹配点对集合S1内各初次匹配点对的偏移量的分布。其中，偏移量包括三个偏移分量(Δθ，Δx，Δy)。角度分量Δθ＝θa-θb表示一对最终匹配点对之间的方向偏移，水平分量Δx＝xa-xb表示一对最终匹配点对之间的横坐标偏移，垂直分量Δy＝ya-yb表示一对最终匹配点对之间的纵坐标偏移。
根据该集合计算三种偏移分量的平均值，作为现场特征和模板的对齐参数(Sθ，Sx，Sy)；
对齐参数为旋转相关属性。旋转相关属性为对细节点进行角度旋转或位置平移时发生变化的属性。
用直方图统计方法构造二次匹配点对集合S2，并计算初次匹配点对集合S1中现场指纹特征和指纹模板的对齐参数的具体步骤为：
Al：计算基准角度偏移量θbase：令集合{Δθ1}表示初次匹配点对集合S1的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θk_max，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
A2：计算基准水平偏移量xbase：令集合{Δx}为初次匹配点对集合S1中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2，表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
A3：计算基准垂直偏移量ybase：令初次匹配点对集合{Δy}为集合S1中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max；
A4：从初次匹配点对集合S1中，筛选各分量同时满足以下条件的接近基准偏移量的元素作为形成各偏移分量分布最集中的二次配对点对集合S2：|Δθ-θbase|＜ξ1且|Δx-xbase|＜ξ2且|Δy-ybase|＜ξ3，ξ1、ξ2、ξ3、为一个预先设定的数。
A5：计算二次匹配点对集合S2内三种偏移分量的平均值，作为现场特征和模板的对齐参数(Sθ，Sx，Sy)；
S150：按照对齐参数(Sθ，Sx，Sy)，将二次匹配点对集合S2内的所有二次匹配点对的现场特征细节点属性进行角度旋转和位置平移，达到与模板里对应的细节点属性对齐；
S160：计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板是否匹配。
计算对齐后的最终匹配点对的相似度，若大于某一个预定的阈值，则判对该现场指纹特征匹配成功。
一种识别生物特征的系统，包括：
采集器：用于采集现场生物特征；
旋转无关属性构建单元：用于将借助奇异点，分别构造现场生物特征和生物模板的细节点的旋转无关属性，并各自组成细节点集合；
初次匹配单元：用于将生物模板的细节点集合M和现场生物特征的细节点集合N中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合；
二次匹配单元：用于统计初次匹配点对集合各偏移分量的分布情况，筛选出具有一致的角度偏移、横坐标偏移和纵坐标偏移的点对，组成该三个偏移分量分布最集中的二次匹配点对集合；
对齐参数计算单元：用于计算二次匹配点对集合内三种偏移分量的平均值，作为现场特征和模板的对齐参数(Sθ，Sx，Sy)；
对齐单元：用于按照对齐参数(Sθ，Sx，Sy)，将集合内的每一对最终匹配点对的现场特征细节点的旋转相关属性进行角度旋转和位置平移，达到与模板里对应的细节点对齐；
最终匹配单元：通过计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板中的特征是否匹配。
二次匹配单元进一步包括：
基准角度偏移量计算单元：用于用直方图统计方法计算基准角度偏移量θbase，令集合{Δθ1}表示初次匹配点对集合S1的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θk_max，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
基准水平偏移量计算单元：用于用直方图统计方法计算基准水平偏移量，令集合{Δx}为初次匹配点对集合S1中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2，表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
基准垂直偏移量计算单元：用于用直方图统计方法计算基准垂直偏移量，令集合{Δy}为初次匹配点对集合S1中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max。
以上公开的仅为本发明的几个具体实施例，但本发明并非局限于此，任何本领域的技术人员能思之的变化，都应落在本发明的保护范围内。

Claims (8)

1.一种识别生物特征的方法，其特征在于，包括：
(1)采集现场生物特征，从中提取奇异点和细节点；
(2)借助奇异点，分别构造现场生物特征和生物模板的细节点的旋转无关属性，并组成生物模板细节点集合和现场生物特征细节点集合；
(3)将生物模板的细节点集合和现场生物特征的细节点集合中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合；
(4)根据直方图统计方法统计初次匹配点对集合内初次配对细节点的偏移分量分布，构造二次匹配点对集合，并计算集合中现场生物特征和生物模板的对齐参数；
(5)按照对齐参数，将二次匹配点对集合内的所有二次匹配点对的现场特征细节点属性进行角度旋转和位置平移，达到与模板里对应的细节点属性对齐；
(6)计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板中的特征是否匹配。
2.如权利要求1所述的方法，其特征在于，步骤(2)进一步包括：
通过比较现场生物特征和生物模板的奇异点属性差异，对奇异点进行配对并计算配对得分，找到取自现场生物特征和生物模板中配对得分最高的一组奇异点作为关键奇异点；
分别在指纹现场特征和生物模板中，根据每个细节点与关键奇异点的关系以及该细节点的原有属性，构造该细节点的旋转无关属性。
3.如权利要求2所述的方法，其特征在于，旋转无关属性包括λ，α，β，其中，λ表示细节点和关键奇异点之间的距离，α表示细节点方向到关键奇异点连线方向所成的夹角，β表示关键奇异点方向和关键奇异点到细节点连线方向所成的夹角。
4.如权利要求3所述的方法，步骤(4)中构造二次匹配点对集合进一步包括：
A1：计算基准角度偏移量θbase：令集合{Δθ1}表示初次匹配点对集合的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θk_max，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
A2：计算基准水平偏移量xbase：令集合{Δx}为初次匹配点对集合中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2，表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
A3：计算基准垂直偏移量ybase：令集合{Δy}为初次匹配点对集合中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max；
A4：从初次匹配点对集合中，筛选各分量同时满足以下条件的接近基准偏移量的元素作为形成各偏移分量分布最集中的二次匹配点对集合：|Δθ-θbase|＜ξ1且|Δx-xbase|＜ξ2且|Δy-ybase|＜ξ3，ξ1、ξ2、ξ3、为一个预先设定的数。
5.如权利要求1所述的方法，其特征在于，所述生物特征包括指纹特征、指静脉特征、掌纹特征、掌静脉特征。
6.如权利要求1所述的方法，其特征在于，步骤(3)中进一步包括：
以旋转无关属性的某一属性为考量属性，先在生物模板细节点集合中找到考量属性满足阈值要求的细节点集合，然后从该些细节点集合中找到剩余属性分别满足预设阈值要求的细节点，作为初次配对细节点。
7.一种识别生物特征的系统，其特征在于，包括：
采集器：用于采集现场生物特征；
旋转无关属性构建单元：用于将借助奇异点，分别构造现场生物特征和生物模板的细节点的旋转无关属性，并各自组成细节点集合；
初次匹配单元：用于将生物模板的细节点集合和现场生物特征的细节点集合中，各旋转无关属性差异较小的细节点配对，形成初次匹配点对集合；
二次匹配单元：用于统计初次匹配点对集合各偏移分量的分布情况，筛选出具有一致的角度偏移、横坐标偏移和纵坐标偏移的点对，组成该三个偏移分量分布最集中的二次匹配点对集合；
对齐参数计算单元：用于计算二次匹配点对集合内三种偏移分量的平均值，作为现场特征和模板的对齐参数；
对齐单元：用于按照对齐参数，将集合内的每一对最终匹配点对的现场特征细节点的旋转相关属性进行角度旋转和位置平移，达到与模板里对应的细节点对齐；
最终匹配单元：计算对齐后的所有二次配对细节点对的相似度，确定现场特征和模板中的特征是否匹配。
8.如权利要求7所述的系统，其特征在于，二次匹配单元进一步包括：
基准角度偏移量计算单元：用于用直方图统计方法计算基准角度偏移量θbase，令集合{Δθ1}表示初次匹配点对集合的角度分量，将角度从[0，360)量化到[0，u1)共u1级，得到集合{Δθ2|Δθ2＝(Δθ1+v1/2)/v1}，其中，u1×v1＝360，令函数H(θk)＝nk1，表示集合{Δθ2}的角度直方图，其中θk是第k级角度，nk1是{Δθ2}中角度级数为θk的个数，找出H(θk)取到最大值的级数θk_max，设基准角度偏移量为θbase，则θbase＝v1×θk_max；
基准水平偏移量计算单元：用于用直方图统计方法计算基准水平偏移量，令集合{Δx}为初次匹配点对集合中的水平分量，wid为图像宽度，将水平分量从[-wid，wid]量化到[0，u2]共u2级，得到集合{Δx2|Δx2＝(Δx1+wid+v2/2)/v2}，其中，u2×v2＝2wid。令函数H(xk)＝nk2，表示集合{Δx2}的水平偏移量直方图，其中xk是第k级水平偏移量，nk2是{Δx2}中级数为xk的个数，找出H(xk)取到最大值的级数xk_max，设基准水平偏移量为xbase，则xbase＝v2×xk_max；
基准垂直偏移量计算单元：用于用直方图统计方法计算基准垂直偏移量，令集合{Δy}为初次匹配点对集合中的垂直分量，high为图像高度，将垂直分量从[-high，high]量化到[0，u3]共u3级，得到集合{Δy2|Δy2＝(Δy1+high+v3/2)/v3}，其中，u3×v3＝2wid。令函数H(yk)＝nk3，表示集合{Δy2}垂直偏移量直方图，其中yk是第k级垂直偏移量，nk3是{Δy2}中级数为yk的个数，找出H(yk)取到最大值的级数yk_max，设基准垂直偏移量为ybase，则ybase＝v3×yk_max。
CN2008102053008A 2008-12-31 2008-12-31 一种识别生物特征的方法及系统 Active CN101770567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2008102053008A CN101770567B (zh) 2008-12-31 2008-12-31 一种识别生物特征的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008102053008A CN101770567B (zh) 2008-12-31 2008-12-31 一种识别生物特征的方法及系统

Publications (2)

Publication Number Publication Date
CN101770567A true CN101770567A (zh) 2010-07-07
CN101770567B CN101770567B (zh) 2012-05-02

Family

ID=42503419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008102053008A Active CN101770567B (zh) 2008-12-31 2008-12-31 一种识别生物特征的方法及系统

Country Status (1)

Country Link
CN (1) CN101770567B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996318A (zh) * 2010-11-25 2011-03-30 杭州晟元芯片技术有限公司 一种快速计算指纹相似度的方法
CN102855279A (zh) * 2012-07-26 2013-01-02 哈尔滨理工大学 基于细节点隆线形状的目标指纹快速查找方法
CN103971107A (zh) * 2014-05-28 2014-08-06 深圳市中兴移动通信有限公司 一种移动终端及其利用指纹进行健康识别的方法和装置
CN104036267A (zh) * 2014-07-03 2014-09-10 南昌欧菲生物识别技术有限公司 指纹注册、指纹识别方法及具有指纹识别功能的终端设备
CN104995640A (zh) * 2012-11-02 2015-10-21 维普公司 指纹匹配算法
CN105117716A (zh) * 2015-09-22 2015-12-02 镇江锐捷信息科技有限公司 基于matlab的指纹识别方法
CN105279472A (zh) * 2014-05-28 2016-01-27 上海方付通商务服务有限公司 一种掌纹识别方法及系统
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105512644A (zh) * 2016-01-15 2016-04-20 福建宜品网络科技有限公司 一种指静脉识别装置及其识别方法
CN106599657A (zh) * 2015-04-11 2017-04-26 贵阳科安科技有限公司 用于移动终端生物特征识别的动态检测和反馈方法
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法
CN107077558A (zh) * 2017-02-09 2017-08-18 深圳市汇顶科技股份有限公司 基于生物特征的认证方法、认证装置及电子设备
CN107909031A (zh) * 2017-11-15 2018-04-13 张威 一种犯罪现场指纹纹线遗留区域频度动态重建方法
CN114782715A (zh) * 2022-04-08 2022-07-22 宁波芯然科技有限公司 一种基于统计信息的静脉识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1217287C (zh) * 2002-02-22 2005-08-31 杭州中正生物认证技术有限公司 指纹识别方法与系统
CN100412883C (zh) * 2006-03-23 2008-08-20 北京中控科技发展有限公司 指纹识别方法与系统

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996318B (zh) * 2010-11-25 2013-01-30 杭州晟元芯片技术有限公司 一种快速计算指纹相似度的方法
CN101996318A (zh) * 2010-11-25 2011-03-30 杭州晟元芯片技术有限公司 一种快速计算指纹相似度的方法
CN102855279A (zh) * 2012-07-26 2013-01-02 哈尔滨理工大学 基于细节点隆线形状的目标指纹快速查找方法
CN102855279B (zh) * 2012-07-26 2018-05-22 哈尔滨理工大学 基于细节点隆线形状的目标指纹快速查找方法
CN104995640A (zh) * 2012-11-02 2015-10-21 维普公司 指纹匹配算法
CN103971107A (zh) * 2014-05-28 2014-08-06 深圳市中兴移动通信有限公司 一种移动终端及其利用指纹进行健康识别的方法和装置
CN105279472A (zh) * 2014-05-28 2016-01-27 上海方付通商务服务有限公司 一种掌纹识别方法及系统
CN104036267A (zh) * 2014-07-03 2014-09-10 南昌欧菲生物识别技术有限公司 指纹注册、指纹识别方法及具有指纹识别功能的终端设备
CN106599657A (zh) * 2015-04-11 2017-04-26 贵阳科安科技有限公司 用于移动终端生物特征识别的动态检测和反馈方法
CN105117716A (zh) * 2015-09-22 2015-12-02 镇江锐捷信息科技有限公司 基于matlab的指纹识别方法
CN105117716B (zh) * 2015-09-22 2019-01-22 昆山开锐信息科技有限公司 基于matlab的指纹识别方法
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105426821B (zh) * 2015-11-04 2018-09-07 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105512644A (zh) * 2016-01-15 2016-04-20 福建宜品网络科技有限公司 一种指静脉识别装置及其识别方法
CN105512644B (zh) * 2016-01-15 2020-04-24 福建省宜品生物科技有限公司 一种指静脉识别装置及其识别方法
CN106611168B (zh) * 2016-12-29 2019-06-18 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法
CN106611168A (zh) * 2016-12-29 2017-05-03 杭州电子科技大学 基于细化图像和方向场图的指静脉快速识别方法
WO2018145286A1 (zh) * 2017-02-09 2018-08-16 深圳市汇顶科技股份有限公司 基于生物特征的认证方法、认证装置及电子设备
CN107077558A (zh) * 2017-02-09 2017-08-18 深圳市汇顶科技股份有限公司 基于生物特征的认证方法、认证装置及电子设备
CN107077558B (zh) * 2017-02-09 2020-03-31 深圳市汇顶科技股份有限公司 基于生物特征的认证方法、认证装置及电子设备
CN107909031A (zh) * 2017-11-15 2018-04-13 张威 一种犯罪现场指纹纹线遗留区域频度动态重建方法
CN107909031B (zh) * 2017-11-15 2021-06-08 张威 一种犯罪现场指纹纹线遗留区域频度动态重建方法
CN114782715A (zh) * 2022-04-08 2022-07-22 宁波芯然科技有限公司 一种基于统计信息的静脉识别方法
CN114782715B (zh) * 2022-04-08 2024-04-16 宁波芯然科技有限公司 一种基于统计信息的静脉识别方法

Also Published As

Publication number Publication date
CN101770567B (zh) 2012-05-02

Similar Documents

Publication Publication Date Title
CN101770567B (zh) 一种识别生物特征的方法及系统
CN107748877B (zh) 一种基于细节点和纹理特征的指纹图像识别方法
Zhao et al. High resolution partial fingerprint alignment using pore–valley descriptors
Choi et al. Fingerprint matching incorporating ridge features with minutiae
Lee et al. Partial fingerprint matching using minutiae and ridge shape features for small fingerprint scanners
CN111507206B (zh) 一种基于多尺度局部特征融合的手指静脉识别方法
CN109903774A (zh) 一种基于角度间隔损失函数的声纹识别方法
US20100080425A1 (en) Minutiae-based template synthesis and matching
Uz et al. Minutiae-based template synthesis and matching for fingerprint authentication
WO2010069166A1 (zh) 快速指纹搜索方法及快速指纹搜索系统
CN102254165A (zh) 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
Marcialis et al. Fusion of multiple fingerprint matchers by single-layer perceptron with class-separation loss function
Ramachandra et al. Robust offline signature verification based on global features
CN104036245A (zh) 一种基于在线特征点匹配的生物特征识别方法
Bahaa-Eldin A medium resolution fingerprint matching system
Prashanth et al. Off-line signature verification based on angular features
WO2006062378A1 (en) Fingerprint recognition method
Akulwar et al. Secured multi modal biometric system: a review
Mane et al. Novel multiple impression based multimodal fingerprint recognition system
Seng et al. An improved fingerprint image matching and multi-view fingerprint recognition algorithm.
Izadi et al. Introduction of cylinder quality measure into minutia cylinder-code based fingerprint matching
Uz et al. Minutiae-based template synthesis and matching using hierarchical Delaunay triangulations
Bazen et al. Achievements and challenges in fingerprint recognition
Li et al. Multi-feature based score fusion method for fingerprint recognition accuracy boosting
Patel et al. An improved approach in core point detection algorithm for fingerprint recognition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C56 Change in the name or address of the patentee

Owner name: ZHEJIANG MIAXIS INTELLIGENT TECHNOLOGY CO., LTD.

Free format text: FORMER NAME: ZHONGZHENG BIOLOGICAL IDENTIFICATION TECHNOLOGY CO., LTD., HANGZHOU

CP03 Change of name, title or address

Address after: 310012, room 12, building A1201-A1204, science building, Hangzhou East Software Park, 90, Xihu District, Zhejiang, Hangzhou, Wensanlu Road

Patentee after: MIAXIS Biometrics Co., Ltd.

Address before: 12, Hangzhou, Zhejiang, Xihu District, Wensanlu Road 90, Hangzhou Software Park, 310012 floor, A1201-A1204 building, high tech Zone (hi tech Zone)

Patentee before: Zhongzheng Biological Identification Technology Co., Ltd., Hangzhou

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 310012 Zhejiang Hangzhou Xihu District Wensanlu Road 90 71 Building 5 East 505-508, West 501-508 room

Patentee after: MIAXIS Biometrics Co., Ltd.

Address before: Room A1201-A1204, 12th floor, Science and Technology Building, East Hangzhou Software Park, No. 90 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: MIAXIS Biometrics Co., Ltd.