CN102332084B - 基于掌纹和人脸特征提取的身份识别方法 - Google Patents
基于掌纹和人脸特征提取的身份识别方法 Download PDFInfo
- Publication number
- CN102332084B CN102332084B CN201010237730.5A CN201010237730A CN102332084B CN 102332084 B CN102332084 B CN 102332084B CN 201010237730 A CN201010237730 A CN 201010237730A CN 102332084 B CN102332084 B CN 102332084B
- Authority
- CN
- China
- Prior art keywords
- training sample
- image
- palmmprint
- test sample
- face
- 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.)
- Expired - Fee Related
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于掌纹和人脸特征提取的身份识别方法,其特征在于,包括:对掌纹图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵Y′和Yi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为掌纹图像训练样本类别编号;对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵H′和Hi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离 将所述和进行归一化处理,并对掌纹特征和对应人脸的特征进行融合来判断身份。本发明融合了手掌的纹理信息和人的脸部的结构信息,可提高识别率。
Description
技术领域
本发明涉及生物特征识别技术领域,特别涉及一种基于掌纹和人脸特征提取的身份识别方法。
背景技术
信息技术的飞速发展推动了社会的进步,随之现代社会对信息技术又提出了更新和更高的要求。整个社会信息化和网络化,而信息化和网络化的高速发展,又对各种信息和系统的安全性提出了更高的要求。身份识别是强化信息和系统安全性的基本方法之一。
人的生物特征具有唯一性,不会被盗,丢失或遗忘,也很难伪造或模仿,所以生物特征识别技术能有效地克服传统身份识别方法在系统和信息安全方面的缺陷。除了能实现身份验证之外,该技术还能实现身份的辨识,即从多个人中辨认出某人。这个特点使得生物识别技术的应用范围得到了极大的扩展。
掌纹识别技术是近年来新兴的一种身份识别方法,和其他的同类技术相比,掌纹识别具有很多特点:①跟指纹一样,手掌上布满了乳突纹,但手掌区域却比手指区域大得多,因而它含有比指纹更为丰富的可区分信息。②手掌上有几条大的主线和很多的褶皱线,这是掌纹所独有的线特征,具有很强的区分能力和抗噪能力,并且可以在低分辨率低质量的掌纹图像中提取出来。③与虹膜以及视网膜相比,掌纹图像采集设备的价格低廉,并且更为方便,更容易被用户接受。④当使用高分辨率的采集设备时,手掌上的各种特征,如手掌的几何特征,手掌上的乳突纹,主线和褶皱线等特征可以融合在一起,形成一个高精度的识别系统。
人脸识别技术是通过计算机分析人脸图像,从中提取出有效的识别信息,用来“辨认”身份的一门技术,人脸识别在可用性方面具有独到的技术优势,主要体现在①非接触式采集,没有侵犯性,容易被接受。②具有强大的方便性,快捷性以及强大的事后追踪能力。③图像采集设备成本低。④更符合人类的识别习惯,可交互性强。
同时,上述两种识别方法又存在着各自的缺陷,在掌纹识别的过程中,存在着人的手掌的平移,旋转,平坦程度等不可控性因素,这样会使掌纹识别的正确率大幅下降。而人脸识别过程中,不同的光照条件,视角,距离变化等因素会极大地影响人脸图像的采集效果,从而降低识别性能。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何融合手掌的纹理信息和人的脸部的结构信息,提高识别率,以克服以往利用生物特征单一,能够利用的生物信息较少,并且由于受到各种外界因素的影响,例如光照等,而造成识别率低,误识率偏高等不足。
(二)技术方案
一种基于掌纹和人脸特征提取的身份识别方法,包括以下步骤:
S1:对掌纹图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵Y′和Yi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为掌纹图像训练样本类别编号;
S2:对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵H′和Hi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为人脸图像训练样本类别编号;
S3:将所述和按如下公式进行归一化处理:
S4:将归一化处理后的距离和按下述公式对掌纹特征和对应人脸的特征进行融合:
得到融合后的距离fi,取fi为最小值的第i类训练样本作为测试样本的身份类别。
其中,所述步骤S1具体包括:
S101:提取掌纹图像测试样本和训练样本的ROI图像fROI(x,y);
S102:利用Gabor滤波器对测试样本和训练样本的掌纹ROI图像进行二维滤波,得到二维滤波后的掌纹ROI图像fGabor(x,y),x,y为图像中的像素坐标;
S103:对滤波后的掌纹ROI图像采用2DPCA进行子空间特征投影,分别得到测试样本和训练样本掌纹图像的特征矩阵Y′和Yi,并计算
其中,所述步骤S101具体包括:
采用如下公式对测试样本和训练样本的掌纹图像进行平滑滤波处理:
I(x+m,y+n)为测试样本或训练样本的掌纹图像,f(x,y)为平滑滤波后的测试样本或训练样本的图像,x,y为图像中的像素坐标,增量m,n为-1,0或1;
对所述f(x,y)进行二值化处理,计算公式如下:
b(x,y)为二值化处理后的掌纹图像,t为二值化处理时的阈值;
对二值化处理后的掌纹图像用轮廓提取算法提取轮廓,得到掌纹图像的边缘坐标:
计算边缘坐标到掌纹图像中手腕中点的距离,并求取极小值,根据极小值计算食指和中指的交点以及无名指和小拇指之间的交点K1和K2,以K1和K2的连线为Y轴,过其中点的垂线作为X轴,建立参考坐标系,以该坐标系原点为中心,分割出固定尺寸的掌纹中心块,作为测试样本和训练样本的掌纹图像的ROI。
其中,分割出的固定尺寸的掌纹中心块为128×128像素的掌纹中心块。
其中,所述步骤S102中滤波方式具体为:
使用Gabor小波g(x,y)对提取的掌纹ROI图像进行卷积,fGabor(x,y)=g(x,y)*fROI(x,y)。
其中,所述步骤S103具体包括:
对Gabor滤波后的每类训练样本ROI图像,计算平均掌纹样本ROI图像:
其中,N为训练样本个数,Ni为第i类训练样本个数,fGaborij(x,y)为第i类中第j个训练样本的ROI图像;
将每类中的各个样本按如下公式进行规范化:其中Bij为fGaborij(x,y)规范化后的掌纹训练样本ROI图像;
计算规范化后掌纹训练样本ROI图像的协方差矩阵G:
其中,Bi为训练样本中第i个规范化后的掌纹训练样本ROI图像;
根据最优特征向量准则函数J(h)=hTGh,得到G的特征向量,以G的前d个最大特征值对应的单位正交特征向量构成一个特征子空间;
将掌纹训练样本fGabor(x,y)按类别向所述特征子空间做投影,得到每类训练样本的特征矩阵Yi,将掌纹测试样本向所述特征子空间做投影,得到特征矩阵Y′,并计算
其中,所述步骤S2具体包括:
S201:使用2DGabor熵变换对人脸图像测试样本和训练样本进行光照预处理;
S202:对光照预处理后的人脸图像的测试样本和训练样本进行LBP特征提取,分别生成测试样本和训练样本的LBP特征直方图矩阵和
S203:使用PCA对人脸图像的LBP特征直方图矩阵和进行子空间的特征提取,分别得到测试样本和训练样本人脸图像的特征矩阵H′和Hi,并计算
其中,所述步骤S201中2DGabor熵变换如下:
其中,L(x,y)为测试样本或训练样本的人脸图像,G(x,y)为2DGabor函数,Qmax和Qmin分别为测试样本或训练样本人脸图像Q(x,y)的最大值和最小值,E(Q′(x,y))为人脸图像中每个像素的平方和。
其中,所述步骤S202具体包括:
按类别对人脸图像训练样本进行LBP特征提取,并按以下公式(1)统计人脸图像训练样本经LBP计算后的特征直方图,
其中,B为2n,n为LBP算子的采样点个数,i为训练样本类别,j表示第i类中的第j个训练样本,I的取值为0或1;
利用公式(1)统计人脸图像测试样本经LBP计算后的特征直方图,此时i,j的值都取1,得到GDI的LBP直方图H;
将GDI的LBP直方图作为向量Hij和H,并把所有Hij合并为一矩阵H合并为一矩阵则和都为B×N矩阵,其中N为人脸图像测试样本或训练样本总数。
其中,所述步骤S203具体包括:
计算所述和的协方差矩阵∑H和∑Hi;
分别从所述协方差矩阵∑H和∑Hi中选择前k个最大本征特征值对应的特征向量构成变换矩阵A和Ai,通过线性变换和得到人脸图像测试样本的特征矩阵H′和每类训练样本的特征矩阵Hi,并计算
(三)有益效果
本发明使用数字图像处理技术,有效提取人的手掌的纹理信息和人的脸部的结构信息,将两种生物信息有机结合,进行人的身份识别,获得了更高的识别率,同时在识别时也具有更高的鲁棒性。
附图说明
图1是根据本发明的实施例的基于掌纹和人脸特征提取的身份识别方法流程图;
图2是根据本发明的实施例的基于掌纹和人脸特征提取的身份识别方法中测试样本和训练样本的掌纹原始图像;
图3是根据本发明的实施例的基于掌纹和人脸特征提取的身份识别方法在ROI过程中的掌纹图像,其中,(a)为二值化后的掌纹图像,(b)为掌纹图像边缘,(c)(d)为建立坐标系时的掌纹图像;
图4是根据本发明的实施例的基于掌纹和人脸特征提取的身份识别方法提取的ROI图像;
图5是根据本发明的实施例的基于掌纹和人脸特征提取的身份识别方法中人脸图像LBP提取过程图。
具体实施方式
本发明提出的基于掌纹和人脸特征提取的身份识别方法,结合附图和实施例说明如下。
如图1所示,步骤S1,对掌纹图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵Y′和Yi,计算测试样本和不同类别的训练样本的特征矩阵之间的距离其中i为掌纹图像训练样本类别编号。具体步骤为:
第一步,提取掌纹图像测试样本和训练样本的ROI图像fROI(x,y),原始的掌纹图像如图2所示。提取时首先按如下公式对测试样本和训练样本的掌纹图像进行平滑滤波处理:
I(x+m,y+n)为测试样本或训练样本的掌纹图像,f(x,y)为平滑滤波后的测试样本或训练样本的图像,x,y为图像中的像素坐标,增量m,n的值为-1,0或1。对所述f(x,y)进行二值化处理,计算公式如下:
b(x,y)为二值化处理后的图像,t为二值化处理时的阈值,二值化处理后的掌纹图像如图3(a)所示。对二值化处理后的掌纹图像用轮廓提取算法提取轮廓(边缘轮廓如图3(b)所示),得到掌纹图像的边缘坐标:计算边缘坐标到图像中手腕中点的距离,并求取极小值,根据极小值计算出食指和中指的交点以及无名指和小拇指之间的交点K1和K2,以K1和K2的连线为Y轴,过其中点的垂线作为X轴,建立参考坐标系(如图3(c)、3(d)所示)。以该坐标系原点为中心,分割出固定尺寸的掌纹中心块,作为测试样本和训练样本的掌纹图像的ROI。其中,分割固定尺寸的掌纹中心块优选为128×128像素的掌纹中心块,如图4所示。
第二步,利用Gabor小波g(x,y)对提取的测试样本和训练样本的掌纹ROI图像卷积的方式进行二维滤波:fGabor(x,y)=g(x,y)*fROI(x,y),fGabor(x,y)为滤波后的掌纹ROI图像。其中,g(x,y)具体为:
其中,为高斯包络的宽高比,通常取值为0.5~1.0,本实施例中γ=1,即σx=σy=σ,a为Gabor小波的尺度参数,θ为小波的方向(逆时针的旋转角度)。对于本实施例用的Gabor小波,取a=2-w,w=0,1,……,W-1,v=0,1,……,V-1,其中M=4,V=4。W和V分别为Gabor小波的尺度个数和方向个数。图5显示的是M=4,V=4的二维Gabor小波的实部和虚部,空域内4个尺度和4个方向的Gabor小波实部(w0=π/2,σ=2)。卷积后可得到不同尺度不同方向的掌纹特征图像。
第三步,对滤波后的掌纹ROI图像采用二维主元分析(two-dimensional principal component analysis,2DPCA)进行子空间特征投影,分别得到测试样本和训练样本掌纹图像的特征矩阵Y′和Yi。由于经过Gabor滤波的GaborROI都是128×128大小的高维数据,因此,在采用2DPCA进行子空间特征投影时先对GaborROI进行2倍的降采样到64×64。设fGaborijl(x,y)为Gabor滤波后的掌纹样本中第i类第j个样本的第l尺度和方向的ROI,计算第i类训练样本的第l尺度和方向的类内平均掌纹样本ROI图像:
其中,N为训练样本个数,Ni为第i类训练样本个数,l=1,…,16,4个尺度和4个方向。将每类中的各个样本按如下公式进行规范化:其中Bijl为fGaborijl(x,y)规范化后的掌纹训练样本ROI图像。计算规范化后掌纹训练样本ROI图像的协方差矩阵G:
其中,Bil为训练样本中第i个类别的第l尺度和方向的规范化后的掌纹训练样本ROI。根据最优特征向量准则函数J(h)=hTGh,得到G的特征向量,G为掌纹ROI矩阵的高,为128×128大小的矩阵。接下来进行2DPCA,对G进行降维。以G的前d个(优选为20个)最大特征值对应的单位正交特征向量构成一个特征子空间,其中,h为n维单位列向量。将掌纹训练样本fGabor(x,y)按类别向所述特征子空间做投影,得到每类训练样本在l尺度和方向上的特征矩阵Yil,将掌纹测试样本向所述特征子空间做投影,得到特征矩阵Y′l,并计算l尺度和方向上的测试样本和各个类别的训练样本的特征矩阵之间的距离求所有尺度和方向上的的平均值得到测试样本和各个类别的训练样本的特征矩阵之间的距离
步骤S2,对上述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵H′和Hi,计算测试样本和不同类别的训练样本的特征矩阵之间的距离其中i为人脸图像训练样本类别编号。具体步骤为:
第一步,为了减少光照的影响,使用2DGabor熵变换对人脸图像测试样本和训练样本进行光照预处理,2DGabor熵变换公式如下:
其中,L(x,y)为测试样本或训练样本的人脸图像,在计算Q(x,y)公式中的“*”为卷积操作,Qmax和Qmin分别为测试样本或训练样本人脸图像Q(x,y)的最大值和最小值。G(x,y)为2DGabor函数:
其中,xr=(x-x0)cos(θ)+(y-y0)sin(θ),yr=-(x-x0)sin(θ)+(y-y0)cos(θ),本实施例中取λ=2,θ=0,δx=1,δy=7,为使2DGabor函数在x0,y0位置时幅值为顶峰,取x0=0,y0=0。
第二步,按类别对人脸图像训练样本进行局部二值模式(LocalBinary Pattern,LBP)特征提取,并统计人脸图像训练样本经LBP计算后的特征直方图。本实施例中LBP算子定义为在3×3的窗口,以窗口中心像素点为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心点的值,则该像素位置被标记1,否则为0。这样,3×3邻域内的8个点可产生一个8-bit的无符号数,再按其位置赋以不同权重求和得一个整数,即得到该窗口的LBP值。在3×3的邻域内进行8个点的采样,则得到28种二进制模式,计算单一像素的LBP特征值的过程如图5所示。对人脸2DGabor熵图像GDI进行LBP特征提取,得到GDI中每一个像素的LBP特征值。然后统计LBP特征直方图,公式如下:
其中,B为256,i为训练样本类别,j表示第i类中的第j个训练样本,当GDILBPij(x,y)=k时,I的取值为1,否则为0。
利用公式(1)统计人脸图像测试样本经LBP计算后的特征直方图,此时i,j的值都取1,得到GDI的LBP直方图H;
将GDI的LBP直方图作为向量Hij和H,并把所有Hij合并为一矩阵H合并为一矩阵则和都为B×N矩阵,其中N为人脸图像测试样本或训练样本总数。
第三步,使用主元分析(Principal component analysis,PCA)对人脸图像的LBP特征直方图矩阵和进行子空间的特征提取,分别得到测试样本和训练样本人脸图像的特征矩阵H′和Hi:首先计算所述和的协方差矩阵∑H和∑Hi;然后分别从所述协方差矩阵∑H和∑Hi中选择前k(优选k=18)个最大本征特征值对应的特征向量构成变换矩阵A和Ai,通过线性变换和得到人脸图像测试样本的特征矩阵H′和每类训练样本的特征矩阵Hi,并计算
步骤S3,将所述和按如下公式进行归一化处理:
其中,max(),min()为最大最小值函数。
步骤S4,将归一化处理后的距离和按下述公式对掌纹特征和对应人脸的特征进行融合:
得到融合后的距离fi,取fi为最小值的第f类训练样本作为测试样本的身份类别。
为验证本发明方法的实用性,选用国际公认的香港理工大学的掌纹库和国际公认的人脸库Feret人脸库,每个库中分别选择320人的10张掌纹图像和人脸图像,其中6张作为训练样本,其余4张图像作为测试样本,320人都相应做好标记,一个人的掌纹对应一个人的人脸。经过测试本发明方法,识别率在99%以上。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种基于掌纹和人脸特征提取的身份识别方法,其特征在于,包括以下步骤:
S1:对掌纹图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵Y'和Yi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为掌纹图像训练样本类别编号,
所述步骤S1具体包括:
S101:提取掌纹图像测试样本和训练样本的ROI图像fROI(x,y);
S102:利用Gabor滤波器对测试样本和训练样本的掌纹ROI图像进行二维滤波,得到二维滤波后的掌纹ROI图像fGabor(x,y),x,y为图像中的像素坐标;
S103:对滤波后的掌纹ROI图像采用二维主元分析PCA进行子空间特征投影,分别得到测试样本和训练样本掌纹图像的特征矩阵Y'和Yi,并计算
S2:对所述掌纹图像对应的人脸图像的测试样本和不同类别的训练样本进行特征提取,分别得到特征矩阵H'和Hi,计算测试样本和各个类别的训练样本的特征矩阵之间的距离其中i为人脸图像训练样本类别编号,
所述步骤S2具体包括:
S201:使用二维Gabor熵变换对人脸图像测试样本和训练样本进行光照预处理;
S202:对光照预处理后的人脸图像的测试样本和训练样本进行LBP局部二值模式特征提取,分别生成测试样本和训练样本的LBP特征直方图矩阵和
S203:使用PCA对人脸图像的LBP特征直方图矩阵和进行子空间的特征提取,分别得到测试样本和训练样本人脸图像的特征矩阵H'和Hi,并计算
S3:将所述和按如下公式进行归一化处理:
S4:将归一化处理后的距离和按下述公式对掌纹特征和对应人脸的特征进行融合:
得到融合后的距离fi,取fi为最小值的第i类训练样本作为测试样本的身份类别。
2.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S101具体包括:
采用如下公式对测试样本和训练样本的掌纹图像进行平滑滤波处理:
I(x+m,y+n)为测试样本或训练样本的掌纹图像,f(x,y)为平滑滤波后的测试样本或训练样本的图像,x,y为图像中的像素坐标,增量m,n为-1,0或1;
对所述f(x,y)进行二值化处理,计算公式如下:
b(x,y)为二值化处理后的掌纹图像,t为二值化处理时的阈值;
对二值化处理后的掌纹图像用轮廓提取算法提取轮廓,得到掌纹图像的边缘坐标:
计算边缘坐标到掌纹图像中手腕中点的距离,并求取极小值,根据极小值计算食指和中指的交点以及无名指和小拇指之间的交点K1和K2,以K1和K2的连线为Y轴,过其中点的垂线作为X轴,建立参考坐标系,以该坐标系原点为中心,分割出固定尺寸的掌纹中心块,作为测试样本和训练样本的掌纹图像的ROI。
3.如权利要求2所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,分割出的固定尺寸的掌纹中心块为128×128像素的掌纹中心块。
4.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S102中滤波方式具体为:
使用Gabor小波g(x,y)对提取的掌纹ROI图像进行卷积,fGabor(x,y)=g(x,y)*fROI(x,y)。
5.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S103具体包括:
对Gabor滤波后的每类训练样本ROI图像,计算平均掌纹样本ROI图像:
其中,N为训练样本个数,Ni为第i类训练样本个数,fGaborij(x,y)为第i类中第j个训练样本的ROI图像;
将每类中的各个样本按如下公式进行规范化:其中Bij为fGaborij(x,y)规范化后的掌纹训练样本ROI图像;
计算规范化后掌纹训练样本ROI图像的协方差矩阵G:
其中,Bi为训练样本中第i个规范化后的掌纹训练样本ROI图像;
根据最优特征向量准则函数J(h)=hTGh,得到G的特征向量,以G的前d个最大特征值对应的单位正交特征向量构成一个特征子空间,其中,h为n维单位列向量;
将掌纹训练样本fGabor(x,y)按类别向所述特征子空间做投影,得到每类训练样本的特征矩阵Yi,将掌纹测试样本向所述特征子空间做投影,得到特征矩阵Y',并计算
6.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S201中二维Gabor熵变换如下:
7.如权利要求6所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S202具体包括:
按类别对人脸图像训练样本进行LBP特征提取,并按以下公式(1)统计人脸图像训练样本经LBP计算后的特征直方图,
其中,B为2n,n为LBP算子的采样点个数,i为训练样本类别,j表示第i类中的第j个训练样本,I的取值为0或1;
利用公式(1)统计人脸图像测试样本经LBP计算后的特征直方图,此时i,j的值都取1,得到GDI的LBP直方图H;
将GDI的LBP直方图作为向量Hij和H,并把所有Hij合并为一矩阵H合并为一矩阵则和都为B×N矩阵,其中N为人脸图像测试样本或训练样本总数。
8.如权利要求1所述的基于掌纹和人脸特征提取的身份识别方法,其特征在于,所述步骤S203具体包括:
计算所述和的协方差矩阵∑H和∑Hi;
分别从所述协方差矩阵∑H和∑Hi中选择前k个最大本征特征值对应的特征向量构成变换矩阵A和Ai,通过线性变换和得到人脸图像测试样本的特征矩阵H'和每类训练样本的特征矩阵Hi,并计算
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010237730.5A CN102332084B (zh) | 2010-07-23 | 2010-07-23 | 基于掌纹和人脸特征提取的身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010237730.5A CN102332084B (zh) | 2010-07-23 | 2010-07-23 | 基于掌纹和人脸特征提取的身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102332084A CN102332084A (zh) | 2012-01-25 |
CN102332084B true CN102332084B (zh) | 2015-01-14 |
Family
ID=45483856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010237730.5A Expired - Fee Related CN102332084B (zh) | 2010-07-23 | 2010-07-23 | 基于掌纹和人脸特征提取的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102332084B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971319B (zh) * | 2013-05-13 | 2017-06-09 | 段然 | 一种由计算机执行的图像处理方法 |
CN103426002B (zh) * | 2013-07-04 | 2017-02-15 | 西安理工大学 | 基于免疫克隆的手掌bis身份识别方法 |
CN104636721B (zh) * | 2015-01-16 | 2018-09-21 | 青岛大学 | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 |
CN104680154B (zh) * | 2015-03-13 | 2016-04-06 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN105975940A (zh) * | 2016-05-09 | 2016-09-28 | 大连大学 | 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法 |
CN107886476B (zh) * | 2016-09-30 | 2021-06-15 | 联咏科技股份有限公司 | 纹理合成的方法以及使用该方法的图像处理设备 |
CN107644198A (zh) * | 2017-08-18 | 2018-01-30 | 郑州云海信息技术有限公司 | 一种基于Gabor滤波器和LBP算子的手掌静脉识别方法及系统 |
CN107688787B (zh) * | 2017-09-01 | 2020-09-29 | 宜宾学院 | 基于Gabor小波的近端指间关节纹路识别方法 |
CN108491802A (zh) * | 2018-03-26 | 2018-09-04 | 安徽大学 | 基于联合加权差分激励和双Gabor方向的掌纹交叉匹配识别方法 |
CN109614988B (zh) * | 2018-11-12 | 2020-05-12 | 国家电网有限公司 | 一种生物识别方法及装置 |
CN111435558A (zh) * | 2018-12-26 | 2020-07-21 | 杭州萤石软件有限公司 | 一种基于生物特征多模态图像的身份认证方法及装置 |
CN109829383B (zh) * | 2018-12-29 | 2024-03-15 | 平安科技(深圳)有限公司 | 掌纹识别方法、装置和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457015A (zh) * | 2003-03-07 | 2003-11-19 | 北方交通大学 | 基于人脸识别和手形识别的双模态生物认证系统 |
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 |
-
2010
- 2010-07-23 CN CN201010237730.5A patent/CN102332084B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457015A (zh) * | 2003-03-07 | 2003-11-19 | 北方交通大学 | 基于人脸识别和手形识别的双模态生物认证系统 |
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 |
Non-Patent Citations (2)
Title |
---|
基于掌纹、人脸关联特征的身份识别算法;李春芝等;《电路与系统学报》;20100630;第15卷(第3期);对比文件1第1,3节,图1,2 * |
基于掌纹、人脸在特征层融合的身份识别算法;李春芝等;《电脑知识与技术》;20090131;第5卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102332084A (zh) | 2012-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
Fei et al. | Feature extraction methods for palmprint recognition: A survey and evaluation | |
CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
Zhao et al. | Adaptive fingerprint pore modeling and extraction | |
Zaeri | Minutiae-based fingerprint extraction and recognition | |
Sigari et al. | Offline handwritten signature identification and verification using multi-resolution gabor wavelet | |
CN107563380A (zh) | 一种基于mser和swt相结合的车辆车牌检测识别方法 | |
CN103632132A (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
Bai et al. | 3D palmprint identification combining blocked ST and PCA | |
Jaswal et al. | Texture based palm Print recognition using 2-D Gabor filter and sub space approaches | |
CN105046205A (zh) | 一种基于局部和全局特征融合的掌纹识别方法 | |
CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
CN102915435A (zh) | 一种基于人脸能量图的多姿态人脸识别方法 | |
Zuo et al. | On accurate orientation extraction and appropriate distance measure for low-resolution palmprint recognition | |
Verma et al. | Wavelet application in fingerprint recognition | |
Kekre et al. | Gabor filter based feature vector for dynamic signature recognition | |
Chen et al. | Contactless multispectral palm-vein recognition with lightweight convolutional neural network | |
Doroz et al. | An accurate fingerprint reference point determination method based on curvature estimation of separated ridges | |
Azizi et al. | Efficient iris recognition through improvement of feature extraction and subset selection | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN103593660A (zh) | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 | |
Dubey et al. | Optimal local direction binary pattern based palmprint recognition | |
Ribarić et al. | Personal recognition based on the Gabor features of colour palmprint images | |
Tahmasebi et al. | A novel adaptive approach to fingerprint enhancement filter design |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150114 Termination date: 20150723 |
|
EXPY | Termination of patent right or utility model |