CN102982308A - 中远距离在线身份验证研究中的掌纹采集与定位方法 - Google Patents
中远距离在线身份验证研究中的掌纹采集与定位方法 Download PDFInfo
- Publication number
- CN102982308A CN102982308A CN2012102751896A CN201210275189A CN102982308A CN 102982308 A CN102982308 A CN 102982308A CN 2012102751896 A CN2012102751896 A CN 2012102751896A CN 201210275189 A CN201210275189 A CN 201210275189A CN 102982308 A CN102982308 A CN 102982308A
- Authority
- CN
- China
- Prior art keywords
- image
- palm
- long distance
- edge
- palmmprint
- 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
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种中远距离在线身份验证研究中的掌纹采集与定位方法,具体方法如下:a.采集静态图像;b.用静态手掌定位程序对采集的静态图像进行定位测试,每输入一幅图像,将定位好的手掌部分显示出来;c.使用动态手掌定位程序联机进行动态手掌定位;d.用手持特征进行身份识别;e.掌纹提取。本发明的中远距离在线身份验证研究中的掌纹采集与定位方法,准确性高,只要摄像头将掌纹拍摄的足够清晰,手掌纹中的皮纹也可以被用来进行识别,这就获得了比指纹数据更多的个人信息,为高可靠的识别算法提供基础数据上的保证。
Description
技术领域
本发明涉及生物特征识别技术的领域,尤其是一种中远距离在线身份验证研究中的掌纹采集与定位方法。
背景技术
近几年,随着生物特征识别技术的发展以及人们对自身隐私、财产安全的日益关注,生物特征识别技术在越来越多的场合得到应用。相对于传统的指纹,虹膜识别技术,掌纹识别技术是一个新兴的领域。掌纹识别技术具有采样设备简单,信息量大的优点,受到了广泛的关注,而在该领域中,对中远距离的在线身份识别的研究仅处于开端阶段。
研究中的创造性工作主要体现在以下两点:
1、选择了一套成本相对低廉性能优秀的实验设备,设计了一系列的简单有效的实验条件,简化了初期的工作,迅速进入正式研究阶段。
2、提出了行之有效的预处理算法、手掌定位算法,初步解决了中远距离系统的定位这一关键问题。
生物特征识别技术就是采用每个人独一无二的生物特征来验证用户身份的技术,可以利用的特征有指纹、掌纹、虹膜、人脸、声音、笔迹等。
由于每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定性,不易伪造和假冒,所以利用生物识别技术进行身份认定,安全、可靠、准确。此外,生物识别技术产品均借助于现代计算机技术实现,很容易配合电脑和安全、监控、管理系统整合,实现自动化管理
数百亿美元的生物特征识别技术产品市场覆盖了国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等各个领域。而生物特征识别技术这一被比尔-盖茨断言为未来IT产业的重要革新的技术正在以空前的速度和规模走近每一个普通人。2004年1月5日,美国在115个机场合14个港口安装新入境装置,这些是一种自动出入境系统的组成部份。该系统全名是“美国访客和移民身份显示技术”(United States Visitor andImmigrant Status Indicator Technology,简称US-VISIT),它要求大多数持签证来美国访问的旅客在进入美国机场和海港港口时,有两份以无墨装置扫描方式做成的指纹以及一张由移民官员拍摄的数码照片。2004年11月首次在美国四个点实施的交通从业人员身份资格证(TWIC)计划,采用一套生物测定“智能卡”系统用于验证20万运输从业人员的身份。2004年10月中旬日本东京的三菱银行在267个柜员机上安装了指纹识别系统,银行此前已经记录了用户的指纹信息并储存在带有集成芯片的卡中,柜员机对指纹信息进行读取使用户达成交易。这一系列的事件(更多事件请参看)预示着生物特征识别技术将全面更新传统的身份认证系统(纸制的护照及各种通行证等)。
在不断增长的生物特征识别技术市场中,基于人体不同特征的各种技术产品不断涌现。IBG(International Biometric Group)在2004-2008年生物识别技术市场的分析报告中给出了2004年度各种生物识别技术产品利润的市场占有率。虽然指纹识别占有比较大的市场份额,但是诸如脸型、手、虹膜、声音和签名也都有各自的应用领域。这主要是因为需要进行身份验证的场合、人员和性质不同,因而对系统的响应时间、成本、用户可接受性、识别准确率、系统容量等的要求差别很大。每种产品各有其优势和劣势,并且所有这些技术都仍在随着需求的发展而发展。同时也不断有新的技术和产品被研制出来推向市场。
市场上的生物特征识别产品从采样方法上可以分为接触式的和非接触式的两种。例如:指纹需要将指纹按在采样设备上取像,掌纹设备将整个手掌按在扫描机上的平板上,他们都属于接触式采样;而基于虹膜和人脸的系统可以让摄像头和人保持一定的距离,属于非接触式的。所有接触式的系统都存在清洁卫生问题,对于接触面是玻璃制品的系统还存在接触表面指纹/掌纹残留的问题。同时接触式的系统也不适用于监控监视等方面的应用。
基于虹膜的系统,通常在摄像头内或周围加装红外设备,已获得拍摄虹膜图像需要的曝光强度,而且需要被测着正视盯住摄像头,会有一些不适的感觉。同时也不适合远距离的拍摄。
基于人脸的系统使用界面最为友好,而且可以在用户不察觉的情况下进行身份识别。该技术的识别率不是很高,在没有监督的使用环境下也较容易被欺骗。例如,使用他人的照片欺骗系统,因为脸部的照片比较容易获得。为了提高识别率,该类系统在使用时,可能会对用户提出一些要求,比如头发的长度,眼镜的式样,化妆的程度等等。
发明内容
本发明要解决的技术问题是:为了克服上述中存在的问题,提供一种中远距离在线身份验证研究中的掌纹采集与定位方法,在速度与准确率方面相对于其他的生物特征识别技术有着不可比拟的优势,识别率高。
本发明解决其技术问题所采用的技术方案是:一种中远距离在线身份验证研究中的掌纹采集与定位方法,具体方法如下:a.采集静态图像:利用摄像头进行采集图像数据,摄像头采集的数据是一幅RGB图像的颜色矩阵,本质上就是一幅设备无关的bmp图像,通过对该图像进行一系列的处理,可以得到原图像中用户手掌的部分;
b.用静态手掌定位程序对采集的静态图像进行定位测试,每输入一幅图像,将定位好的手掌部分显示出来;
c.使用动态手掌定位程序联机进行动态手掌定位;
d.用手持特征进行身份识别:(1)使用静态图片;(2)使用动态视频数据;
e.掌纹提取。
b中静态手掌定位程度具体步骤如下:(1)将图像缩小一定比例:将原图像缩小到原图的1/6;(2)去除背景;(3)图像二值化;(4)中值滤波平滑;(5)提取手边缘;(6)图像边缘细化;(7)定位关键点;(8)界定手掌。
提取手边缘采用的方法为Canny算法;图像边缘细化采用的方法为Deutsch细化算法。
本发明的有益效果是,本发明的中远距离在线身份验证研究中的掌纹采集与定位方法,采用非接触式地、远距离地、动态地采集被验证者的手掌图像,对采集到的图像进行处理,提取掌纹特征并与注册在系统中的掌纹特征作比较,其采用方便,用户只需挥挥手;根据摄像头的性能,可以进行比较远距离的身份验证,适用于对一些机密场所,尤其是军事重地的进入人员进行识别;不易被欺骗,他人的掌纹图像不像脸部图像那样易于获得,有一定的私密性;准确性高,只要摄像头将掌纹拍摄的足够清晰,手掌纹中的皮纹也可以被用来进行识别,这就获得了比指纹数据更多的个人信息,为高可靠的识别算法提供基础数据上的保证。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的结构示意图;
图2是本发明的图像二值化后的示意图;
图3是本发明的中值滤波平滑后的示意图;
图4是本发明的边缘进行识别后的示意图;
图5是本发明的细化后的示意图;
图6是本发明的关于关键点的示意图;
图7是本发明的取样本点的示意图;
图8是本发明提取掌纹进行识别的示意图;
图9是本发明的掌纹提取的示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
一种中远距离在线身份验证研究中的掌纹采集与定位方法,具体方法如下:a.采集静态图像:利用摄像头进行采集图像数据;
b.用静态手掌定位程序对采集的静态图像进行定位测试,每输入一幅图像,将定位好的手掌部分显示出来,静态手掌定位程度具体步骤如下:
(1)将图像缩小一定比例:原图像的分辨率为100万像素,,将原图像缩小固定比例,处理完毕再将数据放大恢复,有利于加快处理速度,将原图像缩小到原图的1/6,总处理时间约为缩小前的1/10;
(2)去除背景:本质上就是设定一个阈值,由于背景本来就接近黑色,只需将灰度值在该阈值以下的点的灰度值赋值为0,即纯黑即可,由于背景光源颜色,光强的不确定性,阈值的选取也不确定,因此在设定阈值之前,对图像作灰度直方图拉伸操作,在通常情况下,如果一幅图像的灰度值分布在一个比较小的范围内,往往会显得色调灰暗或者过亮、对比不强烈等。灰度直方图拉伸操作会将集中在小范围内的灰度值拉伸至整个灰度级,但仍旧保持原来灰度直方图的变化趋势,增强图像的对比度,主要是明暗对比,如图1所示,将背景设为纯黑色这一步很简单,只需逐点扫描根据阈值来决定即可;
(3)图像二值化:二值化的原理类似于去背景,只需要设定一个阈值,灰度值大于该阈值的点赋值为比特1,否则赋值成比特0,如图2所示;
(4)中值滤波平滑:中值滤波是Tukey于1971年发明的一种非线性处理技术。它首先被应用在一维信号处理技术中,后来被二维信号处理技术所引用。其原理是一个含有奇数像素的滑动窗口,窗口中心的像素灰度值用窗口内像素灰度值的中值代替。在数字图像处理中,作为一种典型的非线性滤波方法,中值滤波能够在衰减随机噪声的同时不使边界模糊,能较好地保护原始信号,在灰度值变化比较小的情况下可以得到很好的平滑处理效果。由于它在实际运算过程中并不需要图像的统计特性,使用起来比较方便,因而得到非常广泛的应用,如图3所示;
(5)提取手边缘:边缘是图像重要的基本特征信息,是图像分割最重要的依据。在数字图像中,所谓边缘是指图像中那些邻域灰度有强烈反差的像素的集合。由于物体的边缘是由灰度不连续性所反映的,因此一般边缘检测方法是考察图像的每个像素在某个领域内灰度的变化,利用边缘邻近一阶或二阶方向导数变化规律来检测边缘,这种方法通常称为边缘检测局部算子法,目前主要的几种经典的边缘检测算子有:
(1)基于一阶微分的边缘检测算子,这其中包括Roberts算子,Sobel算子,Prewitt算子以及Krisch算子。该类算子,利用梯度最大值或对应于一阶微分幅度最大的方法提取边界。在算法实现过程中,通过2×2(Robert)或者3×3的模块作为核与图像中的每个像素点做卷积和运算,然后选取合适的阈值以提取边缘。
(2)基于二阶微分算子,Laplacian边缘检测算子就是其中的代表,该算子利用二阶微分过零点的原理提取边界点。在算法实现过程中,也是通过3x3卷积核运算,选取合适的阈值以提取边缘。
(3)基于最优化方法算子,这类方法的目的是根据信噪比求得检测边缘的最优化算子。现在常用的有Marr-Hildreth算子和Canny算子。
对于一个N×N的图像,下表为各算子的计算量:
经过多次实验证明Canny算法提取轮廓的效果最好,在将图像缩小的情况下,时间的消耗可以满足该项目的要求。
提取手边缘采用的方法为Canny算法;
(1)设用I[i,j]表示图像,平滑图像就是用高斯平滑滤波器与图像作卷积
S(i,j)-G[i,j,σ]*P[i,j]
其中:σ是高斯函数的散布参数,它控制平化程度
S(i,j)的梯度可以用2×2-阶有限差分近似式来计算:
(2)幅值与方向角可用直角坐标到极坐标的转换公式来计算:
(3)非极大值抑制(non_maxima suppression,NMS)即通过抑制梯度线上所有非屋脊(non_ridge)值来细化M[i,j]中的梯度屋脊值(ridge)。
(4)双阈值算法对非极大值抑制图像作用两个阈值τ1和τ2,且2τ1≈τ2从而可以得到两个阈值边缘图像T1[i,j]和T2[i,j]。由于T2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合)。双阈值法要在T2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,该算法就在T1[i,j]的8邻点位置寻找可以连接到轮廓上的边缘,这样,算法不断地在T1[i,j]中收集边缘,直到将T2[i,j]连接起来为止。
对处理后的二值图像提取轮廓以获取手的边缘进行识别,如图4所示。
(6)图像边缘细化:由于Canny提取的边缘可能存在双线的情况,而这种情况是不符合本系统的处理要求的,下一步就要对该图像进行细化操作,处理过后所有的边缘都是单线。S为代表形状区域的象素的集合,细化就是要在保持连通性且不减小形状长度的条件下消去S中那些不是端点的简单边界点,过程是按S的上(北)、下(南)、左(西)、右(东)四个方向顺序,反复进行扫描以消去可删除简单边界点,直到不存在可以消去的简单边界点为止。所谓简单边界点(Simple border points)是指S中的一个边界点P,如果其邻域中属于S的点只有一个与其相邻接的连通分量,则P为S的简单边界点。边缘细化采用的方法为Deutsch细化算法,记象素P的8邻域点的二值(0,1)化灰度值为fI(i=0,1,2,…,7),其对应位置如下所示:
如果下述条件满足,则点P将被删去:
(1)
(2)
(3)f0^f2^f4=0,f0^f2^f6=0;
(4)如果a=4,则特别地下面两条件之一必须满足:
(a)f0^f6=1,f1ˇf5=1,f2=f3=f4=f7=0;
(b)f0^f2=1,f3ˇf7=1,f1=f4=f5=f6=0;
为了对称地进行细化,在一个根据条件(1)(2)(3)(4)的遍历后,应紧跟一个依据(1)(2)(5)(6)的遍历;
(5)f2^f4^f6=0,f4^f6^f0=0;
(6)如果a=4,则特别地下面两条件之一必须满足:
(a)f4^f2=1,f5ˇf1=1,f0=f3=f6=f7=0;
(b)f6^f4=1,f7ˇf3=1,f0=f5=f2=f1=0;
根据以上算法,处理效果见图5;
(7)定位关键点:将关键点定义为手型轮廓曲线上曲率最大的9个点,这9个点同时也是手上的关键位置,足以描述手的姿势、位置、手指,手掌的尺寸,关于关键点如图6,要定位出现有曲线的关键点,需要经历定位曲线,定位曲线的端点,取样本点,取关键点着4个主要步骤:
(1)定位曲线:在二值图中随机搜索,找到值为比特1的点即可以认为找到了曲线上的某一点,这默认要求输入图像中必须存在一条连续曲线。
(2)定位曲线的端点:当找到曲线的任一点的之后,沿任一方向跟踪曲线走到曲线端点为下一步的采样做好准备,这样可以保证采样的时候走遍整条曲线。
(3)取样本点:从曲线端点开始,沿一定的步长追踪到曲线的另一头,一路会记录下一定数目的样本点,如图7所示;
(4)取关键点:在取定的这些样本点里,每次取定相邻的3个点,根据前两个点的连线与后两个点的连线夹角来判断是否为关键点,即拐点。判断算法如下:
适当的选取阈值n作为关键点的判定条件
(8)界定手掌:根据选定的9个关键点,可以确定手掌的位置;
由点2与6确定一条直线1,平移使得处于手掌内,由点8向该直线做垂线——直线2,这条垂线也要位于手掌内,否则就要平移之使得满足该条件;过点8做直线3平行于直线1,这样就可以确定一个矩形了。
确定了矩形的四个角点坐标,就可以通过计算,旋转将原图像上将手掌部分截取出来,进一步处理,提取掌纹进行识别,如图8所示;
c.使用动态手掌定位程序联机进行动态手掌定位;
d.用手持特征进行身份识别:(1)使用静态图片;(2)使用动态视频数据;
e.掌纹提取:要进行掌纹识别,首先要从已定位好的手掌图片中将掌纹提取出来。我们以此为目标进行了初步尝试,但是效果并不理想。究其原因主要是拍摄环境的复杂性导致图像质量参差不齐,手的姿势,位置,背景光源等均可能产生阴影导致主纹理与细小纹理的对比不突出,错误提取纹理等问题,提取后无法区分主纹,如图9所示。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (3)
1.一种中远距离在线身份验证研究中的掌纹采集与定位方法,其特征是具体方法如下:a.采集静态图像:利用摄像头进行采集图像数据;
b.用静态手掌定位程序对采集的静态图像进行定位测试,每输入一幅图像,将定位好的手掌部分显示出来;
c.使用动态手掌定位程序联机进行动态手掌定位;
d.用手持特征进行身份识别:(1)使用静态图片;(2)使用动态视频数据;
e.掌纹提取。
2.根据权利要求1所述的中远距离在线身份验证研究中的掌纹采集与定位方法,其特征是:b中静态手掌定位程度具体步骤如下:(1)将图像缩小一定比例:将原图像缩小到原图的1/6;(2)去除背景;(3)图像二值化;(4)中值滤波平滑;(5)提取手边缘;(6)图像边缘细化;(7)定位关键点;(8)界定手掌。
3.根据权利要求2所述的中远距离在线身份验证研究中的掌纹采集与定位方法,其特征是:提取手边缘采用的方法为Canny算法;图像边缘细化采用的方法为Deutsch细化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102751896A CN102982308A (zh) | 2012-08-03 | 2012-08-03 | 中远距离在线身份验证研究中的掌纹采集与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102751896A CN102982308A (zh) | 2012-08-03 | 2012-08-03 | 中远距离在线身份验证研究中的掌纹采集与定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102982308A true CN102982308A (zh) | 2013-03-20 |
Family
ID=47856297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102751896A Pending CN102982308A (zh) | 2012-08-03 | 2012-08-03 | 中远距离在线身份验证研究中的掌纹采集与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982308A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955944A (zh) * | 2014-05-22 | 2014-07-30 | 苏州大学 | 一种图像边缘检测方法及装置 |
CN104463083A (zh) * | 2013-09-24 | 2015-03-25 | 北京正邦信息技术有限公司 | 非接触式掌纹认证方法、装置及便携终端 |
CN105741263A (zh) * | 2016-01-20 | 2016-07-06 | 杭州电子科技大学 | 一种手轮廓提取及定向算法 |
CN106682627A (zh) * | 2016-12-29 | 2017-05-17 | 北京奇虎科技有限公司 | 一种掌纹数据的识别方法和装置 |
CN107680104A (zh) * | 2017-09-23 | 2018-02-09 | 天津大学 | 基于kalman滤波的手势分割方法 |
CN117037222A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1773557A (zh) * | 2005-11-16 | 2006-05-17 | 北京交通大学 | 一种基于掌纹特征的门禁系统 |
CN1972186A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种移动式身份认证系统及其认证方法 |
-
2012
- 2012-08-03 CN CN2012102751896A patent/CN102982308A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1773557A (zh) * | 2005-11-16 | 2006-05-17 | 北京交通大学 | 一种基于掌纹特征的门禁系统 |
CN1972186A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种移动式身份认证系统及其认证方法 |
Non-Patent Citations (1)
Title |
---|
龚海峰: "《在线掌纹识别的算法研究与系统开发》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463083A (zh) * | 2013-09-24 | 2015-03-25 | 北京正邦信息技术有限公司 | 非接触式掌纹认证方法、装置及便携终端 |
CN104463083B (zh) * | 2013-09-24 | 2016-08-17 | 北京正邦信息技术有限公司 | 非接触式掌纹认证方法、装置及便携终端 |
CN103955944A (zh) * | 2014-05-22 | 2014-07-30 | 苏州大学 | 一种图像边缘检测方法及装置 |
CN105741263A (zh) * | 2016-01-20 | 2016-07-06 | 杭州电子科技大学 | 一种手轮廓提取及定向算法 |
CN106682627A (zh) * | 2016-12-29 | 2017-05-17 | 北京奇虎科技有限公司 | 一种掌纹数据的识别方法和装置 |
CN107680104A (zh) * | 2017-09-23 | 2018-02-09 | 天津大学 | 基于kalman滤波的手势分割方法 |
CN107680104B (zh) * | 2017-09-23 | 2020-10-23 | 天津大学 | 基于kalman滤波的手势分割方法 |
CN117037222A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
CN117037222B (zh) * | 2023-10-08 | 2024-01-09 | 之江实验室 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction | |
CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 | |
Lin et al. | Palmprint verification using hierarchical decomposition | |
CN109101871A (zh) | 一种基于深度和近红外信息的活体检测装置、检测方法及其应用 | |
CN102982308A (zh) | 中远距离在线身份验证研究中的掌纹采集与定位方法 | |
Shi et al. | A chaincode based scheme for fingerprint feature extraction | |
CN101359365A (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN107066961B (zh) | 指纹配准方法及装置 | |
CN109409368A (zh) | 矿用皮带纵撕检测装置及检测方法 | |
Kumar | Contactless 3D fingerprint identification | |
Alshdadi et al. | Exploiting Level 1 and Level 3 features of fingerprints for liveness detection | |
Barua et al. | Fingerprint identification | |
CN102760232A (zh) | 基于掌纹的中远距离的在线身份识别系统 | |
CN109815780A (zh) | 一种基于图像处理的高精度指纹识别方法及系统 | |
Doroz et al. | An accurate fingerprint reference point determination method based on curvature estimation of separated ridges | |
CN114511885A (zh) | 手掌感兴趣区域提取系统和方法 | |
Jin et al. | Fingerprint liveness detection based on multiple image quality features | |
CN105975960A (zh) | 基于纹理方向能量特征的虹膜识别方法 | |
KR20110018598A (ko) | 지문의 방향 특징을 추출하는 장치 및 방법 | |
Malathi et al. | Fingerprint pore extraction based on marker controlled watershed segmentation | |
Makrushin et al. | Visibility enhancement and validation of segmented latent fingerprints in crime scene forensics | |
Ray et al. | Palm print recognition using hough transforms | |
CN103473546A (zh) | 一种基于结构张量的指纹方向场获取方法 | |
Verma et al. | Static Signature Recognition System for User Authentication Based Two Level Cog, Hough Tranform and Neural Network | |
Dhole et al. | Person identification using peg free hand geometry measurement |
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 |
Application publication date: 20130320 |