CN103279744A - 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 - Google Patents
基于多尺度三模式纹理特征的仿造指纹检测方法和系统 Download PDFInfo
- Publication number
- CN103279744A CN103279744A CN2013102042038A CN201310204203A CN103279744A CN 103279744 A CN103279744 A CN 103279744A CN 2013102042038 A CN2013102042038 A CN 2013102042038A CN 201310204203 A CN201310204203 A CN 201310204203A CN 103279744 A CN103279744 A CN 103279744A
- Authority
- CN
- China
- Prior art keywords
- image
- mode
- textural characteristics
- fingerprint
- fingerprint image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000002790 cross-validation Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 13
- 239000004744 fabric Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 101710196810 Non-specific lipid-transfer protein 2 Proteins 0.000 claims description 2
- 101710125352 Probable non-specific lipid-transfer protein 2 Proteins 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种多尺度三模式纹理特征的仿造指纹检测方法和系统。该系统利用图像采集单元、图像预处理单元、三模式图像纹理特征提取单元、三模式图像纹理特征组合单元、三模式图像纹理特征训练单元和图像分类单元来实现整个仿造指纹图像的检测。本发明首先提取指纹图像的多尺度三模式纹理特征,将这些特征通过直方图来表示,并对其进行归一化;然后将这些特征进行交叉验证得到具有最优参数的支持向量机和最优尺度个数;对测试指纹图像提取最优特征尺度个数的多尺度三模式纹理特征,通过具有最优参数的支持向量机判断测试图像是否为仿造指纹图像。本发明有效地提高了仿造指纹的甄别能力,并且可以满足仿造指纹识别系统中对于实时性的要求。
Description
技术领域
本发明属于生物特征识别领域,涉及图像处理、模式识别、模式分类、计算机技术等前沿知识,特别涉及一种利用提取的指纹图像的纹理特征来对指纹图像是否是仿造指纹生成的图像进行甄别的方法和系统。
背景技术
指纹识别技术是目前生物特征识别领域中研究和应用较为成熟的技术之一。由于指纹具有唯一性和稳定性,而且采集过程方便,采集成本低廉,目前已广泛应用于身份认证、信息安全、访问控制等很多方面。
由于指纹具有易丢失性,别有用心分子很容易获取到需要的指纹,从而很方便的制作出仿造指纹,这对基于指纹识别的生物特征识别系统的安全性造成了挑战。因此,如何对仿造指纹进行有效的甄别成为保障公共安全、维护个人隐私的关键问题。
在仿造指纹检测系统中,如何对于采集指纹图像,提取鲁棒的指纹特征从而对是否为仿造指纹进行甄别决定了系统性能的好坏。由于图像噪声和指纹形变的存在以及图像质量增强算法的不完备性,被提取的特征可能存在着一定数量的不可靠信息。所以在仿造指纹检测系统中,应该尽可能地获取稳定可靠的指纹特征。同时因为仿造指纹检测系统往往是指纹识别系统中的一部分,它必须提取快速有效的特征,从而在较短的时间内完成对指纹真假性的甄别。
目前的仿造指纹识别算法主要以提取指纹的动态特征为主。因为真实的指纹会存在汗液流出的过程,因此Derakhshani提出通过在不同的时间段对同一指纹进行采集,利用图像的变换来确定该指纹是否出现流汗过程,从而对指纹的真假性进行甄别。但是这种方法需要对同一指纹进行多次采集,采集间隔需要2秒-5秒,不能满足指纹识别系统对于实时性的要求。
另一种仿造指纹识别算法是以指纹形变为主。由于皮肤和仿造指纹的制作材料有着不同的弹性,因此可以对同一手指在不同角度采集多幅指纹图像,Chen提出通过形变模型对指纹形变进行比较来实现指纹真假性的识别。该方法在对指纹图像采集的过程中不需要特定的时间间隔,但是在训练系统和识别系统中都需要对同一指纹进行多幅图像的采集。
由此可见上述算法或者因为硬件成本过高无法大面积展开应用,或者由于需要采集多幅指纹图像无法满足仿造指纹识别系统中实时性的要求。而基于纹理特征的仿造指纹识别系统不需要借助额外的设备,在识别阶段仅需要对同一指纹进行一次采集便可以对其是否为仿造指纹进行有效的识别。
发明内容
本发明为了克服上述现有技术算法的不足,提出一种基于多尺度三模式纹理特征的仿造指纹检测方法和系统,本发明提取指纹图像多尺度的三模式特征,并将多尺度的三模式特征进行组合,最终通过训练得到一个可以进行仿造指纹检测的分类器,对于仿造指纹进行甄别。
根据本发明的一方面,提出一种基于多尺度三模式纹理特征的仿造指纹检测系统,该系统包括:图像采集单元、图像预处理单元、三模式图像纹理特征提取单元、三模式图像纹理特征组合单元、三模式图像特征训练单元、图像分类单元,其中:
所述图像采集单元用于采集多个真实指纹和仿造指纹,分别生成多个真实指纹图像和仿造指纹图像;
所述图像预处理单元与所述图像采集单元相连接,用于对于真实指纹图像和仿造指纹图像分别进行预处理得到预处理后的真实指纹图像和仿造指纹图像;
所述三模式图像纹理特征提取单元与所述图像预处理单元相连接,用于分别提取预处理后的真实指纹图像和仿造指纹图像的多尺度三模式纹理特征,所述多尺度中的不同尺度指的是对应三模式纹理特征提取时不同的图像块大小;
所述三模式图像纹理特征组合单元与所述三模式图像纹理特征提取单元相连接,用于将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并对其进行归一化;
所述图像特征训练单元与所述三模式图像纹理特征组合单元相连接,用于将组合得到的所述真实指纹图像和仿造指纹图像的三模式纹理特征输入到支持向量机中,通过交叉验证得到具有最优参数的支持向量机以及三模式纹理特征的最优尺度个数;
所述图像分类单元分别与所述图像纹理特征提取单元和图像特征训练单元相连接,用于将测试图像最优尺度个数的多尺度三模式纹理特征输入到所述图像特征训练单元中训练得到的具有最优参数的支持向量机进行计算,从而判断所述测试图像是否是仿造指纹图像。
根据本发明的另一方面,还提出一种基于多尺度三模式纹理特征的仿造指纹检测方法,该方法包括以下步骤:
步骤Sa:采集多个真实指纹图像和仿造指纹图像;
步骤Sb:分别对真实指纹图像和仿造指纹图像进行预处理,得到预处理后的真实指纹图像和仿造指纹图像;
步骤Sc:分别对于经过预处理的真实指纹图像和仿造指纹图像提取其多尺度三模式纹理特征;
步骤Sd:将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并进行归一化;
步骤Se:将经过组合和归一化后的多尺度三模式纹理特征输入到支持向量机中进行训练,并进行交叉验证得到具有最优参数的支持向量机以及最优尺度个数;
步骤Sf:提取测试数据的最优尺度个数的三模式纹理特征,并将得到的特征按照所述步骤Sb-Sd进行处理,得到经过组合和归一化的多尺度三模式纹理特征;
步骤Sg:将所述测试数据的多尺度三模式纹理特征输入到具有最优参数的支持向量机中,得到所述测试数据是否为仿造指纹的检测结果。
本发明基于纹理特征的仿造指纹识别系统不需要借助额外的设备,在识别阶段仅需要对同一指纹进行一次采集便可以对其是否为仿造指纹进行有效的识别,有效地提高了仿造指纹的甄别能力,并且可以满足仿造指纹识别系统中对于实时性的要求。
附图说明
图1是本发明基于多尺度三模式纹理特征的仿造指纹检测系统结构示意图;
图2是本发明基于多尺度三模式纹理特征的仿造指纹检测方法流程图;
图3是本发明尺度为3的三模式纹理特征计算示例图;
图4是本发明在LivDet2011仿造指纹训练库对三模式特征的尺度数进行交叉验证的结果图;
图5a至图5d示出LivDet2011仿造指纹测试库上的本发明方法与原始二模式特征以及多分辨率二模式特征的实验结果的ROC曲线对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的核心思想是提取指纹图像的多尺度三模式纹理信息进行仿造指纹的检测。针对仿造指纹检测硬件成本过高,从而无法大面积展开应用的缺陷,针对由于需要采集多幅指纹图像而无法满足仿造指纹识别系统中的实时性等问题,本发明提取指纹图像多尺度的三模式纹理信息,通过交叉验证选择三模式纹理特征的尺度数和支持向量机的系数,从而对于仿造指纹进行有效的甄别。
图1是本发明基于多尺度三模式纹理特征的仿造指纹检测系统结构示意图,如图1所示,所述系统包括:图像采集单元、图像预处理单元、三模式图像纹理特征提取单元、三模式图像纹理特征组合单元、三模式图像特征训练单元、图像分类单元,其中:
所述图像采集单元用于采集多个真实指纹和仿造指纹,分别生成多个真实指纹图像和仿造指纹图像;
所述图像预处理单元与所述图像采集单元相连接,用于对于真实指纹图像和仿造指纹图像分别进行预处理得到预处理后的真实指纹图像和仿造指纹图像,所述预处理包括灰度均衡化、前景提取、在前景区域进行低通滤波以及图像增强;
所述三模式图像纹理特征提取单元与所述图像预处理单元相连接,用于分别提取预处理后的真实指纹图像和仿造指纹图像的多尺度三模式纹理特征,其中,多尺度中的不同尺度指的是对应三模式纹理特征提取时不同的图像块大小,较小尺度的三模式纹理特征反应图像的高频信息,较大尺度的三模式纹理特征反应图像的低频信息,因此多尺度的三模式纹理特征将更加全面的反应出图像的纹理信息,比如如果取5个尺度,则图像块的大小可分别取为1*1、3*3、5*5、7*7和9*9像素5种尺寸;
所述三模式图像纹理特征组合单元与所述三模式图像纹理特征提取单元相连接,用于将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并对其进行归一化;所述三模式纹理特征使用直方图来表示;
所述图像特征训练单元与所述三模式图像纹理特征组合单元相连接,用于将组合得到的所述真实指纹图像和仿造指纹图像的三模式纹理特征输入到支持向量机中,通过交叉验证得到具有最优参数的支持向量机以及三模式纹理特征的最优尺度个数;
所述图像分类单元分别与所述图像纹理特征提取单元和图像特征训练单元相连接,用于将测试图像最优尺度个数的多尺度三模式纹理特征输入到所述图像特征训练单元中训练得到的具有最优参数的支持向量机进行计算,从而判断所述测试图像是否是仿造指纹图像。
图2是本发明基于多尺度三模式纹理特征的仿造指纹检测方法流程图,如图2所示,所述方法包括以下步骤:
步骤Sa:采集多个真实指纹图像和仿造指纹图像;
步骤Sb:分别对真实指纹图像和仿造指纹图像进行预处理,得到预处理后的真实指纹图像和仿造指纹图像;
其中,所述预处理包括:1,灰度均衡化,其可以消除不同图像之间对比度的差异;2,前景提取以及在前景区域进行低通滤波,以消除图像中的斑点噪声和高斯噪声;3,图像增强。
步骤Sc:分别对于经过预处理的真实指纹图像和仿造指纹图像提取其多尺度三模式纹理特征;
所述多尺度三模式纹理特征的提取进一步包括以下步骤:
首先,在尺度n下,对于一个块大小为m*m像素的指纹图像块,求其像素均值meanC,其中,n的取值为1,2,…,t,t为尺度个数,在本发明一实施例中,t的值取为15,m的取值为2*n-1;
其次,对于与该图像块相同大小的L个邻域图像块(其中,L可取为4、8,优选地,取为8),求取相应图像块的平均像素值meani(i=1,…,L),则所述指纹图像块的尺度为n的三模式纹理特征LTP可按照下式来计算:
其中
由于直接使用上式来计算三模式纹理特征比较复杂,因此在实际计算时使用下面的公式将三模式纹理特征分解成为两个二模式纹理特征,以减少运算时间和复杂度:
其中
尺度为3,L=8的三模式纹理特征的计算示例如图3所示。
步骤Sd:将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并进行归一化;
所述三模式纹理特征组合和归一化是指对同一幅指纹图像的不同尺度三模式纹理特征分别进行统计,得到其统计直方图,然后将不同尺度的直方图数据组合成一个直方图数据,并对其进行归一化处理,其具体步骤如下:
首先,计算指纹图像不同尺度即不同大小图像块下的三模式纹理特征直方图统计数据,得到一组2*2L个方格的直方图hm 1,其中m为图像块的大小;
其次,在每一个尺度上将三模式纹理特征直方图相应的方格按值从大到小排列,最大的2L-1-1个方格保持不变,将最小的3*2L-1+1个方格的值加和作为一个方格的值,从而得到一组新的直方图特征hm 2,其维度为2L*1;
再次,将不同尺度的直方图特征组合成一个新的直方图特征H,新特征H的维度为2L*t,其中,t为三模式纹理特征的尺度个数,即需要组合的直方图的个数;
最后,随机抽取所述多个真实指纹图像和仿造指纹图像中的一部分作为训练图像样本,将所述训练图像样本的不同尺度的三模式纹理特征组合得到的直方图特征H在各个维度上按照下式进行归一化操作:
其中,xk,n表示第k幅图像样本的直方图特征H在第n维度的数据归一化前的结果,yk,n表示第k幅图像样本的直方图特征H在第n维度的数据归一化后的结果,max(xn)和min(xn)分别表示在所有训练图像样本中直方图特征H在第n维特征中的最大值和最小值。
步骤Se:将经过组合和归一化后的多尺度三模式纹理特征输入到支持向量机中进行训练,并进行交叉验证得到具有最优参数的支持向量机以及最优尺度个数;
所述步骤Se进一步包括以下步骤:
首先,随机将所述训练图像样本分成10份,分别把其中1份作为测试数据,其他9份作为训练数据;
其次,对于所有的训练数据,选择t个不同尺度个数下的三模式纹理特征作为特征,不同核函数的支持向量机作为分类器,按照上述步骤将10份特征数据依次输入到支持向量机中进行训练,将训练得到的平均结果作为以该尺度个数的三模式为特征、以该支持向量机为分类器的训练结果,上述过程即为交叉验证;
最后,如图4所示,比较不同尺度个数下的交叉验证的结果,识别准确率最高的交叉验证结果即为具有最优参数(核函数类型)的支持向量机和最优尺度个数,图4中,三模式纹理特征的尺度个数为11时的识别准确率最高。
步骤Sf:提取所述测试数据的最优尺度个数的三模式纹理特征,并将得到的特征按照所述步骤Sb-Sd的描述进行处理,得到经过组合和归一化的多尺度三模式纹理特征;
步骤Sg:将所述测试数据的多尺度三模式纹理特征输入到具有最优参数的支持向量机中,得到所述测试数据是否为仿造指纹的检测结果。
为了验证本发明基于指纹三模式纹理特征仿造指纹检测方法的有效性,将本发明方法应用在LivDet2011仿造指纹数据库上进行测试,LivDet2011数据库共有4个子库,分别对应Biometrika,Digital,Italdata,Sagem。每个子库上训练和测试数据各有2000幅指纹图像,其中真实指纹和仿造指纹各有1000副图像。为了更好地显示本发明对于仿造指纹的识别能力,将本发明的多尺度三模式纹理特征与现有技术中的原始二模式特征和多分辨率二模式特征进行对比,由图5a-图5d可见,在Livdet2011所有的数据子库上,多尺度三模式纹理特征对于仿造指纹的识别能力都好于原始二模式特征和多分辨率二模式特征。
上述实验结果说明,本发明所述的基于指纹多尺度三模式纹理特征的仿造指纹检测方法,有效地提高了仿造指纹的甄别能力。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多尺度三模式纹理特征的仿造指纹检测系统,其特征在于,该系统包括:图像采集单元、图像预处理单元、三模式图像纹理特征提取单元、三模式图像纹理特征组合单元、三模式图像特征训练单元、图像分类单元,其中:
所述图像采集单元用于采集多个真实指纹和仿造指纹,分别生成多个真实指纹图像和仿造指纹图像;
所述图像预处理单元与所述图像采集单元相连接,用于对于真实指纹图像和仿造指纹图像分别进行预处理得到预处理后的真实指纹图像和仿造指纹图像;
所述三模式图像纹理特征提取单元与所述图像预处理单元相连接,用于分别提取预处理后的真实指纹图像和仿造指纹图像的多尺度三模式纹理特征,所述多尺度中的不同尺度指的是对应三模式纹理特征提取时不同的图像块大小;
所述三模式图像纹理特征组合单元与所述三模式图像纹理特征提取单元相连接,用于将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并对其进行归一化;
所述图像特征训练单元与所述三模式图像纹理特征组合单元相连接,用于将组合得到的所述真实指纹图像和仿造指纹图像的三模式纹理特征输入到支持向量机中,通过交叉验证得到具有最优参数的支持向量机以及三模式纹理特征的最优尺度个数;
所述图像分类单元分别与所述图像纹理特征提取单元和图像特征训练单元相连接,用于将测试图像最优尺度个数的多尺度三模式纹理特征输入到所述图像特征训练单元中训练得到的具有最优参数的支持向量机进行计算,从而判断所述测试图像是否是仿造指纹图像。
2.根据权利要求1所述的系统,其特征在于,所述预处理包括灰度均衡化、前景提取、在前景区域进行低通滤波以及图像增强。
3.根据权利要求1所述的系统,其特征在于,所述三模式纹理特征使用直方图来表示。
4.一种基于多尺度三模式纹理特征的仿造指纹检测方法,其特征在于,该方法包括以下步骤:
步骤Sa:采集多个真实指纹图像和仿造指纹图像;
步骤Sb:分别对真实指纹图像和仿造指纹图像进行预处理,得到预处理后的真实指纹图像和仿造指纹图像;
步骤Sc:分别对于经过预处理的真实指纹图像和仿造指纹图像提取其多尺度三模式纹理特征;
步骤Sd:将真实指纹图像和仿造指纹图像的多尺度三模式纹理特征各自组合成一个三模式纹理特征,并进行归一化;
步骤Se:将经过组合和归一化后的多尺度三模式纹理特征输入到支持向量机中进行训练,并进行交叉验证得到具有最优参数的支持向量机以及最优尺度个数;
步骤Sf:提取测试数据的最优尺度个数的三模式纹理特征,并将得到的特征按照所述步骤Sb-Sd进行处理,得到经过组合和归一化的多尺度三模式纹理特征;
步骤Sg:将所述测试数据的多尺度三模式纹理特征输入到具有最优参数的支持向量机中,得到所述测试数据是否为仿造指纹的检测结果。
5.根据权利要求4所述的方法,其特征在于,所述预处理包括灰度均衡化、前景提取、在前景区域进行低通滤波以及图像增强。
6.根据权利要求4所述的方法,其特征在于,所述多尺度三模式纹理特征的提取进一步包括以下步骤:
首先,在尺度n下,对于一个块大小为m*m像素的指纹图像块,求其像素均值meanC,其中,n的取值为1,2,…,t,t为尺度个数;
其次,对于与该图像块相同大小的L个邻域图像块,求取相应图像块的平均像素值meani(i=1,…,L),则所述指纹图像块的尺度为n的三模式纹理特征LTP可按照下式来计算:
其中
7.根据权利要求6所述的方法,其特征在于,所述三模式纹理特征LTP的计算可简化为两个二模式纹理特征的组合计算:
其中
8.根据权利要求4所述的方法,其特征在于,所述步骤Sd进一步包括:
首先,计算指纹图像不同尺度即不同大小图像块下的三模式纹理特征直方图统计数据,得到一组2*2L个方格的直方图hm 1,其中m为图像块的大小;
其次,在每一个尺度上将三模式纹理特征直方图相应的方格按值从大到小排列,最大的2L-1-1个方格保持不变,将最小的3*2L-1+1个方格的值加和作为一个方格的值,从而得到一组新的直方图特征hm 2,其维度为2L*1;
再次,将不同尺度的直方图特征组合成一个维度为2L*t的新的直方图特征H,其中,t为三模式纹理特征的尺度个数,即需要组合的直方图的个数;
最后,随机抽取所述多个真实指纹图像和仿造指纹图像中的一部分作为训练图像样本,将所述训练图像样本的不同尺度的三模式纹理特征组合得到的直方图特征H在各个维度上进行归一化操作。
9.根据权利要求8所述的方法,其特征在于,所述归一化操作表示为:
其中,xk,n表示第k幅图像样本的直方图特征H在第n维度的数据归一化前的结果,yk,n表示第k幅图像样本的直方图特征H在第n维度的数据归一化后的结果,max(xn)和min(xn)分别表示在所有训练图像样本中直方图特征H在第n维特征中的最大值和最小值。
10.根据权利要求8所述的方法,其特征在于,所述步骤Se进一步包括以下步骤:
首先,随机将所述训练图像样本分成10份,分别把其中1份作为测试数据,其他9份作为训练数据;
其次,对于所有的训练数据,选择t个不同尺度个数下的三模式纹理特征作为特征,不同核函数的支持向量机作为分类器,将10份特征数据依次输入到支持向量机中进行训练,将训练得到的平均结果作为以该尺度个数的三模式为特征、以该支持向量机为分类器的训练结果;
最后,比较不同尺度个数下的交叉验证的结果,识别准确率最高的交叉验证结果即为具有最优参数的支持向量机和最优尺度个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204203.8A CN103279744B (zh) | 2013-05-28 | 2013-05-28 | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204203.8A CN103279744B (zh) | 2013-05-28 | 2013-05-28 | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103279744A true CN103279744A (zh) | 2013-09-04 |
CN103279744B CN103279744B (zh) | 2016-08-10 |
Family
ID=49062259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310204203.8A Active CN103279744B (zh) | 2013-05-28 | 2013-05-28 | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279744B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820819A (zh) * | 2014-02-04 | 2015-08-05 | 摩如富公司 | 验证使用真手指作为指纹的载体的方法 |
CN105303179A (zh) * | 2015-10-28 | 2016-02-03 | 小米科技有限责任公司 | 指纹识别方法、装置 |
CN105528591A (zh) * | 2016-01-14 | 2016-04-27 | 电子科技大学 | 基于多象限编码的活体指纹识别方法 |
CN105787492A (zh) * | 2016-04-01 | 2016-07-20 | 电子科技大学 | 基于均值采样的局部三值模式纹理特征提取方法 |
CN108140116A (zh) * | 2015-10-19 | 2018-06-08 | 高通股份有限公司 | 用于用户认证的屏幕上光学指纹捕获 |
CN108197611A (zh) * | 2018-02-05 | 2018-06-22 | 广东职业技术学院 | 一种类人机器人模式识别系统 |
CN110705481A (zh) * | 2019-10-08 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种光学指纹防伪方法、装置及计算机可读存储介质 |
CN113343963A (zh) * | 2021-08-09 | 2021-09-03 | 北京惠朗时代科技有限公司 | 一种基于高质量模板的智能尾箱指纹识别方法及系统 |
US11935321B2 (en) | 2020-03-05 | 2024-03-19 | Samsung Electronics Co., Ltd. | Method and apparatus with anti-spoofing |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147556A1 (en) * | 2002-01-18 | 2003-08-07 | Madhusudhana Gargesha | Face classification using curvature-based multi-scale morphology |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
-
2013
- 2013-05-28 CN CN201310204203.8A patent/CN103279744B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147556A1 (en) * | 2002-01-18 | 2003-08-07 | Madhusudhana Gargesha | Face classification using curvature-based multi-scale morphology |
CN101923640A (zh) * | 2010-08-04 | 2010-12-22 | 中国科学院自动化研究所 | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 |
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
Non-Patent Citations (1)
Title |
---|
王玮 等: "采用 LBP金字塔的人脸描述与识别", 《计算机辅助设计与图形学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820819A (zh) * | 2014-02-04 | 2015-08-05 | 摩如富公司 | 验证使用真手指作为指纹的载体的方法 |
CN104820819B (zh) * | 2014-02-04 | 2019-10-11 | 摩如富公司 | 验证使用真手指作为指纹的载体的验证方法和验证装置 |
CN108140116A (zh) * | 2015-10-19 | 2018-06-08 | 高通股份有限公司 | 用于用户认证的屏幕上光学指纹捕获 |
CN105303179A (zh) * | 2015-10-28 | 2016-02-03 | 小米科技有限责任公司 | 指纹识别方法、装置 |
CN105528591A (zh) * | 2016-01-14 | 2016-04-27 | 电子科技大学 | 基于多象限编码的活体指纹识别方法 |
CN105528591B (zh) * | 2016-01-14 | 2019-04-16 | 电子科技大学 | 基于多象限编码的活体指纹识别方法 |
CN105787492A (zh) * | 2016-04-01 | 2016-07-20 | 电子科技大学 | 基于均值采样的局部三值模式纹理特征提取方法 |
CN105787492B (zh) * | 2016-04-01 | 2019-03-01 | 电子科技大学 | 基于均值采样的局部三值模式纹理特征提取方法 |
CN108197611A (zh) * | 2018-02-05 | 2018-06-22 | 广东职业技术学院 | 一种类人机器人模式识别系统 |
CN110705481A (zh) * | 2019-10-08 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种光学指纹防伪方法、装置及计算机可读存储介质 |
US11935321B2 (en) | 2020-03-05 | 2024-03-19 | Samsung Electronics Co., Ltd. | Method and apparatus with anti-spoofing |
CN113343963A (zh) * | 2021-08-09 | 2021-09-03 | 北京惠朗时代科技有限公司 | 一种基于高质量模板的智能尾箱指纹识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103279744B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN106934359B (zh) | 基于高阶张量子空间学习的多视角步态识别方法及系统 | |
JP2020525947A (ja) | 操作された画像の検出 | |
CN104700094B (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
Raghavendra et al. | Presentation attack detection algorithm for face and iris biometrics | |
CN104732186B (zh) | 基于局部子空间稀疏表示的单样本人脸识别方法 | |
CN104700018B (zh) | 一种用于智能机器人的识别方法 | |
CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
CN104794440B (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN103593648B (zh) | 一个面向开放环境的人脸识别方法 | |
CN103699874A (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN103336942A (zh) | 一种基于Radon BEMD变换的国画鉴定方法 | |
Zhu et al. | Fingergan: a constrained fingerprint generation scheme for latent fingerprint enhancement | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN102663443B (zh) | 基于图像扰动和相关滤波的生物特征识别方法 | |
CN105718915B (zh) | 一种基于多视角典型相关分析的人脸识别方法及其系统 | |
CN104463091A (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 | |
CN108932468A (zh) | 一种适用于心理学的面部识别方法 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
CN109194622A (zh) | 一种基于特征效率的加密流量分析特征选择方法 | |
Malik et al. | Frequency-based deep-fake video detection using deep learning methods | |
Le-Tien et al. | Combined Zernike moment and multiscale Analysis for tamper detection in digital images | |
Giatsoglou et al. | Investigation of ensemble methods for the detection of deepfake face manipulations |
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 |