CN104504361B - 基于方向特征的手掌静脉主方向特征提取方法 - Google Patents
基于方向特征的手掌静脉主方向特征提取方法 Download PDFInfo
- Publication number
- CN104504361B CN104504361B CN201410628027.5A CN201410628027A CN104504361B CN 104504361 B CN104504361 B CN 104504361B CN 201410628027 A CN201410628027 A CN 201410628027A CN 104504361 B CN104504361 B CN 104504361B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- gaussian
- iradon
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Abstract
本发明公开了一种基于方向特征的手掌静脉主方向特征提取方法，其特征是针对掌脉图像，采用Gaussian_iRadon(G‑iR)变换提取掌脉图像的方向特征矩阵，得到图像主方向特征，所述的采用Gaussian_iRadon(G‑iR)变换提取掌脉图像的方向特征矩阵是在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon变换提取到的方向信息的分辨能力。本发明采用G‑iR变换，加强了不同个体间掌脉图像的关联，有利于构建子库并增强同一子库内图像间的相关性；同时基于iRadon变换较佳的分辨能力，尽可能最大化不同子库中掌脉图像的差异性，达到分类快速检索的目的。
Description
技术领域
本发明涉及一种手掌静脉特征识别技术，特别是一种基于方向特征的手掌静脉主方向特征提取方法。
背景技术
掌静脉识别基于静脉血管进行一致性判断，因其具有活体采集、难伪造、特征信息丰富且唯一等良好性质，成为近十年来新兴生物特征识别技术之一，得到业内人士的广泛关注。随着掌脉识别技术应用领域的不断扩大，掌脉数据库的规模也在不断扩大，随之而来的关键问题就是大型掌脉数据库的识别精度和识别速度问题。
掌脉识别算法从运行方式而言，可以分成两类，即验证模式(verification)和辨识模式(identification)。验证模式：判定实时输入的具有唯一编码(ID)的掌脉图像，是否与此ID所对应的数据库中的掌脉样本相匹配；辨识模式：输入一幅实时掌脉图像(Probepalm vein image)(测试样本)，检索数据库中的所有样本，找到与之相匹配的数据库中的样本，获取数据库中样本的ID，即确认为测试样本的ID。辨识问题可以看作是广义化的验证问题。
大多数掌脉识别算法的研究都针对验证模式，并且取得了很大进步，算法都有很高的识别精度并且能在几十毫秒至几百毫秒内完成匹配。但辨识工作模式下的掌脉检索算法要比验证工作模式下的匹配算法难度大很多，特别是在大型掌脉数据库中就更为困难。换句话说，若一个测试样本需要与数据库中所有样本相匹配，随着数据库中样本数的增加，辨识过程所需的时间会快速增加，导致辨识模式下系统无法满足实时性要求。因此，尽管现有掌静脉算法在验证模式下的匹配速度能满足系统实时性要求，仍不能直接将验证中的匹配算法用在辨识过程中。
在大型生物特征识别系统中，指纹和掌纹图像与掌脉图像相似，均包含大量的纹理。其中指纹分类算法较成熟，大体分为两种：一种是固定分类方法，根据指纹的自然形状分成5类或者扩展成6～8类，如左旋、右旋、漩涡等类别，测试样本根据所属类别/子库，直接与子库内的候选样本进行进一步的精确匹配，得到测试样本的ID。其优点是无需采用相似度准则就能检索出候选样本，可以减少一定的检索时间；但是也存在很多问题，如某些样本的类别难以确定；分类遵循自然规律，可能导致某些子库中的样本数量过大；无法通过调整子库中样本数的分布来平衡系统的精度和速度。另一种分类方法是连续分类方法，通过某些变换方法提取图像主要特征作为分类特征，检索时，将测试图像的分类特征与数据库图像的分类特征进行相似度计算，找到与测试图像相似的一些数据库图像，作为候选样本进行进一步匹配。连续分类方法可以避免固定分类方法出现的问题，但其候选样本需用相似度准则检索整个数据库才能得到，且相似度测量方法若选取的不好会降低识别率(accuracy)。而在掌纹方面，尚在研究阶段，仅有一些文献提及到分类算法，如文献类似连续分类方法，由粗到细层次地减少掌纹检索范围；文献类似固定分类方法，根据掌纹主线的数量分成6类。与指纹、掌纹不同，掌脉图像中的静脉分布并无明显规律，即没有指纹中左旋、右旋、漩涡的特点，也没有掌纹中主线的分布。因此掌纹和指纹的分类算法，只能给我们提供一些检索方法上的指导，而在掌脉分类特征的选择上，参考意义有限。
大型掌脉数据库中，在辨识模式下得到测试图像的ID是一个检索问题。需将测试图像与数据库中每一幅图像进行比对，得到与测试图像最相似的模板图像。很明显，这种穷举法难以满足辨识系统的实时性要求，分类或分层的指导性检索方法是一种有效提高检索效率的方法。其中探索简单有效的分类索引结构和快速检索算法是指导性检索算法中两个关键问题，简单有效的分类索引结构和快速检索算法就首先需要有效提取手掌静脉主方向特征。
发明内容
本发明的目的是为了解决上述现有技术的不足提供一种增加不同个体间掌脉的相关性，以方便简单有效的分类索引和快速检索的基于方向特征的手掌静脉主方向特征提取方法。
为了实现上述目的，本发明所设计的一种基于方向特征的手掌静脉主方向特征提取方法，其特征是针对掌脉图像，采用Gaussian_iRadon(G-iR)变换提取掌脉图像的方向特征矩阵，得到图像主方向特征，所述的采用Gaussian_iRadon (G-iR)变换提取掌脉图像的方向特征矩阵是在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon变换提取到的方向信息的分辨能力，其中：实函数f[x,y]在有限邻域local(x,y)内的G-iR变换定义为：
其中是Lk的Gaussian加权表示,定义如下:
等式(8)给出2-D高斯函数G(x,y,σ)的定义，(x,y)表示Gaussian滤波器中的离散点，(x0,y0)是滤波器的中心点；σ是高斯滤波器的标准方差；
类似地，根据iRadon变换的竞争编码方式得到由Do(x,y)组成的方向特征矩阵；
基于G-iR变换得到的每个像素的主方向Do(x,y)，根据公式(9)，统计其方向特征的分布PDφ，并求得整个图像的主方向φ；其中m,n为OM矩阵大小；
在采用Gaussian_iRadon(G-iR)变换构建方向特征矩阵中，考虑到分类索引结构对特征分辨能力的要求，以及掌脉图像自身的特点，将掌脉图像中静脉纹理的主方向作为分类索引结构，提取静脉纹理的主方向时，判定掌静脉图像中的哪些静脉属于主要静脉以及主要静脉的大致方向。但由于掌脉分布的不规则性，即便是人工判定也很难解决这些问题，本发明参照iRadon变换提取到的方向特征矩阵，通过统计方向特征矩阵的方向值分布，以此作为判定图像主方向的依据。
本发明在iRadon变换的基础上，提出了这种新的特征提取方法，即Gaussian_iRadon(简称G-iR)变换。在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian 函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon变换提取到的方向信息的分辨能力。因此，G-iR变换能加强不同个体间掌脉图像的关联，有利于构建子库并增强同一子库内图像间的相关性；同时基于iRadon变换较佳的分辨能力，尽可能最大化不同子库中掌脉图像的差异性。
高斯函数能限定不同方向下滤波器的响应相同，同时高斯函数对中心点的加权规则不仅去除了过多的冗余信息，减少计算复杂度和计算量，同时能包含较多的有效信息。同时，高斯对中心点的邻域的加权，类似于高斯模糊，增加了不同个体间掌脉的相关性，有利于子库的建立，达到分类快速检索的目的。
具体实施方式
下面通过实施例对本发明作进一步说明。
实施例1：
本实施例提供的一种基于方向特征的手掌静脉主方向特征提取方法，首先针对掌脉图像，采用Gaussian_iRadon(G-iR)变换提取掌脉图像的方向特征矩阵，得到图像主方向特征，所述的采用Gaussian_iRadon(G-iR)变换提取掌脉图像的方向特征矩阵是在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon 变换提取到的方向信息的分辨能力，其中：实函数f[x,y]在有限邻域local(x,y)内的G-iR变换定义为：
其中是Lk的Gaussian加权表示,定义如下:
等式(8)给出2-D高斯函数G(x,y,σ)的定义，(x,y)表示Gaussian滤波器中的离散点，(x0,y0)是滤波器的中心点；σ是高斯滤波器的标准方差；
类似地，根据iRadon变换的竞争编码方式得到由Do(x,y)组成的方向特征矩阵；
基于G-iR变换得到的每个像素的主方向Do(x,y)，根据公式(9)，统计其方向特征的分布PDφ，并求得整个图像的主方向φ；其中m,n为OM矩阵大小；
在采用Gaussian_iRadon(G-iR)变换构建方向特征矩阵中，考虑到分类索引结构对特征分辨能力的要求，以及掌脉图像自身的特点，将掌脉图像中静脉纹理的主方向作为分类索引结构，提取静脉纹理的主方向时，判定掌静脉图像中的哪些静脉属于主要静脉以及主要静脉的大致方向。但由于掌脉分布的不规则性，即便是人工判定也很难解决这些问题，本发明参照iRadon变换提取到的方向特征矩阵，通过统计方向特征矩阵的方向值分布，以此作为判定图像主方向的依据。
本发明在iRadon变换的基础上，提出了这种新的特征提取方法，即Gaussian_iRadon(简称G-iR)变换。在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian 函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon变换提取到的方向信息的分辨能力。因此，G-iR变换能加强不同个体间掌脉图像的关联，有利于构建子库并增强同一子库内图像间的相关性；同时基于iRadon变换较佳的分辨能力，尽可能最大化不同子库中掌脉图像的差异性。
本实施例在图像提取过程中，通过提取高(图像大小为128*128)、中(图像大小为64*64)、低(图像大小为32*32)三个分辨率下的图像，分别用三个不同大小的G-iR滤波器提取图像方向特征，并用上述提取主方向的方法，得到高、中、低三个分辨率下图像的主方向[φ1,φ2,φ3]，低分辨率的图像，能提取图像主要信息，降低噪声以及细节信息对图像的影响；高分辨率的图像，能提取图像的一些关键的细节信息；中分辨率的图像，能提取图像的一些主要信息，以及图像的一些关键性细节信息。上述3个主方向的提取，有效地结合了不同分辨率下的图像信息，保证了主方向信息提取的稳定性和有效性。
由于滤波器随着图像的减小成比例地缩小，高、中、低三个分辨率下得到的3个主方向，理论上分析所包含的特征信息应该一致的。但是由于下采样存在着信息上的损失，导致三个分辨率下的特征信息略有差异。因此本实施例取3个主方向[φ1,φ2,φ3]的众数作为最终的主方向Φ，众数(mode)表示集合中出现最频繁的值，这样既利用了不同分辨率下的特征信息，又避免了3个分类索引带来过多的冗余信息导致存储容量的增加。
Claims (1)
1.一种基于方向特征的手掌静脉主方向特征提取方法，其特征是针对掌脉图像，采用Gaussian_iRadon(G-iR)变换提取掌脉图像的方向特征矩阵，得到图像主方向特征，所述的采用Gaussian_iRadon(G-iR)变换提取掌脉图像的方向特征矩阵是在判定中心像素点的主方向Do(x0,y0)时，利用Gaussian函数对中心点的加权规则，削弱邻域内像素点对中心像素点的贡献度，进而减弱iRadon变换提取到的方向信息的分辨能力，其中：实函数f[x,y]在有限邻域local(x,y)内的G-iR变换定义为：
<mrow>
<mi>G</mi>
<mo>_</mo>
<msub>
<mi>Radon</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
<mo>*</mo>
<msub>
<mi>GR</mi>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中是Lk的Gaussian加权表示,定义如下:
<mrow>
<msub>
<mi>GR</mi>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
等式(8)给出2-D高斯函数G(x,y,σ)的定义，(x,y)表示Gaussian滤波器中的离散点，(x0,y0)是滤波器的中心点；σ是高斯滤波器的标准方差；
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
根据iRadon变换的竞争编码方式得到由Do(x,y)组成的方向特征矩阵；
基于G-iR变换得到的每个像素的主方向Do(x,y)，根据公式(9)，统计其方向特征的分布PDφ，并求得整个图像的主方向φ；其中m,n为OM矩阵大小；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PD</mi>
<mi>&phi;</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>D</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&phi;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
<mi>&phi;</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
<mn>6</mn>
</mrow>
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<munder>
<mi>argmax</mi>
<mi>&phi;</mi>
</munder>
<msub>
<mi>PD</mi>
<mi>&phi;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410628027.5A CN104504361B (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉主方向特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410628027.5A CN104504361B (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉主方向特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104504361A CN104504361A (zh) | 2015-04-08 |
| CN104504361B true CN104504361B (zh) | 2018-02-06 |
Family
ID=52945757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410628027.5A Active CN104504361B (zh) | 2014-11-10 | 2014-11-10 | 基于方向特征的手掌静脉主方向特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104504361B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615635B (zh) * | 2014-11-10 | 2018-06-05 | 南方医科大学 | 基于方向特征的手掌静脉分类索引构建方法 |
| CN105469032A (zh) * | 2015-11-16 | 2016-04-06 | 成都四象联创科技有限公司 | 红外图像识别方法 |
| CN105740810A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 一种新的指静脉软生物特征构造方法 |
| CN107767298A (zh) * | 2017-12-08 | 2018-03-06 | 苏州高新文体集团有限公司 | 一种文体场馆自助消费系统 |
| CN108509886B (zh) * | 2018-03-26 | 2021-08-17 | 电子科技大学 | 基于静脉像素点判定的掌静脉识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
| CN104091145A (zh) * | 2013-06-02 | 2014-10-08 | 广东智冠实业发展有限公司 | 人体掌脉特征图像采集方法 |
| CN104091146A (zh) * | 2013-06-02 | 2014-10-08 | 广东智冠实业发展有限公司 | 人体静脉图像特征提取方法 |
-
2014
- 2014-11-10 CN CN201410628027.5A patent/CN104504361B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
| CN104091145A (zh) * | 2013-06-02 | 2014-10-08 | 广东智冠实业发展有限公司 | 人体掌脉特征图像采集方法 |
| CN104091146A (zh) * | 2013-06-02 | 2014-10-08 | 广东智冠实业发展有限公司 | 人体静脉图像特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Human Identification Using Palm-Vein Images;Yingbo Zhou等;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20111231;第6卷(第4期);第1259-1274页 * |
| 基于Radon变换和小波理论的静脉特征提取与匹配;顾玲玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315(第03期);I138-1118 * |
| 基于方向特征的手掌静脉识别;周宇佳等;《中国图象图像学报》;20140216;第19卷(第2期);第0243-0252页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104504361A (zh) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609497B (zh) | 基于视觉跟踪技术的实时视频人脸识别方法及系统 | |
| CN105426842B (zh) | 基于支持向量机和表面肌电信号的多类手部动作识别方法 | |
| CN104504361B (zh) | 基于方向特征的手掌静脉主方向特征提取方法 | |
| CN104615635B (zh) | 基于方向特征的手掌静脉分类索引构建方法 | |
| Singh et al. | A study of moment based features on handwritten digit recognition | |
| CN102955855A (zh) | 基于量子算法的掌纹数据库搜索方法 | |
| CN104881671B (zh) | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 | |
| CN104615634A (zh) | 基于方向特征的手掌静脉指导性快速检索方法 | |
| Liu et al. | Finger vein recognition with superpixel-based features | |
| CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
| Song et al. | Fingerprint indexing based on pyramid deep convolutional feature | |
| Wang et al. | S 3 d: scalable pedestrian detection via score scale surface discrimination | |
| Sethy et al. | Off-line Odia handwritten character recognition: an axis constellation model based research | |
| Arora et al. | Palmhashnet: Palmprint hashing network for indexing large databases to boost identification | |
| CN103745242A (zh) | 一种跨设备生物特征识别方法 | |
| Feng et al. | Detecting locally, patching globally: An end-to-end framework for high speed and accurate detection of fingerprint minutiae | |
| Hu et al. | Bag of features approach for offline text-independent Chinese writer identification | |
| Li et al. | A score-level fusion fingerprint indexing approach based on minutiae vicinity and minutia cylinder-code | |
| Li et al. | A fingerprint indexing scheme with robustness against sample translation and rotation | |
| Raghavendra et al. | An efficient finger vein indexing scheme based on unsupervised clustering | |
| CN109002828A (zh) | 基于均值跳动迹变换的图像纹理特征提取方法 | |
| Geng et al. | A comparative study of local feature extraction algorithms for web pornographic image recognition | |
| Sharma et al. | Deep convolutional neural network with ResNet-50 learning algorithm for copy-move forgery detection | |
| Mohankrishnan et al. | On-line signature verification using a nonstationary autoregressive model representation | |
| He et al. | Wood species identification based on an ensemble of deep convolution neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 518000 Tianji Building, Tian'an Chegongmiao Industrial Zone, Futian District, Shenzhen City, Guangdong Province, F4.83A305 (Shenzhen Yunpaisi Technology Co., Ltd.) Patentee after: SHENZHEN ZHIGUAN BIOLOGICAL IDENTIFICATION TECHNOLOGY CO.,LTD. Address before: 518000 Tianji Building, Tian'an Chegongmiao Industrial Zone, Futian District, Shenzhen City, Guangdong Province, F4.83A305 (Shenzhen Yunpaisi Technology Co., Ltd.) Patentee before: SHENZHEN YUNPAISI TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220316 Address after: 518109 1011, Taojing Jinhua building, Taoyuan community, Dalang street, Longhua District, Shenzhen, Guangdong Province Patentee after: Zhangmaitong Information Technology Co.,Ltd. Address before: 518000 Tianji Building, Tian'an Chegongmiao Industrial Zone, Futian District, Shenzhen City, Guangdong Province, F4.83A305 (Shenzhen Yunpaisi Technology Co., Ltd.) Patentee before: SHENZHEN ZHIGUAN BIOLOGICAL IDENTIFICATION TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221214 Address after: 518042 303, Floor 3, Building 6, Anhua Community, No. 18, Tairan 8th Road, Tian'an Community, Shatou Street, Futian District, Shenzhen, Guangdong Patentee after: Zhiguan Yizhangtong Technology (Shenzhen) Co.,Ltd. Address before: 518109 1011, Taojing Jinhua building, Taoyuan community, Dalang street, Longhua District, Shenzhen, Guangdong Province Patentee before: Zhangmaitong Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |