CN104700091A - 一种手背认证方法 - Google Patents
一种手背认证方法 Download PDFInfo
- Publication number
- CN104700091A CN104700091A CN201510137410.5A CN201510137410A CN104700091A CN 104700091 A CN104700091 A CN 104700091A CN 201510137410 A CN201510137410 A CN 201510137410A CN 104700091 A CN104700091 A CN 104700091A
- Authority
- CN
- China
- Prior art keywords
- angle
- image
- vein
- hand
- mentioned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 210000003462 vein Anatomy 0.000 claims abstract description 131
- 210000003811 finger Anatomy 0.000 claims description 78
- 238000012937 correction Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 13
- 238000005452 bending Methods 0.000 claims description 10
- 210000005224 forefinger Anatomy 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000007920 subcutaneous administration Methods 0.000 abstract description 3
- 210000004243 sweat Anatomy 0.000 abstract description 3
- 231100000241 scar Toxicity 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000005034 decoration Methods 0.000 abstract 1
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 23
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000000926 separation method Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 238000009499 grossing Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008034 disappearance Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003931 cognitive performance Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种手背认证方法，其包括：认证手指部数字图像以及手背静脉；手指部数字图像是通过在认证设备的水平轴棒之中央部安置二根轴的安定把手上，所述的二根轴之间插入中指，拍摄中指、食指、无名指和手背的连结范围，而得到的图像；所述的手背静脉是读取拍摄的上述手背的背部数字图像。提取位于手背皮下的静脉样本，用于确认使用者本人，破损的指纹图像、汗液、伤痕、装饰品等外部环境的变化引发系统的性能低下，使其最小化，提供更加稳定的系统性能，最大限度地保证使用者的便利性；通过外部环境和输入图像的极小变化，判断系统灵敏度和使用者旋转与移动时，减少错误拒绝率、错误识别率，划时期地改善静脉样本识别性能及系统的稳定性。
Description
技术领域
本发明涉及生理特征认证领域，尤其涉及一种手背认证方法。
背景技术
一般，确保大规模使用者或小规模使用者的出入管制和保安，需要个人身份识别的保安设施和认证系统，此系统使用磁卡、RF卡、智能卡等的磁卡钥匙。但是，使用磁卡钥匙的个人身份识别方式不能在根本上防止卡遗失、盗用和误用等。另外，有大规模的使用者时，由于个人支付的信用卡数量多，缺点是经济负担大。为完善此缺点，认证使用者本人，开发并使用生理识别系统，可以自动识别、认证使用者的自身特征，确认使用者身份、认证身份以及管制保安出入。
生理识别系统大体上分为识别人行为特征的签名识别、认识身体特征的指纹识别、面部识别、手的形状识别、手背静脉样本的识别等，利用这些识别的系统等作为代表内容。
生理识别系统中，众所周知的是指纹识别系统，由于每位使用者有固定的指纹，作为识别系统具有充分的优点，识别位于人体表皮上的指纹样本，通过良好的指纹图像，进行个人身份认证。但是，指纹识别系统的方法是提取表皮上的指纹特征，用此方法提取工地现场的劳动者和军人的指纹时，提取良好地指纹很困难，这不是造成系统性能低下唯一的主要原因，由于手部出汗、受伤、外部污染，也是造成系统性能低下的主要原因。
其次，生理识别系统中，面部识别系统在目前的技术水平下，由于外部照明、化妆、眼睛、装饰品等外部变化，不能显示稳定的识别性能，手的形状识别系统由于必需固定使用者手的位置，使用者便利性能差，因风湿、关节炎等生物特征容易发生变化，造成系统的性能低下。
例如，个人身份识别系统利用手背静脉样本。为改善原来生理识别系统的缺点，个人身份识别系统在工具的设计方面上，确保固定使用者手的位置的，使用此方式；在算法的侧面上应用高带宽处理和二值化处理，提取使用者静脉血管的。换言之，利用手背静脉样本的个人身份识别系统使用安全手段、提取手段、比较手段，其中安全手段是使用者身穿可以握住感应棒的服装，手握感应棒，输入使用者手背的图像，提取手段是提取使用者手背静脉样本，比较手段是对使用者手部旋转和移动的补正，使用并补充修正分支点，此分支点是依据提取手提取的手背血管样式左侧上层的分支点同右侧下层的分支点。
另外，用提取手段从使用者手背提取静脉样本时，不考虑静脉样本的方向性，用高带宽处理和二值化处理过程提取样本。依据这种提取手段，依据之前技术的手背静脉样本个人身份识别系统，通过样本的方向性，损失部分静脉样本的特征向量(样本分支点)。
因使用者手部旋转与移动而产生系统错误拒绝，用比较手段解决系统错误拒绝的方法时，利用提取到的手背静脉样本左侧上层的分支点和右侧下层的分支点，作为标准点，损失部分提取的分支点，错误识别标准分支点，是造成系统性能低下的主要原因。
如上所述，生理识别系统中，指纹识别、面部识别、手的形状识别系统等识别系统有这样的问题，由于破损的指纹图像、汗液、外伤等外部污染，导致性能低下，而利用手背静脉样本的系统通过位于表皮下的特征，可以解决这样的问题。但是，由于依据之前技术的手背静脉样本个人身份识别系统有以下问题，由于静脉样本的歪曲和静脉样本中损失部分样本分支点，导致错误识别和错误拒绝，造成系统性能低下。
之前技术的手背静脉样本提取算法是通过照相机获得使用者手背的原始图像，图像中把集中分布的静脉样本作为感兴趣区域(ROI：Region of Interest)，获得感兴趣区域的图像，ROI图像中利用静脉样本强调滤波(HVPEF：Hand Vein Pattern Emphasizing Filter)，仅突出静脉样本，突出手背上分布的静脉样本与其背景之间的边界部分内容。
静脉样本强调滤波以带通(band-pass)滤波的形式，强调ROI图像中手背上分布的静脉样本与背景间的边界部分，消除符合背景部分的低周波(low-frequency)。这样的静脉样本强调滤波的特性是在高周波带宽和低周波带宽间宽阔的过渡区域内，不能维持通带(pass-band)的利益，ROI图像中要提取静脉样本，不考虑静脉样本的粗细，静脉样本的重要特征是静脉样本连结性(vein-pattern connectivity)，损失部分静脉样本连结性。
二值化处理过程是使用静脉样本强调滤波的处理结果图，灰度色标图像转换成二值化图像(binary image)，仅提取手背静脉样本的分布情况。通过二值化处理过程取得的结果图把将要提取的静脉样本划分为黑色，其余背景部分划分为白色。
正规化(normalization)处理过程应用于二值化图像，二值化图像是经过二值化处理，分开要提取的静脉样本和背景的图像。换言之，正规化处理过程必须依据系统的限定内存，均等地使用使用者的数据库，在识别过程中，判定对象是否为获得允许的正规化图像使用者。
其次，二值化处理过程和正规化处理过程之间的消除杂影程，它通过反干扰滤波(NRF：Noise Removal Filter)，经过二值化处理以及正规划过程，消除由手背弯曲、汗毛、皮下脂肪层等引发的杂影。反干扰滤波作为消除杂影的一般方法，可以使用线形过滤圈的滑动平均(Moving Average)滤波和非线形过滤圈的中数值滤波。之前技术的手背静脉样本提取演算使用中数值滤波的消除杂影过程。
之前技术的手背静脉分布提取演算是经过静脉样本的突出过滤圈、二值化以及正规化处理、消除杂影过程，最终只提取手背分布的静脉样本。这种手背静脉分布提取演算有以下问题，在取得的ROI图像中，由外部温度变化引发静脉样本的收缩以及膨胀现象，不考虑收缩以及膨胀现象而提取静脉样本，静脉样本分布中损失大部分静脉样本连结性，不能提供稳定的演算性能。
进一步说，作为之前技术的手背静脉分布提取演算性能低下的主要原因，有以下问题：通带的宽阔过渡区域内，损失部分静脉样本和背景间的边界信息与静脉样本内部信息，要提取的静脉样本的重要特征是静脉样本连结性，会损失其部分连结性。
这样的问题等，会导致系统识别性能严重的性能低下现象。通过手背静脉分布提取演算，不考虑要提取的静脉样本的粗细，用单一滤波特性(single filter characteristics)提取静脉样本，要提取的静脉样本的重要特征是静脉样本连结性，会损失其部分连结性。
综上所述，现有技术有待于更进一步的改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种手背认证方法。
为解决上述技术问题，本发明方案包括：
一种手背认证方法，其包括：认证手指部数字图像以及手背静脉；
手指部数字图像是通过在认证设备的水平轴棒之中央部安置二根轴的安定把手上，所述的二根轴之间插入中指，拍摄中指、食指、无名指和手背的连结范围，而得到的图像；所述的手背静脉是读取拍摄的上述手背的背部数字图像。
所述的手背认证方法，其中，上述步骤具体的还包括：
在电脑上进行认证信息用的数据库存储步骤、临时存储内存步骤及ROI图像的提取步骤；认证信息用的数据库存储步骤是把最合适的分布特性数据、第一标准边界线及第二标准边界线作为手指部边界标准信息，存储在在认证信息用的数据库内；其中最合适的分布特性数据包括认证者把中指插入到上述安定把手的二个轴内，连结预先拍摄得到手背静脉的分支点，而形成的标准多边形；第一标准边界线是上述过程中，拍摄到的中指与无名指连接的第一弯曲范围的边缘部分；第二标准边界线是中指与食指连接的第二弯曲范围的边缘部分；
进一步进行位置补正步骤以及静脉样本匹配步骤；
上述的位置补正步骤包括手指部边界图像的提取步骤、第一边界线与第二边界线的求证步骤、第一补正角度的求证步骤、第二补正角度的求证步骤和生成静脉样本补正图像的步骤；
手指部边界图像的提取步骤是在所述的手指部数字图像中，把上述第一弯曲范围和第二弯曲范围作为手指部边界图像，提取手指部边界图像；
第一边界线与第二边界的求证步骤是、对于所述的手指部边界图像的第一弯曲范围，进行骨骼处理，求第一边界线与第二边界线，其中第一边界线是中指与无名指的边界部分，第二边界线是中指与食指间的边界部分；
第一补正角度的求证步骤通过求第一相对角度，把第一相对角度作为第一补正角度的过程，其中连结第一边界线与第二边界线的直线，与连结第一标准边界线与第二标准边界线的直线，这两条直线的之间的相对角度是第一相对角度；
第二补正角度的求证步骤是通过求第二相对角度和第三相对角度，把第二相对角度与第三相对角度的平均角作为第二补正角度的过程；其中第二相对角度是第一边界线的分叉角度与第一边界线的标准分叉角度之间的相对角度，第一边界线在上述的手指部边界图像之内，第一边界线的标准分叉角度在上述的手指部边界标准信息之中；
生成静脉样本补正图像的步骤是用上述的第一补正角度补充修正静脉样本，进一步用上述的第二补正角度进行补充修正，生成静脉样本补正图像的过程；
上述的静脉样本匹配步骤是判定手段，将判定结果呈现在手背认证终端的显示器上；通过求静脉样本补正图像的各个分支点，连结分支点形成多边形，比较分析此多边形和上述最合适的分布特性数据中的标准多边形，判定是否一致。
所述的手背认证方法，其中，上述最合适的分布特性数据包括分支点中静脉样本的分支角度、分支个数、上述分支点的像素坐标；
上述静脉样本的匹配步骤是求上述静脉样本补正图像的静脉样本分支点的像素坐标、分支点个数、分支角度，判定这些是否一致。
所述的手背认证方法，其中，上述最合适的分布特性数据中，静脉样本包括粗静脉血管样本和细静脉血管样本。
所述的手背认证方法，其中，上述最合适的分布特性数据保存在关联认证卡。
所述的手背认证方法，其中，在上述的手背原始图像中，依据ROI所占的面积比率，利用Ptile法计算阈值，提取ROI图像。
所述的手背认证方法，其中，第一边界线和第二边界线的分叉角度是、ak在两个像素间x轴方向上的距离，bk是在y轴方向上形成角度，通过此角度的像素的距离差，利用下面式(1)，合并求得的二个θk；
所述的手背认证方法，其中，上述认证信息用的数据库中，最合适的分布特性数据包括上述的标准多边形各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积；
上述静脉样本的匹配步骤是，对各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积，进行判断识别其整合程度。
所述的手背认证方法，其中，上述的静脉样本匹配步骤是在静脉样本的分支点上，应用权重因数，对各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积，进行判断识别其整合程度。
本发明提供的一种手背认证方法，提取位于手背皮下的静脉样本，用于确认使用者本人，破损的指纹图像、汗液、伤痕、装饰品等外部环境的变化引发系统的性能低下，使其最小化，提供更加稳定的系统性能，最大限度地保证使用者的便利性；通过外部环境和输入图像的极小变化，判断系统灵敏度和使用者旋转与移动时，减少错误拒绝率(FRR：False RejectionRate)、错误识别率(FAR：False Acceptance Rate)，划时期地改善静脉样本识别性能及系统的稳定性。
附图说明
图1为本发明中手背认证方法的流程示意图。
具体实施方式
本发明提供了一种手背认证方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种手背认证方法，如图1所示的，其包括：认证手指部数字图像以及手背静脉；
手指部数字图像是通过在认证设备的水平轴棒之中央部安置二根轴的安定把手上，所述的二根轴之间插入中指，拍摄中指、食指、无名指和手背的连结范围，而得到的图像；所述的手背静脉是读取拍摄的上述手背的背部数字图像。
以下在本发明的实施例子中，详细地说明手背认证方法。
首先，使用者通过个人编码输入手段输入个人识别编码(S100)。输入的个人识别编码通过通信控制部发送给个人识别编码判定部。收到个人识别编码的个人识别编码控制部以个人识别编码为关键词，通过数据库存取部检索存储在认证信息数据库中的信息，判断是否注册(S101)。判定结果通过显示手段输出，未注册则显示为错误(S107)。若确认已经注册，那么会进行图像摄影。
确认已经注册过的使用者，将中指插入安定手柄的指插入部(S102)。指摄影相机会拍摄插入安定手柄中手指状态作为指图像(Fi)(S103)。
使用者的手在安定手柄上暂时不要移动，使之处于固定状态(S104)。手背摄影相机会拍摄此状态下的手背图像作为原图像(Hi)(S105)。
将拍摄好的指图像(Fi)与手背的原图像(Hi)发送到图像解码器，进行数字化。数字化后的图像作为数字指图像(Fdi)和数字原图像(Hdi)，通过通信控制部及处理器的摄影图像保存部保存在临时存储器中(S106)。
认证时所必须的静脉形式决定了所拍图像中的重要区域(ROI)。接下来在手背数字原画像(Hdi)中只分离出ROI图像(Hri)部分(S200)。
为了从使用者手背数字原图像(Hdi)中分离出静脉形式集中分布的ROI图像(Hri)，找到正确的ROI位置是十分必要的。但是因为透镜及相机组件的安装位置可能出现误差，各个相机ROI的位置多多少少会存在误差。下述ROI自动检出处理方法能够确定正确的ROI位置。
在ROI图像(Hri)的分离过程中，首先用构成手背数字原图像(Hdi)的全部像素制成直方图，横轴表示灰度(0～5)的浓淡值，纵轴表示处于某一浓淡值得像素数(S201)。
接着，用P参数法计算出直方图中ROI区域浓淡值与背景浓淡值的阈值(T)(S202)。每次摄影时，必要静脉形式ROI区域的位置可能会出现偏差，但在数字原图像(Hdi)整体中所占面积的比例是一定的。因此，当客体在图像中所占面积比例已经明确时，采用以此面积比例的P％点作为阈值(T)的P参数法。除P参数法外，还可以利用检测出直方图最低点的模态法。
分离出浓淡值在阈值(T)以上的像素作为ROI区域(S203)。为了强调ROI区域的边缘界限，进行索贝尔边缘检测处理，分离出ROI图像(Hri)。
接着，为了从分离出的ROI图像(Hri)中读取静脉形式，要进行过滤器组静脉形式分离计算处理(FBHVPEA：Filter-bank Hand Vein-pattern Extraction Algorithn)(S300)。随着外部环境的变化，静脉形式会出现收缩或膨胀现象，进行此处理可以尽量减少静脉形式信息的部分损失，最大限度的维持静脉形式的重要特征即形式连结性。
首先，在滤波器组静脉形式分离计算处理中，普通模式(Normal mode)滤波器能够有效分离出分布在手背的粗静脉形式(SPi)(S301)。效率模式(Enhancement mode)能够有效分理出薄静脉与收缩后变细的静脉形式(ZPi)(S302)。将前述工序中得到的粗静脉形式(SPi)与细静脉形式(SPi)合成，制成手背静脉形式合成图像(GPi)(S303)。普通模式滤波器维持静脉形式内的低频信息与形式界限的信息，效率模式滤波器比起粗静脉能更有效的强调细静脉形式，对于低频信息及形式界限频率的维持相对较弱。
其次，对静脉形式合成图像(GPi)进行二值化处理，使之变换为二值画像(BPi)(S304)。
为了得到二值画像(BPi)会使用二值化处理，在二值化处理中，为了区分某像素是黑是白，需要确定阈值，确定方法可以有两种。一种方法是使用本地遮光框的平均值作为阈值，另一种是使用7比特平面的值作为阈值。根据两种方法的适用结果，以7比特平面值为阈值时，得到的静脉形式信息更加准确。适用于二值化的空间遮光框尺寸最好是×内核。
最后，二值化处理后得到的二值图象(BPi)含有由使用者手背汗毛、曲毛、皮下脂肪层引起的杂映。为了去除杂映，使用3×3内核的中值(Median)滤波器进行除去噪音净化处理，制成手背静脉形式图像(VPi)(S305)。
既存的静脉模式分离算法处理不考虑静脉的粗细，单一滤波器在分离静脉形式时可能会造成部分静脉形式连结信息(vern-pattern connectivity information)的缺失，滤波器组静脉形式分离计算处理改善了以上不足，对于由外部环境变化引起的静脉形式的收缩及膨胀现象，提供更为稳定的计算性能。
显示的是由滤波器组静脉形式分离计算处理后得到的图像，(a)为静脉形式合成图像(GPi)，是合成经普通模式滤波器与效率滤波器处理后的图像得到的。(b)为二值化处理后的黑白图像，即二值图象(BPi)，(c)为除去噪音后的静脉形式图像(VPi)。
(a)为由以往的强调滤波器处理后得到的静脉形式，(b)为滤波器组静脉形式分离计算处理后得到的静脉模式。比较从ROI区域的一部分区域中分离出的静脉形式，可以看出，由既存静脉形式强调滤波器分离出的静脉较粗，结果会导致静脉形式内的信息及部分静脉形式的形式连结性丢失，而经本发明普通模式滤波器处理后，能有效修补低频信息，维持静脉形式的形式连结性。但是伴随着外部温度的降低，静脉会收缩、变薄变细，此时用普通模式滤波器分离静脉模式会造成部分形式连结性的缺失。为了对此进行修正，可以使用滤波器组静脉形式分离计算处理中的效率滤波器。效率模式滤波器处理可以减弱低频率的背景的清晰度，通过强调细微的形式变化，修正细薄静脉形式的形式连结性的部分损失。
(a)为通过以往的分离算法处理得到的静脉形式，(b)为滤波器组静脉形式分离计算处理后得到的静脉模式。在(a)中可以得到要分离出的静脉形式的形式连结性的部分缺失，(b)部分缺失的连结性也被分离出来。
接着，进入位置修正过程。使用者将手指放在安定手柄时，指摄影机拍摄指图像(Fi)，经相应处理得到数字指图像(Fdi)，分析数字指图像进行位置修正(S0)。
首先，利用以下详细的位置修正算法算由数字指图像(Fdi)算出旋转修正值(R)与移动修正值(S)(S1)。利用旋转修正值(R)与移动修正值(S)，将静脉形式图像(VPi)中的静脉形式修正到可以与事先注册的静脉形式基准图像进行比较的位置，制成静脉形式修正图像(mVPi)(S2)。
将中指插入安定手柄中央的指插入部中，遮住手部，食指、中指、无名指被拍入图像。利用安定手柄的左右、食指与中指的交点、中指与无名指的交点，从被拍摄的指图像中检测出手位于哪个方向。
在位置修正算法处理中，首先分离出安定手柄与手指间的边缘线(S51)。
在边缘线的分离处理中，需要求得预测旋转角所必须的6个像素坐标，由3×3大小的阵列式构成的低通滤波器(Low Pass Filter)即平滑化滤波器(Averaging Filter)适用于原图像。平滑化滤波器是最具代表性的低通滤波器。低通滤波器使图像整体看起来不鲜明，但将图像转换成波段时，指图像部分与高频率的图像部分即周围像素相比，因值的突变会十分醒目。利用平滑化滤波器的优点在于可以减少图像处理过程中斑点噪音(Spot Noise)及椒盐噪音(Salt&pepper Noise)一类的杂映。
本发明所适用的平滑化滤波器的适用例，平滑化滤波器全部行列值均为1.以原图像的中心像素为基准，将此3×3行列的平滑化滤波器从左向右，再从上到下一个像素一个像素的移动，反复进行下面所示的计算。重叠图像的像素值与平滑化滤波器相同位置的行列值相乘，全体合计后算出平均数，将此平均值与中心像素值对调。
上述说明的平滑化滤波器的适用方法与适用于本发明实施例的使用蔽光框的图像处理方法相同。
使用低通滤波器得到一个图像，在此图像上利用能够分离最适边缘的分离蔽光框，分离出安定手柄与指间的边缘线。分离边缘的蔽光框由索贝尔蔽光框(Sobel Mask)、Kirsh蔽光框(Kirsh Mask)、边缘蔽光框(Edge Mask)等，边缘蔽光框是最常使用的。但是，在分离边缘时，除边缘以外，还有其他物体等一同显现出来，因为边缘不够粗，中途发生中断时，不能正确求出必要的像素坐标。
在位置修正算法中，因为只分离出正确位置的边缘线，所以接下来的图像处理过程会变得更加容易，此外，除去杂映及噪音的过程也将减少，使算法整体的执行速度得到提升。
接着，分离外角线(S52)，提取指间角度(S53)，求得旋转修正时作为图像旋转中心的旋转中心点(S54)，在以上操作后，从边缘线、外角线的分离中求得像素等的坐标和选作旋转中心点的像素坐标，并作为整数形的位置信息保存(S55)。
在位置修正算法中要求的的像素共有6个，因为全部像素都位于边缘线上，所以利用像素坐标预测旋转修正角。此外，在6个像素中指定一个像素，在旋转修正时作为手背静脉形式的旋转中心使用。
安定手柄与手指间的边缘线是由粗线条制成的，为了求得像素坐标，有必要添加细线化过程和外角线的描记。细线化过程通常利用叫做骨架(Skeleton)的图像处理技法，只留下文字与图像的中心点，连结起来做成一条直线。
在位置修正算法中，因为分离出的边缘线上侧的弯曲部(Bay)与手指的最外角一致，边缘线上册弯曲部的外角计算量相对较少，通过细线化过程，描记外角得到边缘线的外角线。像素的坐标值相对于边缘线为图像左侧上方的坐标系值。
从分离出的外角线中求得最下方的像素(C)与左右两端最上方的像素(A)与像素(B)。从一条边缘线中能分离出3个像素，一个数字指图像(Fdi)中有两个边缘线，即食指与中指的交点，中指与无名指的交点，所以求得的像素一共有6个。位置修正算法为了预测旋转修正的旋转角需要利用手指间角度，手指尖角度要利用在每条边缘线中的得到的3个像素求得。
3点(A、B、C)成为描记边缘线的外角线求得的3个像素。在这些像素中，以最下方的像素(C)为中心引一条垂直线，最上方的像素(A)和像素(B)分别于最下方的像素(C)相连，形成两条线段，这两条线段与垂直线的夹角分别为θ1与θr。角度的大小有式(1)求得，式(1)中ak为两像素间横轴方向的距离，bk为y轴方向形成角的像素的距离差。通过式(1)最终求得手指间角度。
接着，在从边缘线中求得的最下方的两个像素中选择一个，求得旋转中心点。为了最大限度的减少旋转中心点存在的误差，成为旋转中心点的像素最好选择从指间边缘线中分离出来的最下方的像素，此指间边缘线距离安定手柄有一段距离。这是考虑到手与物体接触时容易变形的特性，特别是与安定手柄接触的指间弯曲部与自然形成的指间弯曲部不同。
在将位置信息作为整数型数据保存后，位置修正算法以从手指区域求得的像素坐标为基准，预测旋转修正的角度。旋转修正角分为1次和2次，两回求得，利用求得的旋转修正角度进行旋转修正。
显示了1次旋转修正角度的预测过程。1次旋转修正是取得手背全体能够旋转修正的角度的过程，从注册指图像与比较用指图像中取得4个最下方的像素坐标，利用这4个像素坐标求得旋转修正的角度。
像素(A)与像素(B)是从注册指图像中取得的最下方像素，像素(A’)与像素(B’)是从比较用指图像中取得的最下方像素。
此像素(A、B、A’、B’)坐标值以整数数据形保存着，只要输入数据便可方便获得。4个像素中两两连结从相同手指取得的像素，得到任意线段a、b。
从注册指图像与比较用指图像中求得两条线段，做出两条线段的交点，使其中间有夹角。两线段的交点是由注册指图像决定的旋转中心点，以此旋转中心点为基准，在比较用指图像中，与旋转中心点处于同侧位置的像素向旋转中心点移动。像素(B)是注册图像中的旋转中心点，比较用指图像的线段中，与像素(B)处于同侧位置的像素是(B’)。
除作为比较用指图像交点使用的像素以外的其他像素，移动距离也相同。因此，像θ3一样，以一条线段为基准，求得其余线段的相对倾斜角度。
θ3与注册手背图像相比较，表现了比较用手背图像的相对倾斜角度。也就是说，成为旋转修正角度，以此倾斜角度为基准，旋转比较用手背图像，校正相对倾斜角度。
2次旋转修正使用手指间的角度。指间弯曲部与安定手柄接触紧密，但是由于手背自身的旋转及手背细微的活动，即使指间角度没有发生大的变化，整体也会歪斜，所以为了求得旋转修正角度，利用指间角度进行修正。
2次旋转修正角的预测过程，利用从分离出的边缘线中求得的像素，显示指间角度。θ1为从注册图像中求得的指间角度，θ2是从比较用图像中求得的指间角度。两个角度(θ1、θ2)来自不同图像，但因为是相同位置上手指间角度，所以可以求出注册图像中指间角度与比较用图像中指间角度的差，以此作为2次旋转角度。
像素(L)与像素(L’)为从边缘线中分离出的左侧最上方的像素，像素(R)与像素(R’)为边缘线右侧最上方的像素，像素(B)和像素(B’)是边缘线最下方的像素。将指间角度分开的虚线是指间角度的中心线。
以穿过像素(B)和像素(B’)的假想直线为基准，求得中心线与这条直线相交所倾斜的角度。中心线以假想直线为基准，位于左侧区域的为阳值，相反，位于右侧区域的则为阴值。
用求得的θ1、θ1’中心线的倾斜角度，计算相对倾斜角度(θ1－θ1’)。以注册图像的指间角度θ1的中心线角度为基准，减去比较用图像指间角度θ1’的中心线倾斜角度。
在以上方法中，以注册图像剩余指间角度为基准，求得比较用图像剩余指间角度的相对倾斜角度。算出2个相对倾斜角度的平均值，作为最终的2次旋转修正角度。
最后，利用概率匹配算法(PMA:Probability Matching Algorithm)，与注册在认证信息数据库的认证信息比较，进行认证(S0)。
首先，从认证信息数据库读取静脉形式最适分布特性数据(S1)。静脉最适分布特性数据包括静脉形式分歧特性(VPBC：Vein Pattern Branch Characteristic)与分歧加重值(BPWF：Branch Point Weighting Factor)。
接着，在静脉形式修正图像(mVPi)中，以静脉形式的各分歧点为顶点作成多角形(S2)。将此多角形的顶点与由注册的静脉形式最适分布特性做成的多角形顶点重叠，比较并判定整合性(S2)。
判定整合的结果即得到的比较值能否满足认证为一致的基准值(S4)，若不满足则不可认证(S5)，若满足则可以认证(S6)。
其中，手背静脉形式认证算法
在此详细说明本发明所利用的手背静脉形式认证算法。
手背静脉形式的分歧特性包括分歧点、分歧角度、分歧点处的形式长度等。利用以上分离出的静脉形式的分歧特征进行个人识别。在静脉形式的分歧特性中最基本的分歧特征是静脉形式分歧点，既存的静脉形式分离算法损失了部分静脉形式的形式连结性，在实际的系统运用中，对于外部环境的变化及输入图像的变化等，反应极其敏感。也就是说既存的静脉形式分离算法缺点在于大幅度降低了生物体认识系统的稳定性，因为它对手背静脉形式的全部分歧特性都使用了加重值(Uniform Weighting Factor)。
使算法性能低下的主要原因是，使用者反复使用系统，由于输入图像的变化及外部环境的变化，会造成要分离的静脉形式分歧点的部分缺失。因为要分离出的手背静脉形式中分歧特征并不多，数量是一定的，因此静脉形式分歧点的缺失是影响认识性能的一大要因。
利用以往静脉形式分离算法获得的同一个人的静脉形式分歧特征，(a)和(b)显示的是同一个人的图像处理结果，只是输入的时间存在差异。(a)由8个分歧点，(b)由14个分歧点。如果使用这样的分歧点作为分歧特征，那么尽管两次都是同一个人，也可能错误识别为其他人。
在以往位置修正算法技术得到的图像处理结果，(a)和(b)显示的是同一个人的图像处理结果，只是输入的时间存在差异。依据使用者的旋转和移动修正位置变化的方法要利用2个分歧点(左侧上方的分歧点、右侧下方的分歧点)的位置，但是由于最基本的分歧特征即分歧点的缺失，会显示错误的结果。
本发明的实施例即手背静脉形式认识算法对不同人的静脉形式分歧特性有概率性的信赖度，外部环境的变化及输入图像的微小变化等会影响系统的敏感度，使用者手背的微小位置变化引起的旋转与移动也会影响系统的认识性能，通过分离对于各人来说最稳定的VPBP(Vein-Pattern Branch-Point)改善系统性能的稳定性。
手背静脉形式认识算法由练习阶段和主要阶段构成。练习阶段是将概率的信赖度适用于各人的分歧特性，主要阶段是指将各人的注册信息自动转换成在练习阶段得到的适用概率信赖度的分歧特性，并使用特性要因比较算法(FVMP：Feature Vector Matching Algorithm)。
在练习阶段，使用由静脉形式分离算法分离出的静脉形式图像，通过直接比较算法(DMA：Direct Matching Algorithm)判断是否是使用者本人。DMA通过分歧特性判断注册在认证信息数据库的基准图像与静脉形式图像的直接性相似度(Correlation),判定个人识别能否通过。若可以判定出是本人，那么就能判断(PMA)从分歧点的概率性信赖性，使用者通过反复使用系统，最终检测出最稳定的静脉形式分歧特性(VPBC)，对于各分歧特性，概率性地决定分歧加重值(BPWF)。
在主要阶段，将各人的注册信息自动转换成在练习阶段得到的适用概率信赖度的分歧特性，并使用FVMP，进行是否是使用者本人的识别。在识别过程中，FVMA通过多角形的特性与概率的分歧特性判断是否是使用者本人。
利用适用概率性信赖度的各人分歧特性优点在于，可以显示稳定的识别性能，对于使用者的旋转与移动，以最稳定的VPBP为基准进行修正，能够改善系统性能，更方便使用者使用。
因此，反复使用各人手背静脉形式分布系统时，使用分歧特征的同时，从因各人外部环境及系统反复使用带来的输入变化中，分离出对各人来说最合适的分歧特性，显示了较为稳定的系统性能。
在使用系统的初期练习阶段，使用者的注册信息保存了从使用者分离出的静脉形式原型，并利用DMA进行识别，但是通过反复使用系统，向概率匹配算法(Probability MatchingAlgorithm)自动转换的同时，分离出能够区分使用者的最适静脉形式分歧特性，并利用它分离最适BPWF。最后，在使用者注册信息中，只保存从使用者分离出的静脉形式的分布特性(S65)。
使用上述细线化算法分离分歧点，分歧点的位置会发生微小变化，即使是输入同一个人的原图像也会出现微小的粗细变化，所以这种变化是可以存在的，但是要在一定的容许范围内，在此容许范围内分离出的分歧点位置，由容许范围的中央位置决定。
保存在数据库中的最适分歧特性，没有用线连接的分歧点表现了概率性较低的信赖度。也就是说，外部环境的变化及系统的反复使用会产生输入图像的微小变化，有些分歧特性失去分歧点特性的概率较高，对于这样的分歧点，使用低加重值(Lower Weighting Factor)。另一方面用线连接的分歧点，显示了概率性较高的信赖度。也就是说，对于外部环境的变化与输入图像的微小变化，即VPBP，使用高加重值(Higher Weighting Factor)。
在手背静脉形式的认识算法中，连结最为稳定的VPBP构成多角形，要使多角形处于最准确的位置，对旋转与移动进行修正。最后，对于手背静脉形式的认识算法中得到的各人分歧特性，使用分离出的概率性信赖度，将最稳定的VPBP与最适BPWF使用于认识阶段，能够获得稳定的认识性能。
手背静脉形式认证算法利用概率匹配算法(PMA)进行个人识别的认识阶段，最终通过FVMA判断是否是使用者本人。
在认识阶段，首先，连结数据库中最稳定的VPBP作成多角形，连结刚刚输入图像中的VPBP作成多角形，判断两多角形的顶点，判断各顶点、多角形顶点处角度、顶点间长度及多角形面积的一致性。
在认识阶段，通过概率性信赖度，对各种分歧性特性，使用最适BPWF，判定分歧特性(分歧点、分歧点的分歧角度、分歧点的分歧个数、分歧点的长度)的一致程度。
显然的，每个使用者都有固定的注册号码，在静脉识别用数据库中不断更新各号码的静脉形式分歧特性相关数据，同时保存与使用者静脉形式相关的分期特性和基准图像。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (9)
1.一种手背认证方法，其包括：认证手指部数字图像以及手背静脉；
手指部数字图像是通过在认证设备的水平轴棒之中央部安置二根轴的安定把手上，所述的二根轴之间插入中指，拍摄中指、食指、无名指和手背的连结范围，而得到的图像；所述的手背静脉是读取拍摄的上述手背的背部数字图像。
2.根据权利要求1所述的手背认证方法，其特征在于，上述步骤具体的还包括：
在电脑上进行认证信息用的数据库存储步骤、临时存储内存步骤及ROI图像的提取步骤；认证信息用的数据库存储步骤是把最合适的分布特性数据、第一标准边界线及第二标准边界线作为手指部边界标准信息，存储在在认证信息用的数据库内；其中最合适的分布特性数据包括认证者把中指插入到上述安定把手的二个轴内，连结预先拍摄得到手背静脉的分支点，而形成的标准多边形；第一标准边界线是上述过程中，拍摄到的中指与无名指连接的第一弯曲范围的边缘部分；第二标准边界线是中指与食指连接的第二弯曲范围的边缘部分；
进一步进行位置补正步骤以及静脉样本匹配步骤；
上述的位置补正步骤包括手指部边界图像的提取步骤、第一边界线与第二边界线的求证步骤、第一补正角度的求证步骤、第二补正角度的求证步骤和生成静脉样本补正图像的步骤；
手指部边界图像的提取步骤是在所述的手指部数字图像中，把上述第一弯曲范围和第二弯曲范围作为手指部边界图像，提取手指部边界图像；
第一边界线与第二边界的求证步骤是、对于所述的手指部边界图像的第一弯曲范围，进行骨骼处理，求第一边界线与第二边界线，其中第一边界线是中指与无名指的边界部分，第二边界线是中指与食指间的边界部分；
第一补正角度的求证步骤通过求第一相对角度，把第一相对角度作为第一补正角度的过程，其中连结第一边界线与第二边界线的直线，与连结第一标准边界线与第二标准边界线的直线，这两条直线的之间的相对角度是第一相对角度；
第二补正角度的求证步骤是通过求第二相对角度和第三相对角度，把第二相对角度与第三相对角度的平均角作为第二补正角度的过程；其中第二相对角度是第一边界线的分叉角度与第一边界线的标准分叉角度之间的相对角度，第一边界线在上述的手指部边界图像之内，第一边界线的标准分叉角度在上述的手指部边界标准信息之中；
生成静脉样本补正图像的步骤是用上述的第一补正角度补充修正静脉样本，进一步用上述的第二补正角度进行补充修正，生成静脉样本补正图像的过程；
上述的静脉样本匹配步骤是判定手段，将判定结果呈现在手背认证终端的显示器上；通过求静脉样本补正图像的各个分支点，连结分支点形成多边形，比较分析此多边形和上述最合适的分布特性数据中的标准多边形，判定是否一致。
3.根据权利要求2所述的手背认证方法，其特征在于，上述最合适的分布特性数据包括分支点中静脉样本的分支角度、分支个数、上述分支点的像素坐标；
上述静脉样本的匹配步骤是求上述静脉样本补正图像的静脉样本分支点的像素坐标、分支点个数、分支角度，判定这些是否一致。
4.根据权利要求2或3所述的手背认证方法，其特征在于，上述最合适的分布特性数据中，静脉样本包括粗静脉血管样本和细静脉血管样本。
5.根据权利要求4所述的手背认证方法，其特征在于，上述最合适的分布特性数据保存在关联认证卡。
6.根据权利要求4所述的手背认证方法，其特征在于，在上述的手背原始图像中，依据ROI所占的面积比率，利用Ptile法计算阈值，提取ROI图像。
7.根据权利要求4所述的手背认证方法，其特征在于，第一边界线和第二边界线的分叉角度是、ak在两个像素间x轴方向上的距离，bk是在y轴方向上形成角度，通过此角度的像素的距离差，利用下面式(1)，合并求得的二个θk；
式(1)。
8.根据权利要求4所述的手背认证方法，其特征在于，上述认证信息用的数据库中，最合适的分布特性数据包括上述的标准多边形各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积；
上述静脉样本的匹配步骤是，对各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积，进行判断识别其整合程度。
9.根据权利要求4所述的手背认证方法，其特征在于，上述的静脉样本匹配步骤是在静脉样本的分支点上，应用权重因数，对各个顶点的位置、各个顶点间直线的分支角度、顶点间的长度、多边形的面积，进行判断识别其整合程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510137410.5A CN104700091A (zh) | 2015-03-27 | 2015-03-27 | 一种手背认证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510137410.5A CN104700091A (zh) | 2015-03-27 | 2015-03-27 | 一种手背认证方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104700091A true CN104700091A (zh) | 2015-06-10 |
Family
ID=53347190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510137410.5A Pending CN104700091A (zh) | 2015-03-27 | 2015-03-27 | 一种手背认证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104700091A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097665A (zh) * | 2019-04-10 | 2019-08-06 | 深圳市创维群欣安防科技股份有限公司 | 一种基于静脉识别的开锁方法、存储介质及门端 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008040619A (ja) * | 2006-08-02 | 2008-02-21 | Tekusupiaa:Kk | 手の甲認証システム及び手の甲認証方法 |
-
2015
- 2015-03-27 CN CN201510137410.5A patent/CN104700091A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008040619A (ja) * | 2006-08-02 | 2008-02-21 | Tekusupiaa:Kk | 手の甲認証システム及び手の甲認証方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHIH-LUNG LIN等: "Biometric Verification Using Thermal Images of Palm-Dorsa Vein Patterns", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
| 周斌等: "多特征融合的手背血管识别算法", 《清华大学学报》 * |
| 许明: "基于手背静脉血管的身份识别技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097665A (zh) * | 2019-04-10 | 2019-08-06 | 深圳市创维群欣安防科技股份有限公司 | 一种基于静脉识别的开锁方法、存储介质及门端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7142699B2 (en) | Fingerprint matching using ridge feature maps | |
| JP4303410B2 (ja) | 紋様中心決定装置および紋様方向決定装置並びに紋様位置合わせ装置および紋様照合装置 | |
| EP0470530B1 (en) | Fingerprint verification method | |
| EP2833294B1 (en) | Device to extract biometric feature vector, method to extract biometric feature vector and program to extract biometric feature vector | |
| US7778449B2 (en) | Biometric information verifying apparatus | |
| CN100447806C (zh) | 两阶段混合指纹特征匹配方法、匹配装置及其应用 | |
| US20180300571A1 (en) | Finger vein identification method and device | |
| EP0552770A2 (en) | Apparatus for extracting facial image characteristic points | |
| US20040114782A1 (en) | Iris image data processing for use with iris recognition system | |
| JP4809155B2 (ja) | 手の甲認証システム及び手の甲認証方法 | |
| JPH11149559A (ja) | ディジタル画像中の人間の目を自動的に検出する方法 | |
| CN107066961B (zh) | 指纹配准方法及装置 | |
| CN106326327A (zh) | 用于更新用户认证数据的方法和设备 | |
| JPH0471079A (ja) | 画像の位置合わせ方法 | |
| JP2001351103A (ja) | 画像照合装置、画像照合方法及び画像照合プログラムを記録した記録媒体 | |
| Nazmdeh et al. | Iris recognition; from classic to modern approaches | |
| JP5377580B2 (ja) | 手の甲の認証端末及び手の甲の認証方法 | |
| EP3214575B1 (en) | Biological image processing device, biological image processing method, and biological image processing program | |
| CN100447809C (zh) | 用具有小感应面积的指纹传感器来合成节点模板和增加指纹匹配的可靠性的方法和装置 | |
| CN110427826A (zh) | 一种手掌识别方法、装置、电子设备及存储介质 | |
| US20240257552A1 (en) | Non-contact three-dimensional palm vein modeling method and apparatus, and authentication method | |
| Duth et al. | Fingerprint based gender classification using ann | |
| CN104700091A (zh) | 一种手背认证方法 | |
| CN104809428A (zh) | 一种生物体征认证方法 | |
| CN109784241A (zh) | 一种稳定的掌纹图像特征富集区域提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160413 Address after: 130000, A6, building 4, North Lake Science Park, 3333 North Sheng street, hi tech North Zone, Jilin, Changchun Applicant after: Jilin lost biometric technology Co. Ltd. Address before: Xikang Road 130000 in Jilin Province, Chaoyang District City, No. 26 Changchun Applicant before: Bai Yu |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150610 |
|
| RJ01 | Rejection of invention patent application after publication |