CN105718915B - 一种基于多视角典型相关分析的人脸识别方法及其系统 - Google Patents

一种基于多视角典型相关分析的人脸识别方法及其系统 Download PDF

Info

Publication number
CN105718915B
CN105718915B CN201610055275.4A CN201610055275A CN105718915B CN 105718915 B CN105718915 B CN 105718915B CN 201610055275 A CN201610055275 A CN 201610055275A CN 105718915 B CN105718915 B CN 105718915B
Authority
CN
China
Prior art keywords
angle
visual angle
view
matrix
facial 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.)
Active
Application number
CN201610055275.4A
Other languages
English (en)
Other versions
CN105718915A (zh
Inventor
刘伟锋
杨兴浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201610055275.4A priority Critical patent/CN105718915B/zh
Publication of CN105718915A publication Critical patent/CN105718915A/zh
Application granted granted Critical
Publication of CN105718915B publication Critical patent/CN105718915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多视角典型相关分析的人脸识别方法及其系统，通过对用于训练的人脸图像进行低通滤波获得低频子图，采用K‑L变换对去噪后的数据进行降维处理；然后对预处理后人脸图像数据计算各视角及两两视角之间的Hessian矩阵，通过对样本图像训练生成多视角的投影空间，通过在空间投影进行人脸识别。本发明通过降维获得多视角人脸图像信息，减小识别计算量，提高识别精度，并且Hessian矩阵采用了更高的二阶梯度，能够反应出更精细的局部结构，更有利于发现隐藏在多视角数据中的结构信息，提高本发明人脸识别效果，具有较高的实际应用价值。

Description

一种基于多视角典型相关分析的人脸识别方法及其系统
技术领域
本发明涉及人脸识别技术领域，具体涉及一种基于多视角典型相关分析的人脸识别方法及其系统。
背景技术
随着科技的快速发展，以及人们对于高效，便捷生活方式的不断追求，快速有效的身份验证技术也得到了广泛的关注，例如在银行监控、门禁系统、出入境检查、刑事侦查等诸多领域有广泛应用。身份验证所用到的生物特征多种多样，比如：人脸识别，视网膜识别，指纹识别等。其中，人脸识别技术具有低成本，隐蔽性强，用户友好等优点在身份验证中具有不可替代的作用。
现有最经典的多视角人脸识别方法是基于MCCA的人脸识别方法，由于MCCA没有考虑到局部数据之间的相关性，因此只是一种线性多视角降维技术，不能有效的发现隐藏在高维多视角数据中的非线性信息。为了弥补MCCA不能有效的提取多视角人脸数据之间的非线性信息又提出一种基于LapMCC的人脸识别方法。LapMCC是在MCCA的基础上结合了p-近邻图，并假设样本点与邻近的样本点之间是线性相关的，将整体的非线性问题分解成多个线性的子问题，从而可以发现多视角数据之间的非线性结构信息。
但是，上述两种方法在反应更精细的局部结构方面仍有欠缺，不利于发现隐藏在多视角数据中的结构信息，导致人脸识别效果不尽如人意，实际应用效果差。
发明内容
本发明的目的是针对上述现有技术中存在的缺陷，提出的一种基于多视角典型相关分析的人脸识别方法及其系统，可以实现有效的多视角人脸识别，提高人脸识别的可靠性和稳定性。
为了达到上述目的，本发明提出一种基于多视角典型相关分析的人脸识别方法，包括以下步骤：
S1、对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；
S2、对预处理后的人脸图像信息，分别计算每一视角的Hessian矩阵以及两两视角之间的Hessian矩阵；其中，Hessian矩阵中包含有比Laplacian矩阵更精细的多视角数据之间的局部相关性信息，更有利于发现隐藏在多视角数据中的结构信息；
S3、基于上述Hessian矩阵，分别计算每一视角及两两视角之间的协方差矩阵，由此协方差矩阵中便包含了所需的局部相关性信息；
S4、在协方差矩阵的基础上构建投影空间模型；此模型比LapMCC模型就局部相关性的精细程度而言更具优越性，从而达到更好的识别效果；
S5、求解上述模型得到投影空间；
S6、根据获得的投影空间，对待识别人脸图像进行分类识别。
进一步的，所述步骤S1之前还包括步骤S0、获取人脸图像并对其用特征向量表示，所述人脸图像包括用于训练的人脸图像以及待识别的人脸图像。
进一步的，所述步骤S1中对用于训练的人脸图像预处理具体过程如下：
S11、由于Hessian矩阵涉及二阶梯度，对噪声比较敏感，将向量表示的人脸图像数据进行低通滤波，去掉高频噪声，获得低频子图；
S12、对去噪后的数据进行降维处理，获得预处理之后的多视角人脸图像信息，减小识别计算量，提高识别精度。
进一步的，所述步骤S3中求得协方差矩阵的具体过程如下：
S31、分析计算第i视角的协方差矩阵，其中包含了第i视角的局部结构信息；
S32、分析计算第i，j视角之间的协方差矩阵其中包含了i，j两个视角之间结构相关性的信息；
其中，X(i)和X(j)分别表示第i，j视角预处理之后的输入图像特征，和分别表示第i视角及第i，j视角之间的协方差矩阵，n表示训练样本图像数。
进一步的，所述步骤S5求解投影空间的模型时采用拉格朗日乘子法，具体过程如下：
S51、由投影空间模型获得方程其中， αi和αj分别表示i，j视角的投影空间，和分别表示第i视角及第i，j视角之间的协方差 矩阵，λ为拉格朗日乘数；
S52、求解上述方程对αi的偏导，并令获得最优投影空间；
S53、对步骤S52进行变换得到其中SL是块矩阵，其(i，j)块元素是
S54、判断矩阵是否奇异，若是，则执行S55，否则执行S56直接求解投影空间；
S55、以处理方法对矩阵进行调整，其中δ为非常小的正整数，I为单位矩阵；
S56、获得投影空间。
进一步的，所述步骤S4中利用协方差矩阵构建的投影空间模型为：
约束条件：
其中，m表示视角个数，表示投影后两视角的相关系数。
进一步的，所述步骤S12中对去噪后的数据采用K-L变换法进行降维处理。突出优点是相关性好，可有效提高识别效率。
进一步的，所述步骤S6中，对待分类人脸图像进行分类识别时，将作为训练样本的人脸图像以及待识别人脸图像在获得的投影空间内投影，采用余弦最近邻的方法进行比较，所谓的余弦最近邻就是求向量的夹角余弦，通过对夹角的比较实现快速准确的人脸识别。
本发明另外还提出一种基于多视角典型相关分析的人脸识别系统，包括：
图像存储模块：用以获取人脸图像信息，所述人脸图像信息包括用于训练的人脸图像以及待识别的人脸图像；
图像处理模块：对获取的人脸图像采用特征向量表示；
模型构建模块：对向量表示的用于训练的人脸图像预处理，获得低维的多视角人脸图像信息，然后根据多视角人脸图像信息对人脸图像进行分析，获得投影空间；
分类识别模块：将多视角人脸图像信息在获得的投影空间下投影，进而对待识别人脸图像进行分类识别
与现有技术相比，本发明的优点和积极效果在于：
本发明通过对用于训练的人脸图像进行低通滤波获得低频子图，采用K-L变换对去噪后的数据进行降维处理，获得低维多视角人脸图像信息，减小识别计算量，而且采用多视角更能反应图像之间的相关信息，提高识别精度；然后对预处理后人脸图像数据计算各视角及两两视角之间的Hessian矩阵，通过对样本图像训练生成多视角的特征空间，Hessian矩阵采用了更高的二阶梯度，能够反应出更精细的局部结构，更有利于发现隐藏在多视角数据中的结构信息，从而达到更好的识别效果。
附图说明
图1为本发明实施例一所述人脸识别方法流程图；
图2为图1中步骤S1所采用的预处理方法的流程图；
图3为图1中步骤S3计算协方差矩阵的流程图；
图4为图1中步骤S5求解投影空间HesMCC模型的流程图；
图5为本发明实施例二所述人脸识别系统结构框图；
图6为本发明人脸识别方法与其他方法识别效果对比图。
具体实施方式
本发明提出一种基于多视角典型相关分析的人脸识别方法及其系统，下面结合不同实施例对本发明做进一步地说明。
实施例一、本发明提出一种基于多视角典型相关分析的人脸识别方法，参考图1，包括以下步骤：
S1、对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；
S2、对预处理后的人脸图像信息，分别计算每一视角的Hessian矩阵以及两两视角之间的Hessian矩阵；其中，Hessian矩阵中包含有比Laplacian矩阵更精细的多视角数据之间的局部相关性信息，更有利于发现隐藏在多视角数据中的结构信息；
S3、基于上述Hessian矩阵，分别计算每一视角及两两视角之间的协方差矩阵，由此协方差矩阵中便包含了所需的局部相关性信息；
S4、在协方差矩阵的基础上构建投影空间模型；此模型比LapMCC模型就局部相关性的精细程度而言更具优越性，从而达到更好的识别效果；
S5、求解上述模型得到投影空间；
S6、根据获得的投影空间，对待识别人脸图像进行识别。
在所述步骤S1之前还包括步骤S0、获取人脸图像并对其用特征向量表示，所述人脸图像包括用于训练的人脸图像以及待识别的人脸图像，用于训练的人脸图像的类别标签是已知的，而待识别的人脸图像可以是用户输入的也可以是数据库中已经采集好的。接下来，通过图像处理提取每幅人脸图像的特征，由此每幅图像可由一个特征向量进行表示。
本实施例中，为减小识别计算量，提高识别精度，参考图2，对用于训练的人脸图像预处理具体过程如下：S11、由于Hessian矩阵涉及二阶梯度，对噪声比较敏感，将向量表示的人脸图像数据进行低通滤波，去掉高频噪声，获得低频子图；S12、对去噪后的数据进行降维处理，获得预处理之后的多视角人脸图像信息；其中，为提高相关性，有效提高识别效率，本实施例对去噪后的数据采用K-L变换法进行降维处理。
在预处理之后数据的基础上分析每一视角以及两两视角之间的Hessian矩阵，提取每一视角的局部结构信息以及反应不同视角之间结构关系的信息；第i视角的Hessian矩阵用Hi表示，第i和第j视角的Hessian矩阵用Hij＝Hi.*Hj表示。如图3所示，求得协方差矩阵的具体过程如下：S31、分析计算第i视角的协方差矩阵，其中包含了第i视角的局部结构信息；S32、分析计算第i，j视角之间的协方差矩阵其中包含了i，j两个视角之间结构相关性的信息；
其中，X(i)和X(j)分别表示第i，j视角预处理之后的输入图像特征，和分别表示第i视角及第i，j视角之间的协方差矩阵，n表示训练样本图像数。
然后根据获得的协方差矩阵构建的投影空间模型，即HesMCC模型：约束条件：其中，m表示视角个 数，表示投影后两视角的相关系数。本实施例采用拉格朗日乘子的方法求解HesMCC模 型，详细参考图4：
S51、由投影空间模型获得方程其中， αi和αj分别表示i，j视角的投影空间，和分别表示第i视角及第i，j视角之间的协方差 矩阵，λ为拉格朗日乘数；
S52、求解上述方程对αi的偏导，并令获得最优投影空间；
S53、对步骤S52进行变换得到其中SL是块矩阵，其(i，j)块元素是
S54、判断矩阵是否奇异，若是，则执行S55，否则执行S56直接求解投影空间；
S55、以处理方法对矩阵进行调整，其中δ为非常小的正整数，I为单位矩阵；
S56、获得投影空间。
获得投影空间后，分别将预处理后的训练样本人脸图像以及待识别人脸图像的多视角图像信息在投影空间上进行投影：得到多视角降维后的人脸图像特征，然后采用余弦最近邻的方法进行比较，所谓的余弦最近邻就是求投影空间内向量的夹角余弦，通过对夹角余弦的比较实现快速准确的人脸识别。
实施例二、一种基于多视角典型相关分析的人脸识别系统，如图5所示，包括：
图像存储模块：用以获取人脸图像信息，所述人脸图像信息包括用于训练的人脸图像以及待识别的人脸图像；
图像处理模块：对获取的人脸图像采用特征向量表示；
模型构建模块：对向量表示的用于训练的人脸图像预处理，获得低维的多视角人脸图像信息，然后根据多视角人脸图像信息对人脸图像进行分析，获得投影空间；
分类识别模块：将多视角人脸图像信息在获得的投影空间下投影，进而对待识别人脸图像进行分类识别
首先向图像存储模块输入人脸图像信息，所述的人脸图像信息包括用于训练的人脸图像以及待分类的人脸图像。用于训练的人脸图像的类别标签是已知的，而待分类的人脸图像可以是用户输入的也可以是数据库中已经采集好的。然后，通过图像处理模块对人脸图像进行处理，提取每幅人脸图像的特征，由此每幅图像可由一个特征向量进行表示；得到人脸图像的特征向量表示后，通过模型构建模块对训练样本进行训练，生成多视角的投影空间；最后通过分类识别模块将多视角人脸图像特征在所述投影空间下投影，便可对待分类的人脸图像进行分类识别。
为了验证本发明方法，即HesMCC方法的有效性，我们采用Yale-B数据库进行了验证。具体实施时，每类分别随机采用15，20，25个人脸作为训练样本，在光线、视角等相同的条件下，分别测得MCCA，LapMCC及HesMCC的识别率。从图6可以看出，就平均识别率而言，HesMCC明显优于前两种方法，同时HesMCC也有较好的稳定性。
综上，本发明通过对用于训练的人脸图像进行低通滤波获得低频子图，采用K-L变换对去噪后的数据进行降维处理，获得低维多视角人脸图像信息，减小识别计算量，提高识别精度；然后对预处理后人脸图像数据计算各视角及两两视角之间的Hessian矩阵，通过对样本图像训练生成多视角的特征空间，Hes sian矩阵采用了更高的二阶梯度，能够反应出更精细的局部结构，更有利于发现隐藏在多视角数据中的结构信息，从而达到更好的识别效果。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种基于多视角典型相关分析的人脸识别方法，其特征在于，包括以下步骤：
S1、对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；
S2、对预处理后的人脸图像信息，分别计算每一视角的Hessian矩阵以及两两视角之间的Hessian矩阵；
S3、基于上述Hessian矩阵，分别计算每一视角及两两视角之间的协方差矩阵；
S4、在协方差矩阵的基础上构建投影空间模型；
S5、求解上述模型得到投影空间；
S6、根据获得的投影空间，对待识别人脸图像进行分类识别。
2.根据权利要求1所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S1之前还包括步骤S0、获取人脸图像并对其用特征向量表示，所述人脸图像包括用于训练的人脸图像以及待识别的人脸图像。
3.根据权利要求1所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S1中对用于训练的人脸图像预处理具体过程如下：
S11、将向量表示的人脸图像数据进行低通滤波，得到低频子图；
S12、对去噪后的数据进行降维处理，获得预处理之后的多视角人脸图像信息。
4.根据权利要求1所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S3中求得协方差矩阵的具体过程如下：
S31、分析计算第i视角的协方差矩阵，
S32、分析计算第i，j视角之间的协方差矩阵
其中，X(i)和X(j)分别表示第i，j视角预处理之后的输入图像特征，和分别表示第i视角及第i，j视角之间的协方差矩阵，n表示训练样本图像数；第i视角的Hessian矩阵用Hi表示，第i和第j视角的Hessian矩阵用Hij＝Hi·*Hj表示。
5.根据权利要求1所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S5求解投影空间的模型时采用拉格朗日乘子法，具体过程如下：
S51、由投影空间模型获得方程其中，αi和αj分别表示i，j视角的投影空间，和分别表示第i视角及第i，j视角之间的协方差矩阵，λ为拉格朗日乘数；
S52、求解上述方程对αi的偏导，并令获得最优投影空间；
S53、对步骤S52进行变换得到其中SL是块矩阵，其(i，j)块元素是
S54、判断矩阵是否奇异，若是，则执行S55，否则执行S56直接求解投影空间；
S55、以处理方法对矩阵进行调整，其中δ为正整数，I为单位矩阵；
S56、获得投影空间。
6.根据权利要求1所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S4中利用协方差矩阵构建的投影空间模型为：
约束条件：
其中，m表示视角个数，表示投影后两视角的相关系数。
7.根据权利要求3所述的一种基于多视角典型相关分析的人脸识别方法，其特征在于，所述步骤S12中对去噪后的数据采用K-L变换法进行降维处理。
8.一种基于多视角典型相关分析的人脸识别系统，其特征在于，包括：
图像存储模块：用以获取人脸图像信息，所述人脸图像信息包括用于训练的人脸图像以及待识别的人脸图像；
图像处理模块：对获取的人脸图像采用特征向量表示；
模型构建模块：对向量表示的用于训练的人脸图像预处理，获得低维的多视角人脸图像信息，对用于训练的人脸图像进行预处理，获得低维的多视角人脸图像信息；对预处理后的人脸图像信息，分别计算每一视角的Hessian矩阵以及两两视角之间的Hessian矩阵；基于上述Hessian矩阵，分别计算每一视角及两两视角之间的协方差矩阵；在协方差矩阵的基础上构建投影空间模型；求解上述模型得到投影空间；
分类识别模块：将多视角人脸图像信息在获得的投影空间下投影，进而对待识别人脸图像进行分类识别。
CN201610055275.4A 2016-01-27 2016-01-27 一种基于多视角典型相关分析的人脸识别方法及其系统 Active CN105718915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610055275.4A CN105718915B (zh) 2016-01-27 2016-01-27 一种基于多视角典型相关分析的人脸识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610055275.4A CN105718915B (zh) 2016-01-27 2016-01-27 一种基于多视角典型相关分析的人脸识别方法及其系统

Publications (2)

Publication Number Publication Date
CN105718915A CN105718915A (zh) 2016-06-29
CN105718915B true CN105718915B (zh) 2019-04-12

Family

ID=56155134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610055275.4A Active CN105718915B (zh) 2016-01-27 2016-01-27 一种基于多视角典型相关分析的人脸识别方法及其系统

Country Status (1)

Country Link
CN (1) CN105718915B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295700B (zh) * 2016-08-12 2019-05-14 中国石油大学(华东) 一种基于典型相关分析网络的二视角图像识别方法
CN106599932A (zh) * 2016-12-23 2017-04-26 山东省科学院情报研究所 一种基于多视角谱聚类的图像识别方法
CN108460402B (zh) * 2018-01-15 2020-07-24 中国科学院自动化研究所 极化sar图像有监督分类方法及装置
CN108830163B (zh) * 2018-05-21 2021-11-09 西京学院 一种基于局部判别cca的海关身份验证系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271520A (zh) * 2008-04-01 2008-09-24 北京中星微电子有限公司 一种确定图像中的特征点位置的方法及装置
CN101556717A (zh) * 2009-05-19 2009-10-14 上海海隆软件股份有限公司 一种atm智能安保系统及监测方法
CN101751559A (zh) * 2009-12-31 2010-06-23 中国科学院计算技术研究所 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法
CN101777116A (zh) * 2009-12-23 2010-07-14 中国科学院自动化研究所 一种基于动作跟踪的脸部表情分析方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101795601B1 (ko) * 2011-08-11 2017-11-08 삼성전자주식회사 영상 처리 장치, 영상 처리 방법, 및 컴퓨터 판독가능 저장매체
KR101322168B1 (ko) * 2012-01-17 2013-10-28 성균관대학교산학협력단 실시간 얼굴 인식 장치
US9235769B2 (en) * 2012-03-15 2016-01-12 Herta Security, S.L. Parallel object detection method for heterogeneous multithreaded microarchitectures
US9268993B2 (en) * 2013-03-13 2016-02-23 Futurewei Technologies, Inc. Real-time face detection using combinations of local and global features

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271520A (zh) * 2008-04-01 2008-09-24 北京中星微电子有限公司 一种确定图像中的特征点位置的方法及装置
CN101556717A (zh) * 2009-05-19 2009-10-14 上海海隆软件股份有限公司 一种atm智能安保系统及监测方法
CN101777116A (zh) * 2009-12-23 2010-07-14 中国科学院自动化研究所 一种基于动作跟踪的脸部表情分析方法
CN101751559A (zh) * 2009-12-31 2010-06-23 中国科学院计算技术研究所 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法

Also Published As

Publication number Publication date
CN105718915A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
US9898649B2 (en) Face authentication method and device
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
Asadi et al. A comparative study of face recognition with principal component analysis and cross-correlation technique
CN105518455B (zh) 波峰检测方法
Pirlo et al. Verification of static signatures by optical flow analysis
CN102045162A (zh) 一种三模态生物特征持证人身份鉴别系统及其控制方法
CN101763507A (zh) 人脸识别方法及人脸识别系统
CN108806718B (zh) 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法
Olsen et al. Gabor filters as candidate quality measure for NFIQ 2.0
CN109684987A (zh) 一种基于证件的身份验证系统及方法
CN109858477A (zh) 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法
CN101702198A (zh) 基于背景比对的视频和活体人脸的鉴别方法
Teixeira et al. A new framework for quality assessment of high-resolution fingerprint images
Birajadar et al. Towards smartphone-based touchless fingerprint recognition
Mane et al. Review of multimodal biometrics: applications, challenges and research areas
CN105528580B (zh) 一种基于吸收峰特征的高光谱曲线匹配方法
Bąk et al. Re-identification by covariance descriptors
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
Rathgeb et al. On combining selective best bits of iris-codes
Bian et al. Combining weighted linear project analysis with orientation diffusion for fingerprint orientation field reconstruction
Davuluri et al. A Novel Approach to Human Iris Recognition And Verification Framework Using Machine Learning Algorithm
CN110163182A (zh) 一种基于kaze特征的手背静脉识别方法
Teoh et al. Secure speech template protection in speaker verification system
CN108197577B (zh) 联合Sobel和MFRAT的指静脉图像特征提取方法
CN102663443B (zh) 基于图像扰动和相关滤波的生物特征识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant