CN105975951A - 手指中段指静脉指纹融合识别方法 - Google Patents
手指中段指静脉指纹融合识别方法 Download PDFInfo
- Publication number
- CN105975951A CN105975951A CN201610359750.7A CN201610359750A CN105975951A CN 105975951 A CN105975951 A CN 105975951A CN 201610359750 A CN201610359750 A CN 201610359750A CN 105975951 A CN105975951 A CN 105975951A
- Authority
- CN
- China
- Prior art keywords
- image
- fingerprint
- point
- vein
- value
- 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
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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
-
- 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
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种手指中段指静脉指纹融合识别方法。首先采集手指中段近红外透射图像;然后通过局部梯度特征分析提取出二值指纹图像,同时通过基于局部OTSU的分割方法提取二值指静脉信息;接着通过基于SIFT的匹配算法计算样本二值指纹图像和模板二值指纹图像的相似性,对于判定为相似的二值指纹图像,计算二者间的仿射变换系数;最后使用仿射变换系数对样本二值指静脉图像进行归一化,通过模板匹配法衡量样本二值指静脉归一化图像与模板二值指静脉图像间的相似性,判定当前样本图像与模板图像是否一致。解决了单一指纹识别安全性差、单一指静脉识别易用性差的不足,可广泛应用于高安全等级身份识别系统。
Description
技术领域
本发明涉及一种融合指静脉特征和指纹特征的身份识别方法,属于安防生物特征识别技术领域。
背景技术
指静脉识别是当前生物特征识别领域的研究热点,其主要优势在于:静脉藏匿在身体内部,不易被复制、窃取或干扰。可以广泛应用于银行、办公室、商场等场所的门禁和考勤领域,理论研究意义和市场应用价值巨大。但是指静脉是非刚体结构,在采集指静脉图像时,采集设备与采集环境的差异、手指摆放的位置和姿态变化,都会使采集的图像发生一定的变化,进而影响后续的识别。为提高指静脉识别的准确率,现有专利、文献提出了使用结构限制手指位置、使用自动调光策略控制光照变化,在一定程度上改善了识别效果。还有专利、文献提出了采集指静脉的3D信息用于识别分析,可以有效提升识别准确率,但是该方法对采集硬件要求较高,提高了整个系统的成本,不利于市场推广。
指纹识别是一种较为成熟的生物特征识别技术,成本相对低廉,应用广泛,但是指纹极易被伪造和复制,不能用于对安全等级要求较高的场所。
发明内容
为解决上述问题,本发明提出了一种融合指静脉特征和指纹特征的身份识别方法,首先采集手指中段近红外透射图像;然后通过局部梯度特征分析提取出二值指纹图像,同时通过基于局部OTSU的分割方法提取二值指静脉信息;接着通过基于SIFT的匹配算法计算样本二值指纹图像和模板二值指纹图像的相似性,对于判定为相似的二值指纹图像,计算二者间的仿射变换系数;最后使用仿射变换系数对样本二值指静脉图像进行归一化,通过模板匹配法衡量样本二值指静脉归一化图像与模板二值指静脉图像间的相似性,判定当前样本图像与模板图像是否一致。
本发明所要解决的技术问题在于通过指纹识别获取样本图像和模板图像间的仿射变换系数,用于修正样本指静脉图像,进而实现指静脉的样本图像和模板图像的可靠识别。
为实现上述发明目的,本发明采用下述的技术方案,流程图如图1所示:
由于手指中段近红外透射图像同时包含指纹和指静脉图像,使用已有的指纹图像提取方法或指静脉提取方法均不能有效去除干扰,为提取出单一的指纹图像和指静脉图像,本发明通过局部梯度特征分析提取二值指纹图像,接着通过基于局部最大方差的自适应阈值分割方法提取二值指静脉图像。
基于局部梯度特征分析的二值指纹图像提取方法步骤如下:
Step1:图像预处理,使用Sobel算子提取手指中段近红外透射图像中的边缘,通过边缘裁剪掉非手指区域,得到仅包含手指区域数据的图像。
Step2:指纹脊点提取
Step2.1:对于中的像素点,按下式计算其在36个方向上的梯度值,其中表示像素点的灰度值,为梯度计算半径(这里取10),为梯度方向编号,取值为0~35。
Step2.2:寻找36个中的最大值,将其编号记为,如果求得的满足下式,则该像素点为指纹脊点,为其方向,其中为径向梯度差异阈值(这里取0.5),为切向梯度动态范围阈值(这里取0.2)。
Step3:指纹脊点聚类
Step3.1:每一个指纹脊点具有一个灰度值特征和一个方向特征,对于每一个未聚类的指纹脊点,考察其邻域内的其他指纹脊点,如果两个指纹脊点的灰度差异且方向差异,则两个指纹脊点聚为一类,其中为聚类邻域尺寸(这里取15),为指纹脊点灰度差异阈值(这里取15),为指纹脊点方向差异阈值(这里取3)。
Step3.2:遍历所有指纹脊点,完成聚类,将类内元素数的类中的指纹脊点置为非指纹点,其中为最小聚类阈值(这里取15)。
Step3.3:将中对应所有剩下的指纹脊点的点的灰度值置为1,其余点的灰度值置为0,即得到二值指纹图像。
基于局部OTSU的二值指静脉图像提取方法的步骤如下:
Step1:图像预处理
根据指纹信息的提取结果,计算指纹的平均宽度,同时将图像中的所有非指纹脊点标定为可能的静脉点。
Step2:图像分割
对于每一个可能的静脉点,在其邻域内使用OTSU方法计算分割阈值,非静脉点不参与计算;如果该点的灰度值,则该点为静脉点,其中为区域尺寸系数(这里取3)。
Step3:静脉联通
Step3.1:对于每一个静脉点,使用标准模板做膨胀处理。
Step3.2:对于每一个静脉小区域,沿其两侧指纹垂直方向在指纹脊点中做区域生长,联通至指纹另一侧的静脉小区域。
Step3.3:将中对应所有静脉小区域的点的灰度值置为1,其余点的灰度值置为0,即得到二值指静脉图像。
手指中段近红外透射图像在采集时受手指摆放位置和成像器件光学参数的影响较大,采集环境和手指姿态的改变会直接影响基于模板匹配法的指静脉匹配结果。为改善匹配结果,本发明首先通过分析样本二值指纹图像和模板二值指纹图像间的相似性,来求取存在相似性的样本图像和模板图像间的仿射变换系数;然后使用仿射变换系数对样本二值指静脉图像进行变换,得到归一化的样本二值指静脉图像;最后通过衡量样本二值指静脉归一化图像和模板指静脉图像的相似性来给出最终的匹配判定结果。
基于SIFT匹配的指静脉图像归一化方法的具体步骤如下:
Step1:基于SIFT的特征点提取与匹配
Step1.1:提取样本二值指纹图像和模板指纹信息中的SIFT特征点集和,这里为样本指纹信息中的SIFT特征点,为模板指纹信息中的SIFT特征点,和为特征点序号。
Step1.2:对于中的每一个特征点,依据SIFT特征点匹配准则,在中寻找最符合匹配条件的点,得到匹配点对,所有匹配点对构成匹配点对集。
Step2:图像匹配与仿射变换参数计算
Step2.1:遍历所有由集合中三个不同匹配点对构成的匹配点对子集,由每一个子集可求出样本图像变换到模板图像所需的6个仿射变换参数。所有子集的计算结果构成仿射变换参数集。
Step2.2:对仿射变换参数集进行聚类,如果聚类结果中元素最多的类别所拥有的元素比例超过匹配阈值(这里取0.7),则样本二值指纹图像和模板指纹信息匹配,且聚类结果中元素最多的类别的各元素6个仿射变换参数的均值即为所求的仿射变换参数;反之判定样本和模板不匹配,此次判定终止。
Step3:样本指静脉图像归一化
如果样本二值指纹图像和模板指纹信息匹配,则使用求取到的6个仿射变换参数对样本二值指静脉图像做仿射变换,得到样本二值指静脉归一化图像。
Step4:匹配判定
使用模板匹配法计算样本二值指静脉归一化图像与模板二值指静脉图像间的相关系数,如果相关系数,则判定样本图像和模板图像匹配,其中为模板相关性阈值(这里取0.7)。
本发明的优点在于:提出的基于局部梯度分析的二值指纹图像提取方法可以有效提取出手指中段近红外透射图像中的指纹图像;提出的基于局部OTSU的二值指静脉提取方法可以有效提取出手指中段近红外透射图像中的指静脉图像;提出的基于SIFT匹配的指静脉图像归一化方法可以有效修正采集环境、手指姿态变化所导致的指静脉图像变化,从而提高最终匹配的准确率。
附图说明
图1 指纹指静脉融合识别流程图,
图2 手指中段近红外透射图像。
具体实施方式
本发明提出了一种融合指静脉特征和指纹特征的身份识别方法,首先采集手指中段近红外透射图像;然后通过局部梯度特征分析,提取出二值指纹图像,同时通过基于局部OTSU的分割方法提取二值指静脉信息;接着通过基于SIFT的匹配算法计算样本二值指纹图像和模板二值指纹图像的相似性,对于判定为相似的二值指纹图像,计算二者间的仿射变换系数;最后使用仿射变换系数对样本二值指静脉图像进行归一化,通过模板匹配法衡量样本二值指静脉归一化图像与模板二值指静脉图像间的相似性,判定当前样本图像与模板图像是否一致。
提出的基于局部梯度分析的二值指纹图像提取方法可以有效提取出手指中段近红外透射图像中的指纹图像;提出的基于局部OTSU的二值指静脉提取方法可以有效提取出手指中段近红外透射图像中的指静脉图像;提出的基于SIFT匹配的指静脉图像归一化方法可以有效修正采集环境、手指姿态变化所导致的指静脉图像变化,从而提高最终匹配的准确率。本发明解决了单一指纹识别安全性差、单一指静脉识别易用性差的不足,可广泛应用于高安全等级身份识别系统。本发明解决了单一指纹识别安全性差、单一指静脉识别易用性差的不足,可广泛应用于高安全等级身份识别系统。
Claims (1)
1.手指中段指静脉指纹融合识别方法,其特征在于,首先采集手指中段近红外透射图像;然后通过局部梯度特征分析提取出二值指纹图像,同时通过基于局部OTSU的分割方法提取二值指静脉信息;接着通过基于SIFT的匹配算法计算样本二值指纹图像和模板二值指纹图像的相似性,对于判定为相似的二值指纹图像,计算二者间的仿射变换系数;最后使用仿射变换系数对样本二值指静脉图像进行归一化,通过模板匹配法衡量样本二值指静脉归一化图像与模板二值指静脉图像间的相似性,判定当前样本图像与模板图像是否一致,
所述基于局部梯度特征分析的二值指纹图像提取方法步骤如下:
Step1:图像预处理,使用Sobel算子提取手指中段近红外透射图像中的边缘,通过边缘裁剪掉非手指区域,得到仅包含手指区域数据的图像,
Step2:指纹脊点提取
Step2.1:对于中的像素点,按下式计算其在36个方向上的梯度值,其中表示像素点的灰度值,为梯度计算半径,取10,为梯度方向编号,取值为0~35,
Step2.2:寻找36个中的最大值,将其编号记为,如果求得的满足下式,则该像素点为指纹脊点,为其方向,其中为径向梯度差异阈值(这里取0.5),为切向梯度动态范围阈值,取0.2,
Step3:指纹脊点聚类
Step3.1:每一个指纹脊点具有一个灰度值特征和一个方向特征,对于每一个未聚类的指纹脊点,考察其邻域内的其他指纹脊点,如果两个指纹脊点的灰度差异且方向差异,则两个指纹脊点聚为一类,其中为聚类邻域尺寸,取15,,为指纹脊点灰度差异阈值,取15,,为指纹脊点方向差异阈值,取3,
Step3.2:遍历所有指纹脊点,完成聚类,将类内元素数的类中的指纹脊点置为非指纹点,其中为最小聚类阈值,取15,
Step3.3:将中对应所有剩下的指纹脊点的点的灰度值置为1,其余点的灰度值置为0,即得到二值指纹图像,
所述基于局部OTSU的二值指静脉图像提取方法的步骤如下:
Step2-1:图像预处理
根据指纹信息的提取结果,计算指纹的平均宽度,同时将图像中的所有非指纹脊点标定为可能的静脉点,
Step2-2:图像分割
对于每一个可能的静脉点,在其邻域内使用OTSU方法计算分割阈值,非静脉点不参与计算;如果该点的灰度值,则该点为静脉点,其中为区域尺寸系数,取3,
Step2-3:静脉联通
Step2-3.1:对于每一个静脉点,使用标准模板做膨胀处理,
Step2-3.2:对于每一个静脉小区域,沿其两侧指纹垂直方向在指纹脊点中做区域生长,联通至指纹另一侧的静脉小区域,
Step2-3.3:将中对应所有静脉小区域的点的灰度值置为1,其余点的灰度值置为0,即得到二值指静脉图像,
所述基于SIFT匹配的指静脉图像归一化方法的具体步骤如下:
Step3-1:基于SIFT的特征点提取与匹配
Step3-1.1:提取样本二值指纹图像和模板指纹信息中的SIFT特征点集和,这里为样本指纹信息中的SIFT特征点,为模板指纹信息中的SIFT特征点,和为特征点序号,
Step3-1.2:对于中的每一个特征点,依据SIFT特征点匹配准则,在中寻找最符合匹配条件的点,得到匹配点对,所有匹配点对构成匹配点对集,
Step3-2:图像匹配与仿射变换参数计算
Step3-2.1:遍历所有由集合中三个不同匹配点对构成的匹配点对子集,由每一个子集可求出样本图像变换到模板图像所需的6个仿射变换参数,所有子集的计算结果构成仿射变换参数集,
Step3-2.2:对仿射变换参数集进行聚类,如果聚类结果中元素最多的类别所拥有的元素比例超过匹配阈值,取0.7,则样本二值指纹图像和模板指纹信息匹配,且聚类结果中元素最多的类别的各元素6个仿射变换参数的均值即为所求的仿射变换参数;反之判定样本和模板不匹配,此次判定终止,
Step3-3:样本指静脉图像归一化
如果样本二值指纹图像和模板指纹信息匹配,则使用求取到的6个仿射变换参数对样本二值指静脉图像做仿射变换,得到样本二值指静脉归一化图像,
Step3-4:匹配判定
使用模板匹配法计算样本二值指静脉归一化图像与模板二值指静脉图像间的相关系数,如果相关系数,则判定样本图像和模板图像匹配,其中为模板相关性阈值,取0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610359750.7A CN105975951A (zh) | 2016-05-27 | 2016-05-27 | 手指中段指静脉指纹融合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610359750.7A CN105975951A (zh) | 2016-05-27 | 2016-05-27 | 手指中段指静脉指纹融合识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105975951A true CN105975951A (zh) | 2016-09-28 |
Family
ID=56956606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610359750.7A Pending CN105975951A (zh) | 2016-05-27 | 2016-05-27 | 手指中段指静脉指纹融合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975951A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729863A (zh) * | 2017-10-30 | 2018-02-23 | 成都折衍科技有限公司 | 人体指静脉识别方法 |
CN108803364A (zh) * | 2018-06-25 | 2018-11-13 | 黄嘉坚 | 一种智能家居控制系统 |
CN109635756A (zh) * | 2018-12-17 | 2019-04-16 | 黑龙江大学 | 融合指纹与指静脉的二维码身份认证方法 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN109993750A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN110008931A (zh) * | 2019-04-16 | 2019-07-12 | 上海应用技术大学 | 结合指纹与指静脉信息的混合识别方法 |
CN110163136A (zh) * | 2019-05-13 | 2019-08-23 | 南京邮电大学 | 一种基于感知机的指纹和指静脉双模态识别决策融合算法 |
CN110163123A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于单幅近红外手指图像指纹指静脉融合识别方法 |
CN110414440A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种指纹采集识别方法及装置 |
CN111223082A (zh) * | 2020-01-03 | 2020-06-02 | 圣点世纪科技股份有限公司 | 一种指静脉图像质量的量化评估方法 |
CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464947A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工程大学 | 基于指纹和手指静脉的双模态生物图像采集装置 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
CN105138974A (zh) * | 2015-08-12 | 2015-12-09 | 中国民航大学 | 一种基于Gabor编码的手指多模态特征融合方法 |
CN105160305A (zh) * | 2015-08-10 | 2015-12-16 | 中国民航大学 | 一种手指多模态特征融合方法 |
-
2016
- 2016-05-27 CN CN201610359750.7A patent/CN105975951A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464947A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工程大学 | 基于指纹和手指静脉的双模态生物图像采集装置 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN105160305A (zh) * | 2015-08-10 | 2015-12-16 | 中国民航大学 | 一种手指多模态特征融合方法 |
CN105138974A (zh) * | 2015-08-12 | 2015-12-09 | 中国民航大学 | 一种基于Gabor编码的手指多模态特征融合方法 |
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
Non-Patent Citations (5)
Title |
---|
JINFENG YANG ET AL: "Feature-level fusion of fingerprint and finger-vein for personal identification", 《APPLIED SOFT COMPUTING》 * |
YUNXIN WANG ET AL: "Local SIFT analysis for hand vein pattern verification", 《2009 INTERNATIONAL CONFERENCE ON OPTICAL INSTRUMENTS AND TECHNOLOGY: OPTOELECTRONIC INFORMATION SECURITY》 * |
杨永明等: "指纹与指静脉的特征层动态加权融合识别", 《重庆大学学报》 * |
王科俊等: "基于图像采集质量评价的指纹与指静脉双模态识别决策级融合方法", 《模式识别与人工智能》 * |
袁臣虎等: "基于kNN-SVM的手背静脉虹膜和指纹融合身份识别", 《光电工程》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729863B (zh) * | 2017-10-30 | 2020-11-17 | 成都折衍科技有限公司 | 人体指静脉识别方法 |
CN107729863A (zh) * | 2017-10-30 | 2018-02-23 | 成都折衍科技有限公司 | 人体指静脉识别方法 |
CN109993750B (zh) * | 2017-12-29 | 2020-12-25 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN109993750A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN108803364A (zh) * | 2018-06-25 | 2018-11-13 | 黄嘉坚 | 一种智能家居控制系统 |
CN108803364B (zh) * | 2018-06-25 | 2021-04-23 | 湖南欢颜新材料科技有限公司 | 一种智能家居控制系统 |
CN109635756B (zh) * | 2018-12-17 | 2022-07-05 | 黑龙江大学 | 融合指纹与指静脉的二维码身份认证方法 |
CN109635756A (zh) * | 2018-12-17 | 2019-04-16 | 黑龙江大学 | 融合指纹与指静脉的二维码身份认证方法 |
CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
CN110008931A (zh) * | 2019-04-16 | 2019-07-12 | 上海应用技术大学 | 结合指纹与指静脉信息的混合识别方法 |
CN110163123A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于单幅近红外手指图像指纹指静脉融合识别方法 |
CN110163123B (zh) * | 2019-04-30 | 2021-02-26 | 杭州电子科技大学 | 一种基于单幅近红外手指图像指纹指静脉融合识别方法 |
CN110163136A (zh) * | 2019-05-13 | 2019-08-23 | 南京邮电大学 | 一种基于感知机的指纹和指静脉双模态识别决策融合算法 |
CN110163136B (zh) * | 2019-05-13 | 2022-09-06 | 南京邮电大学 | 一种基于感知机的指纹和指静脉双模态识别决策融合方法 |
CN110414440A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 一种指纹采集识别方法及装置 |
CN111223082A (zh) * | 2020-01-03 | 2020-06-02 | 圣点世纪科技股份有限公司 | 一种指静脉图像质量的量化评估方法 |
CN111223082B (zh) * | 2020-01-03 | 2023-06-20 | 圣点世纪科技股份有限公司 | 一种指静脉图像质量的量化评估方法 |
CN111507206A (zh) * | 2020-03-29 | 2020-08-07 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
CN111507206B (zh) * | 2020-03-29 | 2023-04-18 | 杭州电子科技大学 | 一种基于多尺度局部特征融合的手指静脉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975951A (zh) | 手指中段指静脉指纹融合识别方法 | |
Lajevardi et al. | Retina verification system based on biometric graph matching | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
You et al. | On hierarchical palmprint coding with multiple features for personal identification in large databases | |
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 | |
CN102156887A (zh) | 一种基于局部特征学习的人脸识别方法 | |
CN105138968A (zh) | 人脸认证方法和装置 | |
CN101819629B (zh) | 一种基于监督张量流形学习的掌纹识别系统及识别方法 | |
CN101777117A (zh) | 一种手指静脉特征提取于匹配识别方法 | |
CN105718866A (zh) | 一种视觉目标检测与识别方法 | |
CN102214299A (zh) | 一种基于改进的asm算法的人脸特征定位方法 | |
Zhong et al. | Towards application of dorsal hand vein recognition under uncontrolled environment based on biometric graph matching | |
Meng et al. | Finger vein recognition based on convolutional neural network | |
CN113469143A (zh) | 一种基于神经网络学习的手指静脉图像识别方法 | |
Aleem et al. | Fast and accurate retinal identification system: Using retinal blood vasculature landmarks | |
Zhao et al. | Fingerprint pre-processing and feature engineering to enhance agricultural products categorization | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
CN102129561A (zh) | 一种基于人工免疫遗传和形态学的指纹图像分割方法 | |
CN103903017A (zh) | 一种基于自适应软直方图局部二值模式的人脸识别方法 | |
Pathak et al. | Multimodal eye biometric system based on contour based E-CNN and multi algorithmic feature extraction using SVBF matching | |
CN103473546A (zh) | 一种基于结构张量的指纹方向场获取方法 | |
Wang et al. | Liveness detection of dorsal hand vein based on the analysis of Fourier spectral | |
CN114973307A (zh) | 生成对抗和余弦三元损失函数的指静脉识别方法及系统 | |
CN110163136B (zh) | 一种基于感知机的指纹和指静脉双模态识别决策融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20191108 |
|
AD01 | Patent right deemed abandoned |