CN106203497B - 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 - Google Patents
基于图像质量评价的手指静脉感兴趣区域图像筛选方法 Download PDFInfo
- Publication number
- CN106203497B CN106203497B CN201610525482.1A CN201610525482A CN106203497B CN 106203497 B CN106203497 B CN 106203497B CN 201610525482 A CN201610525482 A CN 201610525482A CN 106203497 B CN106203497 B CN 106203497B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- roi
- finger
- sample
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
- G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,包括以下步骤:1)采集到不同PWM波占空比下的手指静脉图像;2)对手指静脉图像做ROI提取:二值化提取出手指静脉,进行关键区域定位;3)筛选处理后得到的ROI图像:计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,然后计算该人所有ROI图像的二维熵质量分数,筛选出质量分数高于设定阈值的图像作为最后的ROI图像;4)采用2DFLD特征提取算法提取其特征;5)采用最近邻分类器进行分类。本发明提供一种能获得高质量手指静脉ROI图像的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法。
Description
技术领域
本发明涉及接触式生物特征身份识别技术领域,尤其是一种手指静脉感兴趣区域图像筛选方法。
背景技术
随着信息技术的高速发展,人们对信息安全的需求越来越高。传统的身份认证方式是基于标识物(钥匙、证件)和基于知识(卡号、密码)的身份认证,但这些身外之物容易被伪造和遗忘。相比于传统的身份认证,生物特征具有唯一性、无需记忆、不易伪造、易于使用等优点,基于生物特征的识别方式在很大程度上解决了传统身份认证存在的问题,并逐渐取代传统身份认证成为当前身份认证的主要方式。手指是人类感知外部世界的重要器官之一,在手指皮肤表皮下面的手指静脉是活体才具有的特性,实践表明,世界上没有2个人的手指静脉是完全相同的。手指静脉识别的原理是当近红外光照射手指时,静脉血管中的血红蛋白能吸收近红外光产生黑色,使得静脉可以明显区分于周边的皮肤,这样的特性,使得手指静脉可以作为生物识别的依据。
由于不同人的手指皮肤组织厚度不同,相同强度的近红外光下,采集到不同人的静脉图像质量会不一样,而低质量的手指静脉图像会严重影响系统的认证性能。
发明内容
为了克服现有的手指静脉图像采集方式的质量一致性较差、质量较低、导致识别精度较低的不足,本发明提供一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,使得后续图像处理过程具有一致性,降低图像质量对后续处理的影响,提高系统的识别精度。
本发明解决其技术问题所采用的技术方案是:
一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,所述方法包括以下步骤:
1)采集到不同PWM波占空比下的手指静脉图像;
2)对手指静脉图像做ROI提取,二值化提取出手指静脉,进行关键区域定位;
3)筛选处理后得到的ROI图像,过程如下:
首先计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,然后计算该人所有ROI图像的二维熵质量分数,筛选出质量分数高于设定阈值的图像作为最后的ROI 图像;
4)采用2DFLD特征提取算法提取其特征;
5)采用最近邻分类器进行分类。
进一步,所述步骤3)中,计算每个人每个PWM波占空比下的 ROI图像的二维熵值,然后删去二维熵值较低的2张图像,图像二维熵如式(1):
这里Pxy为概率密度函数如式(2):
式中m×n表示图像尺寸的大小,Lxy表示(x=f(i,j),y=g(i,j))出现的次数,f(i,j)表示图像(i,j)处的像素灰度值,g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3):
式中D代表窗口大小;
然后计算该人所有ROI图像的二维熵质量分数Q如式(4),
式中Q在0到1之间,H为当前ROI图像的二维熵值,Hmax和Hmin分别为处理后此人所有ROI图像中二维熵的最大值和最小值;
最后筛选出质量分数高于设定阈值的图像作为最后的ROI图像。
更进一步,所述步骤1)中,通过控制PWM波信号的占空比驱动外部光源电路,使得近红外LED产生不同亮度级别的光,通过摄像头采集到不同亮度下的手指静脉图像。
再进一步,所述步骤2)中,首先借助采集引导界面,直接切出包含丰富手指静脉信息的区域,然后采用固定阈值法对切得的区域进行二值化,得到去除背景后的手指静脉图像。
所述步骤2)中,确定手指静脉ROI区域,首先每一列的像素灰度值总和Rj如式(5):
式中f(i,j)是图像的第i行、第j列像素的灰度值,n和h分别表示图像的行数和列数;
然后采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50 列得到l1、B右移50列得到l2,最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉ROI区域。
再进一步,所述步骤4)中,采用2DFLD特征提取算法提取其特征,过程如下:
采用2DFLD找到最佳投影方向矩阵w,使投影后的样本具有最佳可分离性,即同类的样本尽可能密集,不同类样本尽可能分开;图像矩阵Xij为m×n维图像矩阵c为样本类数,ni为第i类样本中的样本数,i=1,2,…,c;j=1,2,…,ni;
Fisher准则函数如式(6):
式中:Sb为样本类间散布矩阵,如式(7):
Sw为样本类内散布矩阵,如式(8):
其中:为样本类内均值,为样本总体均值;
在类内散布矩阵Sw非奇异时,最佳投影方向满足式(9):
Sbw=λSww (9)
即对应矩阵的最大特征值所对应的特征向量为最佳投影方向w,将特征值由大到小的顺序排序,取前L个特征值对应的特征向量作为最佳的投影方向矩阵w=[l1,l2,l3,…,lL];
最后将每幅图像在特征子空间上投影,即每幅图像提取的特征矩阵Cij如公式(10):
Cij=Xijw (10)。
更进一步,所述步骤5)中,采用最近邻分类器进行分类,过程如下:
对于要测试的手指静脉样本,通过投影,得到一组特征矩阵,然后和样本空间中各个特征矩阵进行比较,采用最近邻分类器进行分类,即通过计算它们之间的欧式距离,距离最近的即为该测试样本最终的识别结果,特征空间中两个样本的欧式距离定义如式(11)所示:
其中m,n是特征矩阵的行和列,这里设训练样本的特征矩阵为Cij,其中每一个样本都有一个特定的类别ωi,测试样本经过投影后的特征为 C,若它们满足条件如式(12):
d(C,Cij)=mind(C,Cij);Cij∈ωi (12)
则测试样本属于ωi类。
所述步骤3)中,设定阈值为90%。当然,也可以是其他数值。
本发明的技术构思为:生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术,生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等,这些生物特征拥有足够的稳定性,不会随着年龄的增长,时间的改变而改变。基于生物特征的身份验证系统,提供了更大程度的安全性。手指静脉识别技术的优点在于利用的是活体的内生理特性,不会磨损,较难伪造,具有很高安全性;具有较好的特异性与唯一性,可以提供很好的区分度;可实现非接触或弱接触测量;不易受手指表面伤痕或油污、汗水影响。
采用自制的手指静脉采集装置采集不同PWM占空比下的手指静脉图像;对采集到的手指静脉进行感兴趣区域提取,主要包括:二值化提取出手指静脉,进行关键区域定位,根据最大内切矩阵得到感兴趣区域;计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,然后计算该人所有ROI图像的二维熵质量分数,筛选出质量分数高于90%的图像作为最后的ROI 图像;采用2DFLD特征提取算法提取其特征。
本发明的有益效果主要表现在:能获得高质量的手指静脉ROI 图像。
附图说明
图1为手指静脉采集装置示意图;
图2为系统流程图;
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,过程如下:
1)采集到不同PWM波占空比下的手指静脉图像
通过控制PWM波信号的占空比驱动外部光源电路,使得近红外 LED产生不同亮度级别的光,通过摄像头采集到不同亮度下的手指静脉图像。
2)对手指静脉图像做ROI提取
(2.1)二值化提取出手指静脉
借助采集引导界面,直接切出包含丰富手指静脉信息的区域,然后采用固定阈值法对切得的区域进行二值化,得到去除背景后的手指静脉图像;
(2.2)进行关键区域定位
确定手指静脉ROI区域,首先计算每一列的像素灰度值总和Rj如式(5):
式中f(i,j)是图像的第i行、第j列像素的灰度值,n和h分别表示图像的行数和列数;
然后采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围,计算出每 21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50 列得到l1、B右移50列得到l2,最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉ROI区域。
3)筛选处理后得到的ROI图像
计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,图像二维熵如式(1):
这里Pxy为概率密度函数如式(2):
式中m×n表示图像尺寸的大小,Lxy表示(x=f(i,j),y=g(i,j))出现的次数, f(i,j)表示图像(i,j)处的像素灰度值,g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3):
式中D代表窗口大小;
然后计算该人所有ROI图像的二维熵质量分数Q如式(4),
式中Q在0到1之间,H为当前ROI图像的二维熵值,Hmax和Hmin分别为处理后此人所有ROI图像中二维熵的最大值和最小值;
最后筛选出质量分数高于90%的图像作为最后的ROI图像。
4)采用2DFLD特征提取算法提取其特征
采用2DFLD找到最佳投影方向矩阵w,使投影后的样本具有最佳可分离性,即同类的样本尽可能密集,不同类样本尽可能分开;图像矩阵Xij为m×n维图像矩阵c为样本类数,ni为第i类样本中的样本数,i=1,2,…,c;j=1,2,…,ni;
Fisher准则函数如式(6):
式中:Sb为样本类间散布矩阵,如式(7):
Sw为样本类内散布矩阵,如式(8):
其中:为样本类内均值,为样本总体均值;
在类内散布矩阵Sw非奇异时,最佳投影方向满足式(9):
Sbw=λSww (9)
即对应矩阵的最大特征值所对应的特征向量为最佳投影方向w,将特征值由大到小的顺序排序,取前L个特征值对应的特征向量作为最佳的投影方向矩阵w=[l1,l2,l3,…,lL];
最后将每幅图像在特征子空间上投影,即每幅图像提取的特征矩阵Cij如公式(10):
Cij=Xijw (10)
5)采用最近邻分类器进行分类
对于要测试手指静脉样本,通过投影,得到一组特征矩阵,然后和样本空间中各个特征矩阵进行比较,采用最近邻分类器进行分类,即通过计算它们之间的欧式距离,距离最近的即为该测试样本最终的识别结果,特征空间中两个样本的欧式距离定义如式(11)所示:
其中m,n是特征矩阵的行和列,这里设训练样本的特征矩阵为Cij,其中每一个样本都有一个特定的类别ωi,测试样本经过投影后的特征为 C,若它们满足条件如式(12)关系。
d(C,Cij)=mind(C,Cij);Cij∈ωi (12)
则测试样本属于ωi类。
Claims (5)
1.一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,其特征在于:所述方法包括以下步骤:
1)采集到不同PWM波占空比下的手指静脉图像;
2)对手指静脉图像做ROI提取,二值化提取出手指静脉,进行关键区域定位;
3)筛选处理后得到的ROI图像,过程如下:
首先计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,然后计算该人所有ROI图像的二维熵质量分数,筛选出质量分数高于设定阈值的图像作为最后的ROI图像;
4)采用2DFLD特征提取算法提取其特征;
5)采用最近邻分类器进行分类;
所述步骤3)中,计算每个人每个PWM波占空比下的ROI图像的二维熵值,然后删去二维熵值较低的2张图像,图像二维熵如式(1):
这里Pxy为概率密度函数如式(2):
式中m×n表示图像尺寸的大小,Lxy表示(x=f(i,j),y=g(i,j))出现的次数,f(i,j)表示图像(i,j)处的像素灰度值,g(i,j)表示在图像(i,j)处的像素灰度平均值如式如式(3):
式中D代表窗口大小;
然后计算该人所有ROI图像的二维熵质量分数Q如式(4),
式中Q在0到1之间,H为当前ROI图像的二维熵值,Hmax和Hmin分别为处理后此人所有ROI图像中二维熵的最大值和最小值;
最后筛选出质量分数高于设定阈值的图像作为最后的ROI图像。
2.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,其特征在于:所述步骤1)中,通过控制PWM波信号的占空比驱动外部光源电路,使得近红外LED产生不同亮度级别的光,通过摄像头采集到不同亮度下的手指静脉图像。
3.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,其特征在于:所述步骤2)中,首先借助采集引导界面,直接切出包含丰富手指静脉信息的区域,然后采用固定阈值法对切得的区域进行二值化,得到去除背景后的手指静脉图像。
4.如权利要求3所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,其特征在于:所述步骤2)中,确定手指静脉ROI区域,首先计算每一列的像素灰度值总和Rj如式(5):
式中f(i,j)是图像的第i行、第j列像素的灰度值,m和n分别表示图像的行数和列数;
然后采用长度为21的滑动窗口分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50列得到l1、B右移50列得到l2,最后通过求l1、l2之间的最大内切矩阵得到最终的手指静脉ROI区域。
5.如权利要求1所述的一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法,其特征在于:所述步骤4)中,
采用2DFLD找到最佳投影方向矩阵w,使投影后的样本具有最佳可分离性,即同类的样本尽可能密集,不同类样本尽可能分开;图像矩阵Xij为m×n维图像矩阵,c为样本类数,ni为第i类样本中的样本数,i=1,2,···,c;j=1,2,···,ni;
Fisher准则函数如式(6):
式中:Sb为样本类间散布矩阵,如式(7):
Sw为样本类内散布矩阵,如式(8):
其中:为样本类内均值,为样本总体均值;
在类内散布矩阵Sw非奇异时,最佳投影方向满足式(9):
Sbw=λSww (9)
即对应矩阵的最大特征值所对应的特征向量为最佳投影方向,将特征值由大到小的顺序排序,取前L个特征值对应的特征向量作为最佳的投影方向矩阵w=[l1,l2,l3,…,lL];
最后将每幅图像在特征子空间上投影,即每幅图像提取的特征矩阵Cij如公式(10):
Cij=Xijw (10)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610525482.1A CN106203497B (zh) | 2016-07-01 | 2016-07-01 | 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610525482.1A CN106203497B (zh) | 2016-07-01 | 2016-07-01 | 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203497A CN106203497A (zh) | 2016-12-07 |
CN106203497B true CN106203497B (zh) | 2019-05-31 |
Family
ID=57464866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610525482.1A Active CN106203497B (zh) | 2016-07-01 | 2016-07-01 | 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203497B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241821A (zh) * | 2016-12-23 | 2018-07-03 | 北京三星通信技术研究有限公司 | 图像处理设备和方法 |
CN106650734B (zh) * | 2016-12-29 | 2020-11-24 | 上海联影医疗科技有限公司 | 定位图像子区域识别方法、医学图像显示方法及装置 |
CN108734069B (zh) * | 2017-04-24 | 2020-01-24 | 广州广电运通金融电子股份有限公司 | 一种指静脉图像的质量分数计算方法及装置 |
CN108010015A (zh) * | 2017-11-07 | 2018-05-08 | 深圳市金城保密技术有限公司 | 一种指静脉影像质量评价方法及其系统 |
CN108564010A (zh) * | 2018-03-28 | 2018-09-21 | 浙江大华技术股份有限公司 | 一种安全帽佩戴的检测方法、装置、电子设备及存储介质 |
CN109035217B (zh) * | 2018-07-06 | 2021-02-02 | 同济大学 | 一种基于图像二维熵的土体裂隙定量评价方法 |
CN109815965B (zh) * | 2019-02-13 | 2021-07-06 | 腾讯科技(深圳)有限公司 | 一种图像过滤方法、装置及存储介质 |
CN112241982A (zh) * | 2019-07-18 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及机器可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777117A (zh) * | 2010-01-26 | 2010-07-14 | 哈尔滨工程大学 | 一种手指静脉特征提取于匹配识别方法 |
CN103063674A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种铜块的铜品位检测方法及其检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7327865B2 (en) * | 2004-06-30 | 2008-02-05 | Accuray, Inc. | Fiducial-less tracking with non-rigid image registration |
-
2016
- 2016-07-01 CN CN201610525482.1A patent/CN106203497B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777117A (zh) * | 2010-01-26 | 2010-07-14 | 哈尔滨工程大学 | 一种手指静脉特征提取于匹配识别方法 |
CN103063674A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种铜块的铜品位检测方法及其检测系统 |
Non-Patent Citations (2)
Title |
---|
基于二维Fisher线性判别的人脸耳组合识别;桑海峰等;《光电子·激光》;20100430;第21卷(第4期);第588-591页 * |
高质量手掌静脉图像获取及ROI提取的研究;陈朋等;《传感技术学报》;20150630;第28卷(第7期);第1016-1021页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106203497A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203497B (zh) | 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 | |
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 | |
CN106156754B (zh) | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 | |
CN106022218B (zh) | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 | |
Qiu et al. | Global texture analysis of iris images for ethnic classification | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
CN103793690A (zh) | 一种基于皮下血流探测的人体生物活体检测方法及应用 | |
CN104123543A (zh) | 一种基于人脸识别的眼球运动识别方法 | |
CN107480586B (zh) | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 | |
CN105184266B (zh) | 一种手指静脉图像识别方法 | |
Sequeira et al. | PROTECT Multimodal DB: Fusion evaluation on a novel multimodal biometrics dataset envisaging Border Control | |
CN105574509A (zh) | 一种基于光照的人脸识别系统回放攻击检测方法及应用 | |
CN104102903A (zh) | 一种基于src的二次人脸识别方法 | |
Gale et al. | Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system | |
CN110598574A (zh) | 智能人脸监控识别方法及系统 | |
Seal et al. | Minutiae based thermal face recognition using blood perfusion data | |
Horng et al. | Recognizing palm vein in smartphones using RGB images | |
CN104679967A (zh) | 一种判断心理测试可靠性的方法 | |
CN108304800A (zh) | 一种人脸检测和人脸比对的方法 | |
CN107153807A (zh) | 一种二维主成分分析的非贪婪人脸识别方法 | |
CN110866235B (zh) | 同时捕获人体脉搏和静脉图像的身份识别方法及装置 | |
CN108288040A (zh) | 基于面部轮廓的多参数人脸识别系统 | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN110298275B (zh) | 基于关键点和局部特征的三维人耳识别方法 | |
Oz et al. | Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation |
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 |