CN106295555A - 一种活体指纹图像的检测方法 - Google Patents

一种活体指纹图像的检测方法 Download PDF

Info

Publication number
CN106295555A
CN106295555A CN201610643894.5A CN201610643894A CN106295555A CN 106295555 A CN106295555 A CN 106295555A CN 201610643894 A CN201610643894 A CN 201610643894A CN 106295555 A CN106295555 A CN 106295555A
Authority
CN
China
Prior art keywords
fingerprint
windata
fingerprint image
lbp
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.)
Pending
Application number
CN201610643894.5A
Other languages
English (en)
Inventor
于泽
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.)
Shenzhen Chipsailing Technology Co Ltd
Original Assignee
Shenzhen Chipsailing Technology Co Ltd
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 Shenzhen Chipsailing Technology Co Ltd filed Critical Shenzhen Chipsailing Technology Co Ltd
Priority to CN201610643894.5A priority Critical patent/CN106295555A/zh
Publication of CN106295555A publication Critical patent/CN106295555A/zh
Pending legal-status Critical Current

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
    • G06V40/1365—Matching; Classification
    • 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

Abstract

一种活体指纹图像的检测方法，涉及到手机指纹识别领域。解决现有的指纹识别与活体检测相结合方案存在的使用不便，需增加硬件成本，采用如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2）得到的神经网络进行模型预测，判断其是真指纹还是假指纹；真指纹则进入指纹识别系统。采用神经网络对活体图像纹理特征进行学习，在检测指纹信息的同时检测被检体特有的活体特征信息，在不增加其它硬件设施的情况下，使得通过指纹检测进行身份验证更安全、更可靠。

Description

一种活体指纹图像的检测方法
技术领域
本发明涉及到手机指纹识别领域。
背景技术
目前，手机指纹解锁指纹支付应用越来越广泛，使用也越来越方便。然而，目前市场上的大部分手机指纹识别系统，利用电容液制作的电容指纹，即可轻松破解，这样，对手机指纹识别系统构成了极大的安全隐患，甚至可能对用户造成极大的财产损失。
为了解决上述技术问题，现有技术通过增加硬件模块如心电血液等采集方案进行活体检测，需要连续持久的采集，以及额外的硬件装置，或者针对考勤设备等大指纹进行，
发明内容
综上所述，本发明的目的在于解决现有的指纹识别与活体检测相结合方案存在的使用不便，需增加硬件成本，方案安装受限的技术不足，而提出一种活体指纹图像的检测方法。
为解决本发明所提出的技术问题，采用的技术方案为：
一种活体指纹图像的检测方法，其特征在于所述检测方法采用如下步骤：
1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；
2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；
3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，可以判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。
作为对本发明进一步限定的技术方案包括有：
第1)步提取的指纹图像纹理特征包括有：灰度直方图的特征、指纹图像的LBP特征、灰度共生矩阵纹理GLCM特征和马尔科夫随机场MRF特征。
第1)步中提取指纹图像的灰度直方图的特征包括有均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var共7维特征。
求指纹图像的LBP特征的方法包括如下步骤；
2.1、LBP用全局旋转不变LBP模式，首先求256维LBP和旋转不变36维LBP的转换表；
2.2、扫描指纹图像，求出每个像素点的LBP值，并根据转换表转换为旋转不变LBP，求出图像的LBP分布图，得到36维的LBP直方图特征，并进行归一化；
2.3、利用2.2步提供的方法和训练样本，对36维LBP特征进行主成分分析，得到PCA矩阵，对36维LBP特征进行PCA降维，取前3个主成分，可保留原来90％以上的信息；
2.4、利用2.2步计算得到的原始LBP特征和2.3步训练得到的PCA矩阵对LBP特征进行降维，得到最终的3维LBP特征。
求指纹图像灰度共生矩阵纹理GLCM特征的方法为：
通过计算两灰度值在图像中的预设方向相邻像素对出现的次数得到的GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数，把灰度图像(0～255)将转换到16级(0～15)，灰度的级数决定了GLCM矩阵的大小尺寸；
3.1、提取步长为1，方向分别为0度，45度，90度，135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)；
3.2、分别计算3.1步计算得到4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征，总共得到16维特征；
3.3、利用3.2步提供的方法和训练样本，对16维GLCM特征进行主成分分析，得到PCA矩阵，可对16维GLCM特征进行PCA降维，取前6个主成分，可保留原来90％以上的信息；
3.4、利用3.2步计算得到的16维原始GLCM特征特征和3.3步训练得到的PCA矩阵对GLCM特征进行降维，得到最终的6维GLCM特征。
提取马尔科夫随机场MRF特征的方法为：
邻域结构WinData可以表示为：
采用4阶邻域马尔科夫矩阵；a点的像素值仅与其距离以内的点相关，设
这些点的集合为G，是1行N列的向量；
G＝[WinData(cr,cr-1)+WinData(cr,cr+1),
WinData(cr-1,cr)+WinData(cr+1,cr),
WinData(cr-1,cr+1)+WinData(cr+1,cr-1),
WinData(cr-1,cr-1)+WinData(cr+1,cr+1),
WinData(cr,cr-2)+WinData(cr,cr+2),
WinData(cr-2,cr)+WinData(cr,cr+2),
WinData(cr+2,cr-1)+WinData(cr-2,cr+1),
WinData(cr+1,cr-2)+WinData(cr-1,cr+2),
WinData(cr-1,cr-2)+WinData(cr+1,cr+2),
WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；
马尔可夫特征矩阵为Esita，a点像素值为X，则G*Esita＝X；
其中G和X是已知，Esita是要求的特征向量，用最小二乘法解此方程；
G*Esita＝X
(G'*G)*Esita＝G'*X
Esita＝inv(G'*G)*G'*X；inv为矩阵求逆；可求得每个指纹图像的10维
马尔科夫特征值。
指纹图像的灰度直方图分布为h(i)，归一化直方图分布公式，i为灰度值，i在0～255之间，则均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var计算公式如下：
块均值方差var：将指纹图像按中心均分为4个块，分别求每个块的均值，然后求这4个均值的方差。
第3.2)步中4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征计算公式如下：
本发明的有益效果为：本发明采用神经网络对活体图像纹理特征进行学习，在检测指纹信息的同时检测被检体特有的活体特征信息，通过神经网络提供一种小尺寸手机指纹图像活体检测的判断方法，在不增加其它硬件设施的情况下，使得通过指纹检测进行身份验证更安全、更可靠。
附图说明
图1为本发明方案实施所需系统框图；
图2为神经网络模拟图；
图3为一种活动指纹图像；
图4为一种电容指纹图像。
具体实施例
以下结合附图对本发明的方法作进一步地说明。
参照图1中所示，本发明一种活体指纹图像的检测方法，包括如下步骤：
1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；其中m可以为大于1的任意整数，纹理特征越多，识别的准确越高，但识别速度也就相应越慢；
2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；
3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，可以判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。
本发明具体的检测方法可以采用如下步骤：
1)根据指纹采集系统获取的指纹图像提取指纹图像的灰度直方图的特征；提取灰度直方图的以下特征、均值、方差、能量、熵、偏度、峰度还有灰度图像的块均值方差共7维特征。指纹灰度直访图分布为h(i)(归一化分布公式，i为灰度值，在0～255之间)则
块均值方差var：将指纹图像按中心均分为4个块，分别求每个块的均值，然后求这4个均值的方差。
2)求指纹图像的LBP特征。
I、LBP用全局旋转不变LBP模式，首先求LBP(256维)和旋转不变LBP(36维)的转换表。
II、扫描指纹图像，求出每个像素点的LBP值，并根据转换表转换为旋转不变LBP，求出图像的LBP分布图。得到hist[36]的LBP直方图特征，并进行归一化。
III、利用II提供的方法，和训练样本，对36维LBP特征进行主成分分析，得到PCA矩阵，可对36维LBP特征进行PCA降维，取前3个主成分，可保留原来90％以上的信息。
IV、利用II计算得到的原始LBP特征和III训练得到的PCA矩阵对LBP特征进行降维，得到最终的3维LBP特征。
3)求指纹图像灰度共生矩阵纹理(GLCM)特征。它是通过计算两灰度值在图像I中水平相邻的次数而得到的(也不必是水平相邻的次数，这一参数是可调的，可能通过步长来进行调整，比如[0 D]代表是水平方向，[-D D]代表是右上角45度方向，[-D 0]代表是竖直方向，即90度方向，而[-D -D]则代表是左上角，即135度方向)，GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数。把灰度图像(0～255)将转换到16级(0～15)。灰度的级数决定了GLCM矩阵的大小尺寸。
I、提取步长为1，方向分别为0度，45度，90度，135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)。
II、分别计算I计算得到4个矩阵能量、熵、对比度、一致性4个特征，总共得到16维特征。其中
III、利用II提供的方法，和训练样本，对16维GLCM特征进行主成分分析，得到PCA矩阵，可对16维GLCM特征进行PCA降维，取前6个主成分，可保留原来90％以上的信息。
IV、利用II计算得到的16维原始GLCM特征特征和III训练得到的PCA矩阵对GLCM特征进行降维，得到最终的6维GLCM特征。
4)提取马尔科夫随机场(MRF)特征，是随机过程的一种。其主要特征是：在已知目前状态(现在)的条件下，它未来的变化(将来)不依赖于以往的变化，而仅仅跟目前所处的状态有关。在图像领域，，MRF是一个二维点阵，可以用概率模型来描述每个点，MRF的假设前提是点阵中的每个点的像元值仅仅依赖于其邻域中像元的像元值。
邻域结构WinData可以表示为：
本方案采用的是4阶邻域马尔科夫矩阵。a点的像素值仅与其距离以内的点相关，设这些点的集合为G，是1行N列的向量。
G＝[
WinData(cr,cr-1)+WinData(cr,cr+1),
WinData(cr-1,cr)+WinData(cr+1,cr),
WinData(cr-1,cr+1)+WinData(cr+1,cr-1),
WinData(cr-1,cr-1)+WinData(cr+1,cr+1),
WinData(cr,cr-2)+WinData(cr,cr+2),
WinData(cr-2,cr)+WinData(cr,cr+2),
WinData(cr+2,cr-1)+WinData(cr-2,cr+1),
WinData(cr+1,cr-2)+WinData(cr-1,cr+2),
WinData(cr-1,cr-2)+WinData(cr+1,cr+2),
WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；
马尔可夫特征矩阵为Esita，a点像素值为X，则G*Esita＝X。
其中G和X是已知，Esita是要求的特征向量，可用最小二乘法解此方程。
G*Esita＝X
(G'*G)*Esita＝G'*X
Esita＝inv(G'*G)*G'*X；inv为矩阵求逆。可求得每个指纹图像的10维马尔科夫特征值。
5)根据以上1)、2)、3)、4)、可以求得指纹图像的总共26维纹理特征。将上面输入的特征值记为X(n)＝(x1,x2,x3,…,xm),其m特征值的个数。对于每一个指纹图像训练样本求出其26维纹理特征X(n),对N个样本的所有特征进行BP神经网络训练可以得到一个神经网络模型。采用三层神经网络，输入层为26维(纹理特征)，隐含层10维，输出层2维(真、假指纹)。
参照图2中所示，
a 1 ( 2 ) = f ( W 11 ( 1 ) x 1 + W 12 ( 1 ) x 2 + W 13 ( 1 ) x 3 + b 1 ( 1 ) )
a 2 ( 2 ) = f ( W 21 ( 1 ) x 1 + W 22 ( 1 ) x 2 + W 23 ( 1 ) x 3 + b 2 ( 1 ) )
a 3 ( 2 ) = f ( W 31 ( 1 ) x 1 + W 32 ( 1 ) x 2 + W 33 ( 1 ) x 3 + b 3 ( 1 ) )
h W , b ( x ) = a 1 ( 3 ) = f ( W 11 ( 2 ) a 2 ( 2 ) + W 12 ( 2 ) a 2 ( 2 ) + W 13 ( 2 ) a 3 ( 2 ) + b 1 ( 2 ) )
上面式中的Wij就是相邻两层神经元之间的权值，它们就是神经网络训练后得到的参数模型。
6)根据5)训练出来的神经网络，对每个待测试指纹求出该26维纹理特征后，输入神经网络进行模型预测，可以判断其是真指纹还是假指纹。如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集，如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。
以下以具体案例对针对训练好的神经网络模型，分别用活体指纹通过手机指纹采集系统采集到的图像，还有电容指纹通过手机指纹采集系统采集得到的图像进行测试：
1)、参照图3中所示，当图像为活体指纹(分辨率为112*88)时：
利用本案提供的方法对指纹图像提取26维特征，得到其特征为
X＝
(0.394737,0.607047,0.096286,0.801900,0.559718,0.154207,0.201650,0.561217,0.463403,0.576326,0.333301,0.640804,0.372510,0.220009,0.147064,0.674719,0.615205,0.587382,0.417957,0.561027,0.659861,0.414177,0.557244,0.312057,0.375597,0.536282)；
把求得的特征输入神经网络，可得输出结果为，Output[1]＝0.979,Output[0]＝0.021,其中Output[1]在训练时设为活体指纹，Output[0]在训练时设为假指纹，所以得到的模型输出结果为活体指纹为正确的。
2)、参照图4中所示，当图像为电容指纹(分辨率为112*88)时：
利用本案提供的方法对指纹图像提取26维特征，得到其特征为
X＝
(0.508772,0.633261,0.070132,0.811862,0.395685,0.034048,0.106250,0.720895,0.555093,0.741732,0.429902,0.620232,0.636518,0.124528,0.080239,0.707089,0.592086,0.595376,0.423983,0.476026,0.727395,0.460702,0.502245,0.351722,0.425579,0.521517)；
把求得的特征输入神经网络，可得输出结果为，Output[1]＝0.033,Output[0]＝0.966,其中Output[1]在训练时设为活体指纹，Output[0]在训练时设为假指纹，所以得到的模型输出为假指纹结果为正确的。
本发明提出的指纹图像活体检测的方法，根据图像的纹理特征，而且综合使用了多种特征，如灰度直方图，灰度共生矩阵，马尔科夫随机场等特征，使用了神经网络，现实小尺寸手机指纹图像活体检测的判断，在不增加其它硬件设施的情况下，保障用户对手机指纹识别系统的使用安全。

Claims (8)

1.一种活体指纹图像的检测方法，其特征在于所述检测方法采用如下步骤：
1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；
2)、对N个指纹图像样本的所有m维纹理特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；
3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。
2.根据权利要求1所述的一种活体指纹图像的检测方法，其特征在于：第1)步提取的指纹图像纹理特征包括有：灰度直方图的特征、指纹图像的LBP特征、灰度共生矩阵纹理GLCM特征和马尔科夫随机场MRF特征。
3.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：提取指纹图像的灰度直方图的特征包括有均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var共7维特征。
4.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：求指纹图像的LBP特征的方法包括如下步骤；
2.1、LBP用全局旋转不变LBP模式，首先求256维LBP和旋转不变36维LBP的转换表；
2.2、扫描指纹图像，求出每个像素点的LBP值，并根据转换表转换为旋转不变LBP，求出图像的LBP分布图，得到36维的LBP直方图特征，并进行归一化；
2.3、利用2.2步提供的方法和训练样本，对36维LBP特征进行主成分分析，得到PCA矩阵，对36维LBP特征进行PCA降维，取前3个主成分，可保留原来90％以上的信息；
2.4、利用2.2步计算得到的原始LBP特征和2.3步训练得到的PCA矩阵对LBP特征进行降维，得到最终的3维LBP特征。
5.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：求指纹图像灰度共生矩阵纹理GLCM特征的方法为：
通过计算两灰度值在图像中的预设方向相邻像素对出现的次数得到的GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数，把灰度图像(0～255)将转换到16级(0～15)，灰度的级数决定了GLCM矩阵的大小尺寸；
3.1、提取步长为1，方向分别为0度，45度，90度，135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)；
3.2、分别计算3.1步计算得到4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征，总共得到16维特征；
3.3、利用3.2步提供的方法和训练样本，对16维GLCM特征进行主成分分析，得到PCA矩阵，可对16维GLCM特征进行PCA降维，取前6个主成分，可保留原来90％以上的信息；
3.4、利用3.2步计算得到的16维原始GLCM特征特征和3.3步训练得到的PCA矩阵对GLCM特征进行降维，得到最终的6维GLCM特征。
6.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：提取马尔科夫随机场MRF特征的方法为：
邻域结构WinData可以表示为：
采用4阶邻域马尔科夫矩阵；a点的像素值仅与其距离以内的点相关，设这些点的集合为G，是1行N列的向量；
G＝[WinData(cr,cr-1)+WinData(cr,cr+1),
WinData(cr-1,cr)+WinData(cr+1,cr),
WinData(cr-1,cr+1)+WinData(cr+1,cr-1),
WinData(cr-1,cr-1)+WinData(cr+1,cr+1),
WinData(cr,cr-2)+WinData(cr,cr+2),
WinData(cr-2,cr)+WinData(cr,cr+2),
WinData(cr+2,cr-1)+WinData(cr-2,cr+1),
WinData(cr+1,cr-2)+WinData(cr-1,cr+2),
WinData(cr-1,cr-2)+WinData(cr+1,cr+2),
WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；
马尔可夫特征矩阵为Esita，a点像素值为X，则G*Esita＝X；
其中G和X是已知，Esita是要求的特征向量，用最小二乘法解此方程；
G*Esita＝X
(G'*G)*Esita＝G'*X
Esita＝inv(G'*G)*G'*X；inv为矩阵求逆；可求得每个指纹图像的10维马尔科夫特征值。
7.根据权利要求3所述的一种活体指纹图像的检测方法，其特征在于：指纹图像的灰度直方图分布为h(i)，归一化直方图分布公式，i为灰度值，i在0～255之间，则均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var计算公式如下：
均值
方差
能量
信息熵
偏度
峰度
块均值方差var：将指纹图像按中心均分为4个块，分别求每个块的均值，然后求这4个均值的方差。
8.根据权利5所述的一种活体指纹图像的检测方法，其特征在于：第3.2)步中4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征计算公式如下：
能量
信息熵
对比度
一致性
CN201610643894.5A 2016-08-08 2016-08-08 一种活体指纹图像的检测方法 Pending CN106295555A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610643894.5A CN106295555A (zh) 2016-08-08 2016-08-08 一种活体指纹图像的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610643894.5A CN106295555A (zh) 2016-08-08 2016-08-08 一种活体指纹图像的检测方法

Publications (1)

Publication Number Publication Date
CN106295555A true CN106295555A (zh) 2017-01-04

Family

ID=57666607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610643894.5A Pending CN106295555A (zh) 2016-08-08 2016-08-08 一种活体指纹图像的检测方法

Country Status (1)

Country Link
CN (1) CN106295555A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845497A (zh) * 2017-01-12 2017-06-13 天津大学 基于多特征融合的玉米前期图像旱情识别方法
CN107423703A (zh) * 2017-07-21 2017-12-01 山东大学 基于人脸、指纹和指静脉特征的多模态识别装置及方法
CN107885637A (zh) * 2017-11-09 2018-04-06 紫光华山信息技术有限公司 一种服务器异常检测方法及装置
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
CN108564040A (zh) * 2018-04-17 2018-09-21 杭州景联文科技有限公司 一种基于深度卷积特征的指纹活性检测方法
CN109716353A (zh) * 2018-12-20 2019-05-03 深圳市汇顶科技股份有限公司 指纹识别方法、指纹识别装置和电子设备
CN110705481A (zh) * 2019-10-08 2020-01-17 Oppo广东移动通信有限公司 一种光学指纹防伪方法、装置及计算机可读存储介质
US10546177B2 (en) 2017-06-20 2020-01-28 Samsung Electronics Co., Ltd. Fingerprint verification method and apparatus
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置
CN111680675A (zh) * 2020-08-14 2020-09-18 腾讯科技（深圳）有限公司 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN111914616A (zh) * 2020-06-05 2020-11-10 华南理工大学 指静脉识别与防伪一体化方法、装置、存储介质和设备
CN112215194A (zh) * 2020-10-23 2021-01-12 敦泰电子（深圳）有限公司 光学指纹识别模组及其识别方法和显示装置
CN112329518A (zh) * 2020-09-18 2021-02-05 南京信息工程大学 基于边缘纹理强化和对称差分统计的指纹活性检测的方法
CN113591514A (zh) * 2020-04-30 2021-11-02 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116744A (zh) * 2013-02-05 2013-05-22 浙江工业大学 基于mrf和svm-knn分类的假指纹检测方法
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN104268587A (zh) * 2014-10-22 2015-01-07 武汉大学 一种基于指波变换和svm的假指纹检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116744A (zh) * 2013-02-05 2013-05-22 浙江工业大学 基于mrf和svm-knn分类的假指纹检测方法
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN104268587A (zh) * 2014-10-22 2015-01-07 武汉大学 一种基于指波变换和svm的假指纹检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙航: "基于BP神经网络的指纹识别", 《信息与电脑》 *
方珊珊: "基于朴素贝叶斯的假指纹检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845497A (zh) * 2017-01-12 2017-06-13 天津大学 基于多特征融合的玉米前期图像旱情识别方法
US10546177B2 (en) 2017-06-20 2020-01-28 Samsung Electronics Co., Ltd. Fingerprint verification method and apparatus
CN107423703A (zh) * 2017-07-21 2017-12-01 山东大学 基于人脸、指纹和指静脉特征的多模态识别装置及方法
CN107423703B (zh) * 2017-07-21 2020-12-08 山东大学 基于人脸、指纹和指静脉特征的多模态识别装置及方法
CN107885637A (zh) * 2017-11-09 2018-04-06 紫光华山信息技术有限公司 一种服务器异常检测方法及装置
CN107885637B (zh) * 2017-11-09 2019-11-08 新华三信息技术有限公司 一种服务器异常检测方法及装置
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
CN108564040A (zh) * 2018-04-17 2018-09-21 杭州景联文科技有限公司 一种基于深度卷积特征的指纹活性检测方法
CN109716353A (zh) * 2018-12-20 2019-05-03 深圳市汇顶科技股份有限公司 指纹识别方法、指纹识别装置和电子设备
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置
CN110705481A (zh) * 2019-10-08 2020-01-17 Oppo广东移动通信有限公司 一种光学指纹防伪方法、装置及计算机可读存储介质
WO2021218823A1 (zh) * 2020-04-30 2021-11-04 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN113591514B (zh) * 2020-04-30 2024-03-29 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN113591514A (zh) * 2020-04-30 2021-11-02 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN111914616A (zh) * 2020-06-05 2020-11-10 华南理工大学 指静脉识别与防伪一体化方法、装置、存储介质和设备
CN111914616B (zh) * 2020-06-05 2024-04-16 华南理工大学 指静脉识别与防伪一体化方法、装置、存储介质和设备
WO2021243926A1 (zh) * 2020-06-05 2021-12-09 华南理工大学 指静脉识别与防伪一体化方法、装置、存储介质和设备
CN111680675A (zh) * 2020-08-14 2020-09-18 腾讯科技（深圳）有限公司 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN111680675B (zh) * 2020-08-14 2020-11-17 腾讯科技（深圳）有限公司 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN112329518A (zh) * 2020-09-18 2021-02-05 南京信息工程大学 基于边缘纹理强化和对称差分统计的指纹活性检测的方法
CN112329518B (zh) * 2020-09-18 2023-10-13 南京信息工程大学 基于边缘纹理强化和对称差分统计的指纹活性检测的方法
WO2022083048A1 (zh) * 2020-10-23 2022-04-28 敦泰电子（深圳）有限公司 光学指纹识别模组及其识别方法和电子装置
CN112215194A (zh) * 2020-10-23 2021-01-12 敦泰电子（深圳）有限公司 光学指纹识别模组及其识别方法和显示装置

Similar Documents

Publication Publication Date Title
CN106295555A (zh) 一种活体指纹图像的检测方法
Liu et al. Attribute-aware face aging with wavelet-based generative adversarial networks
CN106991368A (zh) 一种基于深度卷积神经网络的指静脉验证身份识别方法
CN109543526B (zh) 基于深度差异性特征的真假面瘫识别系统
CN101751555B (zh) 一种形变指纹识别方法及系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN106548159A (zh) 基于全卷积神经网络的网纹人脸图像识别方法与装置
CN110046675A (zh) 一种基于改进的卷积神经网络的下肢运动能力评估方法
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN103942540A (zh) 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN106650572A (zh) 一种指纹图像的质量评估方法
KR102440385B1 (ko) 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치
CN107145836A (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN107392187A (zh) 一种基于梯度方向直方图的人脸活体检测方法
Samiappan et al. Classification of carotid artery abnormalities in ultrasound images using an artificial neural classifier.
CN107066961A (zh) 指纹配准方法及装置
CN107895144A (zh) 一种手指静脉图像防伪鉴别方法及装置
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN104794440A (zh) 一种基于多分块多尺度lbp的假指纹检测方法
CN107368803A (zh) 一种基于类别稀疏表示的人脸识别方法及系统
CN111104902B (zh) 一种基于图卷积网络的偏瘫步态分类方法
ZhiYong et al. Diagnostic analysis on change vector analysis methods for LCCD using remote sensing images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170104