CN106447839A - 智能指纹锁 - Google Patents
智能指纹锁 Download PDFInfo
- Publication number
- CN106447839A CN106447839A CN201610740823.7A CN201610740823A CN106447839A CN 106447839 A CN106447839 A CN 106447839A CN 201610740823 A CN201610740823 A CN 201610740823A CN 106447839 A CN106447839 A CN 106447839A
- Authority
- CN
- China
- Prior art keywords
- point
- fingerprint
- coupling
- neighborhood
- coordinates
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出了一种智能指纹锁,包括指纹采集部,所述指纹采集部连接有存储控制器,所述控制器连接有锁合部和存储部,所述控制器内预存有用户指纹数据,当指纹采集部采集到拜访者的指纹信息时,控制器将其与存储部内预存的用户指纹数据进行匹配处理,满足匹配条件后,控制器控制锁合部打开,所述控制器将采集的指纹信息与用户指纹数据进行初次匹配:利用相邻点间的结构建立局部特征向量进行初次匹配;在初次匹配的基础上,以初次匹配的最优点为参照,对所有特征进行全局坐标调整并转化到极坐标系表示,本发明既能够保证指纹识别的准确度,同时又能够简化识别工作,提高识别的效率。
Description
技术领域
本发明属于门禁技术领域,特别涉及一种智能指纹锁。
背景技术
生物特征识别技术,是指通过对人体身上的某些生物特征进行识别和认证,从而实现身份识别的一种专门的技术。其主要包括人脸的识别、语音的识别、虹膜的识别、手掌形状的识别、指纹的识别等多个技术。生物特征的识别包含以下几个技术特点:普遍性、唯一性、安全性、可采集性和可接受性等,由于生物特征识别技术的优点,相对于传统的身份识别,克服了许多缺陷。因此,越来越多地被采用到各类的安全场合,指纹识别技术是指根据不同的指纹具有不同的纹理特征的特性,将不同指纹图像之间的多个局部特征和局部细节进行对比,从而确定身份的一种认证技术。
但是,要保证识别的准确度,将指纹图像的所有局部特征和局部细节进行对比,其工作量较为繁琐,识别起来效率不高。
因此,现在亟需一种智能指纹锁,既能够保证指纹识别的准确度,同时又能够简化识别工作,提高识别的效率。
发明内容
本发明提出一种智能指纹锁,解决了现有技术中指纹识别不能同时兼顾准确度和识别效率的问题。
本发明的技术方案是这样实现的:智能指纹锁,包括指纹采集部,所述指纹采集部连接有存储控制器,所述控制器连接有锁合部和存储部,所述控制器内预存有用户指纹数据,当指纹采集部采集到拜访者的指纹信息时,控制器将其与存储部内预存的用户指纹数据进行匹配处理,满足匹配条件后,控制器控制锁合部打开,所述控制器将采集的指纹信息与用户指纹数据进行初次匹配,利用相邻点间的结构建立局部特征向量进行初次匹配;在初次匹配的基础上,以初次匹配的最优点为参照,对所有特征进行全局坐标调整并转化到极坐标系表示。
作为一种优选的实施方式,初次匹配中建立局部特征向量包括经过特征提取得到指纹图像上的所有分叉点和末梢点,每个特征记录点的位置(x,y)、点的类型(分叉点,末梢点)以及该点所有脊线的方向角度θ∈[0,360)。
作为一种优选的实施方式,对每个特征记录点建立一个用于匹配的局部邻域特征向量,并取与该中心点距离大于预设值的最近5个点作为其邻域特征点,利用该5个点和中心点构造局部特征向量,并记录邻域特征点信息及其存储结构,其中邻域特征点信息包括点类型、与中心点的方向差、与中心点的距离以及到中心点的脊线数目,邻域特定点表示为X(x,y,s,θ)。
作为一种优选的实施方式,定义采集的指纹为点集A=((x1,y1,s1,θ1)……(xm,ym,sm,θm)),预设的用户指纹数据定义为B=((x1′,y1′,s1′,θ1′)……(xn′,yn′,sn′,θn′)),对指纹A上的每个特征建立局部特征向量得到一个M维的局部特征向量组,对指纹B得到一个N维的局部特征向量组。
作为一种优选的实施方式,把A中每一个特征点(i=1,2,…,M)的局部特征向量与B中每一个特征点(j=1,2,…,N)的局部特征向量进行一一匹配,相应的匹配分数记录在矩阵ScoreM×N中;匹配分数的计算方法为:若Ai,Bj向量的中心点类型不一致,则Score[i][j]=0;若Ai,Bj向量的中心点类型一致,且其5个邻域分量中有n个邻域点匹配,则Score[i][j]=n,(1≤n≤5);完成匹配后,在矩阵的每一行中标记出匹配分数最大且不为零的元素,这些元素的位置可以确立特征点与的一一对应,其分数总和称为总匹配分数记作;使用相对匹配分数S=100×Gab×Gab/M×N作为初匹配的判决条件;设置初匹配门限,即最高匹配分数Smax和最低匹配分数Smin;若S<Smin则直接判为不匹配,不再进入第二阶段;若Smin≤S≤Smax则需进行二次匹配;若S>Smax则直接认为A、B来自同一指纹。
作为一种优选的实施方式,对所有特征进行全局坐标调整并转化到极坐标系表示包括:以Ap为极坐标中心极点,对点集A进行坐标校准,得到极坐标系统下新的点集A′,以Bp为极坐标中心点,对点集进行坐标校准,得到新的点集B′;极坐标变换公式为
式中,(xc,yc,sc,θc)为中心点坐标,(xt,yt,st,θt)为待转换的细节点坐标,(rt,et,st,ψt)分别为坐标转换后该点的极径、极角、点类型、该点所在脊线与中心点所在脊线的方向差;在计算每个特征点的极角et和方向差ψt时仅使用了中心极点的信息,当极点所在区域发生了小的局部变形,对式中角度和et和ψt的计算进行修正:将中心极点和5个邻域点的角度一起作为角度调整时的修正参数,该修正参数为5个对应邻域点角度差的平均值,将式(中的te和ψt再减去该平均值。
作为一种优选的实施方式,坐标校准后得到的点集记为,A′=(A1′,A2′,……,Am′)、B′=(B1′,B2′,……Bn′)将A′中的每个点与B′中的每个点进行基于限界盒的一一匹配,建立M×N维的匹配度矩阵。
作为一种优选的实施方式,坐标校准后,进行中心点定位,中心点定位包括在预处理中基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,然后计算低通滤波后的sine分量,以图中颜色最深的点代表所示中心点。
作为一种优选的实施方式,基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,包括将指纹块X方向和Y方向的连续向量,然后对X方向和Y方向的连续向量进行低通滤波。
作为一种优选的实施方式,对X方向和Y方向的连续向量进行低通滤波,采用二维低通滤波器,其大小为W5@W5。
采用了上述技术方案后,本发明的有益效果是:
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方框示意图;
图2为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-2所示,本智能指纹锁,包括指纹采集部,所述指纹采集部连接有存储控制器,所述控制器连接有锁合部和存储部,所述控制器内预存有用户指纹数据,当指纹采集部采集到拜访者的指纹信息时,控制器将其与存储部内预存的用户指纹数据进行匹配处理,满足匹配条件后,控制器控制锁合部打开,所述控制器将采集的指纹信息与用户指纹数据进行初次匹配,利用相邻点间的结构建立局部特征向量进行初次匹配;在初次匹配的基础上,以初次匹配的最优点为参照,对所有特征进行全局坐标调整并转化到极坐标系表示。
初次匹配中建立局部特征向量包括经过特征提取得到指纹图像上的所有分叉点和末梢点,每个特征记录点的位置(x,y)、点的类型(分叉点,末梢点)以及该点所有脊线的方向角度θ∈[0,360)。
对每个特征记录点建立一个用于匹配的局部邻域特征向量,并取与该中心点距离大于预设值的最近5个点作为其邻域特征点,利用该5个点和中心点构造局部特征向量,并记录邻域特征点信息及其存储结构,其中邻域特征点信息包括点类型、与中心点的方向差、与中心点的距离以及到中心点的脊线数目,邻域特定点表示为X(x,y,s,θ)。
定义采集的指纹为点集A=((x1,y1,s1,θ1)……(xm,ym,sm,θm)),预设的用户指纹数据定义为B=((x1′,y1′,s1′,θ1′)……(xn′,yn′,sn′,θn′)),对指纹A上的每个特征建立局部特征向量得到一个M维的局部特征向量组,对指纹B得到一个N维的局部特征向量组。
把A中每一个特征点(i=1,2,…,M)的局部特征向量与B中每一个特征点(j=1,2,…,N)的局部特征向量进行一一匹配,相应的匹配分数记录在矩阵ScoreM×N中;匹配分数的计算方法为:若Ai,Bj向量的中心点类型不一致,则Score[i][j]=0;若Ai,Bj向量的中心点类型一致,且其5个邻域分量中有n个邻域点匹配,则Score[i][j]=n,(1≤n≤5);完成匹配后,在矩阵的每一行中标记出匹配分数最大且不为零的元素,这些元素的位置可以确立特征点与的一一对应,其分数总和称为总匹配分数记作;使用相对匹配分数S=100×Gab×Gab/M×N作为初匹配的判决条件;设置初匹配门限,即最高匹配分数Smax和最低匹配分数Smin;若S<Smin则直接判为不匹配,不再进入第二阶段;若Smin≤S≤Smax则需进行二次匹配;若S>Smax则直接认为A、B来自同一指纹。
对所有特征进行全局坐标调整并转化到极坐标系表示包括:以Ap为极坐标中心极点,对点集A进行坐标校准,得到极坐标系统下新的点集A′,以Bp为极坐标中心点,对点集进行坐标校准,得到新的点集B′;极坐标变换公式为
式中,(xc,yc,sc,θc)为中心点坐标,(xt,yt,st,θt)为待转换的细节点坐标,(rt,et,st,ψt)分别为坐标转换后该点的极径、极角、点类型、该点所在脊线与中心点所在脊线的方向差;在计算每个特征点的极角et和方向差ψt时仅使用了中心极点的信息,当极点所在区域发生了小的局部变形,对式中角度和et和ψt的计算进行修正:将中心极点和5个邻域点的角度一起作为角度调整时的修正参数,该修正参数为5个对应邻域点角度差的平均值,将式(中的te和ψt再减去该平均值。
坐标校准后得到的点集记为,A′=(A1′,A2′,……,Am′)、B′=(B1′,B2′,……Bn′)将A′中的每个点与B′中的每个点进行基于限界盒的一一匹配,建立M×N维的匹配度矩阵。
坐标校准后,进行中心点定位,中心点定位包括在预处理中基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,然后计算低通滤波后的sine分量,以图中颜色最深的点代表所示中心点。
基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,包括将指纹块X方向和Y方向的连续向量,然后对X方向和Y方向的连续向量进行低通滤波。
对X方向和Y方向的连续向量进行低通滤波,采用二维低通滤波器,其大小为W5@W5。
该智能指纹锁的工作原理是:
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.智能指纹锁,其特征在于,包括指纹采集部,所述指纹采集部连接有控制器,所述控制器连接有锁合部和存储部,所述控制器内预存有用户指纹数据,当指纹采集部采集到拜访者的指纹信息时,控制器将其与存储部内预存的用户指纹数据进行匹配处理,满足匹配条件后,控制器控制锁合部打开,所述控制器将采集的指纹信息与用户指纹数据进行初次匹配,利用相邻点间的结构建立局部特征向量进行初次匹配;在初次匹配的基础上,以初次匹配的最优点为参照,对所有特征进行全局坐标调整并转化到极坐标系表示。
2.根据权利要求1所述的智能指纹锁,其特征在于,初次匹配中建立局部特征向量包括经过特征提取得到指纹图像上的所有分叉点和末梢点,每个特征记录点的位置(x,y)、点的类型(分叉点,末梢点)以及该点所有脊线的方向角度θ∈[0,360)。
3.根据权利要求2所述的智能指纹锁,其特征在于,对每个特征记录点建立一个用于匹配的局部邻域特征向量,并取与该中心点距离大于预设值的最近5个点作为其邻域特征点,利用该5个点和中心点构造局部特征向量,并记录邻域特征点信息及其存储结构,其中邻域特征点信息包括点类型、与中心点的方向差、与中心点的距离以及到中心点的脊线数目,邻域特定点表示为X(x,y,s,θ)。
4.根据权利要求3所述的智能指纹锁,其特征在于,定义采集的指纹为点集A=((x1,y1,s1,θ1)……(xm,ym,sm,θm)),预设的用户指纹数据定义为B=((x1′,y1′,s1′,θ1′)……(xn′,yn′,sn′,θn′)),对指纹A上的每个特征建立局部特征向量得到一个M维的局部特征向量组,对指纹B得到一个N维的局部特征向量组。
5.根据权利要求4所述的智能指纹锁,其特征在于,把A中每一个特征点(i=1,2,…,M)的局部特征向量与B中每一个特征点(j=1,2,…,N)的局部特征向量进行一一匹配,相应的匹配分数记录在矩阵ScoreM×N中;匹配分数的计算方法为:若Ai,Bj向量的中心点类型不一致,则Score[i][j]=0;若Ai,Bj向量的中心点类型一致,且其5个邻域分量中有n个邻域点匹配,则Score[i][j]=n,(1≤n≤5);完成匹配后,在矩阵的每一行中标记出匹配分数最大且不为零的元素,这些元素的位置可以确立特征点与的一一对应,其分数总和称为总匹配分数记作;使用相对匹配分数S=100×Gab×Gab/M×N作为初匹配的判决条件;设置初匹配门限,即最高匹配分数Smax和最低匹配分数Smin;若S<Smin则直接判为不匹配,不再进入第二阶段;若Smin≤S≤Smax则需进行二次匹配;若S>Smax则直接认为A、B来自同一指纹。
6.根据权利要求5所述的智能指纹锁,其特征在于,对所有特征进行全局坐标调整并转化到极坐标系表示包括:以Ap为极坐标中心极点,对点集A进行坐标校准,得到极坐标系统下新的点集A′,以Bp为极坐标中心点,对点集进行坐标校准,得到新的点集B′;极坐标变换公式为
式中,(xc,yc,sc,θc)为中心点坐标,(xt,yt,st,θt)为待转换的细节点坐标,(rt,et,st,ψt)分别为坐标转换后该点的极径、极角、点类型、该点所在脊线与中心点所在脊线的方向差;在计算每个特征点的极角et和方向差ψt时仅使用了中心极点的信息,当极点所在区域发生了小的局部变形,对式中角度和et和ψt的计算进行修正:将中心极点和5个邻域点的角度一起作为角度调整时的修正参数,该修正参数为5个对应邻域点角度差的平均值,将式(中的te和ψt再减去该平均值。
7.根据权利要求6所述的智能指纹锁,其特征在于,坐标校准后得到的点集记为,A′=(A1′,A2′,……,Am′)、B′=(B1′,B2′,……Bn′)将A′中的每个点与B′中的每个点进行基于限界盒的一一匹配,建立M×N维的匹配度矩阵。
8.根据权利要求7所述的智能指纹锁,其特征在于,坐标校准后,进行中心点定位,中心点定位包括在预处理中基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,然后计算低通滤波后的sine分量,以图中颜色最深的点代表所示中心点。
9.根据权利要求8所述的智能指纹锁,其特征在于,基于指纹块方向图的灰度梯度,在邻域内将指纹块进行低通滤波,包括将指纹块X方向和Y方向的连续向量,然后对X方向和Y方向的连续向量进行低通滤波。
10.根据权利要求9所述的智能指纹锁,其特征在于,对X方向和Y方向的连续向量进行低通滤波,采用二维低通滤波器,其大小为W5@W5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610740823.7A CN106447839A (zh) | 2016-08-26 | 2016-08-26 | 智能指纹锁 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610740823.7A CN106447839A (zh) | 2016-08-26 | 2016-08-26 | 智能指纹锁 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447839A true CN106447839A (zh) | 2017-02-22 |
Family
ID=58182374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610740823.7A Pending CN106447839A (zh) | 2016-08-26 | 2016-08-26 | 智能指纹锁 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447839A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416262A (zh) * | 2018-01-25 | 2018-08-17 | 杭州电子科技大学 | 一种基于多特征值的指纹图像特征匹配算法 |
CN110718002A (zh) * | 2018-07-12 | 2020-01-21 | 河南森源重工有限公司 | 一种车辆车门解锁方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831847A (zh) * | 2006-03-28 | 2006-09-13 | 北京握奇数据系统有限公司 | 指纹特征快速匹配方法、装置及其应用 |
CN1983301A (zh) * | 2006-06-14 | 2007-06-20 | 北京握奇数据系统有限公司 | 两阶段混合指纹特征匹配方法、匹配装置及其应用 |
CN101276411A (zh) * | 2008-05-12 | 2008-10-01 | 北京理工大学 | 指纹识别方法 |
CN103530917A (zh) * | 2012-11-26 | 2014-01-22 | 业立全五金制品(深圳)有限公司 | 一种家用门禁装置及其的控制方法 |
CN104346552A (zh) * | 2013-08-08 | 2015-02-11 | 联想(北京)有限公司 | 一种信息处理的方法及一种电子设备 |
CN104658095A (zh) * | 2013-08-17 | 2015-05-27 | 慈溪市科创电子科技有限公司 | 一种门禁系统 |
CN105868698A (zh) * | 2016-03-25 | 2016-08-17 | 东华大学 | 一种基于Cortex-M3内核的嵌入式指纹识别系统 |
-
2016
- 2016-08-26 CN CN201610740823.7A patent/CN106447839A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831847A (zh) * | 2006-03-28 | 2006-09-13 | 北京握奇数据系统有限公司 | 指纹特征快速匹配方法、装置及其应用 |
CN1983301A (zh) * | 2006-06-14 | 2007-06-20 | 北京握奇数据系统有限公司 | 两阶段混合指纹特征匹配方法、匹配装置及其应用 |
CN101276411A (zh) * | 2008-05-12 | 2008-10-01 | 北京理工大学 | 指纹识别方法 |
CN103530917A (zh) * | 2012-11-26 | 2014-01-22 | 业立全五金制品(深圳)有限公司 | 一种家用门禁装置及其的控制方法 |
CN104346552A (zh) * | 2013-08-08 | 2015-02-11 | 联想(北京)有限公司 | 一种信息处理的方法及一种电子设备 |
CN104658095A (zh) * | 2013-08-17 | 2015-05-27 | 慈溪市科创电子科技有限公司 | 一种门禁系统 |
CN105868698A (zh) * | 2016-03-25 | 2016-08-17 | 东华大学 | 一种基于Cortex-M3内核的嵌入式指纹识别系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416262A (zh) * | 2018-01-25 | 2018-08-17 | 杭州电子科技大学 | 一种基于多特征值的指纹图像特征匹配算法 |
CN110718002A (zh) * | 2018-07-12 | 2020-01-21 | 河南森源重工有限公司 | 一种车辆车门解锁方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919941B (zh) | 一种三维手指静脉识别方法及系统 | |
EP3091479B1 (en) | Method and apparatus for fingerprint identification | |
CN102073843B (zh) | 非接触式快速人手多模态信息融合识别方法 | |
CN100498822C (zh) | 一种兼容不同指纹传感器图像信息的指纹识别方法 | |
CN100517370C (zh) | 基于双眼虹膜的身份识别方法 | |
CN102542258B (zh) | 基于手指生物特征信息的成像设备及多模态身份识别方法 | |
CN101055618A (zh) | 基于方向特征的掌纹识别方法 | |
CN102043961B (zh) | 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法 | |
CN102222216A (zh) | 基于手指纹络生物特征的身份识别系统 | |
US8908934B2 (en) | Fingerprint recognition for low computing power applications | |
CN104134208B (zh) | 利用几何结构特征从粗到精的红外与可见光图像配准方法 | |
CN107392082A (zh) | 一种基于深度学习的小面积指纹比对方法 | |
CN102629316B (zh) | 自动指纹识别技术中的图像增强方法 | |
CN103886283A (zh) | 用于移动用户的多生物特征图像信息融合方法及其应用 | |
CN106096569A (zh) | 一种手指静脉识别方法 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
CN107958443A (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN104217329A (zh) | 一种基于指纹安全认证的支付方法及系统 | |
CN103714323A (zh) | 指纹增强方法及指纹识别装置 | |
CN111914616A (zh) | 指静脉识别与防伪一体化方法、装置、存储介质和设备 | |
CN109815780A (zh) | 一种基于图像处理的高精度指纹识别方法及系统 | |
CN106447839A (zh) | 智能指纹锁 | |
CN106156739B (zh) | 一种基于脸部轮廓分析的证件照耳朵检测与提取方法 | |
CN105631285A (zh) | 一种生物特征身份识别方法及装置 |
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: 20170222 |