CN106951874B - 一种基于特征点及邻域特征匹配的掌纹认证方法 - Google Patents
一种基于特征点及邻域特征匹配的掌纹认证方法 Download PDFInfo
- Publication number
- CN106951874B CN106951874B CN201710183736.0A CN201710183736A CN106951874B CN 106951874 B CN106951874 B CN 106951874B CN 201710183736 A CN201710183736 A CN 201710183736A CN 106951874 B CN106951874 B CN 106951874B
- Authority
- CN
- China
- Prior art keywords
- sift feature
- point
- matching
- sample
- feature point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明以掌纹验证为应用背景,提出一种基于特征点和邻域特征匹配的掌纹认证方法,通过对注册样本和问询样本的SIFT特征点与其包含的邻域特征进行结合,提高特征点匹配的可靠性。同时进一步针对掌纹的非线性形变,将其分解为若干个局部线性变换,解决了现有方法在所采集掌纹存在形变时认证准确率下降的问题,提高掌纹认证的准确率。
Description
技术领域
本发明涉及掌纹认证领域,更具体地,涉及一种基于特征点及邻域特征匹配的掌纹认证方法。
背景技术
身份识别是加强信息和系统安全的基本手段之一,与传统的身份识别技术相比,生物特征识别技术具有方便、安全、可靠等优点。掌纹识别作为生物特征身份识别技术的一种,有许多独特的优势,包括准确率高、采集设备成本低廉、用户可接受性好等,具有广阔的应用前景。
随着生物特征识别技术在商业中的大规模应用,掌纹识别技术的研究也涌现出诸多方法,如基于掌纹结构的方法,基于相位编码的方法等。
基于掌纹结构的方法的主要思想是利用掌纹本身的脊线和褶皱的方向和位置信息作为特征,实现掌纹识别。这种方法思路比较直接,纹线等特征也较为稳定,但是提取与描述比较困难。
基于相位编码的方法利用了在掌纹图像中每个点的方向信息,多采用滤波处理,然后根据设计规则对滤波的结果进行编码。通常编码的结果用比特码表示,然后采用二进制计算进行匹配和验证。这种方法的特点是对噪声不敏感,鲁棒性强,匹配速度也很快。
但是上述方法难以解决的一个问题是在采集样本过程中发生的掌纹形变问题。通常,采集样本的过程中,或多或少都会产生一些误差,尤其是在非接触式采集设备的情况下,这样的误差会带来认证精度的下降。在传统方法中,主流的策略是采用偏移计算来减轻偏转和小幅度偏移的影响,通过将两幅对比的样本图像或编码在水平和竖直方向进行平移得到多个匹配距离,再取最佳匹配值为认证结果。这种方法的缺点是需要进行多次重复计算,而且效果有限。
发明内容
本发明为解决以上现有技术在矫正掌纹图像时需要进行多次重复计算的缺陷,提供了一种基于特征点及邻域特征匹配的掌纹认证方法。
为实现以上发明目的,采用的技术方案是:
一种基于特征点及邻域特征匹配的掌纹认证方法,包括以下步骤:
S1.对于问询样本I2和注册样本I1,分别使用尺度不变特征变换方法对其进行尺度不变特征变换SIFT特征点的检测;
S2.得到问询样本I2和注册样本I1的SIFT特征点后,将问询样本I2的SIFT特征点与注册样本I1的SIFT特征点进行SIFT特征点对的匹配,得到若干对SIFT特征点对,并将其存储在匹配点集合S中;
S3.对于匹配点集合S中的每对SIFT特征点对,通过步骤S31~S331的方法分别计算其包括的两个SIFT特征点的邻域特征:
S31.设其中任一SIFT特征点为X,遍历其周围的SIFT特征点,选取与SIFT特征点X欧氏距离最近的n个SIFT特征点作为近邻点;其中n为正整数;
S32.以欧氏距离最近的SIFT特征点为起点,按照顺时针方向排列这n个近邻点;
S33.基于排列好的n个近邻点依次提取其几何特征描述,如步骤S331所示:
S331.设当前近邻点为A,顺时针顺序的下一个近邻点为B,提取当前近邻点A的以下几何特征描述:
S34.经过步骤S33后得到n组几何特征描述,在所述n组几何特征描述中,每组几何特征描述使用三元组ri=(R1,R2,R3)表示,i=1,2,…,n,则SIFT特征点X的邻域特征以3n维几何特征描述向量进行表示;
S4.对于每对SIFT特征点对,计算得到SIFT特征点对的两个SIFT特征点的邻域特征后,计算两个SIFT特征点的基于邻域特征的距离:
其中Rij1和Rij2分别表示两个SIFT特征点的第i个近邻点的第j个几何特征描述;
S5.当R<t时,在匹配点集合S中保留该SIFT特征点对,否则在匹配点集合S中删除这对SIFT特征点对,其中t为设定的阈值;
S6.计算匹配点集合S中每对SIFT特征点对的相对偏角;
S7.对于匹配点集合S中的任意两对SIFT特征点对,它们的距离Q定义为:
其中Δθa与Δθb分别表示两对SIFT特征点对的相对偏角;
若Q<τ即Q小于设定的阈值,则认为这两对SIFT特征点对属于同一线性变换模型;
S8.基于步骤S7将匹配点集合S划分为M个集合S1,S2,...,SM;
S11.将注册样本I1和问询图像I'm2划分成n×n个方块单元格;
S12.将包含有SIFT特征点的单元格作为种子单元格,然后将注册样本I1和问询图像I'm2中的种子单元格分别添加进像素区域集合Rm和R'm;
S13.将注册样本I1和问询图像I'm2中的种子单元格的8邻域单元格分别添加进像素区域集合Rm和R'm中;
S14.对像素区域集合Rm和R'm进行以单元格为单位的膨胀和腐蚀的操作,直至Rm和R'm形成完整的封闭区域,得到一组对应的匹配区域;
S15.对M个集合分别进行步骤S9~S14的处理,共得到M组对应的匹配区域;
S16.对M组对应的匹配区域进行像素级的特征提取,然后基于提取的特征分别计算每组对应的匹配区域之间的距离;进一步统计M组对应的匹配区域之间的距离之和;
S17.判断距离之和是否小于所设定的阈值,若是则认定问询样本I2和注册样本I1匹配,否则则认定问询样本I2和注册样本I1不匹配。
优选地,所述步骤S6计算相对偏角的具体过程如下:
设一对SIFT特征点对分别表示为s1、s2,分别计算其与对应的欧氏距离最近的近邻点连线和水平方向形成的夹角θ1,θ2,则相对偏角表示为Δθ=θ1-θ2。
优选地,所述步骤S10对问询样本I2进行矫正的具体过程如下:
优选地,所述步骤S16统计M组对应的匹配区域之间的距离之和的具体过程如下:
其中Dis(·,·)表示两个特征向量之间的距离函数,F(·)表示特征提取操作。
与现有技术相比,本发明的有益效果是:
①基于特征点和邻域特征对样本进行精细的匹配和矫正,能够有效解决掌纹采集过程中产生的非线性形变对匹配带来的影响。
②实现两幅掌纹样本基于区域块的精准匹配,避免大部分现有方法对样本进行多个方向和角度的像素偏移匹配带来的大量重复计算。
③本发明提出的掌纹区域匹配方法,能与现有基于像素级特征的掌纹匹配方法结合,提升其性能。
附图说明
图1为相对方向的示意图。
图2为方法的流程示意图。
图3为图像矫正的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1、2、3所示,本发明提供的方法包括以下步骤:
S1.对于问询样本I2和注册样本I1,分别使用尺度不变特征变换方法对其进行尺度不变特征变换SIFT特征点的检测;
S2.得到问询样本I2和注册样本I1的SIFT特征点后,将问询样本I2的SIFT特征点与注册样本I1的SIFT特征点进行SIFT特征点对的匹配,得到若干对SIFT特征点对,并将其存储在匹配点集合S中;
S3.对于匹配点集合S中的每对SIFT特征点对,通过步骤S31~S331的方法分别计算其包括的两个SIFT特征点的邻域特征:
S31.设其中任一SIFT特征点为X,遍历其周围的SIFT特征点,选取与SIFT特征点X欧氏距离最近的n个SIFT特征点作为近邻点;其中n为正整数;
S32.以欧氏距离最近的SIFT特征点为起点,按照顺时针方向排列这n个近邻点;
S33.基于排列好的n个近邻点依次提取其几何特征描述,如步骤S331所示:
S331.设当前近邻点为A,顺时针顺序的下一个近邻点为B,提取当前近邻点A的以下几何特征描述:
S34.经过步骤S33后得到n组几何特征描述,在所述n组几何特征描述中,每组几何特征描述使用三元组ri=(R1,R2,R3)表示,i=1,2,…,n,则SIFT特征点X的邻域特征以3n维几何特征描述向量进行表示;
S4.对于每对SIFT特征点对,计算得到SIFT特征点对的两个SIFT特征点的邻域特征后,计算两个SIFT特征点的基于邻域特征的距离:
其中Rij1和Rij2分别表示两个SIFT特征点的第i个近邻点的第j个几何特征描述;
S5.当R<t时,在匹配点集合S中保留该SIFT特征点对,否则在匹配点集合S中删除这对SIFT特征点对,其中t为设定的阈值;
S6.计算匹配点集合S中每对SIFT特征点对的相对偏角;
S7.对于匹配点集合S中的任意两对SIFT特征点对,它们的距离Q定义为:
其中Δθa与Δθb分别表示两对SIFT特征点对的相对偏角;
若Q<τ即Q小于设定的阈值,则认为这两对SIFT特征点对属于同一线性变换模型;
S8.基于步骤S7将匹配点集合S划分为M个集合S1,S2,...,SM;
S11.将注册样本I1和问询图像I'm2划分成n×n个方块单元格;
S12.将包含有SIFT特征点的单元格作为种子单元格,然后将注册样本I1和问询图像I'm2中的种子单元格分别添加进像素区域集合Rm和R'm;
S13.将注册样本I1和问询图像I'm2中的种子单元格的8邻域单元格分别添加进像素区域集合Rm和R'm中;
S14.对像素区域集合Rm和R'm进行以单元格为单位的膨胀和腐蚀的操作,直至Rm和R'm形成完整的封闭区域,得到一组对应的匹配区域;
S15.对M个集合分别进行步骤S9~S14的处理,共得到M组对应的匹配区域;
S16.对M组对应的匹配区域进行像素级的特征提取,然后基于提取的特征分别计算每组对应的匹配区域之间的距离;进一步统计M组对应的匹配区域之间的距离之和;
S17.判断距离之和是否小于所设定的阈值,若是则认定问询样本I2和注册样本I1匹配,否则则认定问询样本I2和注册样本I1不匹配。
在具体的实施过程中,所述步骤S6计算相对偏角的具体过程如下:
设一对SIFT特征点对分别表示为s1、s2,分别计算其与对应的欧氏距离最近的近邻点连线和水平方向形成的夹角θ1,θ2,则相对偏角表示为Δθ=θ1-θ2。
在具体的实施过程中,所述步骤S10对问询样本I2进行矫正的具体过程如下:
在具体的实施过程中,所述步骤S16统计M组对应的匹配区域之间的距离之和的具体过程如下:
其中Dis(·,·)表示两个特征向量之间的距离函数,F(·)表示特征提取操作。
实施例2
本发明针对的是采集过程中产生的手掌轻微形变问题,为验证方法的有效性,本实施例选用非接触式采集的掌纹样本进行实验。IITD是公开的采用非接触式采集的数据集,其中较多样本存在形变。
IITD数据集中,有230个人的左右手掌,共460个类别的手掌,每类有5-8张样本。其中有一个掌纹类别重复,因此实际总共459个掌纹类别,共2596张样本。每个类别分别取一张作为训练的模板样本,剩下的作为测试样本,进行认证测试。
表1和表2记录了在IITD数据集上的测试结果,对比了分别仅采用Comp Code或者OLOF和采用本发明的方法结合Comp Code或OLOF的认证结果。实验以等误率EER作为评估标准。
表1本发明的方法结合Comp Code在IITD数据集上的结果比较
方法 | EER(%) |
Comp Code | 4.536 |
本发明方法+Comp Code | 1.872 |
表2本发明的方法结合OLOF在IITD数据集上的结果比较
方法 | EER(%) |
OLOF | 4.215 |
本发明方法+OLOF | 1.624 |
由此可见,本发明的方法比单纯只采用像素级特征的方法能显著提升掌纹匹配效果。结合Comp Code和OLOF特征,EER分别从4.536%和4.215%下降到1.872%和1.624%,降幅为58.64%和61.4%。
掌纹认证需要满足实时性的需求,如果计算速度过慢将不能满足实用需求,因此进一步对实际运行时间进行了测试。实验采用配置Intel i7-3770@3.4GHz CPU,16GB内存以及Matlab R2015a的PC。测试分为类内和类间样本匹配测试。在类间比对时,由于满足匹配条件的特征点对非常少,所以后续步骤消耗的时间几乎可以忽略。表3记录了本发明所提方法每步的平均运行时间,单位为毫秒(ms)。从实验结果来看,能够满足实时性的需求。
表3每步平均运算时间统计(ms)
操作 | 类内测试 | 类间测试 |
预处理 | 20 | 20 |
SIFT特征提取 | 461 | 461 |
SIFT特征匹配 | 80 | 80 |
邻域特征建立及匹配 | 242 | 30 |
矫正 | 75 | 6 |
区域扩展+像素级特征提取 | 160 | 2 |
总共耗时 | 938 | 599 |
从实验结果可以看到,本发明所实现的方法能有效提高存在非线性形变掌纹的匹配可靠性,同时也能满足实时性的需求。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于特征点及邻域特征匹配的掌纹认证方法,其特征在于:包括以下步骤:
S1.对于问询样本I2和注册样本I1,分别使用尺度不变特征变换方法对其进行尺度不变特征变换SIFT特征点的检测;
S2.得到问询样本I2和注册样本I1的SIFT特征点后,将问询样本I2的SIFT特征点与注册样本I1的SIFT特征点进行SIFT特征点对的匹配,得到若干对SIFT特征点对,并将其存储在匹配点集合S中;
S3.对于匹配点集合S中的每对SIFT特征点对,通过步骤S31~S331的方法分别计算其包括的两个SIFT特征点的邻域特征:
S31.设其中任一SIFT特征点为X,遍历其周围的SIFT特征点,选取与SIFT特征点X欧氏距离最近的n个SIFT特征点作为近邻点;其中n为正整数;
S32.以欧氏距离最近的SIFT特征点为起点,按照顺时针方向排列这n个近邻点;
S33.基于排列好的n个近邻点依次提取其几何特征描述,如步骤S331所示:
S331.设当前近邻点为A,顺时针顺序的下一个近邻点为B,提取当前近邻点A的以下几何特征描述:
S34.经过步骤S33后得到n组几何特征描述,在所述n组几何特征描述中,每组几何特征描述使用三元组ri=(R1,R2,R3)表示,i=1,2,…,n,则SIFT特征点X的邻域特征以3n维几何特征描述向量进行表示;
S4.对于每对SIFT特征点对,计算得到SIFT特征点对的两个SIFT特征点的邻域特征后,计算两个SIFT特征点的基于邻域特征的距离:
其中Rij1和Rij2分别表示两个SIFT特征点的第i个近邻点的第j个几何特征描述;
S5.当R<t时,在匹配点集合S中保留该SIFT特征点对,否则在匹配点集合S中删除这对SIFT特征点对,其中t为设定的阈值;
S6.计算匹配点集合S中每对SIFT特征点对的相对偏角;
S7.对于匹配点集合S中的任意两对SIFT特征点对,它们的距离Q定义为:
其中Δθa与Δθb分别表示两对SIFT特征点对的相对偏角;
若Q<τ即Q小于设定的阈值,则认为这两对SIFT特征点对属于同一线性变换模型;
S8.基于步骤S7将匹配点集合S划分为M个集合S1,S2,...,SM;
S11.将注册样本I1和问询图像I'm2划分成n×n个方块单元格;
S12.将包含有SIFT特征点的单元格作为种子单元格,然后将注册样本I1和问询图像I'm2中的种子单元格分别添加进像素区域集合Rm和R'm;
S13.将注册样本I1和问询图像I'm2中的种子单元格的8邻域单元格分别添加进像素区域集合Rm和R'm中;
S14.对像素区域集合Rm和R'm进行以单元格为单位的膨胀和腐蚀的操作,直至Rm和R'm形成完整的封闭区域,得到一组对应的匹配区域;
S15.对M个集合分别进行步骤S9~S14的处理,共得到M组对应的匹配区域;
S16.对M组对应的匹配区域进行像素级的特征提取,然后基于提取的特征分别计算每组对应的匹配区域之间的距离;进一步统计M组对应的匹配区域之间的距离之和;
S17.判断距离之和是否小于所设定的阈值,若是则认定问询样本I2和注册样本I1匹配,否则则认定问询样本I2和注册样本I1不匹配。
2.根据权利要求1所述的基于特征点及邻域特征匹配的掌纹认证方法,其特征在于:所述步骤S6计算相对偏角的具体过程如下:
设一对SIFT特征点对分别表示为s1、s2,分别计算其与对应的欧氏距离最近的近邻点连线和水平方向形成的夹角θ1,θ2,则相对偏角表示为Δθ=θ1-θ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710183736.0A CN106951874B (zh) | 2017-03-24 | 2017-03-24 | 一种基于特征点及邻域特征匹配的掌纹认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710183736.0A CN106951874B (zh) | 2017-03-24 | 2017-03-24 | 一种基于特征点及邻域特征匹配的掌纹认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951874A CN106951874A (zh) | 2017-07-14 |
CN106951874B true CN106951874B (zh) | 2020-03-13 |
Family
ID=59472212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710183736.0A Active CN106951874B (zh) | 2017-03-24 | 2017-03-24 | 一种基于特征点及邻域特征匹配的掌纹认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951874B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793705A (zh) * | 2014-03-11 | 2014-05-14 | 哈尔滨工业大学 | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 |
CN105046205A (zh) * | 2015-06-24 | 2015-11-11 | 西安理工大学 | 一种基于局部和全局特征融合的掌纹识别方法 |
CN105701473A (zh) * | 2016-01-15 | 2016-06-22 | 深圳市未来媒体技术研究院 | 一种掌纹图像细节点特征匹配的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI434220B (zh) * | 2010-09-03 | 2014-04-11 | Univ Nat Taiwan Science Tech | 利用手掌靜脈之生物特徵辨識使用者之方法 |
-
2017
- 2017-03-24 CN CN201710183736.0A patent/CN106951874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793705A (zh) * | 2014-03-11 | 2014-05-14 | 哈尔滨工业大学 | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 |
CN105046205A (zh) * | 2015-06-24 | 2015-11-11 | 西安理工大学 | 一种基于局部和全局特征融合的掌纹识别方法 |
CN105701473A (zh) * | 2016-01-15 | 2016-06-22 | 深圳市未来媒体技术研究院 | 一种掌纹图像细节点特征匹配的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106951874A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paulino et al. | Latent fingerprint matching using descriptor-based hough transform | |
Si et al. | Dense registration of fingerprints | |
CN104050681B (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN102880877A (zh) | 一种基于轮廓特征的目标识别方法 | |
CN107122712B (zh) | 基于cnn和双向vlad的掌纹图像识别方法 | |
CN104239856B (zh) | 基于Gabor特征和自适应线性回归的人脸识别方法 | |
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
Dabouei et al. | Fingerprint distortion rectification using deep convolutional neural networks | |
Gago-Alonso et al. | Indexing and retrieving in fingerprint databases under structural distortions | |
CN103927532B (zh) | 基于笔画特征的笔迹配准方法 | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN101777128A (zh) | 一种融入全局信息的指纹细节点匹配方法及系统 | |
US20150347804A1 (en) | Method and system for estimating fingerprint pose | |
CN107832704B (zh) | 一种使用基于图像场的非刚性配准的指纹识别方法 | |
Zuo et al. | On accurate orientation extraction and appropriate distance measure for low-resolution palmprint recognition | |
CN102831418B (zh) | 手写体汉字倾斜矫正方法及装置 | |
Zhou et al. | Fingerprint indexing based on combination of novel minutiae triplet features | |
CN103345621B (zh) | 一种基于稀疏浓度指数的人脸分类方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN104732529A (zh) | 一种遥感图像形状特征配准方法 | |
CN106022348A (zh) | 一种基于特定点方向场与指纹投影的指纹检索方法 | |
CN102819754A (zh) | 一种基于Sigmoid扩展的指纹分数融合系统及方法 | |
CN106951874B (zh) | 一种基于特征点及邻域特征匹配的掌纹认证方法 | |
CN102289679B (zh) | 一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法 | |
Khongkraphan | An Efficient Fingerprint Matching by Multiple Reference Points. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
OL01 | Intention to license declared |