CN107092874A - 基于心电和指纹融合特征的身份识别方法、装置及系统 - Google Patents
基于心电和指纹融合特征的身份识别方法、装置及系统 Download PDFInfo
- Publication number
- CN107092874A CN107092874A CN201710228120.0A CN201710228120A CN107092874A CN 107092874 A CN107092874 A CN 107092874A CN 201710228120 A CN201710228120 A CN 201710228120A CN 107092874 A CN107092874 A CN 107092874A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- value
- characteristic
- fusion feature
- characteristic 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
Abstract
本发明是关于一种基于心电和指纹融合特征的身份识别方法、装置及系统,通过从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;对所述融合特征向量进行降维,得到融合特征矩阵;根据所述融合特征矩阵,聚类计算得到身份识别结果。本发明通过融合算法融合了心电信号和指纹信号的特征,能够结合心电信号的生物特征不可复制的优点以及指纹信号的个体唯一性、准确性的优点,提高识别精度。而且融合算法复杂度较低,保证了整个系统运转的高效性,降低实现成本。
Description
技术领域
本发明属于身份识别技术领域,尤其涉及一种基于心电和指纹融合特征的身份识别方法、装置及系统。
背景技术
近年来,传统的钥匙,密码等身份识别方式暴露出越来越明显的缺陷,难以满足人们的需要,各种信息安全保护措施层出不穷,而不法分子们利用技术手段窃取信息,危害信息安全的犯罪行为日益猖獗。因此找到可靠性更高的身份识别方法,提高信息的安全性,是当前身份识别领域研究的重点。
目前生物生理特征识别技术的应用日益成熟,作为识别标志的生物生理特征通常具备“人各有异”、“终生不变”、“方便携带”这几种特性。可以用作身份识别的生物生理特征信号主要包括指纹、掌纹、静脉、脸型、虹膜、耳郭以及DNA等,其中,指纹验证身份广泛应用于公司打卡签到,手机解锁等日常生活中息息相关的方面。由于生物生理特征识别技术的普适性、唯一性、易采集性等优点,使得它的信息安全系数比传统的身份识别方法有了质的飞跃,代表了未来身份识别方法的前进方向。
然而,发明人通过研究发现生物生理特征识别技术也暴露出了一些缺点,比如指纹容易被窃取伪造,从而制造硅胶假指纹,危害信息安全,而虹膜、基因识别技术存在成本过高,识别时间长等问题,难以广泛应用。因此如何在控制成本低、识别精度高的身份识别方法以保障用户信息安全是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例中提供了一种基于心电和指纹融合特征的身份识别方法、装置及系统,以解决现有技术中的身份识别精度低、成本高的技术问题。
为了解决上述技术问题,本发明实施例发明了如下技术方案:
根据本发明的第一方面,本发明实施例提供了一种基于心电和指纹融合特征的身份识别方法,该方法包括:
从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;
将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;
对所述融合特征向量进行降维,得到融合特征矩阵;
根据所述融合特征矩阵,聚类计算得到身份识别结果。
可选地,所述从心电采集器采集得到的心电信号中获取心电特征值,包括:
将心电采集器采集得到的心电信号分为多个特征段,所述多个特征段分别包括相同周期数、且连续周期的特征值,其中所述特征值包括Q波峰值、R波峰值、S波峰值、QR间距、RS间距以及RR间距;
分别计算每个特征段的特征均值,所述特征均值包括Q波峰均值、R波峰均值、S波峰均值、QR间距均值、RS间距均值和RR间距均值;
根据所述特征均值和特征值,计算每个特征值段的特征差;
选择特征差最小的特值段所对应的特征值作为心电特征值。
可选地,所述从指纹采集器采集得到的指纹图像中获取指纹特征值,包括:
将指纹采集器采集得到的指纹图像分为多个特征块,所述多个特征块分别包括多个端点和叉点;
计算每个特征块的端点个数和叉点个数;
选择端点个数和叉点个数均超过个数阈值的特征块,并根据所选择特征块的端点和叉点得到所述指纹特征值。
可选地,所述心电特征值的个数小于指纹特征值的个数。
可选地,该方法还包括:
根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果;
当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数;
当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
可选地,所述将所述心电特征值和所述指纹特征值均进行归一化,包括:
以指纹特征值和心电特征值中的任意一种为基准,对另外一种特征值进行幅值统一;
根据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
根据本发明的第二方面,本发明实施例提供了一种基于心电和指纹融合特征的身份识别装置,该装置包括:
获取模块,用于从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;
归一化模块,用于将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量。
降维模块,用于对所述融合特征向量进行降维,得到融合特征矩阵。
聚类计算模块,用于根据所述融合特征矩阵,聚类计算得到身份识别结果。
可选地,该装置还包括:
动态调整模块,用于根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果;当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数;当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
可选地,所述归一化模块,用于以指纹特征值和心电特征值中的任意一种为基准,对另外一种特征值进行幅值统一;根据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
根据本发明的第三方面,本发明实施例提供了一种基于心电和指纹融合特征的身份识别系统,该系统包括心电采集器、指纹采集器、以及如权利要求7至9任一所述的身份识别装置,其中,所述心电采集器和所述指纹采集器均与所述身份识别装置相连接;所述心电采集器,用于采集心电信号;所述指纹采集器,用于采集指纹图像。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的一种基于心电和指纹融合特征的身份识别方法、装置及系统,通过从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;对所述融合特征向量进行降维,得到融合特征矩阵;根据所述融合特征矩阵,聚类计算得到身份识别结果。本发明是多生物模态融合中心电信号和指纹信号相结合的方法,提取了心电信号与指纹信号的部分特征,利用特征级的融合算法融合了心电信号和指纹信号的特征,能够结合心电信号的生物特征不可复制的优点以及指纹信号的个体唯一性、准确性的优点,克服硅胶假指纹等造假方法带来的信息安全隐患,提高识别精度。在指纹信号与心电信号成熟快捷的算法基础上,所使用的融合算法复杂度较低,保证了整个系统运转的高效性,降低实现成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明实施例提供的一种基于心电和指纹融合特征的身份识别方法的流程示意图;
图2为一种标准心电信号的波形示意图;
图3为本发明实施例提供的采集得到的心电信号的波形示意图;
图4为本发明实施例提供的降噪后的心电信号的波形示意图;
图5为本发明实施例提供的一种心电特征值获取方法的流程示意图;
图6为本发明实施例提供的一种像素模板的示意图;
图7为本发明实施例提供的一种清除模板的示意图;
图8为本发明实施例提供的一种指纹特征值获取方法的流程示意图;
图9为本发明实施例提供的一种动态调整方法的流程示意图;
图10为本发明实施例提供的一种归一化方法的流程示意图;
图11为本发明实施例提供的一种识别结果的示意图;
图12为本发明实施例提供的一种基于心电和指纹融合特征的身份识别装置的结构示意图;
图13为本发明实施例提供的一种基于心电和指纹融合特征的身份识别系统的结构示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
参见图1,为本发明实施例提供的一种基于心电和指纹融合特征的身份识别方法的流程示意图,如图1所示,该方法包括以下步骤:
步骤S101:从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值。
心电信号属于人体内源性信号,由人的心脏发出传递至身体各个部位,被广泛运用于心脏疾病的诊断和治疗。在本发明实施例中,通过心电采集器采集用户的心电信号,该心电采集器自带基础放大电路和滤波电路,精确度高,采集目标静止即可以在指尖采集到清晰、稳定、噪声小的ECG信号,对后续ECG降噪、处理、特征提取提供了极大便利,还具有使用方便,稳定性强,可靠性高的优点。
参见图2,为一种标准心电信号的波形示意图,如图2所示在降噪过程结束之后,得到较为标准的心电信号,并从中提取心电信号的特征点和特征值。在图2中,心电信号特征明显的部分为三个波段:P波段,QRS波段,T波段。其中,P波段和T波段的波形平坦,特征不明显,难以进行特征提取。而QRS波段特征明显,包含信息量充足,易于提取特征点进行身份识别。特征提取过程中最为重要的是波形最为突出的R波,R波的定位对于整个特征提取过程有着重要的意义。定位到R波以后,可以在前后分别定位到Q波和S波,由此可以提取到R波间的间隔、振幅、QRS波形面积、斜率等重要的特征点。
如图3所示,为本发明实施例提供的采集得到的心电信号的波形示意图,该心电信号具有较多波形噪声,波形噪声主要是由频率为50Hz的工频噪声和基线漂移效果造成,所以在本发明实施例中使用频率为50Hz的工频滤波器除去波形中的工频噪声,使用高通滤波器消除基线漂移效果对波形产生的影响,并使用小波变换对心电信号图像做出图像改善,得到图4所示的降噪后的心电信号。
参见图4,为本发明实施例提供的降噪后的心电信号的波形示意图,心电信号降噪后,有较明显的数学特征,因为R波特征明显易于定位,可以通过设定阈值的方式鉴别R波,本发明实施例中可以设定最大值和最小值之差的30%为阈值,特征值高于阈值的波形将被识别为R波。由于个别心电信号的Q波和S波峰值会高于阈值,所以在200个X轴单位中只取最大值为R波信号,其他的都清除,这样就能准确定位到R波。定位到R波后,根据Q波、S波分别处于R波前后极小值的明显特征,很容易就可以定位出Q波和S波,并提取出Q波峰值、R波峰值、S波峰值、QR间隔、RS间隔、RR间隔六种重要的特征值。
为了剔除干扰,提高心电特征值的质量,从而进一步提高身份识别效率,参见图5,为本发明实施例提供的一种心电特征值获取方法的流程示意图,如图5所示,该方法包括:
步骤S1011:将心电采集器采集得到的心电信号分为多个特征段,所述多个特征段分别包括相同周期数、且连续周期的特征值,其中所述特征值包括Q波峰值、R波峰值、S波峰值、QR间距、RS间距以及RR间距。
在一示例性实施例中,可以将上述心电信号分为多个特征段,每个特征段中包括4个连续周期的特征值,其中,所述特征值包括Q波峰值、R波峰值、S波峰值、QR间距、RS间距以及RR间距。具体地,在本发明实施例中,上述特征段可以包括4个Q波峰值、4个R波峰值、4个S波峰值、4个QR间距、4个RS间距以及4个RR间距。
步骤S1012:分别计算每个特征段的特征均值,所述特征均值包括Q波峰均值、R波峰均值、S波峰均值、QR间距均值、RS间距均值和RR间距均值。
根据步骤S1011的结果,对于每个特征段,计算每个特征值的特征均值。例如,对于Q波峰均值,可以通过计算4个Q波峰值的算术平均值得到;同样,按照相同的方式,可以计算得到R波峰均值、S波峰均值、QR间距均值、RS间距均值和RR间距均值,在此不再赘述。
步骤S1013:根据所述特征均值和特征值,计算每个特征值段的特征差。
对于Q波峰均值和Q波峰值,4个Q波峰值分别计算与Q波峰均值的差值,或者还可以进一步将差值除以Q波峰均值,得到每个Q波峰值相对于Q波峰均值的差值率;同样对于R波峰值和R波峰均值、S波峰值和S波峰均值、QR间距和QR间距均值、RS间距和RS间距均值,以及RR间距和RR间距均值,按照上述方式得到相应的差值或者差值率。累加所有的差值或者差值率,得到每个特征段的特征差,并将所述特征差作为该特征段数据一致性的表征。
步骤S1014:选择特征差最小的特值段所对应的特征值作为心电特征值。
从多个特准段中,选择出特征差最小的特征段,并将该特征段中的所有的Q波峰值、R波峰值、S波峰值、QR间隔、RS间隔、RR间隔作为心电特征值。
为了进行指纹图像的采集,在本发明实施中,使用指纹采集器采集目标的指纹图像,经过采集后的指纹信号的预处理操作包括降低环境干扰、滤除工频噪声、Gabor滤波增强、修复断点、二值化、细化等过程。原始指纹图像时常会存在图像模糊、脊线断裂、噪声干扰等问题,需要进行降噪滤波和图像增强的处理以改善图像质量。由于指纹信号的特征仅包含在纹路的结构形状方向等特征中,因此要对指纹信号完成二值化和细化处理,把粗细不同、时断时续的脊线变成单像素宽、灰度相同的单脊线。经过预处理的指纹信号清晰度较高、脊线纹理明显、特征点易辨认,便于进行下一步特征提取。
指纹的特征主要分为两类:(1)全局特征:描述指纹信号的整体纹路特征,主要分为:弓型、箕型、螺旋型等。(2)局部特征:也称为细节特征,主要包含:以端点、叉点为主的各种特征点。局部特征中包含的信息量充足且便于提取,所以主要研究特征点的提取。
提取特征点后,可以将特征点的数量、类型、坐标,特征点之间的距离、方向、脊线数等作为特征值,与数据库中的特征值进行比对,从而进行身份的识别。
而且,由于指纹图像内部往往会出现噪声,也经常出现指纹的断点等问题,使特征点提取时出现误判。为了改善指纹图像,Gabor函数能够根据指纹脊线的方向特征进行断点的修复,并且还能够滤除多余的噪声。本发明实施例运用的Gabor滤波器是通过各种复杂的复数正弦函数计算而成的高斯函数,拥有很好的方向选择性质和带通滤波性质。它具有两个明显的优势:第一个优势是在空域与频域内都可以同时取得最佳的分辨率;第二个优势是Gabor滤波器的函数模型和包括人在内的大多数哺乳动物的视觉感受模型非常相近。所以可以用Gabor滤波器对指纹信号采取增强处理,可以获得纹路清晰、光滑无断点的指纹信号图形。
下面详细介绍本发明实施例采用的Gabor滤波器算法,该算法的基本内容是采用最小二乘法公式获取均衡频率,得到的这个频率即为相距每个点的频率最为接近的量,接下来我们就要使用刚才获得的频率进行指纹信号的增强处理。
首先,把指纹图像分割成16*16的子块;把子块内部的点(i,j)作为中点,把这个点的指纹纹路的指向当作短轴,做出32*16的矩形区域,带入以下的公式进行运算,得到灰度离散信号X(k),该信号与局部特征的指向有垂直的关系。
上述公式中U与v的取值是矩形框内与w同向的线段上的点(d,k)转换至指纹信号参考系中后的坐标,转换后将该坐标代入公式中进行运算,而G(u,v)则是代表着点(u,v)处的灰度值。而X(k)的值则是由这条线段上每一个点的灰度值取均值后成为矩形框α方向的每一个点的灰度值。X(k)近似于一个二维三角函数信号,我们通过运算信号极大点的均值A0来得到三角函数信号的频率,我们得到的频率也就是这个子块的纹路频率f0。求各个局部块的频率f1,f2,...,fn。设需要通过公式求得的滤波频率为f,代入方程(f-f1)2+(f-f2)2+...+(f-fn)2=0中,求得f的值,得到的这个值即为我们所要得到的频率。
使用Gabor滤波器进行指纹图像处理,可以明显看出,增强后指纹的线性区域明显增强,背景清晰无模糊,边缘更为平滑,能够更加便于后期进行指纹特征的提取工作,指纹的性能有了较大的提升。
在指纹图像进行完上一步操作后,接下来进行的二值化处理可以使用分块阈值算法。本发明实施例把指纹图像分割为8*8总计64个子块,在其范围取所有点灰度的均值。w为每一个子块的宽度,T为块的灰度平均值。
在细化过程中,使用改善后的OPTA算法把模板和算法均进行化简。参见图6,为本发明实施例提供的一种像素模板的示意图,同时参见图7,为本发明实施例提供的清除模板的示意图。首先从图像的第一个点为起点进行处理,例如图6中的p5点,每一个点均要获得如图所示的周围4*4范围内所有的点;然后用其中的8点邻域像素与8个清除模板开始对比,假如邻域像素和所有的8个清除模板全部不相符,那么p5点就保存下来;如果不相符的话,就把这个点再与6个保存模板开始比对,当这个点和当中的某个模板相符的时候,就把这个点保存下来,如果不相符的话,就把这个点删掉;将所有的点都代入进行上面所介绍的操作,如果还有像素的值被改变,就继续循环直到没有像素的值被改变,细化操作就到此为止了。在细化算法运算后,指纹信号的宽度都变为单像素。这样不但保留了指纹信号的有用特征,还方便下一步进行特征提取。
在完成了指纹信号的增强后,接下来就要进行指纹信号的特征点提取。所述特征点包括端点、叉点、中心点和三角点中的任意一种或多种的组合。例如在一示例性实施例中,可以从上述特征点中选择具有代表性且易于识别的端点和叉点。
指纹纹路的端点是脊线两端的起点或终点,叉点是两条脊线的交汇处,端点和叉点的提取原理比较相似,算法简单且准确程度较高;中心点和三角点的定位都需要使用Poincare算法,通过Poincare算法得到索引值是检查奇异点最常用最简单的方法。端点和叉点邻域特征明显,可以很方便地使用Matlab进行提取,满足或旋转后满足邻域条件的点可以作为特征点提取出来。
判断一个点是否为端点的依据是,当一个像素点的附近8个像素点中全部邻近点的灰度值之差的和为255*2,那么这个点是端点。判断一个点是否为叉点的依据是,当一个像素点的附近8个像素点中全部邻近点的灰度值之差的和为255*6,那么这个点是叉点。
为了剔除干扰,提高指纹特征值的质量,从而进一步提高身份识别效率,参见图8,为本发明实施例提供的一种指纹特征值获取方法的流程示意图,如图8所示,该方法包括:
步骤S1015:将指纹采集器采集得到的指纹图像分为多个特征块,所述多个特征块分别包括多个端点和叉点。
在一示例性实施例中,可以将指纹图像分为多个特征块,例如可以等分为8个特征块,或者不均匀地分为6个特征块等。每个特征块均包括多个端点和叉点。
步骤S1016:计算每个特征块的端点个数和叉点个数。
根据步骤S1015中的特征块,计算每个特征块中端点个数和叉点个数。例如第一特征块的端点个数为10,叉点个数为12;第二特征块的端点个数为15,叉点个数为20等。
步骤S1017:选择端点个数和叉点个数均超过个数阈值的特征块,并根据所选择特征块的端点和叉点得到所述指纹特征值。
在具体实施时,对于端点和叉点,可以设置不同的个数阈值,例如设置端点的个数阈值为12,叉点的个数阈值为15等;同样,对于端点和叉点,也可以设置相同的个数阈值,例如设置端点和叉点的个数阈值均为13等。在上述示例性实施例中,由于第二特征块的端点个数大于相应的端点个数阈值,且叉点个数大于相应的叉点个数阈值,因此选择第二特征块中的端点和叉点构建所述指纹特征值。具体的构建过程可以为将每个端点和叉点根据数学映射关系构建相应的特征数据,从而将所有端点和叉点的特征数据表示为所述指纹特征值,在此不再赘述。
另外,在本发明实施例中,有指纹特征可能需要大量的特征值进行表征,心电特征需要较少的特征值进行表征,所述心电特征值的个数小于指纹特征值的个数,例如所述心电特征值的个数为24个,所述指纹特征值的个数为160个等。
为了进一步优化心电特征值和指纹特征值的组合,平衡身份识别计算的精度和效率,本发明实施例还提供了对心电特征值和指纹特征值动态调整的方法,参见图9,为本发明实施例提供的一种动态调整方法的流程示意图,该方法包括:
步骤S201:根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果。
单独使用心电特征值,通过聚类算法,可以得到第一参考识别结果。同样,单独使用指纹特征值,通过指纹的识别算法,可以得到第二参考识别结果。其中,上述聚类算法以及指纹的识别算法,在本发明实施例中不做赘述。
步骤S202:当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数。
如果第一参考识别结果为匹配,而第二参考识别结果为不匹配,或者第一参考识别结果为不匹配,而第二参考识别结果为匹配时,即第一参考识别结果和第二参考识别结果不一致,单独通过任意一种特征值得到不同的识别结果,则增加心电特征值的个数和/或增加指纹特征值的个数,以提高识别精度。例如,将心电特征值从24增加到36,和/或,将指纹特征值从160增加到180等。
步骤S203:当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
当第一参考识别结果与第二参考识别结果一致时,可以通过减少心电特征值的个数和/或指纹特征值的个数,来提高融合特征计算效率。例如可以将心电特征值的个数从24减少到18,和/或,将指纹特征值从160减少到140等。
这样,分别通过心电特征值和指纹特征值进行预判,可以相应地动态调整心电特征值和指纹特征值的个数,从而根据具体的识别需求,提高识别精度或者提高识别效率,进而有效平衡了识别精度与识别速度。
步骤S102:将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量。
指纹图像在处理后,依据方向场区域得到了160个特征值,心电信号经过处理后提取出包含4个周期的Q-R间距、R-S间距、R-R间距、Q波峰值、R波峰值、S波峰值在内的长度为24的特征值。
为了提高特征识别效率,本发明实施例对心电特征值和指纹特征值均进行归一化,参见图10,为本发明实施例提供的一种归一化方法的流程示意图,该方法包括:
步骤S1021:以指纹特征值和心电特征值中的任意一种为基准,对另外一种特征值进行幅值统一。
在具体实施时,可以以指纹特征值为基准,对心电特征值进行幅值统一,或者以心电特征值为基准,对指纹特征值进行幅值统一。
在本发明实施例中,以指纹特征值为基准,对心电特征值进行幅值统一的详细公式如下:
其中,其中,cn为每个心电特征值幅值统一之后的特征值(特征数目为n),Cn为幅值统一之前的心电特征值,Dm为指纹特征值(特征数目为m)。
步骤S1022:据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
将所有的特征值乘以归一化系数,得到的最终用于模态识别的特征向量为:
最后将所采集处理的指纹特征值和心电特征值相结合,最终得到一个长度为184的融合特征特征向量Y。
步骤S103:对所述融合特征向量进行降维,得到融合特征矩阵。
所述融合特征向量通过主成分分析(Principal Component Analysis,简称PCA)算法进行降维之后得到新的特征向量,作为身份识别的依据。主元分析是和线性变换相结合的,其基本思想为:用线性变换从原有特征得到一组个数相同的新特征,且这些特征中的前几个即包含了原有特征的主要信息,这样可以达到既保留原有各特征主要信息。具体来讲,它通过样本的自相关阵的正交特征向量矩阵对信号进行重构,同时去除相关性,并且找到方差最大的样本,也是能量最大的样本。
设有n个不完全独立的变量xi,每个变量的长度是N,变量满足:
E(xi)=0 i=1,2,...,n X=[x1,x2,...,xn]T (4.2-4)
式中:E为求期望运算;xi为第i个变量;X为n×n阶的变量矩阵。令Rx为n个不完全独立的变量的自相关矩阵
Rx=E(XXT),RxV=VΛ (4.2-5)
式中:V为Rx的n×n阶特征向量矩阵,其列向量是Rx的正交归一化的特征向量;Λ为Rx的特征值对角阵,λi,i=1,2,...,n为第i个对角线上的元素。则构造n个不相关的新变量
Y=VTX,Y=[y1,y2,...,yn]T (4.2-6)
式中,Y为n×n阶的变量矩阵。综上所述,有
Ry=E(YYTt)=E(VTXXTV)=VTRxV=VTVΛ=Λ (4.2-7)
可见到特征值λi,i=1,2,...,n非负,各个新变量所在的子空间也被分离开,且互不相关。主元分析是通过大的特征值对应的特征向量来实现的。
首先,在λi,i=1,2,...,n按降序排列后,给出信号量η的定义:
在上式中,分母为所有特征值之和,分子为第p到n共m(m=n-p+1)个特征值的和,通过这一个公式可以清晰地看到特征值就是重构信号采样点的均方值。令
在上式中:vi为λi(i=p,p+1,…,n)对应的特征向量;为通过大的特征值,亦即含信息量多的特征值对应的特征向量构造的新的m×n阶新的变量矩阵。
步骤S104:根据所述融合特征矩阵,聚类计算得到身份识别结果。
使用动态的KNN(k Nearest Neighbor,K最近邻)均值聚类算法进行身份识别结果计算,其中,该聚类算法的基本原理可以解释如下:选一批代表点后,依次计算其它样本的归类,当计算完第一个样本时,把它归于最近的一类,形成新的分类。再计算新的聚类中心,再计算第二个样本到新的聚类中心的距离,对第二个样本归类。即每个样本的归类都改变一次聚类中心。此法也称为逐个处理法。
主要算法步骤如下:
1.对特征库内若干个身份的信号的训练样本进行聚类,找到聚类中心:(右上脚码为寻找聚类中心的迭代次数);
2.将其余的数据归类:取样本xi,若有(其中i=1,2,3,…,N,l=1,2,…,K,l≠j,m是迭代次数),则是聚类中心为的样本集合。
3.计算新的聚类中心:(其中j=1,2,3,…,K),nj为该类所含样本数。
由于要保证验证的活体性,因此需要在此处加入一层决策层门卡,即单独输入心电信号特征判断个体身份是否满足,若满足,则再对心电与指纹的融合特征进行判断;若不满足,则直接拒绝判定对象。
在心电与指纹的特征值融合后,所得的融合特征向量长度为184,对融合特征向量进行主成分分析降维,得到了新的融合特征矩阵,将这些融合特征矩阵作为分类的样本点。
参见图11,为本发明实施例提供的一种识别结果的示意图,如图11所示,选取100个特征向量进行识别测验,其中前50个特征向量不属于特征库中的样本,后50个特征向量属于特征库中的样本,在后50个特征向量中随机选择20个点的中心点作为初始聚类中心,利用KNN均值聚类算法对剩余80个特征向量进行分类。得到的识别率为86%,误判率为14%,其中FRR(False Rejection Rate)为5%,FAR(False Acceptance Rate)为9%。
由上述实施例的描述可见,本发明实施例提供的一种基于心电和指纹融合特征的身份识别方法,通过从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;对所述融合特征向量进行降维,得到融合特征矩阵;根据所述融合特征矩阵,聚类计算得到身份识别结果。本发明是多生物模态融合中心电信号和指纹信号相结合的方法,提取了心电信号与指纹信号的部分特征,利用特征级的融合算法融合了心电信号和指纹信号的特征。能够结合心电信号的生物特征不可复制的优点以及指纹信号的个体唯一性、准确性的优点,克服硅胶假指纹等造假方法带来的信息安全隐患。在指纹信号与心电信号成熟快捷的算法基础上,所使用的融合算法复杂度较低,保证了整个系统运转的高效性。
通过以上的方法实施例的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
与本发明提供的一种基于心电和指纹融合特征的身份识别方法实施例相对应,本发明还提供了一种基于心电和指纹融合特征的身份识别装置。
参见图12,为本发明实施例提供的一种基于心电和指纹融合特征的身份识别装置的结构示意图,该装置包括:
获取模块11,用于从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;
归一化模块12,用于将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;
降维模块13,用于对所述融合特征向量进行降维,得到融合特征矩阵;
聚类计算模块14,用于根据所述融合特征矩阵,聚类计算得到身份识别结果。
为了剔除干扰,提高心电特征值的质量,从而进一步提高身份识别效率,所述获取模块11用于将心电采集器采集得到的心电信号分为多个特征段,所述多个特征段分别包括相同周期数、且连续周期的特征值,其中所述特征值包括Q波峰值、R波峰值、S波峰值、QR间距、RS间距以及RR间距;分别计算每个特征段的特征均值,所述特征均值包括Q波峰均值、R波峰均值、S波峰均值、QR间距均值、RS间距均值和RR间距均值;根据所述特征均值和特征值,计算每个特征值段的特征差;选择特征差最小的特值段所对应的特征值作为心电特征值。
为了剔除干扰,提高指纹特征值的质量,从而进一步提高身份识别效率,所述获取模块11还用于将指纹采集器采集得到的指纹图像分为多个特征块,所述多个特征块分别包括多个端点和叉点;计算每个特征块的端点个数和叉点个数;选择端点个数和叉点个数均超过个数阈值的特征块,并根据所选择特征块的端点和叉点得到所述指纹特征值。
而且,在本发明实施例中,所述获取模块11获得的所述心电特征值的个数小于指纹特征值的个数。
为了进一步优化心电特征值和指纹特征值的组合,平衡身份识别计算的精度和效率,该装置还包括动态调整模块15,用于根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果;当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数;当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
在本发明实施例中,为了提高特征识别效率,本发明实施例对心电特征值和指纹特征值均进行归一化,所述归一化模块12,用于以指纹特征值为基准,对心电特征值进行幅值统一,或者以心电特征值为基准,对指纹特征值进行幅值统一;根据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
本发明实施例还提供了一种基于心电和指纹融合特征的身份识别系统,参见图13,为本发明实施例提供的一种基于心电和指纹融合特征的身份识别系统的结构示意图,如图13所示,该系统包括心电采集器21、指纹采集器22、以及上述装置实施例的身份识别装置23;其中,所述心电采集器21和所述指纹采集器22均与所述身份识别装置23相连接;所述心电采集器21,用于采集心电信号;所述指纹采集器22,用于采集指纹图像。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于心电和指纹融合特征的身份识别方法,其特征在于,包括以下步骤:
从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;
将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量;
对所述融合特征向量进行降维,得到融合特征矩阵;
根据所述融合特征矩阵,聚类计算得到身份识别结果。
2.根据权利要求1所述的基于心电和指纹融合特征的身份识别方法,其特征在于,所述从心电采集器采集得到的心电信号中获取心电特征值,包括:
将心电采集器采集得到的心电信号分为多个特征段,所述多个特征段分别包括相同周期数、且连续周期的特征值,其中所述特征值包括Q波峰值、R波峰值、S波峰值、QR间距、RS间距以及RR间距;
分别计算每个特征段的特征均值,所述特征均值包括Q波峰均值、R波峰均值、S波峰均值、QR间距均值、RS间距均值和RR间距均值;
根据所述特征均值和特征值,计算每个特征值段的特征差;
选择特征差最小的特值段所对应的特征值作为心电特征值。
3.根据权利要求1所述的基于心电和指纹融合特征的身份识别方法,其特征在于,所述从指纹采集器采集得到的指纹图像中获取指纹特征值,包括:
将指纹采集器采集得到的指纹图像分为多个特征块,所述多个特征块分别包括多个端点和叉点;
计算每个特征块的端点个数和叉点个数;
选择端点个数和叉点个数均超过个数阈值的特征块,并根据所选择特征块的端点和叉点得到所述指纹特征值。
4.根据权利要求1所述的基于心电和指纹融合特征的身份识别方法,其特征在于,还包括:
根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果;
当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数;
当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
5.根据权利要求1所述的基于心电和指纹融合特征的身份识别方法,其特征在于,所述将所述心电特征值和所述指纹特征值均进行归一化,包括:
以指纹特征值和心电特征值中的任意一种为基准,对另外一种特征值进行幅值统一;
根据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
6.一种基于心电和指纹融合特征的身份识别装置,其特征在于,包括:
获取模块,用于从心电采集器采集得到的心电信号中获取心电特征值,以及从指纹采集器采集得到的指纹图像中获取指纹特征值;
归一化模块,用于将所述心电特征值和所述指纹特征值均进行归一化,并将归一化后的心电特征值和指纹特征值组合为融合特征向量。
降维模块,用于对所述融合特征向量进行降维,得到融合特征矩阵。
聚类计算模块,用于根据所述融合特征矩阵,聚类计算得到身份识别结果。
7.根据权利要求6所述的基于心电和指纹融合特征的身份识别装置,其特征在于,该装置还包括:
动态调整模块,用于根据所述心电特征值计算得到第一参考识别结果,且根据所述指纹特征值计算得到第二参考识别结果;当所述第一参考识别结果与所述第二参考识别结果不一致时,增加心电特征值的个数和/或指纹特征值的个数。
8.根据权利要求7所述的基于心电和指纹融合特征的身份识别装置,其特征在于,所述动态调整模块,还用于当所述第一参考识别结果与所述第二参考识别结果一致时,减少心电特征值的个数和/或指纹特征值的个数。
9.根据权利要求6所述的基于心电和指纹融合特征的身份识别装置,其特征在于,所述归一化模块,用于以指纹特征值和心电特征值中的任意一种为基准,对另外一种特征值进行幅值统一;根据归一化系数,将幅值统一后的心电特征值和指纹特征均进行归一化。
10.一种基于心电和指纹融合特征的身份识别系统,其特征在于,包括心电采集器、指纹采集器、以及如权利要求6至9任一所述的身份识别装置,其中,所述心电采集器和所述指纹采集器均与所述身份识别装置相连接;所述心电采集器,用于采集心电信号;所述指纹采集器,用于采集指纹图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228120.0A CN107092874A (zh) | 2017-04-10 | 2017-04-10 | 基于心电和指纹融合特征的身份识别方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228120.0A CN107092874A (zh) | 2017-04-10 | 2017-04-10 | 基于心电和指纹融合特征的身份识别方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107092874A true CN107092874A (zh) | 2017-08-25 |
Family
ID=59636873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710228120.0A Pending CN107092874A (zh) | 2017-04-10 | 2017-04-10 | 基于心电和指纹融合特征的身份识别方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092874A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932416A (zh) * | 2018-05-12 | 2018-12-04 | 广东可穿戴数字技术有限公司 | 一种基于指纹和心电双重身份确认的方法 |
CN109033931A (zh) * | 2018-05-12 | 2018-12-18 | 广东可穿戴数字技术有限公司 | 一种基于指纹和心电双重身份确认的系统 |
CN109816615A (zh) * | 2019-03-06 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
CN109938722A (zh) * | 2019-03-05 | 2019-06-28 | 安徽华米信息科技有限公司 | 数据采集方法、装置、智能穿戴设备及存储介质 |
CN110151165A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于非线性动力学特征的心电向量图分类方法 |
CN110786849A (zh) * | 2019-11-11 | 2020-02-14 | 菏泽学院 | 基于多视图鉴别分析的心电信号身份识别方法及系统 |
CN111095288A (zh) * | 2019-12-02 | 2020-05-01 | 深圳市汇顶科技股份有限公司 | 屏下光学指纹识别装置及系统、液晶显示屏 |
CN111324880A (zh) * | 2020-03-09 | 2020-06-23 | 深圳连心电子科技有限公司 | 一种指纹和心电特征双认证身份识别系统及方法 |
CN111582138A (zh) * | 2020-04-30 | 2020-08-25 | 山东大学 | 基于频域倒谱系数特征的心电身份识别方法及系统 |
CN115363594A (zh) * | 2022-09-13 | 2022-11-22 | 广州迪迈信息科技有限公司 | 一种基于循环神经网络的实时心脏疾病筛查方法 |
CN116028914A (zh) * | 2023-03-27 | 2023-04-28 | 深圳市魔样科技有限公司 | 一种智能戒指身份认证方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013445A1 (en) * | 2002-07-29 | 2006-01-19 | Lange Daniel H | Method and apparatus for electro-biometric identiy recognition |
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
CN106157382A (zh) * | 2016-03-26 | 2016-11-23 | 深圳市奔凯安全技术股份有限公司 | 一种信息处理方法、相关设备及系统 |
CN106296185A (zh) * | 2015-05-12 | 2017-01-04 | 湖南人文科技学院 | 一种基于生物特征复合旁证的高安全性移动支付终端 |
-
2017
- 2017-04-10 CN CN201710228120.0A patent/CN107092874A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013445A1 (en) * | 2002-07-29 | 2006-01-19 | Lange Daniel H | Method and apparatus for electro-biometric identiy recognition |
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
CN106296185A (zh) * | 2015-05-12 | 2017-01-04 | 湖南人文科技学院 | 一种基于生物特征复合旁证的高安全性移动支付终端 |
CN106157382A (zh) * | 2016-03-26 | 2016-11-23 | 深圳市奔凯安全技术股份有限公司 | 一种信息处理方法、相关设备及系统 |
Non-Patent Citations (4)
Title |
---|
付乾坤: "基于心电信号的生物识别技术研究", 《中国优秀硕士论文全文数据库》 * |
杨向林等: "基于PCA特征和融合特征的ECG身份识别方法", 《智能系统学报》 * |
郑晓娜: "基于心电信号的身份识别方法研究", 《中国优秀硕士论文全文数据库》 * |
陈甸甸: "ECG信号身份识别技术与算法研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033931A (zh) * | 2018-05-12 | 2018-12-18 | 广东可穿戴数字技术有限公司 | 一种基于指纹和心电双重身份确认的系统 |
CN108932416A (zh) * | 2018-05-12 | 2018-12-04 | 广东可穿戴数字技术有限公司 | 一种基于指纹和心电双重身份确认的方法 |
CN109938722B (zh) * | 2019-03-05 | 2022-02-18 | 安徽华米信息科技有限公司 | 数据采集方法、装置、智能穿戴设备及存储介质 |
CN109938722A (zh) * | 2019-03-05 | 2019-06-28 | 安徽华米信息科技有限公司 | 数据采集方法、装置、智能穿戴设备及存储介质 |
CN109816615A (zh) * | 2019-03-06 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备以及存储介质 |
CN109816615B (zh) * | 2019-03-06 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置、设备以及存储介质 |
CN110151165A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 一种基于非线性动力学特征的心电向量图分类方法 |
CN110786849B (zh) * | 2019-11-11 | 2022-02-15 | 菏泽学院 | 基于多视图鉴别分析的心电信号身份识别方法及系统 |
CN110786849A (zh) * | 2019-11-11 | 2020-02-14 | 菏泽学院 | 基于多视图鉴别分析的心电信号身份识别方法及系统 |
CN111095288A (zh) * | 2019-12-02 | 2020-05-01 | 深圳市汇顶科技股份有限公司 | 屏下光学指纹识别装置及系统、液晶显示屏 |
CN111095288B (zh) * | 2019-12-02 | 2023-09-05 | 深圳市汇顶科技股份有限公司 | 屏下光学指纹识别装置及系统、液晶显示屏 |
CN111324880A (zh) * | 2020-03-09 | 2020-06-23 | 深圳连心电子科技有限公司 | 一种指纹和心电特征双认证身份识别系统及方法 |
CN111582138A (zh) * | 2020-04-30 | 2020-08-25 | 山东大学 | 基于频域倒谱系数特征的心电身份识别方法及系统 |
CN115363594A (zh) * | 2022-09-13 | 2022-11-22 | 广州迪迈信息科技有限公司 | 一种基于循环神经网络的实时心脏疾病筛查方法 |
CN116028914A (zh) * | 2023-03-27 | 2023-04-28 | 深圳市魔样科技有限公司 | 一种智能戒指身份认证方法及系统 |
CN116028914B (zh) * | 2023-03-27 | 2023-06-16 | 深圳市魔样科技有限公司 | 一种智能戒指身份认证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092874A (zh) | 基于心电和指纹融合特征的身份识别方法、装置及系统 | |
Le et al. | Fingerprint enhancement based on tensor of wavelet subbands for classification | |
Yang et al. | Two-stage enhancement scheme for low-quality fingerprint images by learning from the images | |
CN101246543B (zh) | 基于仿生与生物特征识别的考试者身份鉴定方法 | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
CN111814574A (zh) | 应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质 | |
CN103605963A (zh) | 一种指纹识别方法 | |
CN106951753A (zh) | 一种心电信号的认证方法和认证装置 | |
El_Rahman | Multimodal biometric systems based on different fusion levels of ECG and fingerprint using different classifiers | |
CN102542243A (zh) | 一种基于lbp图像和分块编码的虹膜特征提取方法 | |
CN106778498A (zh) | 一种增强指纹图像识别的方法 | |
CN111150392A (zh) | 一种有向动态脑功能网络多类情绪识别构建方法及其装置 | |
Song et al. | Fingerprint indexing based on pyramid deep convolutional feature | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN113673460A (zh) | 用于虹膜识别的方法及装置、终端设备、存储介质 | |
Ramya et al. | Certain investigation on iris image recognition using hybrid approach of Fourier transform and Bernstein polynomials | |
CN101178767A (zh) | 人脸和虹膜混合识别的新方法-识别层融合 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN110598522A (zh) | 一种基于人脸和掌纹掌静脉识别的身份比对方法 | |
Kočevar et al. | Real-time fingerprint image enhancement with a two-stage algorithm and block–local normalization | |
CN102663443B (zh) | 基于图像扰动和相关滤波的生物特征识别方法 | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN109919050B (zh) | 身份识别方法和装置 | |
Kumar et al. | FPR using machine learning with multi‐feature method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170825 |
|
RJ01 | Rejection of invention patent application after publication |