CN107292146B - 用户特征向量选取方法及系统 - Google Patents

用户特征向量选取方法及系统 Download PDF

Info

Publication number
CN107292146B
CN107292146B CN201610195334.8A CN201610195334A CN107292146B CN 107292146 B CN107292146 B CN 107292146B CN 201610195334 A CN201610195334 A CN 201610195334A CN 107292146 B CN107292146 B CN 107292146B
Authority
CN
China
Prior art keywords
similarity coefficient
feature vector
similarity
value
selecting
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
Application number
CN201610195334.8A
Other languages
English (en)
Other versions
CN107292146A (zh
Inventor
刘镝
王志军
张尼
王笑帝
汤雅妃
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201610195334.8A priority Critical patent/CN107292146B/zh
Publication of CN107292146A publication Critical patent/CN107292146A/zh
Application granted granted Critical
Publication of CN107292146B publication Critical patent/CN107292146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用户特征向量选取方法及系统，该方法包括以下步骤：获取用户的生物特征对应的多个特征向量；生成每个特征向量与所有的特征向量两两之间的第一相似度系数；对每个特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数；从多个特征向量中选取不大于相似度系数阈值的第二相似度系数对应的特征向量。该用户特征向量选取方法及系统，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。

Description

用户特征向量选取方法及系统
技术领域
本发明属于通讯技术领域，具体涉及一种用户特征向量选取方法及系统。
背景技术
随着信息通信技术的不断发展，例如，云计算、大数据等新技术的引入，网络用户的隐私安全问题越来越严峻。
为此，现有技术中采用基于SIM卡统一认证的技术方案，具体地，用户在第三方网站上进行登录认证，点击该网站上的统一认证键，跳转至输入手机号码的提示框，用户在提示框内输入手机号码并确认向移动终端发送确认窗口，之后用户在移动终端进行确认，从而完成认证确认。然而，采用上述方式仍然存在一定的隐私泄露风险，为此，现有技术中采用了一种基于生物识别的SIM卡认证的技术方案，与上述技术方案的不同点在于：在用户在移动终端确认后，移动终端跳转至输入生物特征(指纹、面部图像、声音等)的页面，用户输入生物特征后，移动终端将输入的生物特征和用户注册过的生物特征进行匹配，若匹配成功则认证成功。
然而，在实际应用中，采用现有技术中提供的第二种技术方案不仅存在匹配效率低，而且还存在匹配精度低的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种用户特征向量选取方法及系统，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。
为解决上述问题之一，本发明提供了一种用户特征向量选取方法，包括以下步骤：获取用户的生物特征对应的多个特征向量；生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数；对每个所述特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数；从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量。
优选地，所述从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量包括：按照升序将所述多个特征向量对应的所述第二相似度系数进行排序；确定包含有数量最多的所述第二相似度系数的密集区域；选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之前的所述第二相似度系数对应的特征向量。
优选地，所述从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量包括：按照降序将所述多个特征向量对应的所述第二相似度系数进行排序；确定包含有数量最多的所述第二相似度系数的密集区域；选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之后所述第二相似度系数所对应的特征向量。
优选地，所述确定包含有数量最多的所述第二相似度系数的密集区域包括：设置多个所述第二相似度系数的取值区域；统计每个所述取值区域内分布的第二相似度系数的数量；确定统计到的数量最大的所述取值区域作为所述密集区域。
优选地，所述设置多个所述第二相似度系数的取值区域具体为：按照预设取值宽度设置多个所述第二相似度系数的取值区域；若所述预设取值宽度为D，则所述取值区域的个数设置为m-(mmodD)-(D-1)；其中，m为获取到的用户的特征向量总数。
优选地，所述第一相似度系数按照如下公式计算：
其中，ρij为第i个特征向量和第j个特征向量的所述第一相似度系数；dk＝fi'-fj',k＝1…q；fi'为fi按照升序排列后得到的集合，fi为第i个特征向量；fj'为fj按照升序排列后得到的集合，fj第j个特征向量；其中，为第i个特征向量的系数；其中，为第j个特征向量系数。
本发明还提供一种用户特征向量选取系统，包括：获取装置，用于获取用户的生物特征对应的多个特征向量；生成装置，用于生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数；求和装置，用于对每个所述特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数；确定选取装置，用于从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量。
优选地，所述确定选取装置包括：排序模块，用于按照升序将所述多个特征向量对应的所述第二相似度系数进行排序；密集区域确定模块，用于确定包含有数量最多的所述第二相似度系数的密集区域；选取模块，用于选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之前的所述第二相似度系数对应的特征向量。
优选地，所述确定选取装置包括：排序模块，用于按照降序将所述多个特征向量对应的所述第二相似度系数进行排序；密集区域确定模块，用于确定包含有数量最多的所述第二相似度系数的密集区域；选取模块，用于选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之后的所述第二相似度系数对应的特征向量。
优选地，所述密集区域确定模块包括：区域设置模块，用于设置多个所述第二相似度系数的取值区域；统计模块，用于统计每个所述取值区域内分布的第二相似度系数的数量；确定模块，用于确定统计到的数量最大的所述取值区域作为所述密集区域。
本发明具有以下有益效果：
本发明提供的用户特征向量选取方法，可去除较高第二相似度系数对应的特征向量，也就去除了了一些包含有可分性信息(即，有用信息)少的特征向量，剩余了包含可分性信息多的特征向量，这与现有技术相比，基于较少数量的特征向量且每个特征向量的可分性信息多进行认证匹配，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。
本发明提供的用户特征向量选取系统，可去除较高第二相似度系数对应的特征向量，也就去除了了一些包含有可分性信息(即，有用信息)少的特征向量，剩余了包含可分性信息多的特征向量，这与现有技术相比，基于较少数量的特征向量且每个特征向量的可分性信息多进行认证匹配，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。
附图说明
图1为本发明实施例提供的用户特征向量选取方法的流程图；
图2为图1中步骤S13的一种具体流程图；
图3为图1中步骤S13的另一种具体流程图；
图4为图2或图3中步骤S132的具体流程图；
图5为本发明实施例提供的用户特征向量选取系统的原理框图；
图6为图5中确定选取装置的原理框图。
图7为图6中密集区域确定模块的原理框图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明提供的用户特征向量选取方法及系统进行详细描述。
实施例1
图1为本发明实施例提供的用户特征向量选取方法的流程图。请参阅图1，本实施例提供的用户特征向量选取方法包括以下步骤：
S10，获取用户的生物特征对应的多个特征向量。
具体地，生物特征为但不限于指纹、面部图像或声音。
S11，生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数。
具体地，假设特征向量的数量为m个，则可获得m*m个第一相似度系数，可构建一个如下的m*m的矩阵B：
其中，ρ表示为相似度系数，ρ11表示为第一个特征向量与其本身之间的相似度系数；ρ12表示为第一个特征向量与第二个特征向量之间的相似度系数；ρ1m表示为第一个特征向量与第m个特征向量之间的相似度系数；以此类推，上述矩阵B中的第i行第j列的元素表示为第i个特征向量与第j个特征向量之间的相似度系数。
另外，所谓相似度系数也称之为Spearman相关系数，其取值范围为；若相似度[0,1]系数取值越接近于0，则说明两个特征向量之间的相关性越小；若相似度系数取值越接近于1，则说明两个特征向量之间的相关性越大。
S12，对每个特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数。
具体为：
上述ρm表示为第m个特征向量对应的第一相似度系数进行求和得到的第二相似度系数，多个特征向量的第二相似度系数获得的序列为ρ＝(ρ1,ρ2,…,ρm)。
S13，从多个特征向量中选取不大于相似度系数阈值的第二相似度系数对应的特征向量。
具体地，也就是将ρ1,ρ2,…,ρm分别与相似度系数阈值进行比较，若不大于相似度系数阈值，则选取该第二相似度系数对应的特征向量，例如，选取ρm对应的第m个特征向量。
由上可知，本发明提供的用户特征向量选取方法，借助上述步骤S10～S13，可去除较高的第二相似度系数对应的特征向量，也就去除了了一些包含有可分性信息(即，有用信息)少的特征向量，剩余了包含可分性信息多的特征向量，这与现有技术相比，基于较少数量的特征向量且每个特征向量的可分性信息多进行认证匹配，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。
在另一实施例中，具体地，如图2所示，上述步骤S13包括以下步骤：
S131，按照升序将多个特征向量对应的第二相似度系数进行排序。
具体地，上述第二相似度系数的序列ρ＝(ρ1,ρ2,…,ρm)按照升序排序后为ρ'＝(ρ'1,ρ'2,…,ρ'm)，也就是说，ρ'1<ρ'2<…<ρ'm。可以理解，通过排序，使得ρ'1不一定对应第1特征向量，其对应的是第二相似度系数最小的特征向量，同理，ρ'm不一定对应第m个特征向量，其对应的是第二相似度系数最大的特征向量。
S132，确定包含有数量最多的第二相似度系数的密集区域。
举例说明：假设m＝6，ρ'＝(1,3,5,5.1,5.2,6)，可确认密集区域为第二相似度系数取值为4.5～5.5的区域。
S133，选取密集区域中最大值的第二相似度系数对应的特征向量和排列在该最大值的第二相似度系数之前的第二相似度系数对应的所述特征向量。也就是说，密集区域中最大值的第二相似度系数作为实施例1中的相似度系数阈值。
具体地，基于步骤S132举例说明：密集区域中最大值的第二相似度系数＝5.2，因此，选取ρ'5对应的特征向量，并且，位于该特征向量之前的特征向量为ρ'1、ρ'2、ρ'3、ρ'4，因此，也就还选取ρ'1、ρ'2、ρ'3、ρ'4对应的特征向量。
可以理解，借助上述步骤S131～S133，可实现在保留较多有用的特征向量的基础上去除可分性信息少的特征，来达到认证匹配速率和匹配精度的最优平衡。
在另一实施例中，具体地，如图3所示，上述步骤S13包括以下步骤：
S131，按照降序将多个特征向量对应的第二相似度系数进行排序。
具体地，上述第二相似度系数的序列ρ＝(ρ1,ρ2,…,ρm)按照升序排序后为ρ'＝(ρ'1,ρ'2,…,ρ'm)，也就是说，ρ'1>ρ'2>…>ρ'm。可以理解，通过排序，使得ρ'1不一定对应第1特征向量，其对应的是第二相似度系数最大的特征向量，同理，ρ'm不一定对应第m个特征向量，其对应的是第二相似度系数最小的特征向量。
S132，确定包含有数量最多的第二相似度系数的密集区域。
举例说明：假设m＝6，ρ'＝(6,5.2,5.1,5,3,1)，可确认密集区域为第二相似度系数取值为4.5～5.5的区域。
S133，选取密集区域中最大值的第二相似度系数对应的特征向量和排列在该最大值的第二相似度系数之后的第二相似度系数对应的特征向量。也就是说，密集区域中最大值的第二相似度系数作为实施例1中的相似度系数阈值。
具体地，基于步骤S132举例说明：密集区域中最小值的第二相似度系数＝5.2，因此，选取ρ'2对应的特征向量，并且，位于该特征向量之后的特征向量为ρ'3、ρ'4、ρ'5、ρ'6，因此，也就还选取ρ'3、ρ'4、ρ'5、ρ'6对应的特征向量。
在另一实施例中，如图4所示，上述步骤S132包括以下步骤：
S1321，设置多个第二相似度系数的取值区域。
举例说明：假设特征向量的总数m＝6，则第二相似度系数的取值范围在[0,6]，这样，可以设置多个取值区域为0～3,2～5,3～6。
S1322，统计每个所述取值区域内分布的第二相似度系数的数量。
S1323，确定统计到的数量最大的所述取值区域作为所述密集区域。
在另一实施例中，上述步骤S1321具体为：按照预设取值宽度设置多个第二相似度系数的取值区域。若预设取值宽度为D，则取值区域的个数设置为m-(mmodD)-(D-1)；其中，m为获取到的用户的特征向量总数。举例说明，假设特征向量的总数m＝6，则第二相似度系数的取值范围在[0,6]，计算设置取值区域的个数为4个，这样，多个取值区域为0～3，1～4，2～5，3～6，采用这种方式可以将第二相似度系数划分为较多个区域，这样，可更精确地确定密集区域。
在另一实施例中，第一相似度系数按照但不限于如下公式计算：
其中，ρij为第i个特征向量和第j个特征向量的第一相似度系数；
dk＝fi'-fj',k＝1…q；
fi'为fi按照升序排列后得到的集合，fi为第i个特征向量；
fj'为fj按照升序排列后得到的集合，fj第j个特征向量；
其中，为第i个特征向量的系数；
其中，为第j个特征向量系数。
在另一实施例中，为便于运算，用户特征向量选取方法还包括以下步骤：
利用取整函数对第二相似度系数取整。
具体地，得到的取整序列为：
可以理解，该步骤优选地位于步骤S131之前，这样，可越早地简化后续运算的难度。
上述多个另一实施例中公开的技术特征，在不相互矛盾的情况下均可以任意结合至实施例1中形成本发明公开的另一实施例，在此不再详述。
实施例2
图5为本发明实施例提供的用户特征向量选取系统的原理框图。请参阅图5，本实施例提供的用户特征向量选取系统包括：
获取装置1，用于获取用户的生物特征对应的多个特征向量。
生成装置2，用于生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数。
求和装置3，用于对每个特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数。
确定选取装置4，用于从多个特征向量中选取不大于相似度系数阈值的第二相似度系数对应的特征向量。
本发明实施例提供的用户特征向量选取系统的工作过程与上述实施例提供的用户特征向量选取方法相类似，在此不再赘述。
本发明提供的用户特征向量选取系统，可去除较高第二相似度系数对应的特征向量，也就去除了了一些包含有可分性信息(即，有用信息)少的特征向量，剩余了包含可分性信息多的特征向量，这与现有技术相比，基于较少数量的特征向量且每个特征向量的可分性信息多进行认证匹配，不仅可提高认证匹配的匹配效率，还可提高认证匹配的匹配精度，从而可以提高用户认证登陆的安全性，防止他人仿冒身份登陆。
在另一实施例中，如图6所示，确定选取装置4包括：
排序模块41，用于按照升序将所述多个特征向量对应的所述第二相似度系数进行排序。
密集区域确定模块42，用于确定包含有数量最多的所述第二相似度系数的密集区域。
选取模块43，用于选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列该最大值的第二相似度系数之后的第二相似度系数对应的特征向量。
在另一实施例中，确定选取装置包括：
排序模块41，用于按照降序将所述多个特征向量对应的所述第二相似度系数进行排序。
密集区域确定模块42，用于确定包含有数量最多的所述第二相似度系数的密集区域。
选取模块43，用于选取所述密集区域中最小值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之后的第二相似度系数对应的特征向量。
在另一实施例中，如图7所示，密集区域确定模块42包括：
区域设置模块421，用于设置多个所述第二相似度系数的取值区域。
统计模块422，用于统计每个所述取值区域内分布的第二相似度系数的数量。
确定模块423，用于确定统计到的数量最大的所述取值区域作为所述密集区域。
在另一实施例中，区域设置模块421具体为，用于按照预设取值宽度设置多个第二相似度系数的取值区域。
上述多个另一实施例中公开的技术特征，在不相互矛盾的情况下均可以任意结合至实施例2中形成本发明公开的另一实施例，在此不再详述。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (4)

1.一种用户特征向量选取方法，其特征在于，包括以下步骤：
获取用户的生物特征对应的多个特征向量；
生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数；
对每个所述特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数；
从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量；
所述从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量包括：
按照升序将所述多个特征向量对应的所述第二相似度系数进行排序；
确定包含有数量最多的所述第二相似度系数的密集区域；
选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之前的所述第二相似度系数对应的特征向量；
或者，
按照降序将所述多个特征向量对应的所述第二相似度系数进行排序；
确定包含有数量最多的所述第二相似度系数的密集区域；
选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之后的所述第二相似度系数所对应的特征向量；
所述确定包含有数量最多的所述第二相似度系数的密集区域包括：
设置多个所述第二相似度系数的取值区域；
统计每个所述取值区域内分布的第二相似度系数的数量；
确定统计到的数量最大的所述取值区域作为所述密集区域。
2.根据权利要求1所述的用户特征向量选取方法，其特征在于，所述设置多个所述第二相似度系数的取值区域具体为：按照预设取值宽度设置多个所述第二相似度系数的取值区域；
所述取值宽度为所述取值区域的端点之差；
若所述预设取值宽度为D，则所述取值区域的个数设置为m-(mmodD)-(D-1)；其中，m为获取到的用户的特征向量总数。
3.根据权利要求1所述的用户特征向量选取方法，其特征在于，所述第一相似度系数按照如下公式计算：
其中，ρij为第i个特征向量和第j个特征向量的所述第一相似度系数；
dk＝fi'-fj',k＝1,…,q；
fi'为fi按照升序排列后得到的集合，fi为第i个特征向量；
fj'为fj按照升序排列后得到的集合，fj第j个特征向量；
其中，为第i个特征向量的系数；
其中，为第j个特征向量系数。
4.一种用户特征向量选取系统，其特征在于，包括：
获取装置，用于获取用户的生物特征对应的多个特征向量；
生成装置，用于生成每个特征向量与所有的所述特征向量两两之间的第一相似度系数；
求和装置，用于对每个所述特征向量对应的第一相似度系数进行求和处理，得到第二相似度系数；
确定选取装置，用于从所述多个特征向量中选取不大于相似度系数阈值的所述第二相似度系数对应的所述特征向量；
所述确定选取装置包括：
排序模块，用于按照升序将所述多个特征向量对应的所述第二相似度系数进行排序；
密集区域确定模块，用于确定包含有数量最多的所述第二相似度系数的密集区域；
选取模块，用于选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之前的所述第二相似度系数对应的特征向量；
或者，所述确定选取装置包括：
排序模块，用于按照降序将所述多个特征向量对应的所述第二相似度系数进行排序；
密集区域确定模块，用于确定包含有数量最多的所述第二相似度系数的密集区域；
选取模块，用于选取所述密集区域中最大值的所述第二相似度系数对应的所述特征向量和排列在该最大值的第二相似度系数之后的所述第二相似度系数对应的特征向量；
所述密集区域确定模块包括：
区域设置模块，用于设置多个所述第二相似度系数的取值区域；
统计模块，用于统计每个所述取值区域内分布的第二相似度系数的数量；
确定模块，用于确定统计到的数量最大的所述取值区域作为所述密集区域。
CN201610195334.8A 2016-03-30 2016-03-30 用户特征向量选取方法及系统 Active CN107292146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610195334.8A CN107292146B (zh) 2016-03-30 2016-03-30 用户特征向量选取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610195334.8A CN107292146B (zh) 2016-03-30 2016-03-30 用户特征向量选取方法及系统

Publications (2)

Publication Number Publication Date
CN107292146A CN107292146A (zh) 2017-10-24
CN107292146B true CN107292146B (zh) 2019-12-13

Family

ID=60086764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610195334.8A Active CN107292146B (zh) 2016-03-30 2016-03-30 用户特征向量选取方法及系统

Country Status (1)

Country Link
CN (1) CN107292146B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197532B (zh) * 2017-12-18 2019-08-16 深圳励飞科技有限公司 人脸识别的方法、装置及计算机装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070126A (en) * 1997-06-13 2000-05-30 William J. Kokolus Immunobiologically-active linear peptides and method of identification
CN102033892A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流历史标准数据的生成方法及系统
CN103544499A (zh) * 2013-10-12 2014-01-29 江南大学 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070126A (en) * 1997-06-13 2000-05-30 William J. Kokolus Immunobiologically-active linear peptides and method of identification
CN102033892A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流历史标准数据的生成方法及系统
CN103544499A (zh) * 2013-10-12 2014-01-29 江南大学 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多特征决策融合的说话人识别研究;杨迪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131231;正文第2.6节 *

Also Published As

Publication number Publication date
CN107292146A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN110188641B (zh) 图像识别和神经网络模型的训练方法、装置和系统
CN106250858B (zh) 一种融合多种人脸识别算法的识别方法及系统
US11244035B2 (en) Apparatus and methods for biometric verification
Zhang et al. Touch gesture-based active user authentication using dictionaries
US11062120B2 (en) High speed reference point independent database filtering for fingerprint identification
CN102137084A (zh) 生物体认证系统
CN110149280B (zh) 网络流量分类方法和装置
CN111626371A (zh) 一种图像分类方法、装置、设备及可读存储介质
WO2019196626A1 (zh) 媒体处理方法及相关装置
CN112766292B (zh) 身份认证的方法、装置、设备及存储介质
Tao et al. Biometric authentication for a mobile personal device
CN109993042A (zh) 一种人脸识别方法及其装置
CN111553241A (zh) 掌纹的误匹配点剔除方法、装置、设备及存储介质
CN111582027A (zh) 身份认证方法、装置、计算机设备和存储介质
JP4685515B2 (ja) ユーザ認証システム、および、そのユーザ認証方法
CN107292146B (zh) 用户特征向量选取方法及系统
CN112541193A (zh) 隐私数据的保护方法和装置
CN107657223B (zh) 一种基于快速处理多距离度量学习的人脸认证方法
US20200387691A1 (en) A quick match algorithm for biometric data
KR101567686B1 (ko) 인증 방법 및 이를 이용한 인증 장치
CN110956098A (zh) 图像处理方法及相关设备
Baaqeel et al. A self-adapting face authentication system with deep learning
Shu et al. Multi-biometrics fusion for identity verification
CN111353139A (zh) 一种持续认证的方法、装置、电子设备及存储介质
EP2044557B1 (en) A method and apparatus for the generation of code from pattern features

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