CN107292230B - 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 - Google Patents
基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 Download PDFInfo
- Publication number
- CN107292230B CN107292230B CN201710319336.8A CN201710319336A CN107292230B CN 107292230 B CN107292230 B CN 107292230B CN 201710319336 A CN201710319336 A CN 201710319336A CN 107292230 B CN107292230 B CN 107292230B
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- finger
- vein
- neural network
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,所述识别方法包括:S1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;S2、使用局部二进制模式LBP对手指静脉图像的高频信息进行纹理特征编码;S3、通过高通滤波器提取手指静脉图像的高频部分特征,通过静脉识别浅层卷积神经网络提取手指图像特征;S4、使用SVM分类器进行仿冒检测区分真伪静脉图像。本发明克服了打印伪造的静脉图像可欺骗现有的识别系统的问题,提高了实际静脉识别系统的安全性;此外,还克服了静脉图像质量不高,以及手指轴向偏转等因素降低实际系统的识别精度的问题。
Description
技术领域
本发明涉及生物特征识别、图像处理与模式识别、深度学习技术领域,具体涉及一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法。
背景技术
生物特征识别技术是指利用人本身特有的生理或者行为特征,如人脸、指纹、虹膜、掌纹、声纹和签名等,通过一些模式识别算法来进行身份识别的技术。相比传统的身份识别方法,生物特征识别技术更加可靠、安全、方便等。指静脉识别技术作为一种新兴的生物特识别技术,以其独有的活体检测能力在生物特征识别领域获得一席之地,与其他生物特征识别相比,指静脉识别所具有独特的优势包括:(1)指静脉的采集为非接触方式,安全卫生,容易被广大用户接受;(2)静脉分布在皮肤表层底下,不存在老化、磨损等问题,使得静脉纹理的唯一性得到了有效保证;(3)指静脉纹理需要在近红外光照射下通过近红外摄像头捕获,使得系统具备活体检测能力,这样给伪冒攻击识别系统增加了难度;(4)静脉成像精度的低要求使得系统对摄像头的要求不高,从而降低了手指静脉识别系统的成本,为实现产品的大众化增加了可能性;(5)采集装置小,易于实现产品小型化。这些优势都使得静脉识别在近些年得到了进一步的深入研究,进而获得了广泛的市场接受度。尽管目前其发展趋势不错,但由于其自身成像机理的问题,使得现有的手指静脉识别系统采集到的图像质量并不高,主要原因包括:采集装置设计问题,充分未考虑不同手指厚度不一样的情况;未考虑手指轴向偏转引起的图像偏差,因而目前的系统基本没有针对认证过程中手指发生轴向偏转的有效算法,因此,需要严格约束手指放置位置,降低用户体验。除了图像质量偏低的问题外,近期的一些研究发现通过一些静脉伪造技术,可以攻击欺骗现有的识别系统,从而严重影响了指静脉识别系统的安全性。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,该方法通过采集多级光强下的手指静脉图像,然后选择出一张最清晰的图像,然后进行仿冒检测,再利用卷积网络提取图像特征进行识别,从而提高了识别方法的安全性和识别精度。
本发明的目的可以通过采取如下技术方案达到:
一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,所述识别方法包括:
S1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;
S2、使用局部二进制模式LBP对手指静脉图像的高频部分特征进行纹理特征编码;
S3、通过高通滤波器提取手指静脉图像的高频部分特征,通过静脉识别浅层卷积神经网络提取手指图像特征;
S4、使用SVM分类器进行仿冒检测区分真伪静脉图像。
进一步地,所述步骤S1中分别采集6张在6级不同光强下的手指静脉图像。
进一步地,所述步骤S1中采用带约束项的最大信息熵方法选出清晰度最高的一张手指静脉图像,其中图像区域{x,R}的信息熵由如下公式计算得到:
其中,D表示图像的灰度等级,其取值为d1,…,di…,dr,PD(di,x,R)表示灰度取值di在图像区域{x,R}上发生的概率。
进一步地,所述约束项为沿着手指轴向将手指静脉图像等分切分的四个局部区域块,每一个局部区域块的灰度均值不能大于设定的阈值。
进一步地,所述步骤S1中预处理截取图像ROI区域的具体过程如下:
S101、先对手指静脉图像进行高斯低通滤波去除噪声干扰;
S102、使用水平边缘检测算子进行边缘检测;
S103、采用连通域检测方法获取最大的两个连通域,以去除背景的干扰信息;
S104、沿着水平方向检测上下边缘的中心点,并使用最小二乘法拟合中线,计算出中线与水平线的夹角,根据夹角对手指进行旋转校正;
S105、根据两侧边缘信息,去除背景;
S106、使用滑动窗口求和的方法检测关节位置,并根据关节位置信息截取ROI区域。
进一步地,通过n阶巴特沃思高通滤波器提取所述手指静脉图像的高频部分特征,其中,所述n阶巴特沃思高通滤波器的传递函数如下公式:
其中,D0表示截止频率与原点的距离。
进一步地,所述静脉识别浅层卷积神经网络保留AlexNet网络的前三层卷积层,第一阶段的卷积层中,卷积核大小为11×11,输出96个特征图,然后使用LRN层归一化局部响应,对归一化后的特征图使用3×3的最大池化方法进行下采样,第二阶段的相应层的操作与第一阶段的相似,不同的是卷积核大小变为5×5,输出特征图个数为256,第三阶段没有归一化层,卷积核大小为3×3,输出特征图个数为384,下采样也采用3×3 的最大池化;池化后连接两层神经元节点个数都为512的全连接层,最后一层输出层为SoftMax层。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明提出的基于卷积网络且具备仿冒检测功能的嵌入式指静脉识别方法通过采集多级光强的图像然后选择出一张最清晰的图像给后续处理,减小了采集手指静脉图像不清晰问题对识别系统的影响。
(2)本发明提出的基于卷积网络且具备仿冒检测功能的嵌入式指静脉识别方法,提取了手指静脉的高频特征进行真伪分类,提高了指静脉识别系统的安全性。
(3)本发明提出的基于卷积网络且具备仿冒检测功能的嵌入式指静脉识别方法,通过设计一个浅层的卷积神经网络模型,实现了高鉴别性特征的有效获取,用于解决手指轴向偏转带来的类内距离偏大的问题,在构建的一个存在较大手指轴向偏转的指静脉图像数据库中,识别率达到了 94.379%,相比基于纹理特征方法提高了17.81%,大大提高了系统的识别精度。
附图说明
图1是本发明公开的基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法的流程图;
图2是本发明采集的六级光强手指静脉图像示例;
图3是本发明的防伪算法框架;
图4是提出的CNN网络模型;
图5是真实静脉图像;
图6是真实静脉经过巴特沃思高通滤波器滤波后的效果图;
图7是伪造静脉图像;
图8是伪造静脉经过巴特沃思高通滤波器滤波后的效果图;
图9(a)为识别方法在瑞士伪冒指静脉数据库的性能效果图;
图9(b)为识别方法在瑞士伪冒掌静脉数据库的性能效果图;
图9(c)为识别方法在自建伪冒指静脉数据库的性能效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
实施例一
本实施例公开了一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,如附图1所示,具体包括下列步骤:
S1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;
S2、使用局部二进制模式LBP对手指静脉图像的高频部分特征进行纹理特征编码;
S3、通过高通滤波器提取手指静脉图像的高频部分特征,通过静脉识别浅层卷积神经网络提取手指图像特征;
S4、使用SVM分类器进行仿冒检测区分真伪静脉图像。
其中,步骤S1中,采用巴特沃思高通滤波器获取手指静脉的高频图像,巴特沃思高通滤波器滤波效果如图6和图8所示。
步骤S2中,使用局部二进制模式LBP表示高频图像纹理特征,总共有256维特征。
步骤S3中,对纹理特征编码后的静脉图像使用SVM分类器进行分类,区分出真伪静脉图像。
根据静脉图像特征及嵌入式应用的特点对AlexNet网络进行针对性改进,设计了一个新的静脉识别浅层卷积神经网络,用于提取图像特征,并成功移植到嵌入式系统中,同时保证了准确度和实时性。
具体应用中,步骤S1的具体过程如下:
采集6级不同光强下的图像,如图2所示,对原始图像采用固定大小窗口方法简单的去除背景干扰信息,然后进行高斯低通滤波去除噪声干扰。最后,采用带约束项的最大信息熵方法选择最清晰的图像。作为一种特征统计形式,图像熵计算了图像的平均信息量,一维图像熵表示图像分布的聚集特征。图像区域{x,R}的信息熵由如下公式计算得到。
其中,D表示图像的灰度等级,其取值为d1,…,di…,dr,PD(di,x,R)表示灰度取值di在图像区域{x,R}上发生的概率。
此外,为了选择的最优图像出现局部曝光现象(局部曝光会丢失许多静脉信息),因此在确定最优图像时,增加了一个约束项,沿着手指轴向将手指静脉图像等分切分的四个局部区域块,每一个局部区域块的灰度均值不能大于某个阈值,该阈值通过实验确定。
自动从6级光强的手指静脉图像中选择最优图像后截取ROI区域。具体流程为:(1)先对图像进行高斯低通滤波去除噪声干扰;(2)然后使用水平边缘检测算子进行边缘检测;(3)采用连通域检测方法获取最大的两个连通域,以去除背景的干扰信息;(4)沿着水平方向检测上下边缘的中心点,并使用最小二乘法拟合中线,计算出中线与水平线的夹角,根据夹角对手指进行旋转校正;(5)根据两侧边缘信息,去除背景;(6)使用滑动窗口求和的方法检测关节位置,并根据关节位置信息截取ROI区域。
具体应用中,步骤S3的具体过程如图3所示,具体包括:
通过n阶巴特沃思高通滤波器提取所述静脉图像的高频部分特征,其中,所述n阶巴特沃思高通滤波器的传递函数如下公式:
其中,D0表示截止频率与原点的距离。
对高频图像使用局部二值模式LBP方法提取一个256维的纹理特征,然后使用SVM进行分类,区分真伪静脉图像。
具体应用中,本发明设计了一个新的静脉识别浅层卷积神经网络,用于提取图像特征,并移植到嵌入式系统中,具体包括:
基于AlexNet网络微调出适用于指静脉识别的CNN网络,如图4所示。提出网络模型输入大小为128×64的手指静脉图像,保留AlexNet网络的前三层卷积层。第一阶段的卷积层中,卷积核大小为11×11,输出96个特征图,然后使用LRN层归一化局部响应,对归一化后的特征图使用3× 3的最大池化方法进行下采样。第二阶段的相应层的操作与第一阶段的相似,不同的是卷积核大小变为5×5,输出特征图个数为256。第三阶段没有归一化层,卷积核大小为3×3,输出特征图个数为384,下采样也采用 3×3的最大池化。池化后连接两层神经元节点个数都为512的全连接层,最后一层输出层为SoftMax层,每一层详细的参数及输入输出维数如表1 所示。
表1.提出的CNN模型的每一层参数
训练好网络后,使用该网络提取手指静脉图像特征。第一层卷积层表示的是指静脉的静脉纹路细节特征,越往后表达的信息越抽象,其特征越具有区分性,所以提取后面的全连接层FC4层作为手指静脉图像的特征。实验结果表明,提取FC4和FC5特征识别结果差不多,为节省计算时间,选择FC4作为特征层。提取图像特征后,本文使用余弦距离度量两张图像的相似度。将该网络移植到嵌入式系统中,可以获得比较高的识别精度,同时可以达到一定的实时性。
为了给出具体数据以证明本实施例仿冒检测方法的有效性,本实施例在公开的仿冒指静脉和掌静脉数据库(瑞士IDIAP研究所伪冒攻击数据库) 和自建的仿冒数据库上设计了实验来评估该方法的有效性。
每个数据库都将按照比例6:4分为训练集和测试集,本实施例选择9 阶巴特沃思高通滤波器,截止频率与原点的距离为13。在各个数据库上的实验结果如图9所示,对应的性能参数如表2所示。为了评估防伪算法的性能,本文使用HTER(Half Total Error Rate)和d值作为评价标准,HTER 为错误接受率和错误拒绝率的均值,表示分类的精度,其值越小越好,0为完全正确分类。d表示这两类的固有区分性,d越大表示这两类区分越开。这两个标准计算如下公式所示。
HTER=(FAR+FRR)/2
其中,FAR和FRR分别为错误接受率和错误拒绝率,u1、u2为真假样本的均值,σ1、σ2为真假样本的方差。
表2各数据库分类结果
从上述结果可以看出,该防伪算法在三个数据库上都可以将真伪样本完全区分,同时d值都相对比较大,分类性能都很好。d值在自建仿冒攻击指静脉数据库上最大,说明在该数据库上固有性和泛化性最好。从上述实验可以看出,真伪静脉图像的获取是通过打印的材料进行再次采集,其真伪图像高频部分具有很大的区别,提取高频部分特征可以获得比较好的分类性能,证明了该防伪方法的有效性。
实施例二
本实施例公开了一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,具体包括了以下步骤:
S1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;
S2、使用局部二进制模式LBP对手指静脉图像的高频部分特征进行纹理特征编码;
S3、通过高通滤波器提取手指静脉图像的高频部分特征,通过静脉识别浅层卷积神经网络提取手指图像特征;
S4、使用SVM分类器进行仿冒检测区分真伪静脉图像。
其中,设计的静脉识别浅层卷积神经网络,如图4所示,将网络进行训练,利用训练好的网络提取图像特征,然后使用余弦距离进行相似度测量。
为了证明该方法的优越性,本实施例比较了传统纹理特征提取方法 LBP和HOG的性能,在马来西亚手指静脉图像公开数据库和自建指静脉数据库上进行实验,结果如表3所示。
表3.等误率对比
在马来西亚指静脉数据库上,基于LBP和HOG的融合识别结果等误率为0.914%,使用CNN网络提取特征识别等误率为0.647%。该数据库的手指静脉图像在采集时,几乎没有选择偏移,位置变化很小,所以使用传统的方法进行识别时,也可以获得比较好的性能。在使用CNN网络提取特征时,依然能够将等误率降低。说明使用CNN网络提取的特征更具有区分性。
在自建的手指静脉数据库中,每根手指图像偏转都比较大,使用LBP 和HOG融合时等误率为23.42%,而基于CNN网络模型方法时,等误率骤降到5.621%。该数据库在构建时,特意增加了旋转、平移因素,传统的方法对旋转的鲁棒性不高,所以识别的等误率很高。CNN网络在训练时,已经将旋转信息学习了,提取的特征更能表达手指静脉根本信息。所以使用CNN网络提取指静脉图像特征对旋转、平移等具有很高的鲁棒性。
本实施例提出的CNN模型,同时使用两个数据库中的图像进行训练,在两个数据库上的识别率都比传统方法的识别率要高,证明了该方法确实可以获得更好的识别性能,对于不同场景采集的数据库依然适用。经典的 CNN网络(AlexNet、GoogleNet、VGG等)模型大小都为200MB以上,提出的CNN模型大小为9.5MB,相比之下该网络的模型要小很多。适合移植到嵌入式中。该CNN模型一次前向传播计算时间在CPU(I5-4590 3.3GHz) 环境中为80ms,速度非常快。由于ARM的计算能力比计算机的计算能力慢,将网络移植到ARM系统中,一次前向计算需要260ms左右,基本能够满足系统实时性的要求。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种具备仿冒检测能力的指静脉识别方法,其特征在于,所述识别方法包括:
S1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;
其中,所述步骤S1中采用带约束项的最大信息熵方法选出清晰度最高的一张手指静脉图像,其中图像区域{x,R}的信息熵由如下公式计算得到:
其中,D表示图像的灰度等级,其取值为d1,…,di…,dr,PD(di,x,R)表示灰度取值di在图像区域{x,R}上发生的概率,所述约束项为沿着手指轴向将手指静脉图像等分切分的四个局部区域块,每一个局部区域块的灰度均值不能大于设定的阈值;
S2、通过高通滤波器提取手指静脉图像的高频部分特征;
S3、使用局部二进制模式LBP对手指静脉图像的高频部分特征进行纹理特征编码;
S4、使用SVM分类器进行仿冒检测区分真伪静脉图像。
2.根据权利要求1所述的具备仿冒检测能力的指静脉识别方法,其特征在于,所述步骤S1中分别采集6张在6级不同光强下的手指静脉图像。
3.根据权利要求1所述的具备仿冒检测能力的指静脉识别方法,其特征在于,所述步骤S1中预处理截取图像ROI区域的具体过程如下:
S101、先对手指静脉图像进行高斯低通滤波去除噪声干扰;
S102、使用水平边缘检测算子进行边缘检测;
S103、采用连通域检测方法获取最大的两个连通域,以去除背景的干扰信息;
S104、沿着水平方向检测上下边缘的中心点,并使用最小二乘法拟合中线,计算出中线与水平线的夹角,根据夹角对手指进行旋转校正;
S105、根据两侧边缘信息,去除背景;
S106、使用滑动窗口求和的方法检测关节位置,并根据关节位置信息截取ROI区域。
5.一种基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,其特征在于,所述识别方法包括:
T1、采集若干张多级光强的手指静脉图像,选出清晰度最高的一张手指静脉图像,然后进行预处理截取图像ROI区域;
其中,所述步骤T1中采用带约束项的最大信息熵方法选出清晰度最高的一张手指静脉图像,其中图像区域{x,R}的信息熵由如下公式计算得到:
其中,D表示图像的灰度等级,其取值为d1,…,di…,dr,PD(di,x,R)表示灰度取值di在图像区域{x,R}上发生的概率,所述约束项为沿着手指轴向将手指静脉图像等分切分的四个局部区域块,每一个局部区域块的灰度均值不能大于设定的阈值;
T2、通过静脉识别浅层卷积神经网络提取手指静脉图像的手指图像特征;
T3、使用余弦距离进行相似度测量,实现仿冒检测区分真伪静脉图像。
6.根据权利要求5所述的基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法,其特征在于,所述静脉识别浅层卷积神经网络保留AlexNet网络的前三层卷积层,第一阶段的卷积层中,卷积核大小为11×11,输出96个特征图,然后使用LRN层归一化局部响应,对归一化后的特征图使用3×3的最大池化方法进行下采样,第二阶段的相应层的操作与第一阶段的相似,不同的是卷积核大小变为5×5,输出特征图个数为256,第三阶段没有归一化层,卷积核大小为3×3,输出特征图个数为384,下采样也采用3×3的最大池化;池化后连接两层神经元节点个数都为512的全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710319336.8A CN107292230B (zh) | 2017-05-09 | 2017-05-09 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710319336.8A CN107292230B (zh) | 2017-05-09 | 2017-05-09 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292230A CN107292230A (zh) | 2017-10-24 |
CN107292230B true CN107292230B (zh) | 2020-07-28 |
Family
ID=60095052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710319336.8A Active CN107292230B (zh) | 2017-05-09 | 2017-05-09 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292230B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN108345911B (zh) * | 2018-04-16 | 2021-06-29 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
CN109190566B (zh) * | 2018-09-10 | 2021-09-14 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN109285551B (zh) * | 2018-09-18 | 2023-05-12 | 上海海事大学 | 基于wmfcc和dnn的帕金森患者声纹识别方法 |
KR102140340B1 (ko) * | 2018-10-18 | 2020-07-31 | 엔에이치엔 주식회사 | 컨볼루션 뉴럴 네트워크를 통해 이미지 위변조를 탐지하는 시스템 및 이를 이용하여 무보정 탐지 서비스를 제공하는 방법 |
CN111291771B (zh) * | 2018-12-06 | 2024-04-02 | 西安宇视信息科技有限公司 | 对池化层特征优化的方法及装置 |
CN109785297B (zh) * | 2018-12-25 | 2021-01-08 | 韩山师范学院 | 一种脊柱侧弯的检测方法及装置 |
CN110070366A (zh) * | 2019-03-11 | 2019-07-30 | 王娅雯 | 一种密码防伪标识物的验证方法 |
CN110334597A (zh) * | 2019-05-30 | 2019-10-15 | 中国地质大学(武汉) | 基于Gabor神经网络的指静脉识别方法及系统 |
CN110222647B (zh) * | 2019-06-10 | 2022-05-10 | 大连民族大学 | 一种基于卷积神经网络的人脸活体检测方法 |
CN110674681A (zh) * | 2019-08-13 | 2020-01-10 | 平安科技(深圳)有限公司 | 基于注意力机制的身份验证方法和装置 |
CN112883758B (zh) * | 2019-11-29 | 2023-08-25 | 杭州海康威视数字技术股份有限公司 | 一种活体检测方法、装置 |
CN112199982B (zh) * | 2020-07-03 | 2022-06-17 | 桂林理工大学 | 一种基于深度学习的智能家居系统 |
CN111898527B (zh) * | 2020-07-29 | 2022-07-22 | 南京邮电大学 | 面向低质量指静脉图像的特征提取方法 |
CN112784758A (zh) * | 2021-01-25 | 2021-05-11 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种具有指静脉识别装置的微型设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419707A (zh) * | 2008-11-28 | 2009-04-29 | 重庆医科大学 | 底层图像挖掘中获取最佳质量图像的方法 |
EP2220620A1 (en) * | 2007-11-30 | 2010-08-25 | Hewlett-Packard Company | Method and system for measuring text-rendering quality |
CN102163249A (zh) * | 2011-04-12 | 2011-08-24 | 中国矿业大学 | 用于窗帘设计的交互式进化优化方法 |
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN102967983A (zh) * | 2012-11-07 | 2013-03-13 | 苏州科达科技股份有限公司 | 相机自动对焦方法 |
CN104157009A (zh) * | 2014-08-21 | 2014-11-19 | 铁道第三勘察设计院集团有限公司 | 一种多源遥感影像质量定量比选方法 |
CN105959591A (zh) * | 2016-05-30 | 2016-09-21 | 广东欧珀移动通信有限公司 | 局部hdr的实现方法及系统 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4207717B2 (ja) * | 2003-08-26 | 2009-01-14 | 株式会社日立製作所 | 個人認証装置 |
CN102222229B (zh) * | 2011-07-28 | 2015-12-02 | 陈庆武 | 手指静脉图像预处理方法 |
CN103808733A (zh) * | 2014-03-04 | 2014-05-21 | 致茂电子(苏州)有限公司 | 自动光学检测装置的对焦方法 |
CN104881634B (zh) * | 2015-05-05 | 2018-02-09 | 昆明理工大学 | 一种基于完备局部凸凹模式的光照人脸识别方法 |
CN106529468B (zh) * | 2016-11-07 | 2019-03-05 | 重庆工商大学 | 一种基于卷积神经网络的手指静脉识别方法及系统 |
-
2017
- 2017-05-09 CN CN201710319336.8A patent/CN107292230B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2220620A1 (en) * | 2007-11-30 | 2010-08-25 | Hewlett-Packard Company | Method and system for measuring text-rendering quality |
CN101419707A (zh) * | 2008-11-28 | 2009-04-29 | 重庆医科大学 | 底层图像挖掘中获取最佳质量图像的方法 |
CN102163249A (zh) * | 2011-04-12 | 2011-08-24 | 中国矿业大学 | 用于窗帘设计的交互式进化优化方法 |
CN102567996A (zh) * | 2012-01-05 | 2012-07-11 | 中国地质大学(武汉) | 一种遥感卫星图像质量评价的方法 |
CN102967983A (zh) * | 2012-11-07 | 2013-03-13 | 苏州科达科技股份有限公司 | 相机自动对焦方法 |
CN104157009A (zh) * | 2014-08-21 | 2014-11-19 | 铁道第三勘察设计院集团有限公司 | 一种多源遥感影像质量定量比选方法 |
CN105959591A (zh) * | 2016-05-30 | 2016-09-21 | 广东欧珀移动通信有限公司 | 局部hdr的实现方法及系统 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292230A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292230B (zh) | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 | |
Ko et al. | A novel and efficient feature extraction method for iris recognition | |
Gupta et al. | Fingerprint image enhancement and reconstruction using the orientation and phase reconstruction | |
Chen et al. | Iris recognition based on bidimensional empirical mode decomposition and fractal dimension | |
Zaeri | Minutiae-based fingerprint extraction and recognition | |
Choudhary et al. | A survey: Feature extraction methods for iris recognition | |
Kaur et al. | Robust iris recognition using moment invariants | |
DR et al. | PCA based Iris Recognition using DWT | |
Chirchi et al. | Feature extraction and pupil detection algorithm used for iris biometric authentication system | |
Kruti et al. | Fusion of local binary pattern and local phase quantization features set for gender classification using fingerprints | |
Ramya et al. | Certain investigation on iris image recognition using hybrid approach of Fourier transform and Bernstein polynomials | |
Azizi et al. | Efficient iris recognition through improvement of feature extraction and subset selection | |
Hu et al. | A composite fingerprint segmentation based on log-gabor filter and orientation reliability | |
Pakutharivu et al. | A comprehensive survey on fingerprint recognition systems | |
da Silva Vasconcelos et al. | Fingerprint Image Segmentation based on Oriented Pattern Analysis. | |
Ko et al. | Iris recognition using cumulative sum based change analysis | |
Zhou et al. | Crease detection from fingerprint images and its applications in elderly people | |
Mali et al. | Fingerprint recognition using global and local structures | |
Kong et al. | A two stage neural network-based personal identification system using handprint | |
Gu et al. | Selection of optimal features for iris recognition | |
Deshpande et al. | Iris recognition system using block based approach with DWT and DCT | |
Nigam et al. | Iris recognition using discrete cosine transform and relational measures | |
Alghamdi | Research Article Evaluation of Multimodal Biometrics at Different Levels of Face and Palm Print Fusion Schemes | |
Hariprasath et al. | Bimodal biometric pattern recognition system based on fusion of iris and palmprint using multi-resolution approach | |
Ephin et al. | Survey on multimodal biometric using palm print and fingerprint |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220525 Address after: 510530 No. 39, Ruihe Road, Huangpu District, Guangzhou, Guangdong Patentee after: Guangzhou Guangda Innovation Technology Co.,Ltd. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Patentee before: SOUTH CHINA University OF TECHNOLOGY |