CN107403084B - 一种基于步态数据的身份识别方法 - Google Patents

一种基于步态数据的身份识别方法 Download PDF

Info

Publication number
CN107403084B
CN107403084B CN201710601013.8A CN201710601013A CN107403084B CN 107403084 B CN107403084 B CN 107403084B CN 201710601013 A CN201710601013 A CN 201710601013A CN 107403084 B CN107403084 B CN 107403084B
Authority
CN
China
Prior art keywords
gait
sample
training
dimensional
feature matrix
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
CN201710601013.8A
Other languages
English (en)
Other versions
CN107403084A (zh
Inventor
王修晖
刘砚秋
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 University of Metrology
Original Assignee
China University of Metrology
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 University of Metrology filed Critical China University of Metrology
Priority to CN201710601013.8A priority Critical patent/CN107403084B/zh
Publication of CN107403084A publication Critical patent/CN107403084A/zh
Application granted granted Critical
Publication of CN107403084B publication Critical patent/CN107403084B/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
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于步态数据的身份识别方法，其包括如下步骤：首先提取训练样本和待识别样本的步态轮廓曲线，然后利用逐行扫描法对步态轮廓曲线进行处理，得到高维步态特征矩阵，再利用改进的光滑自编码器对高维步态特征矩阵集进行降维，最后利用最近邻算法判断待识别样本与训练样本中的哪一类最接近。本发明提供的步态识别方法采用了一种新的步态特征，并利用改进的光滑自编码器和最近邻理论进行特征降维和相似度判断，能够充分利用二维步态图像中的结构信息来刻画不同人的步态差异，从而提高基于步态信息的身份识别正确率。

Description

一种基于步态数据的身份识别方法
技术领域
本发明属于模式识别中的身份识别与认证技术领域，具体是一种基于步态数据的身份识别方法。
背景技术
随着计算机科学的普及和互联网技术的发展，用户识别在人们的生活与工作中的重要性日益提高。用户识别能够有效地保障访问的安全性，是信息安全和互联网应用的基础。传统的用户识别方法有密码识别以及智能卡等技术，然而由于其固有的局限性已经远远不能满足要求。密码容易被遗忘，而智能卡等物品可能丢失，一旦它们遗失或者被盗取，其代表的身份就容易被他人冒充。
基于生物特征的身份识别技术是身份识别领域的重要研究内容。生物特征又分为生理特征(如人脸、指纹、虹膜和掌纹等)与行为特征(如签名、步态等)。典型的基于生理特征的识别方法有指纹识别、人脸识别和虹膜识别等。指纹识别具有技术成熟，成本低廉等优点，是目前应用最广泛的生物特征识别技术。其缺点是必须物理性接触，因此具有侵犯性和卫生安全方面的不足。人脸识别是非接触式的被动识别方式，通常无需被识别人员的刻意配合；但缺点是容易受到光照、拍摄视角和表情等因素的影响，降低了识别正确率。虹膜特征识别的安全度和精准度非常高，但是特征采集过程比较复杂，难以广泛应用。
基于行为特征的身份识别技术，常见的有签名识别与步态识别。签名笔迹等容易被模仿，防欺骗性差。近年来，出现了基于特制的笔的签名识别方法，但是这类识别方法都需要借助额外的设备，需要用户配合穿戴使用，便捷性不足。步态识别是智能视频监控等领域中最具潜力的生物特征识别技术之一，它能够在远距离和视频分辨率较低的情况下根据行人步态实现身份识别。步态识别的基本步骤通常包括：第一、通过目标跟踪与检测从步态视频中分离出来步态相关信息。第二、进行步态周期分析并提取步态特征。步态特征的选取和精确提取直接影响后续的步态识别正确率。第三、利用合适的分类器进行步态识别。现有步态识别算法在提取步态特征时，通常需要先进行步态周期分割，大幅度增加了步态识别方法的应用和推广难度。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于步态数据的身份识别方法，能够更好地反映人走路过程中步态细节信息，具有更强的稀疏性，也能提高基于步态的身份识别正确率。具体技术方案如下：
一种基于步态数据的身份识别方法，包括训练阶段和识别阶段，其特征在于：
所述的训练阶段包括如下步骤：
步骤一：提取训练样本的步态轮廓曲线：首先对包含训练样本和待识别样本的步态视频序列进行预处理，根据目标的色彩和运动特性，分割出人体轮廓区域；然后采用滤波和生态学方法等对轮廓进行完善，最后，进行边缘检测，获得完整的步态轮廓曲线；
步骤二：生成高维步态特征矩阵：利用逐行扫描法对步骤一中提取的步态轮廓曲线进行逐行扫描，生成高维步态特征矩阵，该矩阵中的元素取值规则为：按照从左到右的方向，扫描线与轮廓线无交点，取值0；当前交点次数为奇数，取值为1；否则，取值为2；
(1)初始化训练阶段：通过加入随机噪声提高自编码器的鲁棒性和泛化能力，光滑自编码器的各层神经元输出计算方式如下：
其中，H1、Hn-1、Hn和HN分别为第1个、第n-1个、第n个和第N个隐藏层的输出向量，2≤n≤N，N为自编码器网络中隐藏层的个数，O为输出层输出向量，S1、Sn和SO是激活函数，W1、Wn和WO分别是S1、Sn和SO中的权值矩阵，b1、bn和bO分别是S1、Sn和SO中的偏置向量，是在原始输入x中加入随机噪声之后的受损输入；
(2)有监督的参数优化阶段：选用随机梯度下降算法，对模型参数进行整体调优，具体的优化的目标函数定义如下：
其中，L代表总体代价，M是训练样本个数，Mi是样本i的近邻样本个数，w是光滑核函数，xi代表第i个输入样本，xj代表第j个近邻样本，O(xj)和O(xi)分别表示近邻样本xj和第i个输入样本xi的对应输出；当总体代价L取最小值时，实现对模型参数的调优；
所述的识别阶段包括如下步骤：
步骤一至步骤三与所述的训练阶段相同；
步骤四：采用最近邻法进行用户身份识别，具体如下：
(1)分别将来自训练阶段步骤三所得的训练样本的低维步态特征矩阵，和识别阶段步骤三所得的待识别样本的低维步态特征矩阵按行展开成一维列向量；
(2)计算待识别样本到所有训练样本的欧氏距离，并排序；
(3)选出训练样本集中距离待识别样本最近的K个训练集数据，K是参与最终决策过程的最近邻样本个数，K＝1～N，N为训练样本的总数量，K可以根据经验取值；
(4)统计出K个训练样本出现最多的类型，即判定待识别步态样本归属此类型。
进一步地，所述的步骤三中采用的光滑核函数的公式如下：
其中R为核半径，x为待处理的向量，||x||表示x的范数。
更进一步地，所述的激活函数S1、Sn采用公式(4)的函数，SO采用公式(5)的函数：
本发明的有益效果是：本发明利用逐行扫描，提出了一种新的步态特征表示方法，能够更好地反映人走路过程中步态细节信息，同时，具有更强的稀疏性；本发明利用改进的光滑自编码器对高维步态特征矩阵进行降维，能够更好地保持输入特征空间的局部细节，提高基于步态的身份识别正确率。
附图说明
图1是本方法的实施流程；
图2是步态轮廓曲线提取的流程图；
图3是采用的光滑自编码器的网络结构；
图4是采用CASIA步态数据库的Dataset B进行身份识别正确率测试结果；
图5是采用CASIA步态数据库的Dataset C进行身份识别正确率测试结果。
具体实施方式
下面结合附图对本发明进行详细的描述。
如图1所示，本发明的基于步态数据的身份识别方法，包括训练阶段和识别阶段，其特征在于：
训练阶段包括如下步骤：
步骤一：提取训练样本的步态轮廓曲线：首先对包含训练样本和待识别样本的步态视频序列进行预处理，根据目标的色彩和运动特性，分割出人体轮廓区域；然后采用高斯滤波和膨胀、腐蚀操作等对轮廓进行完善，包括去除噪声点、填充孔洞和连接边缘等，最后，进行边缘检测，获得完整的步态轮廓曲线，具体的步态轮廓曲线提取流程如图2所示；
步骤二：生成高维步态特征矩阵：利用逐行扫描法对步骤一中提取的步态轮廓曲线进行逐行扫描，生成步态特征矩阵，该矩阵中的元素取值规则为：按照从左到右的方向，扫描线与轮廓线无交点，取值0；当前交点次数为奇数，取值为1；否则，取值为2。
生成的高维步态特征矩阵能够更好地反映人走路过程中步态细节信息，同时，与现有方法提取的步态特征相比，具有更强的稀疏性；
步骤三：利用改进的光滑自编码器对步骤二生成的高维步态特征矩阵进行降维，包括两个阶段：
(1)初始化训练阶段，通过加入随机噪声提高自编码器的鲁棒性和泛化能力，光滑自编码器的各层神经元输出计算方式如下：
其中，H1、Hn-1、Hn和HN分别为第1个、第n-1个、第n个和第N个隐藏层的输出向量，2≤n≤N，N为自编码器网络中隐藏层的个数，O为输出层输出向量，S1、Sn和SO是激活函数，W1、Wn和WO是相应的权值矩阵，b1、bn和bO是相应的偏置向量，是在原始输入x中加入随机噪声之后的受损输入，S1和Sn采用公式(2)所示的sigmoid函数，SO采用公式(3)所示的双曲正切函数；
(2)有监督的参数优化阶段，选用随机梯度下降算法，对模型参数进行整体调优，具体的优化的目标函数定义如下：
其中，L代表总体代价，M是训练样本个数，Mi是样本i的近邻样本个数，xi代表第i个输入样本，xj代表第j个近邻样本，O(xj)和O(xi)分别表示近邻样本xj和第i个输入样本xi的对应输出；函数w(xi,xj)是光滑核函数，用来实现随着近邻样本xj到第i个输入样本xi的距离增加，其对xi的影响逐渐减小的功能。实施例中使用的光滑核函数如公式(5)所示：
其中R为核半径，x为待处理的向量，||x||表示x的范数。
当总体代价L取最小值时，实现对模型参数的调优。
识别阶段包括如下步骤：
步骤一至步骤三与所述的训练阶段相同；
步骤四：采用最近邻法进行用户身份识别：具体如下：
(1)分别将来自训练阶段步骤三所得的训练样本的低维步态特征矩阵，和识别阶段步骤三所得的待识别样本的低维步态特征矩阵按行展开成一维列向量；
(2)计算待识别样本到所有训练样本的欧氏距离，并排序。欧式距离的计算过程为：记待识别样本对应的一维列向量为Vx＝(vx1,vx2,…,vxn)T,训练集中的第i个样本对应的一维列向量为Vi＝(vi1,vi2,…,vin)T，这里的1≤i≤M,M是训练样本的个数，n是步骤三所得一维列向量的长度。则待识别样本与第i个训练样本的欧式距离为：
(3)选出训练样本集中距离待识别样本最近的K个训练集数据，K是参与最终决策过程的最近邻样本个数，K＝1～N，N为训练样本的总数量，K可以根据经验取值：K值越小意味着只有与待识别样本较近的训练样本才对最终决策结果起作用，因而容易发生过拟合；反之，K值越大，训练过程中的近似误差增大，这时与待识别样本较远的样本也会影响最终决策结果，增加失误的概率；本发明中，K取10；
(4)统计出K个训练样本出现最多的类型，即判定待识别步态样本归属此类型。
实例1：采用CASIA步态数据库的Dataset B进行身份识别正确率测试
CASIA Dataset B是一个大规模的多视角步态数据集。该数据集采集于2005年，共包含124个人的15004个步态视频。每个人的步态从11个视角(0，18，36，…,180度)进行采集，行走条件包括三种：普通条件、穿大衣和背包。本实施例的识别结果与基于HMM(隐马尔可夫模型)、CNN(卷积神经网络)、以及VTM(视角变换矩阵)的方法进行了对比试验。训练数据获取方法:随机选取正常状态下每个人90度视角的不同比例步态数据用于训练，剩余90度视角数据和其它视角数据用于身份识别测试。本申请提出的方法与三种现有方法的对比实验结果如图4所示，横轴为训练数据占90度视角步态数据的比例(从1％到100％)，纵轴为平均识别率。从图4可以看出，与现有基于步态数据的身份识别方法比较，本发明的方法具有更高的平均识别率，尤其是当训练数据体量较大的时候，效果更加明显。
实例2：采用CASIA步态数据库的Dataset C进行身份识别正确率测试
CASIA Dataset C是一个用红外摄像机采集的大规模步态数据集，针对夜间场景。该数据集采集于2005年，包含153个人的1583个步态视频。每个人的行走条件包括四种：正常行走、快走、慢走和带包走。本实施例的识别结果与基于HMM(隐马尔可夫模型)、CNN(卷积神经网络)、以及VTM(视角变换矩阵)的方法进行了对比试验。训练数据获取方法:随机从正常行走数据中选取不同比例的步态数据用于训练，剩余正常行走数据和其它条件数据用于身份识别测试。本申请提出的方法与三种现有方法的对比实验结果如图5所示，横轴为训练数据占90度视角步态数据的比例(从1％到100％)，纵轴为平均识别率。从图5可以看出，与现有基于步态数据的身份识别方法比较，本发明的方法在输入为红外视频数据时，平均正确识别率也具有显著的优势。

Claims (3)

1.一种基于步态数据的身份识别方法，包括训练阶段和识别阶段，其特征在于：
所述的训练阶段包括如下步骤：
步骤一：提取训练样本的步态轮廓曲线：首先对包含训练样本和待识别样本的步态视频序列进行预处理，根据目标的色彩和运动特性，分割出人体轮廓区域；然后采用滤波和生态学方法对轮廓进行完善，最后，进行边缘检测，获得完整的步态轮廓曲线；
步骤二：生成高维步态特征矩阵：利用逐行扫描法对步骤一中提取的步态轮廓曲线进行逐行扫描，生成高维步态特征矩阵，该矩阵中的元素取值规则为：按照从左到右的方向，扫描线与轮廓线无交点，取值0；当前交点次数为奇数，取值为1；否则，取值为2；
步骤三：利用改进的光滑自编码器对步骤二生成的高维步态特征矩阵进行降维，包括两个阶段：
(1)初始化训练阶段：通过加入随机噪声提高自编码器的鲁棒性和泛化能力，光滑自编码器的各层神经元输出计算方式如下：
其中，H1、Hn-1、Hn和HN分别为第1个、第n-1个、第n个和第N个隐藏层的输出向量，2≤n≤N，N为自编码器网络中隐藏层的个数，O为输出层输出向量，S1、Sn和SO是激活函数，W1、Wn和WO分别是S1、Sn和SO中的权值矩阵，b1、bn和bO分别是S1、Sn和SO中的偏置向量，是在原始输入x中加入随机噪声之后的受损输入；
(2)有监督的参数优化阶段：选用随机梯度下降算法，对模型参数进行整体调优，具体的优化的目标函数定义如下：
其中，L代表总体代价，M是训练样本个数，Mi是样本i的近邻样本个数，w是光滑核函数，xi代表第i个输入样本，xj代表第j个近邻样本，O(xj)和O(xi)分别表示近邻样本xj和第i个输入样本xi的对应输出；当总体代价L取最小值时，实现对模型参数的调优；
所述的识别阶段包括如下步骤：
步骤一至步骤三与所述的训练阶段相同；
步骤四：采用最近邻法进行用户身份识别，具体如下：
(1)分别将来自训练阶段步骤三所得的训练样本的低维步态特征矩阵，和识别阶段步骤三所得的待识别样本的低维步态特征矩阵按行展开成一维列向量；
(2)计算待识别样本到所有训练样本的欧氏距离，并排序；
(3)选出训练样本集中距离待识别样本最近的K个训练集数据，K是参与最终决策过程的最近邻样本个数，K＝1～N，N为训练样本的总数量，K根据经验取值；
(4)统计出K个训练样本出现最多的类型，即判定待识别步态样本归属此类型。
2.根据权利要求1所述的基于步态数据的身份识别方法，所述的步骤三中采用的光滑核函数的公式如下：
其中R为核半径，x为待处理的向量，||x||表示x的范数。
3.根据权利要求1或2所述的基于步态数据的身份识别方法，所述的激活函数S1、Sn采用公式(4)的函数，SO采用公式(5)的函数：
CN201710601013.8A 2017-07-21 2017-07-21 一种基于步态数据的身份识别方法 Active CN107403084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710601013.8A CN107403084B (zh) 2017-07-21 2017-07-21 一种基于步态数据的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710601013.8A CN107403084B (zh) 2017-07-21 2017-07-21 一种基于步态数据的身份识别方法

Publications (2)

Publication Number Publication Date
CN107403084A CN107403084A (zh) 2017-11-28
CN107403084B true CN107403084B (zh) 2019-12-20

Family

ID=60401267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710601013.8A Active CN107403084B (zh) 2017-07-21 2017-07-21 一种基于步态数据的身份识别方法

Country Status (1)

Country Link
CN (1) CN107403084B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110013248A (zh) * 2018-01-08 2019-07-16 上海交通大学 脑电张量模式识别技术与脑机交互康复系统
CN108416325B (zh) * 2018-03-27 2021-11-30 中国计量大学 一种结合视角转换模型与隐马尔可夫模型的步态识别方法
CN108734204B (zh) * 2018-04-28 2021-03-16 武汉大学 基于步态的大规模手机用户快速身份识别方法
CN108647730B (zh) * 2018-05-14 2020-11-24 中国科学院计算技术研究所 一种基于历史行为共现的数据划分方法及系统
CN109274930B (zh) * 2018-07-26 2020-06-26 华为技术有限公司 一种基于步态识别的安全监控方法及装置
CN109829352B (zh) * 2018-11-20 2024-06-11 中国人民解放军陆军工程大学 融合多层稀疏学习与多视角学习的通信指纹识别方法
CN109670435B (zh) * 2018-12-13 2022-12-13 深圳市信义科技有限公司 一种基于人体步态特征对身份进行识别的方法
CN110236523A (zh) * 2019-06-17 2019-09-17 杭州电子科技大学 基于高斯回归的步态-心电rr间隔关联方法
CN110555463B (zh) * 2019-08-05 2022-05-03 西北工业大学 一种基于步态特征的身份识别方法
CN111898533B (zh) * 2020-07-30 2023-11-28 中国计量大学 一种基于时空特征融合的步态分类方法
CN113723188B (zh) * 2021-07-28 2024-06-21 国网浙江省电力有限公司电力科学研究院 一种结合人脸与步态特征的着装一致人员身份核验方法
CN115131848A (zh) * 2022-04-01 2022-09-30 深圳市丹德瑞电气有限公司 一种人员信息多维标准化智能采集系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290658A (zh) * 2007-04-18 2008-10-22 中国科学院自动化研究所 一种基于步态的性别识别方法
CN101630364A (zh) * 2009-08-20 2010-01-20 天津大学 基于融合特征的步态信息处理与身份识别方法
CN106803072A (zh) * 2016-12-30 2017-06-06 中国计量大学 基于静动态特征融合的可变视角步态识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201113143D0 (en) * 2011-07-29 2011-09-14 Univ Ulster Gait recognition methods and systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290658A (zh) * 2007-04-18 2008-10-22 中国科学院自动化研究所 一种基于步态的性别识别方法
CN101630364A (zh) * 2009-08-20 2010-01-20 天津大学 基于融合特征的步态信息处理与身份识别方法
CN106803072A (zh) * 2016-12-30 2017-06-06 中国计量大学 基于静动态特征融合的可变视角步态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
View Invariant Gait Recognition Using Only One Uniform Model;Shiqi Yu,Qing Wang,etc;《2016 23rd International Conference on Pattern Recognition (ICPR)》;20161208;第889-894页 *
傅里叶变换的多视角步态识别;刘砚秋,王旭,等;《计算机工程与应用》;20110224;第48卷(第6期);第169,170,184页 *

Also Published As

Publication number Publication date
CN107403084A (zh) 2017-11-28

Similar Documents

Publication Publication Date Title
CN107403084B (zh) 一种基于步态数据的身份识别方法
Cheng et al. Gait analysis for human identification through manifold learning and HMM
Wang et al. Generative adversarial network (GAN) based data augmentation for palmprint recognition
Al-johania et al. Dorsal Hand Vein Recognition by Convolutional Neural Networks: Feature Learning and Transfer Learning Approaches.
Obayya et al. Contactless palm vein authentication using deep learning with Bayesian optimization
CN107944356A (zh) 综合多类型特征的层次主题模型掌纹图像识别的身份认证方法
Jalilian et al. Enhanced segmentation-CNN based finger-vein recognition by joint training with automatically generated and manual labels
CN111079514A (zh) 一种基于clbp和卷积神经网络的人脸识别方法
Sayed Biometric Gait Recognition Based on Machine Learning Algorithms.
CN101582113A (zh) 一种具有身份的人脸图像分层比对识别方法
Chen et al. Explainable AI: a multispectral palm-vein identification system with new augmentation features
Mishra et al. A novel technique for fingerprint classification based on naive bayes classifier and support vector machine
Duan et al. Estimating fingerprint pose via dense voting
CN112241680A (zh) 基于静脉相似图像知识迁移网络的多模态身份认证方法
Yuan et al. Research on intelligent algorithm of identity authentication based on facial features
Houtinezhad et al. Off-line signature verification system using features linear mapping in the candidate points
Liu et al. A novel high-resolution fingerprint representation method
Adedeji et al. Comparative Analysis of Feature Selection Techniques For Fingerprint Recognition Based on Artificial Bee Colony and Teaching Learning Based Optimization
Ma et al. Focal Contrastive Learning for Palm Vein Authentication
Khodadoust et al. A novel indexing algorithm for latent palmprints leveraging minutiae and orientation field
Ahmed et al. Facial feature representation with directional ternary pattern (DTP): Application to gender classification
Kurnaz et al. Offline Signature Identification System to Retrieve personal information from cloud
Tang et al. A review of recent advances in identity identification technology based on biological features
Amrouni et al. Identity Recognition based on Palmprints: The Preliminary Results
Su et al. Linear and deep order-preserving wasserstein discriminant analysis

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