CN108921191A - 基于图像质量评估的多生物特征融合识别方法 - Google Patents
基于图像质量评估的多生物特征融合识别方法 Download PDFInfo
- Publication number
- CN108921191A CN108921191A CN201810512935.6A CN201810512935A CN108921191A CN 108921191 A CN108921191 A CN 108921191A CN 201810512935 A CN201810512935 A CN 201810512935A CN 108921191 A CN108921191 A CN 108921191A
- Authority
- CN
- China
- Prior art keywords
- face
- iris
- image
- quality
- recognition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 49
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 16
- 230000001815 facial effect Effects 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000002156 mixing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于图像质量评估的多生物特征融合识别方法,首先通过图像采集子系统采集用户的人脸和虹膜图像并对其进行相应预处理,其次对经过预处理的图像分别送入相应的识别认证子系统进行质量评估、特征提取和模板匹配等步骤,输出各自匹配分数以及相应匹配质量置信度分数,最后将这些分数归一化后送入识别融合子系统,采用动态加权融合算法得到识别认证结果。本发明的有益效果之处在于:所述方法较单一人脸或虹膜识别算法具有更高的识别准确率,能实现高精度的个人身份识别;同时,所述方法在现有主流融合识别算法基础上,提取出图像质量有用信息应用于融合识别认证过程,进一步提升系统识别性能。
Description
技术领域
本发明的实施例涉及一种基于图像质量评估的多生物特征融合识别方法,更具体地,涉及一种基于图像质量评估的包含人脸识别、虹膜识别的多生物特征融合识别方法。
背景技术
随着信息化建设的飞速发展,人类日益增大的物理与虚拟活动空间面临越来越多的身份认证识别问题,传统的基于身份证或口令的认证识别方式存在易遗忘和被窃取的风险。尤为严重的是这些传统方式无法区分真正的拥有者和取得身份标识物的冒充者,而利用一个人固有的生理或行为特征实现身份认证识别,生物特征的一些固有属性(如不易伪造和窃取等)使得它比使用身份证或口令等传统方法更为可靠。近年来,生物特征识别在可靠性、准确性方面取得了相当大的改进,但实际应用中存在一些不利因素如环境、样本采集和欺骗攻击等,影响了系统的识别准确性,使其仍无法满足一些高安全性场合的要求。
生物特征融合识别为这些情况提供了一个有效对策,它通过融合多种生物特征的特征信息,消除一些单一生物特征识别具有的弊端,以改进整个系统的识别性能,实现高精度的个体身份识别。现有多生物特征识别系统的成功实例证明了生物特征融合的可行性和有效性。随着实际应用中对信息安全要求的不断提高,生物特征融合识别依靠它能够提高准确率、可靠性和安全性等识别性能,成为当今国际生物特征识别技术的发展新方向。
由于分数层融合能够对不同特征中的信息量以及处理这些信息的难易程度之间做到很好的平衡,所以基于匹配分数加权的融合方法成为主流融合算法之一,该方法首先是将身份识别系统输出的待识别特征与训练的数据库特征进行匹配,得出的匹配程度,以"候选人"等级的模式输出结果,最后用加权等方式得出最后判断。然而该类算法未充分利用图像的有用信息,限制了融合识别性能提升。
发明内容
本发明的实施例提供一种基于图像质量评估的多生物特征融合识别算法,所述方法包括步骤:
步骤1:图像数据采集:利用摄像装置,对未知用户X的人脸和虹膜进行图像采集。
步骤2:图像预处理:主要由定位、归一化和图像增强三部分组成。人脸图像定位采用的是基于Haar特征与Adaboost相结合的算法,归一化采用平移、旋转和缩放等措施,图像增强采用直方图均衡化。虹膜图像定位采用霍夫变换(Hough)和边缘检测相结合的算法,归一化采用的是极坐标变换,图像增强采用直方图均衡化。
步骤3:图像质量评估:利用光照和清晰度作为质量影响因子来进行人脸和虹膜图像质量评估,得出人脸和虹膜图像的质量评估分数Qface和Qiris。
步骤4:特征提取和模板匹配:对人脸图像采用分块LBP(Local Binary Pattern)提取图像纹理特征,采用卡方距离(chi-square distance)与人脸特征库进行模板匹配得出匹配分数Sface,采用下方公式计算出所述次模板匹配的匹配质量置信度分数Gface;对虹膜图像利用多通道2D Log-Gabor提取虹膜纹理特征,采用海明距离(Hamming Distance)与虹膜特征库进行模板匹配得出匹配分数Siris,采用下方公式计算出所述次模板匹配的匹配质量置信度分数Giris。
步骤5:归一化处理:采用TANH方法对所有模板匹配分数进行归一化处理,采用MAX-MIN方法对所有匹配质量置信度分数进行归一化处理,处理后的每一个分数都在[0,1]之间。
步骤6:融合识别:用归一化后的匹配分数和匹配质量置信度分数进行融合识别,其具体步骤如下:步骤61:初始权重分配:用于根据预设的权值分配标准为每个归一化后的所述模板匹配分数对应分配一个初始权重值,且所有所述权值之和等于1。步骤62:权重调整:用于在保证所有所述权值之和等于1的前提下,根据所述匹配质量置信度分数调整每个对应的所述模板匹配分数的对应权值。步骤63:加权融合识别:用于根据归一化后的所述模板匹配分数和调整后的对应权值进行加权融合,得出最终的识别结果。
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述步骤4中计算匹配质量置信度分数G的公式为:
G=min{Q1,Q2}
其中Q1和Q2为进行模板匹配的两幅图像各自的质量评估分数。
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述步骤61中的所有所述初始权重权值之和等于1,即:
所述步骤62中权重调整的具体方法为:
若Gface>=Tface且Giris<Tiris时
若Gface<Tface且Giris>=Tiris时
若Gface<Tface且Giris<Tiris时
若Gface>=Tface且Giris>=Tiris时
其中,Eface与Eiris为单一人脸与虹膜识别算法的等错误率(EER),Tface和Tiris为人脸和虹膜匹配质量置信度阈值。
所述步骤63的加权融合识别方法为:
Sfusion=wface*Sface+wiris*Siris
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,对图像进行质量评估的处理方法具体为:
步骤1.对人脸图像进行质量评估的具体处理步骤为:
步骤11:将人脸图像划分为左右两半部分人脸IL和IR,然后将右半部分人脸水平翻转得到IRL;
步骤12:计算出光照对称值QS,其方法为:
其中:和表示图像IL和IRL像素灰度均值,和表示图像IL和IRL像素灰度方差,表示图像IL和IRL像素灰度协方差,N=m*n,m和n表示图像IL的宽高。
步骤13:根据人眼对灰度的敏感性,确定对人眼产生有效激励的像素灰度值范围为:62~242。统计整幅图像中像素灰度值在所述范围的数目M,确定图像光照强度m和n表示图像的宽高。
步骤14:将QS和QI结合起来,即融合光照对称度和强度,采用Q=QS*QI计算出人脸图像质量评估分数。
步骤2:对虹膜图像进行质量评估的具体处理步骤为:
步骤21:采用Haar小波变换将虹膜图像分解为一个低频子带LL和三个高频子带LH,HL,HH。
步骤22:计算出三个高频子带HH,HL,HL的能量总和EH,计算出低频子带LL的能量EL。通过计算出虹膜图像质量评估分数。
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述的Eface、Eiris、Tface和Tiris的具体获取方法为:
根据所述方法中的步骤1-5创建一个足够大的训练集库A,所述训练库A包含人脸和虹膜特征类内和类外模板匹配获取的匹配分数以及相应的匹配质量置信度分数。
根据步骤1获取的类内和类外模板匹配分数统计出单一的人脸识别和单一虹膜识别算法的ROC曲线(如附图3),进而计算出单一人脸识别与单一虹膜识别算法的等错误率Eface与Eiris。
根据步骤1获取的匹配分数和匹配质量置信度分数,计算出人脸特征的类外和类内匹配分数回归曲线fface_out(x),fface_in(x)(如附图2)。进而根据下列公式求出人脸匹配质量置信度阈值Tface。
求解虹膜匹配质量置信度阈值Tiris与求解人脸匹配质量置信度阈值Tface的方法一致。
本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法,将人脸识别算法、虹膜识别算法以及图像质量评估算法结合起来,根据最后的融合算法做出识别决策,提高识别准确率,从而提升系统识别性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本发明实施例提供的多特征融合识别系统的系统框架图;
图2为本发明实施例提供的图像匹配质量置信度与匹配分数关系图;以及
图3为本发明实施例提供的单样本下的各种算法ROC曲线图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
目前生物特征融合识别算法未充分利用图像的有用信息,限制了融合识别性能提升。
本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法,将人脸识别算法、虹膜识别算法以及图像质量评估算法结合起来,根据最后的融合算法做出识别决策,提高识别准确率,从而提升系统识别性能。
如图1所述,本发明的实施例提供一种基于图像质量评估的多生物特征融合识别算法,所述方法包括步骤:
步骤1:图像数据采集:利用摄像装置,对未知用户X的人脸和虹膜进行图像采集。所述人脸图像采集可在虹膜图像采集之前进行,具体地,利用摄像装置,对未知用户X的人脸进行定位并采集人脸图像;然后通过聚焦方式对所未知用户X的眼睛进行定位并采集虹膜图像。
步骤2:图像预处理:主要由定位、归一化和图像增强三部分组成。人脸图像定位采用的是基于Haar特征与Adaboost相结合的算法,归一化采用平移、旋转和缩放等措施,图像增强采用直方图均衡化。虹膜图像定位采用霍夫变换(Hough)和边缘检测相结合的算法,归一化采用的是极坐标变换,图像增强采用直方图均衡化。
步骤3:图像质量评估:利用光照和清晰度作为质量影响因子来进行人脸和虹膜图像质量评估,得出人脸和虹膜图像的质量评估分数Qface和Qiris。所述图像质量评估方法可采用基于概率模型的方法,这类方法首先建立图像特征与图像质量之间的统计概率模型,大多采用多变量高斯分布描述概率分布。对待评价图像,提取特征后根据概率模型计算最大后验概率的图像质量,或根据与概率模型的匹配程度(如特征间的距离)估计图像质量。
步骤4:特征提取和模板匹配:对人脸图像采用分块LBP(Local Binary Pattern)提取图像纹理特征,采用卡方距离(chi-square distance)与人脸特征库进行模板匹配得出匹配分数Sface,采用下方公式计算出所述次模板匹配的匹配质量置信度分数Gface;对虹膜图像利用多通道2D Log-Gabor提取虹膜纹理特征,采用海明距离(Hamming Distance)与虹膜特征库进行模板匹配得出匹配分数Siris,采用下方公式计算出所述次模板匹配的匹配质量置信度分数Giris。
步骤5:归一化处理:采用TANH方法对所有模板匹配分数进行归一化处理,采用MAX-MIN方法对所有匹配质量置信度分数进行归一化处理,处理后的每一个分数都在[0,1]之间。
步骤6:融合识别:用归一化后的匹配分数和匹配质量置信度分数进行融合识别,其具体步骤如下:步骤61:初始权重分配:用于根据预设的权值分配标准为每个归一化后的所述模板匹配分数对应分配一个初始权重值,且所有所述权值之和等于1。步骤62:权重调整:用于在保证所有所述权值之和等于1的前提下,根据所述匹配质量置信度分数调整每个对应的所述模板匹配分数的对应权值。步骤63:加权融合识别:用于根据归一化后的所述模板匹配分数和调整后的对应权值进行加权融合,得出最终的识别结果。
例如,如图2所示,本发明一实施例提供的图像匹配质量置信度与匹配分数关系图,其中,匹配分数随着图像匹配质量置信度升高而降低。在本发明实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述步骤4中计算匹配质量置信度分数G的公式为:
G=min{Q1,Q2}
其中Q1和Q2为进行模板匹配的两幅图像各自的质量评估分数。
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述步骤61中的所有所述初始权重权值之和等于1,即:
所述步骤62中权重调整的具体方法为:
若Gface>=Tface且Giris<Tiris时
若Gface<Tface且Giris>=Tiris时
若Gface<Tface且Giris<Tiris时
若Gface>=Tface且Giris>=Tiris时
其中,Eface与Eiris为单一人脸与虹膜识别算法的等错误率(EER),Tface和Tiris为人脸和虹膜匹配质量置信度阈值。
所述步骤63的加权融合识别方法为:
Sfusion=wface*Sface+wiris*Siris
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,对图像进行质量评估的处理方法具体为:
步骤1.对人脸图像进行质量评估的具体处理步骤为:
步骤11:将人脸图像划分为左右两半部分人脸IL和IR,然后将右半部分人脸水平翻转得到IRL;
步骤12:计算出光照对称值QS,其方法为:
其中:和表示图像IL和IRL像素灰度均值,和表示图像IL和IRL像素灰度方差,表示图像IL和IRL像素灰度协方差,N=m*n,m和n表示图像IL的宽高。
步骤13:根据人眼对灰度的敏感性,确定对人眼产生有效激励的像素灰度值范围为:62~242。统计整幅图像中像素灰度值在所述范围的数目M,确定图像光照强度m和n表示图像的宽高。
步骤14:将QS和QI结合起来,即融合光照对称度和强度,采用Q=QS*QI计算出人脸图像质量评估分数。
步骤2:对虹膜图像进行质量评估的具体处理步骤为:
步骤21:采用Haar小波变换将虹膜图像分解为一个低频子带LL和三个高频子带LH,HL,HH。
步骤22:计算出三个高频子带HH,HL,HL的能量总和EH,计算出低频子带LL的能量EL。通过计算出虹膜图像质量评估分数。
例如,在本发明的实施例提供的基于图像质量评估的多生物特征融合识别方法中,所述的Eface、Eiris、Tface和Tiris的具体获取方法为:
根据所述方法中的步骤1-5创建一个足够大的训练集库A,所述训练库A包含人脸和虹膜特征类内和类外模板匹配获取的匹配分数以及相应的匹配质量置信度分数。
根据步骤1获取的类内和类外模板匹配分数统计出单一的人脸识别和单一虹膜识别方法的ROC曲线(如附图3),进而计算出单一人脸识别与单一虹膜识别算法的等错误率Eface与Eiris。
根据步骤1获取的匹配分数和匹配质量置信度分数,计算出人脸特征的类外和类内匹配分数回归曲线fface_out(x),fface_in(x)(如附图2)。进而根据下列公式求出人脸匹配质量置信度阈值Tface。
求解虹膜匹配质量置信度阈值Tiris与求解人脸匹配质量置信度阈值Tface的方法一致。
应用本发明的实施例提供基于图像质量评估的多生物特征融合识别方法,结果在图3中给出。本发明的方法比单一人脸识别算法和单一虹膜识别算法有较低的误识率和较低的拒真率,而且比传统的加权融合方法的误识率和拒真率要低,从而提升系统识别性能。
本发明的实施例的基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (5)
1.一种基于图像质量评估的多生物特征融合识别方法,所述方法包括如下步骤:
步骤1:图像数据采集:利用摄像装置,对未知用户X的人脸和虹膜进行图像采集;
步骤2:图像预处理:主要由定位、归一化和图像增强三部分组成;人脸图像定位采用的是基于Haar特征与Adaboost相结合的算法,归一化采用平移、旋转和缩放措施,图像增强采用直方图均衡化,虹膜图像定位采用霍夫变换和边缘检测相结合的算法,归一化采用的是极坐标变换,图像增强采用直方图均衡化;
步骤3:图像质量评估:利用光照和清晰度作为质量影响因子来进行人脸和虹膜图像质量评估,得出人脸和虹膜图像的质量评估分数Qface和Qiris;
步骤4:特征提取和模板匹配:对人脸图像采用分块LBP提取图像纹理特征,采用卡方距离与人脸特征库进行模板匹配得出匹配分数Sface,采用下方公式计算出次模板匹配的匹配质量置信度分数Gface;对虹膜图像利用多通道2DLog-Gabor提取虹膜纹理特征,采用海明距离与虹膜特征库进行模板匹配得出匹配分数Siris,采用下方公式计算出所述次模板匹配的匹配质量置信度分数Giris;
步骤5:归一化处理:采用TANH方法对所有模板匹配分数进行归一化处理,采用MAX-MIN方法对所有匹配质量置信度分数进行归一化处理,处理后的每一个分数都在[0,1]之间;
步骤6:融合识别:用归一化后的匹配分数和匹配质量置信度分数进行融合识别,其具体步骤如下:
步骤61:初始权重分配:用于根据预设的权值分配标准为每个归一化后的所述模板匹配分数对应分配一个初始权重值,且所有所述权值之和等于1;
步骤62:权重调整:用于在保证所有所述权值之和等于1的前提下,根据所述匹配质量置信度分数调整每个对应的所述模板匹配分数的对应权值;
步骤63:加权融合识别:用于根据归一化后的所述模板匹配分数和调整后的对应权值进行加权融合,得出最终的识别结果。
2.根据权利要求1所述的识别方法,所述步骤4中计算匹配质量置信度分数G的公式为:
G=min{Q1,Q2}
其中Q1和Q2为进行模板匹配的两幅图像各自的质量评估分数。
3.根据权利要求1所述的识别方法,所述步骤61中的所有所述初始权重权值之和等于1,即:
所述步骤62中权重调整的具体方法为:
若Gface>=Tface且Giris<Tiris时
若Gface<Tface且Giris>=Tiris时
若Gface<Tface且Giris<Tiris时
若Gface>=Tface且Giris>=Tiris时
其中,Eface与Eiris为单一人脸与虹膜识别算法的等错误率,Tface和Tiris为人脸和虹膜匹配质量置信度阈值;
所述步骤63的加权融合识别方法为:
Sfusion=wface*Sface+wiris*Siris。
4.根据权利要求1所述的识别方法,对图像进行质量评估的处理方法具体为:
步骤1.对人脸图像进行质量评估的具体处理步骤为:
步骤11:将人脸图像划分为左右两半部分人脸IL和IR,然后将右半部分人脸水平翻转得到IRL;
步骤12:计算出光照对称值QS,其方法为:
其中:和表示图像IL和IRL像素灰度均值,和表示图像IL和IRL像素灰度方差,表示图像IL和IRL像素灰度协方差,N=m*n,m和n表示图像IL的宽高;
步骤13:根据人眼对灰度的敏感性,确定对人眼产生有效激励的像素灰度值范围为:62~242;统计整幅图像中像素灰度值在所述范围的数目M,确定图像光照强度m和n表示图像的宽高;
步骤14:将QS和QI结合起来,即融合光照对称度和强度,采用Q=QS*QI计算出人脸图像质量评估分数;
步骤2:对虹膜图像进行质量评估的具体处理步骤为:
步骤21:采用Haar小波变换将虹膜图像分解为一个低频子带LL和三个高频子带LH,HL,HH;
步骤22:计算出三个高频子带HH,HL,HL的能量总和EH,计算出低频子带LL的能量EL;通过计算出虹膜图像质量评估分数。
5.根据权利要求1所述的识别方法,所述的Eface、Eiris、Tface和Tiris的具体获取方法为:
根据所述方法中的步骤1~5创建一个足够大的训练集库A,所述训练库A包含人脸和虹膜特征类内和类外模板匹配获取的匹配分数以及相应的匹配质量置信度分数;
根据步骤1获取的类内和类外模板匹配分数统计出单一的人脸识别和单一虹膜识别算法的ROC曲线;进而计算出单一人脸识别与单一虹膜识别算法的等错误率Eface与Eiris;
根据步骤1获取的匹配分数和匹配质量置信度分数,计算出人脸特征的类外和类内匹配分数回归曲线fface_out(x),fface_in(x);进而根据下列公式求出人脸匹配质量置信度阈值Tface;
求解虹膜匹配质量置信度阈值Tiris与求解人脸匹配质量置信度阈值Tface的方法一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810512935.6A CN108921191B (zh) | 2018-05-25 | 2018-05-25 | 基于图像质量评估的多生物特征融合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810512935.6A CN108921191B (zh) | 2018-05-25 | 2018-05-25 | 基于图像质量评估的多生物特征融合识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921191A true CN108921191A (zh) | 2018-11-30 |
CN108921191B CN108921191B (zh) | 2021-10-26 |
Family
ID=64411004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810512935.6A Active CN108921191B (zh) | 2018-05-25 | 2018-05-25 | 基于图像质量评估的多生物特征融合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921191B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657768A (zh) * | 2018-12-22 | 2019-04-19 | 西北工业大学 | 制造状态采集分析装置 |
CN109948718A (zh) * | 2019-03-26 | 2019-06-28 | 广州国音智能科技有限公司 | 一种基于多算法融合的系统及方法 |
CN110020617A (zh) * | 2019-03-27 | 2019-07-16 | 五邑大学 | 一种基于生物特征的身份识别方法、装置和存储介质 |
CN110532856A (zh) * | 2019-07-16 | 2019-12-03 | 公安部第一研究所 | 一种多算法融合的人脸识别方法 |
CN111611848A (zh) * | 2020-04-02 | 2020-09-01 | 北京中科虹霸科技有限公司 | 尸体虹膜识别方法和装置 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111797721A (zh) * | 2020-06-17 | 2020-10-20 | 深圳达闼科技控股有限公司 | 用于身份识别的方法和装置,存储介质 |
CN112070950A (zh) * | 2020-08-24 | 2020-12-11 | 深圳市铁虎门禁智能技术有限公司 | 脱机人脸识别电梯门禁控制方法、设备及其系统 |
CN112163507A (zh) * | 2020-09-25 | 2021-01-01 | 北方工业大学 | 一种面向移动端的轻量级虹膜识别系统 |
CN112686316A (zh) * | 2020-12-30 | 2021-04-20 | 上海掌门科技有限公司 | 一种用于确定标签的方法与设备 |
CN113361554A (zh) * | 2020-03-06 | 2021-09-07 | 北京眼神智能科技有限公司 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
CN113591767A (zh) * | 2021-08-09 | 2021-11-02 | 浙江大华技术股份有限公司 | 图像识别评估值的确定方法及装置、存储介质、电子装置 |
CN113822308A (zh) * | 2020-06-20 | 2021-12-21 | 北京眼神智能科技有限公司 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147310A1 (en) * | 2002-03-14 | 2005-07-07 | Microsoft Corporation | Distributing limited storage among a collection of media objects |
US8571290B2 (en) * | 2008-10-07 | 2013-10-29 | Carestream Health, Inc. | Automated quantification of digital radiographic image quality |
CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
CN105843919A (zh) * | 2016-03-24 | 2016-08-10 | 云南大学 | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 |
CN106339931A (zh) * | 2015-12-02 | 2017-01-18 | 广西职业技术学院 | 一种多功能税务服务系统 |
US20170103091A1 (en) * | 2015-10-07 | 2017-04-13 | Google Inc. | Displaying objects based on a plurality of models |
-
2018
- 2018-05-25 CN CN201810512935.6A patent/CN108921191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147310A1 (en) * | 2002-03-14 | 2005-07-07 | Microsoft Corporation | Distributing limited storage among a collection of media objects |
US8571290B2 (en) * | 2008-10-07 | 2013-10-29 | Carestream Health, Inc. | Automated quantification of digital radiographic image quality |
CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
US20170103091A1 (en) * | 2015-10-07 | 2017-04-13 | Google Inc. | Displaying objects based on a plurality of models |
CN106339931A (zh) * | 2015-12-02 | 2017-01-18 | 广西职业技术学院 | 一种多功能税务服务系统 |
CN105843919A (zh) * | 2016-03-24 | 2016-08-10 | 云南大学 | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 |
Non-Patent Citations (4)
Title |
---|
FENG-JING AN 等: "APPROCH FOR ESTIMATING THE QUALITY OF FINGERPRINT IMAGE BASED ON THE CHARACTER OF RIDGE AND VALLEY LINES", 《IEEE》 * |
YIJIAN PEI 等: "The Improved Wavelet Transform Based Image Fusion Algorithm and The Quality Assessment", 《2010 3RD INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
YUTAO LIU 等: "Quality Assessment for Out-of-Focus Blurred Images", 《RESEARCHGET》 * |
陈戟 等: "基于小波包分解的虹膜图像质量评价算法", 《清华大学学报(自然科学版)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657768A (zh) * | 2018-12-22 | 2019-04-19 | 西北工业大学 | 制造状态采集分析装置 |
CN109657768B (zh) * | 2018-12-22 | 2022-02-15 | 西北工业大学 | 制造状态采集分析装置 |
CN109948718A (zh) * | 2019-03-26 | 2019-06-28 | 广州国音智能科技有限公司 | 一种基于多算法融合的系统及方法 |
CN109948718B (zh) * | 2019-03-26 | 2022-03-15 | 广州国音智能科技有限公司 | 一种基于多算法融合的系统及方法 |
CN110020617A (zh) * | 2019-03-27 | 2019-07-16 | 五邑大学 | 一种基于生物特征的身份识别方法、装置和存储介质 |
CN110532856A (zh) * | 2019-07-16 | 2019-12-03 | 公安部第一研究所 | 一种多算法融合的人脸识别方法 |
CN113361554A (zh) * | 2020-03-06 | 2021-09-07 | 北京眼神智能科技有限公司 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
CN113361554B (zh) * | 2020-03-06 | 2024-05-24 | 北京眼神智能科技有限公司 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
CN111611848A (zh) * | 2020-04-02 | 2020-09-01 | 北京中科虹霸科技有限公司 | 尸体虹膜识别方法和装置 |
CN111611848B (zh) * | 2020-04-02 | 2024-02-06 | 北京中科虹霸科技有限公司 | 尸体虹膜识别方法和装置 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111640090B (zh) * | 2020-05-12 | 2022-05-31 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111797721A (zh) * | 2020-06-17 | 2020-10-20 | 深圳达闼科技控股有限公司 | 用于身份识别的方法和装置,存储介质 |
CN113822308A (zh) * | 2020-06-20 | 2021-12-21 | 北京眼神智能科技有限公司 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
CN113822308B (zh) * | 2020-06-20 | 2024-04-05 | 北京眼神智能科技有限公司 | 多模态生物识别的比对分数融合方法、装置、介质及设备 |
CN112070950A (zh) * | 2020-08-24 | 2020-12-11 | 深圳市铁虎门禁智能技术有限公司 | 脱机人脸识别电梯门禁控制方法、设备及其系统 |
CN112163507A (zh) * | 2020-09-25 | 2021-01-01 | 北方工业大学 | 一种面向移动端的轻量级虹膜识别系统 |
CN112163507B (zh) * | 2020-09-25 | 2024-03-05 | 北方工业大学 | 一种面向移动端的轻量级虹膜识别系统 |
CN112686316A (zh) * | 2020-12-30 | 2021-04-20 | 上海掌门科技有限公司 | 一种用于确定标签的方法与设备 |
CN113591767A (zh) * | 2021-08-09 | 2021-11-02 | 浙江大华技术股份有限公司 | 图像识别评估值的确定方法及装置、存储介质、电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108921191B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921191A (zh) | 基于图像质量评估的多生物特征融合识别方法 | |
US9189686B2 (en) | Apparatus and method for iris image analysis | |
Das et al. | Sclera recognition using dense-SIFT | |
Vyas et al. | Iris recognition using 2-D Gabor filter and XOR-SUM code | |
Barpanda et al. | Iris feature extraction through wavelet mel-frequency cepstrum coefficients | |
CN109446948A (zh) | 一种基于Android平台的人脸和语音多生物特征融合认证方法 | |
Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
Ramya et al. | Certain investigation on iris image recognition using hybrid approach of Fourier transform and Bernstein polynomials | |
Abdullah et al. | Efficient small template iris recognition system using wavelet transform | |
Latha et al. | A robust person authentication system based on score level fusion of left and right irises and retinal features | |
Choudhary et al. | A Statistical Approach for Iris Recognition Using K-NN Classifier | |
Lokhande et al. | Wavelet packet based iris texture analysis for person authentication | |
Vinitha et al. | Face recognition using probabilistic neural networks | |
Alghamdi | Research Article Evaluation of Multimodal Biometrics at Different Levels of Face and Palm Print Fusion Schemes | |
Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures | |
Harakannanavar et al. | Design of an efficient algorithm for Iris recognition | |
Islam et al. | Partial iris image recognition using wavelet based texture features | |
Fan et al. | Cat Face Recognition Based on MFCC and GMM | |
Rajbhoj et al. | Haar wavelet approach of iris texture extraction for personal recognition | |
Chawla et al. | A robust segmentation method for iris recognition | |
Joshi et al. | An iris recognition based robust intrusion detection system | |
Koh et al. | A multimodal iris recognition using Gabor transform and Contourlet | |
Azizi et al. | A novel method using contourlet to extract features for iris recognition system | |
Ganorkar et al. | Implementation of iris occlusion estimation methods | |
Ghodrati et al. | Two Approaches Based on Genetic Algorithm to Generate Short Iris Codes |
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 |