CN108960125A - 一种三维掌纹识别方法 - Google Patents
一种三维掌纹识别方法 Download PDFInfo
- Publication number
- CN108960125A CN108960125A CN201810693057.2A CN201810693057A CN108960125A CN 108960125 A CN108960125 A CN 108960125A CN 201810693057 A CN201810693057 A CN 201810693057A CN 108960125 A CN108960125 A CN 108960125A
- Authority
- CN
- China
- Prior art keywords
- palm print
- dimensional palm
- curvature
- image
- curved surface
- 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
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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种三维掌纹识别方法。该方法仅采用三维掌纹的分块局部特征,即相位和曲面类型分块直方图,提出一种三维掌纹特征模型,在提高识别效果的同时避免使用二维掌纹图像,使得整个系统免受光线强度及抓痕影响。采用的三维掌纹局部特征对图像的微小平移、旋转甚至缩放有一定鲁棒性,因此不需要采用多次平移、最近迭代、互相关等方法进行图像对齐,提高了识别效率。在稀疏表示分类器中加入中间项,通过改善稀疏系数提出改进的稀疏表示分类器;稀疏系数可在三维掌纹分类之前计算,而且分类的过程中采用子空间方式比对图像,使得当训练库存在大量样本时,测试样本与训练样本不用一一比对,降低了数据冗余、运算量和处理时间。
Description
技术领域
本发明涉及生物特征识别技术领域,具体为一种基于分块局部特征和改进稀疏表示的三维掌纹识别方法。
背景技术
随着信息技术和网络技术的高速发展,信息安全显示出前所未有的重要性,传统的身份鉴别方法,比如智能卡、钥匙、密码等,极易丢失、遗忘、被复制以及被盗用,而通过辨识人的生理和行为特征进行身份认证的生物特征识别技术以其特有的永久性、稳定性和唯一性,得到越来越多的应用。生物特征识别技术是利用人的生物学特征或行为学特征进行识别的技术,常用的生物学特征有指纹、掌纹、脸部、虹膜等,行为学特征有步态、字体等。掌纹作为一种新兴的生物特征,具有诸多优势,如采样简单、图像信息丰富、用户接受程度高、不易伪造、受噪声干扰小等。但是由于掌纹识别技术起步较晚,尚处于学习和借鉴其他生物特征识别技术的阶段。
已有关于掌纹识别的研究和应用多是基于二维的掌纹图像,易受干湿度、压力、残影等影响。而且掌纹本是三维的生物特征,缺失一维信息将使后续的特征提取不精确,从而影响最终识别的精度。因此,三维掌纹识别技术成为识别领域研究的热点。
D.Zhang,G.M.Lu,W.Li,L.Zhang,and N.Luo在“基于三维信息的掌纹识别”(Palmprint recognition using 3-D information,IEEE Transactions on Systems,Man,and Cybernetics-Part C:Applications and Reviews,2009,39(5):505-519)的文章中,首次提出将曲面的平均曲率、高斯曲率和曲面类型作为三维掌纹特征,并在多次平移对齐图像之后将三种特征进行分数层融合。为达到更好的识别效果,又将二维掌纹图像和三维掌纹图像分别进行特征层融合和分数层融合。实验结果表明,二维和三维相结合的方法能够得到最好的识别效果,但是多次平移对齐图像使得运算量大大增加,需考虑图像旋转平移带来的影响。
L.Zhang,Y.Shen,H.Y.Li,and J.W.Lu在“基于分块特征和协作表示的三维掌纹识别”(3D palmprint identification using block-wise features and collaborativerepresentation,IEEE Transactions on Pattern Analysis and MachineIntelligence,2015,37(8):1730-1736)文章中,提出采用曲面类型的分块直方图做特征,应用协作表示分类器进行识别。此方法不需考虑图像的旋转平移,识别速度大大提高,但是识别率有所下降。
D.Zhang,V.Kanhangad,N.Luo,and A.Kumar在“基于二维和三维特征的鲁棒性掌纹识别”(Robust palmprint verification using 2D and 3D features,PatternRecognition,2010,43(1):158-168)文章中,同时采用二维掌纹方向特征和三维掌纹主曲率特征,进行多级别融合,取得了不错的实验效果。但是三维掌纹的局部相关性计算比较费时。
已有方法为提高三维掌纹的识别效果,通常同时采用二维掌纹图像和三维掌纹图像,但二维图像易受光线强度及抓痕影响,影响识别过程;直接采用三维图像,对齐过程所用方法如多次平移方法、最近迭代法以及互相关方法效率较低,而且识别率相对较差,所以很多研究都使用多特征融合的方法。另外,当训练库存在大量样本时,测试样本与训练样本一一对齐使得运算量和处理时间均大幅增加。如何快速、高效、准确的在大样本数据库实现三维掌纹识别,是一个尚未解决的问题。
发明内容
针对现有技术的不足,本发明拟解决的技术问题是,提供一种三维掌纹识别方法。
本发明解决所述技术问题的技术方案是,提供一种三维掌纹识别方法,其特征在于该方法包括以下步骤:
第一步,训练阶段:
(1)曲面相位信息提取:
设三维掌纹曲面为f(x,y),首先计算其平均曲率H和高斯曲率K:
式中:fx和fy为一阶偏导,fxx、fxy和fyy为二阶偏导;
将平均曲率H转化为平均曲率图像首先根据平均曲率H的标准差δ和均值μ将平均曲率归一化到区间[0,1]:
然后通过下式将其转化为平均曲率图像
得到平均曲率图像之后,将其作为普通图像f(z)(z=(x,y)∈R2)计算单演信号:
fM(z)=(f(z),Rx{f}(z),Ry{f}(z))=(f,Rx*f,Ry*f) (5)
其中,f是单演信号的实值部分,Rx*f和Ry*f分别是x轴和y轴的Riesz变换;在Riesz变换应用之前采用泊松拉普拉斯滤波器P(ω)=-4π2|ω|2exp(-2π|ω|λ),ω∈R2对普通图像f(z)进行带通滤波,那么,泊松拉普拉斯带通型单演信号可以表述为:
flp(z)=(flp(z),flp-x(z),flp-y(z))=(flp(z),Rx*flp(z),Ry*flp(z)) (6)
其中flp(z)=f(z)*F-1(P(ω)),F-1为二维傅里叶逆变换;得到单演信号的局部相位;
(2)曲面类型信息提取:
首先通过式(1)和式(2)得到平均曲率H和高斯曲率K,确定三维掌纹ROI每一点对应的ST,还需确定H和K是不是零值;这就需要通过两个对称区间[-εH,εH]、[-εK,εK]将H和K量化,使得H和K只取零值;首先通过下式将H和K归一化:
其中C(i,j)代表平均曲率H或高斯曲率K,δ是对应的标准差;通过计算,在零值附近选择εH和εK的取值,使得
根据三维掌纹ROI中每点的平均曲率值和高斯曲率值,确定该点所属的ST,即得到了三维掌纹的曲面类型信息;
(3)分块直方图计算:
首先将三维掌纹ROI的相位图分块,计算其中每个小块的直方图,然后合并形成整个相位图的分块直方图;对三维掌纹ROI的曲面类型图进行同样的操作,得到整个曲面类型图的分块直方图;
(4)将步骤(3)得到相位分块直方图和曲面类型分块直方图进行连接,形成三维掌纹特征向量x;
(5)采用第一步的步骤(1)-(4)对训练库中所有训练样本进行计算,形成训练库样本特征集A;
第二步,测试阶段:
(1)利用第一步的步骤(1)-(4),得到测试样本的三维掌纹特征向量y;
(2)利用提出的改进稀疏表示分类器给出测试样本的类标号,即类别:
首先,计算稀疏系数α;假设每个训练样本计算一个特征向量x,接合起来构成训练库样本特征集A=[x1,x2,...,xk,...,xN],其中N是训练库的总类数,xk为第k类的样本矩阵;给定一个测试样本,其特征向量y可表示为一个训练库特征向量的线性组合:y=Aα0;这样,在现有的基于l2范数正则项的稀疏表示分类器中测试样本的稀疏系数表示为:
其中λ2为常数;测试样本与训练样本相似的程度在于α0的优化程度,因此,通过改善α0的取值来改进稀疏表示分类器;在基于l2范数正则项的稀疏表示分类器基础上,添加了一个中间项改善α0,即
改善的稀疏表示分类器稀疏系数表示为α=ηα0+γα″0;通过此式计算测试样本的稀疏系数;
然后,计算残差rk(y)=||y-Aδk(α)||2,其中δk(α)是与k类相对应的α非零值;取以此得到的N个残差的最小值,对应的类标号则为
最后得到N个残差的最小值对应的类标号,即测试样本的所属类别;
(3)对测试库中所有测试样本进行第二步的步骤(1)-(2)的操作,得到所有测试样本的类标号。
与现有技术相比,本发明有益效果在于:
(1)本发明仅采用三维掌纹的分块局部特征,即相位和曲面类型分块直方图,提出一种三维掌纹特征模型,在提高识别效果的同时避免使用二维掌纹图像,使得整个系统免受光线强度及抓痕影响。
(2)本发明所采用的三维掌纹局部特征对图像的微小平移、旋转甚至缩放有一定鲁棒性,因此不需要采用多次平移、最近迭代、互相关等方法进行图像对齐,提高了识别效率。
单演信号提取的相位具有旋转不变性,对噪声变化的情况具有很好的鲁棒性;曲面类型图像与曲面的空间位置无关,具有一定的缩放不变性及很好的可区分性;而基于特征的全局统计-直方图对微小位移有鲁棒性,但没有明显的区分性。因此,将相位图和曲面类型图分别分块计算分块直方图,再合并形成特征向量,能够提取出既有明显区分性,又对平移、旋转及缩放不敏感的三维掌纹固有特征;再者,可以有效地压缩样本特征,降低存储空间及后续运算量。
(3)本发明在稀疏表示分类器中加入中间项,通过改善稀疏系数提出改进的稀疏表示分类器;稀疏系数可在三维掌纹分类之前计算,而且分类的过程中采用子空间方式比对图像,使得当训练库存在大量样本时,测试样本与训练样本不用一一比对,降低了数据冗余、运算量和处理时间,在实现大样本库识别的同时,兼具更高的精度、速度和鲁棒性。
(4)本方法是一种快速高效、识别准确、特征所占空间小、分类器复杂度低、适用于大样本数据库的三维掌纹识别方法。该方法包括特征模型建立以及分类方法提出,可以获得高精度和稳定性的身份识别,而且对于其他生物识别系统均适用,丰富了整个生物测定学领域的内容,其广泛的适用范围对发展高密级的自动身份认证和识别系统具有重要的应用价值。
附图说明
图1为本发明三维掌纹识别方法实施例1的训练库第10类三维掌纹ROI第8张(第一次采集)图像;
图2为本发明三维掌纹识别方法实施例1的测试库第111类三维掌纹ROI第9张(第二次采集)图像;
图3为本发明三维掌纹识别方法实施例1的训练库第10类三维掌纹ROI第8张(第一次采集)图像的平均曲率图;
图4为本发明三维掌纹识别方法实施例1的测试库第111类三维掌纹ROI第9张(第二次采集)图像的平均曲率图;
图5为本发明三维掌纹识别方法实施例1的训练库第10类三维掌纹ROI第8张(第一次采集)图像的相位图;
图6为本发明三维掌纹识别方法实施例1的测试库第111类三维掌纹ROI第9张(第二次采集)图像的相位图;
图7为本发明三维掌纹识别方法实施例1的训练库第10类三维掌纹ROI第8张(第一次采集)图像的曲面类型图;
图8为本发明三维掌纹识别方法实施例1的测试库第111类三维掌纹ROI第9张(第二次采集)图像的曲面类型图;
图9为本发明三维掌纹识别方法实施例1的训练库第10类三维掌纹ROI第8张(第一次采集)图像的曲面类型图的分块图;
图10为本发明三维掌纹识别方法图9的任一小块的直方图;
图11为本发明三维掌纹识别方法实施例1的一个测试样本的残差示意图;
图12为本发明三维掌纹识别方法实施例1的4000个测试样本的标号分类图;
图13为本发明三维掌纹识别方法实施例1的正确匹配和误匹配的残差概率分布图;
图14为本发明三维掌纹识别方法实施例1的分类器的CMC曲线。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明,不限制本申请权利要求的保护范围。
本发明提供了一种三维掌纹识别方法(简称方法),其特征在于该方法包括以下步骤:
第一步,训练阶段:
(1)曲面相位信息提取:
设三维掌纹曲面为f(x,y),首先计算其平均曲率H和高斯曲率K:
式中:fx和fy为一阶偏导,fxx、fxy和fyy为二阶偏导;
为方便后续运算,需将平均曲率H转化为平均曲率图像首先根据平均曲率H的标准差δ和均值μ将平均曲率归一化到区间[0,1]:
然后通过下式将其转化为八位的灰度图像,即平均曲率图像
得到平均曲率图像之后,将其作为普通图像f(z)(z=(x,y)∈R2)计算单演信号,即f(z)和Riesz变换的结合:
fM(z)=(f(z),Rx{f}(z),Ry{f}(z))=(f,Rx*f,Ry*f) (5)
其中,f是单演信号的实值部分,Rx*f和Ry*f分别是x轴和y轴的Riesz变换;实际上,信号是有限长的;这样,在Riesz变换应用之前采用泊松拉普拉斯滤波器P(ω)=-4π2|ω|2exp(-2π|ω|λ),ω∈R2对普通图像f(z)进行带通滤波,那么,泊松拉普拉斯带通型单演信号可以表述为:
flp(z)=(flp(z),flp-x(z),flp-y(z))=(flp(z),Rx*flp(z),Ry*flp(z)) (6)
其中flp(z)=f(z)*F-1(P(ω)),F-1为二维傅里叶逆变换;这样就可以得到单演信号的局部相位;
(2)曲面类型信息提取:
首先通过式(1)和式(2)得到平均曲率H和高斯曲率K,确定三维掌纹ROI(感兴趣区域,Region of Interest)每一点对应的ST(曲面类型,Surface type),还需确定H和K是不是零值;这就需要通过两个对称区间[-εH,εH]、[-εK,εK]将H和K量化,使得H和K只取零值(H=0、K=0);首先通过下式将H和K归一化:
其中C(i,j)代表平均曲率H或高斯曲率K,δ是对应的标准差;通过计算,在零值附近选择εH和εK的取值,使得
根据三维掌纹ROI中每点的平均曲率值和高斯曲率值,确定该点所属的ST,假设当H=0、K>0时,ST=4,这样三维掌纹ROI中的每个点都可以用类别序号1-9表示,具体表示方法参见表1,即得到了三维掌纹的曲面类型信息;
表1九种ST类别序号
(3)分块直方图计算:
首先将三维掌纹ROI的相位图分块,计算其中每个小块的直方图,然后合并形成整个相位图的分块直方图;对三维掌纹ROI的曲面类型图进行同样的操作,得到整个曲面类型图的分块直方图;
(4)将步骤(3)得到相位分块直方图和曲面类型分块直方图进行连接,形成三维掌纹特征向量x;
(5)采用第一步的步骤(1)-(4)对训练库中所有训练样本进行计算,形成训练库样本特征集A;训练库样本特征集A是由若干三维掌纹特征向量组成;样本即三维掌纹ROI;
第二步,测试阶段:
(1)利用第一步的步骤(1)-(4),得到测试样本的三维掌纹特征向量y;
(2)利用提出的改进稀疏表示分类器给出测试样本的类标号,即类别:
首先,计算稀疏系数α;假设每个训练样本计算一个特征向量x,接合起来构成训练库样本特征集A=[x1,x2,...,xk,...,xN],其中N是训练库的总类数,xk为第k类的样本矩阵;给定一个测试样本,其特征向量y可表示为一个训练库特征向量的线性组合:y=Aα0;这样,在现有的基于l2范数正则项的稀疏表示分类器中测试样本的稀疏系数表示为:
其中λ2为常数;由于测试样本通常不是训练库样本,而测试样本与训练样本相似的程度在于α0的优化程度,因此,通过改善α0的取值来改进稀疏表示分类器;在基于l2范数正则项的稀疏表示分类器基础上,添加了一个中间项改善α0,即
改善的稀疏表示分类器稀疏系数表示为α=ηα0+γα″0;通过此式计算测试样本的稀疏系数;
然后,计算残差rk(y)=||y-Aδk(α)||2,其中δk(α)是与k类相对应的α非零值;取以此得到的N个残差的最小值,对应的类标号则为
最后得到N个残差的最小值对应的类标号,即测试样本的所属类别;
(3)对测试库中所有测试样本进行第二步的步骤(1)-(2)的操作,得到所有测试样本的类标号。
实施例1
采用香港理工大学人体生物特征识别研究中心的三维掌纹公开库,包括200名志愿者的400只手掌,8000个样本,每人对应20张图像,每次采集10张,共采集2次,时间间隔为1个月。将掌纹公开库中第一次采集的图像用作训练库样本,第二次采集的图像作为测试库样本。这样训练库和测试库均包含400个类(400个类代表400只手掌,或400个人),每类10张图像,分别代表400个人。
第一步,训练阶段:
1)计算训练库三维掌纹ROI图像(如图1所示)的平均曲率,转化得到平均曲率图像(如图3所示);对平均曲率图像进行单演信号分析,进而提取相位信息,提取到的相位图如图5所示;
2)提取训练库三维掌纹ROI图像(图1)的曲面类型信息,曲面类型图如7所示;
3)将相位图分块(如图9所示),计算每个子块的直方图(如图10所示),合并得到整个图像的分块直方图;对曲面类型图进行同样的操作,得到整个曲面类型图的分块直方图;
4)将步骤3)所得相位图的分块直方图与曲面类型图的分块直方图连接起来,构建三维掌纹特征向量;
5)按照步骤1)-4)计算训练库中所有训练样本的三维掌纹特征向量,形成训练库样本特征集;
第二步,测试阶段:
1)利用第一步的步骤1)-4),得到测试样本(图2)的三维掌纹特征向量;
2)利用改进的稀疏表示和训练库特征集编码,得到改进的稀疏表示系数;计算测试样本特征向量与每类训练库样本特征向量的残差(见图11),选取最小者,将对应的类标号判别为分类结果。
3)对测试库中所有测试样本进行第二步的步骤(1)-(2)的操作,得到所有测试样本的类标号,如图12所示。
为判定所提方法的优越性,图13为正确匹配和误匹配的重建误差(残差)概率分布图,图14为本发明分类器的CMC曲线。实验表明,提出的方法能够在90ms内实现单一样本识别,在4000样本的情况下,识别率达到99.75%,突破了样本容量局限性,实现了实时识别的需求,可满足一些领域的应用需求。
本发明未述及之处适用于现有技术。
Claims (1)
1.一种三维掌纹识别方法,其特征在于该方法包括以下步骤:
第一步,训练阶段:
(1)曲面相位信息提取:
设三维掌纹曲面为f(x,y),首先计算其平均曲率H和高斯曲率K:
式中:fx和fy为一阶偏导,fxx、fxy和fyy为二阶偏导;
将平均曲率H转化为平均曲率图像首先根据平均曲率H的标准差δ和均值μ将平均曲率归一化到区间[0,1]:
然后通过下式将其转化为平均曲率图像
得到平均曲率图像之后,将其作为普通图像f(z)(z=(x,y)∈R2)计算单演信号:
fM(z)=(f(z),Rx{f}(z),Ry{f}(z))=(f,Rx*f,Ry*f) (5)
其中,f是单演信号的实值部分,Rx*f和Ry*f分别是x轴和y轴的Riesz变换;在Riesz变换应用之前采用泊松拉普拉斯滤波器P(ω)=-4π2|ω|2exp(-2π|ω|λ),ω∈R2对普通图像f(z)进行带通滤波,那么,泊松拉普拉斯带通型单演信号可以表述为:
flp(z)=(flp(z),flp-x(z),flp-y(z))=(flp(z),Rx*flp(z),Ry*flp(z)) (6)
其中flp(z)=f(z)*F-1(P(ω)),F-1为二维傅里叶逆变换;得到单演信号的局部相位;
(2)曲面类型信息提取:
首先通过式(1)和式(2)得到平均曲率H和高斯曲率K,确定三维掌纹ROI每一点对应的ST,还需确定H和K是不是零值;这就需要通过两个对称区间[-εH,εH]、[-εK,εK]将H和K量化,使得H和K只取零值;首先通过下式将H和K归一化:
其中C(i,j)代表平均曲率H或高斯曲率K,δ是对应的标准差;通过计算,在零值附近选择εH和εK的取值,使得
根据三维掌纹ROI中每点的平均曲率值和高斯曲率值,确定该点所属的ST,即得到了三维掌纹的曲面类型信息;
(3)分块直方图计算:
首先将三维掌纹ROI的相位图分块,计算其中每个小块的直方图,然后合并形成整个相位图的分块直方图;对三维掌纹ROI的曲面类型图进行同样的操作,得到整个曲面类型图的分块直方图;
(4)将步骤(3)得到相位分块直方图和曲面类型分块直方图进行连接,形成三维掌纹特征向量x;
(5)采用第一步的步骤(1)-(4)对训练库中所有训练样本进行计算,形成训练库样本特征集A;
第二步,测试阶段:
(1)利用第一步的步骤(1)-(4),得到测试样本的三维掌纹特征向量y;
(2)利用提出的改进稀疏表示分类器给出测试样本的类标号,即类别:
首先,计算稀疏系数α;假设每个训练样本计算一个特征向量x,接合起来构成训练库样本特征集A=[x1,x2,...,xk,...,xN],其中N是训练库的总类数,xk为第k类的样本矩阵;给定一个测试样本,其特征向量y可表示为一个训练库特征向量的线性组合:y=Aα0;这样,在现有的基于l2范数正则项的稀疏表示分类器中测试样本的稀疏系数表示为:
其中λ2为常数;测试样本与训练样本相似的程度在于α0的优化程度,因此,通过改善α0的取值来改进稀疏表示分类器;在基于l2范数正则项的稀疏表示分类器基础上,添加了一个中间项改善α0,即
改善的稀疏表示分类器稀疏系数表示为α=ηα0+γα″0;通过此式计算测试样本的稀疏系数;
然后,计算残差rk(y)=||y-Aδk(α)||2,其中δk(α)是与k类相对应的α非零值;取以此得到的N个残差的最小值,对应的类标号则为
最后得到N个残差的最小值对应的类标号,即测试样本的所属类别;
(3)对测试库中所有测试样本进行第二步的步骤(1)-(2)的操作,得到所有测试样本的类标号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693057.2A CN108960125B (zh) | 2018-06-29 | 2018-06-29 | 一种三维掌纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693057.2A CN108960125B (zh) | 2018-06-29 | 2018-06-29 | 一种三维掌纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960125A true CN108960125A (zh) | 2018-12-07 |
CN108960125B CN108960125B (zh) | 2020-03-13 |
Family
ID=64487745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810693057.2A Active CN108960125B (zh) | 2018-06-29 | 2018-06-29 | 一种三维掌纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960125B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110298233A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技(深圳)有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
CN110390268A (zh) * | 2019-06-26 | 2019-10-29 | 东南大学 | 一种基于几何特性和方向特征的三维掌纹识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831414A (zh) * | 2012-09-12 | 2012-12-19 | 河北工业大学 | 一种三维掌纹和手形的非接触式采集方法和装置 |
CN104166842A (zh) * | 2014-07-25 | 2014-11-26 | 同济大学 | 一种基于分块统计特征与联合表示的三维掌纹识别方法 |
-
2018
- 2018-06-29 CN CN201810693057.2A patent/CN108960125B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831414A (zh) * | 2012-09-12 | 2012-12-19 | 河北工业大学 | 一种三维掌纹和手形的非接触式采集方法和装置 |
CN104166842A (zh) * | 2014-07-25 | 2014-11-26 | 同济大学 | 一种基于分块统计特征与联合表示的三维掌纹识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298233A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技(深圳)有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
CN110298233B (zh) * | 2019-05-15 | 2024-04-09 | 平安科技(深圳)有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
CN110390268A (zh) * | 2019-06-26 | 2019-10-29 | 东南大学 | 一种基于几何特性和方向特征的三维掌纹识别方法 |
CN110390268B (zh) * | 2019-06-26 | 2023-06-30 | 东南大学 | 一种基于几何特性和方向特征的三维掌纹识别方法 |
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108960125B (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rantzsch et al. | Signature embedding: Writer independent offline signature verification with deep metric learning | |
Feng et al. | Robust and efficient algorithms for separating latent overlapped fingerprints | |
CN101162504A (zh) | 手指静脉认证系统的静脉特征提取方法 | |
Perumal et al. | A multimodal biometric system based on palmprint and finger knuckle print recognition methods. | |
CN108960125A (zh) | 一种三维掌纹识别方法 | |
CN103218609A (zh) | 一种基于隐最小二乘回归的多姿态人脸识别方法及其装置 | |
CN105844261A (zh) | 基于优化特征投影矩阵的3d掌纹稀疏表示识别方法 | |
Swati et al. | Finger Knuckle Print recognition based on Gabor feature and KPCA+ LDA | |
Somvanshi et al. | Survey of palmprint recognition | |
CN111259780B (zh) | 一种基于分块线性重构鉴别分析的单样本人脸识别方法 | |
Yousaf et al. | A robust and efficient convolutional deep learning framework for age‐invariant face recognition | |
CN111325275A (zh) | 基于低秩二维局部鉴别图嵌入的鲁棒图像分类方法及装置 | |
CN105678150A (zh) | 一种用户权限管理方法 | |
CN105701462A (zh) | 一种身份识别方法 | |
Li | Feature extraction, recognition, and matching of damaged fingerprint: Application of deep learning network | |
Barbosa et al. | Transient biometrics using finger nails | |
CN106127236B (zh) | 基于狄利克雷mrf混合模型的极化sar图像分类方法 | |
Nikkam et al. | A key point selection shape technique for content based image retrieval system | |
CN106022373B (zh) | 一种基于广义均值典型相关分析的图像识别方法 | |
Janarthanan et al. | An Efficient Face Detection and Recognition System Using RVJA and SCNN | |
Hast | Age-invariant face recognition using face feature vectors and embedded prototype subspace classifiers | |
CN105701411A (zh) | 一种信息安全传输方法 | |
Fang | Cultural Tourism Industry Feature Extraction Based on Multiscale Feature Fusion Algorithm and Artificial Intelligence | |
Patil et al. | A Review-Signature Verification System Using Deep Learning: A Challenging Problem | |
Dubey et al. | A review of face recognition using SIFT feature extraction |
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 |