CN109086684A - 多模态多应用场景下的生物识别方法 - Google Patents

Abstract

本发明提出了一种多模态多应用场景下的生物识别方法，包括以下步骤：S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；S3：对提取的所述静脉信号轮廓进行信号加强；S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。根据本发明的多模态多应用场景下的生物识别方法,大大降低了误识率保证系统精度的同时还提高了系统的处理速度。

Description

多模态多应用场景下的生物识别方法

技术领域

本发明涉及智能识别及互联网技术领域，具体而言，尤其涉及一种多模态多应用场景下的生物识别方法。

背景技术

生物识别领域越来越受到人们关注，但是常见的生物识别技术一直受到精度不高、处理速度达不到应用场景需求以及易仿冒等问题的制约。例如：面部识别对环境的要求较高，对拍摄的光线等要求很高，准确率较低，采用3D识别时费用过于昂贵；虹膜识别容易让人产生抵触心理，检测设备对人眼有无伤害还受到争议。但是很多实际应用场景下，应用生物识别技术即可解决很多痛点。例如：医保领域，医保卡丢失率、医保卡冒用率居高不下，采用生物识别技术从根本上杜绝了卡片丢失的问题并且生物特征具有唯一性，解决了冒用的问题。此外，在交通、金融等领域都有相同的需求。

发明内容

本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。

有鉴于此，本发明的一方面需要提供一种精度高、处理速度快、安全可靠的多模态多应用场景下的生物识别方法。

根据本发明实施例的一种多模态多应用场景下的生物识别方法，包括以下步骤：S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；S3：对提取的所述静脉信号轮廓进行信号加强；S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。

根据本发明的实施例的多模态多应用场景下的生物识别方法,通过录入用户的多项生物特征，不仅仅对单个特征分析，对对象间也采点建模。多模态间采用“并”的逻辑关系，大大降低了误识率。此外对数据采用“单线并行”的数据排序以及处理方法，保证系统精度的同时还提高了系统的处理速度。

另外，根据本发明上述实施例的多模态多应用场景下的生物识别方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，S1中所述最佳波长的范围为830nm-950nm，每5nm为一个变化量。

根据本发明的一个实施例，在S1中，获取最佳波长包括以下步骤：S11：确定手掌、关节、指尖的测试位置，并对对应的所述测试位置分别进行测试，在测试过程中对手掌的其他位置进行遮光处理；S12：对步骤S11中的测试图象进行筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长；S13：对不同测试对象，多次重复S11和S12，最终筛选出最佳波长。

根据本发明的一个实施例，S2中，对提取出的所述静脉信号轮廓进行除噪处理，包括以下步骤：S21：在原始信号中加入白噪声；S22：计算每个固有模式函数分量的置换值并选择阈值；S23：获得标准信号。

根据本发明的一个实施例，S21中，原始信号被定义为X(t)，首先在原始信号加入白噪声，公式如下：

X'(t)＝X(t)+c_iN_i(t)

其中c_i是白噪声的幅度，然后根据经验模式分解信号，重复上述操作z次，其中z一般选择100～200。信号可以表示为：

其中i是大于等于1但小于等于n的整数，r_n(t)表示余数，IMF₁～IMF_n都是分解的固有模态函数分量，在空间重建之后给出一个序列；

序列中的参数a落在1≤a≤N-(α-1)λ的范围内；α表示嵌入维度，λ表示时间延迟。

根据本发明的一个实施例，S22中，分解的固有模式函数分量的置换熵可以表示为：

P_j表示出现每个符号的概率，其值等于1/α，所以可以确定PE_i(α)的最大值为ln(α！)；标准化后，最终得到分解PE_i＝PE_i(α)/ln(α！)的固有模态函数分量的置换熵。

根据本发明的一个实施例，S23中，重构信号是去噪处理的最后一步，重建的信号被表示为表达式基准给出为：

其中k是h和n之间的整数，line(B(m))是在重建信号B取平均值之后的基线；m是采样点的数量，l是在m和n范围内的整数。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明的实施例的多模态多应用场景下的生物识别方法的流程图。

图2是根据本发明的实施例的多模态多应用场景下的生物识别方法中获取最佳波长的流程图。

图3是根据本发明的实施例的多模态多应用场景下的生物识别方法中对提取出的所述静脉信号轮廓进行除噪处理的流程图。

图4是根据本发明的实施例的多模态多应用场景下的生物识别方法中对提取的所述静脉信号轮廓进行信号加强后的对比图。

图5是根据本发明的实施例的多模态多应用场景下的生物识别方法中对所述静脉信号的数据采用单线并行处理的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，根据本发明的实施例的多模态多应用场景下的生物识别方法，包括以下步骤：

S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长。

S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理。

S3：对提取的所述静脉信号轮廓进行信号加强。

S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。

根据本发明的实施例的多模态多应用场景下的生物识别方法,通过录入用户的多项生物特征，不仅仅对单个特征分析，对对象间也采点建模。多模态间采用“并”的逻辑关系，大大降低了误识率。此外对数据采用“单线并行”的数据排序以及处理方法，保证系统精度的同时还提高了系统的处理速度。

可以理解的是，根据本发明的实施例的多模态多应用场景下的生物识别方法,在检测端更新技术选用多模态生物识别，解决了传统单对象生物识别误识率高、易仿冒等问题。此外根据图像处理技术在关节等微弱信号部位采用模糊点增强技术，减小识别误差。数据处理方面，提出了“单线并行”的数据排序处理方法，在保证识别精度的同时可以保证系统运行的速度。

本发明针对采集中采集对象的微弱信号位置首先采用传感器波长划区域设定，通过设计前仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的波长，保证采集的初始信号完整易识性。针对采集完成经过预处理(除燥等)的信号，提取信号轮廓，提取关节微弱信号区域信号，进行信号加强。

指纹认假率普遍≤0.01％，拒真率≤0.01％，此外静脉识别认假率普遍≤0.0001％，拒真率≤0.001％。项目采集用户3-5个指纹信号以及指静脉信号，掌纹信号以及掌静脉信号。验证时，需要通过≥1个指纹及静脉，掌纹和掌静脉。之间采用“并”的逻辑关系，可以将认假率控制到≤0.000001％，拒真率≤0.00001％。

进一步地，根据本发明的一个实施例，S1中最佳波长的范围为830nm-950nm，每5nm为一个变化量。需要说明的是，光子在各个组织中的传播特性是不一样的，收到组织结构、表皮厚度、骨骼结构等各种因素的影响。本发明中，将手分为三部分进行处理，即手指、关节以及手掌。通过软件模拟光子可以看成随机变量，通过投射出手指结构的光子数筛选。

如图2所示，根据本发明的一个实施例，在S1中，获取最佳波长包括以下步骤：

S11：确定手掌、关节、指尖的测试位置，并对对应的所述测试位置分别进行测试，在测试过程中对手掌的其他位置进行遮光处理。

S12：对步骤S11中的测试图象进行筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长。

S12：对不同测试对象，多次重复S11和S12，最终筛选出最佳波长。

换言之，获取最佳波长的步骤可以为：首先，光波长选择都在830-950nm间选择，每5nm为一个变化量。根据划分的三部分如图中是标注123块，分别进行1/2/3块进行分块测试，测试时对其他部分进行遮光处理，避免信号干扰。分别对步骤二测试的图像筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长。对不同测试对象，多次重复步骤一～步骤三，最终筛选出最佳测试波长。

根据本发明的一些实施例，S2中，对提取出的静脉信号轮廓进行除噪处理，包括以下步骤：

S21：在原始信号中加入白噪声。

S22：计算每个固有模式函数分量的置换值并选择阈值。

S23：获得标准信号。

具体地，S21中，原始信号被定义为X(t)，首先在原始信号加入白噪声，公式如下：

X'(t)＝X(t)+c_iN_i(t) (1)

其中c_i是白噪声的幅度，然后根据经验模式分解信号，重复上述操作z次，其中z一般选择100～200。信号可以表示为：

其中i是大于等于1但小于等于n的整数，r_n(t)表示余数，IMF₁～IMF_n都是分解的固有模态函数分量，在空间重建之后给出一个序列；

序列中的参数a落在1≤a≤N-(α-1)λ的范围内；α表示嵌入维度，λ表示时间延迟。

优选地，S22中，分解的固有模式函数分量的置换熵可以表示为：

P_j表示出现每个符号的概率，其值等于1/α，所以可以确定PE_i(α)的最大值为ln(α！)；标准化后，最终得到分解PE_i＝PE_i(α)/ln(α！)的固有模态函数分量的置换熵。

优选地，S23中，重构信号是去噪处理的最后一步，重建的信号被表示为表达式基准给出为：

其中k是h和n之间的整数，line(B(m))是在重建信号B取平均值之后的基线；m是采样点的数量，l是在m和n范围内的整数。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种多模态多应用场景下的生物识别方法，其特征在于，包括以下步骤：

S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；

S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；

S3：对提取的所述静脉信号轮廓进行信号加强；

S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。

2.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，S1中所述最佳波长的范围为830nm-950nm，每5nm为一个变化量。

3.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，在S1中，获取最佳波长包括以下步骤：

S11：确定手掌、关节、指尖的测试位置，并对对应的所述测试位置分别进行测试，在测试过程中对手掌的其他位置进行遮光处理；

S12：对步骤S11中的测试图象进行筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长；

S13：对不同测试对象，多次重复S11和S12，最终筛选出最佳波长。

4.根据权利要求1所述的多模态多应用场景下的生物识别方法，其特征在于，S2中，对提取出的所述静脉信号轮廓进行除噪处理，包括以下步骤：

S21：在原始信号中加入白噪声；

S22：计算每个固有模式函数分量的置换值并选择阈值；

S23：获得标准信号。

5.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S21中，原始信号被定义为X(t)，首先在原始信号加入白噪声，公式如下：

X'(t)＝X(t)+c_iN_i(t)

其中c_i是白噪声的幅度，然后根据经验模式分解信号，重复上述操作z次，其中z一般选择100～200。信号可以表示为：

其中i是大于等于1但小于等于n的整数，r_n(t)表示余数，IMF₁～IMF_n都是分解的固有模态函数分量，在空间重建之后给出一个序列；

序列中的参数a落在1≤a≤N-(α-1)λ的范围内；α表示嵌入维度，λ表示时间延迟。

6.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S22中，分解的固有模式函数分量的置换熵可以表示为：

P_j表示出现每个符号的概率，其值等于1/α，所以可以确定PE_i(α)的最大值为ln(α！)；标准化后，最终得到分解PE_i＝PE_i(α)/ln(α！)的固有模态函数分量的置换熵。

7.根据权利要求4所述的多模态多应用场景下的生物识别方法，其特征在于，S23中，重构信号是去噪处理的最后一步，重建的信号被表示为表达式基准给出为：

其中k是h和n之间的整数，line(B(m))是在重建信号B取平均值之后的基线；m是采样点的数量，l是在m和n范围内的整数。