CN109241884B - 一种基于高光谱图像的非侵入式潜在指纹提取方法 - Google Patents

一种基于高光谱图像的非侵入式潜在指纹提取方法 Download PDF

Info

Publication number
CN109241884B
CN109241884B CN201810967122.6A CN201810967122A CN109241884B CN 109241884 B CN109241884 B CN 109241884B CN 201810967122 A CN201810967122 A CN 201810967122A CN 109241884 B CN109241884 B CN 109241884B
Authority
CN
China
Prior art keywords
image
texture
channel
data
hyperspectral
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.)
Expired - Fee Related
Application number
CN201810967122.6A
Other languages
English (en)
Other versions
CN109241884A (zh
Inventor
陈捷
阎龙斌
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.)
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Shenzhen Institute of Northwestern Polytechnical University
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 Shenzhen Institute of Northwestern Polytechnical University filed Critical Shenzhen Institute of Northwestern Polytechnical University
Priority to CN201810967122.6A priority Critical patent/CN109241884B/zh
Publication of CN109241884A publication Critical patent/CN109241884A/zh
Application granted granted Critical
Publication of CN109241884B publication Critical patent/CN109241884B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • G06V40/1312—Sensors therefor direct reading, e.g. contactless acquisition
    • 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
    • G06V40/1347—Preprocessing; Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于高光谱图像的非侵入式潜在指纹提取方法，涉及它首先利用高光谱成像仪对待检测区域进行数据采集，得到多通道数据并通过低通滤波以及对数变换进行数据预处理；然后对多通道数据进行降维得到低维数据；最后计算每个通道图像的局部总变化量分离出纹理和非纹理信息，并通过梯度统计直方图信息将各通道纹理信息进行融合，得到指纹图像。其优点是：本发明利用丰富的光谱信息和纹理信息，克服了传统指纹提取方法在复杂背景图像下检测效果不佳的问题，在完全保护待检测物体的情况下具有较好的检测效果，在刑侦、文物检测、信息安全等领域具有较广阔的应用前景。

Description

一种基于高光谱图像的非侵入式潜在指纹提取方法
技术领域
本发明涉及信息安全领域，特别涉及一种基于高光谱图像的非侵入式潜在指纹提取方法。
背景技术
在众多的生物特征中，指纹识别技术凭借其较高的实用性和可靠性，已经成为了目前应用最为广泛的技术，并且具有法律效力。指纹特征识别从最早应用于司法刑侦领域，直到广泛应用于民用领域，己经有了很长的发展历史。指纹识别，概括来讲是依靠指纹纹理所形成的能够表征个人身份的唯一特征，将其与个人对应起来，通过比较个人的指纹特征与预先保存的库指纹特征，来实现个人身份的认证和鉴别。作为最传统、最成熟的身份辨识方式，指纹识别具有四个突出的特点:
稳定性：指纹是人手指表面皮肤表面突起的纹线，它的形成主要依赖于遗传因素。指纹的纹线类型、结构、及其他特征的分布情况从一个人出生终其一生始终都比较稳定；
唯一性：每个人的指纹独一无二，不同的人之间存在相同指纹的概率几近为零；即便是同一个人，他的十指指纹也有明显的区别；
易釆集：硬件的迅速发展使得指纹釆集功能中的硬件部分容易实现，同时指纹样本库的标准化也方便了识别系统的软件开发；
易存储：指纹的特征模板代替原指纹图像被存储在指纹数据库中，这不仅大大的减小了对存储设备容量的需求，也可以减小网络传输负担，便于实现异地确认。
指纹以上的优点，是其它人体特征无法比拟的。
指纹一般分为可视指纹和潜在指纹两种。传统的指纹识别技术主要针对可视指纹，一般是从图像的纹理角度出发，通过图像处理技术，提取指纹。纹理检测方法主要有梯度检测、Gabor滤波器、以及基于字典学习的识别技术，但是因为潜在指纹不可视，并且场景中一般存在复杂的背景信息，同时许多场合不允许对待检测目标有破坏，潜在指纹的提取通常是很困难的。
发明内容
本发明的目的在于：提供了一种基于高光谱图像的非侵入式潜在指纹提取方法，解决了因为潜在指纹不可视，并且一般存在复杂的背景信息，同时许多场合不允许对待检测目标有破坏等困难下的潜在指纹提取问题。
本发明采用的技术方案如下：
一种基于高光谱图像的非侵入式潜在指纹提取方法，包括依次进行的以下步骤：
S1、对待检测物体进行高光谱数据采集得到
Figure GDA0003132765130000021
其中，h、w、L分别表示高光谱图像数据的高、宽、通道数，
Figure GDA0003132765130000022
表示三维实数空间，对采集到的数据进行预处理得到预处理数据
Figure GDA0003132765130000023
S2、对预处理数据
Figure GDA0003132765130000024
进行降维处理得到
Figure GDA0003132765130000025
S3、对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk；
S4、将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像。
进一步的，所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
进一步的，所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
进一步的，所述步骤S3中对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤：
S301、计算图像Xk的局部总变化量，并记为LTVσ(X(k))；
Figure GDA0003132765130000026
其中Lσ是一个截断半径为σ的低通滤波器，
Figure GDA0003132765130000027
是梯度算子；
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij：
Figure GDA0003132765130000028
如果λσ,ij趋近于1，则说明该像素邻域为纹理区域，如果λσ,ij趋近于0，则说明该像素邻域为非纹理区域；
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij，得到
Figure GDA0003132765130000031
ω(λ)是软阈值函数，表达式如下：
Figure GDA0003132765130000032
其中，a1、a2分别为0.25、0.5；
S304、图像Xk的纹理部分可表示为：
V(k)＝X(k)-U(k),k＝1,...,l。
进一步的，所述将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像包括以下步骤：
S401、将V(k)分为不重叠，尺寸为m×m的小块，记为
Figure GDA0003132765130000033
即
Figure GDA0003132765130000034
其中
Figure GDA0003132765130000035
为整数，将
Figure GDA0003132765130000036
在x、y方向的梯度分别记为
Figure GDA0003132765130000037
和
Figure GDA0003132765130000038
在
Figure GDA0003132765130000039
图像块像素s处，计算该像素处梯度的相角
Figure GDA00031327651300000310
和幅值
Figure GDA00031327651300000311
Figure GDA00031327651300000312
Figure GDA00031327651300000313
S402、计算
Figure GDA00031327651300000314
的梯度统计直方图向量
Figure GDA00031327651300000315
Figure GDA0003132765130000041
Ip＝[π(p-1)/κ,pπ/κ],p＝1,2,...,κ，
其中，Ip表示梯度角度的统计区间，κ表示角度分隔份数，p表示角度区间序号；
S403、记
Figure GDA0003132765130000042
的方差为
Figure GDA0003132765130000043
则图像块
Figure GDA0003132765130000044
融合权重可表示为：
Figure GDA0003132765130000045
S404、将
Figure GDA0003132765130000046
构成的权重矩阵记为Ω(k)，对Ω(k)进行形态学处理：对于
Figure GDA0003132765130000047
如果其八邻域权重非零的个数大于3，则强制将其置为
Figure GDA0003132765130000048
否则保持步骤S403的计算结果，得到的图像块权重记为
Figure GDA0003132765130000049
则通过融合l通道图像之后提取出的指纹图像可表示为
Figure GDA00031327651300000410
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法，使用高光谱成像技术进行数据采集，能够有效采集到肉眼看不到的指纹信息；
2.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法，通过分离每个通道的纹理信息和非纹理信息，然后再将多通道的信息进行融合，能够有效利用高光谱成像技术的优势，使纹理信息得到加强，非纹理信息被抑制，最后得到较为精确的提取效果
3.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法，具有一定拓展性，不局限于指纹提取，可以应用在大多数纹理提取的场合。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的总体流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1对本发明作详细说明。
实施例1
如图1所示，一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：包括依次进行的以下步骤：
S1、对待检测物体进行高光谱数据采集得到多通道数据
Figure GDA0003132765130000051
其中，h、w、L分别表示高光谱图像数据的高、宽、通道数，
Figure GDA0003132765130000052
表示三维实数空间，对采集到的数据进行预处理得到
Figure GDA0003132765130000053
S2、对预处理数据
Figure GDA0003132765130000054
进行降维处理得到
Figure GDA0003132765130000055
S3、对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk；
S4、将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像。
实施例2
本实施例与实施例1的区别在于：进一步的，所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
进一步的，所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
进一步的，所述步骤S3中对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤：
S301、计算图像Xk的局部总变化量，并记为LTVσ(X(k))；
Figure GDA0003132765130000061
其中Lσ是一个截断半径为σ的低通滤波器，
Figure GDA0003132765130000062
是梯度算子；
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij：
Figure GDA0003132765130000063
如果λσ,ij趋近于1，则说明该像素邻域为纹理区域，如果λσ,ij趋近于0，则说明该像素邻域为非纹理区域；
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij，得到
Figure GDA0003132765130000064
ω(λ)是软阈值函数，表达式如下：
Figure GDA0003132765130000065
其中，a1、a2分别为0.25、0.5；
S304、图像Xk的纹理部分可表示为：
V(k)＝X(k)-U(k),k＝1,...,l。
进一步的，所述将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像包括以下步骤：
S401、将V(k)分为不重叠，尺寸为m×m的小块，记为
Figure GDA0003132765130000071
即
Figure GDA0003132765130000072
其中
Figure GDA0003132765130000073
为整数，将
Figure GDA0003132765130000074
在x、y方向的梯度分别记为
Figure GDA0003132765130000075
和
Figure GDA0003132765130000076
在
Figure GDA0003132765130000077
图像块像素s处，计算该像素处梯度的相角
Figure GDA0003132765130000078
和幅值
Figure GDA0003132765130000079
Figure GDA00031327651300000710
Figure GDA00031327651300000711
S402、计算
Figure GDA00031327651300000712
的梯度统计直方图向量
Figure GDA00031327651300000713
Figure GDA00031327651300000714
Ip＝[π(p-1)/κ,pπ/κ],p＝1,2,...,κ，
其中，Ip表示梯度角度的统计区间，κ表示角度分隔份数，p表示角度区间序号；
S403、记
Figure GDA00031327651300000715
的方差为
Figure GDA00031327651300000716
则图像块
Figure GDA00031327651300000717
融合权重可表示为：
Figure GDA00031327651300000718
S404、将
Figure GDA00031327651300000719
构成的权重矩阵记为Ω(k)，对Ω(k)进行形态学处理：对于
Figure GDA0003132765130000081
如果其八邻域权重非零的个数大于3，则强制将其置为
Figure GDA0003132765130000082
否则保持步骤S403的计算结果，得到的图像块权重记为
Figure GDA0003132765130000083
则通过融合l通道图像之后提取出的指纹图像可表示为
Figure GDA0003132765130000084
实施例3
本发明具体流程如下：
S1、数据采集以及预处理，具体步骤如下：
S101、通过高光谱成像技术，采集到31通道，大小为512*640的数据；
S102、由于数据采集会存在噪声，通过高斯低通滤波去除噪声；
S103通过对数变换加强暗区细节的对比度，锐化指纹图像；
S2、降维处理，具体步骤如下：
S201、本发明采用主成分分析进行数据降维，设置重构阈值为95％，得到前4个主成分通道；
S3、单通道纹理信息提取，具体步骤如下：本发明采用计算局部总变化分离图像的纹理信息与非纹理信息，具体步骤如下：
对第k(k＝1,...,4)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk，具体步骤如下：
S301、计算图像Xk的局部总变化量，并记为LTVσ(X(k))；
Figure GDA0003132765130000085
其中Lσ是一个截断半径为σ的低通滤波器，
Figure GDA0003132765130000086
是梯度算子。
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij
Figure GDA0003132765130000087
如果λσ,ij趋近于1，则说明该像素邻域为纹理区域，如果λσ,ij趋近于0，则说明该像素邻域为非纹理区域；
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij，得到：
Figure GDA0003132765130000091
这里ω(λ)是软阈值函数；
Figure GDA0003132765130000092
这里参数a1、a2分别为0.25、0.5。
S304、则图像Xk的纹理部分可表示为：
V(k)＝X(k)-U(k),k＝1,...,4。
进一步的，所述将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像包括以下步骤：
S401、将V(k)分为不重叠，尺寸为m×m的小块，记为
Figure GDA0003132765130000093
即
Figure GDA0003132765130000094
其中
Figure GDA0003132765130000095
为整数，将
Figure GDA0003132765130000096
在x、y方向的梯度分别记为
Figure GDA0003132765130000097
和
Figure GDA0003132765130000098
在
Figure GDA0003132765130000099
图像块像素s处，计算该像素处梯度的相角
Figure GDA00031327651300000910
和幅值
Figure GDA00031327651300000911
Figure GDA00031327651300000912
Figure GDA00031327651300000913
S402、计算
Figure GDA00031327651300000914
的梯度统计直方图向量
Figure GDA00031327651300000915
Figure GDA00031327651300000916
Ip＝[π(p-1)/9,pπ/9],p＝1,2,...,9；
S403、记
Figure GDA0003132765130000101
的方差为
Figure GDA0003132765130000102
则图像块
Figure GDA0003132765130000103
融合权重可表示为：
Figure GDA0003132765130000104
S404、将
Figure GDA0003132765130000105
构成的权重矩阵记为Ω(k)，对Ω(k)进行形态学处理：对于
Figure GDA0003132765130000106
如果其八邻域权重非零的个数大于3，则强制将其置为
Figure GDA0003132765130000107
否则保持步骤S403的计算结果，得到的图像块权重记为
Figure GDA0003132765130000108
则通过融合l通道图像之后提取出的指纹图像可表示为
Figure GDA0003132765130000109
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (5)

1.一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：包括依次进行的以下步骤：
S1、对待检测物体进行高光谱数据采集得到多通道数据
Figure FDA0003132765120000011
其中，h、w、L分别表示高光谱图像数据的高、宽、通道数，
Figure FDA0003132765120000012
表示三维实数空间，对采集到的数据进行预处理得到
Figure FDA0003132765120000013
S2、对预处理数据
Figure FDA0003132765120000014
进行降维处理得到
Figure FDA0003132765120000015
S3、对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk；
S4、将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像。
2.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
3.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
4.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：所述步骤S3中对第k(k＝1,...,l)通道图像Xk计算局部总变化量，从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤：
S301、计算图像Xk的局部总变化量，并记为LTVσ(X(k))；
Figure FDA0003132765120000016
其中Lσ是一个截断半径为σ的低通滤波器，
Figure FDA0003132765120000017
是梯度算子；
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij：
Figure FDA0003132765120000021
如果λσ,ij趋近于1，则说明该像素邻域为纹理区域，如果λσ,ij趋近于0，则说明该像素邻域为非纹理区域；
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij，得到
Figure FDA0003132765120000022
ω(λ)是软阈值函数，表达式如下：
Figure FDA0003132765120000023
其中，a1、a2分别为0.25、0.5；
S304、图像Xk的纹理部分可表示为：
V(k)＝X(k)-U(k),k＝1,...,l。
5.根据权利要求4所述的一种基于高光谱图像的非侵入式潜在指纹提取方法，其特征在于：所述将S3得到的多通道纹理图像融合，得到融合l通道图像之后提取出的指纹图像包括以下步骤：
S401、将V(k)分为不重叠，尺寸为m×m的小块，记为
Figure FDA0003132765120000024
即
Figure FDA0003132765120000025
其中
Figure FDA0003132765120000026
为整数，将
Figure FDA0003132765120000027
在x、y方向的梯度分别记为
Figure FDA0003132765120000028
和
Figure FDA0003132765120000029
在
Figure FDA0003132765120000031
图像块像素s处，计算该像素处梯度的相角
Figure FDA0003132765120000032
和幅值
Figure FDA0003132765120000033
Figure FDA0003132765120000034
Figure FDA0003132765120000035
S402、计算
Figure FDA0003132765120000036
的梯度统计直方图向量
Figure FDA0003132765120000037
Figure FDA0003132765120000038
Ip＝[π(p-1)/κ,pπ/κ],p＝1,2,...,κ，
其中，Ip表示梯度角度的统计区间，κ表示角度分隔份数，p表示角度区间序号；
S403、记
Figure FDA0003132765120000039
的方差为
Figure FDA00031327651200000310
则图像块
Figure FDA00031327651200000311
融合权重可表示为：
Figure FDA00031327651200000312
S404、将
Figure FDA00031327651200000313
构成的权重矩阵记为Ω(k)，对Ω(k)进行形态学处理：对于
Figure FDA00031327651200000314
如果其八邻域权重非零的个数大于3，则强制将其置为
Figure FDA00031327651200000315
否则保持步骤S403的计算结果，得到的图像块权重记为
Figure FDA00031327651200000316
则通过融合l通道图像之后提取出的指纹图像可表示为
Figure FDA0003132765120000041
CN201810967122.6A 2018-08-23 2018-08-23 一种基于高光谱图像的非侵入式潜在指纹提取方法 Expired - Fee Related CN109241884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810967122.6A CN109241884B (zh) 2018-08-23 2018-08-23 一种基于高光谱图像的非侵入式潜在指纹提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810967122.6A CN109241884B (zh) 2018-08-23 2018-08-23 一种基于高光谱图像的非侵入式潜在指纹提取方法

Publications (2)

Publication Number Publication Date
CN109241884A CN109241884A (zh) 2019-01-18
CN109241884B true CN109241884B (zh) 2021-10-29

Family

ID=65068325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810967122.6A Expired - Fee Related CN109241884B (zh) 2018-08-23 2018-08-23 一种基于高光谱图像的非侵入式潜在指纹提取方法

Country Status (1)

Country Link
CN (1) CN109241884B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814727B (zh) * 2020-07-22 2022-06-24 吉林大学 一种基于高光谱的潜在指纹检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393913A (zh) * 2011-10-31 2012-03-28 北京航空航天大学 一种基于光谱指纹特征的弱小目标精确跟踪方法
KR20140061183A (ko) * 2012-11-13 2014-05-21 재단법인대구경북과학기술원 초분광 영상 기반 위조생체 검출 시스템
CN106998474A (zh) * 2017-03-29 2017-08-01 南京大学 一种光谱多通道混合压缩传输方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014205007A1 (en) * 2013-06-17 2014-12-24 Invenio Imaging Inc. Methods and systems for coherent raman scattering

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393913A (zh) * 2011-10-31 2012-03-28 北京航空航天大学 一种基于光谱指纹特征的弱小目标精确跟踪方法
KR20140061183A (ko) * 2012-11-13 2014-05-21 재단법인대구경북과학기술원 초분광 영상 기반 위조생체 검출 시스템
CN106998474A (zh) * 2017-03-29 2017-08-01 南京大学 一种光谱多通道混合压缩传输方法

Also Published As

Publication number Publication date
CN109241884A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
Manickam et al. Score level based latent fingerprint enhancement and matching using SIFT feature
Win et al. Fingerprint classification and identification algorithms for criminal investigation: A survey
Yan et al. Biometric recognition using 3D ear shape
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN107066961B (zh) 指纹配准方法及装置
Ambeth Kumar et al. Exploration of an innovative geometric parameter based on performance enhancement for foot print recognition
Kumar et al. An improved biometric fusion system of fingerprint and face using whale optimization
Manickam et al. Bio-medical and latent fingerprint enhancement and matching using advanced scalable soft computing models
Bhattacharjee et al. Personal identification from lip-print features using a statistical model
Cho et al. Palm-vein verification using images from the visible spectrum
Walia et al. Human recognition via PPG signal using temporal correlation
Akhloufi et al. Thermal faceprint: A new thermal face signature extraction for infrared face recognition
CN109241884B (zh) 一种基于高光谱图像的非侵入式潜在指纹提取方法
Guzman et al. Generating thermal facial signatures using thermal infrared images
CN107122710B (zh) 一种基于散射卷积网络的手指静脉特征提取方法
CN109697347B (zh) 基于指静脉和指形特征的用户特征认证方法及其装置
Sandhya et al. Lip print: an emerging biometrics technology-a review
Chen An efficient palmprint recognition method based on block dominat orientation code
Li et al. Mammogram-based discriminant fusion analysis for breast cancer diagnosis
CN109165640B (zh) 基于比特位面内分块互信息的手背静脉识别方法及识别系统
Hajri et al. Contrast enhancement and feature extraction algorithms of finger knucle print image for personal recognition
Babatunde et al. A multi-level model for fingerprint image enhancement
Samantaray A DoG based approach for fingerprint Image enhancement
Azizi et al. A new method for iris recognition based on contourlet transform and non linear approximation coefficients
CN112507974B (zh) 一种基于纹理特征的掌纹识别方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211029