CN109255318A - 基于多尺度和多卷积层特征融合的指纹活性检测方法 - Google Patents

基于多尺度和多卷积层特征融合的指纹活性检测方法 Download PDF

Info

Publication number
CN109255318A
CN109255318A CN201811017018.7A CN201811017018A CN109255318A CN 109255318 A CN109255318 A CN 109255318A CN 201811017018 A CN201811017018 A CN 201811017018A CN 109255318 A CN109255318 A CN 109255318A
Authority
CN
China
Prior art keywords
feature
fingerprint
principal component
image
fusion features
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.)
Pending
Application number
CN201811017018.7A
Other languages
English (en)
Inventor
袁程胜
余佩鹏
夏志华
付章杰
孙星明
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201811017018.7A priority Critical patent/CN109255318A/zh
Publication of CN109255318A publication Critical patent/CN109255318A/zh
Pending legal-status Critical Current

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
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于多尺度和多卷积层特征融合的指纹活性检测方法，包括：步骤1）多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数；步骤2）主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；步骤3）多卷积层特征融合：将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；步骤4）支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。该方法通过图像多尺度的生成、图像感兴趣区域的构建，利用卷积神经网络技术自动的从带有标签的大量指纹图像中学习到富有代表性的真假指纹特征。

Description

基于多尺度和多卷积层特征融合的指纹活性检测方法
技术领域
本发明涉及计算机视觉技术和模式识别领域，尤其涉及一种基于多尺度和多卷积层特征融合的指纹活性检测方法。
背景技术
随着人工智能、模式识别等相关技术的发展，指纹传感器研发和生产技术日臻成熟，已能够捕获到大量高分辨率的指纹图像，这都为基于指纹图像的鉴定技术在金融、公安、门禁、户籍管理等领域得到了广泛的应用奠定了基础。但是，人类的指纹信息很容易被窃取和伪造，因此指纹识别系统给人们带来便捷身份认证方式的同时，也带来了身份认证的安全隐患。
目前，基于真假指纹图像的活性检测技术可分为两类。第一类是基于硬件的指纹活性检测方案(Hardware-based FLD scheme)。该检测方案需要在指纹认证系统中增加一些指纹传感器设备，用来采集手指(真手指和伪造的假手指)表皮的温度，脉搏、血含氧量或导电率等生物信息，通过分析这些采集的数据来鉴别真假指纹。有的鉴别技术可直接使用射频传感器发射出的微量射频信号，该信号可穿透手指的表皮层去探测真皮层里的指纹纹路图像。通过分析这些指纹纹路图像的细节信息，从而杜绝多种人造指纹材质生成的假指纹。但是，基于硬件的检测算法具有较好的检测精度，但在实际应用中易被非法用户找到漏洞，而且会增加系统的硬件成本。
第二种是基于软件的指纹活性检测方案(Software-based FLD scheme)。通过分析指纹图像的纹理结构、指纹气孔和弹性属性等静态特征，或者通过分析处理一个时间段内的两张连续指纹图像，得到毛孔中的汗液信号、时间压力变化这类动态特征。与基于硬件的方法相比，基于软件的检测算法成本相对较低，是目前研究的热点。
Abhyankar和Schuckers提出了一个基于多尺度纹理特征和局部脊线频率特征的指纹活性检测算法。Ghiani等提出了一个基于傅利叶变换的指纹活性检测方法，利用傅利叶变换中的相位信息提取特征，获得了较好的检测精度。Gragnaniello等提出了一个基于局部对比相位信息描述子(Local Contrast Phase Descriptor)的指纹活性检测算法，该方法同时从空域和频域提取特征，统计两类特征的共生矩阵来检测仿制指纹。
尽管传统的指纹活性检测算法能够正确的区分出真假指纹，但真假指纹图像能否正确鉴别的关键是如何提出和设计一套最优的特征提取算法。传统分类算法输入的特征是研究者根据经验设计的，尽管传统分类算法检测性能很高，但有时很难用语言去描述。而深度学习通过构建多层网络结构对数据进行处理，从大量的带有标签的图像中自动的学习到描述物体的结构特征，研究人员无需任何的图像处理技术，已在各个领域取得了巨大成功。卷积神经网络(Convolutional Neural Network，CNN)是深度学习在图像分类与识别中使用最为广泛的算法。把卷积神经网络应用到指纹活性检测领域，能大大提高算法的检测精度。
目前市场上已有许多基于指纹图像的认证系统，但人类指纹易被窃取，伪造者可通过仿制用户指纹来实现非法认证；其次，人们也能替自己仿制出一个假指纹，从而达到欺骗指纹认证系统的目的，因此设计一个鉴别真假指纹活性的算法显得尤为重要。基于纹理特征的传统的指纹活性检测算法有较高的检测精度，但无法说明真假指纹具体的纹理差异，特征提取与检测问题之间存在语义鸿沟。
发明内容
本发明目的在于克服特征提取与检测问题之间存在语义鸿沟的问题，提供了一种基于多尺度和多卷积层特征融合的指纹活性检测方法，具体由以下技术方案实现：
所述基于多尺度和多卷积层特征融合的指纹活性检测方法，包括如下步骤：步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度；
步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；
步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；
步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。
所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤1)中提取感兴趣区域的方法为：根据式(1)进行Sobel边缘检测，求取边缘最小外接矩形，并截取图像的感兴趣区域，
Sobel边缘检测算法如下：
其中，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，G表示梯度大小，θ表示梯度方向，A表示矩阵，即待处理的图像。
所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤2)中主成分分析技术具体包括如下步骤：
步骤2-1)根据式(2)对提取特征进行处理，减少特征数据的维度，同时保留特征数据集的对整体方差贡献最大的特征，
其中，R表示样本相关矩阵，Zij为标准化矩阵，R为相关系数矩阵，sj为标准差，为第j个样本平均值，xij为第i个样本的第j个数据，n为样本总数；
步骤2-2)求得样本相关矩阵R后，解样本相关矩阵R的特征方程|R-λIp|＝0得p个特征根,确定主成分，按确定m值，使信息的利用率达85％以上，对每个λj,j＝1,2,...,m,解方程组Rb＝λjb得单位特征向量其中λj表示特征值，b为特征向量；
步骤2-3)将标准化后的指标变量转换为主成分：对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤4)中根据式(3)通过支持向量机线性可分问题进行优化，
式中，(xi,yi)和(xj,yj)分别表示表示第i和第j样本的空间坐标的值，ai和aj为其对应的约束参数。
所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤1)中将提取感兴趣区域处理获取的图像的像素值转为为0至1范围内。
本发明的优点如下：
本发明的基于多尺度和多卷积层特征融合的指纹活性检测方法主要分为四个步骤：多尺度特征提取训练，主成分分析各层特征，多卷积层特征融合，支持向量机模型训练和测试。相比已有算法，本发明主要特点是利用卷积神经网络能够自动的从大量的标有数据样本的标签中自动的学习到描述图像固有结构的结构信息，无需具备特定的图像处理相关领域知识，但存在的问题就是每层学习到的特征维度比较大同时学习到的特征也会有大量的零元素，因此用主成分分析技术来解决上述问题。本发明的方法的特征提取操作简单、检测精度高。
附图说明
图1为指纹活性检测流程图。
图2为原图像与提取到的感兴趣区域对比图。
图3为卷积神经网络各层提取到的特征图。
图4为池化层2提取到的特征经过主成分分析后得到的可视化图像。
具体实施方式
下面结合附图1-4对本发明的技术方案进一步说明。
如图1，本实施例基于多尺度和多卷积层特征融合的指纹活性检测方法，本方法从卷积神经网络中提取训练好的特征，对每层特征做主成分分析后合并，然后将合并的多尺度多层特征输入到支持向量机训练和测试，完成真假指纹图像的分类，具体包括如下步骤：
步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度。
步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理。
步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接。本实施例把输入图像的尺寸设为64，128，256等多个尺度。
步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。
步骤1)中提取感兴趣区域的方法为：使用Sobel算子进行边缘检测，求取边缘最小外接矩形，并截取图像的感兴趣区域，
Sobel边缘检测算法如下：
其中，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，G表示梯度大小，θ表示梯度方向。A表示矩阵，即待处理的图像。
由附图2可知，感兴趣区域(ROI)提取后，图像集中表现为所需要的指纹部分，而白色区域则缩小，大大减少了白色区域在特征学习过程中对最终训练出来的分类器的干扰。由此，ROI提取出的内容将有利于后续步骤的进行。
步骤2)中主成分分析技术具体包括如下步骤：
步骤2-1)根据式(2)对提取特征进行处理，减少特征数据的维度，同时保留特征数据集的对整体方差贡献最大的特征，
其中，R表示样本相关矩阵，式中Zij为标准化矩阵，R为相关系数矩阵，sj为标准差，为第j个样本平均值，xij为第i个样本的第j个数据，n为样本总数。
步骤2-2)求得样本相关矩阵R后，解样本相关矩阵R的特征方程|R-λIp|＝0得p个特征根,确定主成分，按确定m值，使信息的利用率达85％以上，对每个λj,j＝1,2,...,m,解方程组Rb＝λjb得单位特征向量其中λj表示特征值，b为特征向量。
步骤2-3)将标准化后的指标变量转换为主成分：对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
步骤4)中根据式(3)通过支持向量机线性可分问题进行优化，
式中，(xi,yi)和(xj,yj)分别表示表示第i和第j样本的空间坐标的值，ai和aj为其对应的约束参数。
本实施例的步骤1)中将提取感兴趣区域处理获取的图像的像素值转为为0至1范围内。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，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的保护范围为准。

Claims (5)

1.一种基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于包括如下步骤：
步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度；
步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；
步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；
步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。
2.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤1)中提取感兴趣区域的方法为：根据式(1)进行Sobel边缘检测，求取边缘最小外接矩形，并截取图像的感兴趣区域，
Sobel边缘检测算法如下：
其中，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，G表示梯度大小，θ表示梯度方向，A表示待处理的图像的矩阵。
3.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤2)中主成分分析技术具体包括如下步骤：
步骤2-1)根据式(2)对提取特征进行处理，减少特征数据的维度，同时保留特征数据集的对整体方差贡献最大的特征，
其中，R表示样本相关矩阵，式中Zij为标准化矩阵，R为相关系数矩阵，sj为标准差，为第j个样本平均值，xij为第i个样本的第j个数据，n为样本总数；
步骤2-2)求得样本相关矩阵R后，解样本相关矩阵R的特征方程|R-λIp|＝0得p个特征根,确定主成分，按确定m值，使信息的利用率达85％以上，对每个λj,j＝1,2,...,m,解方程组Rb＝λjb得单位特征向量其中λj表示特征值，b为特征向量；
步骤2-3)将标准化后的指标变量转换为主成分：对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
4.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤4)中根据式(3)通过支持向量机线性可分问题进行优化，
式中，(xi,yi)和(xj,yj)分别表示表示第i和第j样本的空间坐标的值，ai和αj为其对应的约束参数。
5.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤1)中将提取感兴趣区域处理获取的图像的像素值转为为0至1范围内。
CN201811017018.7A 2018-08-31 2018-08-31 基于多尺度和多卷积层特征融合的指纹活性检测方法 Pending CN109255318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811017018.7A CN109255318A (zh) 2018-08-31 2018-08-31 基于多尺度和多卷积层特征融合的指纹活性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811017018.7A CN109255318A (zh) 2018-08-31 2018-08-31 基于多尺度和多卷积层特征融合的指纹活性检测方法

Publications (1)

Publication Number Publication Date
CN109255318A true CN109255318A (zh) 2019-01-22

Family

ID=65050016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811017018.7A Pending CN109255318A (zh) 2018-08-31 2018-08-31 基于多尺度和多卷积层特征融合的指纹活性检测方法

Country Status (1)

Country Link
CN (1) CN109255318A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913565A (zh) * 2021-01-28 2022-08-16 腾讯科技（深圳）有限公司 人脸图像检测方法、模型训练方法、装置及存储介质
CN115841685A (zh) * 2023-02-15 2023-03-24 南京信息工程大学 一种基于复合像元梯度的伪造指纹检测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN103164689A (zh) * 2011-12-16 2013-06-19 上海移远通信技术有限公司 人脸识别方法及系统
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN104951760A (zh) * 2015-06-12 2015-09-30 南京信息工程大学 一种基于方向场细节点描述子的指纹分类方法
CN105528591A (zh) * 2016-01-14 2016-04-27 电子科技大学 基于多象限编码的活体指纹识别方法
CN106055948A (zh) * 2012-03-23 2016-10-26 原相科技股份有限公司 使用者辨识系统及辨识使用者的方法
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 一种基于多尺度和多卷积层特征融合的指纹活性检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164689A (zh) * 2011-12-16 2013-06-19 上海移远通信技术有限公司 人脸识别方法及系统
CN106055948A (zh) * 2012-03-23 2016-10-26 原相科技股份有限公司 使用者辨识系统及辨识使用者的方法
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN103942540A (zh) * 2014-04-10 2014-07-23 杭州景联文科技有限公司 基于曲波纹理分析和svm-knn分类的假指纹检测算法
CN104951760A (zh) * 2015-06-12 2015-09-30 南京信息工程大学 一种基于方向场细节点描述子的指纹分类方法
CN105528591A (zh) * 2016-01-14 2016-04-27 电子科技大学 基于多象限编码的活体指纹识别方法
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 一种基于多尺度和多卷积层特征融合的指纹活性检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGSHENG YUAN等: "《Fingerprint Liveness Detection from Different Fingerprint Materials Using Convolutional Neural Network and Principal Component Analysis》", 《COMPUTERS, MATERIALS & CONTINUA》 *
ZHIHUA XIA等: "《Fingerprint liveness detection using gradient-based texture features》", 《SIGNAL, IMAGE AND VIDEO PROCESSING》 *
吕锐 等: "《基于韦伯二值感知特征的指纹活性检测》", 《应用科学学报》 *
高勇: "《时频分析与盲信号处理》", 31 January 2017 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913565A (zh) * 2021-01-28 2022-08-16 腾讯科技（深圳）有限公司 人脸图像检测方法、模型训练方法、装置及存储介质
CN114913565B (zh) * 2021-01-28 2023-11-17 腾讯科技（深圳）有限公司 人脸图像检测方法、模型训练方法、装置及存储介质
CN115841685A (zh) * 2023-02-15 2023-03-24 南京信息工程大学 一种基于复合像元梯度的伪造指纹检测系统及方法

Similar Documents

Publication Publication Date Title
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
Shoieb et al. Computer-aided model for skin diagnosis using deep learning
Zhao et al. ApLeaf: An efficient android-based plant leaf identification system
CN109063572A (zh) 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN104392463B (zh) 一种基于联合稀疏多尺度融合的图像显著区域检测方法
CN104732601B (zh) 一种基于人脸识别技术的高识别率自动考勤装置及方法
CN106934359B (zh) 基于高阶张量子空间学习的多视角步态识别方法及系统
Miura et al. Feature extraction of finger vein patterns based on iterative line tracking and its application to personal identification
CN106709450A (zh) 一种指纹图像识别方法及系统
CN105117708A (zh) 人脸表情识别的方法和装置
Hu et al. Detection and recognition for life state of cell cancer using two-stage cascade CNNs
CN112132099A (zh) 身份识别方法、掌纹关键点检测模型训练方法和装置
Cao et al. Efficient saliency detection using convolutional neural networks with feature selection
CN109063643A (zh) 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法
CN110516533A (zh) 一种基于深度度量的行人再辨识方法
Khalifa et al. Wavelet, gabor filters and co-occurrence matrix for palmprint verification
Kumar et al. Fingerprint matching using multi-dimensional ANN
Wu et al. A twice face recognition algorithm
CN109255318A (zh) 基于多尺度和多卷积层特征融合的指纹活性检测方法
CN104679967A (zh) 一种判断心理测试可靠性的方法
Yoon Fingerprint recognition: models and applications
Qin et al. End-to-end generative adversarial network for palm-vein recognition
Ahmed et al. Retina based biometric authentication using phase congruency
Tallapragada et al. Iris recognition based on combined feature of GLCM and wavelet transform
CN104376320B (zh) 一种用于人造指纹检测的特征提取方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190122