CN109993142B - 基于指部多模态生物特征的二维码身份认证方法 - Google Patents

基于指部多模态生物特征的二维码身份认证方法 Download PDF

Info

Publication number
CN109993142B
CN109993142B CN201910283609.7A CN201910283609A CN109993142B CN 109993142 B CN109993142 B CN 109993142B CN 201910283609 A CN201910283609 A CN 201910283609A CN 109993142 B CN109993142 B CN 109993142B
Authority
CN
China
Prior art keywords
finger
image
feature
fusion
biological
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.)
Active
Application number
CN201910283609.7A
Other languages
English (en)
Other versions
CN109993142A (zh
Inventor
马慧
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.)
Heilongjiang University
Original Assignee
Heilongjiang 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 Heilongjiang University filed Critical Heilongjiang University
Priority to CN201910283609.7A priority Critical patent/CN109993142B/zh
Publication of CN109993142A publication Critical patent/CN109993142A/zh
Application granted granted Critical
Publication of CN109993142B publication Critical patent/CN109993142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/1347—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

Abstract

基于指部多模态生物特征的二维码身份认证方法。本发明的方法包括：首先对读入的指横纹图像、手指静脉图像与指纹图像分别进行预处理操作，然后提取出三种指部生物特征的特征向量；再对这三种指部生物特征向量在特征级进行串联融合生成融合特征向量，三个特征向量的串联顺序由随机数决定，以增强识别系统的安全性；最后，生成指部融合特征的二维码图像；识别时，将模板图像进行二维码解码得出模板样本的特征数据，将待识别指部融合图像特征与模板样本的特征向量进行比较，根据比较结果完成身份认证。

Description

基于指部多模态生物特征的二维码身份认证方法
技术领域
本发明属于模式识别技术领域，具体涉及手指静脉识别技术、指横纹识别技术、指纹识别技术与二维码技术。
背景技术
近年来，社会信息化快速发展，信息安全对人们日常生活的影响越来越大，如何快速准确的识别个人身份成为一个重要的发展方向。因此，利用人体固有的生理特征或行为特征进行身份识别的生物特征识别技术应运而生。多模态生物特征融合的目的是融合多种生物特征，能够提高识别系统的识别精度和扩大其使用范围，避免了单一生物特征自身的局限性。然而，如何保护用户的生物特征信息不被窃取是目前生物特征识别系统面临的重要问题。针对上述问题，本发明将指静脉特征、指纹特征与指横纹三种指部生物特征进行融合，将融合后的特征采用二维码的形式进行身份信息的验证，以解决单一生物特征局限性及生物特征模板信息的有效保护的目的。
发明内容
本发明的目的在于提供一种指部多模态生物特征的二维码身份信息认证方法，将提取出的指纹特征、指横纹特征与手指静脉特征进行特征级融合，并将融合后的特征生成二维码图像，从而实现对指部多模态生物特征模板信息有效的保护，提高生物特征认证系统的安全性。
本发明的目的是这样实现如下。
基于指部多模态生物特征的二维码身份认证方法，其特征是：首先对读入的指横纹图像、手指静脉图像与指纹图像分别进行预处理操作，然后提取出三种指部生物特征的特征向量；再对这三种指部生物特征向量在特征级进行串联融合生成融合特征向量，三个特征向量的串联顺序由随机数决定，以增强识别系统的安全性；最后，生成指部融合特征的二维码图像；识别时，将模板图像进行二维码解码得出模板样本的特征数据，将待识别指部融合特征与模板样本的特征向量进行比较，根据比较结果完成身份认证。
所述的预处理操作步骤如下：
1)融合方向滤波与均值滤波的增强操作：对指横纹图像进行水平方向的方向滤波操作，加强多为竖直方向的指横纹纹线特征；再对水平方向滤波后的图像进行均值滤波，保留粗大的指横纹纹线，去除细小的噪声纹线。
2)对滤波后的指横纹图像进行二值化处理。
3)对指横纹二值化后的图像采用快速细化方法与改进的条件细化方法相融合的方式提取细化图像；即对每幅图像的每一轮扫描先采用快速细化算法进行粗略的细化操作，然后再采用改进的条件细化方法对图像进行精确的细化操作。
所述的提取三种指部生物特征的特征向量，其特征如下：
1)指横纹图像特征提取：由于指横纹图像中具有明显的纹路信息，因此在指横纹细化图像中统计检测出的指横纹纹路长度、每条纹路的起始点位置以及图像总纹路数作为指横纹图像特征，用F1表示，则F1(a,b,c,d)＝{(a1,b1,c1),(a2,b2,c2),…,(an,bn,cn),d}，其中ai与bi分别为第i条纹路的起始点位置，ci为第i个条纹路的长度，d为整幅图像中总的指横纹纹路条数。
2)指静脉图像特征提取：对静脉图像进行方向滤波操作、二值化处理及条件细化操作后，参照上述指横纹特征提取方式，提取出指静脉图像特征F2(e,f,g,h)＝{(e1,f1,g1),(e2,f2,g2),…,(em,fm,gm),h}，其中ei与fi分别为第i条纹路的起始点位置，gi为第i个条纹路的长度，h为整幅图像中总的指横纹纹路条数。
3)指纹图像特征提取：对指纹图像采取与上述静脉图像同样的预处理操作，即对指纹图像进行方向滤波、分割及细化操作，在细化后的指纹图像中利用像素点八邻域内灰度特性提取出端点和交叉点两种细节点特征，将所有细节点位置及类型信息记录于特征F3(x,y,o)＝{(x1,y1,o1),(x2,y2,o2),…,(xl,yl,ol)}中，其中(xi,yi)为第i个细节点的空间位置信息，oi表示指纹图像中第i个细节点的类型，其值为0时表示该点为交叉点，否则为端点。
所述的对三种指部生物特征向量在特征级进行串联融合生成融合特征向量，其特征是：
将上述提取出的指横纹特征、指静脉特征与指纹特征在特征级进行融合具体方法如下：将三种指部生物特征首尾依次相连构成融合后的特征向量F，融合特征向量F按照三种指部生物特征串联顺序不同，共有六种形式即{F1,F2,F3}、{F1,F3,F2}、{F2,F1,F3}、{F2,F3,F1}、{F3,F2,F1}与{F3,F1,F2}。
为了增强生物特征模板的安全性，不特定使用一种特征串联顺序；在每次进行特征融合时随机生成一个随机数，该随机数的范围为1-6，对应上述六种特征串联顺序，按随机数的数值选择三种生物特征的特征级串联融合顺序。
本发明的主要贡献和特点在于：本发明融合指横纹、指静脉及指纹三种指部生物特征进行个人身份认证，多生物特征融合的方式有效的避免了单一生物特征的局限性。且本发明将融合特征采用二维码的形式表示，有效的防止身份伪造的发生，提高了生物特征模板的安全性。
附图说明
图1本发明主要流程图。
图2指横纹水平方向滤波模板。
具体实施方式
下面结合附图举例对本发明做更详细地描述。
1指横纹图像特征提取
1.1指横纹图像预处理。
1)融合方向滤波与均值滤波的增强操作：对指横纹图像仅进行水平方向的方向滤波操作。水平方向的滤波模板如图2所示，图中p(x,y)加强多为竖直方向的指横纹纹线特征；再对水平方向滤波后的图像进行均值滤波，保留粗大的指横纹纹线，去除细小的噪声纹线。
2)对滤波后的指横纹图像进行二值化处理。
3)对指横纹二值化后的图像采用快速细化方法与改进的条件细化方法相融合的方式提取细化图像。即对每幅图像的每一轮扫描先采用快速细化算法进行粗略的细化操作，然后再采用改进的条件细化方法对图像进行精确的细化操作。
1.2指横纹图像特征提取。
由于指横纹图像中具有明显的纹路信息，因此在指横纹细化图像中统计检测出的指横纹纹路长度、每条纹路的起始点位置以及整幅指横纹图像总纹路条数作为指横纹图像特征，用F1表示，则F1(a,b,c,d)＝{(a1,b1,c1),(a2,b2,c2),…,(an,bn,cn),d}，其中ai与bi分别为第i条纹路的起始点位置，ci为第i个条纹路的长度，d为整幅图像中总的指横纹纹路条数。
2指静脉图像特征提取。
对静脉图像进行方向滤波操作、二值化处理及条件细化操作后，参照上述指横纹特征提取方式，提取出指静脉图像特征F2(e,f,g,h)＝{(e1,f1,g1),(e2,f2,g2),…,(em,fm,gm),h}，其中ei与fi分别为第i条纹路的起始点位置，gi为第i个条纹路的长度，h为整幅图像中总的指横纹纹路条数。
3指纹图像特征提取。
对指纹图像采取与上述静脉图像同样的预处理操作，即对指纹图像进行方向滤波、分割及细化操作。在细化后的指纹图像中利用像素点八邻域内灰度特性提取出端点和交叉点两种细节点特征。将所有细节点位置及类型信息记录于特征F3(x,y,o)＝{(x1,y1,o1),(x2,y2,o2),…,(xl,yl,ol)}中，其中(xi,yi)为第i个细节点的空间位置信息，oi表示指纹图像中第i个细节点的类型，其值为0时表示该点为交叉点，否则为端点。
4.指部生物特征融合。
将上述提取出的指横纹特征、指静脉特征与指纹特征在特征级进行融合具体方法如下：将三种指部生物特征首尾依次相连构成融合后的特征向量F。融合特征向量F按照三种指部生物特征串联顺序不同，共有六种形式即{F1,F2,F3}、{F1,F3,F2}、{F2,F1,F3}、{F2,F3,F1}、{F3,F2,F1}与{F3,F1,F2}。
为了增强生物特征模板的安全性，本发明不特定使用一种特征串联顺序。在每次进行特征融合时随机生成一个随机数，该随机数的范围为1-6，对应上述六种特征串联顺序，按随机数的数值选择三种生物特征的特征级串联融合顺序。
5.基于指部融合特征的二维码生成与识别。
本发明将上述经过随机顺序串联的指部融合特征采用QR码生成静脉二维码图像。
1)对指部融合特征以及生成的随机数进行数据编码，生成由二进制组成的数据流、模式指示符等。
2)利用纠正算法对数据编码后的数据块计算出一系列纠错码，将纠错码与上述融合特征的数据编码进行组合。
3)将字码模块、分隔符、定位图像与校准图形按标准布置在图形中。
4)选择掩码模板进行掩膜操作。
5)生成指部融合特征的二维码图像。
基于指部多模态生物特征的二维码身份验证过程如下。
1)对生成的指部多生物融合特征的二维码图像进行QR码解码操作，获得指部融合特征以及生成串联融合特征顺序的随机数。
2)对待识别融合特征以该随机数指定的顺序进行特征串联，构造相应的待识别融合特征。
3)再通过求取待识别指部融合图像特征与模板样本的特征向量之间的欧式距离，与预设阈值进行比较，来实现最终的匹配识别，完成身份认证。

Claims (1)

1.基于指部多模态生物特征的二维码身份认证方法，其特征是：首先对读入的指横纹图像、手指静脉图像与指纹图像分别进行预处理操作，然后提取出三种指部生物特征的特征向量；再对这三种指部生物特征向量在特征级进行串联融合生成融合特征向量，三个特征向量的串联顺序由随机数决定，以增强识别系统的安全性；最后，生成指部融合特征的二维码图像；识别时，将模板图像进行二维码解码得出模板样本的特征数据，将待识别指部融合特征与模板样本的特征向量进行比较，根据比较结果完成身份认证；
所述的预处理操作，其特征是：
1)融合方向滤波与均值滤波的增强操作：对指横纹图像进行水平方向的方向滤波操作，加强多为竖直方向的指横纹纹线特征；再对水平方向滤波后的图像进行均值滤波，保留粗大的指横纹纹线，去除细小的噪声纹线；
2)对滤波后的指横纹图像进行二值化处理；
3)对指横纹二值化后的图像采用快速细化方法与改进的条件细化方法相融合的方式提取细化图像；即对每幅图像的每一轮扫描先采用快速细化算法进行粗略的细化操作，然后再采用改进的条件细化方法对图像进行精确的细化操作；
所述的提取三种指部生物特征的特征向量，其特征是：
1)指横纹图像特征提取：由于指横纹图像中具有明显的纹路信息，因此在指横纹细化图像中统计检测出的指横纹纹路长度、每条纹路的起始点位置以及图像总纹路数作为指横纹图像特征，用F1表示，则F1(a,b,c,d)＝{(a1,b1,c1),(a2,b2,c2),…,(an,bn,cn),d}，其中ai与bi分别为第i条纹路的起始点位置，ci为第i条纹路的长度，d为整幅图像中总的指横纹纹路条数；
2)指静脉图像特征提取：对静脉图像进行方向滤波操作、二值化处理及条件细化操作后，参照上述指横纹特征提取方式，提取出指静脉图像特征F2(e,f,g,h)＝{(e1,f1,g1),(e2,f2,g2),…,(em,fm,gm),h}，其中ei与fi分别为第i条纹路的起始点位置，gi为第i个条纹路的长度，h为整幅图像中总的指横纹纹路条数；
3)指纹图像特征提取：对指纹图像采取与上述静脉图像同样的预处理操作，即对指纹图像进行方向滤波、分割及细化操作，在细化后的指纹图像中利用像素点八邻域内灰度特性提取出端点和交叉点两种细节点特征，将所有细节点位置及类型信息记录于特征F3(x,y,o)＝{(x1,y1,o1),(x2,y2,o2),…,(xl,yl,ol)}中，其中(xi,yi)为第i个细节点的空间位置信息，oi表示指纹图像中第i个细节点的类型，其值为0时表示该点为交叉点，否则为端点；
所述的对三种指部生物特征向量在特征级进行串联融合生成融合特征向量，其特征是：
将上述提取出的指横纹特征、指静脉特征与指纹特征在特征级进行融合具体方法如下：将三种指部生物特征首尾依次相连构成融合后的特征向量F，融合特征向量F按照三种指部生物特征串联顺序不同，共有六种形式即{F1,F2,F3}、{F1,F3,F2}、{F2,F1,F3}、{F2,F3,F1}、{F3,F2,F1}与{F3,F1,F2}；
为了增强生物特征模板的安全性，不特定使用一种特征串联顺序；在每次进行特征融合时随机生成一个随机数，该随机数的范围为1-6，对应上述六种特征串联顺序，按随机数的数值选择三种生物特征的特征级串联融合顺序；
所述的身份认证过程如下：
1)对生成的指部多生物融合特征的二维码图像进行QR码解码操作，获得指部融合特征以及生成串联融合特征顺序的随机数；
2)对待识别的三种生物特征以该随机数指定的顺序进行特征串联，构造相应的待识别指部融合特征；
3)再通过求取待识别指部融合特征与模板图像的特征向量之间的欧式距离，与预设阈值进行比较，来实现最终的匹配识别，完成身份认证。
CN201910283609.7A 2019-04-10 2019-04-10 基于指部多模态生物特征的二维码身份认证方法 Active CN109993142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910283609.7A CN109993142B (zh) 2019-04-10 2019-04-10 基于指部多模态生物特征的二维码身份认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910283609.7A CN109993142B (zh) 2019-04-10 2019-04-10 基于指部多模态生物特征的二维码身份认证方法

Publications (2)

Publication Number Publication Date
CN109993142A CN109993142A (zh) 2019-07-09
CN109993142B true CN109993142B (zh) 2023-09-12

Family

ID=67132748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910283609.7A Active CN109993142B (zh) 2019-04-10 2019-04-10 基于指部多模态生物特征的二维码身份认证方法

Country Status (1)

Country Link
CN (1) CN109993142B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310699A (zh) * 2020-02-27 2020-06-19 浙江光珀智能科技有限公司 一种基于手掌特征的身份认证方法及系统
CN111967405B (zh) * 2020-08-19 2023-06-27 深圳职业技术学院 一种基于晶体图结构的手指三模态融合识别方法及装置
CN112668412A (zh) * 2020-12-15 2021-04-16 深兰科技（上海）有限公司 二维码生成方法、装置、电子设备和存储介质
CN113963387B (zh) * 2021-10-12 2024-04-19 华南农业大学 基于最优编码位的手指多模态特征提取与融合方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354464A (zh) * 2015-10-14 2016-02-24 中国银联股份有限公司 基于指纹信息识别用户身份的方法和装置
CN106330464A (zh) * 2016-10-26 2017-01-11 上海众人网络安全技术有限公司 一种身份认证方法、设备及系统
CN106778214A (zh) * 2015-11-23 2017-05-31 中国电信股份有限公司 指纹认证方法和系统
CN107423703A (zh) * 2017-07-21 2017-12-01 山东大学 基于人脸、指纹和指静脉特征的多模态识别装置及方法
CN109598247A (zh) * 2018-12-07 2019-04-09 黑龙江大学 基于静脉图像细节点与纹路特征的二维码身份认证方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015114554A1 (en) * 2014-01-31 2015-08-06 Visa International Service Association Method and system for authorizing a transaction
JP6238867B2 (ja) * 2014-09-30 2017-11-29 株式会社日立製作所 逐次バイオメトリック暗号システムおよび逐次バイオメトリック暗号処理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354464A (zh) * 2015-10-14 2016-02-24 中国银联股份有限公司 基于指纹信息识别用户身份的方法和装置
CN106778214A (zh) * 2015-11-23 2017-05-31 中国电信股份有限公司 指纹认证方法和系统
CN106330464A (zh) * 2016-10-26 2017-01-11 上海众人网络安全技术有限公司 一种身份认证方法、设备及系统
CN107423703A (zh) * 2017-07-21 2017-12-01 山东大学 基于人脸、指纹和指静脉特征的多模态识别装置及方法
CN109598247A (zh) * 2018-12-07 2019-04-09 黑龙江大学 基于静脉图像细节点与纹路特征的二维码身份认证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多特征融合的手背静脉识别算法研究;胡云朋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第03期);全文 *

Also Published As

Publication number Publication date
CN109993142A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109993142B (zh) 基于指部多模态生物特征的二维码身份认证方法
Chen et al. Iris recognition based on human-interpretable features
CN109598247B (zh) 基于静脉图像细节点与纹路特征的二维码身份认证方法
CN109635756B (zh) 融合指纹与指静脉的二维码身份认证方法
CN110647955A (zh) 身份验证方法
Derman et al. Normalized cross-correlation based global distortion correction in fingerprint image matching
Kassem et al. An enhanced ATM security system using multimodal biometric strategy
Eid et al. Development of Iris Security System Using Adaptive Quality-Based Template Fusion
US20050152586A1 (en) Print analysis
KR101778552B1 (ko) 지문인식을 위한 그래프 기반 블록-특징 표현 방법 및 이를 이용한 지문인식 시스템
CN114373218B (zh) 一种用于检测活体对象的卷积网络的生成方法
Krishnan et al. Finger vein recognition based on anatomical features of vein patterns
KR101007008B1 (ko) 지문 인식 장치 및 방법
Fei et al. Combining enhanced competitive code with compacted ST for 3D palmprint recognition
Prakash et al. Fusion of multimodal biometrics using feature and score level fusion
Mahadik et al. Access Control System using fingerprint recognition
Talreja Stochastically optimized handwritten character recognition system using Hidden Markov Model
RU2413297C2 (ru) Способ формирования и верификации биометрического кода отпечатка пальца
Arjona et al. A fingerprint biometric cryptosystem in FPGA
Ruzicka et al. Improving Sensor Interoperability between Contactless and Contact-Based Fingerprints Using Pose Correction and Unwarping
Shreya et al. Gan-enable latent fingerprint enhancement model for human identification system
Brindha Finger knuckle print as unimodal fuzzy vault implementation
Amirthalingam et al. Multimodal biometric cryptosystem for face and ear recognition based on fuzzy vault
Gowthami et al. Face recognition based on SLTP method under different emotions
US11580774B2 (en) Method for the classification of a biometric trait represented by an input image

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