CN110135142B - 一种基于几何斜率的网状生理纹路特征描述方法 - Google Patents

一种基于几何斜率的网状生理纹路特征描述方法 Download PDF

Info

Publication number
CN110135142B
CN110135142B CN201910363792.1A CN201910363792A CN110135142B CN 110135142 B CN110135142 B CN 110135142B CN 201910363792 A CN201910363792 A CN 201910363792A CN 110135142 B CN110135142 B CN 110135142B
Authority
CN
China
Prior art keywords
end point
physiological
endpoint
feature description
new
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
CN201910363792.1A
Other languages
English (en)
Other versions
CN110135142A (zh
Inventor
罗敏
蒋千军
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.)
Digital Blue Shield (Xiamen) Information Technology Co.,Ltd.
Original Assignee
Chengdu Zhenshi Technology Co ltd
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 Chengdu Zhenshi Technology Co ltd filed Critical Chengdu Zhenshi Technology Co ltd
Priority to CN201910363792.1A priority Critical patent/CN110135142B/zh
Publication of CN110135142A publication Critical patent/CN110135142A/zh
Application granted granted Critical
Publication of CN110135142B publication Critical patent/CN110135142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2107—File encryption

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于几何斜率的网状生理纹路特征描述方法，属于特征描述领域，首先，获取网状生理纹路图像S1，进行预处理，得到待处理的图像矩阵；再标记图像矩阵中的任意一个端点，引入端点标记圈标记该端点的相对位置，端点标记圈与该端点的交叉纹路进行重合，产生新交叉点；然后，求取新交叉点与端点的几何斜率集，以及新交叉点相对于该端点的方位，得到端点的特征描述集；最后，获取网状生理纹路图像S2，重复前述步骤，得到新的端点特征描述集，从而得到所有端点的特征描述集，即网状生理纹路的特征库。本发明解决了现有生物特征识别技术存在被复制的风险，安全性不高，导致造成用户资料泄露和带来经济损失的问题。

Description

一种基于几何斜率的网状生理纹路特征描述方法
技术领域
本发明属于特征描述领域，涉及一种基于几何斜率的网状生理纹路特征描述方法。
背景技术
近年来，生物特征识别技术异常火热，例如，应用于移动端身份认证，支付认证的指纹识别，已成为各个手机厂商主营机的重大卖点。
但是，指纹识别并非绝对安全，当用户使用时，每一次使用指纹都会在指纹采集头上留下其指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性，现在市面上也存在指纹套，用以欺骗指纹识别系统，从而造成用户资料泄露和经济损失等问题，所以，非常有必要采用一种更加安全的生物识别方式。
网状生理纹路一般指静脉、掌静脉、脸静脉等网状生理静脉，医学研究发现当用近红外线照射手指时，手指静脉中流动的血红蛋白会吸收近红外线，从而形成静脉血管的影像，通过红外传感芯片可以获取指静脉的图像并经算法处理形成特定的指静脉模板。经过医学验证，每个人的指静脉血管的影像都不一样，形成的模板是一种独特的生物特征。
因此，本发明将网状生理纹路的特征用于进行身份识别，提出了一种基于几何斜率的网状生理纹路特征描述方法。
发明内容
本发明的目的在于：提供了一种基于几何斜率的网状生理纹路特征描述方法，解决了现有生物特征识别技术存在被复制的风险，安全性不高，导致造成用户资料泄露和带来经济损失的问题。
本发明采用的技术方案如下：
一种基于几何斜率的网状生理纹路特征描述方法，包括以下步骤：
步骤1：获取网状生理纹路图像S1，进行预处理，得到待处理的图像矩阵；
步骤2：标记图像矩阵中的任意一个端点，引入端点标记圈标记该端点的相对位置，端点标记圈与该端点的交叉纹路进行重合，产生新交叉点；
步骤3：求取步骤2中的新交叉点与步骤2中的端点的几何斜率集，以及新交叉点相对于该端点的方位，得到端点的特征描述集；
步骤4：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集，从而得到所有端点的特征描述集，即网状生理纹路的特征库。
进一步地，还包括步骤5：采用级联匹配方式匹配两个网状生理纹路图像的端点特征，融合两次匹配结果，得到最终的匹配评判值，根据该匹配评判值判定匹配是否成功。
进一步地，所述步骤1的具体步骤为：
步骤1.1：获取网状生理纹路图像S1，选择需要进行特征描写的区域；
步骤1.2：对步骤1.1选择的区域进行归一化处理和图像细化，得到待处理的图像矩阵：
F(x，y)，x∈M，y∈N，
其中，M、N为图像的像素尺寸。
进一步地，所述步骤2的具体步骤为：
步骤2.1：标记图像矩阵中的端点fn(x，y)，fn为第n个端点；
步骤2.2：遍历所有端点fn(x，y)后，得到两两端点间的最小值
Figure BDA0002047610320000021
步骤2.3：由于每个端点至少均有3条交叉纹路，引入端点标记圈标记该端点的相对位置，所述端点标记圈的半径r为最小值
Figure BDA0002047610320000022
的0.5倍；
步骤2.4：端点标记圈与该端点的交叉纹路进行重合，产生新交叉点An，k(x，y)，其中，n为端点数，k为新交叉点数，x，y为新交叉点的坐标。
进一步地，所述步骤3的具体步骤为：
步骤3.1：求取步骤2中的新交叉点An，k(x，y)与端点fn(x，y)的几何斜率集l：
Figure BDA0002047610320000023
其中，ln，k表示单个斜率，abs()为绝对值函数；
步骤3.2：求取步骤2中新交叉点An，k(x，y)相对于端点fn(x，y)的方位p：
pn，k＝arctan(ln，k)，
其中，pn，k表示单个方位；
步骤3.3：根据步骤3.1和3.2，得到端点的特征描述集T：
Tn，k＝(pn，k，ln，k)，
其中，Tn，k表示单个特征描述符。
进一步地，所述步骤4的具体步骤为：
步骤4.1：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集T’：
T′n，k＝(pn，k，ln，k)，
其中，T′n，k表示单个新的特征描述符；
步骤4.2：根据步骤3.3和步骤4.1，得到所有端点的特征描述集Hn，即网状生理纹路的特征库：
Hn＝∑(fn，Tn，k)。
更进一步地，所述步骤5的具体步骤为：
步骤5.1：对端点fn(x，y)进行欧式距离计算，得到匹配结果Result_1；
步骤5.2：对特征描述集Tn，k＝(pn，k，ln，k)进行欧式距离计算，得到匹配结果Result_2；
步骤5.3：融合两次匹配结果，得到最终的匹配评判值threshold：
threshold＝k1*Reslut1+k2*Reslut2，
其中，k1、k2为权重系数；
步骤5.4：若threshold大于等于设定值，则匹配成功，即认为网状生理纹路图像S1和S2具有较高的相似性，否则，匹配不成功，即认为这两个图像是两个不同的图像。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.一种基于几何斜率的网状生理纹路特征描述方法，采用引入几何斜率的方法来获取端点的特征描述集，从而得到网状生理纹路的特征库进行网状生理纹路特征描述，便于对网状生理纹路进行分选和初判，采用网状生理纹路特征识别技术的设备，其安全性会比采用现有指纹、虹膜、人脸、声音的生物识别技术的设备更高，网状生理纹路不容易被复制，不失一般性，且具有非接触式、身体内部特征采集、活体辨识、辨识速度较快的优点，在当今众多生物识别技术中，具有较高的安全级别及技术指标，可被广泛应用于身份识别领域。
2.本发明在特征描述上增加了匹配步骤，可将此应用到指静脉识别门禁领域，通过识别实际静脉图像与预先设定的静脉图像是否一致，来控制门的开关，只有当实际静脉图像和预先设定的静脉图像匹配成功后才开门，不成功就打不开门，同样具有较高的安全性，且适用范围较广。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
图1是一种基于几何斜率的网状生理纹路特征描述方法的流程图；
图2是本发明实施例一的网状生理纹路图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种基于几何斜率的网状生理纹路特征描述方法，解决了现有生物特征识别技术存在被复制的风险，安全性不高，导致造成用户资料泄露和带来经济损失的问题。
一种基于几何斜率的网状生理纹路特征描述方法，包括以下步骤：
步骤1：获取网状生理纹路图像S1，进行预处理，得到待处理的图像矩阵；
步骤2：标记图像矩阵中的任意一个端点，引入端点标记圈标记该端点的相对位置，端点标记圈与该端点的交叉纹路进行重合，产生新交叉点；
步骤3：求取步骤2中的新交叉点与步骤2中的端点的几何斜率集，以及新交叉点相对于该端点的方位，得到端点的特征描述集；
步骤4：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集，从而得到所有端点的特征描述集，即网状生理纹路的特征库。
本发明采用引入几何斜率的方法来获取端点的特征描述集，从而得到网状生理纹路的特征库进行网状生理纹路特征描述，便于对网状生理纹路进行分选和初判，采用网状生理纹路特征识别技术的设备，其安全性会比采用现有指纹、虹膜、人脸、声音的生物识别技术的设备更高，网状生理纹路不容易被复制，不失一般性，且具有非接触式、身体内部特征采集、活体辨识、辨识速度较快的优点，具有较高的安全级别及技术指标，对未来的身份识别技术奠定了基础。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
本发明较佳实施例提供的一种基于几何斜率的网状生理纹路特征描述方法，如图1所示，包括以下步骤：
步骤1：获取网状生理纹路图像S1，进行预处理，得到待处理的图像矩阵；
步骤1.1：获取网状生理纹路图像S1，选择需要进行特征描写的区域，本实施例选择整幅图像；
步骤1.2：对步骤1.1选择的区域进行归一化处理和图像细化，得到待处理的图像矩阵：
F(x，y)，x∈M，y∈N，
其中，M、N为图像的像素尺寸；
步骤2：标记图像矩阵中的任意一个端点，引入端点标记圈标记该端点的相对位置，端点标记圈与该端点的交叉纹路进行重合，产生新交叉点；
步骤2.1：标记图像矩阵中的端点fn(x，y)，fn为第n个端点，本实施例中标记了f1(x，y)，f2(x，y)，f1为第1个端点，f2为第2个端点；
步骤2.2：遍历所有端点fn(x，y)后，得到两两端点间的最小值
Figure BDA0002047610320000051
步骤2.3：由于每个端点至少均有3条交叉纹路，引入端点标记圈标记该端点的相对位置，所述端点标记圈的半径r为最小值
Figure BDA0002047610320000052
的0.5倍，可有效防止端点标记圈混叠；
步骤2.4：端点标记圈与该端点的交叉纹路进行重合，产生新交叉点An，k(x，y)，其中，n为端点数，k为新交叉点数，x，y为新交叉点的坐标，本实施例中，f1的端点标记圈与该端点的交叉纹路进行重合产生的新交叉点为A1，0，A1，1，A1，2，A1，3，如图2所示；
步骤3：求取步骤2中的新交叉点与步骤2中的端点的几何斜率集，以及新交叉点相对于该端点的方位，得到端点的特征描述集；
步骤3.1：求取步骤2中的新交叉点An，k(x，y)与端点fn(x，y)的几何斜率集l：
Figure BDA0002047610320000061
其中，ln，k表示单个斜率，abs()为绝对值函数；
步骤3.2：求取步骤2中新交叉点An，k(x，y)相对于端点fn(x，y)的方位p：
pn，k＝arctan(ln，k)，
其中，pn，k表示单个方位；
步骤3.3：根据步骤3.1和3.2，得到端点的特征描述集T：
Tn，k＝(pn，k，ln，k)，
其中，Tn，k表示单个特征描述符。
步骤4：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集，从而得到所有端点的特征描述集，即网状生理纹路的特征库；
步骤4.1：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集T’：
T′n，k＝(pn，k，ln，k)，
其中，T′n，k表示单个新的特征描述符；
步骤4.2：根据步骤3.3和步骤4.1，得到所有端点的特征描述集Hn，即网状生理纹路的特征库：
Hn＝∑(fn，Tn，k)。
本实施例采用引入几何斜率的方法来获取端点的特征描述集，从而得到网状生理纹路的特征库进行网状生理纹路特征描述，便于对网状生理纹路进行分选和初判，采用网状生理纹路特征识别技术的设备，其安全性会比采用现有指纹、虹膜、人脸、声音的生物识别技术的设备更高，网状生理纹路不容易被复制，指静脉识别技术区别于指纹、虹膜、人脸、声音等其他生物识别技术之处就在于其生物特征载体静脉血管位于手指内部，除非是复制一根活体手指，否则流动的血液形成的血管图像通过普通的技术手段很难获取及被复制，不失一般性，且具有非接触式、身体内部特征采集、活体辨识、辨识速度较快的优点，在当今众多生物识别技术中，具有较高的安全级别及技术指标，可被广泛应用于身份识别领域，对未来的身份识别技术奠定了基础。
实施例二
本实施例在实施例一的基础上，进一步地，还包括以下步骤：
步骤5：采用级联匹配方式匹配两个网状生理纹路图像的端点特征，融合两次匹配结果，得到最终的匹配评判值，根据该匹配评判值判定匹配是否成功；
步骤5.1：对端点fn(x，y)进行欧式距离计算，得到匹配结果Result_1；
步骤5.2：对特征描述集Tn，k＝(pn，k，ln，k)进行欧式距离计算，得到匹配结果Result_2；
步骤5.3：融合两次匹配结果，得到最终的匹配评判值threshold：
threshold＝k1*Reslut1+k2*Reslut2，
其中，k1、k2为权重系数，本实施例中，k1取0.4，k2取0.6；
步骤5.4：若threshold大于等于设定值，比如，大于等于0.65，则匹配成功，即认为网状生理纹路图像S1和S2具有较高的相似性，否则，匹配不成功，即认为这两个图像是两个不同的图像。
本实施例在特征描述上增加了匹配步骤，可将此应用到指静脉识别门禁领域，通过识别实际静脉图像与预先设定的静脉图像是否一致，来控制门的开关，只有当实际静脉图像和预先设定的静脉图像匹配成功后才开门，不成功就打不开门，同样具有较高的安全性，且适用范围较广。
需要说明的是，由于说明书附图不得着色和涂改，所以本发明附图中部分区别明显的地方比较难以显示，若有必要，可提供彩色图片。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于几何斜率的网状生理纹路特征描述方法，其特征在于，包括以下步骤：
步骤1：获取网状生理纹路图像S1，进行预处理，得到待处理的图像矩阵；
步骤2：标记图像矩阵中的任意一个端点，引入端点标记圈标记该端点的相对位置，端点标记圈与该端点的交叉纹路进行重合，产生新交叉点；
步骤3：求取步骤2中的新交叉点与步骤2中的端点的几何斜率集，以及新交叉点相对于该端点的方位，得到端点的特征描述集；
步骤4：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集，从而得到所有端点的特征描述集，即网状生理纹路的特征库；
所述步骤2的具体步骤为：
步骤2.1：标记图像矩阵中的端点fn(x，y)，fn为第n个端点：
步骤2.2：遍历所有端点fn(x，y)后，得到两两端点间的最小值
Figure FDA0002753461860000011
步骤2.3：由于每个端点至少均有3条交叉纹路，引入端点标记圈标记该端点的相对位置，所述端点标记圈的半径r为最小值
Figure FDA0002753461860000012
的0.5倍；
步骤2.4：端点标记圈与该端点的交叉纹路进行重合，产生新交叉点An，k(x，y)，其中，n为端点数，k为新交叉点数，x，y为新交叉点的坐标。
2.根据权利要求1所述的一种基于几何斜率的网状生理纹路特征描述方法，其特征在于，还包括步骤5：采用级联匹配方式匹配两个网状生理纹路图像的端点特征，融合两次匹配结果，得到最终的匹配评判值，根据该匹配评判值判定匹配是否成功。
3.根据权利要求1所述的一种基于几何斜率的网状生理纹路特征描述方法，其特征在于，所述步骤1的具体步骤为：
步骤1.1：获取网状生理纹路图像S1，选择需要进行特征描写的区域；
步骤1.2：对步骤1.1选择的区域进行归一化处理和图像细化，得到待处理的图像矩阵：
F(x，y)，x∈M，y∈N，
其中，M、N为图像的像素尺寸，F(x，y)为待处理的图像矩阵，x为矩阵的行下标，y为矩阵的列下标。
4.根据权利要求1所述的一种基于几何斜率的网状生理纹路特征描述方法，其特征在于：所述步骤3的具体步骤为：
步骤31：求取步骤2中的新交叉点An，k(x，y)与端点fn(x，y)的几何斜率集l：
Figure FDA0002753461860000021
其中，ln，k表示单个斜率，abs()为绝对值函数；
步骤3.2：求取步骤2中新交叉点An，k(x，y)相对于端点fn(x，y)的方位p：
pn，k＝arctan(ln，k)，
其中，pn，k表示单个方位；
步骤3.3：根据步骤3.1和3.2，得到端点的特征描述集T：
Tn，k＝(pn，k，ln，k)，
其中，Tn，k表示单个特征描述符。
5.根据权利要求1所述的一种基于几何斜率的网状生理纹路特征描述方法，其特征在于：所述步骤4的具体步骤为：
步骤4.1：获取网状生理纹路图像S2，重复步骤1中的预处理以及步骤2和步骤3，得到新的端点特征描述集T’：
T′n，k＝(pn，k，ln，k)，
其中，T′n，k表示单个新的特征描述符；
步骤4.2：根据步骤3.3和步骤4.1，得到所有端点的特征描述集Hn，即网状生理纹路的特征库：
Hn＝∑(fn，Tn，k)。
6.根据权利要求2所述的一种基于几何斜率的网状生理纹路特征描述方法，其特征在于：所述步骤5的具体步骤为：
步骤5.1：对端点fn(x，y)进进行欧式距离计算，得到匹配结果Result_1；
步骤5.2：对特征描述集Tn，k＝(pn，k，ln，k)进行欧式距离计算，得到匹配结果Result_2；
步骤5.3：融合两次匹配结果，得到最终的匹配评判值threshold：
threshold＝k1*Reslut1+k2*Reslut2，
其中，k1、k2为权重系数；
步骤5.4：若threshold大子等于设定值，则匹配成功，即认为网状生理纹路图像S1和S2具有较高的相似性，否则，匹配不成功，即认为这两个图像是两个不同的图像。
CN201910363792.1A 2019-04-30 2019-04-30 一种基于几何斜率的网状生理纹路特征描述方法 Active CN110135142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910363792.1A CN110135142B (zh) 2019-04-30 2019-04-30 一种基于几何斜率的网状生理纹路特征描述方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910363792.1A CN110135142B (zh) 2019-04-30 2019-04-30 一种基于几何斜率的网状生理纹路特征描述方法

Publications (2)

Publication Number Publication Date
CN110135142A CN110135142A (zh) 2019-08-16
CN110135142B true CN110135142B (zh) 2021-03-05

Family

ID=67576033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910363792.1A Active CN110135142B (zh) 2019-04-30 2019-04-30 一种基于几何斜率的网状生理纹路特征描述方法

Country Status (1)

Country Link
CN (1) CN110135142B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2131307A1 (de) * 2008-05-27 2009-12-09 Siemens AG Österreich Verfahren zur Segmentierung von Fingerabdruckbildern
CN101847208A (zh) * 2010-06-11 2010-09-29 哈尔滨工程大学 指纹与指静脉双模态识别的二级分类融合识别方法
CN103927537A (zh) * 2014-05-08 2014-07-16 电子科技大学 一种自适应的汉字笔画交叉区域提取算法
CN105760841A (zh) * 2016-02-22 2016-07-13 桂林航天工业学院 一种身份识别方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4562668B2 (ja) * 2006-02-20 2010-10-13 ソニー・エリクソン・モバイルコミュニケーションズ株式会社 撮像装置及び生体認証装置
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
US20090067690A1 (en) * 2007-09-11 2009-03-12 Atmel Switzerland Fingerprint Sensor with Bump Packaging
WO2011062096A1 (ja) * 2009-11-17 2011-05-26 日本電気株式会社 マルチモーダル認証装置
CN101853378A (zh) * 2010-05-24 2010-10-06 哈尔滨工程大学 基于相对距离的手指静脉识别方法
CN103886321A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉特征提取方法
CN105426821B (zh) * 2015-11-04 2018-09-07 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105956569A (zh) * 2016-05-11 2016-09-21 电子科技大学 一种基于手指静脉识别的身份认证平台
CN205862403U (zh) * 2016-07-27 2017-01-04 成都甄识科技有限公司 一种基于生物特征的门禁系统
CN107092867A (zh) * 2017-03-29 2017-08-25 广西科技大学 基于纹线特征的静脉识别方法
CN109598247B (zh) * 2018-12-07 2022-09-06 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2131307A1 (de) * 2008-05-27 2009-12-09 Siemens AG Österreich Verfahren zur Segmentierung von Fingerabdruckbildern
CN101847208A (zh) * 2010-06-11 2010-09-29 哈尔滨工程大学 指纹与指静脉双模态识别的二级分类融合识别方法
CN103927537A (zh) * 2014-05-08 2014-07-16 电子科技大学 一种自适应的汉字笔画交叉区域提取算法
CN105760841A (zh) * 2016-02-22 2016-07-13 桂林航天工业学院 一种身份识别方法及系统

Also Published As

Publication number Publication date
CN110135142A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN108985134B (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及系统
US9785823B2 (en) Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
Verma et al. Daughman’s algorithm method for iris recognition—a biometric approach
US11163972B2 (en) Convergent biometric authentication method based on finger joint and finger vein, and apparatus therefor
US10922399B2 (en) Authentication verification using soft biometric traits
Chavan et al. Fingerprint authentication using Gabor filter based matching algorithm
Gawande et al. Improving iris recognition accuracy by score based fusion method
Villariña et al. Palm vein recognition system using directional coding and back-propagation neural network
CN112862491B (zh) 基于安全单元和可信执行环境的人脸支付安全方法及平台
Wang et al. Minutiae-based weighting aggregation of deep convolutional features for vein recognition
Estacio et al. A rotation invariant algorithm for bimodal hand vein recognition system
CN110135142B (zh) 一种基于几何斜率的网状生理纹路特征描述方法
US11727099B2 (en) AdHoc enrollment process
Bahmed et al. A multimodal hand recognition system based on finger inner-knuckle print and finger geometry
Wangkeeree et al. Finding a suitable threshold value for an iris-based authentication system
Lomte et al. Biometric fingerprint authentication by minutiae extraction using USB token system
CN113268769A (zh) 基于随机混淆的生物特征数据处理方法、系统及存储介质
Aizi et al. Remote multimodal biometric identification based on the fusion of the iris and the fingerprint
Spasova et al. An Algorithm for Detecting the Location and Parameters of the Iris in the Human Eye
Beukes Hand vein-based biometric authentication with limited training samples
Sree et al. Dorsal Hand Vein Pattern Authentication by Hough Peaks
Chopra et al. Finger print and finger vein recognition using repeated line tracking and minutiae
US12019728B2 (en) AdHoc enrollment process
Abdulla et al. Exploring Human Biometrics: A Focus on Security Concerns and Deep Neural Networks
TW201227541A (en) Face feature recognition method

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230801

Address after: 1995 Jimei Avenue, Jimei District, Xiamen City, Fujian Province, 361024

Patentee after: Digital Blue Shield (Xiamen) Information Technology Co.,Ltd.

Address before: 610000 No. 704, 7th Floor, No. 1800, Middle Section of Yizhou Avenue, Chengdu High-tech Zone, Sichuan Province

Patentee before: CHENGDU ZHENSHI TECHNOLOGY CO.,LTD.