CN110222666B - 一种签名鉴伪方法和系统 - Google Patents
一种签名鉴伪方法和系统 Download PDFInfo
- Publication number
- CN110222666B CN110222666B CN201910516320.5A CN201910516320A CN110222666B CN 110222666 B CN110222666 B CN 110222666B CN 201910516320 A CN201910516320 A CN 201910516320A CN 110222666 B CN110222666 B CN 110222666B
- Authority
- CN
- China
- Prior art keywords
- signature
- points
- matching
- image
- module
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种签名鉴伪方法和系统,所述方法包括步骤:采集待测签名图像并检测其角点,为角点分配方向值,并生成特征描述子;通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;根据匹配点数目、预选取的最优阈值,进行相似度度量,根据相似度度量结果鉴别签名真伪。本发明可以对静态手写签名进行鉴伪处理并且准确率高、通用性强。
Description
技术领域
本发明涉及一种签名鉴伪方法及系统,属于图像处理技术领域。
背景技术
签名笔迹是个人书写行为习惯的体现,具备独特性,属于一种生物特征。同时签名笔迹对比指纹、虹膜等其他生物特征具有采集简单、易于接受、区分性高等特点,被广泛应用于个人身份的证明。
由于签名同时具有易于伪造的特点,因此签名鉴伪是当前亟待解决的问题。现有的签名鉴伪技术还存在一定不足,如通用性不强,无法大规模推广,相似性度量方法不足,无法应对小样本集等。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种签名鉴伪方法及系统,可以对静态手写签名进行鉴伪处理并且准确率高、通用性强。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种签名鉴伪方法,所述方法包括如下步骤:
采集待测签名图像并检测其角点,为角点分配方向值,并生成特征描述子;
通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
根据匹配点数目、预选取的最优阈值,进行相似度度量,根据相似度度量结果鉴别签名真伪。
结合第一方面,进一步的,所述角点的检测方法包括如下步骤:
选取待测签名图像中的某一像素点作为中心像素点,以中心像素点为中心确定离散化区域;
根据中心像素点的灰度值及预设的极小阈值,确定非角点灰度值取值区间;
将离散化区域中剩余像素点的灰度值与非角点灰度值取值区间进行比较,确定候选角点;
若候选角点上剩余像素点的灰度值与中心像素点的差值大于所述极小阈值,则确定所述中心像素点为角点,否则为非角点。
结合第一方面,进一步的,为角点分配方向值的方法包括如下步骤:
利用角点邻域像素的梯度方向分布特性为每个角点指定方向参数。
结合第一方面,进一步的,所述特征描述子的生成方法包括如下步骤:
为已分配主方向的角点调整坐标轴,并划分子区域;
计算每个子区域在8个方向的梯度直方图,计算每个梯度方向的累加值,形成一个种子点;
由角点的种子点及种子点的梯度信息形成的SIFT特征向量,即为特征描述子;其中8个方向指:将0°到360°的梯度方向范围按照每45°划分为一个范围区作为一个方向,共计8个方向。
结合第一方面,进一步的,所述匹配点的筛选方法包括如下步点骤:
计算特征描述子间的欧式距离,计算最近距离与次近距离之比,若比值小于设定阈值,则判定角点存在匹配角点,否则判定角点不存在匹配角点。
结合第一方面,进一步的,所述最优阈值的选取方法包括如下步骤:
选取N张真实签名图像,两两真实签名图像之间进行特征提取与匹配,获取N组匹配结果;
设N组匹配结果中得到的匹配点数据分别是K1、K2、…、KN,则最优阈值μ与σ2分别为:
其中:N≥3。
结合第一方面,进一步的,根据相似度度量结果鉴别签名真伪的方法包括如下步骤:
将待测签名图像与选取的N张真实签名图像分别进行特征提取与匹配;
设N组匹配结果中得到的匹配点数目分别为K1S、K2S、…、KNS,最终选取的匹配点数目KS=(K1S+K2S+…+KNS)/N,若|KS-μ|≤σ2,则签名鉴伪结果为真,否则为假。
结合第一方面,进一步的,所述方法还包括对:待测签名图像进行预处理,包括图像灰度化、二值化、尺寸标准化处理。
第二方面,本发明提供了一种签名鉴伪系统,包括:
特征提取模块:用于检测所采集的待测签名图像的角点,为角点分配方向值,并生成特征描述子;
特征匹配模块:用于通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
相似性度量模块:用于根据匹配点数目、预选取的最优阈值,进行相似度度量;
结果输出模块:用于根据相似度度量结果鉴别签名真伪。
结合第二方面,进一步的,所述系统还包括:
信息存储模块:用于存储包括真实签名图像在内的用户信息;
图像预处理模块:用于对输入的图形进行预处理,包括图像灰度化模块、二值化模块和尺寸标准化处理模块。
与现有技术相比,本发明实施例所提供的签名鉴伪方法及系统所达到的有益效果包括:可以对静态手写签名进行鉴伪处理,具有较高的准确率,且通用性强。
附图说明
图1是根据本发明实施例提供的签名鉴伪系统的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,是本发明实施例提供的签名鉴伪系统,包括:
特征提取模块:用于检测所采集的待测签名图像的角点,为角点分配方向值,并生成特征描述子;
特征匹配模块:用于通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
相似性度量模块:用于根据匹配点数目、预选取的最优阈值,进行相似度度量;
结果输出模块:用于根据相似度度量结果鉴别签名真伪。
进一步的,还可以包括:
信息存储模块:用于存储用户信息,包括:已注册用户的身份信息、联系方式、身份编号、预留真实签名图像三张以上。用户首次注册时按要求填写身份信息及联系方式,同时需要提供三张以上真实签名,预留真实签名图像用于以后签名鉴伪服务中的对比调用。身份信息包含用户姓名、性别、身份证号。通过身份证号生成独一的身份编号,身份编号用于日后鉴伪操作时调用用户信息及真实签名图像,在保证唯一性的同时保护用户私密信息。信息存储模块同时需完成对签名图像的采集工作,利用高拍仪对放置在目标采集区的签名进行实时拍摄,将拍摄后得到的图像通过USB连接线将其传输至相应的系统模块。
图像预处理模块:用于对输入的图形进行预处理,包括图像灰度化模块、二值化模块和尺寸标准化处理模块。
本发明实施例提供的签名鉴伪方法,能够采用前述的系统实现,包括如下步骤:
步骤一:采集待测签名图像并检测其角点,为角点分配方向值,并生成特征描述子;
本发明实施例采用改进的FAST角点检测算法进行角点检测,具体包括:
S101:选取待测签名图像中的某一像素点作为中心像素点,以中心像素点为中心确定离散化区域;
S102:根据中心像素点的灰度值及预设的极小阈值,确定非角点灰度值取值区间;
S103:将离散化区域中剩余像素点的灰度值与非角点灰度值取值区间进行比较,确定候选角点;
S104:若候选角点上剩余像素点的灰度值与中心像素点的差值大于所述极小阈值,则确定所述中心像素点为角点,否则为非角点。
下面结合具体参数,对角点检测算法作进一步详细描述:
步骤01:假设像素点P为待测签名图像中的某一像素点,考虑像素点P附近的圆形窗口上的16个像素,圆形窗口是以像素P为中心,以3像素为半径的离散化区域,圆的边界上的16个像素1~16依次编号。设像素P的图像灰度值为IP,t为给定的一个极小阈值,根据具体数据集选取最优值。
步骤02:计算像素1和像素9的图像灰度值,若两像素点的图像灰度值均在IP-t~IP+t范围内,则像素P为非角点,否则继续执行步骤03。
步骤03:计算像素3和像素11的图像灰度值,若两像素点的图像灰度值均在IP-t~IP+t范围内,则像素P为非角点,否则继续执行步骤04。
步骤04:计算像素6和像素14的图像灰度值,若两像素点的图像灰度值均在IP-t~IP+t范围内,则像素P为非角点,否则作为候选角点,执行步骤05。
步骤05:检测候选角点上剩余的10个像素点,如果圆上有不少于9个连续的像素点的图像灰度值与中心像素点P的差值大于阈值t,则像素点P为角点,否则为非角点。
按照步骤01~05将图像中的所有角点检测出来。
本发明实施例中为角点分配方向值的方法为:利用角点邻域像素的梯度方向分布特性为每个角点指定方向参数,具体如下:
对于检测到的FAST角点,计算以角点为中心,以3*1.5σ为半径的区域图像的幅角和幅值(σ为角点所在差分图像对应的尺度因子)。对于每个角点L(x,y),梯度的幅值M(x,y)以及梯度方向θ(x,y)分别由公式(1)、(2)确定:
使用直方图统计角点邻域像素的梯度幅值和方向,梯度直方图描述为:横轴为梯度方向的角度(梯度方向的范围是0到360度,每45度为一个范围区,将梯度方向划分为8个方向),纵轴是梯度方向对应梯度幅值的累加,直方图的峰值就是该角点的主方向。自此每个角点有三个信息(x,y,σ,θ),即位置、尺度和方向。
生成特征描述子的具体方法为:以角点为中心,在角点附近邻域内将坐标轴旋转一个θ角度(θ表示角点的主方向),将坐标轴旋转为角点的主方向。设角点邻域内像素点原坐标为(x’,y’),旋转后角点邻域内像素点的新坐标为(x”,y”),(x”,y”)可由公式(3)得到:
在将坐标轴旋转后,以角点主方向为中心取一个mσH*mσH大小的窗口,并将窗口等间隔划分成H*H个子区域,即每个子区域为mσ*mσ大小,其中m、 H用于确定窗口大小;
计算窗口内每个像素的梯度幅值和方向,然后利用高斯窗口对其进行加权运算,计算出每个子区域上8个方向的梯度直方图;
计算每个梯度方向的累加值,即可形成一个种子点;
每个角点有H*H个种子点,每个种子点有8个方向的梯度信息,即可形成了H*H*8维的SIFT特征向量。
步骤二:通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
计算特征描述子间的欧式距离,计算最近距离与次近距离之比,若比值小于设定阈值,则判定角点存在匹配角点,否则判定角点不存在匹配角点。具体为:
设图像1有i个角点,图像2有j个角点。选取图像1中的一个角点,计算图像2的全部角点与图像1所选取角点之间的欧氏距离,欧氏距离采用特征向量计算,在j个欧氏距离中选取最近距离Dmin与次最近距离Dmis(以下称次近距离),计算最近距离与次近距离之比,比值为δ,公式表达为:
若比值δ小于阈值ε,则判定角点存在匹配角点,其中阈值ε的选取源自于对大量样本数据的分析比较,用以筛选合适的匹配角点。
步骤三:根据匹配点数目、预选取的最优阈值,进行相似度度量,根据相似度度量结果鉴别签名真伪;
最优阈值的选取方法包括如下步骤:
选取N张真实签名图像,两两真实签名图像之间进行特征提取与匹配,获取N组匹配结果;
设三组匹配结果中得到的匹配点数据分别是K1、K2、…、KN,则最优阈值μ与σ2分别为:
鉴别签名真伪的方法包括如下步骤:
将待测签名图像与选取的N张真实签名图像分别进行特征提取与匹配;
设N组匹配结果中得到的匹配点数目分别为K1S、K2S、…、KNS,最终选取的匹配点数目KS=(K1S+K2S+…+KNS)/N,若|KS-μ|≤σ2,则签名鉴伪结果为真,否则为假。
其中:N≥3。
本发明实施例提供的签名鉴伪方法还包括:图像预处理操作,更具的包括:图像灰度化、二值化、尺寸标准化处理。
图像灰度化具体为:采用平均值法对图像进行灰度化处理。
二值化具体为:使用类间方差最大思想对灰度图像进行阈值分割,得到二值化图像。
尺寸标准化处理具体为:将签名图像处理为400*250(单位:像素)大小的统一标准化图像。
本发明实施例提供的签名鉴伪方法和系统可以对静态手写签名进行鉴伪处理并且准确率高、通用性强。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种签名鉴伪方法,其特征在于,所述方法包括如下步骤:
采集待测签名图像并检测其角点,为角点分配方向值,并生成特征描述子;
通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
根据匹配点数目、预选取的最优阈值,进行相似度度量,根据相似度度量结果鉴别签名真伪;
所述最优阈值的选取方法包括如下步骤:
选取N张真实签名图像,两两真实签名图像之间进行特征提取与匹配,获取N组匹配结果;
设N组匹配结果中得到的匹配点数据分别是K1、K2、…、KN,则最优阈值μ与σ2分别为:
其中:N≥3;
根据相似度度量结果鉴别签名真伪的方法包括如下步骤:
将待测签名图像与选取的N张真实签名图像分别进行特征提取与匹配;
设N组匹配结果中得到的匹配点数目分别为K1S、K2S、…、KNS,最终选取的匹配点数目KS=(K1S+K2S+…+KNS)/N,若|KS-μ|≤σ2,则签名鉴伪结果为真,否则为假。
2.根据权利要求1所述的签名鉴伪方法,其特征在于,所述角点的检测方法包括如下步骤:
选取待测签名图像中的某一像素点作为中心像素点,以中心像素点为中心确定离散化区域;
根据中心像素点的灰度值及预设的极小阈值,确定非角点灰度值取值区间;
将离散化区域中剩余像素点的灰度值与非角点灰度值取值区间进行比较,确定候选角点;
若候选角点上剩余像素点的灰度值与中心像素点的差值大于所述极小阈值,则确定所述中心像素点为角点,否则为非角点。
3.根据权利要求1所述的签名鉴伪方法,其特征在于,为角点分配方向值的方法包括如下步骤:
利用角点邻域像素的梯度方向分布特性为每个角点指定方向参数。
4.根据权利要求1所述的签名鉴伪方法,其特征在于,所述特征描述子的生成方法包括如下步骤:
为已分配主方向的角点调整坐标轴,并划分子区域;
计算每个子区域在8个方向的梯度直方图,计算每个梯度方向的累加值,形成一个种子点;
由角点的种子点及种子点的梯度信息形成的SIFT特征向量,即为特征描述子;其中8个方向指:将0°到360°的梯度方向范围按照每45°划分为一个范围区作为一个方向,共计8个方向。
5.根据权利要求1所述的签名鉴伪方法,其特征在于,所述匹配点的筛选方法包括如下步点骤:
计算特征描述子间的欧式距离,计算最近距离与次近距离之比,若比值小于设定阈值,则判定角点存在匹配角点,否则判定角点不存在匹配角点。
6.根据权利要求1所述的签名鉴伪方法,其特征在于,所述方法还包括对:待测签名图像进行预处理,包括图像灰度化、二值化、尺寸标准化处理。
7.一种签名鉴伪系统,其特征在于,包括:
特征提取模块:用于检测所采集的待测签名图像的角点,为角点分配方向值,并生成特征描述子;
特征匹配模块:用于通过度量特征描述子之间的距离筛选匹配点,确定匹配点数目;
相似性度量模块:用于根据匹配点数目、预选取的最优阈值,进行相似度度量;
结果输出模块:用于根据相似度度量结果鉴别签名真伪;
所述最优阈值的选取方法包括如下步骤:
选取N张真实签名图像,两两真实签名图像之间进行特征提取与匹配,获取N组匹配结果;
设N组匹配结果中得到的匹配点数据分别是K1、K2、…、KN,则最优阈值μ与σ2分别为:
其中:N≥3;
根据相似度度量结果鉴别签名真伪的方法包括如下步骤:
将待测签名图像与选取的N张真实签名图像分别进行特征提取与匹配;
设N组匹配结果中得到的匹配点数目分别为K1S、K2S、…、KNS,最终选取的匹配点数目KS=(K1S+K2S+…+KNS)/N,若|KS-μ|≤σ2,则签名鉴伪结果为真,否则为假。
8.根据权利要求7所述的签名鉴伪系统,其特征在于,所述系统还包括:
信息存储模块:用于存储包括真实签名图像在内的用户信息;
图像预处理模块:用于对输入的图形进行预处理,包括图像灰度化模块、二值化模块和尺寸标准化处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516320.5A CN110222666B (zh) | 2019-06-14 | 2019-06-14 | 一种签名鉴伪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516320.5A CN110222666B (zh) | 2019-06-14 | 2019-06-14 | 一种签名鉴伪方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222666A CN110222666A (zh) | 2019-09-10 |
CN110222666B true CN110222666B (zh) | 2022-09-13 |
Family
ID=67817296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516320.5A Active CN110222666B (zh) | 2019-06-14 | 2019-06-14 | 一种签名鉴伪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222666B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836636A (zh) * | 2021-02-02 | 2021-05-25 | 北京惠朗时代科技有限公司 | 一种签字图像真伪鉴别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN107977600A (zh) * | 2017-09-11 | 2018-05-01 | 江苏国光信息产业股份有限公司 | 一种基于侧掌特征的签名鉴伪方法 |
-
2019
- 2019-06-14 CN CN201910516320.5A patent/CN110222666B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778586A (zh) * | 2016-12-08 | 2017-05-31 | 武汉理工大学 | 离线手写签名鉴别方法及系统 |
CN107977600A (zh) * | 2017-09-11 | 2018-05-01 | 江苏国光信息产业股份有限公司 | 一种基于侧掌特征的签名鉴伪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110222666A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Counterfeit iris detection based on texture analysis | |
JP6838005B2 (ja) | 指紋に基づく認証のための装置及びコンピュータ実装方法 | |
CN101178768B (zh) | 图像处理设备和方法以及个人识别设备 | |
CN104464079B (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
Hu et al. | Automatic plankton image recognition with co-occurrence matrices and support vector machine | |
CN104318238A (zh) | 一种验钞模块中对扫描的钞票图提取冠字号的方法 | |
Johnson et al. | Fingerprint pore characteristics for liveness detection | |
Raghavendra et al. | Presentation attack detection algorithms for finger vein biometrics: A comprehensive study | |
AU2002348288A1 (en) | Image identification system | |
WO2016045215A1 (zh) | 指纹图像质量的判断方法和装置 | |
CN101114335A (zh) | 全角度快速指纹识别方法 | |
CN110738204B (zh) | 一种证件区域定位的方法及装置 | |
Shen et al. | Extracting local texture features for image-based coin recognition | |
CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
CN105139508B (zh) | 一种检测纸币的方法及装置 | |
Ali et al. | Speeded up robust features for efficient iris recognition | |
CN110222666B (zh) | 一种签名鉴伪方法和系统 | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
US20050152586A1 (en) | Print analysis | |
Harfiya et al. | Offline signature verification based on pyramid histogram of oriented gradient features | |
KR20030086396A (ko) | 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체 | |
CN105825504B (zh) | 一种基于mscr区域特征的图像复制检测方法 | |
Lei et al. | Logo classification with edge-based daisy descriptor | |
Rauyani et al. | ROI based Indonesian Paper Currency Recognition Using Canny Edge Detection | |
Rahman et al. | A statistical approach for offline signature verification using local gradient features |
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 |