CN110580469B - 一种基于嵌入式设备的掌脉识别系统及方法 - Google Patents

一种基于嵌入式设备的掌脉识别系统及方法 Download PDF

Info

Publication number
CN110580469B
CN110580469B CN201910861126.0A CN201910861126A CN110580469B CN 110580469 B CN110580469 B CN 110580469B CN 201910861126 A CN201910861126 A CN 201910861126A CN 110580469 B CN110580469 B CN 110580469B
Authority
CN
China
Prior art keywords
palm vein
level
palm
class
image
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
CN201910861126.0A
Other languages
English (en)
Other versions
CN110580469A (zh
Inventor
余孟春
谢清禄
邹向群
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.)
Guangzhou Melux Information Technology Co ltd
Original Assignee
Guangzhou Melux Information 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 Guangzhou Melux Information Technology Co ltd filed Critical Guangzhou Melux Information Technology Co ltd
Priority to CN201910861126.0A priority Critical patent/CN110580469B/zh
Publication of CN110580469A publication Critical patent/CN110580469A/zh
Application granted granted Critical
Publication of CN110580469B publication Critical patent/CN110580469B/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
    • 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
    • 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
    • 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
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于嵌入式设备的掌脉识别系统及方法，属生物特征识别技术领域，该系统包括掌脉识别终端和服务器端，掌脉识别终端包括嵌入式处理模块、掌脉图像获取模组、人机交互模组和接口模块；所述的服务器端通过服务器连接接口与掌脉识别终端进行连接和数据通信，掌脉识别用户数据库存储在服务器端，掌脉识别终端生成的每一级类特征向量均与服务器端数据库进行比对，当第三级类特征向量的比对分数大于一定阈值，经排序，最大分数的掌脉图像ID将作为最终认证成功的目标ID。

Description

一种基于嵌入式设备的掌脉识别系统及方法
技术领域
本发明涉及生物特征识别技术领域，特别地涉及一种基于嵌入式设备的掌脉识别系统及方法。
背景技术
生物特征识别技术是利用人体所固有的生理特征或行为方式进行身份认证的一种技术。近年来，掌脉识别技术作为一种高安全性、高准确性的生物特征识别技术逐渐受到学术界和工业界的重视。掌脉属于人体内部生理特征，不会磨损，属活体特征，无法伪造，具有高安全性、高准确性的特点，与人脸识别相比，掌脉识别不受姿态、表情、遮挡物的影响，具有很好的稳定性，能排除人体衰老等因素的干扰；具有唯一性，对双胞胎的准确识别也具有非常好的识别效果。
掌脉识别技术从实验室应用环境转向广泛的商业应用场景的过程中，尤其是大流量和大并发量的应用场景中，最重要的就是掌脉识别的速度和准确度。本发明在基于海思HI3519嵌入式便携设备的条件下提出了一种快速的掌脉识别系统及方法，应用本发明技术方案能够在几百毫秒之内在上亿级别的掌脉数据库中精确搜索和比对识别。
发明内容
基于上述背景，本发明提供一种基于嵌入式设备的掌脉识别系统及方法，解决掌脉识别技术在商业应用场景的中面对大流量、大并发量下的识别速度慢和不够稳定可靠的问题。
为实现上述目的，本发明提供的一种基于嵌入式设备的掌脉识别系统，具体包括掌脉识别终端和服务器端：
所述的掌脉识别终端包括嵌入式处理模块、掌脉图像获取模组、人机交互模组和接口模块，嵌入式处理模块由海思HI3519RFCV101处理芯片、ROM、RAM和各路输入/输出接口印制在一块电路板构成，掌脉图像获取模组包括近红外光源模块和高速掌脉摄像头模块，人机交互模组包括触控交互显示屏和音频输出模块，接口模块包括电源输入接口、网络及服务器连接接口；
所述的服务器端通过服务器连接接口与掌脉识别终端进行连接和数据通信，掌脉识别用户数据库存储在服务器端，掌脉识别终端生成的每一级类特征向量均与服务器端数据库进行比对，当第三级类特征向量的比对分数大于一定阈值，经排序，最大分数的掌脉图像ID将作为最终认证成功的目标ID。
一种基于嵌入式设备的掌脉识别方法，具体包括如下的实施步骤：
步骤1：通过掌脉图像获取模组拍摄采集掌脉图像；
步骤2：对掌脉图像预处理，去除图像噪声，增强掌脉脉络微特征；
步骤3：手掌关键点定位，再将掌脉图像ROI区域进行定位和截取；
具体的，所述的ROI区域进行定位和截取，是通过定位手掌关键点，再进行ROI区域的定位和截取，手掌中心矩形区域表示为R0，大拇指矩形区域表示为R1，食指矩形区域表示为R2，中指矩形区域表示为R3、无名指矩形区域表示为R4，小拇指矩形区域表示为R5；
步骤4：将截取得到的ROI区域进行分块处理，划分小方块，作为三级级联CNN模型的输入；
进一步地，所述的ROI区域进行分块处理，即将ROI区域划分为n×m个小方块，即每行有n个小方块，每列有m个小方块，将掌脉图像的所有小方块进行编号，设定编号为1～M，通常M大于20，并采用级联的方式来扩展小方块的掌脉脉络纹理分类；
步骤5：采用三级级联分类，第一级CNN模型对小方块进行特征提取，得到类特征向量X，计算X与数据库中每一个掌脉图像的第一级类特征向量的比对分数Score1，当Score1大于阈值Th1，则第一级比对成功的掌脉图像的ID集合记为Set1；
进一步地，所述的采用三级级联分类具体为：
1)第一级将小方块图像分成N1类，通常N1取值比较小，对所有小方块提取类别值之后，就得到了第一级类特征向量(X1，X2，...，XM)，其中1≤Xi≤N1；
2)将这N1个类别中的每一个类再细分成N2个子类，设将类别Xi继续细分成Xi1，Xi2，...，XiN2个子类别，根据第一级类特征向量，在对应位置提取该小方块的第二级类别，得到第二级类特征向量(Y1，Y2，...，YM)，其中Xi1≤Yi≤XiN2；
3)将第二级中的每个子类继续细分为N3个类，设将类别Yi继续细分成Yi1，Yi2，...，YiN3个子类别，根据第二级类特征向量，在对应位置提取该小方块的第三级类别，得到第三级类特征向量(Z1，Z2，...，ZM)，其中Yi1≤Zi≤YiN3；
4)通过级联的方式将小方块掌脉图像分类数目扩展到N1×N2×N3，但同时也增加了需要训练的CNN模型的数目，按照三级级联的方式需要训练1+N1+N1×N2个不同的CNN模型，所以选取N1≤N2≤N3，减少CNN模型的数量，同时降低拒真；
进一步地，所述的CNN模型包括CNN特征提取网络及判别网络，其中CNN特征提取网络包含4个CRP运算包，CRP运算包由卷积层Conv、激活函数Relu和池化层Pool(max)组成，判别网络包括3个全卷积层FC和1个Softmax函数层；
步骤6：第二级CNN模型对小方块进行特征提取，得到类特征向量Y，计算Y与Set1中每一个掌脉的第二级类特征向量的比对分数Score2，当Score2大于阈值Th2，则第二级比对成功的掌脉图像的ID集合记为Set2；
步骤7：第三级CNN模型对小方块进行特征提取，得到类特征向量Z，计算Z与Set2中每一个掌脉的第三级类特征向量的比对分数Score3，当Score3大于阈值Th3，则第三级比对成功的掌脉图像的ID集合记为Set3；
具体的，步骤5～7所述的比对分数Score，其比对算法采用汉明距离，设A＝(A1，A2，...，AM)和B＝(B1，B2，...，BM)是两个类别特征向量，定义两个特征向量比对分数如下：
Figure BSA0000190091080000031
其中，如果Ai与Bi取值相等，则
Figure BSA0000190091080000032
等于1；否则
Figure BSA0000190091080000033
等于0。
步骤8：将掌脉图像的ID集合Set3按比对分数进行排序，选取分数最大的掌脉图像ID作为最终匹配成功的目标ID。
本发明提供的技术方案，能够在大流量、大并发量的应用场景下，实现海量掌脉数据的快速搜索、比对识别，克服传统掌脉识别在大数据量下识别速度慢的问题，突破掌脉识别技术的发展瓶颈。
附图说明
图1是本发明技术方案实施流程图；
图2是本发明手掌关键点定位网络示意图；
图3是本发明手掌关键点定位及标记示意图；
图4是本发明掌脉图像ROI区域定位截取示意图；
图5是本发明掌脉图像ROI区域分块示意图；
图6是本发明CNN模型网络结构示意图；
图7是本发明CRP运算包结构示意图；
图8是本发明级联分类结构示意图。
具体实施方式
为了使本发明的目的及技术方案更加清晰，以下结合附图，对本发明作进一步清楚、完整地描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明的技术方案，本领域技术人员在没有作出创造性劳动前提下所获得的其他实施例，应属于本发明的保护范围。
一种基于嵌入式设备的掌脉识别系统，具体包括掌脉识别终端和服务器端：
所述的掌脉识别终端包括嵌入式处理模块、掌脉图像获取模组、人机交互模组和接口模块，嵌入式处理模块由海思HI3519RFCV101处理芯片、ROM、RAM和各路输入/输出接口印制在一块电路板构成，掌脉图像获取模组包括近红外光源模块和高速掌脉摄像头模块，人机交互模组包括触控交互显示屏和音频输出模块，接口模块包括电源输入接口、网络及服务器连接接口；
所述的服务器端通过服务器连接接口与掌脉识别终端进行连接和数据通信，掌脉识别用户数据库存储在服务器端，掌脉识别终端生成的每一级类特征向量均与服务器端数据库进行比对，当第三级类特征向量的比对分数大于一定阈值，经排序，最大分数的掌脉图像ID将作为最终认证成功的目标ID。
参照图1所示，一种基于嵌入式设备的掌脉识别系统，具体包括如下的实施步骤：
步骤1：通过掌脉图像获取模组拍摄采集掌脉图像。
步骤2：对掌脉图像预处理，去除图像噪声，增强掌脉脉络微特征。
步骤3：手掌关键点定位，再将掌脉图像ROI区域进行定位和截取。
具体的，所述的手掌关键点定位，在公开号CN108537203A中提供了一种基于卷积神经网络的手掌关键点定位方法，采用卷积神经网络的方法定位四个手指的关键点和手指间隙点，在本发明技术方案中作进一步拓展，将大拇指的手指关键点定位纳入检测范围，参照图2所示为手掌关键点定位网络示意图，图3所示为手掌关键点定位及标记示意图，通过五个手指的关键点和手指根部的四个间隙点的定位，可以进行掌脉图像ROI区域的定位和截取；
进一步地，所述的ROI区域进行定位和截取，是通过定位手掌关键点，再进行ROI区域的定位和截取，参照图4所示为掌脉图像ROI区域定位截取示意图，手掌中心矩形区域表示为R0，大拇指矩形区域表示为R1，食指矩形区域表示为R2，中指矩形区域表示为R3、无名指矩形区域表示为R4，小拇指矩形区域表示为R5。
步骤4：将截取得到的ROI区域进行分块处理，划分小方块，作为三级级联CNN模型的输入。
具体的，所述的ROI区域进行分块处理，即将ROI区域划分为n×m个小方块，即每行有n个小方块，每列有m个小方块，将掌脉图像的所有小方块进行编号，设定编号为1～M，通常M大于20，并采用级联的方式来扩展小方块的掌脉脉络纹理分类。
步骤5：采用三级级联分类，第一级CNN模型对小方块进行特征提取，得到类特征向量X，计算X与数据库中每一个掌脉图像的第一级类特征向量的比对分数Score1，当Score1大于阈值Th1，则第一级比对成功的掌脉图像的ID集合记为Set1。
具体的，海思HI3519的CNN模型有一些限制条件，根据HI3519官方文档列举如下表：
表1：CNN模型中单层Conv-ReLU-Pooling运算包参数配置表
Figure BSA0000190091080000051
表2：CNN模型中全连接运算包参数配置表
Figure BSA0000190091080000052
海思HI3519的CNN模型分类的类别数目与全连接最后一层的输出一致，因此如果采用CNN模型的分类结果，每个小方块的类别最多只有256类。但是人的掌脉纹理特征是千差万别的，即使一个小方块的纹理分类也远不止256类，因此采用三级级联分类的方式来扩展小方块的掌脉纹理分类。
进一步地，所述的采用三级级联分类具体为：
1)第一级将小方块图像分成N1类，通常N1取值比较小，对所有小方块提取类别值之后，就得到了第一级类特征向量(X1，X2，...，XM)，其中1≤X1≤N1；
2)将这N1个类别中的每一个类再细分成N2个子类，设将类别Xi继续细分成Xi1，Xi2，...，XiN2个子类别，根据第一级类特征向量，在对应位置提取该小方块的第二级类别，得到第二级类特征向量(Y1，Y2，...，YM)，其中Xi1≤Yi≤XiN2；
3)将第二级中的每个子类继续细分为N3个类，设将类别Yi继续细分成Yi1，Yi2，...，YiN3个子类别，根据第二级类特征向量，在对应位置提取该小方块的第三级类别，得到第三级类特征向量(Z1，Z2，...，ZM)，其中Yi1≤Zi≤YiN3；
4)通过级联的方式将小方块掌脉图像分类数目扩展到N1×N2×N3，但同时也增加了需要训练的CNN模型的数目，按照三级级联的方式需要训练1+N1+N1×N2个不同的CNN模型，所以选取N1≤N2≤N3，减少CNN模型的数量，同时降低拒真；
进一步地，参照图6所示，所述的CNN模型包括CNN特征提取网络及判别网络，其中CNN特征提取网络包含4个CRP运算包；参照图7所示，CRP运算包由卷积层Conv、激活函数Relu和池化层Pool(max)组成；判别网络包括3个全卷积层FC和1个Softmax函数层。
步骤6：第二级CNN模型对小方块进行特征提取，得到类特征向量Y，计算Y与Set1中每一个掌脉的第二级类特征向量的比对分数Score2，当Score2大于阈值Th2，则第二级比对成功的掌脉图像的ID集合记为Set2。
步骤7：第三级CNN模型对小方块进行特征提取，得到类特征向量Z，计算Z与Set2中每一个掌脉的第三级类特征向量的比对分数Score3，当Score3大于阈值Th3，则第三级比对成功的掌脉图像的ID集合记为Set3。
具体的，步骤5～7所述的比对分数Score，其比对算法采用汉明距离，设A＝(A1，A2，...，AM)和B＝(B1，B2，...，BM)是两个类别特征向量，定义两个特征向量比对分数如下：
Figure BSA0000190091080000061
其中，如果Ai与Bi取值相等，则
Figure BSA0000190091080000062
等于1；否则
Figure BSA0000190091080000063
等于0。
更具体的，将所有小方块进行编号，设定编号为1～M，比对算法如下：
S1、将所有小方块输入到第一级CNN模型中，得到所有小方块的第一级类别，同时得到第一级类特征向量(X1，X2，...，XM)。
S2、将第一级类特征向量(X1，X2，...，XM)与数据库中每个掌脉图像的第一级类特征向量进行比对，计算其比对分数Score1；
S3、设定第一级比对的阈值为Th1，如果Score1＞Th1，则进入第二级比对，否则比对失败至结束；第一级比对成功的掌脉图像集合远低于数据库保存的掌脉数量，将第一级比对成功的掌脉图像的ID集合记为Set1；
S4、将每个小方块输入到与第一级类别相对应的第二级CNN模型中，提取每个小方块掌脉图像的二级类别，得到第二级类特征向量(Y1，Y2，...，YM)，将当前图像的第二级类特征向量与Set1集合中每个掌脉图像的第二级类特征向量进行比对，计算其比对分数Score2；
S5、设定第二级比对的阈值为Th2，如果Score2＞Th2，则进入第三级比对，否则比对失败至结束；第二级比对成功的掌脉图像的ID集合记做Set2；
S6、将每个小方块输入到与第二级类别相对应的第三级CNN模型中，提取每个小方块掌脉图像的三级类别，得到第三级类特征向量(Z1，Z2，...，ZM)，将当前图像的第三级类特征向量与Set2集合中每个掌脉图像的第三级类特征向量进行比对，计算比对分数Score3；
S7、设定第三级比对的阈值为Th3，如果Score3＞Th3，则将该掌脉图像作为最终匹配成功的候选者；否则丢弃；再将第三级比对成功的掌脉图像的ID集合记为Set3。
步骤8：将掌脉图像的ID集合Set3按比对分数进行排序，选取分数最大的掌脉图像ID作为最终匹配成功的目标ID。
因此，最终由比对分数最大的掌脉图像ID为最终匹配的目标，所对应的用户ID为最终比对识别的结果。本发明提供的技术方案，基于海思HI3519的嵌入式设备，应用于掌脉识别上，能够广泛地在大规模、大流量和高频次的商业应用场景下实现掌脉识别的快速比对，解决了传统掌脉识别因速度慢、识别精度不够而不能进行大规模大流量应用的技术难题。
以上所述对于本领域的技术人员来说能够实现，在不脱离本发明技术方案构思的前提下，所作的修改、等同替换，都理应视为属于本发明的保护范围。

Claims (6)

1.一种基于嵌入式设备的掌脉识别方法，其特征在于，包括以下的实施步骤：
步骤1：通过掌脉图像获取模组拍摄采集掌脉图像；
步骤2：对掌脉图像预处理，去除图像噪声，增强掌脉脉络微特征；
步骤3：手掌关键点定位，再将掌脉图像ROI区域进行定位和截取；
步骤4：将截取得到的ROI区域进行分块处理，划分小方块，作为三级级联CNN模型的输入；
步骤5：采用三级级联分类，第一级CNN模型对小方块进行特征提取，得到类特征向量X，计算X与数据库中每一个掌脉图像的第一级类特征向量的比对分数Score1，当Score1大于阈值Th1，则第一级比对成功的掌脉图像的ID集合记为Set1；所述采用三级级联分类具体为：
1)第一级将小方块图像分成N1类，对所有小方块提取类别值之后，就得到了第一级类特征向量(X1，X2，...，XM)，其中1≤Xi≤N1；
2)将这N1个类别中的每一个类再细分成N2个子类，设将类别Xi继续细分成Xi1，Xi2，...，XiN2个子类别，根据第一级类特征向量，在对应位置提取该小方块的第二级类别，得到第二级类特征向量(Y1，Y2，...，YM)，其中Xi1≤Yi≤XiN2；
3)将第二级中的每个子类继续细分为N3个类，设将类别Yi继续细分成Yi1，Yi2，...，YiN3个子类别，根据第二级类特征向量，在对应位置提取该小方块的第三级类别，得到第三级类特征向量(Z1，Z2，...，ZM)，其中Yi1≤Zi≤YiN3；
4)通过级联的方式将小方块掌脉图像分类数目扩展到N1×N2×N3，但同时也增加了需要训练的CNN模型的数目，按照三级级联的方式需要训练1+N1+N1×N2个不同的CNN模型，所以选取N1≤N2≤N3，减少CNN模型的数量，同时降低拒真；
步骤6：第二级CNN模型对小方块进行特征提取，得到类特征向量Y，计算Y与Set1中每一个掌脉的第二级类特征向量的比对分数Score2，当Score2大于阈值Th2，则第二级比对成功的掌脉图像的ID集合记为Set2；
步骤7：第三级CNN模型对小方块进行特征提取，得到类特征向量Z，计算Z与Set2中每一个掌脉的第三级类特征向量的比对分数Score3，当Score3大于阈值Th3，则第三级比对成功的掌脉图像的ID集合记为Set3；
步骤8：将掌脉图像的ID集合Set3按比对分数进行排序，选取分数最大的掌脉图像ID作为最终匹配成功的目标ID。
2.根据权利要求1 所述的一种基于嵌入式设备的掌脉识别方法，其特征在于，步骤3所述的ROI区域进行定位和截取，是通过定位手掌关键点，再进行ROI区域的定位和截取，手掌中心矩形区域表示为R0，大拇指矩形区域表示为R1，食指矩形区域表示为R2，中指矩形区域表示为R3、无名指矩形区域表示为R4，小拇指矩形区域表示为R5。
3.根据权利要求1所述的一种基于嵌入式设备的掌脉识别方法，其特征在于，步骤4所述的ROI区域进行分块处理，即将ROI区域划分为n×m个小方块，即每行有n个小方块，每列有m个小方块，将掌脉图像的所有小方块进行编号，设定编号为1～M，M大于20，并采用级联的方式来扩展小方块的掌脉脉络纹理分类。
4.根据权利要求1所述的一种基于嵌入式设备的掌脉识别方法，其特征在于，步骤5所述的CNN模型包括CNN特征提取网络及判别网络，其中CNN特征提取网络包含4个CRP运算包，CRP运算包由卷积层Conv、激活函数Relu和池化层Pool(max)组成，判别网络包括3个全卷积层FC和1个Softmax函数层。
5.根据权利要求1所述的一种基于嵌入式设备的掌脉识别方法，其特征在于，步骤5～7中所述的比对分数Score，其比对算法采用汉明距离，设A＝(A1，A2，...，AM)和B＝(B1，B2，...，BM)是两个类别特征向量，定义两个特征向量比对分数如下：
Figure FSB0000198992650000021
其中，如果Ai与Bi取值相等，则
Figure FSB0000198992650000022
等于1；否则
Figure FSB0000198992650000023
等于0。
6.一种基于嵌入式设备的掌脉识别系统，其特征在于，包括掌脉识别终端和服务器端：
所述的掌脉识别终端包括嵌入式处理模块、掌脉图像获取模组、人机交互模组和接口模块，嵌入式处理模块由海思HI3519RFCV101处理芯片、ROM、RAM和各路输入/输出接口印制在一块电路板构成，掌脉图像获取模组包括近红外光源模块和高速掌脉摄像头模块，人机交互模组包括触控交互显示屏和音频输出模块，接口模块包括电源输入接口、网络及服务器连接接口；
所述的服务器端通过服务器连接接口与掌脉识别终端进行连接和数据通信，掌脉识别用户数据库存储在服务器端，掌脉识别终端生成的每一级类特征向量均与服务器端数据库进行比对，当第三级类特征向量的比对分数大于阈值，经排序，最大分数的掌脉图像ID将作为最终认证成功的目标ID；
所述掌脉识别终端用于实现如权利要求1-5中任一项所述的基于嵌入式设备的掌脉识别方法。
CN201910861126.0A 2019-09-10 2019-09-10 一种基于嵌入式设备的掌脉识别系统及方法 Active CN110580469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910861126.0A CN110580469B (zh) 2019-09-10 2019-09-10 一种基于嵌入式设备的掌脉识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910861126.0A CN110580469B (zh) 2019-09-10 2019-09-10 一种基于嵌入式设备的掌脉识别系统及方法

Publications (2)

Publication Number Publication Date
CN110580469A CN110580469A (zh) 2019-12-17
CN110580469B true CN110580469B (zh) 2022-08-09

Family

ID=68811273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910861126.0A Active CN110580469B (zh) 2019-09-10 2019-09-10 一种基于嵌入式设备的掌脉识别系统及方法

Country Status (1)

Country Link
CN (1) CN110580469B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110227A (zh) * 2010-11-24 2011-06-29 清华大学 基于上下文关系的多分辨率遥感图像复合分类方法
CN205281528U (zh) * 2016-01-13 2016-06-01 惠州市瑞时智控科技有限公司 嵌入式掌静脉识别系统
CN107092876A (zh) * 2017-04-12 2017-08-25 湖南源信光电科技股份有限公司 基于Retinex与S‑SIFT特征结合的低照度车型识别方法
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法
CN108288040A (zh) * 2018-01-26 2018-07-17 四川政安通科技有限公司 基于面部轮廓的多参数人脸识别系统
CN108875705A (zh) * 2018-07-12 2018-11-23 广州麦仑信息科技有限公司 一种基于Capsule的掌静脉特征提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110227A (zh) * 2010-11-24 2011-06-29 清华大学 基于上下文关系的多分辨率遥感图像复合分类方法
CN205281528U (zh) * 2016-01-13 2016-06-01 惠州市瑞时智控科技有限公司 嵌入式掌静脉识别系统
CN107092876A (zh) * 2017-04-12 2017-08-25 湖南源信光电科技股份有限公司 基于Retinex与S‑SIFT特征结合的低照度车型识别方法
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法
CN108288040A (zh) * 2018-01-26 2018-07-17 四川政安通科技有限公司 基于面部轮廓的多参数人脸识别系统
CN108875705A (zh) * 2018-07-12 2018-11-23 广州麦仑信息科技有限公司 一种基于Capsule的掌静脉特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
掌纹掌脉图像超小波域融合识别算法;李新春等;《计算机应用》;20180831;第1-6页 *

Also Published As

Publication number Publication date
CN110580469A (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
Peralta et al. On the use of convolutional neural networks for robust classification of multiple fingerprint captures
Liu et al. Targeting ultimate accuracy: Face recognition via deep embedding
CN111401257B (zh) 一种基于余弦损失在非约束条件下的人脸识别方法
CN106326886B (zh) 基于卷积神经网络的手指静脉图像质量评估方法
Mori et al. Recognizing objects in adversarial clutter: Breaking a visual CAPTCHA
Senior A combination fingerprint classifier
CN107392082B (zh) 一种基于深度学习的小面积指纹比对方法
Iloanusi Fusion of finger types for fingerprint indexing using minutiae quadruplets
Uddin et al. A guided random forest based feature selection approach for activity recognition
TWI783199B (zh) 臉部辨識的處理方法及電子裝置
CN110602120A (zh) 一种面向网络的入侵数据检测方法
CN109886164B (zh) 一种异常手势的识别与处理方法
Khalid et al. Tropical wood species recognition system based on multi-feature extractors and classifiers
Porwik et al. Self-adaptive biometric classifier working on the reduced dataset
Parodi et al. Online signature verification based on Legendre series representation: Robustness assessment of different feature combinations
Abboud et al. Biometric templates selection and update using quality measures
Li et al. A fingerprint indexing scheme with robustness against sample translation and rotation
Sari et al. Iris recognition based on distance similarity and PCA
GR et al. PCA based english handwritten digit recognition
CN112085164B (zh) 一种基于无锚框网络的区域推荐网络提取方法
CN110580469B (zh) 一种基于嵌入式设备的掌脉识别系统及方法
Nyssen et al. A multi-stage online signature verification system
US20050089225A1 (en) Method for aligning gesture features of image
US20200387691A1 (en) A quick match algorithm for biometric data
CN105488493A (zh) 一种快速虹膜识别方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510670 17 / F, building 3, Yunsheng Science Park, No. 11, puyuzhong Road, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 510670 5th floor, building 5, No.8, science Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right
PP01 Preservation of patent right

Effective date of registration: 20231120

Granted publication date: 20220809

PD01 Discharge of preservation of patent
PD01 Discharge of preservation of patent

Date of cancellation: 20231219

Granted publication date: 20220809