CN110765857A - 指纹识别方法、芯片及电子装置 - Google Patents

指纹识别方法、芯片及电子装置 Download PDF

Info

Publication number
CN110765857A
CN110765857A CN201910867355.3A CN201910867355A CN110765857A CN 110765857 A CN110765857 A CN 110765857A CN 201910867355 A CN201910867355 A CN 201910867355A CN 110765857 A CN110765857 A CN 110765857A
Authority
CN
China
Prior art keywords
image
sub
fingerprint
gradient
finger
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
CN201910867355.3A
Other languages
English (en)
Inventor
李准
翟剑锋
龙文勇
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.)
Duntai Electronics (shenzhen) Co Ltd
Original Assignee
Duntai Electronics (shenzhen) 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 Duntai Electronics (shenzhen) Co Ltd filed Critical Duntai Electronics (shenzhen) Co Ltd
Priority to CN201910867355.3A priority Critical patent/CN110765857A/zh
Priority to TW108142024A priority patent/TWI737040B/zh
Publication of CN110765857A publication Critical patent/CN110765857A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明提供一种指纹识别方法包括：获取指纹采集设备采集的待识别图像，并将所述图像切分为多个子图像；提取所述每一子图像的特征值；将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像；获取所述子图像的判断结果，当超过预设数目的子图像被判定为手指图像时，则确定所述待识别的图像为手指图像；以及对所述手指图像进行指纹识别。本发明还提供一种指纹识别芯片、电子装置。本发明能够提高指纹识别的准确率以及效率。

Description

指纹识别方法、芯片及电子装置
技术领域
本发明涉及图像识别技术领域，具体涉及一种指纹识别方法、芯片及电子装置。
背景技术
由于生物识别所具有的便捷与安全等优点，使得生物识别技术在身份认证和网络安全等领域具有广阔的应用前景。指纹识别技术作为生物体特征识别技术之一，被应用在智能手机等各种终端设备上，实现手机解锁、在线支付等身份认证功能。然而，当指纹识别技术应用在智能手机等终端设备上时，可能会出现手指之外的其他人体部位或其他物品误触指纹采集装置的情况，例如，衣服口袋、非手指区域的光滑皮肤、钥匙、果皮等其他物体也可能因各种原因接触指纹采集装置，如果对这些非手指物体也直接进行指纹的识别和匹配，浪费计算资源，也不利于指纹识别效率的提升，甚至会出现将非手指图像误识别成指纹的情况。
发明内容
鉴于以上问题，本发明提出一种指纹识别方法、芯片及电子装置，以提高指纹检测的效率与准确率。
本申请的第一方面提供一种指纹识别方法，所述方法包括：
获取指纹采集设备采集的待识别图像，并将所述图像切分为多个子图像；
提取所述每一子图像的特征值；
将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像；
获取所述子图像的判断结果，当超过预设数目的子图像被判定为手指图像时，则确定所述待识别的图像为手指图像；以及
对所述手指图像进行指纹识别。
优选地，所述提取所述每一子图像的特征值包括：
根据所述每一子图像生成归一化灰度图像；
生成所述每一子图像的归一化梯度图像；
根据所述归一化灰度图像和所述归一化梯度图像生成归一化灰度梯度共生矩阵；
基于所述归一化灰度梯度共生矩阵提取所述每一子图像的特征值。
优选地，所述特征值包括如下任意一种或多种：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
可选地，还可以基于灰度共生矩阵提取所述每一子图像的特征值。
优选地，所述预设的机器学习模型包括神经网络模型、支持向量机模型、基于决策树的分类模型、贝叶斯分类模型中的任意一种或多种。
优选地，所述机器学习模型的训练方法包括：
获取样本数据集，所述样本数据集中包括正样本和负样本，所述正样本为手指图像对应的特征值，对应的标签为第一标签，所述负样本为非手指图像对应的特征值，对应的标签为第二标签；
将所述样本数据集划分为训练集和测试集；
利用所述训练集对所述机器学习模型进行训练；
利用所述测试集对训练好的机器学习模型进行测试，并根据测试结果对所述训练好的机器学习模型进行参数调整。
优选地，当确定所述待识别图像为手指图像后，所述指纹识别方法还进一步检测所述手指图像中指纹的有效区域，包括：
对所述待识别图像进行滤波，得到滤波后的灰度图像；
计算所述滤波后的灰度图像中每一个像素的梯度，得到梯度方向图像；
将所述梯度方向图像分为多个子块，并计算所述每一子块的方差；
将所述每一子块的方差与设定的阈值比较，若所述子块的方差大于所述阈值，则确定所述子块为有效区域，并将所述子块的标志位设置为第一值；否则，确定所述子块为无效区域，并将所述子块的标志位设置为第二值。
优选地，所述指纹识别方法还包括：针对被确定为无效区域的图像子块，通过四邻域判断方法或八邻域判断方法，根据所述无效区域相邻区域的标志位的值重新确定所述无效区域标志位的值。
本申请的第二方面提供一种指纹识别芯片，所述芯片包括：
图像切分模块，用于获取待识别的指纹图像，并将所述指纹图像切分为多个子图像；
特征提取模块，用于提取所示每一子图像的特征值；
输入模块，用于将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像；以及
判定模块，用于所述子图像的判断结果，当超过预设数目的子图像被判定为手指时，则确定所述指纹图像为手指图像。
本发明第三方面提供一种电子装置，所述电子装置包括：指纹采集单元，用于采集指纹图像；处理器；以及存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如前所述的指纹识别方法。
本发明中指纹识别方法、芯片及电子装置，通过对待识别图像进行切分并提取特征值，结合机器学习模型能够自动识别非手指区域，可以防止除手指之外的其他活体部位或物品的攻击，减小指纹识别的误判率。
附图说明
图1是本发明一实施例所提供的指纹识别方法的流程示意图。
图2是本发明一实施例所提供的子图像特征值提取方法流程示意图。
图3是本发明一实施例提供的机器学习模型训练方法示意图。
图4是本发明一实施例所提供的指纹有效区域检测方法的流程示意图。
图5是本发明一实施例所提供的指纹有效区域检测方法原理示意图。
图6是本发明一实施方式提供的指纹有效区域检测方法原理的另一示意图。
图7是本发明实施例所提供的指纹识别芯片示意图。
图8是本发明一实施方式提供的电子装置架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
请参阅图1，图1为本发明一个实施例提供的指纹识别方法的流程示意图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分。
如图1所示，所述指纹识别方法包括以下步骤。
步骤S1、获取指纹采集设备采集的待识别图像，并将所述图像切分为多个子图像。
所述指纹采集设备可以是设置于手机、平板电脑、工业设备等智能终端中的，用于采集用户指纹进行身份认证。所述指纹采集设备还可以是设置于考勤装置中的，用于采集用户指纹进行考勤等。所述指纹采集设备可以是通过光学指纹采集技术、电容式传感器指纹采集技术、超声波指纹采集技术、或电磁波指纹采集技术等手段采集指纹图像的。
本发明实施方式中，所述待识别图像为灰度图像。在现有的指纹采集设备中，有些采集到的图像是灰度图像，还有些采集到的图像不是灰度图像，当所述采集的图像不是灰度图像时，所述步骤S1还包括将所述指纹采集设备采集的图像转换为灰度图像。
在获取到所述待识别图像后，将所述图像等分为m*n个相互不重叠的子图像，其中，m与n均为大于1的正整数，m与n的值可以相同，也可以不同。举例而言，可以将一张获取到的图像按照2*2的方式等分为四个子图像，也可以按照2*3的方式将所述图像等分为六个子图像。
步骤S2、提取所述每一子图像的特征值。
在本发明第一实施例中，通过计算每一子图像的灰度梯度共生矩阵提取所述每一子图像的特征值，如图2所示，通过灰度梯度共生矩阵提取所述每一子图像的特征值具体包括如下步骤：
步骤S201、生成每一子图像的归一化灰度图像；
其中，生成所述归一化灰度图像可以利用均值方差归一化算法或灰度变换归一化算法实现；
均值方差归一化是将不同时间、不同亮度下采集到的图像转换到同一灰度均值和方差的标准图像；灰度变换归一化是利用灰度拉伸的方法将原图像中的灰度分布扩展到具有整个灰度级的图像，两种算法均为现有算法，在此不做详述；
步骤S202、生成所述每一子图像的归一化梯度图像；
一个实施例中，可以利用Sobel算子生成所述归一化梯度图像，Sobel算子是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值，利用Sobel算子得到灰度图像f(x,y)的梯度方向图像G(x,y)，其中，x表示所述灰度图像中像素点的横坐标，y表示所述灰度图像中像素点的纵坐标；
所述梯度方向图像G(x,y)的计算公式如下：
Figure RE-GDA0002334693810000051
其中，Gx、Gy分别为所述原始灰度图像在x轴、y轴的梯度幅值，计算如下：
Gx＝{f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}；
Gy＝{f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}；
其他实施例中，所述梯度算子还可以是Roberts算子、Prewitt算子或Laplace 算子中的一种；
步骤S203、根据所述归一化灰度图像和所述归一化梯度图像生成归一化灰度梯度共生矩阵；
灰度梯度共生矩阵(Gray-GradientCo-occurrence Matrix，简称GGCM)是灰度级nGray与梯度级nGrad组成的矩阵。灰度梯度共生矩阵的元素H(x,y)定义为归一化灰度图像F(i,j)及归一化梯度图像G(i,j)中具有灰度值x和梯度值y的像素数。即
H(x,y)＝num{(i,j)|F(i,j)＝x∩G(i,j)＝y}
其中，F(i,j)∈[0,Lf-1]为归一化灰度图像中的值，G(i,j)∈[0,Lg-1]为归一化梯度图像中的值，Lf为归一化灰度图像量级，Lg为归一化梯度图像量级。
设为归一化灰度梯度共生矩阵，有
Figure RE-GDA0002334693810000062
步骤S204、基于灰度梯度共生矩阵提取所述每一子图像的特征值；
其中，通过所述灰度梯度共生矩阵提取的特征值包括如下一种或多种：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩；
其中，1)小梯度优势计算方法如下：
Figure RE-GDA0002334693810000063
2)大梯度优势计算方法如下：
3)灰度分布不均匀性计算方法如下：
4)梯度分布不均匀性计算方法如下：
Figure RE-GDA0002334693810000073
5)能量计算方法如下：
Figure RE-GDA0002334693810000074
6)灰度平均计算方法如下：
Figure RE-GDA0002334693810000075
7)梯度平均计算方法如下：
8)灰度均方差计算方法如下：
9)梯度均方差计算方法如下：
Figure RE-GDA0002334693810000078
10)相关性计算方法如下：
Figure RE-GDA0002334693810000079
11)灰度熵计算方法如下：
Figure RE-GDA00023346938100000710
12)梯度熵计算方法如下：
Figure RE-GDA0002334693810000081
13)混合熵计算方法如下：
14)差分矩计算方法如下：
15)逆差分矩计算方法如下：
Figure RE-GDA0002334693810000084
可以理解，以上步骤中步骤S201、和步骤步骤S202不分先后顺序。通过灰度梯度共生矩阵能够提取出手指图像中丰富的指纹信息，有助于提高手指识别的准确率。因为灰度是构成一副图像的基础，梯度是构成图像边缘轮廓的要素，图像的主要信息是由图像的边缘轮廓提供的。灰度梯度共生矩阵能够很清晰的描绘图像内各像素点灰度与梯度的分布规律，同时也给出了各像点与其领域像点的空间关系，对图像的纹理能很好地描绘，对于具有方向性的纹理可以从梯度的方向上反映出来。
在本发明第二实施例中，也可以通过计算所述每一子图像的灰度共生矩阵，阵提取每一子图像的特征值。
灰度共生矩阵是一种通过研究图像灰度的空间相关特性来描述纹理的方法。灰度共生矩阵是一个L*L矩阵，其中，L是被量化后的图像灰度级数目。灰度共生矩阵的维数与待处理图像(灰度图像或转换而成的灰度图像)无关，而是由灰度图像的灰度级数目L决定的，假设待处理图像大小为a*b，而灰度级数目为L，则其灰度共生矩阵的大小为L*L。图像灰度级L越大，图像就越清晰，越能真实反映原图像本身；但是，L越大，灰度共生矩阵的维数就越大，这样就使运算量大大增加。一般来说，灰度图像的灰度值范围为0-255，灰度级的取值范围为[8,16,32,64,128,256]。在计算灰度共生矩阵及其特征值时，为了减小运算量，较优选的可以取灰度级为8或16。
在所述第二实施例中，优选采用灰度级L＝8。可以用如下方法将取值范围为0-255的灰度级量化到0-7共8个量化等级：
Figure RE-GDA0002334693810000091
其中，g表示原始灰度值，Ng表示量化后的灰度级。
可以理解，在其他实施方式中，也可以将图像中的灰度值量化为其他数值的灰度级，本发明对此不作限制，各个量化等级的实施例均应在本发明的保护范围之内。
在所述第二实施例中，灰度共生矩阵中的元素取值方式如下：
统计灰度图像中符合下列条件的点对(两个像素点称为一个点对)的数目p：该点对中两个像素点的距离为d(d也称为步长或位移)，方向为θ(即两点连线与水平轴的夹角)，其量化的灰度级分别为i和j。则p就是灰度共生矩阵中第i 行、第j列的元素值。其中，位移d和方向θ需要被初始化，在计算过程中不变。
在所示第二实施例中，优选所述位移d＝1，即，将两个相邻像素点作为一个点对。所述方向θ的取值为0度、45度、90度、135度。也就是说，本实施方式中，所述灰度共生矩阵中每一个元素(i,j)代表灰度级i与灰度级j在图像中方向θ上的相邻次数。
在一个实施方式中，可以通过一个方向的灰度共生矩阵提取特征值。在另一个实施方式中，所述灰度共生矩阵是通过多个不同方向对应的灰度共生矩阵平均化得到的，例如，所述子图像的灰度共生矩阵通过0度、45度、90度、135 度四个方向对应的灰度共生矩阵进行平均得到的，即灰度共生矩阵GLCM为：
Figure RE-GDA0002334693810000092
在所述第二实施例中，基于所述灰度共生矩阵提取所述子图像的特征值包括对比度(Contrast)、相关性(Correlation)、均一性(Homogeneity)、以及最大概率(MaximunProbalility)。
其中，对比度的计算公式为：
相关性的计算公式为：
Figure RE-GDA0002334693810000102
其中，
Figure RE-GDA0002334693810000103
均一性的计算公式为：
最大概率的计算公式为：
在实际应用中，由灰度共生矩阵中一般可以提取出14种特征值，因此可以理解，在其他实施方式中，也可以基于所述灰度共生矩阵提取其他特征值作为所述子图像的特征值，均应落在本发明的保护范围之内。
在本发明其他实施方式中，提取所述子图像特征值也可以通过其他特征提取方法实现，例如提取图像的LBP(Local Binary Pattern)特征等。
步骤S3、将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像。
其中，所述机器学习模型的输入为图像的特征值。在第一实施方式中，实施特征值为根据灰度梯度共生矩阵提取的特征值。在第二实施方式中，所述特征值包括基于灰度共生矩阵提取的对比度(Contrast)、相关性(Correlation)、均一性(Homogeneity)、以及最大概率(Maximun Probalility)。所述机器学习模型的输出为所述图像的分类结果，即是否为手指图像。
在本发明实施方式中，所述机器学习模型可以是，但不限于，BP神经网络模型、支持向量机模型、基于决策树的分类模型、贝叶斯分类模型等。本发明对所述机器学习模型不做一一列举，相关的变化实施例均应落入本发明的保护范围。
如图3所示，为本发明一个实施方式中神经网络模型的训练方法流程示意图。本实施方式中，所述神经网络模型的训练方法包括如下步骤：
步骤S301、获取样本数据集，所述样本数据集中包括正样本和负样本，所述正样本为手指图像对应的基于灰度共生矩阵提取的特征值，对应的标签为1，所述负样本为非手指图像对应的基于灰度共生矩阵提取的特征值，对应的标签为0。例如果皮、导电泡沫等非手指的图片对应的标签为0。
在本实施方式中，所述正、负样本图像特征值包括基于灰度共生矩阵提取的对比度(Contrast)、相关性(Correlation)、均一性(Homogeneity)、以及最大概率(MaximunProbalility)。
步骤S302、将所述样本数据集划分为训练集和测试集。
例如，对于上述正、负样本图像，将其中的70％归为一类，作为训练集，其目的是用于训练所述神经网络模型，剩下的30％归为另一类，作为测试集，其目的是用于测试所述神经网络模型的分类性能。
步骤S303、利用所述训练集对神经网络模型进行训练。
将训练集输入至建立好的神经网络模型中进行模型训练的过程可以采用现有技术中的手段实现，在此不做详述。在一些实施例中，利用训练集对所述神经网络模型进行训练还可以包括：将深度神经网络模型的训练部署在多个图形处理器(Graphics ProcessingUnit，GPU)上进行分布式训练。例如，可以通过 Tensorflow的分布式训练原理，将模型的训练部署在多个图形处理器上进行分布式训练，可以缩短模型的训练时间，加快模型收敛。
步骤S304、利用所述测试集对训练好的神经网络模型进行测试，并根据测试结果对所述训练好的神经网络模型进行参数调整。
本实施方式中，利用测试集对训练好的神经网络模型进行测试可以包括：将测试集中的样本数据送入所述训练好的神经网络模型，所述神经网络模型将会对所述样本图像的特征值做出识别，即判断所述样本图像是否为手指图像，将这个结果与其自身的标签相比对，即可获得神经网络模型的分类正确率。根据所述正确率确定是否需要继续训练，如果正确率达到预设值，则模型训练完成。
其中，所述机器学习模型的训练可以是离线完成的。所述神经网络模型训练完成后，将待识别的子图像输入该神经网络模型，即可识别出所述子图像是否为手指图像，实现图像的自动识别，整个过程省时、省力，不但提高了手指图像的识别效率，也大大提高了手指图像识别的准确率。
步骤S4、获取所述子图像的判断结果，当超过预设数目的子图像被判定为手指时，则确定所述指纹图像为手指图像。
所述预设数目可以根据需要进行设置，当被判定为手指的子图像的数目小于所述预设数目时，则判定所述指纹图像为非手指图像。举例而言，当所述指纹图像被切分为4个子图像时，若所述4个子图像中有3个或3个以上被判定为手指时，则确定所述指纹图像为手指图像，而所述4个子图像中仅有2个或2 个以下子图像被判定为手指时，则确定所述指纹图像非手指图像。
在本发明一些实施例中，可以将所述待识别图像的所述子图像依次输入所述机器学习模型中，当确定已经有超过预设数目的子图像被判定为手指图像时，则可以停止其他子图像的输入和判别，直接确定所述待识别图像为手指图像，这样可以进一步节省运算量，提高手指图像的识别效率。举例而言，当所述待识别图像被切分为6个子图像时，如果前4个子图像均被判定为手指图像，已经达到了所述预设数目，则可以无需再将剩余的2个子图像再输入所述机器学习模型，从而节省运算时间。
本发明通过将指纹采集装置采集到的图像分成多个子图像进行特征提取，并利用机器学习模型识别是否为手指图像，在识别为手指图像时才进行指纹的识别和匹配认证，而将非手指图像进行排除，这样可以有效避免非手指物品(例如衣服口袋、果皮、光滑皮肤)等异物的攻击，减小指纹识别的计算量，同时提高指纹识别的准确率。
进一步地，当判定所述待识别图像是手指图像，而不是其他非手指物体的图像时，可以开始进行指纹的识别与匹配。然而，在指纹匹配过程中，有些指纹区域的指纹纹理比较模糊，有些指纹区域的指纹纹理比较清晰。指纹纹理模糊的区域容易导致指纹识别错误，同时整个手指的指纹识别和匹配运算量也比较大。
因此，为了进一步提高指纹的识别准确率和效率，本实施例中，在确定所述待识别的图像是手指图像后，所述指纹识别方法还优选包括步骤S5：对所述手指图像中指纹的有效区域进行检测。其中，所述有效区域是指图像中指纹纹路清晰的区域，无效区域是指图像中指纹纹路不清晰的区域。可以理解，在其他实施例中，所述步骤S5也可以省略。
具体的，参阅图4，为本发明一实施例中的对指纹有效区域的检测方法流程示意图。
在本实施例中，所述指纹有效区域的检测方法包括如下步骤。
步骤S401、对所述指纹采集设备采集的待识别图像进行滤波处理，得到滤波后灰度图像。
所述滤波的方法可以是，但不限于，中值滤波、均值滤波、高斯滤波、双边滤波中的任意一种。通过对待识别的图像进行滤波处理，能够消除噪声影响。在一个优选实施例中，采用均值滤波对所述待识别图像进行滤波处理。
步骤S402、计算所述滤波后的灰度图像中每一个像素的梯度，得到梯度方向图像。
具体地，可以利用Sobel算子，得到灰度图像f(x,y)的梯度方向图像G(x,y)，其中，x表示所述灰度图像中像素点的横坐标，y表示所述灰度图像中像素点的纵坐标；
所述梯度方向图像G(x,y)的计算公式如下：
Figure RE-GDA0002334693810000141
其中，Gx、Gy分别为所述原始灰度图像在x轴、y轴的梯度幅值，计算如下：
Gx＝{f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}；
Gy＝{f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}；
其他实施例中，也可以利用其他算子计算所述梯度方向图像；
步骤S403、将所述梯度方向图像分为多个子块，并计算所述每一子块的方差。
本发明对所述梯度方向图像的切分本发明不做具体限定，在一个优选实施例中，将所述梯度方向图像可以分为16*16个子块，其他实施例中也可以分为其他数量的子块。计算所述每一子块的方差可以利用现有技术中的公式实现，在此不做详述。
步骤S404、将所述每一子块的方差与设定的阈值比较，若大于阈值，则确定所述子块为有效区域，并将所述子块的标志位设置为第一值；否则，确定所述子块为无效区域并将所述子块的标志位设置为第二值。本实施例中第一值为 1，所述第二值为0。
其中，所述阈值可以根据需要进行设置，本发明对此不做具体限制。
检测出所述手指图像中指纹纹路清晰的有效区域后，可以通过所述有效区域进行指纹的识别与匹配，能够提高指纹识别的准确率，并且进行有效区域的识别和匹配相对于整个手指图像的识别和比对运算量大大的降低了，因此也能够提高运算效率。
在本发明一个优选实施例中，为了进一步提高指纹的识别准确率，当检测完指纹的有效区域后，针对被确定为无效区域的子块，所述方法还进一步包括：按照四邻域判断方法根据所述无效区域上、下、左、右四个相邻区域标志位的值对所述无效区域进行重新判定。
四邻域判定方法是当区域的四邻域的标志位的值都是一类时，说明该区域属于其邻域区域这一类，则将该区域归入其邻域类，并将该区域的标志位的值设定为邻域的标志位的值，否则，保持该区域的标志位的值不变。举例而言，如图5所示，设无效区域的位置为f(x,y)，标志位的值为0，假设其上方相邻区域f(x,y-1)、下方相邻区域f(x,y+1)、左方相邻区域f(x-1,y)、右方相邻区域f(x+1,y) 这四个相邻区域的标志位的值均为1，那么根据所述四个邻域对所述无效区域的标志位的值重新确定为1，即，根据四邻域判断方法，所述无效区域被重新确定为有效区域。
根据四邻域法对图像中无效区域进行重新判定时，由于无效区域在图像中位置的不同，可能有些图像块的邻域数量不够四个，例如，无效区域在原始图像左上角的区块时，可能只有右方和下方两个邻域。如图6所示，在图像中无效区域的位置可能在左上角、右上角、左下角、右下角、以及上、下、左、右四个边界，针对这些特殊情况，在根据四邻域判断法重新确定无效区域的值时，根据如下方法进行判断：
1)无效区域在待识别图像左上角时的判定方法：若f(x+1,y)＝1或f(x,y+1)＝1，则将f(x,y)置为1，即有效；
2)无效区域在待识别图像右上角时的判定方法：若f(x-1,y)＝1或f(x,y+1)＝1，则将f(x,y)置为1，即有效；
3)无效区域在待识别图像左下角时的判定方法：若f(x+1,y)＝1或f(x,y-1)＝1，则将f(x,y)置为1，即有效；
4)无效区域在待识别图像右下角时的判定方法：若f(x-1,y)＝1或f(x,y-1)＝1，则将f(x,y)置为1，即有效；
5)无效区域在待识别图像上边界时的判定方法：若f(x-1,y)+f(x+1,y)＝2或 f(x,y+1)＝1，则将f(x,y)置为1，即有效；
6)无效区域在待识别图像下边界时的判定方法：若f(x-1,y)+f(x+1,y)＝2或 f(x,y-1)＝1，则将f(x,y)置为1，即有效；
7)无效区域在待识别图像左边界时的判定方法：若f(x,y-1)+f(x,y+1)＝2或f(x+1,y)＝1，则将f(x,y)置为1，即有效；
8)无效区域在待识别图像右边界时的判定方法：若f(x,y-1)+f(x,y+1)＝2或 f(x-1,y)＝1，则将f(x,y)置为1，即有效；
9)无效区域在待识别图像中心区域时的判定方法：若 f(x,y-1)+f(x,y+1)+f(x-1,y)+f(x+1,y)≥2，则将f(x,y)置为1，即有效。
在其他实施例中，也可以根据八邻域判断方法对所述无效区域进行重新判定。
图1-6详细介绍了本发明的指纹识别方法，通过所述方法，能够提高指纹识别的效率及准确率。下面结合图7和图8，对实现所述指纹识别方法的软件芯片的功能模块以及硬件装置架构进行介绍。应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图7为本发明一实施方式提供的指纹识别的芯片的结构图。
在一些实施方式中，所述指纹识别的芯片200可以包括多个由程序代码段所组成的功能模块，以实现指纹识别的功能。
参考图7，本实施方式中，指纹识别的芯片200根据其所执行的功能，可以被划分为多个功能模块，所述各个功能模块用于执行图1对应实施方式中的各个步骤，以实现指纹识别的功能。本实施方式中，所述指纹识别芯片200的功能模块包括：图像切分模块201、特征提取模块202、输入模块203、判定模块 204以及有效区域检测模块205。各个功能模块的功能将在下面的实施例中进行详述。
所述图像切分模块201用于获取待识别的指纹图像，并将所述指纹图像切分为多个子图像。
所述特征提取模块202用于提取所示每一子图像的特征值。
在一个实施方式中，利用如前所述的灰度梯度共生矩阵提取所述特征值，所述特征值包括小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
在另一个实施方式中，利用如前所述的灰度共生矩阵提取所述特征值。
所述输入模块203用于将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像。
所述判定模块204用于获取所述子图像的判断结果，当超过预设数目的子图像被判定为手指时，则确定所述指纹图像为手指图像。
进一步的，所述有效区域检测模块205用于在确定所述待识别的图像为手指图像时，检测所述图像中指纹的有效区域。
具体的，所述有效区域检测模块205检测指纹有效区域包括：
对原始灰度图像指纹进行滤波处理，得到滤波后灰度图像；
计算滤波后灰度图像每一个像素的梯度，得到梯度方向图像；
将所述梯度方向图像分为多个子块，并计算得到实施每一子块的方差；
将所述每一子块的方差与设定的阈值比较，若大于阈值，则确定该子块为有效区域，并将所述子块的标志位设置为第一值；否则，确定该子块为无效区域，并将所述子块的标志位设置为第二值。其中，所述第一值为1，所述第二值为0。
进一步地，所述有效区域检测模块205检测指纹有效区域还包括当检测完指纹的有效区域后，针对被确定为无效区域的子块，所述方法还进一步包括：按照四邻域判断方法根据所述无效区域上、下、左、右四个相邻区域标志位的值对所述无效区域进行重新判定。
图8为本发明一实施方式提供的电子装置的功能模块示意图。所述电子装置10包括指纹采集单元11、存储器12、处理器13以及存储在所述存储器12 中并可在所述处理器13上运行的计算机程序14，例如指纹识别的程序。
在本实施方式中，所述电子装置10可以是但不限于智能手机、平板电脑、智能工业设备、指纹考勤机等。
所述指纹采集单元11用于采集指纹图像。所述指纹采集单元11可以通过光学指纹采集技术、电容式传感器指纹采集技术、超声波指纹采集技术、或电磁波指纹采集技术等手段采集指纹图像。
所述处理器13执行所述计算机程序14时实现上述方法实施例中指纹识别方法的步骤，用于识别所述指纹采集单元11采集到的指纹图像。或者，所述处理器13执行所述计算机程序14实现上述芯片实施例中各模块/单元的功能。
示例性的，所述计算机程序14可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序14在所述电子装置10中的执行过程。例如，所述计算机程序14可以被分割成图2中的模块201-205。
本领域技术人员可以理解，所述示意图3仅仅是电子装置10的示例，并不构成对电子装置10的限定，电子装置10可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置10还可以包括输入输出设备等。
所称处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子装置10的控制中心，利用各种接口和线路连接整个电子装置10的各个部分。
所述存储器12可用于存储所述计算机程序14和/或模块/单元，所述处理器 13通过运行或执行存储在所述存储器12内的计算机程序和/或模块/单元，以及调用存储在存储器12内的数据，实现所述电子装置10的各种功能。存储器12 可以包括外部存储介质，也可以包括内存。此外，存储器12可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子装置10集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (12)

1.一种指纹识别方法，其特征在于，所述方法包括：
获取指纹采集设备采集的待识别图像，并将所述图像切分为多个子图像；
提取所述每一子图像的特征值；
将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像；
获取所述子图像的判断结果，当超过预设数目的子图像被判定为手指图像时，则确定所述待识别的图像为手指图像；以及
对所述手指图像进行指纹识别。
2.如权利要求1所述的指纹识别方法，其特征在于，所述提取所述每一子图像的特征值包括：
根据所述每一子图像生成归一化灰度图像；
生成所述每一子图像的归一化梯度图像；
根据所述归一化灰度图像和所述归一化梯度图像生成归一化灰度梯度共生矩阵；
基于所述归一化灰度梯度共生矩阵提取所述每一子图像的特征值。
3.如权利要求2所述的指纹识别方法，其特征在于，所述特征值包括如下任意一种或多种：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
4.如权利要求1所述的指纹识别方法，其特征在于，所述提取所述每一子图像的特征值是基于灰度共生矩阵提取的。
5.如权利要求1所述的指纹识别方法，其特征在于，所述预设的机器学习模型包括如下一种或多种：神经网络模型、支持向量机模型、基于决策树的分类模型、贝叶斯分类模型。
6.如权利要求5所述的指纹识别方法，其特征在于，所述机器学习模型的训练方法包括：
获取样本数据集，所述样本数据集中包括正样本和负样本，所述正样本为手指图像对应的特征值，对应的标签为第一标签，所述负样本为非手指图像对应的特征值，对应的标签为第二标签；
将所述样本数据集划分为训练集和测试集；
利用所述训练集对所述机器学习模型进行训练；
利用所述测试集对训练好的机器学习模型进行测试，并根据测试结果对所述训练好的机器学习模型进行参数调整。
7.如权利要求1所述的指纹识别方法，其特征在于，当确定所述待识别图像为手指图像后，所述指纹识别方法还进一步检测所述手指图像中指纹的有效区域，包括：
对所述待识别图像进行滤波，得到滤波后的灰度图像；
计算所述滤波后的灰度图像中每一个像素的梯度，得到梯度方向图像；
将所述梯度方向图像分为多个子块，并计算所述每一子块的方差；
将所述每一子块的方差与设定的阈值比较，若所述子块的方差大于所述阈值，则确定所述子块为有效区域，并将所述子块的标志位设置为第一值；否则，确定所述子块为无效区域，并将所述子块的标志位设置为第二值。
8.如权利要求7所述的指纹识别方法，其特征在于，所述指纹识别方法还包括：
针对被确定为无效区域的图像子块，通过四邻域判断方法或八邻域判断方法，根据所述无效区域相邻区域的标志位的值重新确定所述无效区域标志位的值。
9.一种指纹识别芯片，其特征在于，所述芯片包括：
图像切分模块，用于获取待识别的指纹图像，并将所述指纹图像切分为多个子图像；
特征提取模块，用于提取所示每一子图像的特征值；
输入模块，用于将所述每一子图像的特征值输入至预设的机器学习模型，分别判断所述每一子图像是否为手指图像；以及
判定模块，用于所述子图像的判断结果，当超过预设数目的子图像被判定为手指时，则确定所述指纹图像为手指图像。
10.如权利要求9所述的指纹识别芯片，其特征在于，所述芯片还包括：
有效区域检测模块，用于在确定所述待识别的图像为手指图像后，进一步检测所述图像中指纹的有效区域，包括：
对原始灰度图像指纹进行滤波处理，得到滤波后灰度图像；
计算滤波后灰度图像每一个像素的梯度，得到梯度方向图像；
将所述梯度方向图像分为多个子块，并计算得到实施每一子块的方差；
将所述每一子块的方差与设定的阈值比较，若大于阈值，则确定该子块为有效区域，并将所述子块的标志位设置为第一值；否则，确定该子块为无效区域，并将所述子块的标志位设置为第二值。
11.如权利要求10所述的指纹识别芯片，其特征在于，所述有效区域检测模块还用于在检测完指纹的有效区域后，针对被确定为无效区域的子块，通过四邻域判断方法或八邻域判断方法，根据所述无效区域相邻区域的标志位的值重新确定所述无效区域标志位的值。
12.一种电子装置，其特征在于，所述电子装置包括：
指纹采集单元，用于采集指纹图像；处理器；以及
存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如权利要求1-8中任意一项所述的指纹识别方法。
CN201910867355.3A 2019-09-12 2019-09-12 指纹识别方法、芯片及电子装置 Pending CN110765857A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910867355.3A CN110765857A (zh) 2019-09-12 2019-09-12 指纹识别方法、芯片及电子装置
TW108142024A TWI737040B (zh) 2019-09-12 2019-11-19 指紋識別方法、晶片及電子裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910867355.3A CN110765857A (zh) 2019-09-12 2019-09-12 指纹识别方法、芯片及电子装置

Publications (1)

Publication Number Publication Date
CN110765857A true CN110765857A (zh) 2020-02-07

Family

ID=69329521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910867355.3A Pending CN110765857A (zh) 2019-09-12 2019-09-12 指纹识别方法、芯片及电子装置

Country Status (2)

Country Link
CN (1) CN110765857A (zh)
TW (1) TWI737040B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488798A (zh) * 2020-03-11 2020-08-04 北京迈格威科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN111753722A (zh) * 2020-06-24 2020-10-09 上海依图网络科技有限公司 一种基于特征点类型的指纹识别方法及装置
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN112560813A (zh) * 2021-02-19 2021-03-26 深圳阜时科技有限公司 窄条形指纹的识别方法、存储介质及电子设备
CN112766398A (zh) * 2021-01-27 2021-05-07 无锡中车时代智能装备有限公司 发电机转子通风孔识别方法及设备
CN112861649A (zh) * 2021-01-19 2021-05-28 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN113496172A (zh) * 2020-04-03 2021-10-12 深圳爱根斯通科技有限公司 指纹异物检测的方法、装置、电子设备及存储介质
CN113591514A (zh) * 2020-04-30 2021-11-02 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
TWI754241B (zh) * 2020-02-27 2022-02-01 大陸商敦泰電子(深圳)有限公司 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質
CN115331269A (zh) * 2022-10-13 2022-11-11 天津新视光技术有限公司 一种基于梯度向量场的指纹识别方法及应用
TWI817656B (zh) * 2022-08-16 2023-10-01 大陸商北京集創北方科技股份有限公司 可防範假指紋攻擊之指紋真偽識別方法、指紋識別裝置及資訊處理裝置
CN112861649B (zh) * 2021-01-19 2024-05-10 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI831059B (zh) * 2021-10-12 2024-02-01 大陸商北京集創北方科技股份有限公司 指紋識別方法、指紋識別裝置和資訊處理裝置
TWI813042B (zh) * 2021-10-20 2023-08-21 鴻海精密工業股份有限公司 神經網路割分方法、系統、終端設備及存儲介質

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116744A (zh) * 2013-02-05 2013-05-22 浙江工业大学 基于mrf和svm-knn分类的假指纹检测方法
CN103324944A (zh) * 2013-06-26 2013-09-25 电子科技大学 一种基于svm和稀疏表示的假指纹检测方法
CN104598870A (zh) * 2014-07-25 2015-05-06 北京智膜科技有限公司 基于智能移动信息设备的指纹活体检测方法
CN105913520A (zh) * 2016-04-13 2016-08-31 时建华 通过指纹进行识别的电梯轿厢
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
US20170004352A1 (en) * 2015-07-03 2017-01-05 Fingerprint Cards Ab Apparatus and computer-implemented method for fingerprint based authentication
CN106657056A (zh) * 2016-12-20 2017-05-10 深圳芯启航科技有限公司 一种生物特征信息管理方法及其系统
CN106682473A (zh) * 2016-12-20 2017-05-17 深圳芯启航科技有限公司 一种用户身份信息的识别方法及其装置
CN108304759A (zh) * 2017-01-11 2018-07-20 神盾股份有限公司 识别手指的方法和电子装置
WO2019078769A1 (en) * 2017-10-18 2019-04-25 Fingerprint Cards Ab DIFFERENTIATION BETWEEN REAL FINGERS AND FALSE FINGERS IN A DIGITAL FOOTPRINT ANALYSIS BY AUTOMATIC APPRENTICESHIP

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI531985B (zh) * 2011-01-28 2016-05-01 Univ Ishou Palm biometric method
CN108427932B (zh) * 2015-10-19 2021-07-02 Oppo广东移动通信有限公司 指纹图像的识别方法及装置
CN105718848B (zh) * 2015-10-21 2020-08-07 深圳芯启航科技有限公司 一种指纹图像的质量评估方法及装置
CN108427923B (zh) * 2018-03-08 2022-03-25 广东工业大学 一种掌纹识别方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116744A (zh) * 2013-02-05 2013-05-22 浙江工业大学 基于mrf和svm-knn分类的假指纹检测方法
CN103324944A (zh) * 2013-06-26 2013-09-25 电子科技大学 一种基于svm和稀疏表示的假指纹检测方法
CN104598870A (zh) * 2014-07-25 2015-05-06 北京智膜科技有限公司 基于智能移动信息设备的指纹活体检测方法
US20170004352A1 (en) * 2015-07-03 2017-01-05 Fingerprint Cards Ab Apparatus and computer-implemented method for fingerprint based authentication
CN105913520A (zh) * 2016-04-13 2016-08-31 时建华 通过指纹进行识别的电梯轿厢
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
CN106657056A (zh) * 2016-12-20 2017-05-10 深圳芯启航科技有限公司 一种生物特征信息管理方法及其系统
CN106682473A (zh) * 2016-12-20 2017-05-17 深圳芯启航科技有限公司 一种用户身份信息的识别方法及其装置
CN108304759A (zh) * 2017-01-11 2018-07-20 神盾股份有限公司 识别手指的方法和电子装置
WO2019078769A1 (en) * 2017-10-18 2019-04-25 Fingerprint Cards Ab DIFFERENTIATION BETWEEN REAL FINGERS AND FALSE FINGERS IN A DIGITAL FOOTPRINT ANALYSIS BY AUTOMATIC APPRENTICESHIP

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
苏曙光等: "《嵌入式系统原理与设计》", 31 July 2011, 华中科技大学出版社 *
黎妹红等: "《身份认证技术及应用》", 31 March 2012, 北京邮电大学出版社 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI754241B (zh) * 2020-02-27 2022-02-01 大陸商敦泰電子(深圳)有限公司 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質
CN111488798A (zh) * 2020-03-11 2020-08-04 北京迈格威科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN111488798B (zh) * 2020-03-11 2023-12-29 天津极豪科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN113496172A (zh) * 2020-04-03 2021-10-12 深圳爱根斯通科技有限公司 指纹异物检测的方法、装置、电子设备及存储介质
CN113591514A (zh) * 2020-04-30 2021-11-02 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
WO2021218823A1 (zh) * 2020-04-30 2021-11-04 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN113591514B (zh) * 2020-04-30 2024-03-29 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN111753722B (zh) * 2020-06-24 2024-03-26 上海依图网络科技有限公司 一种基于特征点类型的指纹识别方法及装置
CN111753722A (zh) * 2020-06-24 2020-10-09 上海依图网络科技有限公司 一种基于特征点类型的指纹识别方法及装置
CN111860272B (zh) * 2020-07-13 2023-10-20 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN111860272A (zh) * 2020-07-13 2020-10-30 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN112861649B (zh) * 2021-01-19 2024-05-10 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN112861649A (zh) * 2021-01-19 2021-05-28 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN112766398A (zh) * 2021-01-27 2021-05-07 无锡中车时代智能装备有限公司 发电机转子通风孔识别方法及设备
CN112560813A (zh) * 2021-02-19 2021-03-26 深圳阜时科技有限公司 窄条形指纹的识别方法、存储介质及电子设备
TWI817656B (zh) * 2022-08-16 2023-10-01 大陸商北京集創北方科技股份有限公司 可防範假指紋攻擊之指紋真偽識別方法、指紋識別裝置及資訊處理裝置
CN115331269B (zh) * 2022-10-13 2023-01-13 天津新视光技术有限公司 一种基于梯度向量场的指纹识别方法及应用
CN115331269A (zh) * 2022-10-13 2022-11-11 天津新视光技术有限公司 一种基于梯度向量场的指纹识别方法及应用

Also Published As

Publication number Publication date
TW202111498A (zh) 2021-03-16
TWI737040B (zh) 2021-08-21

Similar Documents

Publication Publication Date Title
CN110765857A (zh) 指纹识别方法、芯片及电子装置
CN111401372B (zh) 一种扫描文档图文信息提取与鉴别的方法
US20040125993A1 (en) Fingerprint security systems in handheld electronic devices and methods therefor
CN107135664A (zh) 一种人脸识别的方法以及人脸识别装置
CN110852311A (zh) 一种三维人手关键点定位方法及装置
Kruthi et al. Offline signature verification using support vector machine
CN113095156B (zh) 一种基于逆灰度方式的双流网络签名鉴定方法及装置
CN113614731A (zh) 使用软生物特征的认证验证
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN112507897A (zh) 跨模态人脸识别方法、装置、设备及存储介质
Kalaiselvi et al. Face recognition system under varying lighting conditions
CN111612083A (zh) 一种手指静脉识别方法、装置及设备
CN111144413A (zh) 虹膜定位方法及计算机可读存储介质
CN112329518B (zh) 基于边缘纹理强化和对称差分统计的指纹活性检测的方法
Topaloglu Revised: Finger print classification based on gray-level fuzzy clustering co-occurrence matrix
CN113762211A (zh) 一种基于大数据的人脸识别系统及方法
Suzuki et al. Illumination-invariant face identification using edge-based feature vectors in pseudo-2D Hidden Markov Models
Vera et al. Iris recognition algorithm on BeagleBone Black
Choras Biometric identification through tongue texture measurements
CN113408416B (zh) 指纹频率估计方法及装置、指纹信息提取方法及装置
CN111259753A (zh) 人脸关键点处理方法及装置
Balti et al. Invariant and reduced features for Fingerprint Characterization
Kurnia et al. Object detection on hindered condition by using chain code-based angle detection
CN117133022B (zh) 彩色图像掌纹识别方法及装置、设备、存储介质
Al-Amaren et al. Edge Map Extraction of an Image Based on the Gradient of its Binary Versions

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

Application publication date: 20200207

RJ01 Rejection of invention patent application after publication