CN111149104A - 用于生物特征识别的装置、方法和计算机程序产品 - Google Patents
用于生物特征识别的装置、方法和计算机程序产品 Download PDFInfo
- Publication number
- CN111149104A CN111149104A CN201780095021.8A CN201780095021A CN111149104A CN 111149104 A CN111149104 A CN 111149104A CN 201780095021 A CN201780095021 A CN 201780095021A CN 111149104 A CN111149104 A CN 111149104A
- Authority
- CN
- China
- Prior art keywords
- biometric data
- condition
- network
- captured
- matching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000003042 antagnostic effect Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013481 data capture Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
公开了用于生物特征识别的方法、装置、计算机程序产品和计算机可读介质。该方法可以包括获取第一生物特征数据,其中,所述第一生物特征数据是在第一条件或非第一条件中捕获的;通过生成对抗网络的判别网络确定所述第一生物特征数据是在所述第一条件中还是在所述非第一条件中捕获的;响应于确定所述第一生物特征数据是在所述非第一条件中捕获的,将所述第一生物特征数据输入到所述生成对抗网络的生成网络以生成第二生物特征数据;通过响应于确定所述第一生物特征数据是在所述第一条件中捕获的,将所述第一生物特征数据输入到匹配网络或将所述第二生物特征数据输入到所述匹配网络,来获得匹配结果;和基于所述匹配结果确定识别结果。
Description
技术领域
本公开的实施例一般涉及信息技术,并且更具体地,涉及生物特征识别。
背景技术
生物特征识别(基于个人的行为和生物学特征的自动识别)被提升作为一种用于提供人的鉴别、提供对有形设施和金融帐户的访问的更好的控制、以及提高对服务的访问的效率和服务使用的效率的方式。生物特征识别已被应用于人的鉴别、医学信息学中的患者跟踪、以及社会服务、考勤系统、财产管理、安全监督、车辆驾驶员检测等的个性化。例如,可以通过使用生物特征识别技术来实现车辆驾驶员检测系统。在车辆驾驶员检测系统中,可以通过传感器捕获人的生物特征数据,该系统可以确定该人的身份是否与系统中的注册用户匹配。如果此人是注册用户,则系统可以授予许可。否则,系统可能会给出拒绝和警告。然而,对于某些生物特征数据而言,鉴别性能可能会下降。因此,需要用于生物特征识别的改进的解决方案。
发明内容
作为用于经由诸如心电图(ECG)生物特征之类的生物特征数据的人的鉴别的通用机制,模板匹配已被广泛探索。但是,由于生物特征数据的变化,大多数现有生物特征识别方法的鉴别性能会下降。例如,对于特定用户,由ECG信号反映的心脏活动可以在不同的身体状态(例如,运动前,运动中或运动后)和精神状态(例如,放松或压力)下变化。但是,几乎所有现有的生物特征识别方法都忽略了处于不同状态和长期周期中的ECG数据的变化。尽管某些方法考虑了心率(HR)的变化,但是它们对各种ECG波的关注却很少。此外,ECG生物特征识别的传统手工特征既浅又粗糙。借助这些特征,有时无法分离来自不同用户的ECG信号。也就是说,基于手工特征的方法无法保证最优性和通用性。鉴别性能也会下降。因此,需要用于生物特征识别的改进的解决方案。
以简化形式提供本发明内容以用于介绍构思的选择,以下在详细描述中进一步描述它们。本发明内容既不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。
根据本公开的另一方面,提供了一种方法。该方法可以包括获得第一生物特征数据,其中第一生物特征数据是在第一条件或非第一条件中捕获的;通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的;响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据;通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果;基于匹配结果确定识别结果。
根据本公开的一个方面,提供了一种装置。该装置可以包括至少一个处理器;以及包含计算机程序代码的至少一个处理器,所述存储器和所述计算机程序代码被配置为与所述至少一个处理器一起工作,以使所述装置获得第一生物特征数据,其中第一生物特征数据是在第一条件或非第一条件中捕获的;通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的;响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据;通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果;基于匹配结果确定识别结果。
根据本公开的另一方面,提供了一种计算机程序产品,该计算机程序产品体现在计算机可读的分发介质上并且包括程序指令,该程序指令在被加载到计算机中时使处理器获得第一生物特征数据,其中第一生物特征数据是在第一条件或非第一条件中捕获的;通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的;响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据;通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果;基于匹配结果确定识别结果。
根据本公开的又一方面,提供了一种非暂时性的计算机可读介质,该非暂时性的计算机可读介质具有在其上编码的语句和指令以使处理器获得第一生物特征数据,其中第一生物特征数据是在第一条件或非第一条件中捕获的;通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的;响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据;通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果;基于匹配结果确定识别结果。
根据本公开的又一个方面,提供了一种装置,其包括被配置为获得第一生物特征数据的构件,其中第一生物特征数据是在第一条件或非第一条件中捕获的;被配置为通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的构件;被配置为响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据的构件;被配置为通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果的构件;被配置为基于匹配结果确定识别结果的构件。
通过以下结合附图对示例性实施例的详细描述,本公开的这些和其他目的、特征和优点将变得显而易见。
附图说明
图1是示出根据实施例的装置的简化框图;
图2是示出根据本公开的实施例的生物特征识别的训练阶段的过程的流程图;
图3是示出根据本公开的实施例的生物特征识别的应用阶段的过程的流程图;
图4示出了根据实施例的方法的结果;和
图5是示出根据实施例的装置的简化框图。
具体实施方式
出于说明的目的,在以下描述中阐述了细节,以便提供对所公开的实施例的透彻理解。然而,对于本领域技术人员而言显而易见的是,可以在没有这些具体细节的情况下或以等效布置来实施实施例。本公开的各种实施例可以以许多不同的形式来体现,并且不应被解释为限于在此阐述的实施例;相反,提供这些实施例是为了使本公开满足适用的法律要求。贯穿全文,相似的参考标记指代相似的元素。如本文所使用的,术语“数据”、“内容”“信息”和类似术语可以互换使用,以指代根据本公开的实施例能够被发送,接收和/或存储的数据。因此,任何这样的术语的使用不应当认为是限制本公开的实施例的精神和范围。
另外,如本文所使用的,术语“电路”是指(a)纯硬件电路实施方式(例如,模拟电路和/或数字电路中的实施方式);(b)电路和计算机程序产品的组合,该计算机程序产品包括存储在一个或多个计算机可读存储器上的软件和/或固件指令,它们一起工作以使装置执行本文所述的一个或多个功能;(c)电路,例如(一个或多个)微处理器或(一个或多个)微处理器的一部分,它们需要软件或固件才能运行,即使软件或固件不是物理上存在的。该“电路”的定义适用于本文中该术语的所有使用,包括任何权利要求。作为另一示例,如本文所使用的,术语“电路”还包括:包括一个或多个处理器和/或其部分以及随附的软件和/或固件的实现。作为另一示例,如本文所使用的术语“电路”还包括:例如用于移动电话中的基带集成电路或应用处理器集成电路或者用于服务器、蜂窝网络装置、其他网络装置和/或其他计算装置中的类似的集成电路。
如本文所限定的,“非暂时性的计算机可读介质”(其可以将指物理介质(例如,易失性或非易失性存储装置))可以与“暂时性的计算机可读介质”(其指电磁信号)区分开来。
注意,尽管主要在针对ECG数据的生物特征识别的上下文中描述了实施例,但是实施例不限于此,而是可以应用于任何合适的生物特征数据的生物特征识别。此外,实施例可以应用于与生物特征识别相关联的任何应用,诸如在诸如群组或个人保健、考勤系统、财产管理、安全监督等各种任务中的人的鉴别。
通过个体的独特性来进行人的鉴别是人类生活中不可或缺的一部分。在过去的几十年中,已经提出并研究了一种通过ECG进行生物特征识别的新的人的鉴别技术。由于不同人的心脏的位置、大小和解剖结构,年龄,性别以及各种因素的差异,因此ECG信号具有不同的特征,并且因人而异。与其他生物特征识别不同,活度检查是ECG捕获和ECG鉴别的前提。由于独特性和活度,很难伪造ECG信号。此外,如今,用于ECG信号捕获的精确传感器已广泛用于流行的可穿戴设备,例如手表和手镯。简而言之,由于独特性、针对人的通用性、收集的便利性、简明性和不可伪造性,因此通过ECG的生物特征识别提供了高度的安全性和便利性,将ECG识别系统嵌入可穿戴设备可以在实践中替代其他生物特征识别技术。
如上所述,由于ECG数据的变化,大多数现有生物特征识别方法的鉴别性能会下降。有一些方法试图使用心率(HR)变化来规范化ECG信号。但是,心率变化并不全是心电图信号波的变化。大多数现有方法忽略了在不同情况下QRS波的幅值的不均匀变化,这导致鉴别性能下降,其中QRS波是在典型ECG上看到的三个图形偏转(graphical deflections)的组合的名称。此外,对ECG波形的手工设计的修改并不适合所有用户。对于通过ECG生物特征的人的鉴别而言,可能需要学习复杂的映射关系以修改ECG波。
还有其他一些使用基于神经网络的学习方法的用于人的鉴别的生物特征识别方法。这些方法采用了无法概括的多重分类机制。例如,当组成员更改时(例如,仅一个新成员进入或一个成员退出),固定的鉴别模型必须重新训练,这既耗时又复杂。
为了克服或减轻上述问题或其他问题中的至少一个问题,本公开的实施例提出了一种用于通过生成对抗网络(GAN)和匹配网络进行生物特征识别的解决方案。所提出的解决方案包括训练阶段和应用阶段。训练阶段的目标是学习GAN和匹配网络的参数。使用训练的GAN和训练的匹配网络,应用阶段用于判别生物特征数据(如心跳)的条件,获取第一条件的生物特征数据(如休息条件的心跳),计算模板匹配结果,并完成最终鉴别。
通常,GAN包含两个网络:一个被称为生成网络(G),另一个被称为判别网络(D)。G捕获数据分布,而D估计来自训练数据而不是G的样本的概率。G的训练过程是使D犯错的概率最大化。
例如,G可以用于从非第一条件的生物特征数据(诸如运动条件的ECG心跳)生成新的心跳。D学习确定样本是来自休息条件还是运动条件。生成的心跳应该与休息条件的心跳非常相似,以至于D确定所生成的心跳是来自休息条件。也就是说,当G已经学会了如何生成具有相似特征并具有休息条件性心跳的分布的心跳时,G和D会在对抗性上寻求平衡。
在本公开中使用的GAN可以与典型的GAN共享相似的训练过程,如I.Goodfellow,J.Pougetabadie,M.Mirza,et al等人的“Generative Adversarial Networks”,Advancesin Neural Information Processing Systems,2014,3:2672-2680(其公开通过引用并入本文)中所描述的典型的GAN。训练后,G学习了从非第一条件的生物特征数据(例如运动条件)到第一条件的生物特征数据(例如休息条件)的映射。然后,训练后的G用于修改非第一条件的生物特征数据,网络D可以帮助判别当前的生物特征数据的条件。
另外,模板匹配机制用于保证鉴别系统的泛化能力。模板匹配机制可以基于传统的模板匹配方法或卷积神经网络(CNN)。例如,CNN可以用于学习特征并计算匹配结果(匹配或不匹配)以完成鉴别。也就是说,CNN可以直接学习用于基准化在输入模板和已验证的心跳之间的相似性的标准。即使组成员发生了一些变化,鉴别模型也不需要重新训练,与多重分类机制相比,这种鉴别模型更为通用和有效。
CNN的架构可以例如取决于输入的生物特征数据。例如,ECG具有一维输入数据,因此用于ECG的CNN可以被视为一维(1-D)CNN。一维CNN中的卷积核具有如h×1的窗口大小,而不是传统CNN中h×w的窗口大小,其中h和w是整数。若干卷积层、然后是非线性函数以及若干池化层被堆叠以生成网络。
对于GAN和匹配网络,可以选择不同的深度架构以获得最佳性能。例如,如果生成网络的输入和输出相同,则生成网络的架构中可能没有池层。对于ECG数据的匹配网络的第一层,卷积滤波器的空间大小可以是h×2。
图1是示出了可以在其中应用本公开的各种实施例的装置(诸如电子装置10)的简化框图。然而,应当理解,如所图示和下文中所描述的电子装置仅是可以从本公开的实施例中受益的装置的说明,因此,不应将其视为限制本公开的范围。尽管示出电子装置10并且将在下文中出于示例的目的对其进行描述,但是其他类型的装置可以容易地采用本公开的实施例。电子装置10可以是用户装置、移动计算机、台式计算机、膝上型计算机、移动电话、智能电话、平板电脑、服务器、云计算机、虚拟服务器、计算设备、分布式系统、视频监视装置和/或任何其他类型的电子系统。电子装置10可以运行任何种类的操作系统,包括但不限于Windows、Linux、UNIX、Android、iOS及其变体。而且,至少一个示例实施例的装置不必是整个电子装置,在其他示例实施例中,而是可以是电子装置的组件或组件组。
在一个实施例中,电子装置10可以包括处理器11和存储器12。处理器11可以是任何类型的处理器、控制器、嵌入式控制器、处理器核心,图形处理单元(GPU)等。在至少一个示例实施例中,处理器11利用计算机程序代码来使装置执行一个或多个动作。存储器12可以包括:易失性存储器,例如易失性随机存取存储器(RAM),其包括用于数据的临时存储的高速缓存区,和/或其他存储器,例如非易失性存储器,其可以是嵌入式的和/或可移动的。非易失性存储器可以包括EEPROM、闪存和/或类似物。存储器12可以存储许多信息的任何一种和数据。电子装置10可以使用信息和数据来实现电子装置10的一个或多个功能,例如本文所述的功能。在至少一个示例实施例中,存储器12包含计算机程序代码,使得存储器和计算机程序代码被配置为与处理器一起使该装置执行本文所述的一个或多个动作。
电子装置10还可包括通信设备15。在至少一个示例实施例中,通信设备15包括与发射器和/或接收器可操作地通信的天线(或多个天线)、有线连接器等。在至少一个示例实施例中,处理器11向发射器提供信号和/或从接收器接收信号。信号可以包括根据通信接口标准的信令信息、用户语音、接收到的数据、用户生成的数据等。通信设备15可以以一种或多种空中接口标准、通信协议、调制类型和接入类型来操作。作为说明,电子通信设备15可以根据第二代(2G)无线通信协议IS-136(时分多址(TDMA))、全球移动通信系统(GSM)和IS-95(码分多址(CDMA))进行操作,以及根据第三代(3G)无线通讯协议进行操作,例如通用移动电信系统(UMTS)、CDMA2000、宽带CDMA(WCDMA)和时分同步CDMA(TD-SCDMA)、和/或根据第四代(4G)无线通信协议进行操作,诸如802.11的无线联网协议,诸如蓝牙的短程无线协议,等。通信设备15可以根据诸如以太网、数字用户线(DSL)等有线协议来操作。
处理器11可以包括例如电路的构件,其用于实现音频、视频、通信、导航、逻辑功能等,以及用于实现本公开的实施例(其包括,例如,一个或多个本文所述的功能)。例如,处理器11可以包括:构件,诸如数字信号处理器设备,微处理器设备,各种模数转换器,数模转换器,处理电路和其他支持电路,其用于执行各种功能,包括例如本文所述的更多功能中的一个或多个功能。该装置可以根据它们各自的能力在这些设备之间执行电子装置10的控制和信号处理功能。因此,处理器11可以包括在调制和传输之前对消息和数据进行编码和交织的功能。处理器11可以另外包括内部语音编码器,并且可以包括内部数据调制解调器。此外,处理器11可以包括用于操作一个或多个软件程序的功能,软件程序可以存储在存储器中,并且除其他事项之外,软件程序可以使处理器11实现至少一个实施例,包括例如本文描述的功能中的一个或多个功能。例如,处理器11可以操作连通性程序,例如常规的互联网浏览器。连通性程序可以允许电子装置10根据传输控制协议(TCP)、互联网协议(IP)、用户数据报协议(UDP)、互联网消息访问协议(IMAP)、邮局协议(POP)、简单邮件传输协议(SMTP)、无线应用协议(WAP)、超文本传输协议(HTTP)等来发送和接收互联网内容,例如基于位置的内容和/或其他网络内容。
电子装置10可以包括用于提供输出和/或接收输入的用户接口。电子装置10可以包括输出设备14。输出设备14可以包括音频输出设备,例如振铃器、耳机、扬声器和/或类似物。输出设备14可以包括触觉输出设备,例如振动传感器,可电变形的表面,可电变形的结构和/或类似物。输出设备14可以包括视觉输出设备,例如显示器,灯和/或类似物。电子装置可以包括输入设备13。输入设备13可以包括光传感器、接近传感器、麦克风、触摸传感器、力传感器、按钮、小键盘、运动传感器、磁场传感器、相机、可移动存储装置等。触摸传感器和显示器可以被表征为触摸显示器。在包括触摸显示器的实施例中,触摸显示器可以被配置为接收来自单个接触点,多个接触点等的输入。在这样的实施例中,触摸显示器和/或处理器可以至少部分地基于位置、运动、速度、接触面积等来确定输入。
电子装置10可以包括多种触摸显示器中的任何一种,其包括被配置为通过电阻、电容、红外、应变仪、表面波、光学成像、色散信号技术、声脉冲识别或其他技术中的任何一种来实现触摸识别,然后提供指示与触摸相关的位置和其他参数的信号的那些显示器。另外,触摸显示器可以被配置为以触摸事件的形式接收输入的指示,该触摸事件可以被定义为在选择对象(例如,手指,触笔,笔,铅笔或其他定点设备)和触摸显示器之间的实际物理接触。可替代地,触摸事件可以被定义为使选择对象接近触摸显示器,悬停在显示的对象上方或在预定距离内接近对象,即使没有与触摸显示器进行物理接触。这样,触摸输入可以包括由触摸显示器检测到的任何输入,其包括涉及实际物理接触的触摸事件和不涉及物理接触但以其他方式由触摸显示器检测到的触摸事件,例如选择对象与触摸显示器的接近的结果。触摸显示器可能能够接收与触摸输入有关的施加到触摸屏的力相关联的信息。例如,触摸屏可以在重按触摸输入和轻按触摸输入之间进行判别。在至少一个示例实施例中,显示器可以显示二维信息、三维信息等。
输入设备13可以包括生物特征数据捕获元件。生物特征数据捕获元件可以是用于捕获用于存储、显示或传输的诸如ECG的生物特征数据的任何构件。例如,在至少一个示例实施例中,生物特征数据捕获元件是ECG传感器。这样,生物特征数据捕获元件可以包括用于捕获生物特征数据所需的硬件和/或软件。另外,输入设备13可以包括任何其他元件,例如相机模块。
图2是描绘根据本公开的实施例的生物特征识别的训练阶段的过程200的流程图,其可以在诸如图1的电子装置10之类的装置处执行。因此,电子装置10可以提供用于完成过程200的各个部分的构件,以及用于结合其他组件来完成其他过程的构件。
如图2所示,过程200可以从框202开始,在框202,获得用于训练GAN和匹配网络的训练数据。GAN和匹配网络可以是任何合适的现有或将来开发的GAN和匹配网络,并且本公开对此没有限制。例如,匹配网络可以是卷积神经网络或深度卷积神经网络。
如上所述,用户的生物特征数据可以在诸如不同的身体状态(运动前,运动中或运动后)和精神状态(放松或压力)之类的不同条件下变化。通常,不同的条件可以分类为两种条件,其中一种条件可以称为第一条件,另一种条件可以称为非第一条件,其中选择哪种条件作为第一条件可以取决于例如在不同条件下获取的生物特征数据的特征或根据经验。例如,对于ECG心跳,可以将休息或放松条件选择为第一条件,以及可以将诸如运动或压力条件的其他条件选择为非第一条件。
训练数据可以包括不同的数据集。例如,为了训练GAN,数据集1可以包括大量的ECG心跳和标签,其中在两种不同条件下捕获ECG心跳。一部分是休息条件的数据,另一部分是运动条件的数据。标签表明ECG心跳来自休息条件或运动条件。对于训练匹配网络的数据集2,从休息条件心跳中提取用于训练阶段的用户模板。休息条件下的心跳和模板与其标签组合为以生成数据集2。对于数据集2,标签指示心跳与模板是否匹配。可以通过将模板与运动条件下的心跳组合来生成用于对生成网络G进行微调的数据集3。
T=(x1+x2+...+xn)/n (1)
然后,生成作为匹配网络M的标签为“1”(匹配)的输入正样本。假设yj代表另一个用户的心跳,然后生成作为带有标签“-1”(不匹配)的输入负样本。因此,模板匹配可以看作是二进制分类任务。许多正样本和负样本被生成并用于对网络M进行训练。使用后向传播(BP)算法和随机梯度下降(SGD)算法,可以迭代地更新M的参数。
在框204处,在第一条件中捕获的至少一个用户的第一生物特征数据用于训练匹配网络。例如,在框202中生成的数据集2可以用于训练匹配网络M。通过执行卷积、激活和池化操作来执行标准的前向传播。然后执行用于计算参数的梯度的反向传播来训练匹配网络M。通过SGD方法更新卷积层的参数。迭代地训练匹配网络M,直到它收敛为止。
在框206,将在第一条件中捕获的至少一个用户的第一生物特征数据和在非第一条件中捕获的至少一个用户的第一生物特征数据用于训练GAN。例如,在框202中生成的数据集1可以用于训练GAN。休息条件的心跳用于训练生成网络G,而所有心跳则用于训练判别网络D。ECG的网络G和网络D可以通过与标准GAN类似的对抗训练机制进行迭代训练。可以停止GAN的训练过程,直到网络D的判别错误率收敛到大约50%。
在框208处,用匹配网络替换判别网络。
在框210,通过使用在非第一条件中捕获的至少一个用户的第一生物特征数据来微调生成网络。匹配网络M是固定的,无需更新。例如,在框202上生成的数据集3可以用于微调生成网络G。也就是说,如果匹配网络M错误地识别了当前样本(xi,T),其中xi由网络G生成,则将通过BP算法和SGD算法更新网络G。直到匹配错误率收敛为止,微调完成。
在框212,保存训练的生成网络G,判别网络D和匹配网络M以用于生物特征识别的应用阶段。
图3是描绘根据本公开的实施例的生物特征识别的应用阶段的过程300的流程图,其可以在诸如图1的电子装置10之类的装置处执行。装置10可以提供用于完成过程300的各个部分的构件,以及用于结合其他部件来完成其他过程的构件。
如图3所示,过程300可以在框302开始,在框302中,电子装置10获得第一生物特征数据,其中在第一条件或非第一条件中捕获第一生物特征数据。电子装置10可以从诸如手表和手镯之类的可穿戴设备或从电子装置10的输入设备获得第一生物特征数据。如上所述,对于ECG数据,第一条件可以是休息条件或放松条件,非第一条件可以是运动条件或压力条件。对于其他生物特征数据,可以类似地或不同地确定第一条件和非第一条件。
在框304,电子装置10通过GAN的判别网络确定第一生物特征数据是在第一条件还是非第一条件中捕获的。例如,当在第一条件中捕获第一生物特征数据时,判别网络可以确定第一生物特征数据是在第一条件中捕获的。当在非第一条件中捕获第一生物特征数据时,判别网络可以确定第一生物特征数据是在非第一条件中捕获的。
在框306,响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到GAN的生成网络以生成第二生物特征数据。例如,对于ECG数据,将运动条件的心跳输入到GAN的生成网络以生成休息条件的心跳。
在框308,电子装置10通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果。如上所述,匹配网络可以是卷积神经网络或深度卷积神经网络。例如,当确定指示第一生物特征数据是在诸如休息条件的第一条件中捕获的时,第一生物特征数据被直接输入到匹配网络。否则,来自GAN的生成网络的第二生物特征数据被输入到匹配网络。
在框310,电子装置10可以基于匹配结果来确定识别结果。例如,匹配结果可以是匹配概率。如果匹配概率小于或等于阈值θ(例如0.5),则当前用户被识别为冒名顶替者。电子装置10可以给出拒绝和警告。如果匹配概率大于θ,则电子装置10可以给予许可。然后,其模板获得与当前用户心跳匹配的最大概率的用户将被认定为用户的身份。注意,可以基于任何合适的方式来确定阈值,或者可以根据经验来配置阈值。
图4示出了根据一个实施例的方法的结果。来自同一用户的休息条件的心跳波和运动条件的心跳波被示出在图4中。还示出了通过生成网络G由运动条件的心跳生成的心跳波。显然,与运动条件的心跳相比,新生成的心跳与休息条件的心跳更为相似。通过所提出的方法来修改运动条件的ECG心跳是有效的。
图5是示出根据实施例的装置的简化框图。对于与先前实施例中相同的部分,适当地省略其描述。该装置可以包括被配置为执行上述过程的构件。在一个实施例中,该装置包括:被配置为获取第一生物特征数据的构件502,其中第一生物特征数据是在第一条件或非第一条件中捕获的;被配置为通过生成对抗网络的判别网络确定第一生物特征数据是在第一条件中还是在非第一条件中捕获的构件504;被配置为响应于确定第一生物特征数据是在非第一条件中捕获的,将第一生物特征数据输入到生成对抗网络的生成网络以生成第二生物特征数据的构件506;被配置为通过响应于确定第一生物特征数据是在第一条件中捕获的,将第一生物特征数据输入到匹配网络或将第二生物特征数据输入到匹配网络,来获得匹配结果的构件508;被配置为基于匹配结果确定识别结果的构件510。
在一个实施例中,该装置可以进一步包括:装置(未示出),其被配置为通过使用在第一条件中捕获的至少一个用户的第一生物特征数据来训练匹配网络;以及装置(未示出),其被配置为通过使用在第一条件中捕获的至少一个用户的第一生物特征数据和在非第一条件中捕获的至少一个用户的第一生物特征数据来训练所述生成对抗网络。
在一个实施例中,该装置可以进一步包括:装置(未示出),其被配置为用所述匹配网络替换所述判别网络;装置(未示出),其被配置为通过使用在非第一条件中捕获的至少一个用户的第一生物特征数据来微调生成网络。
在一个实施例中,第一生物特征数据是心电图数据。
在一个实施例中,第一条件是休息/放松条件。
在一个实施例中,匹配网络是卷积神经网络。
以上实施例可以在各种情况下用于人的鉴别。对于特别是具有较高安全性的安全监管系统,必须识别冒名顶替者并避免财产损失。如上所述,ECG生物特征具有许多优势,例如,活度检查和不可伪造的信号。因此,在计算装置装备用于ECG信号获取的传感器并嵌入如上所述的鉴别方法,提供了具有高度安全性的安全监控系统。ECG传感器用于捕获用户的ECG信号以获取多个心跳。计算装置可能已经存储了许多用户注册的模板。然后将ECG信号输入到安全监控系统,以获得最终鉴别结果。如果一个注册用户需要被识别,则此系统输出当前用户的身份并给予许可。如果尚未在此系统中注册的冒名顶替者,则通过将当前用户识别为冒名顶替者来输出拒绝命令,并且可能由于不安全的冒名顶替者而触发警告。
本发明的实施例可以具有以下优点:
(1)借助对抗性学习机制,GAN对修改由诸如压力和/或锻炼等不同条件引起的生物数据(例如ECG心跳波)的干扰和变化是有效的。GAN可以直接学习复杂的映射关系。
(2)基于模板匹配机制的CNN方法比传统的匹配方法更具通用性和优越性。CNN有助于学习分层特征,而不是计算来自ECG信号的手工设计的特征,这对于人的鉴别至关重要。另外,当当前社区中的成员有一些变化时,仅需注册更多模板或删除无效模板,而无需重新训练过程,这在实践中是可行的。
(3)实施例可以提高人的鉴别的性能以及与人的鉴别相关联的应用程序的安全性。例如,在车辆驾驶员检测系统中,人的鉴别的性能较高,人员被正确识别的可能性较大,即系统的安全性较高。
注意,上述装置的任何组件可以被实现为硬件或软件模块。在软件模块的情况下,它们可以体现在有形的计算机可读可记录存储介质上。例如,所有软件模块(或其任何子集)可以在同一介质上,或者每个软件模块可以在不同介质上。这些软件模块可以例如在硬件处理器上运行。然后可以使用如上所述的在硬件处理器上执行的不同软件模块来执行方法步骤。
另外,本公开的一方面可以利用在通用计算机或工作站上运行的软件。这样的实现可以采用例如处理器、存储器以及例如由显示器和键盘形成的输入/输出接口。如本文所使用的,术语“处理器”旨在包括任何处理设备,例如包括CPU(中央处理单元)的处理设备和/或其他形式的处理电路。此外,术语“处理器”可以指不止一个单独的处理器。术语“存储器”旨在包括与处理器或CPU相关联的存储器,例如RAM(随机存取存储器)、ROM(只读存储器)、固定存储设备(例如硬盘驱动器)、可移动存储设备(例如软盘),闪存等。处理器、存储器以及诸如显示器和键盘之类的输入/输出接口可以例如经由作为数据处理单元的一部分的总线互连。还可以将适当的互连(例如通过总线)提供给与计算机网络的接口(例如网卡)和介质接口(例如软盘或CD-ROM驱动器),介质接口可以提供与介质的接口。
因此,如本文所述,包括用于执行本公开的方法的指令或代码的计算机软件可以存储在关联的存储设备(例如,ROM、固定或可移动存储器)中,并且在准备使用它时被部分或全部加载(例如,加载到RAM中)并由CPU实施。这样的软件可以包括但不限于固件、驻留软件、微代码等。
如所指出的,本公开的各个方面可以采取体现在计算机可读介质中的计算机程序产品的形式,计算机可读介质在其上具有计算机可读程序代码。而且,可以利用计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电的、磁的、光的、电磁的、红外的或半导体系统、装置或设备,或前述的任何合适的组合。计算机可读存储介质的更具体示例(非详尽列表)将包括以下内容:具有一根或多根电线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储设备、磁存储设备或前述的其他任何适当组合。在本文的上下文中,计算机可读存储介质可以是任何有形介质,其可以包含或存储供指令执行系统、装置或设备使用或与其结合使用的程序。
用于执行本公开的各方面的操作的计算机程序代码可以以至少一种编程语言的任意组合来编写,所述编程语言包括诸如Java、Smalltalk、C++之类的面向对象的编程语言以及常规的过程编程语言,例如“C”编程语言或类似的编程语言。程序代码可以完全在用户计算机上执行,部分在用户计算机上执行,作为独立软件包执行,部分在用户计算机上执行并且部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。
附图中的流程图和框图示出了根据本公开的各种实施例的装置、方法和计算机程序产品的可能实现的架构、功能和操作。就这一点而言,流程图或框图中的每个框可以代表代码的模块、组件、段或部分,其包括用于实现指定的逻辑功能(多个)的至少一个可执行指令。还应注意,在一些替代实施方式中,框中指出的功能可以不按图中指出的顺序发生。例如,取决于所涉及的功能,实际上可以基本上同时执行连续示出的两个框,或者有时可以以相反的顺序执行这些框。还应注意,框图和/或流程图说明的每个框以及框图和/或流程图说明中的框的组合可以由执行指定功能或动作的基于专用硬件的系统来实现,或可以由专用硬件和计算机指令的组合来实现。
应当注意,术语“连接”,“耦合”或其任何变体是指两个或更多个元件之间的任何直接或间接的连接或耦合,并且可以涵盖在“连接”或“耦合”在一起的两个元素之间的一个或多个中间元素的存在。元素之间的耦合或连接可以是物理的、逻辑的或其组合。如本文所采用的,通过使用一根或多根电线、电缆和/或印刷的电连接,以及通过使用电磁能(例如,在射频区域(作为几个非限制性和非穷举性示例,微波区域和光学区域(可见光和不可见光)具有波长的电磁能),可以认为两个元素被“连接”或“耦合”在一起。
在任何情况下,应当理解,本公开中示出的组件可以以各种形式的硬件,软件或其组合来实现,例如,专用集成电路(ASIC)、功能电路、图形处理单元、具有相关存储器的适当编程的通用数字计算机等。给定本文提供的本公开的教导,相关领域的普通技术人员将能够想出本公开的组件的其他实施方式。
本文所使用的术语仅是出于描述特定实施例的目的,并不旨在限制本公开。如本文所使用的,单数形式“一”、“一个”和“该”也意图包括复数形式,除非上下文另外明确指出。还将理解的是,当在本说明书中使用术语“包括”和/或“包含”时,其规定了所述特征、整数、步骤、操作、元素和/或组件的存在,但并不排除存在或增加其他特征、整数、步骤、操作、元素、组件和/或其组合。
已经出于说明的目的给出了各种实施例的描述,但是这些描述并不旨在是穷举性的或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,许多修改和变型对于本领域普通技术人员将是显而易见的。
Claims (15)
1.一种方法,包括:
获取第一生物特征数据,其中,所述第一生物特征数据是在第一条件或非第一条件中捕获的;
通过生成对抗网络的判别网络确定所述第一生物特征数据是在所述第一条件中还是在所述非第一条件中捕获的;
响应于确定所述第一生物特征数据是在所述非第一条件中捕获的,将所述第一生物特征数据输入到所述生成对抗网络的生成网络以生成第二生物特征数据;
通过响应于确定所述第一生物特征数据是在所述第一条件中捕获的,将所述第一生物特征数据输入到匹配网络或将所述第二生物特征数据输入到所述匹配网络,来获得匹配结果;和
基于所述匹配结果确定识别结果。
2.根据权利要求1所述的方法,还包括:
通过使用在所述第一条件中捕获的至少一个用户的第一生物特征数据来训练所述匹配网络;和
通过使用在所述第一条件中捕获的至少一个用户的第一生物特征数据和在所述非第一条件中捕获的至少一个用户的第一生物特征数据来训练所述生成对抗网络。
3.根据权利要求2所述的方法,还包括:
用所述匹配网络替换所述判别网络;和
通过使用在所述非第一条件中捕获的至少一个用户的第一生物特征数据来微调所述生成网络。
4.根据权利要求1-3中任一项所述的方法,其中,所述第一生物特征数据是心电图数据。
5.根据权利要求1-4中任一项所述的方法,其中,所述第一条件是休息/放松条件。
6.根据权利要求1-5中任一项所述的方法,其中,所述匹配网络是卷积神经网络。
7.一种装置,包括:
至少一个处理器;
至少一个存储器,其包含计算机程序代码,所述存储器和所述计算机程序代码被配置为与所述至少一个处理器一起工作,以使所述装置:
获取第一生物特征数据,其中,所述第一生物特征数据是在第一条件或非第一条件中捕获的;
通过生成对抗网络的判别网络确定所述第一生物特征数据是在所述第一条件中还是在所述非第一条件中捕获的;
响应于确定所述第一生物特征数据是在所述非第一条件中捕获的,将所述第一生物特征数据输入到所述生成对抗网络的生成网络以生成第二生物特征数据;
通过响应于确定所述第一生物特征数据是在所述第一条件中捕获的,将所述第一生物特征数据输入到匹配网络或将所述第二生物特征数据输入到所述匹配网络,来获得匹配结果;和
基于所述匹配结果确定识别结果。
8.根据权利要求7所述的装置,其中,所述存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起工作使所述装置:
通过使用在所述第一条件中捕获的至少一个用户的第一生物特征数据来训练所述匹配网络;和
通过使用在所述第一条件中捕获的至少一个用户的第一生物特征数据和在所述非第一条件中捕获的至少一个用户的第一生物特征数据来训练所述生成对抗网络。
9.根据权利要求8所述的装置,其中,所述存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起工作使所述装置执行以下操作:
用所述匹配网络替换所述判别网络;和
通过使用在所述非第一条件中捕获的至少一个用户的第一生物特征数据来微调所述生成网络。
10.根据权利要求7-9中的任一项所述的装置,其中,所述第一生物特征数据是心电图数据。
11.根据权利要求7-10中的任一项所述的装置,其中,所述第一条件是休息/放松条件。
12.根据权利要求7-11中的任一项所述的装置,其中,所述匹配网络是卷积神经网络。
13.一种装置,包括被配置为执行根据权利要求1至6中的任一项所述的方法的构件。
14.一种计算机程序产品,其体现在能够由计算机读取的分发介质上,并且包括程序指令,所述程序指令在被加载到计算机中时执行根据权利要求1至6中任一项所述的方法。
15.一种非暂时性的计算机可读介质,其上具有编码的语句和指令以使处理器执行根据权利要求1至6中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/102680 WO2019056257A1 (en) | 2017-09-21 | 2017-09-21 | APPARATUS, METHOD AND COMPUTER PROGRAM PRODUCT FOR BIOMETRIC RECOGNITION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111149104A true CN111149104A (zh) | 2020-05-12 |
CN111149104B CN111149104B (zh) | 2023-10-27 |
Family
ID=65810063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780095021.8A Active CN111149104B (zh) | 2017-09-21 | 2017-09-21 | 用于生物特征识别的装置、方法和计算机可读存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11641352B2 (zh) |
EP (1) | EP3685288B1 (zh) |
CN (1) | CN111149104B (zh) |
WO (1) | WO2019056257A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907692A (zh) * | 2021-04-09 | 2021-06-04 | 吉林大学 | 一种基于sfrc-gan的从素描到人脸重建方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11146395B2 (en) | 2017-10-04 | 2021-10-12 | Amir Keyvan Khandani | Methods for secure authentication |
US11481637B2 (en) * | 2018-06-14 | 2022-10-25 | Advanced Micro Devices, Inc. | Configuring computational elements for performing a training operation for a generative adversarial network |
US11777715B2 (en) | 2019-05-15 | 2023-10-03 | Amir Keyvan Khandani | Method and apparatus for generating shared secrets |
KR20210058676A (ko) * | 2019-11-13 | 2021-05-24 | 영남대학교 산학협력단 | 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템 |
US11481607B2 (en) | 2020-07-01 | 2022-10-25 | International Business Machines Corporation | Forecasting multivariate time series data |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107085716A (zh) * | 2017-05-24 | 2017-08-22 | 复旦大学 | 基于多任务生成对抗网络的跨视角步态识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100718125B1 (ko) | 2005-03-25 | 2007-05-15 | 삼성전자주식회사 | 생체신호와 인공신경회로망을 이용한 생체인식 장치 및방법 |
PT106102B (pt) | 2012-01-19 | 2014-08-11 | Inst Superior Técnico | Dispositivo e método para reconhecimento biométrico contínuo baseado em sinais eletrocardiográficos |
CN103944615B (zh) | 2014-04-14 | 2016-09-14 | 惠州Tcl移动通信有限公司 | 根据心电图实现近距离解锁的方法及其系统 |
CN104077516B (zh) | 2014-06-26 | 2018-04-27 | 华为技术有限公司 | 一种生物认证方法及终端 |
US9501923B2 (en) * | 2014-11-24 | 2016-11-22 | Paypal, Inc. | Distress identifier to cause an action |
CN105072252A (zh) * | 2015-07-08 | 2015-11-18 | 广东欧珀移动通信有限公司 | 数据分享方法和相关装置及数据分享系统 |
US20170039358A1 (en) * | 2015-08-07 | 2017-02-09 | Fitbit, Inc. | Transaction prevention using fitness data |
US10130307B2 (en) | 2016-01-06 | 2018-11-20 | Samsung Electronics Co., Ltd. | Electrocardiogram (ECG) authentication method and apparatus |
CN105549745A (zh) * | 2016-01-22 | 2016-05-04 | 四川东鼎里智信息技术有限责任公司 | 一种利用可穿戴设备进行监护的方法 |
CN107038840A (zh) * | 2016-02-04 | 2017-08-11 | 中兴通讯股份有限公司 | 一种可穿戴设备的信息处理方法、装置及可穿戴设备 |
US10474881B2 (en) * | 2017-03-15 | 2019-11-12 | Nec Corporation | Video retrieval system based on larger pose face frontalization |
-
2017
- 2017-09-21 WO PCT/CN2017/102680 patent/WO2019056257A1/en unknown
- 2017-09-21 US US16/645,000 patent/US11641352B2/en active Active
- 2017-09-21 EP EP17925849.6A patent/EP3685288B1/en active Active
- 2017-09-21 CN CN201780095021.8A patent/CN111149104B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107085716A (zh) * | 2017-05-24 | 2017-08-22 | 复旦大学 | 基于多任务生成对抗网络的跨视角步态识别方法 |
Non-Patent Citations (2)
Title |
---|
LUAN TRAN等: "Disentangled Representation Learning GAN for Pose-Invariant Face Recognition", 《PUBLISHED IN: 2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
MAJID KOMEILI等: "On evaluating human recognition using electrocardiogram signals: From rest to exercise", 《2016 IEEE CANADIAN CONFERENCE ON ELECTRICAL AND COMPUTER ENGINEERING (CCECE)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907692A (zh) * | 2021-04-09 | 2021-06-04 | 吉林大学 | 一种基于sfrc-gan的从素描到人脸重建方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3685288A4 (en) | 2021-04-14 |
WO2019056257A1 (en) | 2019-03-28 |
US20200204546A1 (en) | 2020-06-25 |
US11641352B2 (en) | 2023-05-02 |
EP3685288B1 (en) | 2022-09-28 |
CN111149104B (zh) | 2023-10-27 |
EP3685288A1 (en) | 2020-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111149104B (zh) | 用于生物特征识别的装置、方法和计算机可读存储介质 | |
Du et al. | Wordrecorder: Accurate acoustic-based handwriting recognition using deep learning | |
US20210081754A1 (en) | Error correction in convolutional neural networks | |
EP3035243A1 (en) | Method of updating biometric feature pattern and electronic device for same | |
Saini et al. | Don’t just sign use brain too: A novel multimodal approach for user identification and verification | |
CN111582185B (zh) | 用于识别图像的方法和装置 | |
Kang et al. | Development of head detection and tracking systems for visual surveillance | |
Itqan et al. | User identification system based on finger-vein patterns using convolutional neural network | |
Ghanem et al. | A survey on sign language recognition using smartphones | |
Miah et al. | Rotation, Translation and Scale Invariant Sign Word Recognition Using Deep Learning. | |
US11948088B2 (en) | Method and apparatus for image recognition | |
CN109274683A (zh) | 一种交叉组合认证系统及其认证方法 | |
WO2018064800A1 (en) | Apparatus, method and computer program product for distance estimation between samples | |
KR20200080419A (ko) | 인공신경망 기반 손동작 인식 방법 및 장치 | |
Li et al. | Adaptive deep feature fusion for continuous authentication with data augmentation | |
CN115509344A (zh) | 具有添加用户定制手势的框架的基于机器学习的手势识别 | |
Gawande et al. | Biometric-based security system: Issues and challenges | |
Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
Salim et al. | A review on hand gesture and sign language techniques for hearing impaired person | |
US20230045699A1 (en) | Machine learning assisted intent determination using access control information | |
Dignan et al. | An AI-based approach for improved sign language recognition using multiple videos | |
CN114495292A (zh) | 身份识别方法、装置、设备及可读存储介质 | |
Genovese et al. | Advanced biometric technologies: emerging scenarios and research trends | |
Tong et al. | Exploiting serialized fine-grained action recognition using wifi sensing | |
Moshayedi et al. | Fingerprint Identification Banking (FIB); Affordable and Secure Biometric IOT Design |
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 |