CN111191624B - 一种基于法向量信息的指静脉特征提取方法 - Google Patents
一种基于法向量信息的指静脉特征提取方法 Download PDFInfo
- Publication number
- CN111191624B CN111191624B CN202010007620.3A CN202010007620A CN111191624B CN 111191624 B CN111191624 B CN 111191624B CN 202010007620 A CN202010007620 A CN 202010007620A CN 111191624 B CN111191624 B CN 111191624B
- Authority
- CN
- China
- Prior art keywords
- image
- slope
- finger vein
- normal vector
- value
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于法向量信息的指静脉特征提取算法，其包括以下步骤：1)对指静脉图像进行尺度归一化处理；2)对归一化后的图像进高斯滤波处理；3)提取高斯滤波处理后的图像的法向量特征；4)根据法向量特征计算对应像素的坡度值与坡向值；5)根据坡度值与坡向值进行特征划分，得到指静脉特征图像。本发明利用法向量信息与地形特征，可以有效提取出指静脉图像的关键特征，为后续的特征比对与图像识别奠定了良好基础。
Description
技术领域
本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种基于法向量信息的指静脉特征提取方法。
背景技术
指静脉识别技术是利用摄像头获取近红外光照射下的人体内部的指静脉分布图像，并通过一系列的处理比对算法进行身份识别。作为一种新兴的生物特征识别技术，它同样具有唯一性、无密码的优点，并且作为内部的生物特征，还具备高安全、难伪造的优势，广泛应用在公共领域认证系统及设备。
指静脉识别技术通过对获得的指静脉图像进行增强处理并提取其有效特征，利用比对算法比较提取到的特征与设备中保存的特征以进行特征匹配实现图像识别，指静脉识别技术的过程如专利号为CN101840511B的中国发明公开的手指静脉特征提取与匹配识别方法，包括通过红外图像采集装置获取手指静脉图像，并对图像进行预处理，特征提取，识别分析步骤；所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取手指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像；特征提取的方法为：对手指静脉纹路图进行子块划分，对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取；识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。
综上所述，上述指静脉识别的过程中，图像特征提取的好坏直接决定了其识别的性能，对指静脉识别技术具有重要研究意义。目前常用的指静脉图像特征提取的方法主要分为纹路特征、纹理特征、细节点特征以及机器学习得到的特征，然而，上述的指静脉图像特征提取的方法过程中，在提取特征时均不考虑领域像素点的影响，无法准确地表达图像像素之间的变化，指静脉特征描述不够准确。
发明内容
本发明的目的是为了解决现有技术中特征提取时不考虑领域像素点的影响，无法准确地表达图像像素之间的变化，指静脉特征描述不够准确的问题，提出了一种基于法向量信息的指静脉特征提取方法，有效提取出指静脉图像的特征区域，为后续的特征匹配做好准备。
为了达到目的，本发明提供的技术方案为：
本发明涉及的一种基于法向量信息的指静脉特征提取方法，包括以下步骤：
1)对指静脉图像进行尺度归一化处理；
2)对归一化后的图像进行高斯滤波处理；
3)提取高斯滤波处理后的图像的法向量特征；
4)根据法向量特征计算对应像素的坡度值与坡向值；
5)根据坡度值与坡向值进行特征划分，得到指静脉特征图像。
优选地，所述的步骤1)中采用双线性插值法对指静脉图像进行尺度归一化处理。
优选地，所述的步骤3)中提取法向量特征的方法采用的是改进的三阶反距离平方权差分方法，其步骤包括：
3.1)对指静脉图像进行0值的边界扩充，扩充后图像大小为(m+4，n+4)，其中m、n分别代表原图像的行列数；
3.2)对5*5邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其5*5邻域内其他点的向量，共得到24个向量Vectori，
Vectori＝(xi-x0,yi-y0,fi-f0) (1)
其中xi,yi,fi分别为邻域内各点的行数、列数以及灰度值，x0,y0,f0分别为中心像素点的行数、列数以及灰度值；
3.3)对相邻编号的向量进行叉积运算，运算公式为：
Ci＝Ci+1×Ci＝(yi+1zi-yizi+1,zi+1xi-zixi+1,xi+1yi-xiyi+1) (2)，
其中，xi，yi，zi分别为向量Ci的3个维度；
3.4)叠加所有的叉积结果，取平均后得到该像素点的法向量，计算公式为：
fx＝[f′(m-2,n-2)+2*f′(m-2,n-2)+2*f′(m-2,n)+2*f′(m-2,n+1)+f′(m-2,n+2)+f′(m-2,n-1)+2*f′(m-1,n)+f′(m-1,n+1) (3)，-f′(m+1,n-1)-2*f′(m+1,n)-f′(m+1,n+1)-f′(m+2,n-2)-2*f′(m+2,n-1)-2*f′(m+2,n)-2*f′(m+2,n+1)-f′(m+2,n+2)]/24
fy＝[f′(m-2,n-2)+2*f′(m-1,n-2)+2*f′(m,n-2)+2*f′(m+1,n-2)+f′(m+2,n-2)+f′(m-1,n-1)+2*f′(m,n-1)+f′(m+1,n-1) (4)，-f′(m-1,n+1)-2*f′(m,n+1)-f′(m+1,n+1)-f′(m-2,n+2)-2*f′(m-1,n+1)-2*f′(m,n+2)-2*f′(m+1,n+2)-f′(m+2,n+2)]/24
fz＝40/24 (5)，
其中，f′为对应像素点与中心像素点的灰度差值，fx，fy，fz为像素点法向量的三个分量。
优选地，所述的步骤4)中，引入地形特征中的坡度与坡向的概念，计算图像的坡度值Slope与坡向值Aspect，其计算公式为：
Aspect＝arctan(fy/fx) (7)。
优选地，所述的步骤5)的具体步骤包括：
5.1)设定陡坡和缓坡对应坡度的阈值S1，S2，以及坡向划分的范围阈值，其中S2＜S1；
5.2)判断坡度值与S1、S2的大小关系将特征分为两大类，若坡度值大于S1，将特征划分到第一大类中，若坡度值小于S2，将特征划分到第二大类中；
5.3)根据特征的坡向值所处的坡向划分范围，确定其坡向的属性，将两大类中的特征各划分为n个小类，即共计提取到2n类特征。
基于本发明的指静脉特征提取算法可以提取出指静脉图像的特征值。指静脉识别时，先提取出指静脉图像的特征值，再同存储在主机中的指静脉特征值进行比对，采用匹配算法对指静脉特征进行匹配，从而对个人进行身份鉴定，确认身份。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
1、本发明采用了更好表达图像三维信息的法向量特征，根据三阶反距离平方权差分算法进行改进，更好的考虑了邻域像素点的影响，准确的表达了图像像素之间的变化，进而使指静脉特征描述更加准确。
2、本发明引入了地形特征中的坡度及坡向信息，首先判断坡度的大小将其分为两种情况，然后对于每种坡度再进行坡向的判断，最终得到指静脉特征图像的灰度值大小，并且利用多重判断的方法得到更多特征的划分，进一步使指静脉特征描述更加精确。
附图说明
图1为本发明的基于法向量信息的指静脉特征提取方法的流程图；
图2为法向量提取的流程图；
图3为5*5窗口内的编号方式；
图4为坡度坡向划分的流程图；
图5为采集到的手指静脉图像；
图6为归一化后的手指静脉图像；
图7为高斯滤波处理后的图像；
图8为得到的指静脉特征图像；
图9为得到的图像库的同类识别率。
具体实施方式
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明涉及的一种基于法向量信息的指静脉特征提取方法，如图1所示，包括以下步骤：
1)选取图像库中的一幅指静脉图像，选取的指静脉图像如图5所示，利用双线性插值法对图像进行尺度归一化处理，得到大小为m*n的图像，其中m、n分别代表原图像的行列数，本实施例中m*n为120*48，减少图像占用内存的大小，结果如图6所示。
2)对尺度归一化后的图像进行窗口为5*5的高斯滤波处理，得到增强后的指静脉图像，使图像便于后续处理，如图7所示。
3)提取高斯滤波处理后的图像的法向量特征，具体步骤如图2所示，包括：
3.1)对指静脉图像进行0值的边界扩充，扩充后图像大小为(m+4，n+4)，即为124*52；
3.2)按照图3所示的编号方式，对5*5邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其5*5邻域内其他点的向量Vectori，向量Vectori按照公式(1)计算，共得到24个向量Vectori，
Vectori＝(xi-x0,yi-y0,fi-f0) (1)
其中xi,yi,fi分别为邻域内各点的行数、列数以及灰度值，x0,y0,f0分别为中心像素点的行数、列数以及灰度值；
3.3)采用公式(2)对相邻编号的向量进行叉积运算：
Ci＝Ci+1×Ci＝(yi+1zi-yizi+1,zi+1xi-zixi+1,xi+1yi-xiyi+1) (2)，
其中，xi，yi，zi分别为向量Ci的3个维度；
3.4)叠加所有的叉积结果，取平均后得到该像素点的法向量，计算公式如公式(3)～(5)：
fx＝[f′(m-2,n-2)+2*f′(m-2,n-2)+2*f′(m-2,n)+2*f′(m-2,n+1)+f′(m-2,n+2)+f′(m-2,n-1)+2*f′(m-1,n)+f′(m-1,n+1)(3)，-f′(m+1,n-1)-2*f′(m+1,n)-f′(m+1,n+1)-f′(m+2,n-2)-2*f′(m+2,n-1)-2*f′(m+2,n)-2*f′(m+2,n+1)-f′(m+2,n+2)]/24
fy＝[f′(m-2,n-2)+2*f′(m-1,n-2)+2*f′(m,n-2)+2*f′(m+1,n-2)+f′(m+2,n-2)+f′(m-1,n-1)+2*f′(m,n-1)+f′(m+1,n-1)(4)，-f′(m-1,n+1)-2*f′(m,n+1)-f′(m+1,n+1)-f′(m-2,n+2)-2*f′(m-1,n+1)-2*f′(m,n+2)-2*f′(m+1,n+2)-f′(m+2,n+2)]/24
fz＝40/24 (5)，
其中，f′为对应像素点与中心像素点的灰度差值，fx，fy，fz为像素点法向量的三个分量。
4)引入地形特征中的坡度与坡向的概念，并根据法向量特征计算图像的坡度值Slope与坡向值Aspect，计算公式如公式(6)和公式(7)，
Aspect＝arctan(fy/fx) (7)。
5)根据坡度值与坡向值进行特征划分，得到指静脉特征图像，如图1和4所示，具体步骤包括：
5.1)设定陡坡和缓坡对应坡度的阈值S1、S2，以及坡向划分的范围阈值，其中S2＜S1，本实施例中S1和S2分别取值为45°和5°，坡向划分的范围阈值如图4所示；
5.2)判断坡度值与S1、S2的大小关系将特征分为两大类，首先比较坡度值与S1的大小关系，若坡度值大于S1，将特征划分到第一大类中，否则，再比较坡度值与S2的大小关系，若坡度值小于S2，将特征划分到第二大类中；
5.3)对于坡度的两种情况再进行坡向的划分，根据特征的坡向值所处的坡向划分范围，确定其坡向的属性，本实施例中，如果坡向在0°-22.5°或者337.5°-360°范围内则为阴坡，如果坡向在22.5°-112.5°或者247.5°-337.5°范围内则为半阴坡，如果坡向在112.5°-157.5°或者202.5°-247.5°范围内则为半阳坡，如果坡向在157.5°-202.5°范围内则为阳坡，进而将两大类中的特征各划分为4个小类，即共计提取到8类特征，完成特征的提取，如图8所示。
以下是利用本发明所提算法对几种图像数据库的实验结果与分析。
建立了3组由不同设备采集的指静脉图像数据库，每组图像由1000根手指组成，其中每个手指采集15次。以MATLAB2016a为编译软件，所用电脑的操作系统为64位Window10，内存8G，主频率2.30GHz。对于每组图像库，首先以本实施例中的方法对图像库中的所有图像进行特征提取，然后分别对同类手指和不同类手指的特征进行比对，得到同类手指和不同类手指之间的特征比对结果，以不同类结果的最小值作为门限，检测同类手指的识别率，识别结果如图9所示，以本发明提取的特征对不同图像库的识别率均达到99.8％以上，可见本发明提出的基于法向量信息的指静脉特征提取方法可以有效提取出指静脉图像的关键信息，为指静脉识别提供了良好保障。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。
Claims (5)
1.一种基于法向量信息的指静脉特征提取方法，其特征在于：其包括以下步骤：
1)对指静脉图像进行尺度归一化处理；
2)对归一化后的图像进行高斯滤波处理；
3)提取高斯滤波处理后的图像的法向量特征；
4)根据法向量特征计算对应像素点的坡度值与坡向值；
5)根据坡度值与坡向值获取各像素点的特征，按照特征对各像素点进行分类，得到指静脉特征图像。
2.根据权利要求1所述的基于法向量信息的指静脉特征提取方法，其特征在于：所述的步骤1)中采用双线性插值法对指静脉图像进行尺度归一化处理。
3.根据权利要求1所述的基于法向量信息的指静脉特征提取方法，其特征在于：所述的步骤3)中提取法向量特征的方法采用的是改进的三阶反距离平方权差分方法，其步骤包括：
3.1)对指静脉图像进行0值的边界扩充，扩充后图像大小为(m+4，n+4)，其中m、n分别代表原图像的行列数；
3.2)对5*5邻域内的像素点进行编号，以原图的每个像素点为中心点，计算中心点指向其5*5邻域内其他点的向量，共得到24个向量Vector i，
Vectori＝(xi-x0,yi-y0,fi-f0) (1)
其中xi,yi,fi分别为邻域内各点的行数、列数以及灰度值，x0,y0,f0分别为中心像素点的行数、列数以及灰度值；
3.3)对相邻编号的向量进行叉积运算，运算公式为：
Ci＝Ci+1×Ci＝(yi+1zi-yizi+1,zi+1xi-zixi+1,xi+1yi-xiyi+1) (2)，
其中，xi，yi，zi分别为向量Ci的3个维度；
3.4)叠加所有的叉积结果，取平均后得到该像素点的法向量，计算公式为：
fz＝40/24 (5)，
其中，f′为对应像素点与中心像素点的灰度差值，fx，fy，fz为像素点法向量的三个分量。
4.根据权利要求1所述的基于法向量信息的指静脉特征提取方法，其特征在于：所述的步骤4)中，引入地形特征中的坡度与坡向的概念，计算图像的坡度值Slope与坡向值Aspect，其计算公式为：
Aspect＝arctan(fy/fx) (7)。
5.根据权利要求1所述的基于法向量信息的指静脉特征提取方法，其特征在于：所述的步骤5)的具体步骤包括：
5.1)设定陡坡和缓坡对应坡度的阈值S1，S2，以及坡向划分的范围阈值，其中S2＜S1；
5.2)判断坡度值与S1、S2的大小关系将像素点分为两大类，若坡度值大于S1，将像素点划分到第一大类中，若坡度值小于S2，将像素点划分到第二大类中；
5.3)根据各像素点的特征的坡向值所处的坡向划分范围，确定其坡向的属性，将两大类中的像素点各划分为n个小类，即共计提取到2n类像素点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010007620.3A CN111191624B (zh) | 2020-01-04 | 2020-01-04 | 一种基于法向量信息的指静脉特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010007620.3A CN111191624B (zh) | 2020-01-04 | 2020-01-04 | 一种基于法向量信息的指静脉特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111191624A CN111191624A (zh) | 2020-05-22 |
| CN111191624B true CN111191624B (zh) | 2021-02-19 |
Family
ID=70705989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010007620.3A Active CN111191624B (zh) | 2020-01-04 | 2020-01-04 | 一种基于法向量信息的指静脉特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191624B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101319B (zh) * | 2020-11-17 | 2021-03-16 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930595A (zh) * | 2012-09-25 | 2013-02-13 | 南开大学 | 基于单幅扫描电子显微镜图像的样品表面三维重建方法 |
| CN106840118A (zh) * | 2017-02-06 | 2017-06-13 | 华东师范大学 | 一种山地微地形坡度、坡向的空间测量方法 |
| CN108257142A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院、水利部成都山地灾害与环境研究所 | Dem中斜坡单元提取方法 |
| WO2019238912A1 (en) * | 2018-06-14 | 2019-12-19 | Perfusion Tech Aps | System and method for automatic perfusion measurement |
-
2020
- 2020-01-04 CN CN202010007620.3A patent/CN111191624B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930595A (zh) * | 2012-09-25 | 2013-02-13 | 南开大学 | 基于单幅扫描电子显微镜图像的样品表面三维重建方法 |
| CN106840118A (zh) * | 2017-02-06 | 2017-06-13 | 华东师范大学 | 一种山地微地形坡度、坡向的空间测量方法 |
| CN108257142A (zh) * | 2018-01-11 | 2018-07-06 | 中国科学院、水利部成都山地灾害与环境研究所 | Dem中斜坡单元提取方法 |
| WO2019238912A1 (en) * | 2018-06-14 | 2019-12-19 | Perfusion Tech Aps | System and method for automatic perfusion measurement |
Non-Patent Citations (2)
| Title |
|---|
| A finger-vein extraction algorithm based on local Radon transform;Jianfeng Zhang et al.;《Congress on Intelligent Control and Automation》;20180708;全文 * |
| 基于Nurbs曲面的地下三维数据模型研究;杨志高;《中国博士学位论文全文数据库 基础科学辑》;20121215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111191624A (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100426314C (zh) | 一种基于特征分组的多分类器组合人脸识别方法 | |
| CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
| CN104794440B (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
| Badr et al. | A robust copy-move forgery detection in digital image forensics using SURF | |
| CN107784263B (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
| CN115578603A (zh) | 基于多特征提取的人参属植株叶片识别方法 | |
| CN108805027B (zh) | 低分辨率条件下的人脸识别方法 | |
| Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
| Jayaraman et al. | An efficient color and texture based iris image retrieval technique | |
| CN111191624B (zh) | 一种基于法向量信息的指静脉特征提取方法 | |
| CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| CN109753912B (zh) | 一种基于张量的多光谱掌纹匹配方法 | |
| Harb et al. | Palm print recognition | |
| Fernandes et al. | Directed adversarial attacks on fingerprints using attributions | |
| Prasad et al. | Iris recognition systems: a review | |
| Yan et al. | Non-intrusive fingerprints extraction from hyperspectral imagery | |
| Jinisha et al. | Brain tumor classification using SVM and bag of visual word classifier | |
| Lam | A fast approach for detecting human faces in a complex background | |
| 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 | |
| Zang et al. | Evaluation of minutia cylinder-code on fingerprint cross-matching and its improvement with scale | |
| Balti et al. | Invariant and reduced features for Fingerprint Characterization | |
| CN109241886B (zh) | 基于olbp与pca的人脸识别方法和系统 | |
| Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
| Bernardo et al. | Exploring the scalability of multiple signatures in iris recognition using GA on the acceptance frontier search | |
| Hsieh et al. | An effective method of fingerprint classification combined with AFIS |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A feature extraction method of finger vein based on normal vector information Effective date of registration: 20210812 Granted publication date: 20210219 Pledgee: Shanxi Financing Guarantee Co.,Ltd. Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2021140000025 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20221028 Granted publication date: 20210219 Pledgee: Shanxi Financing Guarantee Co.,Ltd. Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2021140000025 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Finger Vein Feature Extraction Method Based on Normal Vector Information Granted publication date: 20210219 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |