CN111310712B - 一种基于指纹词袋特征的快速搜索方法 - Google Patents
一种基于指纹词袋特征的快速搜索方法 Download PDFInfo
- Publication number
- CN111310712B CN111310712B CN202010141724.3A CN202010141724A CN111310712B CN 111310712 B CN111310712 B CN 111310712B CN 202010141724 A CN202010141724 A CN 202010141724A CN 111310712 B CN111310712 B CN 111310712B
- Authority
- CN
- China
- Prior art keywords
- minutiae
- fingerprint
- information
- node
- template library
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种基于指纹词袋特征的快速搜索方法,具体步骤如下:提取M张指纹图像,对每张图像提取其细节点的特征,并将每张图像的细节点特征中的任意两细节点建立拓扑关系,得到新的特征信息;将获得的所有特征信息进行词汇树的建立;提取模板库中每个指纹图像的细节点信息并计算特征向量;根据所有特征向量计算词汇树的每个节点的权重;提取待匹配指纹图像的细节点信息并计算特征向量;根据每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量;将更新后的待匹配指纹图像的特征向量与更新后的模板库中每个特征向量进行比对并分别得到比对分数,取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。
Description
技术领域
本发明属于指纹检索技术领域,涉及一种基于指纹词袋特征的快速搜索方法。
背景技术
一个完整的指纹通常包含各种特征,通常提取其细节点信息进行指纹的匹配。指纹的细节点包括指纹脊线的端点以及叉点。提取指纹细节点信息包括细节点位置以及角度信息。比对的时候,通常先将同一指纹的不同细节点建立一种拓扑关系,然后将两个指纹的拓扑关系图取出来进行比对,比对的结果作为两个指纹是否匹配的标准。
传统指纹比对方法需要将指纹的细节点信息提取后建立拓扑关系并对每组拓扑关系进行比对,而在1比n(n为模板库中指纹个数)的场景中,由于比对次数较多,速度会变得很慢。现有的指纹匹配方法是将待匹配的指纹图像与模板库的所有指纹图像进行一对一的比对来确定该待匹配指纹是否属于该模板库。从而导致随着模板库的增大,比对的次数增多,比对的时间不断增加从而影响用户体验。
发明内容
本发明提供了一种通过将数据集中的指纹图像根据相似度信息排好顺序,并且只取前m(m<n)个的方式,通过减少进行一一比对的图像个数而减少整个匹配的耗时的基于指纹词袋特征的快速搜索方法。
本发明采用的技术方案是:
一种基于指纹词袋特征的快速搜索方法,具体步骤如下:
(1)提取M张指纹图像,对每张图像提取其细节点的特征,并将每张图像的细节点特征中的任意两细节点建立拓扑关系,得到新的特征信息;
(2)将步骤(1)中获得的所有特征信息进行词汇树的建立;
(3)提取模板库中每个指纹图像的细节点信息并计算其拓扑结构的特征信息,并放到步骤(2)建立的词汇树中计算得到模板库中每个指纹图像的特征向量;
(4)根据步骤(3)得到的所有特征向量计算词汇树的每个节点的权重;
(5)提取待匹配指纹图像的细节点信息并计算其拓扑结构的特征信息,并放到步骤(2)建立的词汇树中计算得到待匹配指纹图像的特征向量;
(6)根据步骤(4)得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量;
(7)将步骤(6)得到的待匹配指纹图像的特征向量与步骤(6)得到的模板库中每个特征向量进行比对并分别得到比对分数,取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。本发明通过对模板库指纹图像进行相似度的排序来提高前几次就匹配成功的概率。
进一步,步骤(1)中细节点的特征为[x,y,angle],其中,(x,y)为该细节点的位置信息,angle为其方向信息。
进一步,步骤(1)中新的特征信息的计算过程如下:
设第i张图共有Ni个细节点特征,将这Ni个细节点任意两点之间建立一种拓扑关系,设ra是细节点A的方向,rb是细节点B的方向,dis表示细节点A和B之间的欧氏距离,Ang表示两个细节点连线的方向,ra-Ang表示细节点A的方向与两点连线Ang夹角的差值,rb-Ang表示细节点B的方向与两点连线Ang夹角的差值,最后得到新的特征信息[dis,ra-Ang,rb-Ang]。
进一步,步骤(2)的词汇树的建立过程如下:
建立一个L层的K叉树,第0层为根节点不作处理,第一层有K个节点,通过k-means的聚类算法,以欧氏距离为距离度量,将M张图像的所有特征信息进行分类,并且在每个树的节点记录该分类的聚类中心,然后对于每个节点所在的所有特征信息继续往下分类,一直到叶节点或者特征信息个数足够少的时候为止;并且记录每个节点的聚类中心,除去根节点后还有((K^L-1)/(K-1)-1)个节点,即最多有((K^L-1)/(K-1)-1)个聚类中心;将每个节点的位置信息以及聚类中心信息全部记录下来,并用数组保存。
进一步,步骤(3)和步骤(5)中的特征向量的计算过程如下:
提取了指纹图像A,设特征向量数组为a,a的长度为训练出来树的节点数,并且初始化为0;假设指纹图像A有m个特征信息,xi是其中第i个特征信息,将xi放到词汇树中由上而下,每一层均选择与其距离最近的聚类中心的节点;每个经过的节点对应的数组a的位置进行加1,遍历所有的特征信息后得到记录个数的数组a,a即为指纹图像A的特征向量。
进一步,步骤(4)中节点权重的计算过程如下:
设每个节点权重组成的向量为W,W的长度与节点数量保持一致并初始化为0;将模板库中每个特征向量取出,设si是第i个指纹图的特征向量,遍历该向量的每个位置,如果其第j个位置的值si[j]不为0,即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点,则W在第j个位置进行加1;遍历所有的特征向量后得到更新后的W,每个位置记录经过其对应节点的模板库中指纹图像的数量;对W的每个位置的值进行重新计算,计算公式为:W[j]=ln(S/(W[j])),其中S为模板库中指纹图像的个数,W[j]为该位置有W[j]个指纹图像经过,如果分母W[j]为0,即没有模板图像经过该节点,定义该节点权重为0。
进一步,步骤(6)的特征向量更新过程如下:
模板库中第i个指纹图像的特征向量si,si与权重向量W对应位置作乘法,得到全新的特征向量,并使用L1范数进行向量的归一化得到di;遍历所有的模板库中的指纹图像,更新每个模板库中的指纹图像的特征向量;
采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q。
进一步,步骤(7)中比对分数的计算方式如下:
计算更新后的模板库每个指纹图像的特征向量与更新后待匹配指纹图像的特征向量之间的距离,距离定义为DIS=2+\Sigma(abs(q[j]-di[j)–q[j]–di[j]),其中q[j]为q的第j个分量,di[j]为di的第j个分量,abs(.)表示求绝对值,\Sigma表示求和。
本发明的有益效果:
1、通过对模板库指纹图进行相似度的排序来提高前几次就匹配成功的概率。
2、适用于任意形式的图像特征,适用广。
3、不存在复杂的数学运算,计算简单,完全适用于资源有限的嵌入式系统。
附图说明
图1是本发明线下训练的流程图。
图2是本发明的两个细节点的拓扑关系示意图。
图3是本发明的线上搜索的流程图。
图4是本发明的特征向量计算简例示意图。
图5是本发明的权重计算简例示意图。
图6是本发明的计算相似度简例示意图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明,但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到,本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
术语解释
指纹词袋特征:词袋模型(Bag-of-words model),选取文本内一定的词放入词袋,统计词袋内所有词在文本中出现的次数并用向量表示。指纹词袋特征就是将指纹特征当成文本中的单词然后运用词袋模型的方法得到的向量就是指纹的词袋特征。
指纹比对:通过两个指纹图像的细节点信息建立模型对两个指纹图像进行匹配。
视觉词汇树:词汇树即为文本搜索领域的单词查找树,用来检测某个单词是否在单词列表中,视觉词汇树就是将图像特征当成文本中的单词然后运用分层聚类的方法得到树形结构的词汇本。
参照图1-6,本实施例提出的一种基于指纹词袋特征的快速搜索匹配的方法,具体实施步骤如下:
1、线下训练
1.1计算特征信息
给出M张指纹图像,并且对于每张图,首先提取其细节点的特征[x,y,angle],其中,(x,y)为该细节点的位置信息,angle为其方向信息。设第i张图共有Ni个细节点特征,将这Ni个细节点任意两点之间建立一种拓扑关系,得到新的特征,如图2所示,ra是细节点A的方向,rb是细节点B的方向,dis表示细节点A和B之间的欧氏距离,Ang表示两个细节点连线的方向,ra-Ang,表示细节点A的方向与两点连线Ang夹角的差值,最后得到新的特征信息[dis,ra-Ang,rb-Ang]。这Ni个细节点总共可以得到Ni*(Ni-1)/2个特征信息。
1.2训练词汇树
根据步骤1.1计算好的所有特征信息进行词汇树的建立,即一个L层的K叉树,第0层为根节点不作处理,第一层有K个节点,通过k-means的聚类算法,以欧氏距离为距离度量,将M张图像的所有特征信息进行分类,并且在每个树的节点记录该分类的聚类中心,然后对于每个节点所在的所有特征信息继续往下分类,一直到叶节点或者特征信息个数足够少的时候为止。并且记录每个节点的聚类中心,这里共有(K^L-1)/(K-1)个节点,除去根节点后还有((K^L-1)/(K-1)-1)个节点,即最多有((K^L-1)/(K-1)-1)个聚类中心(可能有部分节点没有特征信息)。将每个节点的位置信息以及聚类中心信息全部记录下来,并用数组保存。
2、线上搜索
2.1.模板库中指纹图像的特征向量计算
在搜索待匹配指纹之前,根据模板库中每个指纹图像提取的细节点信息计算其特征向量。设模板库中有S个不同指纹,对于每个指纹图像首先基于其细节点信息计算其拓扑结构的特征信息。某个指纹图像A,设特征向量数组为a,a的长度为训练出来树的节点数,并且初始化为0。假设指纹图像A有m个特征信息,xi是其中第i个特征信息,将xi放到词汇树中由上而下,每一层均选择与其距离最近的聚类中心的节点。每个经过的节点对应的数组a的位置进行加1,遍历所有的特征信息后得到记录个数的数组a,a为模板指纹图A的特征向量。如图4所示,假设指纹图像A的全部特征为a1,a2,a3,a4,a5,树的结构共有7个节点,可以用7维数组a表示,经过每层选取最近的聚类中心的节点分类后,每个节点经过的特征数量已知,以本例而言A的特征向量a={5,3,2,1,2,1,1}。
2.2.节点权重计算
设每个节点权重组成的向量为W,W的长度与节点数量保持一致并初始化为0。将模板库中每个特征向量取出,不妨设si是第i个指纹图像的特征向量,遍历该向量的每个位置,如果其第j个位置的值si[j]不为0,即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点,则W在第j个位置进行加1。遍历所有的特征向量后得到更新后的W,每个位置记录经过其对应节点的模板库中指纹图像的数量。对W的每个位置的值进行重新计算,计算公式为:W[j]=ln(S/(W[j]))。其中S为模板库中指纹图像的个数,W[j]为该位置有W[j]个指纹图像经过,如果分母W[j]为0,即没有模板图像经过该节点,定义该节点权重为0。节点经过的模板图像个数越小则比值越大,权重越大,说明该节点进行模板特征向量的区分度越好,反之越差。图5给出了计算权重的一组简例,其中a1,a2,a3是图像A的特征,b1,b2是图像B的特征,c1,c2是图像C的特征。左一叶节点只有A一个图像的特征,所以w1=ln(3/1)=ln(3);中间的叶节点有图像B和C两个图像的特征,故权重w2=ln(3/2)=ln(1.5);右一的叶节点三个图像特征均有,故权重w3=ln(3/3)=ln(1)=0。
2.3待匹配指纹图的特征向量计算
在搜索待匹配指纹之前,根据待匹配指纹图提取的细节点信息计算其特征向量。特征向量的计算过程与模板库中指纹图像的特征向量计算过程相同。
2.4搜索比对流程
根据得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量;将更新后的待匹配指纹图像的特征向量与更新后的模板库中每个特征向量进行比对并分别得到比对分数,取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。具体的,首先对模板库中的特征向量,以及待匹配指纹图的特征向量根据节点权重进行更新。模板库中第i个指纹图的特征向量si,si与权重向量W对应位置作乘法,得到全新的特征向量,并使用L1范数进行向量的归一化得到di。遍历所有的模板指纹图,更新每个模板指纹图的特征向量。采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q。最后计算模板库每个指纹图像的特征向量与待匹配指纹图像的特征向量之间的距离,距离定义为DIS=2+\Sigma(abs(q[j]-di[j)–q[j]–di[j]).其中q[j]为q的第j个分量,di[j]为di的第j个分量,abs(.)表示求绝对值,\Sigma表示求和。最后根据距离的结果,对模板库中S个指纹图按照距离从小到大的顺序进行排序,排序的结果越靠前,说明其基于词袋特征的相似度越高,越有可能匹配得上。再根据实际需要,取排名前n(n<S)的模板库指纹图来进行待匹配指纹图的一一比对。图6是提供了一个简例,假设树的结构是一个只有4个叶节点的2层4叉树,W所在行表示对应节点的权重,q表示某个模板库的特征向量,d表示待匹配的向量。先根据权重向量对q和d进行更新,得到q=(0,0.2,0.6,0.3,0),d=(0,0.1,0.4,0.3,0.4),再分别将q,d进行L1范数的归一化,得到q=(0,0.1818,0.5454,0.2727,0),d=(0,0.0833,0.3333,0.25,0.3333),最后根据公式计算得到二者的距离为0.6668。
Claims (3)
1.一种基于指纹词袋特征的快速搜索方法,具体步骤如下:
(1)提取M张指纹图像,对每张图像提取其细节点的特征,其中细节点的特征为[x,y,angle],其中,(x,y)为该细节点的位置信息,angle为其方向信息,并将每张图像的细节点特征中的任意两细节点建立拓扑关系,得到新的特征信息;新的特征信息的计算过程如下:
设第i张图共有Ni个细节点特征,将这Ni个细节点任意两点之间建立一种拓扑关系,设ra是细节点A的方向,rb是细节点B的方向,dis表示细节点A和B之间的欧氏距离,Ang表示两个细节点连线的方向,ra-Ang表示细节点A的方向与两点连线Ang夹角的差值,rb-Ang表示细节点B的方向与两点连线Ang夹角的差值,最后得到新的特征信息[dis,ra-Ang,rb-Ang];
(2)将步骤(1)中获得的所有特征信息进行词汇树的建立;
(3)提取模板库中每个指纹图像的细节点信息并计算其拓扑结构的特征信息,并放到步骤(2)建立的词汇树中计算得到模板库中每个指纹图像的特征向量;
(4)根据步骤(3)得到的所有特征向量计算词汇树的每个节点的权重;其中节点权重的计算过程如下:
设每个节点权重组成的向量为W,W的长度与节点数量保持一致并初始化为0;将模板库中每个特征向量取出,设si是第i个指纹图的特征向量,遍历该向量的每个位置,如果其第j个位置的值si[j]不为0,即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点,则W在第j个位置进行加1;遍历所有的特征向量后得到更新后的W,每个位置记录经过其对应节点的模板库中指纹图像的数量;对W的每个位置的值进行重新计算,计算公式为:W[j]=ln(S/(W[j])),其中S为模板库中指纹图像的个数,W[j]为该位置有W[j]个指纹图像经过,如果分母W[j]为0,即没有模板图像经过该节点,定义该节点权重为0;
(5)提取待匹配指纹图像的细节点信息并计算其拓扑结构的特征信息,并放到步骤(2)建立的词汇树中计算得到待匹配指纹图像的特征向量;
(6)根据步骤(4)得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量;
其中特征向量更新过程如下:
模板库中第i个指纹图像的特征向量si,si与权重向量W对应位置作乘法,得到全新的特征向量,并使用L1范数进行向量的归一化得到di;遍历所有的模板库中的指纹图像,更新每个模板库中的指纹图像的特征向量;
采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q;
(7)将步骤(6)得到的待匹配指纹图像的特征向量与步骤(6)得到的模板库中每个特征向量进行比对并分别得到比对分数,取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对;
其中比对分数的计算方式如下:
计算更新后的模板库每个指纹图像的特征向量与更新后待匹配指纹图像的特征向量之间的距离,距离定义为DIS=2+\Sigma(abs(q[j]-di[j])–q[j]–di[j]),其中q[j]为q的第j个分量,di[j]为di的第j个分量,abs(.)表示求绝对值,\Sigma表示求和。
2.根据权利要求1所述的一种基于指纹词袋特征的快速搜索方法,其特征在于:步骤(2)的词汇树的建立过程如下:
建立一个L层的K叉树,第0层为根节点不作处理,第一层有K个节点,通过k-means的聚类算法,以欧氏距离为距离度量,将M张图像的所有特征信息进行分类,并且在每个树的节点记录该分类的聚类中心,然后对于每个节点所在的所有特征信息继续往下分类,一直到叶节点或者特征信息个数足够少的时候为止;并且记录每个节点的聚类中心,除去根节点后还有((K^L-1)/(K-1)-1)个节点,即最多有((K^L-1)/(K-1)-1)个聚类中心;将每个节点的位置信息以及聚类中心信息全部记录下来,并用数组保存。
3.根据权利要求1所述的一种基于指纹词袋特征的快速搜索方法,其特征在于:步骤(3)和步骤(5)中的特征向量的计算过程如下:
提取了指纹图像A,设特征向量数组为a,a的长度为训练出来树的节点数,并且初始化为0;假设指纹图像A有m个特征信息,xi是其中第i个特征信息,将xi放到词汇树中由上而下,每一层均选择与其距离最近的聚类中心的节点;每个经过的节点对应的数组a的位置进行加1,遍历所有的特征信息后得到记录个数的数组a,a即为指纹图像A的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141724.3A CN111310712B (zh) | 2020-03-04 | 2020-03-04 | 一种基于指纹词袋特征的快速搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141724.3A CN111310712B (zh) | 2020-03-04 | 2020-03-04 | 一种基于指纹词袋特征的快速搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310712A CN111310712A (zh) | 2020-06-19 |
CN111310712B true CN111310712B (zh) | 2024-02-13 |
Family
ID=71158533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010141724.3A Active CN111310712B (zh) | 2020-03-04 | 2020-03-04 | 一种基于指纹词袋特征的快速搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310712B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4747147A (en) * | 1985-09-03 | 1988-05-24 | Sparrow Malcolm K | Fingerprint recognition and retrieval system |
US5631971A (en) * | 1994-05-24 | 1997-05-20 | Sparrow; Malcolm K. | Vector based topological fingerprint matching |
US5841888A (en) * | 1996-01-23 | 1998-11-24 | Harris Corporation | Method for fingerprint indexing and searching |
CN1447272A (zh) * | 2002-03-26 | 2003-10-08 | 北京中科模识科技有限公司 | 指纹细节大拓扑结构匹配算法 |
CN1818927A (zh) * | 2006-03-23 | 2006-08-16 | 北京中控科技发展有限公司 | 指纹识别方法与系统 |
CN1831847A (zh) * | 2006-03-28 | 2006-09-13 | 北京握奇数据系统有限公司 | 指纹特征快速匹配方法、装置及其应用 |
CN101033958A (zh) * | 2007-02-01 | 2007-09-12 | 华中科技大学 | 一种机器视觉定位方法 |
CN101047688A (zh) * | 2006-06-13 | 2007-10-03 | 华为技术有限公司 | 一种估计信噪比的方法及装置 |
CN101079102A (zh) * | 2007-06-28 | 2007-11-28 | 中南大学 | 基于统计方法的指纹识别方法 |
JP2008165445A (ja) * | 2006-12-27 | 2008-07-17 | Beyondlsi Inc | 指紋照合システム |
CN102609676A (zh) * | 2011-01-21 | 2012-07-25 | 北京数字指通软件技术有限公司 | 一种融入先验知识的指纹特征融合方法和系统 |
CN103020111A (zh) * | 2012-10-29 | 2013-04-03 | 苏州大学 | 基于词汇树层次语义模型的图像检索方法 |
CN103399870A (zh) * | 2013-07-08 | 2013-11-20 | 华中科技大学 | 一种基于分类驱动的可视化词袋特征权重化方法和系统 |
CN104216974A (zh) * | 2014-08-28 | 2014-12-17 | 西北工业大学 | 基于词汇树分块聚类的无人机航拍图像匹配的方法 |
CN105303195A (zh) * | 2015-10-20 | 2016-02-03 | 河北工业大学 | 一种词袋图像分类方法 |
CN105389593A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于surf特征的图像物体识别方法 |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
CN108427723A (zh) * | 2018-02-09 | 2018-08-21 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类算法和局部感知重构模型的作者推荐方法和系统 |
CN109992690A (zh) * | 2019-03-11 | 2019-07-09 | 中国华戎科技集团有限公司 | 一种图像检索方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE370460T1 (de) * | 2003-10-17 | 2007-09-15 | Berner Fachhochschule Technik | Fingerabdrucksverifikationsmethode und -system |
US20080077570A1 (en) * | 2004-10-25 | 2008-03-27 | Infovell, Inc. | Full Text Query and Search Systems and Method of Use |
US7945576B2 (en) * | 2007-05-29 | 2011-05-17 | Microsoft Corporation | Location recognition using informative feature vocabulary trees |
KR101092303B1 (ko) * | 2009-05-26 | 2011-12-13 | 주식회사 유니온커뮤니티 | 지문인식장치 및 그 지문 데이터 획득방법 |
US8892542B2 (en) * | 2011-02-24 | 2014-11-18 | Nec Laboratories America, Inc. | Contextual weighting and efficient re-ranking for vocabulary tree based image retrieval |
US9531999B2 (en) * | 2014-04-14 | 2016-12-27 | Ricoh Co., Ltd. | Real-time smart display detection system |
-
2020
- 2020-03-04 CN CN202010141724.3A patent/CN111310712B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4747147A (en) * | 1985-09-03 | 1988-05-24 | Sparrow Malcolm K | Fingerprint recognition and retrieval system |
US5631971A (en) * | 1994-05-24 | 1997-05-20 | Sparrow; Malcolm K. | Vector based topological fingerprint matching |
US5841888A (en) * | 1996-01-23 | 1998-11-24 | Harris Corporation | Method for fingerprint indexing and searching |
CN1447272A (zh) * | 2002-03-26 | 2003-10-08 | 北京中科模识科技有限公司 | 指纹细节大拓扑结构匹配算法 |
CN1818927A (zh) * | 2006-03-23 | 2006-08-16 | 北京中控科技发展有限公司 | 指纹识别方法与系统 |
CN1831847A (zh) * | 2006-03-28 | 2006-09-13 | 北京握奇数据系统有限公司 | 指纹特征快速匹配方法、装置及其应用 |
CN101047688A (zh) * | 2006-06-13 | 2007-10-03 | 华为技术有限公司 | 一种估计信噪比的方法及装置 |
JP2008165445A (ja) * | 2006-12-27 | 2008-07-17 | Beyondlsi Inc | 指紋照合システム |
CN101033958A (zh) * | 2007-02-01 | 2007-09-12 | 华中科技大学 | 一种机器视觉定位方法 |
CN101079102A (zh) * | 2007-06-28 | 2007-11-28 | 中南大学 | 基于统计方法的指纹识别方法 |
CN102609676A (zh) * | 2011-01-21 | 2012-07-25 | 北京数字指通软件技术有限公司 | 一种融入先验知识的指纹特征融合方法和系统 |
CN103020111A (zh) * | 2012-10-29 | 2013-04-03 | 苏州大学 | 基于词汇树层次语义模型的图像检索方法 |
CN103399870A (zh) * | 2013-07-08 | 2013-11-20 | 华中科技大学 | 一种基于分类驱动的可视化词袋特征权重化方法和系统 |
CN104216974A (zh) * | 2014-08-28 | 2014-12-17 | 西北工业大学 | 基于词汇树分块聚类的无人机航拍图像匹配的方法 |
CN105303195A (zh) * | 2015-10-20 | 2016-02-03 | 河北工业大学 | 一种词袋图像分类方法 |
CN105389593A (zh) * | 2015-11-16 | 2016-03-09 | 上海交通大学 | 基于surf特征的图像物体识别方法 |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
CN108427723A (zh) * | 2018-02-09 | 2018-08-21 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类算法和局部感知重构模型的作者推荐方法和系统 |
CN109992690A (zh) * | 2019-03-11 | 2019-07-09 | 中国华戎科技集团有限公司 | 一种图像检索方法和系统 |
Non-Patent Citations (3)
Title |
---|
Tsai-Yang Jea等.Aminutia-based partial fingerprint recognition system.《Pattern recognition》.2005,1672 – 1684页. * |
基于细节点频谱的指纹识别系统研究;陈汉涛;《中国硕士优秀学位论文电子期刊》;40-46页 * |
魏鸿磊 ; 欧宗瑛 ; 张建新 ; .采用方向场配准和图匹配的指纹匹配算法.大连理工大学学报.2007,(05),683-688页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111310712A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
CN109918532B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
CN109241317B (zh) | 基于深度学习网络中度量损失的行人哈希检索方法 | |
Bhattacharya et al. | Recognition of complex events: Exploiting temporal dynamics between underlying concepts | |
JP4697670B2 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
CN108268838B (zh) | 人脸表情识别方法及人脸表情识别系统 | |
CN111126482B (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
US20140254923A1 (en) | Image processing and object classification | |
CN110097060B (zh) | 一种面向树干图像的开集识别方法 | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
US11210555B2 (en) | High-dimensional image feature matching method and device | |
CN109948534B (zh) | 采用快速密度峰值聚类进行人脸识别的方法 | |
CN110942091A (zh) | 寻找可靠的异常数据中心的半监督少样本图像分类方法 | |
WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
CN108256463B (zh) | 基于esn神经网络的移动机器人场景识别方法 | |
Garcia-Fidalgo et al. | Vision-based topological mapping and localization by means of local invariant features and map refinement | |
JP4802176B2 (ja) | パターン認識装置、パターン認識プログラム及びパターン認識方法 | |
JP3903613B2 (ja) | 検索装置及び検索プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
CN111310712B (zh) | 一种基于指纹词袋特征的快速搜索方法 | |
JP2004178569A (ja) | データ分類装置、物体認識装置、データ分類方法及び物体認識方法 | |
CN114550221B (zh) | 一种行人重识别方法、装置、设备及存储介质 |
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 |