CN111582190B - 基于纹理和静脉的识别方法、识别设备及存储介质 - Google Patents
基于纹理和静脉的识别方法、识别设备及存储介质 Download PDFInfo
- Publication number
- CN111582190B CN111582190B CN202010393733.1A CN202010393733A CN111582190B CN 111582190 B CN111582190 B CN 111582190B CN 202010393733 A CN202010393733 A CN 202010393733A CN 111582190 B CN111582190 B CN 111582190B
- Authority
- CN
- China
- Prior art keywords
- identified
- information
- texture
- image
- preset
- 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 173
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000001145 finger joint Anatomy 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 14
- 210000003811 finger Anatomy 0.000 description 38
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000004932 little finger Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000003278 haem Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及生物识别技术领域,具体公开了一种基于纹理和静脉的识别方法、识别设备及存储介质。其中方法包括:获取待识别静脉信息和对应的待识别纹理信息;确定所述待识别纹理信息的纹理类型;根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设纹理信息的纹理类型,所述目标特征信息中的预设纹理信息的纹理类型和所述待识别纹理信息的纹理类型相匹配;根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。该方法可以加快对待识别静脉信息的识别速度。
Description
技术领域
本申请涉及生物识别技术领域,尤其涉及一种基于纹理和静脉的识别方法、识别设备及存储介质。
背景技术
静脉识别技术是一种生物识别技术,通过静脉采集装置采集人体内的静脉分布图作为静脉特征以进行身份识别。静脉隐藏在身体的内部,不会遗失也很难复制,因此静脉识别技术有着很高的安全性而被广泛应用在各种场合。有一些场合需要较高的验证等级,除了采集静脉特征信息还会采集待识别部位的表面皮肤的纹理特征,结合纹理特征和静脉特征来进行多重识别,以提高验证等级。而如果在有较多用户的场景进行多重识别时,需要在预存的特征库中一一比对以及需要比对多种特征,如此会导致识别过程缓慢,需要对此进行优化。
发明内容
本申请提供了一种基于纹理和静脉的识别方法、识别设备及存储介质,可以加快对待识别静脉信息的识别速度。
第一方面,本申请提供了一种基于纹理和静脉的识别方法,所述方法包括:
获取待识别静脉信息和对应的待识别纹理信息;
确定所述待识别纹理信息的纹理类型;
根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设纹理信息的纹理类型,所述目标特征信息中的预设纹理信息的纹理类型和所述待识别纹理信息的纹理类型相匹配;
根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。
第二方面,本申请还提供了一种识别设备,所述识别设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于纹理和静脉的识别方法。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的基于纹理和静脉的识别方法。
本申请公开了一种基于纹理和静脉的识别方法、识别设备及存储介质,该方法包括:获取待识别静脉信息和对应的待识别纹理信息;确定所述待识别纹理信息的纹理类型;根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设纹理信息的纹理类型,所述目标特征信息中的预设纹理信息的纹理类型和所述待识别纹理信息的纹理类型相匹配;根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。本申请实施例可以通过在先确定待识别纹理信息的纹理类型,纹理类型可以作为确定预设静脉信息需要比对的预设静脉信息所在范围的依据,根据纹理类型来缩小预设特征库中的预设静脉信息的范围,进而可以加快对待识别静脉信息的识别速度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于纹理和静脉的识别方法的示意流程图;
图2是本申请实施例提供的另一种基于纹理和静脉的识别方法的示意流程图;
图3(a)是本申请实施例提供的一种待识别掌纹图像的示意图;
图3(b)是本申请实施例提供的另一种待识别掌纹图像的示意图;
图3(c)是本申请实施例提供的另一种待识别掌纹图像的示意图;
图4是本申请实施例提供的另一种基于纹理和静脉的识别方法的示意流程图;
图5(a)是本申请实施例提供的一种待识别指关节图像的示意图;
图5(b)是本申请实施例提供的另一种待识别指关节图像的示意图;
图6(a)是本申请实施例提供的另一种待识别指关节图像的示意图;
图6(b)是本申请实施例提供的另一种待识别指关节图像的示意图;
图7是本申请实施例提供的另一种基于纹理和静脉的识别方法的示意流程图;
图8是本申请实施例提供的另一种基于纹理和静脉的识别方法的示意流程图;
图9是本申请实施例提供的另一种基于纹理和静脉的识别方法的示意流程图;
图10是本申请的实施例提供的一种识别设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种基于纹理和静脉的识别方法、识别设备及存储介质。下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请的实施例提供的一种基于纹理和静脉的识别方法的示意流程图,如图1所示,该基于纹理和静脉的识别方法具体包括步骤S101至步骤S104。
S101、获取待识别静脉信息和对应的待识别纹理信息。
其中,可以是通过采集装置采集用户的待识别部位的图像,以获取用户的待识别部位的静脉信息和纹理信息,并作为待识别静脉信息和对应的待识别纹理信息。待识别部位为用于进行生物识别认证的身体部位,示例性地,可以包括用户的手指、手掌或手腕至指尖的区域。
静脉中流有血液,而血液中血红素可以吸收红外光,因此可以将红外线照射到待识别部位,进而通过采集装置对着待识别部位进行拍摄,可以采集到显示出静脉形状的静脉信息,静脉信息的成像特征为阴阳均匀向外模糊。
而待识别部位的表面深浅不一造成透光量不同,且凹痕在特定光照面下形成一定反射亮面,即表面特征阴影区常伴随一定高亮区,因此通过可见光照射用户的待识别部位,通过采集装置对着待识别部位进行拍摄可以采集到包括待识别部位的表面特征的纹理信息。采集装置的结构和工作原理可以参考现有技术,在此不再赘述。
在一个实施例中,所述待识别纹理信息包括待识别掌纹图像和/或待识别指关节图像,所述预设纹理信息包括预设掌纹图像和/或预设指关节图像。
其中,待识别部位可以是用户的手腕至指尖的区域,因此采集到的待识别纹理信息包括待识别掌纹图像和/或待识别指关节图像,可以是采集的手心一侧的纹理信息。待识别指关节图像可以包括大拇指、食指、中指、无名指和小拇指中的至少一个手指的关节处的图像。
S102、确定所述待识别纹理信息的纹理类型。
其中,可以根据预设分类规则来确定待识别纹理信息的纹理类型。不同的用户的待识别部位的纹理信息都有所不同,可以预先确定用于对待识别纹理信息进行分类的预设分类规则,例如,预设分类规则可以是根据纹理信息的纹理分布特征来划分不同的纹理类型,每个纹理类型的纹理信息对应同一种纹理分布特征。示例性地,可以根据纹理信息的密度、纹理数量或其他特征来对纹理信息进行分类。
S103、根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设纹理信息的纹理类型,所述目标特征信息中的预设纹理信息的纹理类型和所述待识别纹理信息的纹理类型相匹配。
其中,预设特征库中预存了多个预设用户的预设静脉信息和对应的预设纹理信息的纹理类型,预设特征库中还可以是预存了多个预设用户的预设静脉信息、对应的预设纹理信息及其纹理类型。
获取的待识别静脉信息和对应的待识别纹理信息是待识别用户的,如果待识别用户是属于预设用户,则获取的待识别静脉信息可以和预设特征库中的一个预设静脉信息相匹配,该待识别用户可以通过识别认证。
人的表面皮肤纹理虽然也有着各自的纹理类型,但是存在部分用户的表皮纹理特征比较接近,这部分用户的待识别纹理信息会属于同一个纹理类型,即纹理信息无法实现唯一性。而人的静脉特征有着唯一性,可以作为验证用户身份信息的特征信息。
而预设特征库中存在较多的预设静脉信息,如果要将所有的预设静脉信息来和待识别静脉信息进行一一比对,会导致识别过程很慢。因此可以根据每个待识别用户的待识别纹理信息来进行分类,进而可以在预设特征库中缩小需要比对的预设静脉信息的范围。
在确定待识别纹理信息的纹理类型后,可以根据纹理类型在预设特征库中找到和待识别纹理信息的纹理类型相匹配的预设纹理信息的纹理类型,进而可以确定目标特征信息。目标特征信息中的预设纹理信息的纹理类型和待识别纹理信息的纹理类型相匹配,则表示至少一个目标特征信息中有一个目标特征信息的预设静脉信息也是和待识别静脉信息相匹配,即至少一个目标特征信息中存在和待识别用户相对应的预设用户。
预设纹理信息的纹理类型和待识别纹理信息的纹理类型相匹配可以是:预设纹理信息和待识别纹理信息属于同一个纹理类型。
S104、根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。
其中,在从预设特征库中确定了至少一个目标特征信息后,可以将至少一个目标特征信息中的预设静脉信息来对待识别静脉信息进行识别,以确定待识别静脉信息的识别信息。
示例性地,可以是将至少一个目标特征信息中的预设静脉信息来一一比对待识别静脉信息,以确定和待识别静脉信息相匹配的预设静脉信息,进而将相匹配的预设静脉信息对应的识别信息确定为待识别静脉信息的识别信息;识别信息可以是预设用户的身份信息。
本申请实施例通过在先确定待识别纹理信息的纹理类型,纹理类型可以作为确定预设静脉信息需要比对的预设静脉信息所在范围的依据,根据纹理类型来缩小预设特征库中的预设静脉信息的范围,进而可以加快对待识别静脉信息的识别速度。
在一个实施例中,所述待识别纹理信息包括待识别掌纹图像,所述预设纹理信息包括预设掌纹图像。如图2所示,所述确定所述待识别纹理信息的纹理类型的操作可以通过如下方式实施:
S111、确定所述待识别掌纹图像中符合预设掌纹条件的目标掌纹路。
其中,待识别掌纹图像可以是用户的掌心一侧的图像。用户的手掌上分布了较多的纹路,包括比较多但是细微的纹路以及比较明显的几条主要纹路,待识别掌纹图像是用于缩小预设静脉信息的范围以加快识别速度,可以不考虑细微的纹路而将明显的主要纹路来作为待识别掌纹图像的主要特征,以确定预设特征信息的范围。
预设掌纹条件可以是用来筛选出待识别掌纹图像中的主要纹路的条件,符合预设掌纹条件的纹路可以是待识别掌纹图像中比较明显的主要纹路,可以作为目标掌纹路。其中,可以根据预设图像算法来对待识别掌纹图像进行处理,以确定目标掌纹路。预设图像算法可以是包括图像滤波、平滑和锐化等处理,可以将细微的纹路去除,而保留主要纹路作为目标掌纹路。
S112、确定所述待识别掌纹图像中的目标掌纹路的第一交叉点,其中,每个第一交叉点对应至少两个目标掌纹路。
其中,手掌上一般包括若干条掌纹,例如包括三条或四条。而若干个目标掌纹路在手掌中的分布可能存在交叉,也可能存在完全不交叉。因此可以根据目标掌纹路的分布情况来对待识别掌纹图像进行分类。第一交叉点为至少两个目标掌纹路相交的位置,即每个第一交叉点对应至少两个目标掌纹路。
如图3(a)、图3(b)和图3(c)所示,分别为三个待识别掌纹图像,均包括三条目标掌纹路。待识别掌纹图像11中的三条目标掌纹路均存在交叉,包括两个第一交叉点10;待识别掌纹图像12中的三条目标掌纹路中,两条目标掌纹路存在交叉,包括一个第一交叉点10,而有一条目标掌纹路没有交叉;待识别掌纹图像13中的三条目标掌纹路,均没有交叉。
S113、根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型。
在确定所述待识别掌纹图像中的目标掌纹路的第一交叉点后,即可以根据第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路来确定待识别掌纹图像的纹理类型。
可选地,可以是根据第一交叉点对应的目标掌纹路的数量,以及没有第一交叉点的目标掌纹路的数量来确定待识别图像的纹理类型。例如,没有第一交叉点的目标掌纹路的数量为零,确定为一种纹理类型;没有第一交叉点的目标掌纹路的数量为一,确定为另一种纹理类型;没有第一交叉点的目标掌纹路的数量为二,确定为另一种纹理类型,……,以此类推。具体可以根据实际的待识别掌纹图像中的目标掌纹路的数量来确定。
在一个实施例中,所述根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型的操作可以通过如下方式实施:
若所述第一交叉点对应的目标掌纹路的数量为第一数量,以及没有第一交叉点的目标掌纹路的数量为零,则确定所述待识别掌纹图像的纹理类型为第一掌纹类型;
若所述第一交叉点对应的目标掌纹路的数量为第二数量,以及没有第一交叉点的目标掌纹路的数量为第三数量,则确定所述待识别掌纹图像的纹理类型为第二掌纹类型,其中,所述第二数量与所述第三数量之和等于第一数量;
若所述第一交叉点对应的目标掌纹路的数量为零,以及没有第一交叉点的目标掌纹路的数量为第一数量,则确定所述待识别掌纹图像的纹理类型为第三掌纹类型。
其中,第一数量可以是待识别掌纹图像中的目标掌纹路的总数量。若所述第一交叉点对应的目标掌纹路的数量为第一数量,以及没有第一交叉点的目标掌纹路的数量为零,则表示待识别掌纹图像中所有的目标掌纹路均存在交叉,可以确定为一种纹理类型,即第一掌纹类型。
若所述第一交叉点对应的目标掌纹路的数量为第二数量,以及没有第一交叉点的目标掌纹路的数量为第三数量,则表示待识别掌纹图像中的部分目标掌纹路存在交叉,而部分目标掌纹路没有交叉,可以确定为一种纹理类型,即第二掌纹类型。
若所述第一交叉点对应的目标掌纹路的数量为零,以及没有第一交叉点的目标掌纹路的数量为第一数量,则表示待识别掌纹图像中所有的目标掌纹路均没有交叉,可以确定为一种纹理类型,即第三掌纹类型。
在一个实施例中,所述待识别纹理信息包括待识别指关节图像,所述预设纹理信息包括预设指关节图像,所述确定所述待识别纹理信息的纹理类型的操作可以通过如下方式实施:
确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路,根据所述目标指纹路的数量确定所述待识别指关节图像的纹理类型。
其中,待识别指关节图像可以是用户的掌心一侧的手指区域的图像,大拇指一般包括2节指骨,食指、中指和小拇指是包括3节指骨,指关节可以包括每个手指上相邻的指骨之间的位置。
待识别指关节图像中的指关节的位置会包括多条指纹路,有的指纹路比较细微,有的指纹路比较明显。有的用户的指关节位置会包括较少的明显的指纹路,有的用户的指关节位置会包括较多的明显的指纹路,因此可以根据明显的指纹路的数量来对待识别指关节图像进行分类。
预设指纹路条件可以是用来筛选出待识别指关节图像中的明显的指纹路的条件,符合预设指纹路条件的指纹路可以是待识别指关节图像中比较明显的主要纹路,可以作为目标指纹路。其中,可以根据预设图像算法来对待识别指关节图像进行处理,以确定目标指纹路。预设图像算法可以是包括图像滤波、平滑和锐化等处理,可以将细微的指纹路去除,而保留明显的指纹路作为目标指纹路。
在确定目标指纹路后可以根据所述目标指纹路的数量确定所述待识别指关节图像的纹理类型。示例性地,如果一个指关节处包括一条目标指纹路,则确定为一种纹理类型,如果一个指关节包括两条目标指纹路则确定为另一种纹理类型,等等。
在一个实施例中,如图4所示,所述确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路的操作可以通过如下方式实施:
S121、确定所述待识别指关节图像中的指纹路的第二交叉点,其中,每个第二交叉点对应至少两个指纹路。
其中,所述待识别指关节图像中的指纹路可以是待识别指关节图像中的明显的指纹路,每个指关节处都会包括若干条指纹路,若干个指纹路的分布可能存在交叉,也可能存在完全不交叉。因此可以根据指纹路的分布情况来对待识别指关节图像进行分类。第二交叉点为至少两条指纹路相交的位置,即每个第二交叉点对应至少两个指纹路。
如图5(a)和图5(b)所示,分别为不同的待识别指关节图像,图5(a)中包括两个指关节处的待识别指关节图像,图5(b)中包括三个指关节处的待识别指关节图像。图5(a)中左侧的指关节处的两条指纹路存在交叉,包括第二交叉点20;图5(a)中右侧的指关节处包括一条指纹路,不存在交叉。图5(b)中左侧的指关节处的三条指纹路存在两处交叉,包括两个第二交叉点20;图5(b)中间的指关节处的两条指纹路不存在交叉;图5(b)中右侧的指关节处的两条指纹路存在一处交叉,包括一个第二交叉点20。
S122、确定每个第二交叉点对应的指纹路的长度信息,所述长度信息包括从所述第二交叉点到所述第二交叉点对应的指纹路的端点的长度。
S123、将所述长度信息符合预设长度条件的第二交叉点对应的指纹路确定为一条目标指纹路,以及将没有第二交叉点的指纹路确定为一条目标指纹路。
其中,可以将每一条没有第二交叉点的指纹路确定为一条目标指纹路。
同时每个交叉点对应至少两条指纹路,而如果至少两条指纹路交叉分布情况比较接近一条指纹路,可以视为是一个目标指纹路,可以根据第二交叉点到所述第二交叉点对应的指纹路的端点的长度来确定两条相交的指纹路的分布是否接近一条指纹路,例如,两条指纹路的交叉的位置非常接近其中一条指纹路的端点,则可以将这两条指纹路视为一条指纹路,可以确定为一条目标指纹路。
预设长度条件可以是用于判断相交的指纹路的分布比较接近一条指纹路的条件,可选地,预设长度条件可以是长度信息中最短的长度小于预设长度,即如果一个第二交叉点到该第二交叉点对应的指纹路的几个端点的长度中,最短的长度小于预设长度,则可以确定该第二交叉点对应的指纹路确定为目标指纹路。预设长度可以根据实际情况进行确定,示例性地,预设长度可以是指关节处的手指宽度的五分之一。
如图5(a)中左侧的指关节处所示,第二交叉点20对应的长度信息中,最短的长度小于预设长度,可以确定为一条目标指纹路。又如图5(b)中右侧的指关节处所示,第二交叉点20对应的长度信息中,最短的长度大于预设长度,则可以确定为两条目标指纹路。
在确定目标指纹路后,根据所述目标指纹路的数量确定所述待识别指关节图像的纹理类型。示例性地,如图5(a)中两个指关节处的纹理类型均为第一指关节类型,图5(b)中三个指关节处的纹理类型均为第二指关节类型。
其中,待识别指关节图像中还可以包括多个手指的指关节,可以根据每个指关节处的目标指纹路的数量确定待识别指关节图像的纹理类型,示例性地,如图6(a)和图6(b)所示,图6(a)中的四个指关节处的目标指纹路的数量分别为两条、一条、两条和一条,因此确定图6(a)中的待识别指关节图像23的纹理类型为“2121类型”;图6(b)中的四个指关节处的目标指纹路的数量分别为两条、两条、两条和一条,因此确定图6(b)中的待识别指关节图像24的纹理类型为“2221类型”。
需要说明的是,在待识别纹理信息包括待识别掌纹图像和待识别指关节图像时,可以同时确定待识别掌纹图像的纹理类型以及待识别指关节图像的纹理类型,根据两种类型从预设特征库中确定目标特征信息。目标特征信息中包括预设指关节图像的纹理类型和预设掌纹图像的纹理类型,且预设掌纹图像的纹理类型和预设指关节图像的纹理类型,均与待识别掌纹图像的纹理类型以及待识别指关节图像的纹理类型相匹配。
在一个实施例中,如图7所示,所述获取待识别静脉信息和对应的待识别纹理信息之前,还包括如下操作:
S201、获取预设用户的预设静脉信息和对应的预设纹理信息;
S202、确定所述预设纹理信息的纹理类型;
S203、将所述预设静脉信息以及所述预设纹理信息的纹理类型存储至预设特征库。
其中,预设用户为已经确定了身份信息的用户,将预设用户的预设静脉信息和对应的预设纹理信息进行存储,以便该用户此后作为待识别用户时,可以采集该用户的待识别静脉信息和待识别纹理信息,并与该用户的预设静脉信息和预设纹理信息进行比对,以此可以识别到该用户的身份信息。
预设纹理信息可以包括预设掌纹图像和/或预设指关节图像。示例性地,表1为预设特征库的部分预设特征信息,如表1所示,由于用户的掌纹的目标掌纹路数量相对较少,而用户的目标指纹路相对较多,即掌纹的类型更少,而指纹路的类型更多。因此可以将预设掌纹图像的纹理类型确定主类,将预设指关节图像的纹理类型确定一个次类。一个主类对应一个或多个次类,一个次类对应一个或多个预设静脉信息。每个预设静脉信息对应一个预设用户,即每个次类对应多个预设用户,每个主类亦对应多个预设用户。
表1
在获取待识别静脉信息和对应的待识别纹理信息,以及确定所述待识别纹理信息的纹理类型之后,可以在预设特征库中找到纹理类型对应的主类和/或次类,进而将该主类和/或次类对应的预设静脉信息来对所述待识别静脉信息进行识别。
需要说明的是,若根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别,并未确定待识别静脉信息的识别结果,可能会因为待识别纹理信息的纹理类型判断出错而选择了错误的主类和/或次类,此时可以将预设特征库中所有的预设静脉信息来对待识别静脉信息进行识别,以确定待识别静脉信息的识别结果。
在一个实施例中,如图8所示,所述根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别的操作可以通过如下方式实施:
S131、将所述待识别纹理信息和所述目标特征信息中的预设纹理信息进行比对,得到第一比对结果;
S132、将所述待识别静脉信息和所述目标特征信息中的预设静脉信息进行比对,得到第二比对结果;
S133、确定所述第一比对结果和所述第二比对结果符合预设匹配条件的目标特征信息,将所述目标特征信息对应的预设用户确定为识别结果。
其中,根据待识别纹理信息在预设特征库中确定目标特征信息时,即待识别纹理信息用于缩小需要比对的预设静脉信息的范围时,是确定待识别纹理信息的一个类别,即滤除了待识别纹理信息中的很多细节特征。
通过待识别纹理信息的纹理类型缩小了预设静脉信息的范围后,还可以同时将目标特征信息中的预设纹理信息与待识别纹理信息进行比对,以作为对待识别用户进行识别验证时的辅助信息。即待识别纹理信息除了作为缩小需要比对的预设静脉信息的范围之外,同时还可以作为用于验证待识别用户的身份信息的验证信息。
若第一比对结果和第二比对结果符合预设匹配条件,则可以将相应的目标特征信息对应的预设用户确定为识别结果。同时将预设静脉信息和预设纹理信息,来比对待识别用户的待识别静脉信息和待识别纹理信息,可以实现对待识别用户的双重验证,以提高验证级别。
可选地,第一比对结果可以包括待识别纹理信息和预设纹理信息的比对结果,第二比对结果可以包括待识别静脉信息和预设静脉信息的比对结果,可以对第一比对结果中的比对结果,以及第二比对结果中的比对结果分别设置权重;进而根据第一比对结果及其权重,以及第二比对结果及其权重判断是否符合预设匹配条件。
第一比对结果可以包括一种或多种纹理信息的比对结果,在包括多种纹理信息的比对结果的情况下,示例性地,还可以根据多目标决策优化方法来确定识别结果,可以根据如下目标决策模型(1)来确定识别结果。
其中,{fi(x),={1,2,…,m}}是目标函数,X是决策空间超矩形域,Rn是每个目标函数最优解的集合,x={x1,x2,…,xn}T是决策变量。
对于每个目标函数在得到最优解时,会对应一个最优变量。为了使所有目标函数达到最优解,可以确定出决策变量x={x1,x2,…,xn}T,即决策变量可以使所有目标函数得到最优解。
在包括多种纹理信息的比对结果和静脉信息的比对结果的情况下,要确定最终的识别结果,可以通过上述目标决策模型来确定最优解。
在一个实施例中,如图9所示,所述获取待识别静脉信息和对应的待识别纹理信息的操作可以通过如下方式实施:
S301、获取初始图像,确定所述初始图像的图像特征;
S302、获取待识别图像,确定所述待识别图像的图像特征;
S303、将所述待识别图像的图像特征和所述初始图像的图像特征进行比对,以确定差异度;
S304、若所述待识别图像的图像特征和所述初始图像的图像特征的差异度符合差异阈值,则将所述待识别图像的图像特征和预设图像特征进行比对,以确定匹配度;
S305、若所述待识别图像的图像特征和预设图像特征的匹配度符合匹配阈值,则从所述待识别图像中确定待识别静脉信息和对应的待识别纹理信息。
其中,初始图像可以是包括背景而不包括用户的待识别部位的图像;在需要识别用户的待识别部位时,用户会将待识别部位放入采集装置中,获取的待识别图像可以是包括待识别部位以及背景部分的图像。
图像特征可以是图像指纹,每个图像都有其对应的图像指纹,可以体现每个图像的特征。示例性地,可以通过图像感知哈希算法,通过离散余弦变换(DTC)得到哈希(Hash)值,作为图像特征。
在得到待识别图像的图像特征和所述初始图像的图像特征后,可以将所述待识别图像的图像特征和所述初始图像的图像特征进行比对,以确定差异度;若两者的差异度符合差异阈值,则表示初始图像和待识别图像中存在较大差别,很可能是用户的待识别部位进入采集装置中,采集装置采集到了包括待识别部位和背景部分的图像。
可以进一步将所述待识别图像的图像特征和预设图像特征进行比对,预设图像特征可以是待识别部位位于采集装置进行采集时的标准图像的图像特征,若所述待识别图像的图像特征和预设图像特征的匹配度符合匹配阈值,则表示待识别图像中的待识别部位所处的位置符合采集要求,可以采集到比较标准的静脉信息和纹理信息,进而从所述待识别图像中确定待识别静脉信息和对应的待识别纹理信息。
若所述待识别图像的图像特征和所述初始图像的图像特征的差异度不符合差异阈值或若所述待识别图像的图像特征和预设图像特征的匹配度不符合匹配阈值,可以持续采集待识别图像直到采集到差异度符合差异阈值以及匹配度符合匹配阈值的待识别图像。
请参阅图10,图10是本申请的实施例提供的一种识别设备的结构示意性框图。该识别设备可以是静脉识别设备。
参阅图10,该识别设备100包括通过系统总线连接的处理器110和存储器120,其中,存储器120可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于纹理和静脉的识别方法。
处理器用于提供计算和控制能力,支撑整个识别设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于纹理和静脉的识别方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的识别设备的限定,具体的识别设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取待识别静脉信息和对应的待识别纹理信息;
确定所述待识别纹理信息的纹理类型;
根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设纹理信息的纹理类型,所述目标特征信息中的预设纹理信息的纹理类型和所述待识别纹理信息的纹理类型相匹配;
根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。
在一个实施例中,所述待识别纹理信息包括待识别掌纹图像和/或待识别指关节图像,所述预设纹理信息包括预设掌纹图像和/或预设指关节图像。
在一个实施例中,所述处理器在实现所述确定所述待识别纹理信息的纹理类型时,用于实现:
确定所述待识别掌纹图像中符合预设掌纹条件的目标掌纹路;
确定所述待识别掌纹图像中的目标掌纹路的第一交叉点,其中,每个第一交叉点对应至少两个目标掌纹路;
根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型;和/或
所述处理器在实现所述确定所述待识别纹理信息的纹理类型时,用于实现:
确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路;
根据所述目标指纹路的数量确定所述待识别指关节图像的纹理类型。
在一个实施例中,所述处理器在实现所述根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型时,用于实现:
若所述第一交叉点对应的目标掌纹路的数量为第一数量,以及没有第一交叉点的目标掌纹路的数量为零,则确定所述待识别掌纹图像的纹理类型为第一掌纹类型;
若所述第一交叉点对应的目标掌纹路的数量为第二数量,以及没有第一交叉点的目标掌纹路的数量为第三数量,则确定所述待识别掌纹图像的纹理类型为第二掌纹类型,其中,所述第二数量与所述第三数量之和等于第一数量;
若所述第一交叉点对应的目标掌纹路的数量为零,以及没有第一交叉点的目标掌纹路的数量为第一数量,则确定所述待识别掌纹图像的纹理类型为第三掌纹类型。
在一个实施例中,所述处理器在实现所述确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路时,用于实现:
确定所述待识别指关节图像中的指纹路的第二交叉点,其中,每个第二交叉点对应至少两个指纹路;
确定每个第二交叉点对应的指纹路的长度信息,所述长度信息包括从所述第二交叉点到所述第二交叉点对应的指纹路的端点的长度;
将所述长度信息符合预设长度条件的第二交叉点对应的指纹路确定为一条目标指纹路,以及将没有第二交叉点的指纹路确定为一条目标指纹路。
在一个实施例中,所述处理器在实现所述根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别时,用于实现:
将所述待识别纹理信息和所述目标特征信息中的预设纹理信息进行比对,得到第一比对结果;
将所述待识别静脉信息和所述目标特征信息中的预设静脉信息进行比对,得到第二比对结果;
确定所述第一比对结果和所述第二比对结果符合预设匹配条件的目标特征信息,将所述目标特征信息对应的预设用户确定为识别结果。
在一个实施例中,所述处理器在实现所述获取待识别静脉信息和对应的待识别纹理信息时,用于实现:
获取初始图像,确定所述初始图像的图像特征;
获取待识别图像,确定所述待识别图像的图像特征;
将所述待识别图像的图像特征和所述初始图像的图像特征进行比对,以确定差异度;
若所述待识别图像的图像特征和所述初始图像的图像特征的差异度符合差异阈值,则将所述待识别图像的图像特征和预设图像特征进行比对,以确定匹配度;
若所述待识别图像的图像特征和预设图像特征的匹配度符合匹配阈值,则从所述待识别图像中确定待识别静脉信息和对应的待识别纹理信息。
在一个实施例中,所述处理器在实现所述获取待识别静脉信息和对应的待识别纹理信息之前,还用于实现:
获取预设用户的预设静脉信息和对应的预设纹理信息;
确定所述预设纹理信息的纹理类型;
将所述预设静脉信息以及所述预设纹理信息的纹理类型存储至预设特征库。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项基于纹理和静脉的识别方法。
其中,所述计算机可读存储介质可以是前述实施例所述的识别设备的内部存储单元,例如所述识别设备的硬盘或内存。所述计算机可读存储介质也可以是所述识别设备的外部存储设备,例如所述识别设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于纹理和静脉的识别方法,其特征在于,包括:
获取待识别静脉信息和对应的待识别掌纹图像;
确定所述待识别掌纹图像中符合预设掌纹条件的目标掌纹路;
确定所述待识别掌纹图像中的目标掌纹路的第一交叉点,其中,每个第一交叉点对应至少两个目标掌纹路;根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型;
根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设别掌纹图像的纹理类型,所述目标特征信息中的预设别掌纹图像的纹理类型和所述待识别别掌纹图像的纹理类型相匹配;
根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别;和/或
所述基于纹理和静脉的识别方法,包括:
获取待识别静脉信息和对应的待识别指关节图像;
确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路;
根据所述目标指纹路的数量确定所述待识别指关节图像的纹理类型。
根据所述纹理类型从预设特征库中确定至少一个目标特征信息,其中,所述目标特征信息包括预设静脉信息和对应的预设指关节图像的纹理类型,所述目标特征信息中的预设指关节图像的纹理类型和所述待识别指关节图像的纹理类型相匹配;
根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别。
2.根据权利要求1所述的基于纹理和静脉的识别方法,其特征在于,所述根据所述第一交叉点对应的目标掌纹路,以及没有第一交叉点的目标掌纹路确定所述待识别掌纹图像的纹理类型,包括:
若所述第一交叉点对应的目标掌纹路的数量为第一数量,以及没有第一交叉点的目标掌纹路的数量为零,则确定所述待识别掌纹图像的纹理类型为第一掌纹类型;
若所述第一交叉点对应的目标掌纹路的数量为第二数量,以及没有第一交叉点的目标掌纹路的数量为第三数量,则确定所述待识别掌纹图像的纹理类型为第二掌纹类型,其中,所述第二数量与所述第三数量之和等于第一数量;
若所述第一交叉点对应的目标掌纹路的数量为零,以及没有第一交叉点的目标掌纹路的数量为第一数量,则确定所述待识别掌纹图像的纹理类型为第三掌纹类型。
3.根据权利要求1所述的基于纹理和静脉的识别方法,其特征在于,所述确定所述待识别指关节图像中符合预设指纹路条件的目标指纹路,包括:
确定所述待识别指关节图像中的指纹路的第二交叉点,其中,每个第二交叉点对应至少两个指纹路;
确定每个第二交叉点对应的指纹路的长度信息,所述长度信息包括从所述第二交叉点到所述第二交叉点对应的指纹路的端点的长度;
将所述长度信息符合预设长度条件的第二交叉点对应的指纹路确定为一条目标指纹路,以及将没有第二交叉点的指纹路确定为一条目标指纹路。
4.根据权利要求1至3任一项所述的基于纹理和静脉的识别方法,其特征在于,所述根据所述目标特征信息中的预设静脉信息对所述待识别静脉信息进行识别,包括:
将所述待识别纹理信息和所述目标特征信息中的预设纹理信息进行比对,得到第一比对结果;
将所述待识别静脉信息和所述目标特征信息中的预设静脉信息进行比对,得到第二比对结果;
确定所述第一比对结果和所述第二比对结果符合预设匹配条件的目标特征信息,将所述目标特征信息对应的预设用户确定为识别结果。
5.根据权利要求1至3任一项所述的基于纹理和静脉的识别方法,其特征在于,所述获取待识别静脉信息和对应的待识别纹理信息,包括:
获取初始图像,确定所述初始图像的图像特征;
获取待识别图像,确定所述待识别图像的图像特征;
将所述待识别图像的图像特征和所述初始图像的图像特征进行比对,以确定差异度;
若所述待识别图像的图像特征和所述初始图像的图像特征的差异度符合差异阈值,则将所述待识别图像的图像特征和预设图像特征进行比对,以确定匹配度;
若所述待识别图像的图像特征和预设图像特征的匹配度符合匹配阈值,则从所述待识别图像中确定待识别静脉信息和对应的待识别纹理信息。
6.根据权利要求1至3任一项所述的基于纹理和静脉的识别方法,其特征在于,所述获取待识别静脉信息和对应的待识别纹理信息之前,还包括:
获取预设用户的预设静脉信息和对应的预设纹理信息;
确定所述预设纹理信息的纹理类型;
将所述预设静脉信息以及所述预设纹理信息的纹理类型存储至预设特征库。
7.一种识别设备,其特征在于,所述识别设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任一项所述的基于纹理和静脉的识别方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至6中任一项所述的基于纹理和静脉的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393733.1A CN111582190B (zh) | 2020-05-11 | 2020-05-11 | 基于纹理和静脉的识别方法、识别设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010393733.1A CN111582190B (zh) | 2020-05-11 | 2020-05-11 | 基于纹理和静脉的识别方法、识别设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582190A CN111582190A (zh) | 2020-08-25 |
CN111582190B true CN111582190B (zh) | 2024-03-01 |
Family
ID=72113356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010393733.1A Active CN111582190B (zh) | 2020-05-11 | 2020-05-11 | 基于纹理和静脉的识别方法、识别设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582190B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0930580A2 (en) * | 1998-01-14 | 1999-07-21 | Nec Corporation | Method and device for registering and collating palm imprints |
WO2017173640A1 (zh) * | 2016-04-08 | 2017-10-12 | 厦门中控智慧信息技术有限公司 | 一种基于多模式生物识别信息的个人识别方法和装置 |
CN110472498A (zh) * | 2019-07-09 | 2019-11-19 | 一脉通(深圳)智能科技有限公司 | 基于手部特征的身份认证方法、系统、存储介质及设备 |
-
2020
- 2020-05-11 CN CN202010393733.1A patent/CN111582190B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0930580A2 (en) * | 1998-01-14 | 1999-07-21 | Nec Corporation | Method and device for registering and collating palm imprints |
WO2017173640A1 (zh) * | 2016-04-08 | 2017-10-12 | 厦门中控智慧信息技术有限公司 | 一种基于多模式生物识别信息的个人识别方法和装置 |
CN110472498A (zh) * | 2019-07-09 | 2019-11-19 | 一脉通(深圳)智能科技有限公司 | 基于手部特征的身份认证方法、系统、存储介质及设备 |
Non-Patent Citations (1)
Title |
---|
汤永华 ; 苑玮琦 ; .多光谱掌脉和掌纹离焦图像融合方法.数据采集与处理.2015,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111582190A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0848346B1 (en) | Method and apparatus for fingerprint matching using transformation parameter clustering based on local feature correspondence | |
US7151846B1 (en) | Apparatus and method for matching fingerprint | |
Cheng et al. | Fingerprint enhancement with dyadic scale-space | |
Hemalatha | A systematic review on Fingerprint based Biometric Authentication System | |
JP2009523265A (ja) | 画像中の虹彩の特徴を抽出する方法 | |
CN110738222B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
Sthapak et al. | Artificial neural network based signature recognition & verification | |
JP3709803B2 (ja) | パターン照合装置とそのパターン照合方法、及びパターン照合プログラム | |
George et al. | An efficient system for palm print recognition using ridges | |
Labati et al. | Measurement of the principal singular point in contact and contactless fingerprint images by using computational intelligence techniques | |
Farooq et al. | Performance analysis of biometric recognition system based on palmprint | |
Deshpande et al. | End-to-end automated latent fingerprint identification with improved DCNN-FFT enhancement | |
Bistarelli et al. | An asymmetric fingerprint matching algorithm for Java Card TM | |
CN111582190B (zh) | 基于纹理和静脉的识别方法、识别设备及存储介质 | |
Benhammadi et al. | Embedded fingerprint matching on smart card | |
Nachar et al. | Hybrid minutiae and edge corners feature points for increased fingerprint recognition performance | |
Schuiki et al. | Extensive threat analysis of vein attack databases and attack detection by fusion of comparison scores | |
Bhowmick et al. | Determination of minutiae scores for fingerprint image applications | |
Mittal et al. | A finger-knuckle-print authentication system based on DAISY descriptor | |
Saliha et al. | Extraction method of Region of Interest from hand palm: Application with contactless and touchable devices | |
de Macedo Rodrigues et al. | Fingerprint verification using characteristic vectors based on planar graphics | |
Kumar | A novel fingerprint minutiae matching using LBP | |
Nigam et al. | Finger knuckle-based multi-biometric authentication systems | |
Hsu et al. | Fast fingerprint feature extraction based on modified haar-like patterns using support vector machine | |
CN107545215A (zh) | 一种指纹识别方法及装置 |
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 |