CN111753788A - 用于指静脉识别的自学习式控制系统及方法 - Google Patents
用于指静脉识别的自学习式控制系统及方法 Download PDFInfo
- Publication number
- CN111753788A CN111753788A CN202010620231.8A CN202010620231A CN111753788A CN 111753788 A CN111753788 A CN 111753788A CN 202010620231 A CN202010620231 A CN 202010620231A CN 111753788 A CN111753788 A CN 111753788A
- Authority
- CN
- China
- Prior art keywords
- learning
- finger vein
- verification
- features
- feature
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于指静脉识别技术领域,尤其涉及用于指静脉识别的自学习式控制系统及方法,该系统包括:采集单元,用于采集用户的指静脉特征图像并生成原始特征;验证单元,用于对用户进行指静脉特征验证;自学习单元,用于当验证单元当天首次验证通过时,生成自由学习特征,还用于当已存在自由学习特征时,对自由学习特征进行更新;存储单元,用于存储用户指静脉的原始特征及自由学习特征;其中,验证单元进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。本系统能够让未成年人在成长的过程中使用指静脉识别时,持续保持高成功率。
Description
技术领域
本发明属于指静脉识别技术领域,尤其涉及用于指静脉识别的自学习式控制系统及方法。
背景技术
指静脉识别技术是利用近红外线穿透手指后所得的静脉纹路影像来进行个人识别,是具有高精度、高速度的尖端生物识别技术。在各种生物识别技术中,因其是利用外部看不到的生物内部特征进行识别的技术而备受瞩目。
与其他生物识别技术相比,指静脉识别技术利用的是人体内部信息,不受表皮粗糙、空气湿度的影响,与指纹识别之类的技术相比又跨进了一大步。目前被广泛应用到公共领域认证设备比如,会员识别一体机,银行ATM机,门禁管理系统,PC登录,代替汽车锁,保险箱管理,复印机管理,电子支付等需要进行个人身份认证的领域。
而且,一个健康成年人的指静脉形状具有较强的稳定性,随着年龄的变化,其指静脉变化很小,指静脉识别的稳定性较强。但是,未成年的孩子,其指静脉的变化速度相对于成年人要快得多,也明显得多。当他们指静脉随着年龄的增长变化后,要继续顺畅的使用指静脉识别,就需要重新进行注册登记;并且,在进行重新注册登记前,随着他们的成长,其使用指静脉验证时的失败率也会逐渐升高。要保持指静脉识别的成功率,就需要较为频繁的将指静脉进行重新注册登记。除此,在天气由冬天到夏天后,冬天与夏天由于气温、日照(光线)的不同,指静脉识别时的清晰度会存在差异,现有技术可能会出现难以识别的情况。
因此,需要一种用于指静脉识别的自学习式控制系统,能够更加稳定的保持高识别率。
发明内容
本发明的目的,在于提供了一种用于指静脉识别的自学习式控制系统及方法,能够更加稳定的保持高识别率。
本发明提供的基础方案为:
用于指静脉识别的自学习式控制系统,包括:
采集单元,用于采集用户的指静脉特征图像并生成原始特征;
验证单元,用于对用户进行指静脉特征验证;
自学习单元,用于当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,还用于当已存在自由学习特征时,对自由学习特征进行更新;
存储单元,用于存储用户指静脉的原始特征及自由学习特征;
其中,验证单元进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
基础方案工作原理及有益效果:
采集单元在采集用户的指静脉特征图像后,生成原始特征。当用户验证通过且为当天首次验证通过时,自学习单元会采集验证时的指静脉特征图,并提取生成自由学习特征,并在已经存在自由学习特征时,用新生成的自由学习特征进行自由学习特征的更新。存储单元对指静脉的原始特征及自由学习特征进行存储。
当用户进行指静脉验证时,验证单元将用户的指静脉特征图与用户的原始特征进行验证,若验证失败,则将用户的指静脉特征图与自由学习特征进行验证,若再次验证失败则判定为验证失败。
这样,系统会记录并更新用户每天的指静脉特征图,在未成年人的成长过程中,只要保持对本系统的使用,其在系统中的自由学习特征会随着其指静脉的变化而同步更新。进而避免出现成长过程中指静脉验证成功率逐渐降低的情况,也不用频繁的重新注册指静脉。同样的,在天气由冬天到夏天的过程中,系统也会同步记录并更新用户的自由学习特征,以保证稳定的高识别率。
与现有技术相比,本系统能够更加的稳定保持高识别率。
进一步,自学习单元还用于当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%;
存储单元还用于存储定向学习特征;若存储单元内已存在定向学习特征,则自学习单元不再生成定向学习特征;
验证单元进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与定向学习特征验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
这样的设置,在用户通过验证时,若扫描到的指静脉的特征与原始特征的匹配度高于了X,且存储单元内还未存在定向学习特征时,自学习单元会生成定向学习特征。之后,验证单元进行指静脉特征验证时,会依次进行原始特征、定向学习特征及自由学习特征验证,任意一次验证成功,便判定为认证通过,若所有验证均失败,则判定为验证失败。
由于定向学习特征除了与原始特征相似的部分外,仍有与原始特征不同的部分。通过这样的设置,增加了用户的指静脉特征发生细微变化时验证通过的可能性。
进一步,定向学习特征包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1;
验证单元进行定向学习特征验证时,先与第一学习特征验证,若验证失败则与第二学习特征验证,若再次验证失败,则与自由学习特征验证。
这样的设置,与单个定向学习特征相比,扩大了指静脉特征的特征范围,当用户的指静脉特征发生细微变化时,可以进一步增加验证通过的可能性。
进一步,采集单元包括图像采集子单元、筛选子单元、计数子单元及原始特征生成子单元;
图像采集子单元用于采集指静脉图像M张;
筛选子单元用于根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张;
计数子单元用于计算筛选子单元已使用的图像总张数,当图像总张数小于N时,给图像采集子单元发送采集信号,其中,N的数值为M的整数倍;
原始特征生成子单元,用于当计数子单元的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。
这样的方式获得的原始特征,能够清晰的体现用户当前状态下的指静脉特征。
进一步,M的数值大于10。
这样,能够保证筛子单元筛选出的图像有较好的质量,进而保证原始特征的有效性。
基于上述系统,本申请还提供一种用于指静脉识别的自学习式控制方法,包括:
采集步骤,采集用户的指静脉特征图像并生成原始特征;
验证步骤,对用户进行指静脉特征验证;
自学习步骤,当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,当已存在自由学习特征时,用新生成的自由学习特征进行自由学习特征的更新;
存储步骤,存储用户指静脉的原始特征及自由学习特征;
其中,验证步骤进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
使用这样的方式,除了采集步骤生成的原始特征外,还会在每天第一次验证通过时,生成自由学习特征。
这样,在天气由冬天到夏天(或者夏天到冬天)的过程中,由于系统会记录并更新用户每天的指静脉特征图,并作为自由学习特征进行记录和更新。在采集的指静脉图片因外界环境的变化而变化时,用户的自由学习特征也会同步进行变化。可以防止出现因外界环境变化,而导致用户的指静脉难以识别的情况出现。如,冬天与夏天由于气温、日照的不同,指静脉识别时的清晰度会存在差异,现有技术可能会出现难以识别的情况。
同样的,在未成年人的成长过程中,只要保持对本系统的使用,其在系统中的自由学习特征会随着其指静脉的变化而同步更新。
与现有技术相比,本系统能够更加的稳定保持高识别率。
进一步,自学习步骤还包括,当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%;
存储步骤中,还存储定向学习特征;
其中,若已存在定向学习特征,则自学习步骤不再生成定向学习特征;
验证步骤中,先与原始特征进行验证,若验证失败则与定向学习特征验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
在对用户的指静脉特征进行验证时,会依次通过原始特征、定向学习特征及自由学习特征进行验证,当几个验证均失败时判定为失败。这样,能够增加验证通过的几率。
进一步,自学习步骤中,定向学习特征均包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1;
验证步骤进行定向学习特征验证时,先与第一学习特征验证,若验证失败则与第二学习特征验证,若再次验证失败,则与自由学习特征验证。
通过第一学习特征与第二学习特征的组合作用,与单个定向学习特征相比,包含了更多的指静脉的特征,可以增加识别的成功率。
进一步,采集步骤包括图像采集子步骤、筛选子步骤、计数子步骤及原始特征生成子步骤;
图像采集子步骤,采集指静脉图像M张;
筛选子步骤,根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张;
计数子步骤,计算筛选子步骤已使用的图像总张数,当图像总张数小于N时,返回图像采集子步骤,其中,N的数值为M的整数倍;
原始特征生成子步骤,当计数子步骤的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。
这样挑选出的N/M张图像,都具有较好的质量,将这些图像提取指静脉特征并进融合,得到的原始特征能够很好的表示当前用户的指静脉特征。
进一步,筛选子步骤中,M的数值大于10。
若M的数值较小,则筛选子步骤筛出的图片可能质量不太高。M的数值大于10,能够保证筛出的图片有较好的质量。
附图说明
图1为本发明用于指静脉识别的自学习式控制系统实施例一的逻辑框图;
图2为本发明用于指静脉识别的自学习式控制系统实施例一中采集单元的逻辑框图;
图3为本发明用于指静脉识别的自学习式控制方法实施例一的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,用于指静脉识别的自学习式控制系统,包括采集单元,验证单元,自学习单元和存储单元。
采集单元用于采集用户的指静脉特征图像并生成原始特征。
如图2所示,采集单元包括图像采集子单元、筛选子单元、计数子单元及原始特征生成子单元。
图像采集子单元用于采集指静脉图像M张。
筛选子单元用于根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张。
计数子单元用于计算筛选子单元已使用的图像总张数,当图像总张数小于N时,给图像采集子单元发送采集信号,其中,N的数值为M的整数倍。
原始特征生成子单元,用于当计数子单元的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。
M的数值大于10。本实施例中,M的数值为15,N的数值为45。
验证单元用于对用户进行指静脉特征验证。
自学习单元,用于当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,还用于当已存在自由学习特征时,对自由学习特征进行更新。
存储单元,用于存储用户指静脉的原始特征和自由学习特征。
其中,验证单元进行指静脉验证时,依次与原始特征与自由学习特征进行验证,其中任意一次验证成功,便判定为认证通过,若所有验证均失败,则判定为验证失败。
如图3所示,基于上述系统,本申请还提供一种用于指静脉识别的自学习式控制方法,包括:
采集步骤,采集用户的指静脉特征图像并生成原始特征;
验证步骤,对用户进行指静脉特征验证;
自学习步骤,当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,当已存在自由学习特征时,用新生成的自由学习特征进行自由学习特征的更新;
存储步骤,存储用户指静脉的原始特征和自由学习特征。
其中,采集步骤包括图像采集子步骤、筛选子步骤、计数子步骤及原始特征生成子步骤;
图像采集子步骤,采集指静脉图像M张;
筛选子步骤,根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张;
计数子步骤,计算筛选子步骤已使用的图像总张数,当图像总张数小于N时,返回图像采集子步骤,其中,N的数值为M的整数倍;
原始特征生成子步骤,当计数子步骤的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。本实施例中,M的数值为15,N的数值为45。
验证步骤中,对用户进行指静脉特征验证时,依次与原始特征和自由学习特征进行验证,其中任意一次验证成功,便判定为认证通过,若所有验证均失败,则判定为验证失败。
具体实施过程如下:
用户小明,今年13岁,在今年夏天使用本系统录入指静脉特征。首先,图像采集子单元采集15张小明的指静脉特征图。图像采集子单元用现有的指静脉采集器即可。
筛选子单元分选取其中的15张,筛选子单元根据预设的规则,从这15张图片里筛选出质量得分最高的一张。本实施例中,预设的规则为质量得分为清晰度得分与完整度得分相加,清晰度与完整度的总分值均为10分,且清晰度与完整度的权重值均为1。
计数子单元计算筛选子单元已使用的图像总张数,如果图像总张数小于45张,如15张或者30张,则给图像采集子单元发送采集信号,图像采集子单元接收到采集信号后再次采集15张小明的指静脉特征图。
当筛选子单元使用的图像总张数达到45张,即,筛选出3张质量得分最高的指静脉图像后,原始特征生成子单元将筛选出的3张图像提取指静脉特征后进行融合,生成小明的指静脉原始特征并与小明关联,再由存储单元进行存储。提取指静脉特征并进行融合属于现有技术,在此不再赘述。
这样,小明就完成了指静脉的录入。
之后,小明进行身份验证时,将录入指静脉特征的手指放在指静脉识别器上,指静脉识别器采集到小明的指静脉后发送给验证单元,由验证单元进行指静脉特征验证。
当验证单元验证通过且该次验证通过是小明当天的首次验证通过时,自学习单元采集验证时的指静脉特征图并生成自由学习特征,并存储在存储单元内。若存储单元内已经存在自由学习特征,则对自由学习特征进行更新。
这样,即使小明处于身体生长阶段,指静脉随着时间的推移会逐渐发生变化,由于小明在不同的日子进行验证身份时,只要当天首次验证通过系统就会更新最新的自由学习特征,系统内始终会保持最新的自由学习特征。
之后,当小明再次进行身份验证时,验证单元先将小明的指静脉特征与原始特征进行验证,如果由于天气的原因(如进入冬天了,光线及温度与录入指静脉特征时差别较大)或者小明身体成长原因导致原始特征验证失败,则验证单元将小明的指静脉特征与自由学习特征进行验证。
由于天气的变化是循序渐进的,小明的成长以天为单位来看也是极其微弱的,本申请由于自由学习特征的生成及更新,能够及时记录下小明近期验证通过时的指静脉特征,保证小明能够长期、稳定的通过身份验证。
与现有技术相比,本系统能够让未成年人在成长的过程中使用指静脉识别时,持续保持高成功率。在不同的天气、季节中,也能够让用户稳定的通过身份验证。
实施例二
与实施例一不同的是,本实施例的系统中,自学习单元还用于当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%。具体的,定向学习特征包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1。本实施例中,X的数值为70%,Y为85%。
存储单元还用于存储第一学习特征及第二学习特征。若存储单元内已存在第一学习特征,则自学习单元不再生成新的第一学习特征;若存储单元内已存在第二学习特征,则自学习单元不再生成新的第二学习特征。
验证单元进行指静脉验证时,依次与原始特征、第一学习特征、第二学习特征及自由学习特征进行验证,其中任意一次验证成功,便判定为认证通过,若所有验证均失败,则判定为验证失败。
本实施例的方法中,自学习步骤还包括:当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%;
定向学习特征均包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1。本实施例中,X的数值为70%,Y的数值为85%。
存储步骤还存储用户的定向学习特征。
验证步骤中,对用户进行指静脉特征验证时,依次与原始特征、第一学习特征、第二学习特征及自由学习特征进行验证,其中任意一次验证成功,便判定为认证通过,若所有验证均失败,则判定为验证失败。
具体实施过程如下:
当用户小明进行身份验证且验证通过时,自学习单元判断验证时的指静脉特征与原始特征的相似度。
如果相似度大于70%且小于85%,则自学习单元用验证时的指静脉特征生成第一学习特征,并存储在存储单元中;如果存储单元中已经存在第一学习特征,则不再生成新的第一学习特征。同理,若相似度大于85%,则自学习单元用验证时的指静脉特征生成第二学习特征,并存储在存储单元中;如果存储单元中已经存在第一学习特征,则不再生成新的第二学习特征。
由于定向学习特征与原始特征有着非常高的相似度,可以通过该定向学习特征认定小明的身份(两个不同人的指静脉特征相似度达到63%的概率,不到万分之一)。而定向学习特征与原始特征除了相似的部分外,仍存在不同的部分。这部分特征,可能是由于小明的某些生活习惯或者外界因素造成得到。本身申请通过存储第一学习特征及第二学习特征,增加了可用的指静脉验证参照样本。
在存储单元存储第一学习特征及第二学习特征后,小明再次进行身份验证时,验证单元依次将小明实时的指静脉特征与原始特征、第一学习特征、第二学习特征及自由学习特征进行验证。只要其中任意一次验证通过,便判定为认证通过,只有所有验证均失败,才判定为验证失败。
这样的设置,由于再次增加了可用的指静脉验证参照样本,可以再次提高指静脉验证的通过率,保证用户长期、稳定的通过指静脉验证。
实施例三
与实施例一不同的是,本实施例中,指静脉验证成功时,若本次指静脉识别与上次指静脉识别成功的时间相隔超过预设时间,且用户上次指静脉识别成功时的年龄小于预设年龄,更新自由学习特征前,根据间隔时间、已有的自由学习特征、用户个体信息及环境因素,生成预测指静脉学习特征,并将预测的指静脉学习特征与本次验证时的指静脉进行比对;若近似度大于等于预设值,则更新自由学习特征;若近似度小于预设值,则发出重新验证信号;验证信号的发出方式可为显示屏文字显示或扩音器语音播放;用户重新验证后,若通过验证的指静脉与预测的指静脉学习特征的近似度仍小于预设值,则从两次通过验证的指静脉特征中选择近似度更大的一个进行自由学习特征更新。其中,用户个体信息包括用户的年龄和性别,环境因素包括温度和季节。
还处于发育期的人群,其指静脉的稳定性相对成年人而言还是比较弱的。因此,指静脉验证成功时,若他本次指静脉识别与上次指静脉识别成功的时间相隔超过预设时间,则他的指静脉特征或许已经发生了一些变化。
在指静脉已经发生变化的基础上,若由于识别时用户的摆放的姿势、距离或光线原因,致使指静脉特征和实际指静脉存在出入,会对用户的后续验证造成较大的负面影响。因此,在更新自由学习特征前,根据间隔时间、已有的自由学习特征、用户个体信息及环境因素,生成预测指静脉学习特征,并将预测的指静脉学习特征与本次验证时的指静脉进行比对。
若近似度大于等于预设值,则说明用户此次指静脉特征识别的效果比较理想,因此,直接更新自由学习特征。若近似度小于预设值,则说明用户此次指静脉特征识别的效果不太理想,因此,发出重新验证信号;用户重新验证后,若通过验证的指静脉与预测的指静脉学习特征的近似度仍小于预设值,如果还让用户继续识别,用户的体验感会很差,为了兼顾用户体验感和后续识别的准确性,从两次通过验证的指静脉中选择近似度更大的一个进行自由学习特征的更新。
采用这样的方式,能够保证自由学习特征更新的效果。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.用于指静脉识别的自学习式控制系统,其特征在于,包括:
采集单元,用于采集用户的指静脉特征图像并生成原始特征;
验证单元,用于对用户进行指静脉特征验证;
自学习单元,用于当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,还用于当已存在自由学习特征时,对自由学习特征进行更新;
存储单元,用于存储用户指静脉的原始特征及自由学习特征;
其中,验证单元进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
2.根据权利要求1所述的用于指静脉识别的自学习式控制系统,其特征在于:自学习单元还用于当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%;
存储单元还用于存储定向学习特征;若存储单元内已存在定向学习特征,则自学习单元不再生成定向学习特征;
验证单元进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与定向学习特征验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
3.根据权利要求2所述的用于指静脉识别的自学习式控制系统,其特征在于:定向学习特征包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1;
验证单元进行定向学习特征验证时,先与第一学习特征验证,若验证失败则与第二学习特征验证,若再次验证失败,则与自由学习特征验证。
4.根据权利要求1所述的用于指静脉识别的自学习式控制系统,其特征在于:采集单元包括图像采集子单元、筛选子单元、计数子单元及原始特征生成子单元;
图像采集子单元用于采集指静脉图像M张;
筛选子单元用于根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张;
计数子单元用于计算筛选子单元已使用的图像总张数,当图像总张数小于N时,给图像采集子单元发送采集信号,其中,N的数值为M的整数倍;
原始特征生成子单元,用于当计数子单元的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。
5.根据权利要求4所述的用于指静脉识别的自学习式控制系统,其特征在于:M的数值大于10。
6.用于指静脉识别的自学习式控制方法,其特征在于,包括:
采集步骤,采集用户的指静脉特征图像并生成原始特征;
验证步骤,对用户进行指静脉特征验证;
自学习步骤,当验证单元验证通过且为当天首次验证通过时,采集验证时的指静脉特征图,并生成自由学习特征,当已存在自由学习特征时,用新生成的自由学习特征进行自由学习特征的更新;
存储步骤,存储用户指静脉的原始特征及自由学习特征;
其中,验证步骤进行指静脉特征验证时,先与原始特征进行验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
7.根据权利要求6所述的用于指静脉识别的自学习式控制方法,其特征在于:自学习步骤还包括,当验证通过,且验证的指静脉特征与原始特征的相似度大于X时,以验证时的静脉特征生成定向学习特征;其中,63%<X<100%;
存储步骤中,还存储定向学习特征;
其中,若已存在定向学习特征,则自学习步骤不再生成定向学习特征;
验证步骤中,先与原始特征进行验证,若验证失败则与定向学习特征验证,若验证失败则与自由学习特征验证,若再次验证失败则判定为验证失败。
8.根据权利要求7所述的用于指静脉识别的自学习式控制方法,其特征在于:自学习步骤中,定向学习特征均包括第一学习特征和第二学习特征;当验证的指静脉特征与原始特征的相似度大于X且小于Y时,生成第一学习特征;当验证的指静脉特征与原始特征的相似度大于Y时,生成第二学习特征;其中,X<Y<1;
验证步骤进行定向学习特征验证时,先与第一学习特征验证,若验证失败则与第二学习特征验证,若再次验证失败,则与自由学习特征验证。
9.根据权利要求6所述的用于指静脉识别的自学习式控制方法,其特征在于:采集步骤包括图像采集子步骤、筛选子步骤、计数子步骤及原始特征生成子步骤;
图像采集子步骤,采集指静脉图像M张;
筛选子步骤,根据预设的规则,从采集的M张图像中筛选出质量得分最高的一张;
计数子步骤,计算筛选子步骤已使用的图像总张数,当图像总张数小于N时,返回图像采集子步骤,其中,N的数值为M的整数倍;
原始特征生成子步骤,当计数子步骤的计数结果达到N时,将筛选出的N/M张图像提取指静脉特征后进行融合,生成用户的指静脉的原始特征,并与用户关联。
10.根据权利要求9所述的用于指静脉识别的自学习式控制方法,其特征在于:筛选子步骤中,M的数值大于10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620231.8A CN111753788A (zh) | 2020-06-30 | 2020-06-30 | 用于指静脉识别的自学习式控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620231.8A CN111753788A (zh) | 2020-06-30 | 2020-06-30 | 用于指静脉识别的自学习式控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753788A true CN111753788A (zh) | 2020-10-09 |
Family
ID=72680175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620231.8A Pending CN111753788A (zh) | 2020-06-30 | 2020-06-30 | 用于指静脉识别的自学习式控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753788A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937495A (zh) * | 2009-06-25 | 2011-01-05 | 株式会社日立制作所 | 生物特征验证装置、生物特征验证方法及其程序 |
US20140086459A1 (en) * | 2012-09-27 | 2014-03-27 | Truelight Corporation | Biometric Authentication Device and Method |
CN108647651A (zh) * | 2018-05-14 | 2018-10-12 | 深圳市科发智能技术有限公司 | 一种提高识别通过率的人脸识别方法、系统及装置 |
CN109389070A (zh) * | 2018-09-29 | 2019-02-26 | 珠海格力电器股份有限公司 | 一种指静脉识别器、生成指静脉模型的方法和设备 |
CN109711270A (zh) * | 2018-12-03 | 2019-05-03 | 珠海格力电器股份有限公司 | 一种指静脉识别系统及其方法与解锁终端 |
CN110532991A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种人脸识别方法、装置及设备 |
CN111144323A (zh) * | 2019-12-28 | 2020-05-12 | 广东智冠信息技术股份有限公司 | 一种掌静脉生物特征识别注册库自适应变化方法 |
-
2020
- 2020-06-30 CN CN202010620231.8A patent/CN111753788A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937495A (zh) * | 2009-06-25 | 2011-01-05 | 株式会社日立制作所 | 生物特征验证装置、生物特征验证方法及其程序 |
US20140086459A1 (en) * | 2012-09-27 | 2014-03-27 | Truelight Corporation | Biometric Authentication Device and Method |
CN108647651A (zh) * | 2018-05-14 | 2018-10-12 | 深圳市科发智能技术有限公司 | 一种提高识别通过率的人脸识别方法、系统及装置 |
CN109389070A (zh) * | 2018-09-29 | 2019-02-26 | 珠海格力电器股份有限公司 | 一种指静脉识别器、生成指静脉模型的方法和设备 |
CN109711270A (zh) * | 2018-12-03 | 2019-05-03 | 珠海格力电器股份有限公司 | 一种指静脉识别系统及其方法与解锁终端 |
CN110532991A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种人脸识别方法、装置及设备 |
CN111144323A (zh) * | 2019-12-28 | 2020-05-12 | 广东智冠信息技术股份有限公司 | 一种掌静脉生物特征识别注册库自适应变化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220101059A1 (en) | Learning system, learning device, learning method, learning program, teacher data creation device, teacher data creation method, teacher data creation program, terminal device, and threshold value changing device | |
CN109117808B (zh) | 面部识别方法、装置、电子设备及计算机可读介质 | |
Nandakumar | Multibiometric systems: Fusion strategies and template security | |
CN104821934B (zh) | 基于人工智能的声纹登录方法和装置 | |
US6219639B1 (en) | Method and apparatus for recognizing identity of individuals employing synchronized biometrics | |
Duc et al. | Fusion of audio and video information for multi modal person authentication | |
Mjaaland et al. | Walk the walk: Attacking gait biometrics by imitation | |
US8977648B2 (en) | Fast and robust classification algorithm for vein recognition using infrared images | |
CN110021051A (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
CN109766872A (zh) | 图像识别方法和装置 | |
CN106778607A (zh) | 一种基于人脸识别的人与身份证同一性认证装置及方法 | |
CN101216884A (zh) | 一种人脸认证的方法及系统 | |
CN101506828A (zh) | 媒体辨识 | |
US9928671B2 (en) | System and method of enhanced identity recognition incorporating random actions | |
CN108805077A (zh) | 一种基于三元组损失函数的深度学习网络的人脸识别系统 | |
CN109829427A (zh) | 一种基于纯度检测和空间注意力网络的人脸聚类方法 | |
US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
CN107066955A (zh) | 一种从局部人脸区域还原整张人脸的方法 | |
CN110119746A (zh) | 一种特征识别方法及装置、计算机可读存储介质 | |
CN109360305B (zh) | 一种基于人脸识别的图书馆管理方法及其系统 | |
US9436780B2 (en) | Constructing incremental tree model for vein image recognition and authentication | |
Tamilkodi | Automation system software assisting educational institutes for attendance, fee dues, report generation through email and mobile phone using face recognition | |
CN111753788A (zh) | 用于指静脉识别的自学习式控制系统及方法 | |
Shashikala et al. | Attendance Monitoring System Using Face Recognition | |
CN110516426A (zh) | 身份认证方法、认证终端、装置及可读存储介质 |
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 |