CN112132117A - 一种辅助胁迫检测的融合身份认证系统 - Google Patents

一种辅助胁迫检测的融合身份认证系统 Download PDF

Info

Publication number
CN112132117A
CN112132117A CN202011276475.5A CN202011276475A CN112132117A CN 112132117 A CN112132117 A CN 112132117A CN 202011276475 A CN202011276475 A CN 202011276475A CN 112132117 A CN112132117 A CN 112132117A
Authority
CN
China
Prior art keywords
image
module
face
finger vein
coercion
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
Application number
CN202011276475.5A
Other languages
English (en)
Inventor
马慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang University
Original Assignee
Heilongjiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heilongjiang University filed Critical Heilongjiang University
Priority to CN202011276475.5A priority Critical patent/CN112132117A/zh
Publication of CN112132117A publication Critical patent/CN112132117A/zh
Pending legal-status Critical Current

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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • 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

Abstract

一种辅助胁迫检测的融合身份认证系统，包括胁迫检测模块、指静脉识别模块、人脸识别模块与融合模块，所述的胁迫检测模块首先对读入的人脸图像进行人脸检测、再对检测到的人脸进行表情识别，当识别到恐惧表情时，向系统后台发出预警提示，辅助进行胁迫检测；所述的人脸识别模块对读入的人脸图像进行特征提取与识别，得出人脸认证结果；所述的静脉识别模块对读入的手指静脉图像进行纹理特征提取与识别，得出手指静脉认证结果；所述的融合模块综合上述指静脉模块与人脸模块的结果给出最终的身份认证结果。本发明涉及的身份认证系统将手指静脉特征与人脸特征进行有效的结合，并辅以基于表情识别的胁迫检测，具有高安全性与可靠性的优点，满足高安全等级的应用领域。

Description

一种辅助胁迫检测的融合身份认证系统
技术领域
本发明属于模式识别技术领域，具体涉及表情识别技术、指静脉识别技术与人脸识别技术。
背景技术
手指静脉识别是利用人体皮下静脉血管的分布情况进行身份鉴别的，不同个体的手指静脉特征在特征点、纹理和几何形态等生理特征上均不相同，并且手指静脉特征不随身体健康程度的变化及年龄的增长而变化，是一种理想的身份认证技术，在许多场合中得到了广泛的应用。虽然指静脉识别具有上述优点，但在它的实际应用中发现，当环境温度过低时，静脉图像特征难以成像，此外，由于静脉特征具有活体采集难以伪造的优势，使得特征持有人存在被胁迫的风险。
针对上述手指静脉识别存在的问题，本发明充分考虑手指静脉与人脸两种图像的特点，提出一种辅助胁迫检测的融合身份认证系统，利用表情识别来辅助检测是否存在胁迫现象，并利用手指静脉与人脸两种生物特征进行身份认证，以期获得一种具有安全性高、准确性好的身份认证系统。
发明内容
本发明针对单一手指静脉特征认证存在的安全性与环境因素限制的问题，提出了一种辅助胁迫检测的融合身份认证系统，利用多生物特征进行身份认证，并利用表情识别来辅助检测是否存在胁迫现象，以获得一种安全性强、可靠性高的身份认证系统。
本发明的目的是这样实现的：
一种辅助胁迫检测的融合身份认证系统，包括胁迫检测模块、指静脉识别模块、人脸识别模块与融合模块，所述的胁迫检测模块首先对读入的人脸图像进行人脸检测、再对检测到的人脸进行表情识别以辅助胁迫检测，即识别到恐惧表情时，向系统后台发出预警提示并结束本次认证；所述的人脸识别模块对读入的人脸图像进行特征提取与识别，得出人脸认证结果；所述的静脉识别模块对读入的手指静脉图像进行纹理特征提取与识别，得出手指静脉认证结果；所述的融合模块综合上述指静脉模块与人脸模块的结果给出最终的身份认证结果。本发明涉及的身份认证系统将手指静脉特征与人脸特征进行有效的结合，并辅以基于表情识别的胁迫检测，具有高安全性与可靠性的优点，满足高安全等级的应用领域。
所述的胁迫检测模块采用基于纹理特征的表情识别，具体算法步骤如下：
1）对待识别的表情图像进行尺寸归一化以及灰度归一化处理；
2）对预处理后的每一幅表情图像进行不重叠等分为
Figure 35048DEST_PATH_IMAGE001
幅子图像，用
Figure 40176DEST_PATH_IMAGE002
表示为M幅训练样本图像，训练样本子图像矩阵标记为
Figure 434248DEST_PATH_IMAGE003
，
Figure 783190DEST_PATH_IMAGE004
表示为N幅测试样本图像，测试样本子图像矩阵标记为
Figure 470785DEST_PATH_IMAGE005
；
3）采用统一LBP算子提取表情子图像的纹理特征，局部邻域模板半径R设置为1，得到训练样本子图像以及测试样本子图像的特征矩阵
Figure 879770DEST_PATH_IMAGE006
和
Figure 918395DEST_PATH_IMAGE007
；
4）对所提取的训练样本纹理特征的所有子图像求取均值
Figure 71028DEST_PATH_IMAGE008
，计算训练样本子图像的行协方差矩阵
Figure 65660DEST_PATH_IMAGE009
以及列协方差矩阵
Figure 553535DEST_PATH_IMAGE010
。根据协方差矩阵求出的前w个最大特征值所对应的特征向量，构造投影矩阵X以及Z，将训练样本纹理特征子图像
Figure 723530DEST_PATH_IMAGE011
与测试样本特征纹理子图像
Figure 945433DEST_PATH_IMAGE012
，分别向两个投影矩阵投影，得到特征矩阵
Figure 279725DEST_PATH_IMAGE013
和
Figure 296091DEST_PATH_IMAGE014
；
5）采用最小邻近距离分类器对特征矩阵进行匹配分类。
利用上述方式获得表情分类结果，若分类结果为惊恐类别，则判定为可能存在胁迫现象，并给出存在胁迫的警示信息。
所述的手指静脉识别模块对手指静脉图像提取四层的多尺度纹理特征的提取步骤如下：
1）首先对读入的手指静脉图像进行归一化处理；
2）采用Canny算子提取手指静脉图像的轮廓信息；
3）将静脉图像分成5×5的子块，分别对四层分辨率下的图像子块，计算出各单元内的梯度直方图。为更加方便计算图像的梯度以及方向信息，将手指静脉图像进行分块处理。然后在每个分块图像中等分为细胞单元，并按照下式来计算局部邻域单元中每个像素点
Figure 309309DEST_PATH_IMAGE015
的梯度：
Figure 803744DEST_PATH_IMAGE016
其中，
Figure 320438DEST_PATH_IMAGE017
表示为像素点的灰度值，
Figure 945903DEST_PATH_IMAGE018
与
Figure 244029DEST_PATH_IMAGE019
分别表示为像素点
Figure 739864DEST_PATH_IMAGE020
的水平方向的梯度值与垂直方向上的梯度值。则点
Figure 832453DEST_PATH_IMAGE015
的梯度幅值
Figure 554684DEST_PATH_IMAGE021
与梯度方向
Figure 125343DEST_PATH_IMAGE022
分别为：
Figure 351050DEST_PATH_IMAGE023
Figure 348962DEST_PATH_IMAGE024
通过选择合适的量化数目使梯度角度均匀量化，以幅值作为权值，根据梯度值所处的位置，统计出细胞单元内的梯度直方图。本发明的方向的量化角度范围可以选择限定为[0-180]。
所述的融合模块将上述经过辅助胁迫检测的指静脉识别结果与人脸识别结果进行融合得到最终的身份认证结果，具体过程如下：
第一步：通过辅助胁迫检测模块验证是否为存在胁迫现象，若没有转到第二步，否则整个认证过程结束，给出存在胁迫的警示信息提示；
第二步：进行人脸识别，得出人脸识别结果；
第三步：进行指静脉识别，得出指静脉识别结果；
第四步：将上述人脸识别结果与指静脉识别结果融合决策，即当两种识别结果均为成功时，系统最终给出认证成功的提示；否则给出认证失败的提示。
本发明的主要贡献和特点在于：
本发明的目的在于提供一种辅助胁迫检测的融合身份认证系统，利用手指静脉与人脸两种生物特征进行身份认证，弥补了静脉特征在低温环境下认证不稳定的缺点，并利用表情识别来辅助检测是否存在胁迫现象，以扩大生物特征应用领域，大大提升了认证系统的安全性能。
附图说明
图1本发明主要流程图。
图2四尺度静脉纹理特征提取示意图。
具体实施方式
下面结合附图举例对本发明做更详细的描述：
1 胁迫检测模块
由于静脉识别技术采用活体检测，很难被盗取，防伪极高。但授权人员被胁迫通过身份认证系统也会带来很大的安全隐患。面部表情是人类传递个人内心感受的一个重要途径，可以作为识别人内在情感的重要依据，因此，本发明提出采用表情识别技术进行辅助胁迫检测。主要针对人脸图像检测、表情特征提取及分类展开研究，并根据表情分类结果判断是否存在胁迫，进而决策是否给出预警。
局部二值模式（LBP）是灰度描述算子，将原始的RGB微表情图像转化成为LBP纹理图像在一定程度上可以消除光照对于面部微表情的影响，使微表情发生的区域更加明显，减少特征的维度，缩短整个网络运行的时间。
局部二进制模式的核心思想是在局部邻域中，通过对所存在的纹理结构关系进行分类，并统计出其在图像中出现的次数，来描述图像的纹理特征。设定灰度图像在含有P+1个像素点的局部邻域中，局部纹理
Figure 666811DEST_PATH_IMAGE025
为邻域中所有像素点的灰度级联合分布：
Figure 288764DEST_PATH_IMAGE026
（1）
其中，
Figure 398672DEST_PATH_IMAGE027
表示为局部邻域的中心像素点的灰度值，
Figure 68950DEST_PATH_IMAGE028
表示为等距离对称分布在中心像素点周围的P个像素点的灰度值。
在不影响图像结构的状况下，将邻域周围P个像素点的灰度值
Figure 998729DEST_PATH_IMAGE028
与灰度值
Figure 678234DEST_PATH_IMAGE027
作差：
Figure 127801DEST_PATH_IMAGE029
（2）
若设定偏差
Figure 467515DEST_PATH_IMAGE030
与
Figure 120476DEST_PATH_IMAGE027
是相互独立，上式可近似等价为：
Figure 836628DEST_PATH_IMAGE031
（3）
偏差
Figure 265335DEST_PATH_IMAGE032
所表达的是局部邻域中的光强变化，而
Figure 277416DEST_PATH_IMAGE033
所表达的是图像的整体信息，在运算中可忽略不计，则纹理T进一步简化为：
Figure 181787DEST_PATH_IMAGE034
（4）
不考虑具体的数值，着重强调差值
Figure 937515DEST_PATH_IMAGE035
的符号，将偏差采用二进制量化为：
Figure 469997DEST_PATH_IMAGE036
（5）
其中，
Figure 918558DEST_PATH_IMAGE037
。
若将每一位差值按照一定的顺序赋予相应的权值，则局部邻域中的纹理T最终可由一个十进制数来表示：
Figure 310225DEST_PATH_IMAGE038
（6）
其中
Figure 592347DEST_PATH_IMAGE039
表示为在半径为R的局部邻域中周围有P个被计算差值像素点，计算所得到的LBP值。
基本的LBP算子的局部邻域为3×3正方形邻域模板，而它最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需求。为满足图像在多分辨率下的纹理分析要求，LBP算子的模板进一步由原本固定的3×3方形模板扩展为圆形模板，局部邻域的半径R以及圆周上采样点个数P，能够根据图像自身的特点，更加灵活地设置。第p个采样点的坐标为
Figure 730067DEST_PATH_IMAGE040
，对应的灰度值通常采用线性插值或双线性插值的方式来计算。
LBP算子种类越多，描述纹理的细节越是详细，与此同时需要计算的信息量也越大，甚至会造成更多的数据冗余的情况。圆形邻域中的像素点个数的直接影响LBP算子的模式类别数目，即有P个像素点，LBP值就有
Figure 848065DEST_PATH_IMAGE041
种，如果P取16，则LBP值一共有65536种。在这种情况下，虽然LBP算子能够有效表征图像纹理特征信息，但是处理后的信息量可能要远大于原始图像的信息量，不利于图像的分析处理。
从LBP模式的统计结果发现，某些特定LBP模式能包含图像的大部分纹理，其中两次从1到0或从0到1的跳变的模式占所有模式的比重的90%以上。这些特殊模式单元通常表述的是图像的孤立点、端点、边缘等，Ojala等人将这些特殊模式定义为统一模式，将其他的模式全都归为混合模式类。统一LBP算子的计算公式为：
Figure 962913DEST_PATH_IMAGE042
（7）
基本的LBP算子有
Figure 558980DEST_PATH_IMAGE041
种纹理模式，而由式（7）可知，统一LBP算子的纹理模式只有P(P-1)+3种。例如，当一个圆形邻域有8个像素时，基本的LBP算子模式是256种，而对应的统一LBP算子模式只有59种，这样极大地减少了纹理类别，在分析时更加直观和简单。
本发明综合考虑统一LBP算子性能，表情识别系统中设置半径R为1，P个采样采样点的局部邻域模板，对表情图像提取特征。具体算法步骤如下：
1）对待识别的表情图像进行尺寸归一化以及灰度归一化处理；
2）对预处理后的每一幅表情图像进行不重叠等分为
Figure 567518DEST_PATH_IMAGE001
幅子图像，用
Figure 856417DEST_PATH_IMAGE002
表示为M幅训练样本图像，训练样本子图像矩阵标记为
Figure 678136DEST_PATH_IMAGE043
，
Figure 343472DEST_PATH_IMAGE044
表示为N幅测试样本图像，测试样本子图像矩阵标记为
Figure 721364DEST_PATH_IMAGE045
；
3）采用统一LBP算子提取表情子图像的纹理特征，得到训练样本子图像以及测试样本子图像的特征矩阵
Figure 417050DEST_PATH_IMAGE046
和
Figure 5026DEST_PATH_IMAGE007
；
4）对所提取的训练样本纹理特征的所有子图像求取均值
Figure 444360DEST_PATH_IMAGE008
，计算训练样本子图像的行协方差矩阵
Figure 926026DEST_PATH_IMAGE009
以及列协方差矩阵
Figure 792613DEST_PATH_IMAGE010
。根据协方差矩阵求出的前w个最大特征值所对应的特征向量，构造投影矩阵X以及Z，将训练样本纹理特征子图像
Figure 867885DEST_PATH_IMAGE046
与测试样本特征纹理子图像
Figure 122629DEST_PATH_IMAGE012
，分别向两个投影矩阵投影，得到特征矩阵
Figure 209533DEST_PATH_IMAGE013
和
Figure 276715DEST_PATH_IMAGE047
；
5）采用最小邻近距离分类器对特征矩阵进行匹配分类。
利用上述方式获得表情分类结果，若表情分类结果为惊恐类别，则判定为可能存在胁迫现象，并给出存在胁迫的预警信息。
2 指静脉识别模块
手指静脉图像的静脉血管具有明显的纹理特性，并且不同尺度下的图像能获取到的信息不同，因此本发明兼顾实时性需求在四个尺度下获取静脉的纹理信息。本发明将尺寸最大的区域放在最底部，依次往上是空间尺寸越小的区域，也就是说越处于底层的图像分辨率越高，描述的图像细节更丰富，顶层的低分辨率图像区域能相对减少噪声影响，这种方式将静脉图像的局部和整体特征进行有效的结合，能够得到更为准确和全面的静脉图像特征信息。
四层尺度静脉的纹理特征提取步骤如下：
1）首先对读入的手指静脉图像进行归一化处理；
2）采用Canny算子提取静脉图像的轮廓信息；
3）将静脉图像分成5×5的子块，分别对四层分辨率下的图像子块，计算出各单元内的梯度直方图。为更加方便计算图像的梯度以及方向信息，将手指静脉图像进行分块处理。然后在每个分块图像中等分为细胞单元，并按照公式（8）来计算局部邻域单元中每个像素点
Figure 75169DEST_PATH_IMAGE015
的梯度：
Figure 354841DEST_PATH_IMAGE016
（8）
其中，
Figure 187930DEST_PATH_IMAGE017
表示为像素点
Figure 19489DEST_PATH_IMAGE015
的灰度值，
Figure 305239DEST_PATH_IMAGE018
与
Figure 388601DEST_PATH_IMAGE048
分别表示为像素点
Figure 341776DEST_PATH_IMAGE020
的水平方向的梯度值与垂直方向上的梯度值。则点
Figure 485181DEST_PATH_IMAGE015
的梯度幅值
Figure 632129DEST_PATH_IMAGE021
与梯度方向
Figure 20647DEST_PATH_IMAGE022
分别为：
Figure 61284DEST_PATH_IMAGE023
（9）
Figure 877056DEST_PATH_IMAGE024
（10）
通过选择合适的量化数目使梯度角度均匀量化，以幅值作为权值，根据梯度值所处的位置，统计出细胞单元内的梯度直方图。本发明的方向的量化角度范围可以选择限定为[0-180]；
4）对每一层的静脉纹理特征直方图进行直方图归一化。由于在局部静脉图像中像素点的灰度值分布的不同，导致局部图像之间所计算出的梯度范围值有较大的差异，所以针对于分块中的梯度直方图要进行对比度归一化后，再与其他分块中的梯度直方图进行连接，得到最终图像的特征直方图向量。本发明采用归一化方法为：
Figure 901513DEST_PATH_IMAGE049
（11）
其中，
Figure 828143DEST_PATH_IMAGE050
为非常小的常数，使公式中的分母不为0；
5）按照分辨率和尺寸最大的图像放在最底部，依次往上的排列顺序级联各层的直方图向量，得到最终的四层尺度静脉纹理特征直方图，四尺度静脉纹理特征提取示意图如图2所示；
6）最后采用卡方距离进行统计分类，给出静脉识别结果。
3. 人脸识别模块
SSD(Single Shot MultiBox Detector) 方法基于前馈卷积神经网络，产生固定大小的边界框集合和框中对象类别的分数，再此基础上利用非最大化抑制方式产生最终的检测结果。SSD速度比Faster-Rcnn快，精度比Yolo高。为提高准确率，本发明将卷积特征层添加到截断的原始SSD网络尾部，并依次缩小这些层的尺寸，检测得到多个尺度的特征图，再利用特征图生成默认候选框，进而寻找与每一个真实目标框有最大的交并比的默认候选框，则被认定为匹配。本发明的人脸模块总体目标损失函数采用位置损失和置信损失的加权和，并采用端到端的训练方式，对小分辨率的人脸图像效果也非常好。此外，针对人脸识别存在的姿势、遮挡等问题，本发明对数据库中的人脸图像进行了水平翻转、裁剪和颜色抖动等操作对数据进行增强，以提高改进SSD网络的精度和泛化能力。
4 .融合认证模块
融合认证模块将上述经过辅助胁迫检测的指静脉识别结果与人脸识别结果进行融合得到最终的身份认证结果，具体过程如下：
1）通过胁迫检测模块验证是否存在胁迫现象，若不存在则转到2）步，否则整个认证过程结束，给出存在胁迫的警示信息提示；
2）进行人脸识别，得出人脸识别结果；
3）进行指静脉识别，得出指静脉识别结果；
4）将上述人脸识别结果与指静脉识别结果融合决策，即当两种识别结果均为成功时，系统最终给出认证成功的提示；否则给出认证失败的提示。

Claims (4)

1.一种辅助胁迫检测的融合身份认证系统，包括胁迫检测模块、指静脉识别模块、人脸识别模块与融合模块，所述的胁迫检测模块首先对读入的人脸图像进行人脸检测、再对检测到的人脸进行表情识别以辅助胁迫检测，即识别到恐惧表情时，向系统后台发出预警提示并结束本次认证；所述的人脸识别模块对读入的人脸图像进行特征提取与识别，得出人脸认证结果；所述的静脉识别模块对读入的手指静脉图像进行纹理特征提取与识别，得出手指静脉认证结果；所述的融合模块综合上述指静脉模块与人脸模块的结果给出最终的身份认证结果；
本发明涉及的身份认证系统将手指静脉特征与人脸特征进行有效的结合，并辅以基于表情识别的胁迫检测，具有高安全性与可靠性的优点，满足高安全等级的应用领域。
2.根据权利要求1所述的一种辅助胁迫检测的融合身份认证系统，其特征在于，所述的胁迫检测模块采用基于纹理特征的表情识别，具体算法步骤如下：
1）对待识别的表情图像进行尺寸归一化以及灰度归一化处理；
2）对预处理后的每一幅表情图像进行不重叠等分为
Figure 486935DEST_PATH_IMAGE001
幅子图像，用
Figure 30174DEST_PATH_IMAGE002
表示为M幅训练样本图像，训练样本子图像矩阵标记为
Figure 934545DEST_PATH_IMAGE003
，
Figure 798596DEST_PATH_IMAGE004
表示为N幅测试样本图像，测试样本子图像矩阵标记为
Figure 239067DEST_PATH_IMAGE005
；
3）采用统一LBP算子提取表情子图像的纹理特征，局部邻域模板半径R设置为1，得到训练样本子图像以及测试样本子图像的特征矩阵
Figure 920584DEST_PATH_IMAGE006
和
Figure 813716DEST_PATH_IMAGE007
；
4）对所提取的训练样本纹理特征的所有子图像求取均值
Figure 871670DEST_PATH_IMAGE008
，计算训练样本子图像的行协方差矩阵
Figure 901068DEST_PATH_IMAGE009
以及列协方差矩阵
Figure 19066DEST_PATH_IMAGE010
；根据协方差矩阵求出的前w个最大特征值所对应的特征向量，构造投影矩阵X以及Z，将训练样本纹理特征子图像
Figure 258549DEST_PATH_IMAGE006
与测试样本特征纹理子图像
Figure 120194DEST_PATH_IMAGE011
，分别向两个投影矩阵投影，得到特征矩阵
Figure 4099DEST_PATH_IMAGE012
和
Figure 558577DEST_PATH_IMAGE013
；
5）采用最小邻近距离分类器对特征矩阵进行匹配分类；
利用上述方式获得表情分类结果，若分类结果为惊恐类别，则判定为可能存在胁迫现象，并给出存在胁迫的警示信息。
3.根据权利要求1所述的一种辅助胁迫检测的融合身份认证系统，其特征在于，所述的手指静脉识别模块对手指静脉图像提取四层的多尺度纹理特征的提取步骤如下：
1）首先对读入的手指静脉图像进行归一化处理；
2）采用Canny算子提取手指静脉图像的轮廓信息；
3）将静脉图像分成5×5的子块，分别对四层分辨率下的图像子块，计算出各单元内的梯度直方图；为更加方便计算图像的梯度以及方向信息，将手指静脉图像进行分块处理；然后在每个分块图像中等分为细胞单元，并按照下式来计算局部邻域单元中每个像素点
Figure 160722DEST_PATH_IMAGE014
的梯度：
Figure 294900DEST_PATH_IMAGE015
其中，
Figure 388688DEST_PATH_IMAGE016
表示为像素点
Figure 458275DEST_PATH_IMAGE017
的灰度值，
Figure 46252DEST_PATH_IMAGE018
与
Figure 751165DEST_PATH_IMAGE019
分别表示为像素点
Figure 373776DEST_PATH_IMAGE014
的水平方向的梯度值与垂直方向上的梯度值；则点
Figure 505942DEST_PATH_IMAGE017
的梯度幅值
Figure 315635DEST_PATH_IMAGE020
与梯度方向
Figure 89818DEST_PATH_IMAGE021
分别为：
Figure 98095DEST_PATH_IMAGE022
Figure 588113DEST_PATH_IMAGE023
通过选择合适的量化数目使梯度角度均匀量化，以幅值作为权值，根据梯度值所处的位置，统计出细胞单元内的梯度直方图；本发明的方向的量化角度范围可以选择限定为[0-180]；
4）对每一层的静脉纹理特征直方图进行直方图归一化；由于在局部静脉图像中像素点的灰度值分布的不同，导致局部图像之间所计算出的梯度范围值有较大的差异，所以针对于分块中的梯度直方图要进行对比度归一化后，再与其他分块中的梯度直方图进行连接，得到最终图像的特征直方图向量；本发明采用归一化方法为：
Figure 324250DEST_PATH_IMAGE024
其中，
Figure 400659DEST_PATH_IMAGE025
为非常小的常数，使公式中的分母不为0；
5）按照分辨率和尺寸最大的图像放在最底部，依次往上的排列顺序级联各层的直方图向量，得到最终的四层尺度静脉纹理特征直方图；
6）最后采用卡方距离进行统计分类，给出静脉识别结果。
4.所述的一种辅助胁迫检测的融合身份认证系统，其特征在于，所述的融合模块将上述经过辅助胁迫检测的，指静脉识别结果与人脸识别结果进行融合得到最终的身份认证结果，具体过程如下：
第一步：通过辅助胁迫检测模块验证是否为存在胁迫现象，若没有转到第二步，否则整个认证过程结束，给出存在胁迫的警示信息提示；
第二步：进行人脸识别，得出人脸识别结果；
第三步：进行指静脉识别，得出指静脉识别结果；
第四步：将上述人脸识别结果与指静脉识别结果融合决策，即当两种识别结果均为成功时，系统最终给出认证成功的提示；否则给出认证失败的提示。
CN202011276475.5A 2020-11-16 2020-11-16 一种辅助胁迫检测的融合身份认证系统 Pending CN112132117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011276475.5A CN112132117A (zh) 2020-11-16 2020-11-16 一种辅助胁迫检测的融合身份认证系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011276475.5A CN112132117A (zh) 2020-11-16 2020-11-16 一种辅助胁迫检测的融合身份认证系统

Publications (1)

Publication Number Publication Date
CN112132117A true CN112132117A (zh) 2020-12-25

Family

ID=73851969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011276475.5A Pending CN112132117A (zh) 2020-11-16 2020-11-16 一种辅助胁迫检测的融合身份认证系统

Country Status (1)

Country Link
CN (1) CN112132117A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749657A (zh) * 2021-01-07 2021-05-04 北京码牛科技有限公司 一种租房管理方法及系统
CN112968775A (zh) * 2021-02-01 2021-06-15 杭州齐令信息科技有限公司 人员生物特征识别系统
CN117437665A (zh) * 2023-11-27 2024-01-23 江苏芯灵智能科技有限公司 一种手指静脉特征提取方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123547A (zh) * 2014-07-25 2014-10-29 黑龙江大学 基于改进的方向滤波与柔性匹配的识别方法
CN104598797A (zh) * 2015-02-12 2015-05-06 张丽琴 一种采用面部识别、面部静脉认证与手指静脉认证相结合的认证装置及认证方法
CN204406431U (zh) * 2015-02-12 2015-06-17 张丽琴 一种采用面部识别、面部静脉认证与手指静脉认证结合认证的自动海关安检装置
CN107554483A (zh) * 2017-08-29 2018-01-09 湖北科技学院 一种基于人脸表情动作识别的车辆防盗系统
CN108268838A (zh) * 2018-01-02 2018-07-10 中国科学院福建物质结构研究所 人脸表情识别方法及人脸表情识别系统
CN110532851A (zh) * 2019-07-04 2019-12-03 珠海格力电器股份有限公司 指静脉识别方法、装置、计算机设备和存储介质
CN111539386A (zh) * 2020-06-03 2020-08-14 黑龙江大学 融合指纹与人脸活体检测的身份认证系统
CN111819590A (zh) * 2018-03-22 2020-10-23 三星电子株式会社 电子装置及其认证方法
CN111860159A (zh) * 2020-06-15 2020-10-30 珠海格力电器股份有限公司 一种智能门锁控制方法及智能门锁、存储介质、处理器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123547A (zh) * 2014-07-25 2014-10-29 黑龙江大学 基于改进的方向滤波与柔性匹配的识别方法
CN104598797A (zh) * 2015-02-12 2015-05-06 张丽琴 一种采用面部识别、面部静脉认证与手指静脉认证相结合的认证装置及认证方法
CN204406431U (zh) * 2015-02-12 2015-06-17 张丽琴 一种采用面部识别、面部静脉认证与手指静脉认证结合认证的自动海关安检装置
CN107554483A (zh) * 2017-08-29 2018-01-09 湖北科技学院 一种基于人脸表情动作识别的车辆防盗系统
CN108268838A (zh) * 2018-01-02 2018-07-10 中国科学院福建物质结构研究所 人脸表情识别方法及人脸表情识别系统
CN111819590A (zh) * 2018-03-22 2020-10-23 三星电子株式会社 电子装置及其认证方法
CN110532851A (zh) * 2019-07-04 2019-12-03 珠海格力电器股份有限公司 指静脉识别方法、装置、计算机设备和存储介质
CN111539386A (zh) * 2020-06-03 2020-08-14 黑龙江大学 融合指纹与人脸活体检测的身份认证系统
CN111860159A (zh) * 2020-06-15 2020-10-30 珠海格力电器股份有限公司 一种智能门锁控制方法及智能门锁、存储介质、处理器

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
徐琳琳等: "基于图像的面部表情识别方法综述", 《计算机应用》 *
王一丁等: "利用手背静脉特征进行身份识别的研究", 《高技术通讯》 *
胡娜: "基于特征融合的手指静脉识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *
陈振敏: "人脸识别技术在城市轨道交通的应用", 《通讯世界》 *
马思源等: "应用深度光学应变特征图的人脸活体检测", 《中国图象图形学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749657A (zh) * 2021-01-07 2021-05-04 北京码牛科技有限公司 一种租房管理方法及系统
CN112968775A (zh) * 2021-02-01 2021-06-15 杭州齐令信息科技有限公司 人员生物特征识别系统
CN112968775B (zh) * 2021-02-01 2022-06-24 杭州齐令信息科技有限公司 人员生物特征识别系统
CN117437665A (zh) * 2023-11-27 2024-01-23 江苏芯灵智能科技有限公司 一种手指静脉特征提取方法

Similar Documents

Publication Publication Date Title
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN110084156B (zh) 一种步态特征提取方法及基于步态特征的行人身份识别方法
CN109800648B (zh) 基于人脸关键点校正的人脸检测识别方法及装置
Wang et al. Grid-based pavement crack analysis using deep learning
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
US5842194A (en) Method of recognizing images of faces or general images using fuzzy combination of multiple resolutions
CN109409297B (zh) 一种基于双通道卷积神经网络的身份识别方法
CN106599854B (zh) 基于多特征融合的人脸表情自动识别方法
CN112132117A (zh) 一种辅助胁迫检测的融合身份认证系统
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN113033398B (zh) 一种手势识别方法、装置、计算机设备及存储介质
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN111339975A (zh) 基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法
Lin et al. Determination of the varieties of rice kernels based on machine vision and deep learning technology
Chen et al. Rapid detection of multi-QR codes based on multistage stepwise discrimination and a compressed MobileNet
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
Kpalma et al. An overview of advances of pattern recognition systems in computer vision
Haddad et al. Locally adaptive statistical background modeling with deep learning-based false positive rejection for defect detection in semiconductor units
US6694054B1 (en) Pattern recognition process
Muzakir et al. Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement
CN112784722B (zh) 基于YOLOv3和词袋模型的行为识别方法
CN108960005B (zh) 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统
Silva et al. POEM-based facial expression recognition, a new approach
CN112307894A (zh) 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法
CN110781828A (zh) 一种基于微表情的疲劳状态检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225

RJ01 Rejection of invention patent application after publication