CN112560818A - 应用于窄条形指纹传感器的指纹识别方法及存储介质 - Google Patents
应用于窄条形指纹传感器的指纹识别方法及存储介质 Download PDFInfo
- Publication number
- CN112560818A CN112560818A CN202110194983.7A CN202110194983A CN112560818A CN 112560818 A CN112560818 A CN 112560818A CN 202110194983 A CN202110194983 A CN 202110194983A CN 112560818 A CN112560818 A CN 112560818A
- Authority
- CN
- China
- Prior art keywords
- template
- identified
- fingerprint
- fingerprint image
- key points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013077 scoring method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Input (AREA)
Abstract
本申请提供了一种应用于窄条形指纹传感器的指纹识别方法，包括将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像；根据增强待识别指纹图像和增强模板指纹图像生成待识别骨骼图和模板骨骼图；分别获取待识别骨骼图和模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点；根据预设匹配规则将多个待识别关键点中每一个待识别关键点与多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对；根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数；根据多对关键点对的分数输出待识别指纹图像的指纹识别结果。上述方法实现了对窄条形指纹准确识别的效果。
Description
技术领域
本申请涉及触摸电子设备领域，尤其涉及一种应用于窄条形指纹传感器的指纹识别方法、存储介质、指纹识别模组、窄条形指纹传感器及电子设备。
背景技术
近年来，利用指纹进行身份验证的技术广泛应用于电子设备，例如手机、门锁等。以智能手机为例，随着全面屏技术的流行，手机上留给指纹芯片嵌入式传感器的空间越来越少，为此不少厂商采取了窄条形指纹技术，即将指纹模块放置在手机的侧边。窄条形指纹技术方便易用，同时还能兼顾用户全面屏的需求，但与此同时，窄条形指纹的感应区域十分有限，一次只能获取少量的指纹信息，因此窄条形指纹的识别有很大的挑战性。现有技术中为了弥足感应区域获取的指纹信息不足的问题，往往要求用户在注册指纹时，存储单个手指的多个指纹信息，即多个模板指纹，而在验证时只要待匹配指纹与多个模板指纹中的任意一个模板指纹匹配即可。另外还需考虑到手指在注册与验证时窄条形指纹图像存在的旋转、平移甚至形变的问题。
因此，发明一种能够准确识别窄条形指纹的识别算法是亟需解决的问题。
发明内容
本申请提供一种应用于窄条形指纹传感器的指纹识别方法、存储介质、指纹识别模组、窄条形指纹传感器及电子设备，可以实现对窄条形指纹准确识别的效果。
第一方面，本申请实施例提供一种应用于窄条形指纹传感器的指纹识别方法，该应用于窄条形指纹传感器的指纹识别方法包括：
将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像；
根据增强待识别指纹图像和增强模板指纹图像生成待识别骨骼图和模板骨骼图；
分别获取待识别骨骼图和模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点；
根据预设匹配规则将多个待识别关键点中每一个待识别关键点与多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对；
根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数；
根据多对关键点对的分数输出待识别指纹图像的指纹识别结果。
第二方面，本申请实施例提供一种存储介质，该存储介质上存储有能够被处理器加载并执行的如上述的应用于窄条形指纹传感器的指纹识别方法的程序指令。
第三方面，本申请实施例提供一种指纹识别模组，该指纹识别模组包括：
存储器，用于存储程序指令；
处理器，用于执行程序指令以使指纹识别模组实现如上述的应用于窄条形指纹传感器的指纹识别方法。
第四方面，本申请实施例提供一种窄条形指纹传感器，窄条形指纹传感器包括上述的指纹识别模组。
第五方面，本申请实施例提供一种电子设备，该电子设备设有指纹识别传感器，指纹识别传感器为窄条形曲面指纹传感器，该电子设备还包括：
存储器，用于存储程序指令；
处理器，用于执行程序指令以使电子设备实现如上述的应用于窄条形指纹传感器的指纹识别方法。
上述提出一种应用于窄条形指纹传感器的指纹识别方法以解决窄条形指纹识别技术所面临的诸多挑战。首先对待识别指纹图像和模板指纹图像进行数据图像增强处理，以最大程度的消除噪音、汗液等的影响，有助于指纹关键点的提取。然后利用骨骼图获取候选待识别关键点和候选模板关键点，候选待识别关键点包括第一待识别关键点和第二待识别关键点。候选模板关键点包括第一模板关键点和第二模板关键点。
增加了待识别指纹图像和模板指纹图进行匹配的时候可用的关键点的数量，提升指纹匹配的质量。再计算候选待识别关键点和候选模板关键点的Harris响应，根据Harris响应和NMS算法筛选出待识别关键点和模板关键点并进行关键点匹配；再利用几何拓扑结构筛选出最好的关键点对，最后利用关键点对之间的汉明距离和关键点对之间的欧式距离进行打分，根据打分结果获取待识别指纹图像和模板指纹图的识别结果。通过上述解决了窄条形指纹图像识别中，待识别指纹图像和模板指纹图的匹配问题，使得窄条形指纹图像能够准确进行识别，然后应用于更多的应用场景中。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的流程图。
图2为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图3为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图4为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图5为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图6为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图7为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的第一子流程图。
图8为本申请实施例提供的指纹图像处理过程示意图。
图9为本申请实施例提供的电子设备内部结构示意图。
图10为本申请实施例提供的一组待识别骨骼图示意图。
图11为本申请实施例提供的多个待识别关键点与多个模板关键点匹配为多对待定关键点对示意图。
图12为本申请实施例提供的利用几何拓扑结构算法筛选出的多对关键点对示意图。
图中各元件标号
| 900 | 电子设备 | 901 | 存储器 |
| 902 | 处理器 | 903 | 总线 |
| 904 | 显示组件 | 905 | 通信组件 |
| 800 | 待识别指纹图像 | 801 | 第一待识别指纹图像 |
| 802 | 第二待识别指纹图像 | 803 | 增强模板指纹图像 |
| 805 | 一组待识别骨骼图 | 700 | 模板指纹图像 |
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
请结合参看图1，其为本申请实施例提供的应用于窄条形指纹传感器的指纹识别方法的流程图。其中，实施例提供的应用于窄条形指纹传感器的指纹识别方法具体包括下面步骤。
步骤S101，将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像。具体请参看步骤S1011-步骤S1013。
步骤S102，根据增强待识别指纹图像和增强模板指纹图像生成待识别骨骼图和模板骨骼图。具体的请结合参看图10，以待识别指纹图像为例，由一组增强待识别指纹图像生成一组待识别骨骼图805。模板指纹图像实行与待识别指纹图像一样的图像处理在此不再赘述。
在本实施例中，利用二值化图生成骨骼图，将骨骼图上的所有点都认为是待定关键点，从而获取足够多的用于指纹匹配的关键点。克服了使用传统的SIFT、ORB等取点方式在应用于小面积窄条形指纹时，无法取得足够多的关键点的问题。 提供了足够多的待定关键点用于待识别指纹图像和模板指纹图像的匹配，提升了待识别指纹图像和模板指纹图像匹配的准确度。
步骤S103，分别获取待识别骨骼图和模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点。具体请参看步骤S1031-步骤S1033。
步骤S104，根据预设匹配规则将多个待识别关键点中每一个待识别关键点与多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对。其中，根据Harris响应和NMS算法筛选出待识别关键点和模板关键点并进行关键点匹配得到多对关键点对。具体请参看步骤S1041-步骤S1043。Harris响应为角点检测算法。NMS算法是非极大抑制算法（Non-Maximun Suppression，NMS）。非极大抑制算法是搜索局部极大值，抑制非极大值元素的算法。
步骤S105，根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数。复合打分方式包括描述子相似度打分和关键点几何拓扑结构打分。具体请看步骤S1051-步骤S1053。
步骤S106，根据多对关键点对的分数输出待识别指纹图像的指纹识别结果。在本实施例中，计算多对关键点对中所有对关键点对的关键点对分数的总分数，判断总分数是否大于预设的匹配成功标准，当总分数大于预设的匹配成功标准时，输出匹配成功的结果。当总分数小于或者等于预设的匹配成功标准时，输出匹配失败的结果。
在本实施例中，提出一种应用于窄条形指纹传感器的指纹识别方法以解决窄条形指纹识别技术所面临的诸多挑战。首先对待识别指纹图像和模板指纹图像进行数据图像增强处理，以最大程度的消除噪音、汗液等的影响，有助于指纹关键点的提取。然后利用骨骼图获取候选待识别关键点和候选模板关键点，增加了待识别指纹图像和模板指纹图进行匹配的时候可用的关键点的数量，提升指纹匹配的质量。再计算候选待识别关键点和候选模板关键点的Harris响应，根据Harris响应和NMS算法筛选出待识别关键点和模板关键点并进行关键点匹配，Harris响应不受旋转、平移对图像的影响，解决了手指在注册与验证时窄条形指纹图像存在的旋转、平移甚至形变的问题。再利用几何拓扑结构筛选出最好的关键点对，最后利用关键点对之间的汉明距离和关键点对之间的欧式距离进行打分，根据打分结果获取待识别指纹图像和模板指纹图的识别结果。本实施例通过上述的步骤解决了窄条形指纹图像识别中，待识别指纹图像和模板指纹图的匹配问题，使得窄条形指纹图像能够准确进行识别，然后应用于更多的应用场景中。
请结合参看图2，其为本申请实施例提供的步骤S103的子步骤流程图。步骤S103，分别获取待识别骨骼图和模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点，具体包括下面步骤。
步骤S1031，分别提取待识别骨骼图和模板骨骼图上所有的点得到多个第一待识别关键点和多个第一模板关键点。
步骤S1032，分别计算每一个第一待识别关键点和每一个模板关键点的Harris响应。计算Harris响应的公式如下：
其中，
是关键点的横向梯度，
是关键点的纵向梯度，
是关键点的横向梯度和纵向梯度之积，
是Harris响应。
Harris响应不受旋转、平移对图像的影响，解决了手指在注册与验证时窄条形指纹图像存在的旋转、平移甚至形变的问题。
步骤S1033，根据每一个第一待识别关键点的Harris响应、每一个模板关键点的Harris响应和NMS算法从多个第一待识别关键点和多个第一模板关键点中筛选出多个待识别关键点和多个模板关键点。具体请参看步骤S10331-步骤S10332。
请结合参看图3，其为本申请实施例提供的步骤S1033的子步骤流程图。步骤S1033，根据每一个第一待识别关键点的Harris响应、每一个模板关键点的Harris响应和NMS算法从多个第一待识别关键点和多个第一模板关键点中筛选出多个待识别关键点和多个模板关键点，具体包括下面步骤。
步骤S10331，从多个第一待识别关键点和多个第一模板关键点中删除Harris响应为负的第一待识别关键点和第一模板关键点，得到多个第二待识别关键点和多个第二模板关键点。
步骤S10332，利用NMS算法从多个第二待识别关键点和多个第二模板关键点中筛选出多个待识别关键点和多个模板关键点。
请结合参看图4其为本申请实施例提供的步骤S104的子步骤流程图。步骤S104，根据预设匹配规则将多个待识别关键点中每一个待识别关键点与多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对，具体包括下面步骤。
步骤S1041计算每一个待识别关键点和每一个模板关键点的待识别描述子和模板描述子。
步骤S1042利用Brute-Force算法，根据每一个待识别关键点的待识别描述子和每一个模板关键点的模板描述子，将多个待识别关键点与多个模板关键点匹配为多对待定关键点对。Brute-Force算法是暴力(Brute Force)算法，是普通的模式匹配算法，Brute-Force算法的思想就是将目标串S的第一个字符与模式串T的第一个字符进行匹配，若相等，则继续比较S的第二个字符和 T的第二个字符；若不相等，则比较S的第二个字符和T的第一个字符，依次比较下去，直到得出最后的匹配结果。具体请结合参看图11，待识别指纹图像800和模板指纹图像700上的多个待识别关键点（图未示）与多个模板关键点（图未示）匹配为多对待定关键点对，待定关键点对之间的两点用直线进行连接示意。
步骤S1043用几何拓扑结构算法从多对待定关键点对中筛选出多对关键点对。在此步骤中，利用待定关键点对的几何拓扑结构选出最优的多对关键点对。将待匹配指纹图像中所有待匹配关键点中任意两点定义为i点和j点。其中，多个待匹配关键点中任意两点i点与j点的距离定义为d(Pq[i] – Pq[j])，同理，其对应模板指纹图像中所有模板关键点中任意两点定义为i点与j点。多个模板关键点中任意两点i点与j点的距离定义为d(Pt[i] –Pt[j])，i、j为大于1的整数。几何拓扑结构算法的公式定义为：
D(i, j) = | d(Pq[i] – Pq[j]) - d(Pt[i] – Pt[j])|
基于此公式，遍历待匹配指纹图像和模板指纹图像中所有的关键点，选择出最优的多对关键点对。具体请结合参看图12，待识别指纹图像800和模板指纹图像700上的多对待定关键点对利用几何拓扑结构算法筛选出多对关键点对，关键点对之间的两点用直线进行连接示意。
在本实施例中，利用几何拓扑结构算法筛选出多对关键点对，多对关键点对已经能够进行比较准确的匹配，提升窄条形指纹匹配的准确度。
请结合参看图5其为本申请实施例提供的步骤S101的子步骤流程图。步骤S101，将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像，具体包括下面步骤。
步骤S1011，将待识别指纹图像和模板指纹图像进行拉普拉斯变换得到第一待识别指纹图像和第一模板指纹图像。具体的请结合参看图8，以待识别指纹图像为例，将待识别指纹图像800进行拉普拉斯变换得到第一待识别指纹图像801。模板指纹图像实行与待识别指纹图像一样的图像处理在此不再赘述。
步骤S1012，将第一待识别指纹图像和第一模板指纹图像进行Gabor滤波得到第二待识别指纹图像和第二模板指纹图像。Gabor滤波是利用Gabor函数对窄条形指纹图像进行处理的过程，Gabor函数是一个用于边缘提取的线性滤波器。
具体的请结合参看图8，以待识别指纹图像为例，将第一待识别指纹图像801进行Gabor滤波得到第二待识别指纹图像802。模板指纹图像实行与待识别指纹图像一样的图像处理在此不再赘述。
步骤S1013，将第二待识别指纹图像和第二模板指纹图像进行二值化处理得到增强待识别指纹图像和增强模板指纹图像。具体的请结合参看图8，以待识别指纹图像为例，将第二待识别指纹图像802进行二值化处理得到强化待识别指纹图像803。模板指纹图像实行与待识别指纹图像一样的图像处理在此不再赘述。
在另一些可行的实施例中，对待识别指纹图像和模板指纹图像进行图像增强处理使用拉普拉斯变换、归一化处理、高斯滤波、直方图均衡化、Gabor滤波以及二值化处理中的一种或者几种指纹图像处理算法，具体使用的指纹图像处理根据实际的需求进行设定，因为在指纹图像处理算法中，不同的指纹图像处理算法采用的增强图不同，达到的处理效果也不同。这里列举的几种指纹图像处理算法仅做示例不做限定。
上述实施例中，利用指纹图像处理算法得到增强待识别指纹图像和增强模板指纹图像，从增强待识别指纹图像和增强模板指纹图像中获取到用于指纹识别的图像特征，便于对指纹图像进行进一步地处理。
请结合参看图6，其为本申请实施例提供的步骤S105的子步骤流程图。步骤S105，根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数，具体包括下面步骤。其中，多个待识别关键点和多个模板关键点包括坐标。
步骤S1051，计算每一组关键点对中待识别描述子和模板描述子之间的汉明距离。汉明距离表示两个（相同长度）字对应位不同的数量。
步骤S1052，计算每一组关键点对中待识别关键点的坐标和模板关键点的坐标之间的欧式距离。欧式距离是欧几里得距离或欧几里得度量，欧式距离是欧几里得空间中两点间“普通”（即直线）距离。
步骤S1053，根据汉明距离和欧式距离得到每一对关键点对的分数。具体请参看步骤S10531-步骤S10533。
在本实施例与传统的指纹匹配识别算法打分识别方式不同，本申请采用了一种复合打分方式，复合打分方式包括描述子相似度打分和关键点几何拓扑结构打分。
请结合参看图7，其为本申请实施例提供的步骤S1053的子步骤流程图。步骤S1053，根据汉明距离和欧式距离得到每一对关键点对的分数，具体包括下面步骤。
步骤S10531，根据汉明距离计算每一组关键点对的描述子相似度分数。描述子相似度分数计算公式为：
其中，
为描述子相似度分数，
为关键点对的对数，
为大于1的整数
为第i对关键点对的汉明距离，i为大于1的整数。
步骤S10532，根据欧式距离计算每一组关键点对的几何拓扑结构分数。几何拓扑结构分数计算公式为：
其中，
是几何拓扑结构分数，
为关键点对的对数，
为大于1的整数,
为多个待匹配关键点中任意两点i点与j点的距离，
，为多个模板关键点中任意两点i点与j点的距离，i、j为大于1的整数。
步骤S10533，根据描述子相似度分数和几何拓扑结构分数得到每一对关键点对的分数。关键点对的分数计算公式为：
其中，
是关键点对的分数，α为权重因子。
在本实施例中，采用了描述子相似度分数和几何拓扑结构分数两个维度的分数对关键点对的匹配效果进行评价，提高了待识别指纹图像和模板指纹图像之间匹配结果的准确度。
在一些优选的实施例中，应用于窄条形指纹传感器的指纹识别方法中使用的窄条形指纹传感器为窄条形曲面指纹传感器。
在一些优选的实施例中，应用于窄条形指纹传感器的指纹识别方法中窄条形指纹传感器为窄条形电容式曲面指纹传感器。
本申请还提供了一种存储介质。存储介质上存储有能够被处理器加载并执行的上述的应用于窄条形指纹传感器的指纹识别方法的程序指令。具体地，该存储介质可以是光盘、高密度数字视频光盘 (DigitalVideoDisc，DVD) 或者U盘等。由于存储介质存储了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。
本申请还提供一种指纹识别模组，指纹识别模组包括存储器和处理器，存储器用于存储程序指令。处理器，用于执行程序指令以使指纹识别模组实现如上述的应用于窄条形指纹传感器的指纹识别方法。本说明书中描述的许多功能单元已经作为模块被标注，以便更具体地强调他们的独立实施。例如，模块可以作为硬件电路而被实施，其中所述硬件电路包括定制的超大规模集成(VLSI)电路或门电路阵列、现成的半导体，诸如逻辑芯片、晶体管、或其他分立元件。模块还可以在可编程的硬件设备内被实施，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等等。
模块也可以在软件中被实施以便被各种类型的处理器执行。识别的可执行代码的模块可以，例如，包括一个或多个计算机指令的物理或逻辑块，其中物理或逻辑块可以例如被作为对象、程序、或功能而被组织。然而，识别的模块的可执行文件不需要物理上位于一起，但是可以包括储存在不同位置的不同的指令，当逻辑上结合到一起时，其包括模块且实现模块的规定的目标。
可执行代码的模块可以是单一指令或许多指令，并且甚至可以分布于不同程序间的众多不同的代码段，且遍及许多存储设备。同样地，可操作的数据在本文模块内会被识别及示出，并且可以以任何适合的形式被体现，且被组织在任何适合类型的数据结构内。可操作的数据可以作为单一数据集而被收集，或可以被分布于不同位置，其包括分布于不同的存储设备，并且可以至少部分地仅作为系统或网络上的电子信号而存在。
本领域的技术人员将意识到在所要求发明的范围内，可以针对描述的示例实施例进行修改，并且意识到许多其他实施例也是有可能的。
本申请还提供一种窄条形指纹传感器，该窄条形指纹传感器包括上述的指纹识别模组。
在一些优选的实施例中，该窄条形指纹传感器为窄条形曲面指纹传感器。
在一些优选的实施例中，该窄条形指纹传感器为窄条形电容式曲面指纹传感器。
由于窄条形指纹传感器采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。
本申请还提供一种电子设备900，电子设备900至少包括存储器901、处理器902和指纹识别传感器（图未示），其中，指纹识别传感器为窄条形曲面指纹传感器。在另一些优选的实施例中，该窄条形指纹传感器为窄条形电容式曲面指纹传感器。
电子设备900还包括主体（图未示），窄条形指纹识别传感器设置于主体的侧面，主体的侧面的外形和窄条形指纹识别传感器的外形相适配。具体地，电子设备可以是智能手机等。
进一步地，存储器901用于存储应用于窄条形指纹传感器的指纹识别方法的程序指令。处理器902，用于执行程序指令以使电子设备900实现上述的应用于窄条形指纹传感器的指纹识别方法。请结合参看图9，其为本申请实施例提供的电子设备900的内部结构示意图。
其中，存储器901至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器901在一些实施例中可以是电子设备900的内部存储单元，例如电子设备900的硬盘。存储器901在另一些实施例中也可以是电子设备900的外部存储设备，例如电子设备900上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字卡（Secure Digital, SD），闪存卡（Flash Card）等。进一步地，存储器901还可以既包括电子设备900的内部存储单元也包括外部存储设备。存储器901不仅可以用于存储安装于电子设备900的应用软件及各类数据，例如应用于窄条形指纹传感器的指纹识别方法的程序指令等，还可以用于暂时地存储已经输出或者将要输出的数据，例如应用于窄条形指纹传感器的指纹识别方法的执行产生的数据等。
处理器902在一些实施例中可以是中央处理器（Central Processing Unit,CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器901中存储的程序指令或处理数据。具体地，处理器902执行应用于窄条形指纹传感器的指纹识别方法的程序指令以控制电子设备900实现应用于窄条形指纹传感器的指纹识别方法。
进一步地，电子设备900还可以包括总线903可以是外设部件互连标准总线(peripheral component interconnect，简称PCI)或扩展工业标准结构总线(extendedindustry standard architecture，简称EISA)等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
进一步地，电子设备900还可以包括显示组件904。显示组件904可以是LED（LightEmitting Diode，发光二极管）显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight-Emitting Diode，有机发光二极管）触摸器等。其中，显示组件904也可以适当的称为显示装置或显示单元，用于显示在电子设备900中处理的信息以及用于显示可视化的用户界面。
进一步地，电子设备900还可以包括通信组件905，通信组件905可选的可以包括有线通信组件和/或无线通信组件（如WI-FI通信组件、蓝牙通信组件等），通常用于在电子设备900与其他电子设备之间建立通信连接。
图9仅示出了具有组件901-905以及实现应用于窄条形指纹传感器的指纹识别方法的程序指令的电子设备900，本领域技术人员可以理解的是，图9示出的结构并不构成对电子设备900的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。由于电子设备900采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
该应用于窄条形指纹传感器的指纹识别方法包括一个或多个程序指令。在设备上加载和执行该程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该设备可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该程序指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，该程序指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的应用于窄条形指纹传感器的指纹识别方法的实施例仅仅是示意性的，例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件 可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
该作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机 设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、流动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序指令的介质。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘且本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
以上所列举的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。
Claims (16)
1.一种应用于窄条形指纹传感器的指纹识别方法，其特征在于，所述应用于窄条形指纹传感器的指纹识别方法包括：
将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像；
根据所述增强待识别指纹图像和所述增强模板指纹图像生成待识别骨骼图和模板骨骼图；
分别获取所述待识别骨骼图和所述模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点；
根据预设匹配规则将所述多个待识别关键点中每一个待识别关键点与所述多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对；
根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数；以及
根据所述多对关键点对的分数输出所述待识别指纹图像的指纹识别结果。
2.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，分别获取所述待识别骨骼图和所述模板骨骼图上所有的点作为多个待识别关键点和多个模板关键点，具体包括：
分别提取所述待识别骨骼图和所述模板骨骼图上所有的点得到多个第一待识别关键点和多个第一模板关键点；
分别计算每一个第一待识别关键点和每一个模板关键点的Harris响应；以及
根据所述每一个第一待识别关键点的Harris响应、所述每一个模板关键点的Harris响应和NMS算法从所述多个第一待识别关键点和所述多个第一模板关键点中筛选出所述多个待识别关键点和所述多个模板关键点。
3.如权利要求2所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，根据所述每一个第一待识别关键点的Harris响应、所述每一个模板关键点的Harris响应和NMS算法从所述多个第一待识别关键点和所述多个第一模板关键点中筛选出所述多个待识别关键点和所述多个模板关键点，具体包括：
从所述多个第一待识别关键点和所述多个第一模板关键点中删除所述Harris响应为负的所述第一待识别关键点和所述第一模板关键点，得到多个第二待识别关键点和多个第二模板关键点；以及
利用所述NMS算法从所述多个第二待识别关键点和所述多个第二模板关键点中筛选出所述多个待识别关键点和所述多个模板关键点。
4.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，根据预设匹配规则将所述多个待识别关键点中每一个待识别关键点与所述多个模板关键点中的一个模板关键点进行匹配，得到多对关键点对，具体包括：
计算所述每一个待识别关键点和所述每一个模板关键点的待识别描述子和模板描述子；
利用Brute-Force算法，根据所述每一个待识别关键点的待识别描述子和所述每一个模板关键点的模板描述子，将所述多个待识别关键点与所述多个模板关键点匹配为多对待定关键点对；以及
利用何拓扑结构算法从所述多对待定关键点对中筛选出所述多对关键点对。
5.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，将待识别指纹图像和模板指纹图像根据预设增强算法进行增强处理得到增强待识别指纹图像和增强模板指纹图像，具体包括：
将所述待识别指纹图像和所述模板指纹图像进行拉普拉斯变换得到第一待识别指纹图像和第一模板指纹图像；
将所述第一待识别指纹图像和所述第一模板指纹图像进行Gabor滤波得到第二待识别指纹图像和第二模板指纹图像；以及
将所述第二待识别指纹图像和所述第二模板指纹图像进行二值化处理得到所述增强待识别指纹图像和所述增强模板指纹图像。
6.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，所述多个待识别关键点和所述多个模板关键点包括坐标，根据预设的复合打分方式对每一对关键点对进行打分，得到每一对关键点对的分数，具体包括：
计算所述每一组关键点对中所述待识别描述子和所述模板描述子之间的汉明距离；
计算所述每一组关键点对中所述待识别关键点的坐标和所述模板关键点的坐标之间的欧式距离；以及
根据所述汉明距离和所述欧式距离得到所述每一对关键点对的分数。
7.如权利要求6所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，根据所述汉明距离和所述欧式距离得到所述每一对关键点对的分数，具体包括：
根据所述汉明距离计算所述每一组关键点对的描述子相似度分数；
根据所述欧式距离计算所述每一组关键点对的几何拓扑结构分数；以及
根据所述描述子相似度分数和所述几何拓扑结构分数得到所述每一对关键点对的分数。
8.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，所述窄条形指纹传感器为窄条形曲面指纹传感器。
9.如权利要求1所述的应用于窄条形指纹传感器的指纹识别方法，其特征在于，所述窄条形指纹传感器为窄条形电容式曲面指纹传感器。
10.一种存储介质，其特征在于，所述存储介质上存储有能够被处理器加载并执行的如权利要求1~7任意一项所述的应用于窄条形指纹传感器的指纹识别方法的程序指令。
11.一种指纹识别模组，其特征在于，所述指纹识别模组包括：
存储器，用于存储程序指令；以及
处理器，用于执行所述程序指令以使所述指纹识别模组实现如权利要求1~7任意一项所述的应用于窄条形指纹传感器的指纹识别方法。
12.一种窄条形指纹传感器，其特征在于，所述窄条形指纹传感器包括如权利要求11所述的指纹识别模组。
13.如权利要求12所述的窄条形指纹传感器，其特征在于，所述窄条形指纹传感器为窄条形曲面指纹传感器。
14.如权利要求12所述的窄条形指纹传感器，其特征在于，所述窄条形指纹传感器为窄条形电容式曲面指纹传感器。
15.一种电子设备，其特征在于，所述电子设备设有指纹识别传感器，所述指纹识别传感器为窄条形曲面指纹传感器，所述电子设备还包括：
存储器，用于存储程序指令；以及
处理器，用于执行所述程序指令以使所述电子设备实现如权利要求1~7任意一项所述的应用于窄条形指纹传感器的指纹识别方法。
16.如权利要求15所述的电子设备，其特征在于，所述电子设备还包括主体，所述窄条形指纹识别传感器设置于所述主体的侧面，所述主体的侧面的外形和所述窄条形指纹识别传感器的外形相适配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110194983.7A CN112560818B (zh) | 2021-02-22 | 2021-02-22 | 应用于窄条形指纹传感器的指纹识别方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110194983.7A CN112560818B (zh) | 2021-02-22 | 2021-02-22 | 应用于窄条形指纹传感器的指纹识别方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560818A true CN112560818A (zh) | 2021-03-26 |
| CN112560818B CN112560818B (zh) | 2021-07-27 |
Family
ID=75034445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110194983.7A Active CN112560818B (zh) | 2021-02-22 | 2021-02-22 | 应用于窄条形指纹传感器的指纹识别方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560818B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743371A (zh) * | 2021-09-22 | 2021-12-03 | 京东方科技集团股份有限公司 | 一种指纹识别方法及指纹识别装置 |
| CN116311395A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956448A (zh) * | 2016-05-27 | 2016-09-21 | 广东欧珀移动通信有限公司 | 一种指纹解锁方法、装置及用户终端 |
| US20170076174A1 (en) * | 2014-05-06 | 2017-03-16 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
| CN106793086A (zh) * | 2017-03-15 | 2017-05-31 | 河北工业大学 | 一种室内定位方法 |
| CN208506771U (zh) * | 2018-06-06 | 2019-02-15 | 深圳市欧雷玛科技有限公司 | 基于指纹识别的移动支付系统及其非可视区域结构 |
| CN110186467A (zh) * | 2018-02-23 | 2019-08-30 | 通用汽车环球科技运作有限责任公司 | 群感测点云地图 |
| CN110322507A (zh) * | 2019-06-04 | 2019-10-11 | 东南大学 | 一种基于深度重投影和空间一致性特征匹配的方法 |
-
2021
- 2021-02-22 CN CN202110194983.7A patent/CN112560818B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170076174A1 (en) * | 2014-05-06 | 2017-03-16 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
| CN105956448A (zh) * | 2016-05-27 | 2016-09-21 | 广东欧珀移动通信有限公司 | 一种指纹解锁方法、装置及用户终端 |
| CN106793086A (zh) * | 2017-03-15 | 2017-05-31 | 河北工业大学 | 一种室内定位方法 |
| CN110186467A (zh) * | 2018-02-23 | 2019-08-30 | 通用汽车环球科技运作有限责任公司 | 群感测点云地图 |
| CN208506771U (zh) * | 2018-06-06 | 2019-02-15 | 深圳市欧雷玛科技有限公司 | 基于指纹识别的移动支付系统及其非可视区域结构 |
| CN110322507A (zh) * | 2019-06-04 | 2019-10-11 | 东南大学 | 一种基于深度重投影和空间一致性特征匹配的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘必罡 等: "Laplace-Gaussian 滤波算子在指纹增强中的应用", 《电子设计工程》 * |
| 唐可可: "基于局部形状描述和匹配选择的三维物体识别系统", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743371A (zh) * | 2021-09-22 | 2021-12-03 | 京东方科技集团股份有限公司 | 一种指纹识别方法及指纹识别装置 |
| CN116311395A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
| CN116311395B (zh) * | 2022-08-18 | 2023-11-14 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
| WO2024037057A1 (zh) * | 2022-08-18 | 2024-02-22 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560818B (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10354117B2 (en) | Fingerprint identification method and apparatus | |
| Matsuda et al. | Finger-vein authentication based on deformation-tolerant feature-point matching | |
| WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
| CN112560818B (zh) | 应用于窄条形指纹传感器的指纹识别方法及存储介质 | |
| WO2021136027A1 (zh) | 相似图像检测方法、装置、设备及存储介质 | |
| TWI607386B (zh) | 指紋辨識方法及其裝置 | |
| CN111429483A (zh) | 高速跨摄像机多目标跟踪方法、系统、装置及存储介质 | |
| US20160042516A1 (en) | Systems and methods for image alignment | |
| CN106056083B (zh) | 一种信息处理方法及终端 | |
| Shi et al. | An affine invariant approach for dense wide baseline image matching | |
| CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN111415373A (zh) | 基于孪生卷积网络的目标跟踪与分割方法、系统及介质 | |
| Kumar et al. | Salient keypoint-based copy–move image forgery detection | |
| Al-asadi et al. | Object based image retrieval using enhanced SURF | |
| US20110286670A1 (en) | Image processing apparatus, processing method therefor, and non-transitory computer-readable storage medium | |
| CN111222452A (zh) | 一种人脸匹配方法、装置、电子设备及可读存储介质 | |
| Aradhya et al. | A comprehensive of transforms, Gabor filter and k-means clustering for text detection in images and video | |
| CN104361339B (zh) | 掌形图形提取及识别方法 | |
| CN112149570A (zh) | 多人活体检测方法、装置、电子设备及存储介质 | |
| US9064142B2 (en) | High-speed fingerprint feature identification system and method thereof according to triangle classifications | |
| CN112507987A (zh) | 指纹识别方法、存储介质及计算机设备 | |
| CN105190689A (zh) | 包括基于毗连特征的对象检测和/或双边对称对象分段的图像处理 | |
| Oldal et al. | Biometric Authentication System based on Hand Geometry and Palmprint Features. | |
| Li et al. | Content-based lace fabric image retrieval system using texture and shape features | |
| CN111402177A (zh) | 一种清晰度检测方法、系统、设备和介质 |
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 |