CN112861607B - 一种远距离激光活体识别方法 - Google Patents

一种远距离激光活体识别方法 Download PDF

Info

Publication number
CN112861607B
CN112861607B CN202011596944.1A CN202011596944A CN112861607B CN 112861607 B CN112861607 B CN 112861607B CN 202011596944 A CN202011596944 A CN 202011596944A CN 112861607 B CN112861607 B CN 112861607B
Authority
CN
China
Prior art keywords
sample
living body
heartbeat
target
display
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
Application number
CN202011596944.1A
Other languages
English (en)
Other versions
CN112861607A (zh
Inventor
张华君
张紫龙
兰子柠
周子鸣
李盛
张达
李康伟
刘青
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.)
Hubei Institute Of Aerospacecraft
Original Assignee
Hubei Institute Of Aerospacecraft
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 Hubei Institute Of Aerospacecraft filed Critical Hubei Institute Of Aerospacecraft
Priority to CN202011596944.1A priority Critical patent/CN112861607B/zh
Publication of CN112861607A publication Critical patent/CN112861607A/zh
Application granted granted Critical
Publication of CN112861607B publication Critical patent/CN112861607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Human Computer Interaction (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种远距离激光活体识别方法，包括以下步骤S1、心跳数据采集及处理设备、测量设备和显控设备上电和系统初始化，通过测量设备的成像设备监测视野中是否存在待识别活体目标，若存在进入步骤S2，若没有继续监测；S2、成像设备将活体的图像信息回传至显控设备，显控设备控制测量设备的激光测振仪瞄准活体目标，瞄准持续时间T，获得目标完整的心跳样本数据，并发送至心跳数据采集及处理设备；S3、心跳数据采集及处理设备将目标的心跳样本数据进行处理并与样本库数据进行比对，若比对成功，则通过显控设备显示目标的身份信息，若比对失败，则通过显控设备发出提示。检测距离远且无感，可在受检目标无察觉的情况下完成身份识别、匹配。

Description

一种远距离激光活体识别方法
技术领域
本发明属于光电子信息技术领域，更具体地，涉及一种远距离激光活体识别方法。
背景技术
传统以指纹、虹膜、静脉、人脸等作为输入特征的身份识别系统要求受检目标与检测设备保持较近的距离(通常在1-2米以内)，且在姿态、动作、穿戴等方面要求一定的配合度，一旦目标超出检测范围或配合度不高，识别准确率将大大降低甚至难以完成识别。此外，指纹、虹膜、人脸等特征易于伪造，容易被犯罪分子和不良企图者利用，可有目的地骗过识别系统。
通过科技不断地发展，可采用激光多普勒速度计传感器采用非接触式的方式，对人体的心跳脉搏指标进行测量，例如申请号为201080063068.4的发明专利，公开了一种非接触式生物识别感测的系统和方法，通过关键生理参数的距外评估帮助现场评估受难者状态。通过进一步研究发现个体的心脏起搏信号在较长时期内具备独有的特征(即唯一性)，所以可根据此特征进行身份识别。
发明内容
针对上述情况，提出了一种激光远程活体识别方法，该方法采用激光振动仪为信号发射源和采集装置，仪器发射激光束照射位于远处的生物体表面，通过对反射的多普勒信号的幅度、频移等进行检测，可提取出该生物特定的心脏起搏信号，可根据此特征进行身份识别。
一种远距离激光活体识别方法，包括以下步骤：
S1、心跳数据采集及处理设备、测量设备和显控设备上电和系统初始化，通过测量设备的成像设备监测视野中是否存在待识别活体目标，若存在进入步骤S2，若没有继续监测；
S2、所述成像设备将活体的图像信息回传至显控设备，显控设备控制测量设备的激光测振仪瞄准活体目标，瞄准持续时间T，获得目标完整的心跳样本数据，并发送至心跳数据采集及处理设备；
S3、心跳数据采集及处理设备将目标的心跳样本数据进行处理并与样本库数据进行比对，若比对成功，则通过显控设备显示目标的身份信息，若比对失败，则通过显控设备发出提示。
进一步地，步骤S1中，所述测量设备还包括用于调整成像设备和激光测振仪方位的云台，所述成像设备和激光测振仪安装于云台上。
具体地，所述云台为手动支架或伺服机构。
进一步具体地，所述成像设备包括红外和可见光镜头中的任一种。
更进一步地，所述心跳数据采集及处理设备包括数据采集模块、滤波与特征提取功能模块、样本匹配功能模块、心跳样本库功能模块和显示模块，
所述数据采集模块用于将激光测振仪接收的心振信号模拟量转换为数字量；
所述滤波与特征提取功能模块用于接收心振信号数字量，同时通过滤波、峰值检测、时域剪切分段、对齐与自动增益控制产生等长度的心振样本序列；
所述样本匹配功能模块用于将采集的样本特征向量与心跳样本库的样本特征向量进行匹配；
所述心跳样本库功能模块用于存储已采集到的活体目标心跳样本数据，同时关联相关目标的身份信息；
所述显示模块用于显示激光测振仪回传的图像信号，和活体目标心跳数据与样本库的匹配结果。
进一步具体地，所述滤波与特征提取功能模块产生等长度的心振样本序列的具体步骤如下：
a)首先采用高阶巴特沃斯带通滤波器滤除高频噪声和基底漂移噪声，通带频点fp1-fp2的范围在0.4-20Hz之间；
b)对信号进行小波变换进一步滤除噪声，采用自适应阈值调整小波系数，然后进行逆变换，变换阶数≤5；
c)以典型峰峰值点间隔时间为标准进行均匀剪切，获得等长的心跳样本序列集合；
d)对所有序列进行自动增益控制，确保所有序列的最大幅值在限定区间内；
e)采用K-means方法计算序列集合的质心，K＝1，计算质心与所有序列的欧式距离，剔除10％-30％距离较远的异常序列，保留剩余序列；
f)采用主成分分析法取每个序列前20-30主成分分量作为样本的特征向量。
具体地，所述心跳样本库功能模块存储的数据同样采用a)-f)的步骤进行预处理后再存储。
进一步地，步骤a完成后还包括
a1)然后设计FIR陷波器进一步滤除50Hz工频干扰。
更进一步地，步骤a中根据实际设备状态及环境噪声对通带频点fp1-fp2的范围进行调整。
进一步地，所述样本匹配功能模块通过SVM分类器计算其类别属性；
所述SVM分类器采用“一对一投票法”进行设计，即从样本库中任选2个体的特征向量进行配对，构造一个SVM二分类器，假设样本库中共有N个人的特征向量，则需构造N(N-1)/2个SVM二分类器，将待匹配样本的特征向量输入N(N-1)/2个分类器中，每个分类器输出一个类别标示，得票最多且超过一定阈值Q的标示即为样本的真实身份，否则可判定该样本不存在于现有样本库中。
进一步地，步骤S2中，瞄准持续时间T为10-30s。
具体地，所述身份信息包括姓名、年龄和职业。
与现有技术相比，本发明的有益效果是：
1、检测距离远且无感(至少达到100米以外)，可在受检目标无察觉的情况下完成身份识别、匹配。
2、伪造难度高，由于心脏起搏信号产生自体内，表征为皮肤表层有规律的微小振动，伪造难度极高。
3、通过本发明的滤波算法，有效地将待识别活体反射的微弱信号，进行滤波提取，提高了检测的可靠性和准确率，实测可达到95％以上的识别准确率，在某些特殊领域具备较高的实用性。
4、具备一定的穿透性，在穿戴衣物的情况下也可识别，不需要受检者裸露皮肤。
5、激光测振仪发出的激光功率低，对被识别目标无伤害。
附图说明
图1为本发明的原理组成图；
图2为本发明中各设备的连接关系图；
图3为本发明的实施流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，均属于本发明保护的范围。
实施例1
如图1-3所示，一种远距离激光活体识别方法，包括以下步骤：
S1、心跳数据采集及处理设备、测量设备和显控设备上电和系统初始化，通过测量设备的成像设备监测视野中是否存在待识别活体目标，若存在进入步骤S2，若没有继续监测；
S2、所述成像设备将活体的图像信息回传至显控设备，显控设备控制测量设备的激光测振仪瞄准活体目标，瞄准持续时间25s，获得目标完整的心跳样本数据，并发送至心跳数据采集及处理设备；
S3、心跳数据采集及处理设备将目标的心跳样本数据进行处理并与样本库数据进行比对，若比对成功，则通过显控设备显示目标的身份信息，若比对失败，则通过显控设备发出提示。
步骤S1中，所述测量设备还包括用于调整成像设备和激光测振仪方位的云台，所述成像设备和激光测振仪安装于云台上。
所述云台为手动支架或伺服机构，所述成像设备为红外，用于指示活体目标的实际方位。成像设备若监测到视野中存在活体目标，将远处活体的图像信息回传至显控设备，显控设备显示回传的图像信号，同时对云台发出对准控制指令，控制伺服机构转动，实现激光测振仪持续瞄准式照射。其中伺服机构可采购现有的成熟产品进行应用。
所述心跳数据采集及处理设备包括数据采集模块、滤波与特征提取功能模块、样本匹配功能模块、心跳样本库功能模块和显示模块，
所述数据采集模块用于将激光测振仪接收的心振信号模拟量转换为数字量；
所述滤波与特征提取功能模块用于接收心振信号数字量，同时通过滤波、峰值检测、时域剪切分段、对齐与自动增益控制产生等长度的心振样本序列；
所述样本匹配功能模块用于将采集的样本特征向量与心跳样本库的样本特征向量进行匹配；
所述心跳样本库功能模块用于存储已采集到的活体目标心跳样本数据，同时关联相关目标的身份信息；
所述显示模块用于显示激光测振仪回传的图像信号，和活体目标心跳数据与样本库的匹配结果，即该目标是否已存在于样本数据库中。
其中进行识别的具体步骤如下，成像设备将视野中存在活体目标成像后，成像信息传输至显控设备，激光测振仪发射光束信号，同时显控设备控制云台进行持续瞄准，由待识别活体(活体目标)反射的光束信号通过激光测振仪接收。激光测振仪采集到完整的心跳样本数据，将该振动信号(模拟信号)发送至数据采集模块，采集模块将振动信号转换成数字信号后发送至滤波与特征提取功能模块，进行滤波提取心振样本序列，样本匹配功能模块将该心振样本序列与心跳样本库功能模块中的数据进行比对后，通过显示模块显示目标的身份信息。
所述滤波与特征提取功能模块产生等长度的心振样本序列的具体步骤如下：
a)首先采用高阶巴特沃斯带通滤波器滤除高频噪声和基底漂移噪声，通带频点fp1-fp2的范围在0.4-20Hz之间，即心电图的频率范围，避免其他频率混入干扰；
a1)然后设计FIR陷波器进一步滤除50Hz工频干扰，即滤除220V供电电源的频率干扰；
b)对信号进行小波变换进一步滤除噪声，采用自适应阈值调整小波系数，然后进行逆变换，变换阶数为4,进一步滤除随机噪声和干扰；
c)以典型峰峰值点间隔时间为标准进行均匀剪切，获得等长的心跳样本序列集合，以获得单次心跳序列样本,便于后续匹配算法处理；
d)对所有序列进行自动增益控制，确保所有序列的最大幅值在限定区间内，进一步滤除失真样本；
e)采用K-means方法计算序列集合的质心，K＝1，计算质心与所有序列的欧式距离，剔除10％-30％距离较远的异常序列，保留剩余序列，更进一步滤除失真样本；
f)采用主成分分析法取每个序列前25主成分分量作为样本的特征向量，提取最关键的特征信息，同时减少计算量，其中特征信息即一组向量，用于标记该身份的向量信息。
所述心跳样本库功能模块存储的数据同样采用a)-f)的步骤进行预处理后再存储。步骤a中根据实际设备状态及环境噪声对通带频点fp1-fp2的范围进行调整，例如检测环境中有雾等因素，可将通带频点fp1-fp2的范围调整为0-20Hz。
所述样本匹配功能模块通过SVM分类器计算其类别属性；
所述SVM分类器采用“一对一投票法”进行设计，即从样本库中任选2个体的特征向量进行配对，构造一个SVM二分类器，假设样本库中共有N个人的特征向量，则需构造N(N-1)/2个SVM二分类器，将待匹配样本的特征向量输入N(N-1)/2个分类器中，每个分类器输出一个类别标示，得票最多且超过一定阈值Q的标示即为样本的真实身份，否则可判定该样本不存在于现有样本库中，该分类方式应用成熟稳定。
实施例2
本实施例与实施例1的不同之处在于：
所述云台为手动支架，成像设备为可见光镜头，具备变焦放大功能，通过成像设备将视野中存在活体目标成像后，成像信息传输至显控设备，人工通过云台使激光测振仪对目标瞄准持续12s，获得活体的振动信号。
滤波和提取特征过程中，对信号进行小波变换进一步滤除噪声，采用自适应阈值调整小波系数，然后进行逆变换，变换阶数为5。
其余内容与实施例1相同。

Claims (6)

1.一种远距离激光活体识别方法，其特征在于包括以下步骤：
S1、心跳数据采集及处理设备、测量设备和显控设备上电和系统初始化，通过测量设备的成像设备监测视野中是否存在待识别活体目标，若存在进入步骤S2，若没有继续监测；
S2、所述成像设备将活体的图像信息回传至显控设备，显控设备控制测量设备的激光测振仪瞄准活体目标，瞄准持续时间T，获得目标完整的心跳样本数据，并发送至心跳数据采集及处理设备；
S3、心跳数据采集及处理设备将目标的心跳样本数据进行处理并与样本库数据进行比对，若比对成功，则通过显控设备显示目标的身份信息，若比对失败，则通过显控设备发出提示；
步骤S1中，所述测量设备还包括用于调整成像设备和激光测振仪方位的云台，所述成像设备和激光测振仪安装于云台上；
所述心跳数据采集及处理设备包括数据采集模块、滤波与特征提取功能模块、样本匹配功能模块、心跳样本库功能模块和显示模块，
所述数据采集模块用于将激光测振仪接收的心振信号模拟量转换为数字量；
所述滤波与特征提取功能模块用于接收心振信号数字量，同时通过滤波、峰值检测、时域剪切分段、对齐与自动增益控制产生等长度的心振样本序列；
所述样本匹配功能模块用于将采集的样本特征向量与心跳样本库的样本特征向量进行匹配；
所述心跳样本库功能模块用于存储已采集到的活体目标心跳样本数据，同时关联相关目标的身份信息；
所述显示模块用于显示激光测振仪回传的图像信号，和活体目标心跳数据与样本库的匹配结果；
所述滤波与特征提取功能模块产生等长度的心振样本序列的具体步骤如下：
a)首先采用高阶巴特沃斯带通滤波器滤除高频噪声和基底漂移噪声，通带频点fp1-fp2的范围在0.4-20Hz之间；
b)对信号进行小波变换进一步滤除噪声，采用自适应阈值调整小波系数，然后进行逆变换，变换阶数≤5；
c)以典型峰峰值点间隔时间为标准进行均匀剪切，获得等长的心跳样本序列集合；
d)对所有序列进行自动增益控制，确保所有序列的最大幅值在限定区间内；
e)采用K-means方法计算序列集合的质心，K＝1，计算质心与所有序列的欧式距离，剔除10％-30％距离较远的异常序列，保留剩余序列；
f)采用主成分分析法取每个序列前20-30主成分分量作为样本的特征向量；
所述样本匹配功能模块通过SVM分类器计算其类别属性；
所述SVM分类器采用“一对一投票法”进行设计，即从样本库中任选2个体的特征向量进行配对，构造一个SVM二分类器，假设样本库中共有N个人的特征向量，则需构造N(N-1)/2个SVM二分类器，将待匹配样本的特征向量输入N(N-1)/2个分类器中，每个分类器输出一个类别标示，得票最多且超过一定阈值Q的标示即为样本的真实身份，否则可判定该样本不存在于现有样本库中。
2.根据权利要求1所述的远距离激光活体识别方法，其特征在于所述云台为手动支架或伺服机构。
3.根据权利要求1所述的远距离激光活体识别方法，其特征在于所述成像设备包括红外和可见光镜头中的任一种。
4.根据权利要求1所述的远距离激光活体识别方法，其特征在于步骤a完成后还包括
a1)然后设计FIR陷波器进一步滤除50Hz工频干扰。
5.根据权利要求1所述的远距离激光活体识别方法，其特征在于步骤S2中，瞄准持续时间T为10-30s。
6.根据权利要求1所述的远距离激光活体识别方法，其特征在于所述身份信息包括姓名、年龄和职业。
CN202011596944.1A 2020-12-29 2020-12-29 一种远距离激光活体识别方法 Active CN112861607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011596944.1A CN112861607B (zh) 2020-12-29 2020-12-29 一种远距离激光活体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011596944.1A CN112861607B (zh) 2020-12-29 2020-12-29 一种远距离激光活体识别方法

Publications (2)

Publication Number Publication Date
CN112861607A CN112861607A (zh) 2021-05-28
CN112861607B true CN112861607B (zh) 2022-10-04

Family

ID=75998175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011596944.1A Active CN112861607B (zh) 2020-12-29 2020-12-29 一种远距离激光活体识别方法

Country Status (1)

Country Link
CN (1) CN112861607B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468494B (zh) * 2021-06-16 2024-04-12 南京润楠医疗电子研究院有限公司 一种非接触式的基于心跳的用户身份连续认证方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN106529431A (zh) * 2016-10-31 2017-03-22 武汉大学 基于车载激光扫描数据的路坎点自动提取及矢量化方法
CN108366744A (zh) * 2015-12-28 2018-08-03 莱夫毕恩技术有限公司 用于检测生理参数的系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063645B (zh) * 2014-07-01 2017-08-04 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
CN104573458B (zh) * 2014-12-30 2017-05-31 深圳先进技术研究院 一种基于心电信号的身份识别方法、装置及系统
CN106503615B (zh) * 2016-09-20 2019-10-08 北京工业大学 基于多传感器的室内人体检测跟踪和身份识别系统
WO2019033025A1 (en) * 2017-08-10 2019-02-14 Patroness, LLC SYSTEMS AND METHODS FOR IMPROVED AUTONOMOUS OPERATIONS OF A MOTORIZED MOBILE SYSTEM
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
CN107981858B (zh) * 2017-11-27 2020-12-01 上海优加利健康管理有限公司 基于人工智能的心电图心搏自动识别分类方法
CN111275064B (zh) * 2018-12-05 2022-11-18 爱科维申科技（天津）有限公司 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法
CN111606162B (zh) * 2020-06-11 2021-09-03 英业达科技有限公司 商办楼宇智能电梯监控系统及其方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别系统
CN108366744A (zh) * 2015-12-28 2018-08-03 莱夫毕恩技术有限公司 用于检测生理参数的系统及方法
CN106529431A (zh) * 2016-10-31 2017-03-22 武汉大学 基于车载激光扫描数据的路坎点自动提取及矢量化方法

Also Published As

Publication number Publication date
CN112861607A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN113420624B (zh) 一种非接触式疲劳检测方法及系统
Wang et al. Near-and far-infrared imaging for vein pattern biometrics
US8232866B2 (en) Systems and methods for remote long standoff biometric identification using microwave cardiac signals
CN101421744B (zh) 电-生物身份识别方法和设备
KR101270954B1 (ko) 심전도 신호 및 지문인식을 이용한 생체인식 시스템
CN107392177A (zh) 一种人体身份识别验证方法及其装置
KR20160078208A (ko) 생체 인증 장치 및 방법
US7889053B2 (en) Remote, non-contacting personnel bio-identification using microwave radiation
US20010033220A1 (en) Security control method and system
CN110287918A (zh) 活体识别方法及相关产品
CN112861607B (zh) 一种远距离激光活体识别方法
Dosso et al. Eulerian magnification of multi-modal RGB-D video for heart rate estimation
CN109199411B (zh) 基于模型融合的案件知情者识别方法
CN109523545A (zh) 一种非接触式心率检测方法及系统
Haque et al. Heartbeat signal from facial video for biometric recognition
CN111657971A (zh) 基于微多普勒和视觉感知融合的非接触测谎系统及方法
CN100365644C (zh) 身份识别和鉴定方法
CN111640097A (zh) 皮肤镜图像识别方法及设备
CN104793743B (zh) 一种虚拟社交系统及其控制方法
CN110464369A (zh) 一种基于人体体征数值的精神状态判断算法
CN112716468A (zh) 基于三维卷积网络的非接触心率测量方法及装置
Bevilacqua et al. Retinal fundus biometric analysis for personal identifications
Derawi et al. Fusion of gait and ECG for biometric user authentication
Amiruddin et al. Performance evaluation of human identification based on ECG signal
Repcik et al. Biometric authentication using the unique characteristics of the ECG signal

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