CN113011284A - 一种签名指印的识别方法 - Google Patents

一种签名指印的识别方法 Download PDF

Info

Publication number
CN113011284A
CN113011284A CN202110228096.7A CN202110228096A CN113011284A CN 113011284 A CN113011284 A CN 113011284A CN 202110228096 A CN202110228096 A CN 202110228096A CN 113011284 A CN113011284 A CN 113011284A
Authority
CN
China
Prior art keywords
fingerprint
signature
rolling
minutiae
fingerprints
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
Application number
CN202110228096.7A
Other languages
English (en)
Other versions
CN113011284B (zh
Inventor
张永良
谢蔚
李志伟
黄聪敏
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.)
Hangzhou Jinglianwen Technology Co ltd
Original Assignee
Hangzhou Jinglianwen Technology Co ltd
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 Hangzhou Jinglianwen Technology Co ltd filed Critical Hangzhou Jinglianwen Technology Co ltd
Priority to CN202110228096.7A priority Critical patent/CN113011284B/zh
Publication of CN113011284A publication Critical patent/CN113011284A/zh
Application granted granted Critical
Publication of CN113011284B publication Critical patent/CN113011284B/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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种签名指印的识别方法，包括以下步骤：1)签名指印与滚动指纹的配准以及弱标签的制作，将滚动指纹向签名指印进行配准，利用传统算法提取滚动指纹的方向场和细节点，作为签名指印的弱标签；2)基于弱标签的签名指印图像增强和细节点提取的多任务全卷积神经网络的训练，以签名指印的弱标签做为训练标签，得到同时生成签名指印增强图和细节点的全卷积神经网络模型；3)基于细节点模板和纹理模板的多分数策略融合，对生成的签名指印增强图和细节点，进行细节点编码和纹理编码，再进行比对，比对后的分数进行策略融合，得到指印的最终比对分数。本发明不需要专家手工标记指印细节点，节省了大量的时间和人力成本，且有较高的比对准确率。

Description

一种签名指印的识别方法
技术领域
本发明涉及图像处理、机器学习、深度学习和指印鉴定等领域知识，主要引入了一种签名指印的处理和比对识别的方法。
背景技术
合同是民事主体之间设立、变更、终止民事法律关系的协议，是私法自治的主要表现。而签定合同的双方需要在合同上留下能证明个人身份的信息，其中最常用的是签名、印章和指印。签名能在一定程度上体现个人身份，但是使用签名来证明合同上的身份依据存在一些弊端。首先，现实生活中存在代签和冒名顶替的现象，这极大地影响了签名的可靠性；其次，名字不一定能唯一地确定一个人的身份，部分人除了身份证上的名字外，还有曾用名、别名、小名等，并且还有可能存在同名同姓的情况。在民事活动中，盖私章的也不计其数，与签名相比，盖章在法律上的风险是很大的。一方面，如果私章没有经过有关部门的备案登记不具有公信力；另一方面，私章是与人分离的，不像签名因个人笔迹有别而“字如其人”，故盖下的私章是否代表本人的意思难以确定，现实生活中也存在伪造印章的案例。按指印能够明确个人身份，因为指纹具有唯一性，且难以伪造，因此，与签名和印章相比更加安全可靠。但是，仅通过指印很难与当事人联系起来，所以在司法实践中，最为慎重的选择就是签名与指印相结合。
虽然签名指印是证明身份较为方便可靠的方式，但是，如何判断签名指纹与某人的手指是否匹配，对于普通的指纹识别算法来说，仍是一个难题。这主要是由两个问题造成的。一个是在按指印的过程中，因为手指和纸张的抖动，或者印油太浓太浅，使得按出的指印纹线模糊不清；另一个问题是指印上的签名会被普通算法误认为是指纹的脊线，从而影响识别的准确性。因此，传统的签名指印识别方法，需要借助文件检验设备来增强放大指印纹线，再由专家手工标注细节点，然后利用基于细节点的比对算法和目标手指指纹比对。这个过程不仅依赖昂贵的设备，而且需要花费大量的时间和劳动力来标注细节点，效率很低。因此，急需一款全自动的签名指印识别算法来替代这个过程，从而减少时间、设备和劳动成本。
发明内容
为了解决签名指印的模糊和指印上的签名对比对算法的影响问题，本发明提出了一种用弱标签来训练卷积神经网络的方法，这种方法不依赖于专用的文件检验设备，并且整个过程是全自动进行的，不需要专家的参与，极大地降低了时间、设备和劳动成本；并且利用卷积神经网络强大的表示能力，该方法有较高的检测性能和比对的准确性。
为了解决上述提到的问题本发明提供如下的技术方案：
一种签名指印的识别方法，该方法包括以下步骤：
1)将滚动指纹向签名指印进行配准，利用基于Gabor增强的指纹细节点提取算法提取滚动指纹的方向场和细节点，作为签名指印的弱标签；
2)以签名指印的弱标签作为训练标签，得到同时生成签名指印增强图和细节点的全卷积神经网络模型；
3)对生成的签名指印增强图和细节点，进行细节点编码和纹理编码，再进行比对，比对后的分数进行策略融合，得到指印的最终比对分数。
进一步，所述步骤1)包括如下步骤：
1.1)使用扫描仪获取500dpi的合同图像，根据指印的颜色信息，框定出大小为500×300的签名指印区域，同时，使用指纹采集仪来获取与签名指印对应的滚动指纹图像；
1.2)利用基于Gabor增强的指纹细节点提取算法，分别提取指印和滚动指纹上的细节点；
1.3)使用基于八分圆最近邻特征结构的匹配算法，找到指印和滚动指纹上对应的细节点点对，根据这些点对计算滚动指纹的仿射变换矩阵，然后用仿射变换将滚动指纹图像向签名指印图像进行配准，得到与指印配准后的滚动指纹；
1.4)手工制作签名指印和滚动指纹的分割掩码标签，使用全卷积神经网络，训练签名指印和滚动指纹的分割掩码模型；
1.5)利用分割掩码模型，对指印和滚动指纹进行分割，计算两者的公共区域掩码，利用公共区域掩码，对签名指印和滚动指纹进行分割，得到具有相同指纹区域的签名指印和滚动指纹；
1.6)利用索贝尔算子计算分割后的滚动指纹的梯度，再用二倍角公式和其梯度，计算出滚动指纹的方向场，作为签名指印的方向场弱标签。
1.7)利用基于Gabor增强的指纹细节点提取算法，提取分割后的滚动指纹上的细节点，生成细节点位置热力图和细节点方向图，作为签名指印的细节点弱标签。
优选的，所述1.6)中，计算公式如下：
Figure BDA0002956816750000031
Figure BDA0002956816750000032
Figure BDA0002956816750000033
Figure BDA0002956816750000034
Figure BDA0002956816750000035
Figure BDA0002956816750000036
其中，*表示卷积运算，I表示输入的滚动指纹图像，Sx和Sy表示索贝尔算子：
Figure BDA0002956816750000037
Figure BDA0002956816750000038
和
Figure BDA0002956816750000039
是用输入图和Sx、Sy做一个卷积运算，计算出来的x方向和y方向的梯度，Jw是一个大小为w×w的全1矩阵，w指的是窗口大小，θ是最后计算出的方向场。
再进一步，所述步骤2)包括如下步骤：
2.1)签名指印的图像增强部分，过程如下：
a.构建签名指印方向场全卷积神经网络，该网络以签名指印图像作为输入，预测签名指印的方向场，训练时，使用滚动指纹的方向场弱标签，作为该网络的训练标签；
b.将指印方向场中所有的角度离散化，构建对应角度的Gabor增强核，利用方向场网络预测的签名指印的方向角度，选择对应的Gabor增强核，对签名指印进行增强；
2.2)签名指纹增强图像的细节点提取部分，过程如下：
a.构建签名指印的细节点特征提取的全卷积神经网络，该网络以签名指印的增强图像作为输入，同时预测细节点的位置热力图以及细节点的方向图，预测细节点的方向图时，结合了增强部分得到的方向场；
b.部署时，选出预测的细节点位置热力图中超过阈值的点，作为细节点候选，利用非极大值抑制，删除部分不符合条件的细节点候选，利用筛选出的细节点位置和细节点方向图上对应的方向，生成预测的签名指印细节点。
更进一步，所述步骤3)包括如下步骤：
3.1)利用2)中指印增强细节点提取网络，得到签名指印的增强图和细节点m1，根据m1生成细节点模板T_m1；
3.2)利用基于Gabor增强的指纹细节点提取算法，得到签名指印增强图的细节点m2，根据m2生成细节点模板T_m2；
3.3)使用基于训练的小面积指印比对模型，分别用m1和m2，对未分割的签名指印进行纹理编码，纹理模板T_t1和T_t2；
3.4)计算T_m1、T_m2、T_t1、T_t2对应的比对分数，决策最终的比对结果。
本发明中，签名指印弱标签制作流程。该流程利用与签名指印配准后的滚动指纹，来生成签名指印的方向场和细节点弱标签。该过程不需要人工标注，节省了大量的时间和劳动成本，同时解决了细节点提取模型的训练样本不足的问题，可用于生成大批量的指纹细节点标签。
基于弱标签的签名指印图像增强和细节点提取的多任务全卷积神经网络。使用滚动指纹生成的弱标签训练，解决了因为签名指印模糊和指纹上的签名，部分细节点难以标注的问题。该网络先利用方向场进行Gabor增强，再对增强后的签名指印提取细节点，这种设计能降低细节点提取模块的训练难度，并且分任务训练能在一定程度上防止模型过拟合。
结合指纹细节点特征和纹理特征的比对策略。传统的基于八分圆最近邻特征结构匹配算法，只使用了指纹的细节点特征来进行比对；而基于小面积的指印比对模型，则更侧重于利用指纹的纹理特征来比对。本发明中，使用这两种算法比对分数融合的比对方法，能结合指纹的细节点特征和纹理特征的优势，大幅度增强比对的准确性。
本发明的有益效果为：不依赖于专用的文件检验设备，并且整个过程是全自动进行的，不需要专家的参与，极大地降低了时间、设备和劳动成本；并且利用卷积神经网络强大的表示能力，该方法有较高的检测性能和比对的准确性。
附图说明
图1是细节点提取模型训练样本制作流程图。
图2是细节点提取网络大致结构图。
图3是在线部署流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1～图3，一种签名指印的识别方法，该方法包括以下步骤：
1)将滚动指纹向签名指印进行配准，利用基于Gabor增强的指纹细节点提取算法提取滚动指纹的方向场和细节点，作为签名指印的弱标签；
2)以签名指印的弱标签作为训练标签，得到同时生成签名指印增强图和细节点的全卷积神经网络模型；
3)对生成的签名指印增强图和细节点，进行细节点编码和纹理编码，再进行比对，比对后的分数进行策略融合，得到指印的最终比对分数。
图1描述了细节点提取模型的训练样本制作过程，通过该过程可以得到合同上的签名指印图像，以及其对应的方向场弱标签和细节点弱标签，步骤如下：
1.1)使用扫描仪获取500dpi的合同图像，根据指印的颜色信息，框定出大小为500×300的签名指印区域，同时，使用指纹采集仪来获取与签名指印对应的滚动指纹图像。
1.2)利用基于Gabor增强的指纹细节点提取算法，分别提取指印和滚动指纹上的细节点。
1.3)使用基于八分圆最近邻特征结构的匹配算法，找到指印和滚动指纹上对应的细节点点对，根据这些点对计算滚动指纹的仿射变换矩阵，然后用仿射变换将滚动指纹图像向签名指印图像进行配准，同时将滚动指纹的细节点也映射到变换后的图像上，得到与指印配准后的滚动指纹和其细节点。
1.4)手工制作签名指印和滚动指纹的分割掩码标签，使用全卷积神经网络，训练签名指印和滚动指纹的分割掩码模型。
1.5)利用分割掩码模型，对指印和滚动指纹进行分割，计算两者的公共区域掩码，利用公共区域掩码，对签名指印和滚动指纹进行分割，得到具有相同指纹区域的签名指印和滚动指纹。
1.6)利用索贝尔算子计算分割后的滚动指纹的梯度，再用二倍角公式和其梯度，计算出滚动指纹的方向场，作为签名指印的方向场弱标签，计算公式如下：
Figure BDA0002956816750000061
Figure BDA0002956816750000062
Figure BDA0002956816750000063
Figure BDA0002956816750000064
Figure BDA0002956816750000065
Figure BDA0002956816750000066
其中*表示卷积运算，I表示输入的滚动指纹图像，Sx和Sy表示索贝尔算子：
Figure BDA0002956816750000067
Figure BDA0002956816750000068
和
Figure BDA0002956816750000069
是用输入图和Sx、Sy做一个卷积运算，计算出来的x方向和y方向的梯度，Jw是一个大小为w×w的全1矩阵，w指的是窗口大小，θ是最后计算出的方向场。
1.7)利用基于Gabor增强的指纹细节点提取算法，提取分割后的滚动指纹上的细节点，生成细节点位置热力图和细节点方向图，作为签名指印的细节点弱标签。
图2描述了签名指印的增强细节点提取网络的大致结构，其主要包括两个模块：增强模块和细节点模块，步骤如下：
2.1)签名指印的图像增强部分，过程如下：
a.构建签名指印方向场全卷积神经网络，该网络以签名指印图像作为输入，预测签名指印的方向场，训练时，使用滚动指纹的方向场弱标签，作为该网络的训练标签；
b.将指印方向场中所有的角度离散化，构建对应角度的Gabor增强核，利用方向场网络预测的签名指印的方向角度，选择对应的Gabor增强核，对签名指印进行增强；
2.2)签名指纹增强图像的细节点提取部分，过程如下：
a.构建签名指印的细节点特征提取的全卷积神经网络，该网络以签名指印的增强图像作为输入，同时预测细节点的位置热力图以及细节点的方向图，预测细节点的方向图时，结合了增强部分得到的方向场；
b.部署时，选出预测的细节点位置热力图中超过阈值的点，作为细节点候选，利用非极大值抑制，删除部分不符合条件的细节点候选，利用筛选出的细节点位置和细节点方向图上对应的方向，生成预测的签名指印细节点。
图3描述了本发明的在线部署流程图，步骤如下：
3.1)使用扫描仪扫描合同图像，框定出500×300的签名指印区域，利用分割掩码模型对签名指印图像进行分割；
3.2)将分割后的签名指印输入增强细节点提取模型，得到签名指印的增强图和细节点m1，根据m1生成细节点模板T_m1；
3.3)利用基于Gabor增强的指纹细节点提取算法，得到签名指印增强图的细节点m2，根据m2生成细节点模板T_m2；
3.4)使用基于小面积的指印比对模型，分别用m1和m2，对未分割的签名指印进行纹理编码，纹理模板T_t1和T_t2；
3.5)计算T_m1、T_m2、T_t1、T_t2对应的比对分数，决策最终的比对结果。

Claims (5)

1.一种签名指印的识别方法，其特征在于，该方法包括以下步骤：
1)将滚动指纹向签名指印进行配准，利用基于Gabor增强的指纹细节点提取算法提取滚动指纹的方向场和细节点，作为签名指印的弱标签；
2)以签名指印的弱标签作为训练标签，得到同时生成签名指印增强图和细节点的全卷积神经网络模型；
3)对生成的签名指印增强图和细节点，进行细节点编码和纹理编码，再进行比对，比对后的分数进行策略融合，得到指印的最终比对分数。
2.根据权利要求1所述的一种签名指印的识别方法，其特征在于，所述步骤1)包括如下步骤：
1.1)使用扫描仪获取500dpi的合同图像，根据指印的颜色信息，框定出大小为500×300的签名指印区域，同时，使用指纹采集仪来获取与签名指印对应的滚动指纹图像；
1.2)利用基于Gabor增强的指纹细节点提取算法，分别提取指印和滚动指纹上的细节点；
1.3)使用基于八分圆最近邻特征结构的匹配算法，找到指印和滚动指纹上对应的细节点点对，根据这些点对计算滚动指纹的仿射变换矩阵，然后用仿射变换将滚动指纹图像向签名指印图像进行配准，得到与指印配准后的滚动指纹；
1.4)手工制作签名指印和滚动指纹的分割掩码标签，使用全卷积神经网络，训练签名指印和滚动指纹的分割掩码模型；
1.5)利用分割掩码模型，对指印和滚动指纹进行分割，计算两者的公共区域掩码，利用公共区域掩码，对签名指印和滚动指纹进行分割，得到具有相同指纹区域的签名指印和滚动指纹；
1.6)利用索贝尔算子计算分割后的滚动指纹的梯度，再用二倍角公式和其梯度，计算出滚动指纹的方向场，作为签名指印的方向场弱标签。。
1.7)利用基于Gabor增强的指纹细节点提取算法，提取分割后的滚动指纹上的细节点，生成细节点位置热力图和细节点方向图，作为签名指印的细节点弱标签。
3.根据权利要求1或2所述的一种签名指印的识别方法，其特征在于，所述1.6)中，计算公式如下：
Figure FDA0002956816740000011
Figure FDA0002956816740000021
Figure FDA0002956816740000022
Figure FDA0002956816740000023
Figure FDA0002956816740000024
Figure FDA0002956816740000025
其中，*表示卷积运算，I表示输入的滚动指纹图像，Sx和Sy表示索贝尔算子：
Figure FDA0002956816740000026
Figure FDA0002956816740000027
和
Figure FDA0002956816740000028
是用输入图和Sx、Sy做一个卷积运算，计算出来的x方向和y方向的梯度，Jw是一个大小为w×w的全1矩阵，w指的是窗口大小，θ是最后计算出的方向场。
4.根据权利要求1或2所述的一种签名指印的识别方法，其特征在于，所述步骤2)包括如下步骤：
2.1)签名指印的图像增强部分，过程如下：
a.构建签名指印方向场全卷积神经网络，该网络以签名指印图像作为输入，预测签名指印的方向场，训练时，使用滚动指纹的方向场弱标签，作为该网络的训练标签；
b.将指印方向场中所有的角度离散化，构建对应角度的Gabor增强核，利用方向场网络预测的签名指印的方向角度，选择对应的Gabor增强核，对签名指印进行增强；
2.2)签名指纹增强图像的细节点提取部分，过程如下：
a.构建签名指印的细节点特征提取的全卷积神经网络，该网络以签名指印的增强图像作为输入，同时预测细节点的位置热力图以及细节点的方向图，预测细节点的方向图时，结合了增强部分得到的方向场；
b.部署时，选出预测的细节点位置热力图中超过阈值的点，作为细节点候选，利用非极大值抑制，删除部分不符合条件的细节点候选，利用筛选出的细节点位置和细节点方向图上对应的方向，生成预测的签名指印细节点。
5.根据权利要求1或2所述的一种签名指印的识别方法，其特征在于，所述步骤3)包括如下步骤：
3.1)利用2)中指印增强细节点提取网络，得到签名指印的增强图和细节点m1，根据m1生成细节点模板T_m1；
3.2)利用基于Gabor增强的指纹细节点提取算法，得到签名指印增强图的细节点m2，根据m2生成细节点模板T_m2；
3.3)使用基于训练的小面积指印比对模型，分别用m1和m2，对未分割的签名指印进行纹理编码，纹理模板T_t1和T_t2；
3.4)计算T_m1、T_m2、T_t1、T_t2对应的比对分数，决策最终的比对结果。
CN202110228096.7A 2021-03-01 2021-03-01 一种签名指印的识别方法 Active CN113011284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110228096.7A CN113011284B (zh) 2021-03-01 2021-03-01 一种签名指印的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110228096.7A CN113011284B (zh) 2021-03-01 2021-03-01 一种签名指印的识别方法

Publications (2)

Publication Number Publication Date
CN113011284A true CN113011284A (zh) 2021-06-22
CN113011284B CN113011284B (zh) 2023-05-26

Family

ID=76402024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110228096.7A Active CN113011284B (zh) 2021-03-01 2021-03-01 一种签名指印的识别方法

Country Status (1)

Country Link
CN (1) CN113011284B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435398A (zh) * 2021-07-13 2021-09-24 傲雄在线(重庆)科技有限公司 基于掩码预训练模型的签名特征识别方法、系统、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595428A (zh) * 2004-07-15 2005-03-16 清华大学 基于密度图模型的指纹识别方法
CN101226588A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 一种基于现场可编程门阵列芯片的指纹识别方法及装置
CN101408939A (zh) * 2008-10-21 2009-04-15 成都方程式电子有限公司 一种指纹图像指纹细节点提取方法及系统
CN103824060A (zh) * 2014-02-28 2014-05-28 清华大学 指纹细节点的提取方法
CN103886296A (zh) * 2014-03-25 2014-06-25 清华大学 基于反馈的指纹识别方法及装置
CN103996026A (zh) * 2014-05-15 2014-08-20 清华大学 指纹特征提取方法、装置及系统
CN105654026A (zh) * 2015-07-16 2016-06-08 宇龙计算机通信科技(深圳)有限公司 指纹存储方法及装置、指纹识别方法及装置
CN107392082A (zh) * 2017-04-06 2017-11-24 杭州景联文科技有限公司 一种基于深度学习的小面积指纹比对方法
CN107545215A (zh) * 2016-06-23 2018-01-05 杭州海康威视数字技术股份有限公司 一种指纹识别方法及装置
CN108960039A (zh) * 2018-05-07 2018-12-07 西安电子科技大学 一种基于对称hash的不可逆指纹模板加密方法
CN109145810A (zh) * 2018-08-17 2019-01-04 中控智慧科技股份有限公司 指纹细节点检测方法、装置、设备、系统及存储介质
CN109949316A (zh) * 2019-03-01 2019-06-28 东南大学 一种基于rgb-t融合的电网设备图像弱监督实例分割方法
CN113313627A (zh) * 2021-06-08 2021-08-27 中国科学院大学 一种指纹图像重构方法、指纹图像特征提取方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1595428A (zh) * 2004-07-15 2005-03-16 清华大学 基于密度图模型的指纹识别方法
CN101226588A (zh) * 2007-01-18 2008-07-23 中国科学院自动化研究所 一种基于现场可编程门阵列芯片的指纹识别方法及装置
CN101408939A (zh) * 2008-10-21 2009-04-15 成都方程式电子有限公司 一种指纹图像指纹细节点提取方法及系统
CN103824060A (zh) * 2014-02-28 2014-05-28 清华大学 指纹细节点的提取方法
CN103886296A (zh) * 2014-03-25 2014-06-25 清华大学 基于反馈的指纹识别方法及装置
CN103996026A (zh) * 2014-05-15 2014-08-20 清华大学 指纹特征提取方法、装置及系统
CN105654026A (zh) * 2015-07-16 2016-06-08 宇龙计算机通信科技(深圳)有限公司 指纹存储方法及装置、指纹识别方法及装置
CN107545215A (zh) * 2016-06-23 2018-01-05 杭州海康威视数字技术股份有限公司 一种指纹识别方法及装置
CN107392082A (zh) * 2017-04-06 2017-11-24 杭州景联文科技有限公司 一种基于深度学习的小面积指纹比对方法
CN108960039A (zh) * 2018-05-07 2018-12-07 西安电子科技大学 一种基于对称hash的不可逆指纹模板加密方法
CN109145810A (zh) * 2018-08-17 2019-01-04 中控智慧科技股份有限公司 指纹细节点检测方法、装置、设备、系统及存储介质
CN109949316A (zh) * 2019-03-01 2019-06-28 东南大学 一种基于rgb-t融合的电网设备图像弱监督实例分割方法
CN113313627A (zh) * 2021-06-08 2021-08-27 中国科学院大学 一种指纹图像重构方法、指纹图像特征提取方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟瑞: ""基于深度学习和多特征融合的小面积指纹识别算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435398A (zh) * 2021-07-13 2021-09-24 傲雄在线(重庆)科技有限公司 基于掩码预训练模型的签名特征识别方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN113011284B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
JP4756705B2 (ja) バイオメトリクス・イメージングシステムおよび方法
JP2006500662A (ja) 掌紋認証方法及び装置
Rao et al. A novel fingerprints identification system based on the edge detection
CN109145704B (zh) 一种基于人脸属性的人脸画像识别方法
Hilles et al. Adaptive latent fingerprint image segmentation and matching using Chan-Vese technique based on EDTV model
Lazimul et al. Fingerprint liveness detection using convolutional neural network and fingerprint image enhancement
Cao et al. Automatic latent value determination
CN113011284B (zh) 一种签名指印的识别方法
Gnanasivam et al. An efficient algorithm for fingerprint preprocessing and feature extraction
Prasad et al. An efficient approach for fingerprint recognition
Nachar et al. Hybrid minutiae and edge corners feature points for increased fingerprint recognition performance
Ezhilmaran et al. A review study on latent fingerprint recognition techniques
Francis-Lothai et al. A fingerprint matching algorithm using bit-plane extraction method with phase-only correlation
Deshpande et al. A study on automatic latent fingerprint identification system
Desai et al. Face anti-spoofing technique using CNN and SVM
Khan LAFIN: A convolutional neural network-based technique for singular point extraction and classification of latent fingerprints
Jindal et al. Ant colony optimisation for latent fingerprint matching
JP2007524143A (ja) 掌紋認証の方法
Dhole et al. Person identification using peg free hand geometry measurement
Chowdhury et al. Efficient fingerprint matching based upon minutiae extraction
Tuama et al. Using an Accurate Multimodal Biometric for Human Identification System via Deep Learning
Tan et al. Minutiae-based offline palmprint identification system
Preetha et al. Selection and extraction of optimized feature set from fingerprint biometrics-a review
Talele et al. Study of local binary pattern for partial fingerprint identification
Ogundepo et al. Development of a real time fingerprint authentication/identification system for students’ record

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