CN113361554A - 生物特征识别多模态融合方法、装置、存储介质及设备 - Google Patents
生物特征识别多模态融合方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN113361554A CN113361554A CN202010151643.1A CN202010151643A CN113361554A CN 113361554 A CN113361554 A CN 113361554A CN 202010151643 A CN202010151643 A CN 202010151643A CN 113361554 A CN113361554 A CN 113361554A
- Authority
- CN
- China
- Prior art keywords
- fusion
- comparison
- sample
- condition
- score
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 644
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000012795 verification Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 36
- 238000007499 fusion processing Methods 0.000 abstract description 22
- 210000003811 finger Anatomy 0.000 description 14
- 210000003462 vein Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 210000004936 left thumb Anatomy 0.000 description 6
- 210000003813 thumb Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication 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
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种生物特征识别多模态融合方法、装置、计算机可读存储介质及设备,属于生物识别领域。本发明在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
Description
技术领域
本发明涉及生物识别领域,特别是指一种生物特征识别多模态融合方法、装置、计算机可读存储介质及设备。
背景技术
随着信息技术的不断发展,生物特征识别技术已经在金融支付等领域被广泛地用于个人身份识别认证。因为生物特征具有唯一性和稳定性,利用生物特征来进行身份认证识别已经变得越来越普及。但是现在广泛应用于我们现实生活中的多是基于单一生物特征的,例如人脸、虹膜、指纹、指静脉等,这些单一的生物特征识别具有以下弊端:
1、由于有些人可能天生不具备某种生物特征或者因为外在原因使得某种生物特征遭到破坏而无法采集和识别,导致单模态生物识别具有局限性或识别精度下降。
2、由于外界环境等原因,采集的某类生物特征样本的质量低下,影响系统的识别准确性,并且单一的生物特征识别容易受到假体攻击,无法满足一些高安全性场合的要求。
发明内容
为解决上述技术问题,本发明提供一种生物特征识别多模态融合方法、装置、存储介质及设备,本发明使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
本发明提供技术方案如下:
第一方面,本发明提供一种生物特征识别多模态融合方法,所述方法包括:
一种生物特征识别多模态融合方法,所述方法包括:
S100:采集多种类型的生物特征样本;
S200:对所述生物特征样本的质量进行分析,获得生物特征样本的质量分数;
S300:获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略;其中,所述融合策略包括样本数据融合、特征数据融合、比对分数融合和/或比对结果融合;
S400:提取生物特征样本的生物特征;
S500:将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数;
S600:将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果;
其中,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合;
S700:根据比对结果判断验证/识别通过或失败。
第二方面,本发明提供一种与第一方面的生物特征识别多模态融合方法对应的生物特征识别多模态融合装置,所述装置包括:
采集模块,用于采集多种类型的生物特征样本;
质量分数确定模块,用于对所述生物特征样本的质量进行分析,获得生物特征样本的质量分数;
融合策略确定模块,用于获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略;
生物特征提取模块,用于提取生物特征样本的生物特征;
比对分数确定模块,用于将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数;
比对结果确定模块,用于将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果;
其中,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合;
验证/识别结果确定模块,用于根据比对结果判断验证/识别通过或失败。
第三方面,本发明提供一种用于生物特征识别多模态融合的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括第一方面所述的生物特征识别多模态融合方法的步骤。
第四方面,本发明提供一种用于生物特征识别多模态融合的设备,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现第一方面所述的生物特征识别多模态融合方法的步骤。
本发明具有以下有益效果:
本发明在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
附图说明
图1为本发明的生物特征识别多模态融合方法的流程图;
图2为本发明的生物特征识别多模态融合装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明实施例提供了一种生物特征识别多模态融合方法,如图1所示,该方法包括:
S100:采集多种类型的生物特征样本。
本步骤中,生物特征样本的类型包括但不限于:人脸、虹膜、指纹、指静脉、掌纹、声纹等。例如:采集人脸样本和虹膜样本,或者采集指纹样本和指静脉样本。
而每种类型的生物特征样本可以是一个来源,例如人脸样本,因为同一人只有一个人脸,因此其人脸样本只有一个来源;每种类型的生物特征样本还可以是不同的来源,例如同一人有两只眼睛,因此其虹膜样本具有两个来源,同一人有十根手指,因此其指纹样本和指静脉样本分别具有十个来源。
前述的每种类型的生物特征样本的来源为至少一个,每个来源的生物特征样本的数量为至少一个。
例如,多次采集某个生物特征的同一来源的样本,如:多幅人脸样本,多枚左手拇指指纹样本,多枚左手拇指指静脉样本等。还可以采集某种生物特征的多个不同来源的样本,如:左眼虹膜样本和右眼虹膜样本、十指指纹样本、十指指静脉样本等。
上述多种类型的生物特征样本的采集过程中,传感器可同时采集或者依次采集,本发明对此不做限定。例如可以通过同一个摄像头同时采集人脸样本和虹膜样本,也可以可通过两个摄像头依次采集人脸样本和虹膜样本。
S200:对生物特征样本的质量进行分析,获得生物特征样本的质量分数。
生物特征样本的质量分数用于评价生物特征样本的质量,生物特征样本的质量可以为样本的清晰度、对比度、分辨率、噪声等。通过对采集到的样本的质量进行分析,获得各生物特征样本的质量分数。通常,用质量分数表示样本质量,如0-100分,分数越高,样本质量越高,更适合生物特征识别处理的要求。
需要说明的是,本步骤中对各生物特征样本的质量进行分析,获得各生物特征样本的质量分数可以采用现有技术中的生物特征质量分数计算方法获得,本发明对此不作限定。
S300:获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略;其中,融合策略包括样本数据融合、特征数据融合、比对分数融合和/或比对结果融合。
本发明的融合包括样本数据融合、特征数据融合、比对分数融合、比对结果融合,融合策略就是确定是否进行这些融合以及如何进行融合等。融合策略可以是事先设定的,根据不同的应用场景和不同的需求设定融合策略。融合策略也可以是根据生物特征样本的质量分数自动确定。
S400:提取生物特征样本的生物特征。
S500:将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数。
S600:将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果。
比对结果为验证/识别通过或失败,通过和失败可以以不同的字符串表示,例如通过以“是”的字符串表示,失败以“否”的字符串表示;通过和失败也可以以不同的数值表示,例如通过为1,失败为0,当然也可以是通过为0,失败为1。本发明对通过和失败的具体表示形式此不做限定。
比对分数条件可以为:将比对分数与比对分数阈值进行比较,若比对分数大于比对分数阈值,则验证/识别通过,否则,验证/识别失败。
本发明中,需要根据融合策略判断是否需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合。
其中,判断生物特征样本的质量分数是否满足预设的样本数据融合条件,以及,将多个生物特征样本进行融合是在S300和S400之间执行的。
判断生物特征样本的质量分数是否满足预设的特征数据融合条件,以及,将多个生物特征进行融合是在S400和S500之间执行的。
判断生物特征样本的质量分数是否满足预设的比对分数融合条件,以及,将多个比对分数进行融合是在S500和S600之间执行的。
判断生物特征样本的质量分数是否满足预设的比对分结果合条件,以及,将多个比对结果进行融合是在S600和S700之间执行的。
S700:根据比对结果判断验证/识别通过或失败。
本发明的融合包括样本数据融合、特征数据融合、比对分数融合、比对结果融合。一般的,融合只发生一次,即某层级融合完成后,后续层级可能没有必要再进行融合处理,也可以根据需要进行多层级的融合,如:人脸与虹膜先进行特征数据融合,通过人脸检测提供定位人眼位置,待人脸比对、虹膜比对后,再进行人脸比对分数与虹膜比对分数的融合处理。
本发明提出了一种生物特征识别多模态融合方法,在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
本发明中,根据融合策略判断需要进行融合时,更具体的融合方法如下:
若生物特征样本的质量分数满足预设的样本数据融合条件,则将所有生物特征样本中的部分或全部进行融合,否则不进行样本数据融合。
若生物特征样本的质量分数满足预设的特征数据融合条件,则将所有生物特征中的部分或全部进行融合,否则不进行特征数据融合。
若生物特征样本的质量分数满足预设的比对分数融合条件,则将所有比对分数中的部分或全部进行融合,否则不进行比对分数融合。
若生物特征样本的质量分数满足预设的比对结果融合条件,则将所有比对结果进行融合,否则不进行比对结果融合,结束。
基于这种更具体的融合方法,本发明实施例的完整过程如下:
S100~S300与前述相同,不再赘述。
S310(在S300和S400之间):根据融合策略判断是否需要进行样本数据融合,若是,进行样本数据融合判断后执行下一步(S400),否则,直接执行下一步。其中,样本数据融合判断包括:判断生物特征样本的质量分数是否满足预设的样本数据融合条件,若是,则将所有生物特征样本中的部分或全部进行融合,否则不进行样本数据融合。
是否需要进行样本数据融合的策略是事先设定的,也可以是根据生物特征样本质量分数自动确定的,如果需要进行样本数据融合,那么就执行进一步的判断(样本数据融合判断),判断是否真正实际执行样本数据融合的过程,如果不需要进行样本数据融合,那么直接进行下一步。
样本数据融合判断通过生物特征样本的质量分数进行,如果质量分数满足事先设定的样本数据融合条件,则真正执行样本数据融合的过程,将所有生物特征样本中的部分或全部进行融合,否则不进行样本数据融合。无论是否进行样本数据融合的过程,之后都执行下一步。
因为单一的生物特征样本可能会有一些缺陷,例如光照不均匀产生的缺陷,运动产生的模糊,角度产生的扭曲等等,产生的缺陷会使得一部分信息丢失或错误。而多个生物特征样本的缺陷可能不同,将多个生物特征样本进行融合,可以充分利用多个生物特征样本中的有用的信息,补足丢失的信息,消除错误信息等,使得融合后的生物特征样本更为全面、完整。
S400:提取未融合的生物特征样本和/或融合后的生物特征样本的生物特征。
前述的S310中,可能未进行样本数据融合,则此时只有未融合的多个生物特征样本,即为S100中采集的所有生物特征样本。S310中也可能所有的生物特征样本都进行了融合,则此时只有一个融合后的生物特征样本。S310中还可能只有一部分生物特征样本进行了融合,则此时既有未融合的一个或多个生物特征样本,也有一个融合后的生物特征样本。
本步骤就是对前述的未融合的生物特征样本和/或融合后的生物特征样本进行特征提取,得到至少一个生物特征。
S410(在S400和S500之间):根据融合策略判断是否需要进行特征数据融合,若是,进行特征数据融合判断后执行下一步(S500),否则,直接执行下一步。其中,特征数据融合判断包括:判断生物特征样本的质量分数是否满足预设的特征数据融合条件,若是,则将所有生物特征中的部分或全部进行融合,否则不进行特征数据融合。
与前述类似的,是否需要进行特征数据融合的策略是事先设定的,也可以是根据生物特征样本质量分数自动确定的,如果需要进行特征数据融合,那么就执行进一步的判断(特征数据融合判断),判断是否真正实际执行特征数据融合的过程,如果不需要进行特征数据融合,那么直接进行下一步。
需要说明的是,如果S400提取得到的是只有一个生物特征,也就是说S310中所有的生物特征样本都进行了融合,那么也就不需要再进行特征数据融合,这种情况下,在预先设定融合策略或自动确定融合策略时,需要将融合策略设置为不进行特征数据融合。当然,即使这种情况下将融合策略设置为需要进行特征数据融合,在进行融合时,只有一个生物特征自身进行融合,相当于未进行融合操作,也不影响本发明的实施。
特征数据融合判断通过生物特征样本的质量分数进行,如果质量分数满足事先设定的特征数据融合条件,则真正执行特征数据融合的过程,将所有生物特征中的部分或全部进行融合,否则不进行特征数据融合。无论是否进行特征数据融合的过程,之后都执行下一步。
S500:将未融合的生物特征和/或融合后的生物特征与预先存储的对应的生物特征模板进行比对,得到至少一个比对分数。
生物特征识别系统主要包括生物特征的注册和验证/识别两部分,本发明的S100~S700为验证/识别过程,注册过程为预先进行的注册用户并采集用户生物特征模板的过程。生物特征识别系统一次注册后,即可以多次进行验证/识别,注册过程与前述的S100~S410类似,得到生物特征模板并存储,具体的过程参见S100~S410,本发明不再赘述。
前述的S410中,可能未进行特征数据融合,则此时只有未融合的至少一个生物特征,即S400提取得到的生物特征。S410中也可能所有的生物特征都进行了融合,则此时只有一个融合后的生物特征。S410中还可能只有一部分生物特征进行了融合,则此时既有未融合的一个或多个生物特征,也有一个融合后的生物特征。
本步骤就是对前述的S410中得到的至少一个生物特征与该生物特征对应的生物特征模板进行比对,得到至少一个比对分数,比对分数反应生物特征与生物特征模板的相似程度。生物特征对应的生物特征模板是指生物特征模板与生物特征的类型相同,来源相同,是否进行了融合以及融合的方式相同。
S510(在S500和S600之间):根据融合策略判断是否需要进行比对分数融合,若是,进行比对分数融合判断后执行下一步(S600),否则,直接执行下一步。其中,比对分数融合判断包括:判断生物特征样本的质量分数是否满足预设的比对分数融合条件,若是,则将所有比对分数中的部分或全部进行融合,否则不进行比对分数融合。
与前述类似的,是否需要进行比对分数融合的策略是事先设定的,也可以是根据生物特征样本质量分数自动确定的,如果需要进行比对分数融合,那么就执行进一步的判断(比对分数融合判断),判断是否真正实际执行比对分数融合的过程,如果不需要进行比对分数融合,那么直接进行下一步。
需要说明的是,如果S500得到的是只有一个比对分数,也就是说S410中所有的生物特征都进行了融合,那么也就不需要再进行比对分数融合,这种情况下,在预先设定融合策略或自动确定融合策略时,需要将融合策略设置为不进行比对分数融合。当然,即使这种情况下将融合策略设置为需要进行比对分数融合,在进行融合时,只有一个比对分数自身进行融合,相当于未进行融合操作,也不影响本发明的实施。
比对分数融合判断通过生物特征样本的质量分数进行,如果质量分数满足事先设定的比对分数融合条件,则真正执行比对分数融合的过程,将所有比对分数中的部分或全部进行融合,否则不进行比对分数融合。无论是否进行比对分数融合的过程,之后都执行下一步。
S600:将未融合的比对分数和/或融合后的比对分数与预先设定的对应的比对分数条件进行比较,得到至少一个比对结果。
前述的S510中,可能未进行比对分数融合,则此时只有未融合的至少一个比对分数,即S500得到的比对分数。S510中也可能所有的比对分数都进行了融合,则此时只有一个融合后的比对分数。S510中还可能只有一部分比对分数进行了融合,则此时既有未融合的一个或多个比对分数,也有一个融合后的比对分数。
本步骤就是对前述的S510中得到的至少一个比对分数与预先设定的对应的比对分数条件进行比较,得到至少一个比对结果。
S610(在S600和S700之间):根据融合策略判断是否需要进行比对结果融合,若是,进行比对结果融合判断,否则,执行下一步(S700)。其中,比对结果融合判断包括:判断生物特征样本的质量分数是否满足预设的比对结果融合条件,若是,则将所有比对结果进行融合,然后执行下一步,否则不进行比对结果融合,结束。
与前述类似的,是否需要进行比对结果融合的策略是事先设定的,也可以是根据生物特征样本质量分数自动确定的,如果需要进行比对结果融合,那么就执行进一步的判断(比对结果融合判断),判断是否真正实际执行比对结果融合的过程,如果不需要进行比对结果融合,那么直接进行下一步。
需要说明的是,如果S600得到的是只有一个比对结果,也就是说S510中所有的比对分数都进行了融合,那么也就不需要再进行比对结果融合,这种情况下,在预先设定融合策略或自动确定融合策略时,需要将融合策略设置为不进行比对结果融合。当然,即使这种情况下将融合策略设置为需要进行比对结果融合,在进行融合时,只有一个比对结果自身进行融合,相当于未进行融合操作,也不影响本发明的实施。
并且,如果S600得到的是有多个比对结果,那么事先设定融合策略或自动确定融合策略时,必须设定为需要进行比对结果融合,因为比对结果融合就是对所有比对结果综合考虑得到一个比对结果的过程,最后根据这一个比对结果得到最终的验证/识别结果,如果有多个比对结果而不进行比对结果融合,那么会导致有多个比对结果而确定不出最终的识别/验证结果。
比对结果融合判断通过生物特征样本的质量分数进行,如果质量分数满足事先设定的比对结果融合条件,则真正执行比对结果融合的过程,将所有比对结果进行融合,融合后进行下一步。否则不进行比对结果融合,此时,有多个比对结果需要参与融合,但是因为生物特征样本的质量分数不满足条件而未实际进行融合,最终得到了多个比对结果,而由前述,多个比对结果确定不出最终的识别/验证结果,其原因是因为所有的生物特征样本的质量都不满足要求。
由前述,如果设定了需要进行比对结果融合的策略,但是由于质量分数不满足事先设定的比对结果融合条件,未进行比对结果融合。就不能得到最终的识别/验证结果,这种情况可以认为是识别/验证失败,可以输出结果提示用户,并结束或重新开始,而不是进行下一步。
S700:根据未融合的比对结果或融合后的比对结果判断验证/识别通过或失败。
由前述,S600有多个比对结果时,S610进行比对结果融合,得到一个融合后的比对结果或者结束;S600有一个比对结果时,S610可以不进行比对结果融合,得到一个未融合的比对结果;S600有一个比对结果时,S610也可以进行比对结果融合,得到一个融合后的比对结果或者结束(执行了融合过程,但实际上只有一个比对结果自身参与融合)。
未融合的比对结果或融合后的比对结果数量均为一个,根据这个结果可以确定出最终的验证/识别通过或失败。
本发明在设定融合策略或者自动确定融合策略时,需要满足基本的逻辑,并且使得S700中得到的最终结果(未融合的比对结果或融合后的比对结果)的数量为只有一个,以便进行最终判断验证/识别通过或失败。
如前述的一般的,融合只发生一次,即某层级融合完成后,后续层级可能没有必要再进行融合处理,也可以根据需要进行多层级的融合。
本发明中,多种类型的生物特征样本中的每种类型的生物特征样本具有至少一个来源,每个来源包括至少一个生物特征样本,其中:
将多个生物特征样本进行融合包括:将同一类型且同一来源的多个生物特征样本进行融合,得到生物特征样本集合或者更完整的生物特征样本。
样本数据融合主要是同一来源样本的融合,如同一人脸多幅图像的融合,同一手指多幅图像的融合,进行同一来源样本融合的目的是为了构成更为全面、完整的样本,或者样本集。
将多个生物特征进行融合包括:将至少两个生物特征进行融合,得到生物特征集合或者生物特征向量。
特征数据融合主要是两个或两个以上的生物特征融合,如人脸与虹膜、指纹与指静脉、同一虹膜多个特征融合、同一指纹多个特征融合,进行特征数据融合的目的是将多个生物特征融合为一个特征集合或者特征向量,用于后续生物特征比对。
将多个比对分数进行融合包括:将多个比对分数进行数据处理,得到一个融合后的比对分数。
比对分数融合是将多个生物特征的比对分数融合成一个分数或者分数向量,然后再判断融合分数是否达到比对阈值要求,由此判定身份是否符合。融合的方法可以包括取最大分数、取最小分数、求和、加权乘积、似然比、决策树、神经网络等等,本发明对此不做限定。
以求和和加权的融合方法为例进行如下详细说明:
在进行比对分数融合时,可以对比对分数进行归一化,将比对分数映射到一个公共空间。
归一化后的比对分数之间可进行加和的方式进行融合(直接求和),也可以采用加权方式进行融合(加权求和)。将归一化后的多个比对分数进行加权求和时,多个比对分数的权重可以通过生物特征样本的质量分数确定。
将多个比对结果进行融合包括:将多个比对结果进行“逻辑与”和/或“逻辑或”运算,得到一个融合后的比对结果;或者,将多个比对结果进行加权运算,得到一个融合后的比对结果。
其中,将多个比对结果进行加权运算时,多个比对结果的权重通过生物特征样本的质量分数确定。
所述判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,包括:
将每个生物特征样本的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若所有生物特征样本的质量分数均大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件。
此处的样本数据融合阈值可以是一个值,也可以是多个阈值组成的阈值集合。
样本数据融合阈值是一个值时,每种类型的生物特征样本的质量分数的打分标准一致,例如人脸样本和虹膜样本的质量分数范围都是0-100分。此时,每个生物特征样本的质量分数均与这一个样本数据融合阈值进行比较。
样本数据融合阈值是多个阈值组成的集合时,每种类型的生物特征样本的质量分数的打分标准可以不一致,例如人脸样本的质量分数范围是0-100分,虹膜样本的质量分数范围是0-1000分。此时,每种类型的生物特征样本均对应有一个样本数据融合阈值,所有类型的样本数据融合阈值组成一个集合,每种类型的每个生物特征样本的质量分数分别与该类型对应的样本数据融合阈值进行比较。
特征数据融合阈值、比对分数融合阈值和比对结果融合阈值类似,不再阐述。
或者,将所有生物特征样本的质量分数进行归一化,将归一化后的所有质量分数进行比较,将归一化后最小的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若归一化后最小的质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件。
通常,每种类型生物特征样本质量的判断方法不同,其质量分数的打分标准不同,不同类型的质量分数一般不具有可比性。因此,把质量分数做归一化处理,所有质量分数都映射到同一公共空间,这样就可以进行比较。
或者,对所有生物特征样本的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件。
或者,将每个生物特征样本的质量分数与质量分数阈值进行比较,将大于质量分数阈值的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,将质量分数大于质量分数阈值的生物特征样本进行融合。
在识别/认证过程中,如果生物特征样本的质量分数过低,说明该生物特征样本的质量太差,使用该生物特征样本进行识别/认证会导致准确性变差。因此本发明通过质量分数阈值对生物特征样本进行筛选,舍去质量太差的生物特征样本,只将满足质量分数阈值的生物特征样本进行融合,可以提高识别/认证的准确性。
由前述,通常,每种类型的生物特征样本质量的判断方法不同,因此,每种类型的生物特征样本可以对应有不同的质量分数阈值,每种类型的每个生物特征样本的质量分数与该类型的质量分数阈值进行比较。
前述的融合阈值的设定,可以根据不同的安全要求确定,根据安全要求的高低将融合阈值设定为不同的高低档位,例如:指纹+指静脉的融合,为了更加精准的识别,可选择融合阈值档位较高的,这样就要求样本质量较高;某些场景下,安全性要求不太高,强调通过率或客户体验,这样就可以选择融合阈值档位稍低的,以便接受样本质量较低的样本。
前述的根据生物特征样本的质量分数自动确定融合策略可以通过如下方法实现:
将生物特征样本的质量分数与样本数据融合条件、特征数据融合条件、比对分数融合条件、比对结果融合条件逐个进行比较,若质量分数最先满足样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合。
本方法适用于只进行一次融合的情况,如果质量分数最先满足一个融合条件(例如样本数据融合条件),则融合策略为进行样本数据融合,且不再进行后面的特征数据融合、比对分数融合和比对结果融合,其他情况类似,不再枚举。
前述的根据生物特征样本的质量分数自动确定融合策略还可以通过如下方法实现:
将生物特征样本的质量分数与样本数据融合阈值、特征数据融合阈值、比对分数融合阈值、比对结果融合阈值同时进行比较,若质量分数大于且最接近于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合。
前述的根据生物特征样本的质量分数自动确定融合策略还可以通过如下方法实现:
将生物特征样本的质量分数输入训练好的融合策略模型,得到融合策略。
融合策略模型通过如下方法训练得到:
构建训练数据集,该训练数据集包括多种类型的生物特征训练样本、生物特征训练样本的质量分数、生物特征、比对分数及比对结果。
生物特征训练样本与前述的生物特征样本特性相同,并且质量分数、生物特征、比对分数及比对结果分别通过前述的方法确定,此处不再赘述。
使用训练数据集对融合策略模型进行训练,训练后的融合策略模型即可进行使用。
本方法通过机器学习的方法训练得到融合策略模型,然后根据质量分数自动得到融合策略。与预先人工设计的融合策略相比,通过训练集训练模型,自动确定融合策略,可以更好的适应不同的质量分数的情况,不同的质量分数得到适合该质量分数的策略,能够使得融合策略更加优化,进而使得识别更加准确。
下面通过若干具体示例对本发明进行阐述:
示例一:
注册阶段:
步骤1、采集多种类型的生物特征样本图像,所述生物特征样本图像中包括人脸样本和虹膜样本。
本步骤中,可通过同一个摄像头同时采集人脸图像和虹膜图像,也可以通过两个摄像头分别采集人脸图像和虹膜图像。
步骤2、对人脸样本和虹膜样本进行质量分析,获得人脸样本质量分数和虹膜样本质量分数。
步骤3、分别提取人脸样本中的人脸特征和虹膜样本中的虹膜特征并存储,获得人脸模板和虹膜模板。
识别/验证阶段:
步骤4、对待测用户执行步骤1-3,获得待测人脸特征和待测虹膜特征。
步骤5、将待测人脸特征与人脸模板进行比对,获得人脸比对结果,将待测虹膜特征与虹膜模板进行比对,获得虹膜比对结果。
步骤6、本示例中事先设定的融合方式为比对结果融合,判断样本质量分数是否大于比对结果融合阈值,如果大于,则将人脸比对结果和虹膜比对结果进行比对结果融合,根据比对结果的融合结果判断识别/验证是否通过。
本步骤中,可以先计算多个待测人脸样本质量分数的均值,获得待测人脸样本平均质量分数,计算多个待测虹膜样本质量分数的均值,获得待测虹膜样本平均质量分数,之后计算待测人脸样本平均质量分数和待测虹膜样本平均质量分数的均值,获得样本质量分数。比较时,将样本质量分数与比对结果融合阈值进行比较。或者将待测人脸样本平均质量分数和待测虹膜样本平均质量分数均与比对结果融合阈值进行比较,二者都大于比对结果融合阈值时,进行融合处理。
或者选取多个待测人脸样本质量分数的最小值,选取多个待测虹膜样本质量分数的最小值,将二者分别与比对结果融合阈值进行比较,均大于比对结果融合阈值时,进行融合处理。
或者可采取其他方式将质量分数与比对结果融合阈值进行比较,本示例不再列举。
本步骤中,比对结果融合的方式可以为“逻辑与”运算,当人脸比对结果和虹膜比对结果都通过时,认为验证/识别通过,当人脸比对结果或者虹膜比对结果其中一个或者两个都比对失败时,认为验证/识别失败。
示例二:
为简化说明,本示例省略注册过程,只保留识别/验证过程。
步骤1、采集多种生物特征样本图像,所述生物特征样本图像中包括人脸图像和虹膜图像。
本实施例中,所述人脸图像和虹膜图像通过同一个摄像头采集得到,所述人脸图像和虹膜图像位于同一张图像中。
步骤2、对人脸图像和虹膜图像进行质量分析,获得生物特征样本图像的质量分数。
步骤3、本示例中预先设定的融合策略为特征数据融合和比对分数融合,判断生物特征样本图像的质量分数是否大于特征数据融合阈值,如果大于,则对生物特征样本图像进行人脸检测,提取人脸特征,同时在人脸检测过程中定位人眼位置,进行虹膜定位、提取虹膜特征等处理。
步骤4、将所述人脸特征与人脸模板进行比对,获得人脸比对分数,将虹膜特征与虹膜模板进行比对,获得虹膜比对分数。
步骤5、判断生物特征样本图像的质量分数是否大于比对分数融合阈值,如果大于,则将人脸比对分数和虹膜比对分数分别进行归一化处理后进行融合,获得融合后的比对分数。
需要说明的是,步骤5中,对人脸比对分数和虹膜比对分数进行归一化处理是优选方法。
步骤6、将融合后的比对分数与比对分数阈值进行比较,如果大于比对分数阈值,则认为身份识别/验证通过。
示例三:
注册阶段:
步骤1、采集多个物特征样本,所述多个生物特征样本包括多枚左手拇指样本。
步骤2、对多枚左手拇指样本进行质量分析,获得生物特征样本图像的质量分数。
步骤3、本示例中预先设定的融合策略为特征数据融合,判断质量分数是否大于特征数据融合阈值,如果大于,则分别提取多枚左手拇指样本的指纹特征,将多枚左手拇指样本的指纹特征进行融合并存储,获得指纹模板。
识别/验证阶段:
步骤4、采集多枚待测左手拇指样本。
步骤5、对多枚待测左手拇指样本进行质量分析,获得待测生物特征样本图像的质量分数。
步骤6、判断待测生物特征样本图像的质量分数是否大于特征数据融合阈值,如果大于,则分别提取多枚待测左手拇指样本的指纹特征,将多枚待测左手拇指样本的指纹特征进行融合,获得待测指纹特征。
步骤7、将待测指纹特征与指纹模板进行比对,如果比对分数大于预设比对分数阈值,则认为身份验证/识别通过。
示例四:
为简化说明,本示例省略注册过程,只保留识别/验证过程。
步骤1、采集多种生物特征样本图像。
本步骤中,所述生物特征样本包括但不限于:人脸、虹膜、指纹、指静脉、掌纹、声纹等。
例如:
采集多种生物特征样本,人脸样本+虹膜样本、指纹样本+指静脉样本;
多次采集某个生物特征的同一来源的样本,例如多幅人脸样本,多枚左手拇指样本,多枚左手拇指指静脉样本;
采集某种生物特征的多个不同来源样本,如:左眼虹膜样本+右眼虹膜样本、十指指纹样本、十指指静脉样本。
步骤2、对生物特征样本的质量进行分析,获得生物特征样本的质量分数。
步骤3、将质量分数顺次与样本数据融合阈值、特征数据融合阈值、比对分数融合阈值、比对结果融合阈值进行比较,根本比较结果执行相应的融合操作。
如果质量分数大于样本数据融合阈值,则进行样本数据融合。
如果质量分数大于特征数据融合阈值,则进行特征数据融合。
如果质量分数大于比对分数融合阈值,则进行比对分数融合。
如果质量分数大于比对结果融合阈值,则进行比对结果融合。
其中,样本数据融合、特征数据融合、比对分数融合、比对结果融合过程可参照前述的内容进行理解,本示例中不再赘述。
需要说明的是,本示例中,如果质量分数大于样本数据融合阈值,则质量分数不再与特征数据融合阈值、比对数据融合阈值、比对结果融合阈值进行比较,不再进行特征数据融合、比对数据融合、比对结果融合。如果质量分数小于样本数据融合阈值,则质量分数继续与特征数据融合阈值进行比较,如果质量分数大于特征数据融合阈值,则质量分数不再与比对数据融合阈值和比对结果融合阈值进行比较。以此类推,此处不再详细列举。
本发明实施例具有以下有益效果:
1、本发明利用多种生物特征进行身份验证/识别,克服了传统方法中利用单一生物特征进行身份识别认证时存在的局限性。
2、本发明利用每个生物特征样本的质量分数来控制相关处理环节的融合条件,使生物特征识别多模态融合更合理、有效。
实施例2:
本发明实施例提供了一种生物特征识别多模态融合装置,如图2所示,该装置包括:
采集模块1,用于采集多种类型的生物特征样本。
质量分数确定模块2,用于对生物特征样本的质量进行分析,获得生物特征样本的质量分数。
融合策略确定模块3,用于获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略。
生物特征提取模块4,用于提取生物特征样本的生物特征。
比对分数确定模块5,用于将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数。
比对结果确定模块6,用于将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果。
其中,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合;
验证/识别结果确定模块7,用于根据比对结果判断验证/识别通过或失败。
本发明提出了一种生物特征识别多模态融合装置,在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
前述的进行融合条件判断时,若生物特征样本的质量分数满足预设的样本数据融合条件,则将所有生物特征样本中的部分或全部进行融合,否则不进行样本数据融合。
若生物特征样本的质量分数满足预设的特征数据融合条件,则将所有生物特征中的部分或全部进行融合,否则不进行特征数据融合。
若生物特征样本的质量分数满足预设的比对分数融合条件,则将所有比对分数中的部分或全部进行融合,否则不进行比对分数融合。
若生物特征样本的质量分数满足预设的比对结果融合条件,则将所有比对结果进行融合,否则不进行比对结果融合,结束。
本发明的多种类型的生物特征样本中的每种类型的生物特征样本具有至少一个来源,每个来源包括至少一个生物特征样本。
所述将多个生物特征样本进行融合包括:将同一类型且同一来源的多个生物特征样本进行融合,得到生物特征样本集合或者更完整的生物特征样本。
所述将多个生物特征进行融合包括:将至少两个生物特征进行融合,得到生物特征集合或者生物特征向量。
所述将多个比对分数进行融合包括:将多个比对分数进行数据处理,得到一个融合后的比对分数。
其中,所述将多个比对分数进行数据处理,包括:将多个比对分数进行归一化,将归一化后的多个比对分数进行直接求和或者加权求和,多个比对分数的权重通过生物特征样本的质量分数确定;
所述将多个比对结果进行融合包括:将多个比对结果进行逻辑与和/或逻辑或运算,得到一个融合后的比对结果;或者,将多个比对结果进行加权运算,得到一个融合后的比对结果。
其中,将多个比对结果进行加权运算时,多个比对结果的权重通过生物特征样本的质量分数确定。
所述判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,包括:
将每个生物特征样本的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若所有生物特征样本的质量分数均大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,将所有生物特征样本的质量分数进行归一化,将归一化后的所有质量分数进行比较,将归一化后最小的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若归一化后最小的质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,对所有生物特征样本的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,将每个生物特征样本的质量分数与质量分数阈值进行比较,将大于质量分数阈值的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,将质量分数大于质量分数阈值的生物特征样本进行融合。
所述融合策略确定模块中,根据生物特征样本的质量分数自动确定融合策略包括:
将生物特征样本的质量分数与样本数据融合条件、特征数据融合条件、比对分数融合条件、比对结果融合条件逐个进行比较,若质量分数最先满足样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合;
或者,将生物特征样本的质量分数与样本数据融合阈值、特征数据融合阈值、比对分数融合阈值、比对结果融合阈值同时进行比较,若质量分数大于且最接近于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合。
前述的融合策略确定模块中,根据生物特征样本的质量分数自动确定融合策略还可以为:
将生物特征样本的质量分数输入训练好的融合策略模型,得到融合策略。
其中的融合策略模型通过如下模块训练得到:
训练数据集构建模块,用于构建训练数据集,训练数据集包括多种类型的生物特征训练样本、生物特征训练样本的质量分数、生物特征、比对分数及比对结果。
训练模块,用于使用训练数据集对融合策略模型进行训练。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例1相同,为简要描述,该装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。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,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例1中的对应过程,在此不再赘述。
实施例3:
本说明书提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例1所描述方案的效果。因此,本发明还提供用于生物特征识别多模态融合的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括实施例1的生物特征识别多模态融合方法的步骤。
本发明在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述所述的装置根据方法实施例1的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
实施例4:
本发明还提供一种用于生物特征识别多模态融合的设备,所述的设备可以为单独的计算机,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于生物特征识别多模态融合的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器,处理器执行所述指令时实现上述任意一个或者多个实施例1中所述生物特征识别多模态融合方法的步骤。
本发明在生物特征的注册和验证/识别过程中,采集多种生物特征样本,通过样本质量判断得到生物特征样本的质量分数,根据融合策略并比较质量分数和预先设定的融合阈值控制参数,如果满足融合条件,则进行融合处理。融合包括样本数据融合、特征数据融合、比对分数融合及比对结果融合。本发明通过多种生物特征样本的质量分数判断是否满足融合条件,实现多种生物特征的融合,能够克服传统方法中单一生物特征进行身份识别认证时存在的局限性,使生物特征融合处理更合理、更有效,对身份识别认证提供更加全面、安全的保障。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例1的描述,在此不作一一赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种生物特征识别多模态融合方法,其特征在于,所述方法包括:
S100:采集多种类型的生物特征样本;
S200:对所述生物特征样本的质量进行分析,获得生物特征样本的质量分数;
S300:获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略;其中,所述融合策略包括样本数据融合、特征数据融合、比对分数融合和/或比对结果融合;
S400:提取生物特征样本的生物特征;
S500:将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数;
S600:将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果;
其中,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合;
S700:根据比对结果判断验证/识别通过或失败。
2.根据权利要求1所述的生物特征识别多模态融合方法,其特征在于,若生物特征样本的质量分数满足预设的样本数据融合条件,则将所有生物特征样本中的部分或全部进行融合,否则不进行样本数据融合;
若生物特征样本的质量分数满足预设的特征数据融合条件,则将所有生物特征中的部分或全部进行融合,否则不进行特征数据融合;
若生物特征样本的质量分数满足预设的比对分数融合条件,则将所有比对分数中的部分或全部进行融合,否则不进行比对分数融合;
若生物特征样本的质量分数满足预设的比对结果融合条件,则将所有比对结果进行融合,否则不进行比对结果融合,结束。
3.根据权利要求1所述的生物特征识别多模态融合方法,其特征在于,所述多种类型的生物特征样本中的每种类型的生物特征样本具有至少一个来源,每个来源包括至少一个生物特征样本;
所述将多个生物特征样本进行融合包括:将同一类型且同一来源的多个生物特征样本进行融合,得到生物特征样本集合或者更完整的生物特征样本;
所述将多个生物特征进行融合包括:将至少两个生物特征进行融合,得到生物特征集合或者生物特征向量;
所述将多个比对分数进行融合包括:将多个比对分数进行数据处理,得到一个融合后的比对分数;
所述将多个比对结果进行融合包括:将多个比对结果进行逻辑与和/或逻辑或运算,得到一个融合后的比对结果;或者,将多个比对结果进行加权运算,得到一个融合后的比对结果。
4.根据权利要求3所述的生物特征识别多模态融合方法,其特征在于,所述将多个比对分数进行数据处理,包括:将多个比对分数进行归一化,将归一化后的多个比对分数进行直接求和或者加权求和,多个比对分数的权重通过生物特征样本的质量分数确定;
将多个比对结果进行加权运算时,多个比对结果的权重通过生物特征样本的质量分数确定。
5.根据权利要求1任一所述的生物特征识别多模态融合方法,其特征在于,所述判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,包括:
将每个生物特征样本的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若所有生物特征样本的质量分数均大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,将所有生物特征样本的质量分数进行归一化,将归一化后的所有质量分数进行比较,将归一化后最小的质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若归一化后最小的质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,对所有生物特征样本的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件;
或者,将每个生物特征样本的质量分数与质量分数阈值进行比较,将大于质量分数阈值的质量分数归一化后求平均,将平均质量分数与样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值进行比较,若平均质量分数大于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,将质量分数大于质量分数阈值的生物特征样本进行融合。
6.根据权利要求5所述的生物特征识别多模态融合方法,其特征在于,所述根据生物特征样本的质量分数自动确定融合策略包括:
将生物特征样本的质量分数与样本数据融合条件、特征数据融合条件、比对分数融合条件、比对结果融合条件逐个进行比较,若质量分数最先满足样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合;
将生物特征样本的质量分数与样本数据融合阈值、特征数据融合阈值、比对分数融合阈值、比对结果融合阈值同时进行比较,若质量分数大于且最接近于样本数据融合阈值/特征数据融合阈值/比对分数融合阈值/比对结果融合阈值,则融合策略为只进行样本数据融合/特征数据融合/比对分数融合/比对结果融合。
7.根据权利要求1-5任一所述的生物特征识别多模态融合方法,其特征在于,所述根据生物特征样本的质量分数自动确定融合策略包括:
将生物特征样本的质量分数输入训练好的融合策略模型,得到融合策略;
所述融合策略模型通过如下方法训练得到:
构建训练数据集,所述训练数据集包括多种类型的生物特征训练样本、生物特征训练样本的质量分数、生物特征、比对分数及比对结果;
使用训练数据集对融合策略模型进行训练。
8.一种生物特征识别多模态融合装置,其特征在于,所述装置包括:
采集模块,用于采集多种类型的生物特征样本;
质量分数确定模块,用于对所述生物特征样本的质量进行分析,获得生物特征样本的质量分数;
融合策略确定模块,用于获取预先设定的融合策略或者根据生物特征样本的质量分数自动确定融合策略;
生物特征提取模块,用于提取生物特征样本的生物特征;
比对分数确定模块,用于将生物特征与预先存储的对应的生物特征模板进行比对,得到比对分数;
比对结果确定模块,用于将比对分数与预先设定的对应的比对分数条件进行比较,得到比对结果;
其中,当融合策略为需要进行样本数据融合/特征数据融合/比对分数融合/比对结果融合时,判断生物特征样本的质量分数是否满足预设的样本数据融合条件/特征数据融合条件/比对分数融合条件/比对结果融合条件,若是,则将多个生物特征样本/生物特征/比对分数/比对结果进行融合;
验证/识别结果确定模块,用于根据比对结果判断验证/识别通过或失败。
9.一种用于生物特征识别多模态融合的计算机可读存储介质,其特征在于,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括权利要求1-7任一所述生物特征识别多模态融合方法的步骤。
10.一种用于生物特征识别多模态融合的设备,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7中任意一项所述生物特征识别多模态融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151643.1A CN113361554B (zh) | 2020-03-06 | 2020-03-06 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151643.1A CN113361554B (zh) | 2020-03-06 | 2020-03-06 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361554A true CN113361554A (zh) | 2021-09-07 |
CN113361554B CN113361554B (zh) | 2024-05-24 |
Family
ID=77524056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010151643.1A Active CN113361554B (zh) | 2020-03-06 | 2020-03-06 | 生物特征识别多模态融合方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361554B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320930A1 (en) * | 2009-03-10 | 2011-12-29 | Grg Banking Equipment Co., Ltd. | Method and means for identifying valuable documents |
CN103489193A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 |
CN103810382A (zh) * | 2014-01-27 | 2014-05-21 | 中国电子科技集团公司第十研究所 | 机载分布式多传感器两级数据融合策略选择方法 |
US20150058931A1 (en) * | 2013-08-23 | 2015-02-26 | Morphotrust Usa, Llc | System and Method for Identity Management |
CN107025442A (zh) * | 2017-03-31 | 2017-08-08 | 北京大学深圳研究生院 | 一种基于颜色和深度信息的多模态融合手势识别方法 |
CN107294730A (zh) * | 2017-08-24 | 2017-10-24 | 北京无线电计量测试研究所 | 一种多模态生物特征身份认证方法、装置及系统 |
CN107945149A (zh) * | 2017-12-21 | 2018-04-20 | 西安工业大学 | 增强IHS‑Curvelet变换融合可见光和红外图像的汽车抗晕光方法 |
CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
US20190205477A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Processing Fusion Data and Information Recommendation System |
CN110266738A (zh) * | 2019-07-31 | 2019-09-20 | 中国工商银行股份有限公司 | 基于多生物特征的识别认证方法及装置 |
-
2020
- 2020-03-06 CN CN202010151643.1A patent/CN113361554B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320930A1 (en) * | 2009-03-10 | 2011-12-29 | Grg Banking Equipment Co., Ltd. | Method and means for identifying valuable documents |
US20150058931A1 (en) * | 2013-08-23 | 2015-02-26 | Morphotrust Usa, Llc | System and Method for Identity Management |
CN103489193A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于融合策略的面向对象的高分辨率遥感影像变化检测方法 |
CN103810382A (zh) * | 2014-01-27 | 2014-05-21 | 中国电子科技集团公司第十研究所 | 机载分布式多传感器两级数据融合策略选择方法 |
CN107025442A (zh) * | 2017-03-31 | 2017-08-08 | 北京大学深圳研究生院 | 一种基于颜色和深度信息的多模态融合手势识别方法 |
CN107294730A (zh) * | 2017-08-24 | 2017-10-24 | 北京无线电计量测试研究所 | 一种多模态生物特征身份认证方法、装置及系统 |
CN107945149A (zh) * | 2017-12-21 | 2018-04-20 | 西安工业大学 | 增强IHS‑Curvelet变换融合可见光和红外图像的汽车抗晕光方法 |
US20190205477A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Processing Fusion Data and Information Recommendation System |
CN108364272A (zh) * | 2017-12-30 | 2018-08-03 | 广东金泽润技术有限公司 | 一种高性能红外-可见光融合探测方法 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
CN110266738A (zh) * | 2019-07-31 | 2019-09-20 | 中国工商银行股份有限公司 | 基于多生物特征的识别认证方法及装置 |
Non-Patent Citations (6)
Title |
---|
MORTAZI, A.等: "Multi-Planar Deep Segmentation Networks for Cardiac Substructures from MRI and CT", 《STATISTICAL ATLASES AND COMPUTATIONAL MODELS OF THE HEART. STACOM 2017》, 15 March 2018 (2018-03-15), pages 199 - 206, XP047465750, DOI: 10.1007/978-3-319-75541-0_21 * |
SUPREETHA GOWDA, H. D.等: "Multi-modal biometric system on various levels of fusion using LPQ features", 《JOURNAL OF INFORMATION AND OPTIMIZATION SCIENCES》, pages 169 - 181 * |
张闻彬等: "基于信号质量动态加权的多模生物特征识别研究", 《网络与信息安全学报》, vol. 4, no. 3, pages 59 - 67 * |
彭晓光: "前臂轮廓/静脉生物特征融合识别研究", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 2, 15 February 2019 (2019-02-15), pages 1 - 75 * |
杨婷婷: "基于多分辨率图像融合方法的研究与实现", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 8, 15 August 2019 (2019-08-15), pages 1 - 71 * |
杨晓凤: "掌纹和静脉特征融合算法的研究", 《中国优秀硕士学位论文全文数据库:信息科技辑》, no. 6, pages 1 - 63 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361554B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766872B (zh) | 图像识别方法和装置 | |
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
EP2523149B1 (en) | A method and system for association and decision fusion of multimodal inputs | |
CN108345587B (zh) | 一种评论的真实性检测方法与系统 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
JP5061382B2 (ja) | 時系列データの識別装置および動画像への人物メタ情報付与装置 | |
CN109389098B (zh) | 一种基于唇语识别的验证方法以及系统 | |
CN115147874A (zh) | 用于生物特征信息伪造检测的方法和设备 | |
CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
CN114581702A (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN114519898A (zh) | 生物特征多模态融合识别方法、装置、存储介质及设备 | |
US10198613B2 (en) | Latent fingerprint pattern estimation | |
CN116975711A (zh) | 多视图数据分类方法以及相关设备 | |
CN113361554B (zh) | 生物特征识别多模态融合方法、装置、存储介质及设备 | |
CN110874602A (zh) | 一种图像识别方法及装置 | |
CN113822308B (zh) | 多模态生物识别的比对分数融合方法、装置、介质及设备 | |
Shinde et al. | Fingerprint Recognition Based on Deep Learning Pre-Train with Our Best CNN Model for Person Identification | |
Rehkha | Differentiating monozygotic twins by facial features | |
CN118097520B (zh) | 视觉识别模型测试时自适应方法、装置、设备及介质 | |
CN117115469B (zh) | 图像特征提取网络的训练方法、装置、存储介质及设备 | |
CN118379656B (zh) | 基于深度学习的ar场景中草药识别方法及电子设备 | |
CN118658193A (zh) | 基于融合验证的文书自助签收方法及系统 | |
Pal et al. | STUDY OF GENDER PREDICTION FROM IMAGES USING DEEP LEARNING TECHNIQUES | |
Aizi et al. | A new multibiometric identification method based on a decision tree and a parallel processing strategy |
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 |