CN113723309A - 身份识别方法、身份识别装置、设备及存储介质 - Google Patents
身份识别方法、身份识别装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113723309A CN113723309A CN202111016630.4A CN202111016630A CN113723309A CN 113723309 A CN113723309 A CN 113723309A CN 202111016630 A CN202111016630 A CN 202111016630A CN 113723309 A CN113723309 A CN 113723309A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- image
- fingerprint image
- gray
- carrying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 238000000926 separation method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 31
- 230000002708 enhancing effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000013441 quality evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及人工智能领域，尤其涉及身份识别方法、身份识别装置、计算机设备及存储介质，所述方法包括：获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。由此能够提高身份识别的准确性，避免经常出现无法通过指纹解锁的情况，提高用户使用体验。
Description
技术领域
本申请涉及人工智能领域，尤其涉及身份识别方法、身份识别装置、计算机设备及存储介质。
背景技术
随着现代信息技术的飞速发展，指纹识别技术在生活中已经越来越广泛地被应用于身份识别与身份认证中。指纹是人手指表面皮肤凸起的纹线，是独一无二的，且指纹比较容易采集，故而应用范围极其广泛，比如手机指纹识别开锁，防盗门安装的指纹锁，以及各种软件采集指纹进行识别等等方面。
但现有的指纹识别也存在一定的问题，比如指纹采集的不够完整而导致再次识别时出现的指纹识别失败的问题，或者部分用户存在手指冬季干裂蜕皮的情况而导致指纹识别时认证身份失败的问题等。也就是说，现有的指纹识别方法只有在识别高质量的指纹图像时才能准确识别，而在针对一些模糊指纹图像和残缺指纹图像时无法准确地识别指纹图像，导致识别的准确率大大降低。
发明内容
本申请提供了一种身份识别方法、身份识别装置、计算机设备及存储介质，旨在解决现有的指纹识别方法只有在识别高质量的指纹图像时才能准确识别，而在针对一些模糊指纹图像和残缺指纹图像时无法准确地识别指纹图像的问题。
为实现上述目的，本申请提供一种身份识别方法，所述方法包括：
获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；
基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；
对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；
基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
为实现上述目的，本申请还提供一种身份识别装置，所述身份识别装置包括：
图像去噪增强模块，用于获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；
图像分割模块，用于基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；
灰度计算模块，用于对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；
身份识别模块，用于基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
此外，为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本申请实施例提供的任一项所述的身份识别方法。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供的任一项所述的身份识别方法。
本申请实施例公开的身份识别方法、身份识别装置、设备及存储介质，通过对指纹图像去噪及增强处理，有效保留和增强指纹图像的边缘信息，使指纹图像更容易分离指纹区域与背景区域，再通过指纹脊线提取算法提取得到指纹区域的脊线特征，并根据脊线特征进行身份识别，由此能够准确地分离指纹区域与背景区域并准确地提取得到脊线特征，从而提高了身份识别的准确性，避免经常出现无法通过指纹解锁的情况，提高用户使用体验。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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获得其他的附图。
图1是本申请实施例提供的一种身份识别方法的场景示意图；
图2是本申请实施例提供的一种身份识别方法的流程示意图；
图3是本申请一实施例提供的一种身份识别装置的示意性框图；
图4是本申请一实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
目前，指纹识别在人们的生活中的应用范围越来越广，如手机开机、考勤设备、支付APP的身份确认等对指纹识别的应用。在实际应用中，用户可通过设置指纹作为重要应用的密码，需要通过指纹的识别才能进入获取相关信息或者进行相关操作。
但是往往存在一些情况而导致只能采集到模糊指纹图像或残缺指纹图像，比如当采集的不够完整导致采集到模糊指纹图像，进而导致指纹识别失败；或者部分用户存在手指冬季干裂蜕皮、手指太湿、手指出现伤疤等的情况导致采集到模糊指纹图像，进而导致指纹识别失败。
为解决上述问题，本申请提供了一种指纹识别方法，应用在服务器，由此可以对指纹图像进行去噪、增强处理，并进行灰度计算以及特征提取，从而提高身份识别的准确性，避免经常出现无法通过指纹解锁的情况，提高用户使用体验。
其中，服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的身份识别方法进行详细介绍。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
如图1所示，本申请实施例提供的身份识别方法，可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120获取终端设备110发送的指纹指纹图像，服务器120对指纹指纹图像进行去噪增强处理，确定指纹区域的脊线特征，并根据脊线特征进行身份识别，并将身份识别结果发送给终端设备110，以验证用户身份。其中，服务器120可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
请参阅图2，图2是本申请实施例提供的一种身份识别方法的示意流程图。其中，该身份识别方法可以终端设备中，由此可以对指纹图像进行去噪、增强处理，并进行灰度计算以及特征提取，从而提高身份识别的准确性，避免经常出现无法通过指纹解锁的情况，提高用户使用体验。
如图2所示，该身份识别方法包括步骤S101至步骤S104。
S101、获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像。
其中，所述初始指纹图像为通过指纹采集仪、手机等智能设备采集到的指纹图像，所述目标指纹图像为经过去噪及增强处理后的指纹图像。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一些实施例中，对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像；基于图像增强算法对所述第一指纹图像进行增强处理，得到第二指纹图像；对所述第二指纹图像进行灰度处理，得到灰度直方图，并基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像。由此可以通过对初始指纹图像进行去噪及增强处理，得到易于获取脊线特征的目标指纹图像。
对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像。其中，所述第一指纹图像为经过滤波去噪处理后的待增强的指纹图像。由于不同的指纹采集仪或手机的性能差距或用户操作不当，通常会导致采集得到的初始指纹图像不够完整，因此初始指纹图像常常被强度随机信号(也称为噪声)所污染.一些常见的噪声有椒盐(Salt&Pepper)噪声、脉冲噪声、高斯噪声等。椒盐噪声含有随机出现的黑白强度值。而脉冲噪声则只含有随机的白强度值(正脉冲噪声)或黑强度值(负脉冲噪声)。与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声，而这些噪声的存在往往会给指纹图像识别带来很大的困难。
在一些实施例中，基于高斯滤波器和所述初始指纹图像生成高斯模板；通过所述高斯模板对所述初始指纹图像进行进行滤波去噪处理，得到第一指纹图像。由此可以通过对初始指纹图像进行处理，得到更平滑的第一指纹图像，有利于后续的指纹图像识别。
其中，所述高斯滤波器为一类根据高斯函数的形状来选择权值的线性平滑滤波器。所述高斯滤波器对于抑制服从正态分布的噪声非常有效。高斯滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。而同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器。非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。所述高斯模板为归一化的高斯滤波模板，一般包括3*3的高斯模板和5*5的高斯模板。
具体地，通过高斯滤波器利用正态分布计算初始指纹图像中每个像素的变换，将分布不为零的像素组成的卷积矩阵与初始指纹图像做变换。每个像素的值都是周围相邻像素值的加权平均。初始像素的值有最大的高斯分布值，所以有最大的权重，相邻像素随着距离初始像素越来越远，其权重也越来越小。由此可以更好地保留了边缘效果，保证在处理后的图像中不会出现虚假的高频信息。
通过高斯滤波器对初始指纹图像进行采样、量化，实现模板归一化，可以得到高斯模板。示例性的，高斯模板可以表示为：
其中，w(i，j)为3*3的高斯模板。
具体地，使用高斯模板与初始指纹图像进行卷积来对指纹图像进行滤波去噪可以表示为：g(i，j)＝f(x，y)*w(i，j)
其中，g(i，j)为与高斯模板卷积后(x，y)的像素灰度值，f(x，y)是指初始指纹图像在(x，y)点的像素灰度值。需要说明的是，如果判断像素属于边界像素，则应保持像素灰度值不变，即g(i,j)＝f(x,y)。
在一些实施例中，获取初始指纹图像之后，对所述初始指纹图像进行质量评估，得到指纹质量分数；若所述指纹质量分数高于第一分数阈值，则将所述初始指纹图像作为第二指纹图像；若所述指纹质量分数不高于第一分数阈值且高于第二分数阈值，对所述初始指纹图像进行滤波去噪以及增强处理；若所述指纹质量分数低于第二分数阈值，生成重新获取指纹的提示信息，并发送至客户端。其中，所述第一分数阈值和所述第二分数阈值可以为任意分值，在此不做具体限定。由此可以通过质量评估确定指纹采集情况，并进行针对性的处理比如质量良好的指纹可以无需进行滤波去噪以及增强处理，质量较差的指纹需要重新获取。
具体地，将所述初始指纹图像输入到指纹质量评价网络以对所述初始指纹图像进行质量评估，得到对应的指纹质量分数。其中，所述指纹质量评价网络可以通过低质量指纹图像和高质量指纹图像两个训练集进行训练得到。具体是对这两个训练集的图像分别进行标记；对标记完成的低质量指纹图像和高质量指纹图像进行训练，构建质量评价网络。
基于图像增强算法，对所述第一指纹图像进行增强处理，得到第二指纹图像。其中，所述第二指纹图像为经过增强处理后的指纹图像。所述图像增强算法可以为非线性滤波增强算法，所述非线性滤波增强算法用于对指纹图像边缘锐利度的改善，通过外推出更高频率范围内的新增高频信号分量来实现，不是通过放大原有高频分量来实现，这样处理可以根据平滑后的低频分量预测并恢复出平滑前的实际高频分量。当平滑后的图像迭加非线性滤波外推得到的相位一直的高频分量时，就可以实现在去除模糊的指纹图像中的噪声时仍然会保存原图像中有用的高频信息。
在一些实施例中，通过低通滤波器对所述第一指纹图像进行二次滤波，得到二次滤波后的指纹图像；根据所述初始指纹图像和所述二次滤波后的指纹图像进行分离，得到高频分量；通过所述低通滤波器对所述高频分量进行包络检波处理，得到锐化增强参数；根据所述锐化增强参数对所述第一指纹图像进行锐化增强处理，得到第二指纹图像。通过使用非线性外推增强滤波锐化指纹图像，非线性增强可以成功过的恢复出了在低通滤波过程中丢失的部分高频信息，这样就可以使得各种不同对比度的边缘都能得到一定程度的增强。经过处理后的图像在视觉效果上会变得比传统的使用拉普拉斯方法锐化增强的效果更好，并且可以得到更多的图像边缘信息。
其中，所述低通滤波器为容许低于截止频率的信号通过，但高于截止频率的信号不能通过的电子滤波装置。所述包络检波是基于滤波检波的振动信号处理方法。所述锐化增强参数可以包括梯度剪切阈值、梯度剪切幅度等参数。
具体地，对高频分量进行包络检波处理是将一段时间长度的高频信号的峰值点连线，就可以得到上方(正的)一条线和下方(负的)一条线，这两条线就叫包络线。所述包络线就是反映高频信号幅度变化的曲线。对于等幅高频信号，这两条包络线就是平行线。当用一个低频信号对一个高频信号进行幅度调制(即调幅)时，低频信号就成了高频信号的包络线。
示例性的，采用高斯脉冲响应低通滤波器对第一指纹图像的x、y方向进行二次滤波；使用初始指纹图像减去二次滤波后的图像，分离出高频分量，再使用同一高斯脉冲响应低通滤波器对高频分量做包络检波，得到梯度剪切阈值等参数，最后使用梯度剪切阈值c＝0.4和梯度剪切幅度参数s＝3.5对指纹图像进行锐化增强。
对所述第二指纹图像进行灰度处理，得到灰度直方图，并基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像。其中，所述灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将第二指纹图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。所述目标指纹图像为经过曝光处理后的指纹图像。
具体地，可以对所述第二指纹图像进行灰度转换，生成所述第二指纹图像对应的灰度直方图。
在一些实施例中，对所述灰度直方图进行平滑处理，得到平滑处理后的灰度直方图；根据所述平滑处理后的灰度直方图中确定曝光参数，并根据所述曝光参数对所述第二指纹图像进行曝光处理，得到目标指纹图像。其中，所述曝光参数可以包括灰度直方图的平均灰度、灰度峰值和灰度阈值等参数。由此可以通过指纹图像直方图的统计，对第二指纹图像进行曝光处理，增强第二指纹图像，增强低灰度区域中人眼感知比较强烈的区域，即感兴趣区域。
具体地，利用一维高斯算子对灰度直方图进行多次平滑处理，在经过多次平滑处理的直方图上定位灰度峰值所在的位置，使用二阶多项式拟合该峰值附近邻域的直方图数值，从而确定对应的灰度阈值等参数，最后根据所确定的曝光参数对所述第二指纹图像进行曝光处理，得到目标指纹图像。
S102、基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块。
其中，所述图像分割算法具体可以是基于区域的图像分割方法，具体可以选择w＝16的分块窗口对目标指纹图像按照w*w进行分块，其中w为所分割的图像块尺寸，但不小于指纹脊谷间距。所述指纹区域为用于进行指纹特征提取的区域。
示例性的，可以通过基于区域的图像分割方法对目标指纹图像进行均等分块，得到图像块尺寸相同的多块图像块。
示例性的，可以通过基于边缘检测的图像分割方法对所述目标指纹图像进行分割，得到多块图像块。具体是通过检测灰度级或者结构具有突变的地方，这些地方表明一个区域的终结，也是另一个区域开始的地方。而边界处一般有明显的边缘，可以利用此特征可以分割图像。
示例性的，可以通过基于灰度直方图的图像分割方法对所述目标指纹图像进行分割，得到多块图像块。具体是通过灰度直方图对图像中的像素进行计算，并利用直方图的波峰和波谷定位图像中的簇，重复此操作，使用更小的簇直到没有更多的集群的形成，从而实现图像分割。
S103、对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域。
其中，所述灰度计算结果用于确定指纹背景区域以及噪声，以便于后续分离指纹背景区域和指纹区域。由此可以通过灰度计算结果确定目标指纹图像中被认为是背景区域以及存在噪声的区域。
具体地，可以通过计算每块所述图像块的像素灰度值，并确定所述像素灰度值是否大于灰度阈值；若所述像素灰度值大于灰度阈值，则表示该图像块为高灰度区域，包括指纹图像的背景信息；若所述像素灰度值不大于灰度阈值，则表示该图像块为低灰度区域，也为感兴趣区域，包括人眼感知比较强烈的区域。其中，所述灰度阈值可以通过灰度直方图确定，所述像素灰度值可以反映出该像素的亮度大小，由此可以通过选择双峰直方图中的谷底作为对应的灰度阈值将指纹区域和背景区域分开。
在一些实施例中，计算每块所述图像块的灰度方差和灰度均值，并计算得到所述灰度方差和所述灰度均值的比值；确定所述灰度方差和所述灰度均值的比值是否大于预设比值阈值；若所述灰度方差和所述灰度均值的比值大于预设比值阈值，则确定所述图像块包括指纹区域，并在所述图像块中提取得到指纹区域。其中，所述所述图像块的灰度方差和灰度均值均可以通过公式进行计算得到，所述预设比值阈值可以为任意比值，在此不做具体限定。
在这些模糊的低质量指纹图像中，图像噪声有时会呈现出聚合的斑点，有时又是明显的纹理。指纹图像的指纹区域方差较大而背景区域的方差较小，此外，不同类型的指纹灰度均值与方差之间的关系也有不同的特点，例如在对比度较高的指纹区域灰度方差较大，而在对比度较低的指纹区域其灰度均值和方差之间一般呈现出一定的规律，可以通过该区域的灰度均值和方差的关系作为判断依据进行分割。由于方差与均值的平方成正比关系，在数量级上不利于比较，也不利于阈值的确定因此采用图像块的均值与图像的块标准偏差的比值作为判断依据，这样既解决了均值与方差在数量级上的差异又具有一定的可比性，解决了阈值难以确定的问题。
具体地，确定所述灰度方差和所述灰度均值的比值是否大于预设比值阈值；若所述灰度方差和所述灰度均值的比值大于预设比值阈值，则确定所述图像块包括指纹区域，并在所述图像块中提取得到指纹区域；若所述灰度方差和所述灰度均值的比值不大于预设比值阈值，则确定所述图像块为背景区域。
其中，每块图像块灰度均值可以用公式表示为：
每块图像块灰度方差可以用公式表示为：
其中，MD为每块图像块灰度均值，VD为每块图像块灰度方差，G(i,j)就是每个像素点的灰度值，具体是对每块图像块的每个像素点的灰度值求积分并累加，得到每块图像块对应的灰度均值和灰度方差。
S104、基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
其中，所述指纹脊线提取算法用于提取每块所述图像块对应的指纹区域的脊线以及脊线特征，所述脊线特征可以包括指纹的方向场、指纹的周期图、指纹的细节点和脊线方向等，所述指纹的方向场是指纹的全局特性，所述方向场描述了指纹的基本形状，可以通过对指纹方向场的研究观察指纹的纹理特征。所述指纹的周期图用于表征指纹的局部纹线周期，所述指纹的细节点用于表征指纹的特征端点，比如指纹纹线的两头末点等。所述脊线方向是缓慢变化的，但是模糊的指纹图像，或是因为褶皱、折痕等因素都会干扰脊线的方向，因此需要对指纹区域进行特征提取，从而准确地得到对应的脊线特征。由此能够有效提高对模糊指纹图像识别的准确率。
具体地，对每块所述图像块各自对应的指纹区域进行特征提取，得到每块所述图像块指纹区域对应的特征，将每块所述图像块指纹区域对应的特征组合起来得到脊线特征，并通过所述脊线特征进行身份识别。
在一些实施例中，基于图像灰度梯度算法，对每块所述图像块对应的指纹区域进行脊线方向提取，得到指纹的方向场；基于相邻波峰平均距离算法，对每块所述图像块对应的指纹区域进行周期估计，得到指纹的周期图；对每块所述图像块对应的指纹区域进行图像细化，得到指纹细化图，根据所述指纹细化图提取得到指纹的细节点。由此可以准确地确定指纹的脊线特征，并通过指纹的脊线特征进行身份识别，提高身份识别的准确率。
其中，所述图像灰度梯度算法用于利用Sobel算子计算每块所述图像块在x方向的梯度和y方向的梯度，并根据x方向的梯度和y方向的梯度对脊线方向进行提取，得到指纹方向场。所述相邻波峰平均距离算法用于计算每块所述图像块的相邻波峰平均距离，并估计得到指纹的周期图。所述图像细化是指将图像的线条从多像素宽度减少到单位像素宽度的过程。
具体地，通过设计针对性的图像灰度梯度算法来计算每块图像块中每个像素的梯度信息；根据所述梯度信息计算每块图像块中心像素点的局部方向，根据所述每块图像块中心像素点的局部方向确定所述指纹的脊线方向。
需要说明的是，在没有奇异点的邻域内，局部脊线的方向是缓慢变化的，可以通过采用低通滤波的方式来修正不正确的脊线方向，修正之后再采取指纹图像的特征信息再进行指纹识别匹配，最终有效提高对模糊指纹图像识别的准确率。
在一些实施例中，将所述脊线特征与预设指纹的脊线特征进行匹配，若所述脊线特征与预设指纹的脊线特征匹配成功，确定所述预设指纹对应的身份信息。其中，所述预设指纹的脊线特征可以为用户预先设置好的指纹对应的脊线特征，具体可以为每个家庭成员的指纹对应的脊线特征。
具体地，将所述脊线特征与预设指纹的脊线特征进行匹配；若所述脊线特征与预设指纹的脊线特征匹配成功，确定所述预设指纹对应的身份信息；若所述脊线特征与预设指纹的脊线特征匹配不成功，则进行下一个预设指纹的匹配。
具体地，可以通过计算所述脊线特征与预设指纹的脊线特征的余弦距离来确定所述脊线特征与预设指纹的脊线特征是否匹配；若所述脊线特征与预设指纹的脊线特征的余弦距离小于预设余弦距离，则认为所述脊线特征与预设指纹的脊线特征匹配成功；若所述脊线特征与预设指纹的脊线特征的余弦距离不小于预设余弦距离，则认为所述脊线特征与预设指纹的脊线特征匹配不成功。其中，所述预设余弦距离可以为任意数值。
请参阅图3，图3是本申请一实施例提供的一种身份识别装置的示意性框图，该身份识别装置可以配置于服务器中，用于执行前述的身份识别方法。
如图3所示，该身份识别装置200包括：图像去噪增强模块201、图像分割模块202、灰度计算模块203和身份识别模块204。
图像去噪增强模块201，用于获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；
图像分割模块202，用于基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；
灰度计算模块203，用于对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；
身份识别模块204，用于基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
图像去噪增强模块201，还用于对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像；基于图像增强算法对所述第一指纹图像进行增强处理，得到第二指纹图像；对所述第二指纹图像进行灰度处理，得到灰度直方图，并基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像。
图像去噪增强模块201，还用于基于高斯滤波器和所述初始指纹图像生成高斯模板；通过所述高斯模板对所述初始指纹图像进行进行滤波去噪处理，得到第一指纹图像。
图像去噪增强模块201，还用于通过低通滤波器对所述第一指纹图像进行二次滤波，得到二次滤波后的指纹图像；根据所述二次滤波后的指纹图像，对所述初始指纹图像进行过滤并分离得到高频分量；通过所述低通滤波器对所述高频分量进行包络检波处理，得到锐化增强参数；根据所述锐化增强参数对所述第一指纹图像进行锐化增强处理，得到第二指纹图像。
图像去噪增强模块201，还用于对所述灰度直方图进行平滑处理，得到平滑处理后的灰度直方图；根据所述平滑处理后的灰度直方图确定对所述第二指纹图像进行曝光处理的曝光参数，并根据所述曝光参数对所述第二指纹图像进行曝光处理，得到目标指纹图像。
灰度计算模块203，还用于计算每块所述图像块的灰度方差和灰度均值，并计算得到所述灰度方差和所述灰度均值的比值；确定计算得到的各所述比值是否大于预设比值阈值；若有所述灰度方差和所述灰度均值的比值大于预设比值阈值，则确定该比值对应的图像块包括指纹区域，在所述该比值对应的图像块中提取所述指纹区域。
身份识别模块204，还用于基于图像灰度梯度算法，对每块所述图像块对应的指纹区域进行脊线方向提取，得到指纹的方向场；基于相邻波峰平均距离算法，对每块所述图像块对应的指纹区域进行周期估计，得到指纹的周期图；对每块所述图像块对应的指纹区域进行图像细化，得到指纹细化图，根据所述指纹细化图提取得到指纹的细节点。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种身份识别方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种身份识别方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
在一些实施例中，所述处理器还用于：对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像；基于图像增强算法对所述第一指纹图像进行增强处理，得到第二指纹图像；对所述第二指纹图像进行灰度处理，得到灰度直方图，并基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像。
在一些实施例中，所述处理器还用于：基于高斯滤波器和所述初始指纹图像生成高斯模板；通过所述高斯模板对所述初始指纹图像进行进行滤波去噪处理，得到第一指纹图像。
在一些实施例中，所述处理器还用于：通过低通滤波器对所述第一指纹图像进行二次滤波，得到二次滤波后的指纹图像；根据所述二次滤波后的指纹图像，对所述初始指纹图像进行过滤并分离得到高频分量；通过所述低通滤波器对所述高频分量进行包络检波处理，得到锐化增强参数；根据所述锐化增强参数对所述第一指纹图像进行锐化增强处理，得到第二指纹图像。
在一些实施例中，所述处理器还用于：对所述灰度直方图进行平滑处理，得到平滑处理后的灰度直方图；根据所述平滑处理后的灰度直方图中确定曝光参数，并根据所述曝光参数对所述第二指纹图像进行曝光处理，得到目标指纹图像。
在一些实施例中，所述处理器还用于：计算每块所述图像块的灰度方差和灰度均值，并计算得到所述灰度方差和所述灰度均值的比值；确定所述灰度方差和所述灰度均值的比值是否大于预设比值阈值；若所述灰度方差和所述灰度均值的比值大于预设比值阈值，则确定所述图像块包括指纹区域，并在所述图像块中提取得到指纹区域。
在一些实施例中，所述处理器还用于：基于图像灰度梯度算法，对每块所述图像块对应的指纹区域进行脊线方向提取，得到指纹的方向场；基于相邻波峰平均距离算法，对每块所述图像块对应的指纹区域进行周期估计，得到指纹的周期图；对每块所述图像块对应的指纹区域进行图像细化，得到指纹细化图，根据所述指纹细化图提取得到指纹的细节点。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本申请实施例提供的任一种身份识别方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种身份识别方法，其特征在于，所述方法包括：
获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；
基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；
对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；
基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
2.根据权利要求1所述的方法，其特征在于，所述对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像，包括：
对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像；
基于图像增强算法对所述第一指纹图像进行增强处理，得到第二指纹图像；
对所述第二指纹图像进行灰度处理，得到灰度直方图，并基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始指纹图像进行滤波去噪处理，得到第一指纹图像，包括：
基于高斯滤波器和所述初始指纹图像生成高斯模板；
通过所述高斯模板对所述初始指纹图像进行进行滤波去噪处理，得到第一指纹图像。
4.根据权利要求2所述的方法，其特征在于，所述基于图像增强算法对所述第一指纹图像进行增强处理，得到第二指纹图像，包括：
通过低通滤波器对所述第一指纹图像进行二次滤波，得到二次滤波后的指纹图像；
根据所述二次滤波后的指纹图像，对所述初始指纹图像进行过滤并分离得到高频分量；
通过所述低通滤波器对所述高频分量进行包络检波处理，得到锐化增强参数；
根据所述锐化增强参数对所述第一指纹图像进行锐化增强处理，得到第二指纹图像。
5.根据权利要求2所述的方法，其特征在于，所述基于所述灰度直方图对所述第二指纹图像进行曝光处理，得到目标指纹图像，包括：
对所述灰度直方图进行平滑处理，得到平滑处理后的灰度直方图；
根据所述平滑处理后的灰度直方图确定对所述第二指纹图像进行曝光处理的曝光参数，并根据所述曝光参数对所述第二指纹图像进行曝光处理，得到目标指纹图像。
6.根据权利要求1所述的方法，其特征在于，所述对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域，包括：
计算每块所述图像块的灰度方差和灰度均值，并计算得到所述灰度方差和所述灰度均值的比值；
确定计算得到的各所述比值是否大于预设比值阈值；
若有所述灰度方差和所述灰度均值的比值大于预设比值阈值，则确定该比值对应的图像块包括指纹区域，在所述该比值对应的图像块中提取所述指纹区域。
7.根据权利要求1所述的方法，其特征在于，所述脊线特征包括指纹的方向场、指纹的周期图和指纹的细节点，所述基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，包括：
基于图像灰度梯度算法，对每块所述图像块对应的指纹区域进行脊线方向提取，得到指纹的方向场；
基于相邻波峰平均距离算法，对每块所述图像块对应的指纹区域进行周期估计，得到指纹的周期图；
对每块所述图像块对应的指纹区域进行图像细化，得到指纹细化图，根据所述指纹细化图提取得到指纹的细节点。
8.一种身份识别装置，其特征在于，包括：
图像去噪增强模块，用于获取初始指纹图像，对所述初始指纹图像进行去噪及增强处理，得到目标指纹图像；
图像分割模块，用于基于图像分割算法对所述目标指纹图像进行分割，得到多块图像块；
灰度计算模块，用于对每块所述图像块进行灰度计算，得到每块所述图像块对应的灰度计算结果，并基于所述灰度计算结果对对应的所述图像块进行指纹区域与背景区域的分离，得到每块所述图像块对应的指纹区域；
身份识别模块，用于基于指纹脊线提取算法，分别提取每块所述图像块对应的指纹区域的脊线特征，并根据所述脊线特征进行身份识别。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现：
如权利要求1-7任一项所述的身份识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的身份识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016630.4A CN113723309A (zh) | 2021-08-31 | 2021-08-31 | 身份识别方法、身份识别装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016630.4A CN113723309A (zh) | 2021-08-31 | 2021-08-31 | 身份识别方法、身份识别装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723309A true CN113723309A (zh) | 2021-11-30 |
Family
ID=78680140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016630.4A Pending CN113723309A (zh) | 2021-08-31 | 2021-08-31 | 身份识别方法、身份识别装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723309A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757851A (zh) * | 2022-05-11 | 2022-07-15 | 深圳芯启航科技有限公司 | 指纹图像的处理方法、装置、电子设备及存储介质 |
| CN114913555A (zh) * | 2022-05-30 | 2022-08-16 | 深圳芯启航科技有限公司 | 指纹特征点获取方法、装置、电子设备及存储介质 |
| CN115761604A (zh) * | 2023-01-10 | 2023-03-07 | 矿冶科技集团有限公司 | 炉口开闭状态识别方法及装置 |
| CN116884045A (zh) * | 2023-09-07 | 2023-10-13 | 腾讯科技（深圳）有限公司 | 身份识别方法、装置、计算机设备和存储介质 |
| CN117218691A (zh) * | 2023-11-09 | 2023-12-12 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
| CN118212662A (zh) * | 2024-05-21 | 2024-06-18 | 深圳市魔力信息技术有限公司 | 指纹图像匹配方法、设备及存储介质 |
| CN118379767A (zh) * | 2024-06-25 | 2024-07-23 | 深圳市魔力信息技术有限公司 | 指纹图像索引方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003337949A (ja) * | 2002-05-21 | 2003-11-28 | Matsushita Electric Ind Co Ltd | 指紋照合装置 |
| CN105825206A (zh) * | 2016-04-13 | 2016-08-03 | 时建华 | 具有身份识别功能的家电自动调控装置 |
| CN111914755A (zh) * | 2020-08-03 | 2020-11-10 | 河南大学 | 一种八方向求梯度指纹识别模型 |
-
2021
- 2021-08-31 CN CN202111016630.4A patent/CN113723309A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003337949A (ja) * | 2002-05-21 | 2003-11-28 | Matsushita Electric Ind Co Ltd | 指紋照合装置 |
| CN105825206A (zh) * | 2016-04-13 | 2016-08-03 | 时建华 | 具有身份识别功能的家电自动调控装置 |
| CN111914755A (zh) * | 2020-08-03 | 2020-11-10 | 河南大学 | 一种八方向求梯度指纹识别模型 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757851A (zh) * | 2022-05-11 | 2022-07-15 | 深圳芯启航科技有限公司 | 指纹图像的处理方法、装置、电子设备及存储介质 |
| CN114913555A (zh) * | 2022-05-30 | 2022-08-16 | 深圳芯启航科技有限公司 | 指纹特征点获取方法、装置、电子设备及存储介质 |
| CN115761604A (zh) * | 2023-01-10 | 2023-03-07 | 矿冶科技集团有限公司 | 炉口开闭状态识别方法及装置 |
| CN115761604B (zh) * | 2023-01-10 | 2023-06-13 | 矿冶科技集团有限公司 | 炉口开闭状态识别方法及装置 |
| CN116884045A (zh) * | 2023-09-07 | 2023-10-13 | 腾讯科技（深圳）有限公司 | 身份识别方法、装置、计算机设备和存储介质 |
| CN116884045B (zh) * | 2023-09-07 | 2024-01-02 | 腾讯科技（深圳）有限公司 | 身份识别方法、装置、计算机设备和存储介质 |
| CN117218691A (zh) * | 2023-11-09 | 2023-12-12 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
| CN117218691B (zh) * | 2023-11-09 | 2024-01-26 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
| CN118212662A (zh) * | 2024-05-21 | 2024-06-18 | 深圳市魔力信息技术有限公司 | 指纹图像匹配方法、设备及存储介质 |
| CN118379767A (zh) * | 2024-06-25 | 2024-07-23 | 深圳市魔力信息技术有限公司 | 指纹图像索引方法、装置、设备及存储介质 |
| CN118379767B (zh) * | 2024-06-25 | 2024-09-17 | 深圳市魔力信息技术有限公司 | 指纹图像索引方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723309A (zh) | 身份识别方法、身份识别装置、设备及存储介质 | |
| US10789465B2 (en) | Feature extraction and matching for biometric authentication | |
| US9633269B2 (en) | Image-based liveness detection for ultrasonic fingerprints | |
| US8306288B2 (en) | Automatic identification of fingerprint inpainting target areas | |
| CN101329726B (zh) | 一种基于一维滤波的指纹图像增强方法 | |
| CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
| Llano et al. | Optimized robust multi-sensor scheme for simultaneous video and image iris recognition | |
| WO2011097936A1 (zh) | 指纹图像增强方法 | |
| CN109902586A (zh) | 掌纹提取方法、装置及存储介质、服务器 | |
| CN112801031A (zh) | 静脉图像识别方法、装置、电子设备及可读存储介质 | |
| CN104361339B (zh) | 掌形图形提取及识别方法 | |
| Aithal | Two Dimensional Clipping Based Segmentation Algorithm for Grayscale Fingerprint Images | |
| US10657369B1 (en) | Unsupervised removal of text from images using linear programming for optimal filter design | |
| Iwasokun et al. | A multi-level model for fingerprint image enhancement | |
| Nagendra et al. | Fingerprint image enhancement using filtering techniques | |
| Yasmin et al. | Performance Study of Soft Local Binary Pattern over Local Binary Pattern under Noisy Images | |
| Kakkar et al. | Fingerprint image enhancement using wavelet transform and gabor filtering | |
| Sisodia et al. | A conglomerate technique for finger print recognition using phone camera captured images | |
| CN112801034A (zh) | 一种指静脉识别装置 | |
| Misra et al. | A study report on finger print image enhancement methods | |
| Babatunde et al. | A multi-level model for fingerprint image enhancement | |
| KR20210082587A (ko) | 지문 향상 모듈 | |
| Babu et al. | Multistage feature extraction of finger vein patterns using Gabor filters | |
| CN111177696A (zh) | 智能终端开机认证方法 | |
| CN111222116A (zh) | 一种智能终端 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211130 |
|
| WD01 | Invention patent application deemed withdrawn after publication |