CN113989530A - 一种快速特征比对的方法及系统 - Google Patents
一种快速特征比对的方法及系统 Download PDFInfo
- Publication number
- CN113989530A CN113989530A CN202111254121.5A CN202111254121A CN113989530A CN 113989530 A CN113989530 A CN 113989530A CN 202111254121 A CN202111254121 A CN 202111254121A CN 113989530 A CN113989530 A CN 113989530A
- Authority
- CN
- China
- Prior art keywords
- hash
- image
- initial image
- template
- module
- 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 20
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 210000003462 vein Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Abstract
本发明公开了一种快速特征比对的方法及系统,方法包括获取认证图,并对所述认证图进行ROI提取,得到初始图像,对所述初始图像进行特征提取,得到初始图像的哈希特征,依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像,将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果;通过提取初始图像的哈希特征,能够减少提取特征的数量,从而提高比对的效率,此外,通过依据初始图像的哈希特征从模板图像库中筛选出若干个模板图像,实现粗分类的效果,再将认证图与所述若干个模板图像进行逐一匹配,能够减少逐一比对的图像,从而进一步提高认证的效率。
Description
技术领域
本发明涉及生物识别特征比对技术领域,尤其涉及一种快速特征比对的方法及系统。
背景技术
当今社会,人工智能、大数据、深度学习等领域空前火热,其中生物识别技术当属人工智能领域中的一大热门方向,比如人脸识别、指纹识别、虹膜识别、指静脉识别以及掌静脉识别等,按照生物识别场景来看,主要分为1:1的验证和1:N的识别,对于1:1验证场景而言,不存在分类的问题,主要是认证图或特征与指定的模板图或特征进行比对验证,而对于1:N场景而言,快速初筛就显得尤为重要,因为是1张认证图或特征与N张模板图或特征进行比对,那么快速选取出相似度较高的模板图或特征,是提升识别速度的一个关键因素,目前大多数1:N的场景应用中,主要是逐一匹配,即1个认证图像或特征与N个模板图像或特征一一匹配,从而计算出相似度,实现特征的比对,然而,采用逐一匹配进行特征比对的方式识别效率比较差,耗时比较长。
发明内容
有鉴于此,本发明提出一种快速特征比对的方法及系统,可以解决现有特征比对方法所存在的效率差的缺陷。
本发明的技术方案是这样实现的:
一种快速特征比对的方法,具体包括以下步骤:
步骤S1,获取认证图,并对所述认证图进行ROI提取,得到初始图像;
步骤S2,对所述初始图像进行特征提取,得到初始图像的哈希特征;
步骤S3,依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
步骤S4,将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
作为所述快速特征比对的方法的进一步可选方案,所述步骤S2采用感知哈希算法进行特征提取,具体包括以下步骤:
步骤S21,缩小初始图象尺寸,得到32x32尺寸的图像;
步骤S22,将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
步骤S23,将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
步骤S24,将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
步骤S25,计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
步骤S26,对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
作为所述快速特征比对的方法的进一步可选方案,所述步骤S3包括以下步骤:
步骤S31,获取模板图像库中模板图像的哈希特征;
步骤S32,依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
作为所述快速特征比对的方法的进一步可选方案,所述步骤S32包括以下步骤:
步骤S321,对所述初始图像的哈希特征进行截取,得到匹配模式串;
步骤S322,计算所述匹配模式串的next数组;
步骤S333,将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
一种快速特征比对的系统,所述系统包括:
第一获取模块,用于获取认证图,并对所述认证图进行ROI提取,得到初始图像;
提取模块,用于对所述初始图像进行特征提取,得到初始图像的哈希特征;
筛选模块,用于依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
判断模块,用于将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
作为所述快速特征比对的系统的进一步可选方案,所述提取模块包括:
缩小模块,用于缩小初始图象尺寸,得到32x32尺寸的图像;
数据类型转换模块,用于将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
离散余弦变换模块,用于将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
第一截取模块,用于将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
计算模块,用于计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
字符串转换模块,用于对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
作为所述快速特征比对的系统的进一步可选方案,所述筛选模块包括:
第二获取模块,用于获取模板图像库中模板图像的哈希特征;
处理模块,用于依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
作为所述快速特征比对的系统的进一步可选方案,所述处理模块包括:
第二截取模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
数组计算模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
比对模块,用于将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
本发明的有益效果是:通过提取初始图像的哈希特征,能够减少提取特征的数量,从而提高比对的效率,此外,通过依据初始图像的哈希特征从模板图像库中筛选出若干个模板图像,实现粗分类的效果,再将认证图与所述若干个模板图像进行逐一匹配,能够减少逐一比对的图像,从而进一步提高认证的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明一种快速特征比对的方法的流程示意图;
图2为本发明一种快速特征比对的系统的组成图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
参考图1-2,一种快速特征比对的方法,具体包括以下步骤:
步骤S1,获取认证图,并对所述认证图进行ROI提取,得到初始图像;
步骤S2,对所述初始图像进行特征提取,得到初始图像的哈希特征;
步骤S3,依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
步骤S4,将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
在本实施例中,通过提取初始图像的哈希特征,能够减少提取特征的数量,从而提高比对的效率,此外,通过依据初始图像的哈希特征从模板图像库中筛选出若干个模板图像,实现粗分类的效果,再将认证图与所述若干个模板图像进行逐一匹配,能够减少逐一比对的图像,从而进一步提高认证的效率。
需要说明的是,所述ROI提取,即在采集的原图上定位出人脸、指纹、静脉区域,然后将其裁剪,用于后续的特征提取。
优选的,所述步骤S2采用感知哈希算法进行特征提取,具体包括以下步骤:
步骤S21,缩小初始图象尺寸,得到32x32尺寸的图像;
步骤S22,将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
步骤S23,将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
步骤S24,将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
步骤S25,计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
步骤S26,对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
在本实施例中,通过缩小初始图象尺寸,得到32x32尺寸的图像,能够最快速的去除高频和细节,只保留结构明暗;在将32*32大小的矩阵进行截取时,通过保留图像左上角的8*8的矩阵,从而得到8*8大小的矩阵,这部分能够呈现图像中的最低频率;计算出8*8大小的矩阵的平均值后,根据8*8大小的矩阵,设置0或1的64位的hash值,大于等于矩阵均值的设为“1”,小于DCT均值的设为“0”,将得到的“0”和“1”数值转存为字符串,即“01100……11010”,作为初始图像的哈希特征。
优选的,所述步骤S3包括以下步骤:
步骤S31,获取模板图像库中模板图像的哈希特征;
步骤S32,依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
在本实施例中,在特征提取阶段得到哈希特征后,将初始图像的哈希特征命名为认证hash串,将模板图像的哈希特征命名为模板hash串,然后利用KMP的思想进行比对,将模板hash串看作是主串,将认证hash串看作是模式串,可快速找出与认证图像相近的模板图像。
优选的,所述步骤S32包括以下步骤:
步骤S321,对所述初始图像的哈希特征进行截取,得到匹配模式串;
步骤S322,计算所述匹配模式串的next数组;
步骤S333,将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
在本实施例中,在对初始图像的哈希特征进行截取时,因为模板hash串与认证hash串的长度相同,均为64,显然不符合KMP字符串匹配算法的应用条件,一般主串的长度要大于模式串的长度。所以本文采用的方法是,从认证hash串中截取长度为m(m<64)的子串作为匹配模式串;在计算所述匹配模式串的next数组时,利用KMP匹配算法,就需要提前计算模式串中各个元素的next数组,所谓next数组,即当每个元素匹配失败时,下一次匹配的起始位置,如next[j]=3,则表示若第j位元素匹配失败时,下一次的匹配模式串的起始匹配位置为3;将匹配模式串与模板hash串进行KMP比对,将能匹配成功的模板hash串对应的模板图像(或特征)保存出来,取top n(n=20,50,100等)个模板图像(或特征)作为备选的识别目标,从而从模板图像库中筛选出若干个模板图像。
一种快速特征比对的系统,所述系统包括:
第一获取模块,用于获取认证图,并对所述认证图进行ROI提取,得到初始图像;
提取模块,用于对所述初始图像进行特征提取,得到初始图像的哈希特征;
筛选模块,用于依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
判断模块,用于将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
在本实施例中,通过提取初始图像的哈希特征,能够减少提取特征的数量,从而提高比对的效率,此外,通过依据初始图像的哈希特征从模板图像库中筛选出若干个模板图像,实现粗分类的效果,再将认证图与所述若干个模板图像进行逐一匹配,能够减少逐一比对的图像,从而进一步提高认证的效率。
需要说明的是,所述ROI提取,即在采集的原图上定位出人脸、指纹、静脉区域,然后将其裁剪,用于后续的特征提取。
优选的,所述提取模块包括:
缩小模块,用于缩小初始图象尺寸,得到32x32尺寸的图像;
数据类型转换模块,用于将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
离散余弦变换模块,用于将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
第一截取模块,用于将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
计算模块,用于计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
字符串转换模块,用于对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
在本实施例中,通过缩小初始图象尺寸,得到32x32尺寸的图像,能够最快速的去除高频和细节,只保留结构明暗;在将32*32大小的矩阵进行截取时,通过保留图像左上角的8*8的矩阵,从而得到8*8大小的矩阵,这部分能够呈现图像中的最低频率;计算出8*8大小的矩阵的平均值后,根据8*8大小的矩阵,设置0或1的64位的hash值,大于等于矩阵均值的设为“1”,小于DCT均值的设为“0”,将得到的“0”和“1”数值转存为字符串,即“01100……11010”,作为初始图像的哈希特征。
优选的,所述筛选模块包括:
第二获取模块,用于获取模板图像库中模板图像的哈希特征;
处理模块,用于依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
在本实施例中,在特征提取阶段得到哈希特征后,将初始图像的哈希特征命名为认证hash串,将模板图像的哈希特征命名为模板hash串,然后利用KMP的思想进行比对,将模板hash串看作是主串,将认证hash串看作是模式串,可快速找出与认证图像相近的模板图像。
优选的,所述处理模块包括:
第二截取模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
数组计算模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
比对模块,用于将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
在本实施例中,在对初始图像的哈希特征进行截取时,因为模板hash串与认证hash串的长度相同,均为64,显然不符合KMP字符串匹配算法的应用条件,一般主串的长度要大于模式串的长度。所以本文采用的方法是,从认证hash串中截取长度为m(m<64)的子串作为匹配模式串;在计算所述匹配模式串的next数组时,利用KMP匹配算法,就需要提前计算模式串中各个元素的next数组,所谓next数组,即当每个元素匹配失败时,下一次匹配的起始位置,如next[j]=3,则表示若第j位元素匹配失败时,下一次的匹配模式串的起始匹配位置为3;将匹配模式串与模板hash串进行KMP比对,将能匹配成功的模板hash串对应的模板图像(或特征)保存出来,取top n(n=20,50,100等)个模板图像(或特征)作为备选的识别目标,从而从模板图像库中筛选出若干个模板图像。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种快速特征比对的方法,其特征在于,具体包括以下步骤:
步骤S1,获取认证图,并对所述认证图进行ROI提取,得到初始图像;
步骤S2,对所述初始图像进行特征提取,得到初始图像的哈希特征;
步骤S3,依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
步骤S4,将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
2.根据权利要求1所述的一种快速特征比对的方法,其特征在于,所述步骤S2采用感知哈希算法进行特征提取,具体包括以下步骤:
步骤S21,缩小初始图象尺寸,得到32x32尺寸的图像;
步骤S22,将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
步骤S23,将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
步骤S24,将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
步骤S25,计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
步骤S26,对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
3.根据权利要求2所述的一种快速特征比对的方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31,获取模板图像库中模板图像的哈希特征;
步骤S32,依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
4.根据权利要求3所述的一种快速特征比对的方法,其特征在于,所述步骤S32包括以下步骤:
步骤S321,对所述初始图像的哈希特征进行截取,得到匹配模式串;
步骤S322,计算所述匹配模式串的next数组;
步骤S333,将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
5.一种快速特征比对的系统,其特征在于,所述系统包括:
第一获取模块,用于获取认证图,并对所述认证图进行ROI提取,得到初始图像;
提取模块,用于对所述初始图像进行特征提取,得到初始图像的哈希特征;
筛选模块,用于依据所述初始图像的哈希特征,从模板图像库中筛选出若干个模板图像;
判断模块,用于将认证图与所述若干个模板图像进行逐一匹配,判断相似度是否大于预设的相似度阈值,若是,则输出识别成功结果,否则,输出识别失败结果。
6.根据权利要求5所述的一种快速特征比对的系统,其特征在于,所述提取模块包括:
缩小模块,用于缩小初始图象尺寸,得到32x32尺寸的图像;
数据类型转换模块,用于将32x32尺寸的图像进行数据类型转换,得到32位浮点型数据类型的图像;
离散余弦变换模块,用于将32位浮点型数据类型的图像进行离散余弦变换,得到32*32大小的矩阵;
第一截取模块,用于将32*32大小的矩阵进行截取,得到8*8大小的矩阵;
计算模块,用于计算8*8大小的矩阵的平均值,并依据所述平均值得到初始图象的哈希数值;
字符串转换模块,用于对所述哈希数值进行字符串转换,得到的字符串作为初始图像的哈希特征。
7.根据权利要求6所述的一种快速特征比对的系统,其特征在于,所述筛选模块包括:
第二获取模块,用于获取模板图像库中模板图像的哈希特征;
处理模块,用于依据所述初始图像的哈希特征和模板图像的哈希特征,从模板图像库中筛选出若干个模板图像。
8.根据权利要求7所述的一种快速特征比对的系统,其特征在于,所述处理模块包括:
第二截取模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
数组计算模块,用于对所述初始图像的哈希特征进行截取,得到匹配模式串;
比对模块,用于将所述匹配模式串与模板图像的哈希特征进行KMP比对,从而从模板图像库中筛选出若干个模板图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254121.5A CN113989530A (zh) | 2021-10-27 | 2021-10-27 | 一种快速特征比对的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254121.5A CN113989530A (zh) | 2021-10-27 | 2021-10-27 | 一种快速特征比对的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989530A true CN113989530A (zh) | 2022-01-28 |
Family
ID=79742373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111254121.5A Pending CN113989530A (zh) | 2021-10-27 | 2021-10-27 | 一种快速特征比对的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989530A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998216A (zh) * | 2022-05-06 | 2022-09-02 | 湖北文理学院 | 透明件表面缺陷快速检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309882A (zh) * | 2012-03-13 | 2013-09-18 | 北京启明星辰信息技术股份有限公司 | 一种多模式下匹配字符串的方法及系统 |
CN104484869A (zh) * | 2014-11-14 | 2015-04-01 | 中国科学院计算技术研究所 | 面向排序测度特征的图像匹配方法及系统 |
CN106528599A (zh) * | 2016-09-23 | 2017-03-22 | 深圳凡豆信息科技有限公司 | 一种海量音频数据中的字符串快速模糊匹配算法 |
CN111382298A (zh) * | 2018-12-30 | 2020-07-07 | 贝壳技术有限公司 | 基于图片内容的图像检索方法、装置与电子设备 |
CN111984804A (zh) * | 2019-05-23 | 2020-11-24 | 西安光启未来技术研究院 | 图像检索方法、装置、计算机设备和存储介质 |
CN112801031A (zh) * | 2021-02-08 | 2021-05-14 | 电子科技大学中山学院 | 静脉图像识别方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-10-27 CN CN202111254121.5A patent/CN113989530A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309882A (zh) * | 2012-03-13 | 2013-09-18 | 北京启明星辰信息技术股份有限公司 | 一种多模式下匹配字符串的方法及系统 |
CN104484869A (zh) * | 2014-11-14 | 2015-04-01 | 中国科学院计算技术研究所 | 面向排序测度特征的图像匹配方法及系统 |
CN106528599A (zh) * | 2016-09-23 | 2017-03-22 | 深圳凡豆信息科技有限公司 | 一种海量音频数据中的字符串快速模糊匹配算法 |
CN111382298A (zh) * | 2018-12-30 | 2020-07-07 | 贝壳技术有限公司 | 基于图片内容的图像检索方法、装置与电子设备 |
CN111984804A (zh) * | 2019-05-23 | 2020-11-24 | 西安光启未来技术研究院 | 图像检索方法、装置、计算机设备和存储介质 |
CN112801031A (zh) * | 2021-02-08 | 2021-05-14 | 电子科技大学中山学院 | 静脉图像识别方法、装置、电子设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998216A (zh) * | 2022-05-06 | 2022-09-02 | 湖北文理学院 | 透明件表面缺陷快速检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rathgeb et al. | Iris-biometric hash generation for biometric database indexing | |
CN109005145B (zh) | 一种基于自动特征抽取的恶意url检测系统及其方法 | |
CN109508663A (zh) | 一种基于多层次监督网络的行人重识别方法 | |
CN109582813B (zh) | 一种文物展品的检索方法、装置、设备和存储介质 | |
JP2011521355A (ja) | 勾配ヒストグラムを用いた指紋表現 | |
Zuo et al. | Multi-strategy tracking based text detection in scene videos | |
CN107239741B (zh) | 一种基于稀疏重构的单样本人脸识别方法 | |
CN111126307B (zh) | 联合稀疏表示神经网络的小样本人脸识别方法 | |
CN109241325B (zh) | 一种基于深度特征的大规模人脸检索方法和设备 | |
CN112036383A (zh) | 一种基于手静脉的身份识别方法及装置 | |
Hilles et al. | Latent fingerprint enhancement and segmentation technique based on hybrid edge adaptive dtv model | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN113989530A (zh) | 一种快速特征比对的方法及系统 | |
CN109697240A (zh) | 一种基于特征的图像检索方法及装置 | |
CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
Abboud et al. | Biometric templates selection and update using quality measures | |
CN109359090A (zh) | 基于卷积神经网络的文件碎片分类方法及系统 | |
CN110222507B (zh) | 一种基于模糊哈希的恶意软件大数据智能学习识别方法 | |
CN110390353B (zh) | 一种基于图像处理的生物识别方法和系统 | |
Pradeep et al. | An Efficient Machine Learning Approach for Fingerprint Authentication Using Artificial Neural Networks | |
CN112699810A (zh) | 一种提升室内监控系统人物识别精度的方法及装置 | |
Divakar | Multimodal biometric system using index based algorithm for fast search | |
CN111476145A (zh) | 一种基于卷积神经网络的1:n人脸识别方法 | |
CN111079551A (zh) | 基于奇异值分解的手指静脉识别方法、装置和存储介质 | |
CN116959075B (zh) | 基于深度学习的身份识别机器人迭代优化方法 |
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 |