CN117037222A - 基于毫米波雷达的掌纹识别系统及其识别方法 - Google Patents
基于毫米波雷达的掌纹识别系统及其识别方法 Download PDFInfo
- Publication number
- CN117037222A CN117037222A CN202311293170.9A CN202311293170A CN117037222A CN 117037222 A CN117037222 A CN 117037222A CN 202311293170 A CN202311293170 A CN 202311293170A CN 117037222 A CN117037222 A CN 117037222A
- Authority
- CN
- China
- Prior art keywords
- palm
- user
- millimeter wave
- wave radar
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims 7
- 239000000284 extract Substances 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000012634 optical imaging Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 206010033675 panniculitis Diseases 0.000 description 3
- 210000004304 subcutaneous tissue Anatomy 0.000 description 3
- 206010011409 Cross infection Diseases 0.000 description 2
- 206010029803 Nosocomial infection Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本申请提供一种基于毫米波雷达的掌纹识别系统及其识别方法。该识别系统包括二维滑轨、装载于二维滑轨上的毫米波雷达、雷达控制系统及识别装置。雷达控制系统控制毫米波雷达在二维滑轨上沿着横向和纵向移动。当毫米波雷达成功检测到用户的手掌存在时,雷达控制系统用于控制毫米波雷达在二维滑轨上沿着横向和纵向两个方向移动以完成一次手掌的扫描,毫米波雷达在二维滑轨上每横向移动第一预定距离或者每纵向移动第二预定距离时,进行一组毫米波信号的发射和接收;识别装置从用户的手掌反射回来的毫米波回波信号中提取与距离无关的手掌结构特征,并将提取到的用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别用户。
Description
技术领域
本申请涉及识别技术领域,尤其涉及一种基于毫米波雷达的掌纹识别系统及其识别方法。
背景技术
近年来,生物特征识别技术得到了越来越多的关注,可以根据个人自身的独特生理活动和行为特征来识别个体身份,并提供一套安全可靠的个体身份验证方法。目前已有多种生物识别认证技术被成功应用于市场,包括指纹、静脉、面部、虹膜和心电图等。作为一种新兴的个体身份识别技术,掌纹识别具有高区分性和易于采集的特点。掌纹不仅包含大量的固有主曲线特征,而且还包含脊末梢、分叉点等丰富的细节点特征,这些特征具有永久性和唯一性。相对于指纹而言,手掌可供提取特征的面积更大,具有远超指纹的细节特征。掌纹识别也因其捕获设备成本低、纹理丰富、可靠性高、可接受等优点得到了广泛的研究。
过去,基于掌纹的识别系统主要用于法医和法律等特殊场合,这些场合需要借助高分辨率的掌纹图像来提取掌纹特征。近几年,掌纹识别也被大量用于民用领域,如家庭访问控制,这些场合大多借助于家用相机等光学设备,获取掌纹的低分辨率二维图像,并从图像中提取出主要线条和主要皱纹。尽管这种系统具有很高的准确性和速度,但二维掌纹图像很容易被伪造。不法分子可以利用打印的高清掌纹照片轻松欺骗相机。为了克服这些困难,利用三维信息的光学掌纹识别系统应运而生。实现方式包括:(1)利用多个CMOS相机构成的立体视觉系统,提取掌纹特征点来进行三维掌纹识别;(2)或者采用复杂的分光镜系统将镜头捕捉的光进行分光,利用普通相机和深度相机分别采集手掌的二维RGB图和深度图,计算得到三维掌纹点云图。但是,这些方法的局限在于三维光学图像只提供皮肤外表面的信息,难以获取皮下组织信息,依然存在被伪造的可能。不同于光波,超声波具有穿透人体组织的能力。这种特性可以用来从掌纹中提取组织的三维信息。但是手掌与超声探头之间的空气会阻碍超声波传入手掌组织。为获取高质量的超声图像,需要在手掌处涂抹耦合剂来减少探头与皮肤之间的声阻差。这些缺点会为使用者带来极大的不便。
此外,在医院等医疗场所,医护人员会大量穿戴手套,上述所有技术在戴手套的时候均会失效。目前,光线无法穿透手套等介质,导致基于光学传感器的掌纹识别技术无法获取穿戴手套时的掌纹信息。同样地,无论是棉质手套还是硅胶手套,都会严重恶化超声信号在超声探头和手掌之间的能量传导。此外,频繁接触传感器表面还会引入交叉感染的风险。非接触式的身份验证手段成为了优选方案。因此,如何实现非接触式的、可穿透手套介质的掌纹特征识别系统具有非常重要的意义。
发明内容
本申请的目的在于提供一种基于毫米波雷达的掌纹识别系统及其识别方法,能够实现非接触式的、以及佩戴手套场景下的用户掌纹信息获取和用户身份识别认证。
本申请的一个方面提供一种基于毫米波雷达的掌纹识别系统。所述识别系统包括二维滑轨、毫米波雷达、雷达控制系统及识别装置。所述毫米波雷达装载于所述二维滑轨上。所述雷达控制系统用于控制所述毫米波雷达在所述二维滑轨上沿着横向和纵向两个方向移动。其中,当用户将手掌放置在所述毫米波雷达前,所述毫米波雷达成功检测到所述用户的手掌存在时,所述雷达控制系统用于控制所述毫米波雷达在所述二维滑轨上沿着横向和纵向两个方向移动以完成一次手掌的扫描,并且,所述毫米波雷达在所述二维滑轨上每横向移动第一预定距离或者每纵向移动第二预定距离时,所述毫米波雷达进行一组毫米波信号的发射和接收;所述识别装置用于从所述用户的手掌反射回来的毫米波回波信号中提取与距离无关的手掌结构特征,并将提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别所述用户。
进一步地,所述毫米波雷达的本体采用多输入多输出天线阵列。
进一步地,所述多输入多输出天线阵列上的天线沿着横向均匀分布,相邻所述天线之间的间隔等于半波长。
进一步地,所述毫米波雷达在所述二维滑轨上沿着横向单次移动的所述第一预定距离等于所述多输入多输出天线阵列整体的孔径尺寸。
进一步地,所述毫米波雷达在所述二维滑轨上沿着纵向单次移动的所述第二预定距离等于半波长。
进一步地,所述识别装置用于计算提取到的所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离;当所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别出所述用户为已知用户;当所述用户的手掌结构特征与所述样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于所述预设阈值时,则识别出所述用户为未知用户。
本申请的另一个方面提供一种基于毫米波雷达的掌纹识别方法。所述方法包括:步骤S1:当毫米波雷达成功检测到用户的手掌存在时,通过所述毫米波雷达对所述用户的手掌进行扫描,并收集从所述用户的手掌反射回来的毫米波回波信号,其包括:在所述毫米波雷达对所述用户的手掌每进行一次手掌的扫描过程中,控制所述毫米波雷达在二维滑轨上沿着横向和纵向移动;每当所述毫米波雷达在所述二维滑轨上横向移动第一预定距离或者纵向移动第二预定距离时,控制所述毫米波雷达的本体稍作停留,并在每个停留位置控制所述毫米波雷达向所述用户的手掌发射调频连续波信号并接收从所述用户的手掌反射回来的毫米波回波信号;及每当所述毫米波雷达在一个停留位置完成一组毫米波信号的发射和接收后,控制所述毫米波雷达移动到下一位置稍作停留,并重复发射和接收,直到所述毫米波雷达完成在横向和纵向上的移动;步骤S2:从所述用户的手掌反射回来的所述毫米波回波信号中提取与距离无关的手掌结构特征;以及步骤S3:将提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别所述用户。
进一步地,所述毫米波雷达包括平面天线阵列,所述平面天线阵列上的天线沿着横向均匀分布,相邻所述天线之间的间隔等于半波长,其中,在步骤S1中,控制所述毫米波雷达在所述二维滑轨上沿着横向单次移动的所述第一预定距离等于所述平面天线阵列整体的孔径尺寸,控制所述毫米波雷达在所述二维滑轨上沿着纵向单次移动的所述第二预定距离等于半波长。
进一步地,步骤S2进一步包括:基于从所述用户的手掌反射回来的所述毫米波回波信号创建所述用户的三维手掌数据;基于创建的所述用户的三维手掌数据并采用距离迁移算法来重建所述用户的三维手掌图像;及基于重建的所述用户的三维手掌图像提取与距离无关的所述手掌结构特征。
进一步地,基于从所述用户的手掌反射回来的所述毫米波回波信号创建所述用户的三维手掌数据包括:将收集到的来自所述用户的手掌反射回来的每一组所述毫米波回波信号进行时域-频域傅里叶变换,以得到距离-多普勒二维数据;及基于每一组所述距离-多普勒二维数据来建立所述用户的三维手掌数据。
进一步地,所述基于重建的所述用户的三维手掌图像提取与距离无关的所述手掌结构特征包括:由重建的所述用户的三维手掌图像根据其信号强度提取手掌亮区和手掌暗区;及使用所述手掌亮区和所述手掌暗区的轮廓来获得与距离无关的所述手掌结构特征。
进一步地,所述提取手掌亮区和手掌暗区包括:将所述用户的三维手掌图像沿着所述毫米波雷达的本体上的平面天线阵列的法线方向投影到二维投影平面上,其中,所述二维投影平面上的最大值对应所述用户的三维手掌图像在所述法线方向上的最大强度值;采用最大类间方差方法勾勒出所述二维投影平面里的亮区的轮廓;去除所述亮区的轮廓中的离散点;及采用傅里叶描述子对所述亮区的轮廓进行特征量化以将所述亮区的形状信息转化为傅里叶描述子的系数,其中,用所述傅里叶描述子的系数来表征所述用户的手掌结构特征。
进一步地,步骤S3进一步包括:计算提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离;当所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别出所述用户为已知用户;及当所述用户的手掌结构特征与所述样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于所述预设阈值时,则识别出所述用户为未知用户。
进一步地,所述方法还包括:步骤S4:预先进行用户身份录入,其包括:按照步骤S1和步骤S2预先获取用户的手掌结构特征;及将获取的用户的手掌结构特征预先存储在所述样本库中。
本申请的基于毫米波雷达的掌纹识别系统及其识别方法至少能够取得以下有益技术效果:
(1)本申请采用毫米波雷达来进行手掌信息的采集,毫米波能够获取毫米级别的物体空间位置,因此能够获取手掌表面不同位置的空间信息,克服了二维光学成像系统无法获取掌纹空间分布信息的缺点。
(2)由于毫米波天然具有穿透非金属介质的能力,因此在受试者穿戴手套时,基于毫米波的识别技术依然能够穿透手套而不衰减能量,并且能够成功识别受试者的掌纹信息,克服了光学系统和超声系统无法穿透手套的缺点。
(3)毫米波也具有一定程度的穿透人体组织的能力,能够对皮肤深处2~3毫米的组织进行成像,克服了传统三维光学成像系统只能对手掌表面进行三维成像的缺点。入侵者通过1:1高清复制被攻击者的手掌表面纹路信息,就能够欺骗光学掌纹识别系统,但是由于难以模仿皮下组织,因此,很难欺骗本申请提出的毫米波掌纹识别技术。
附图说明
图1为本申请一个实施例的基于毫米波雷达的掌纹识别系统的整体示意图。
图2为本申请一个实施例的毫米波雷达横向移动时的等效阵列形成过程示意图。
图3为本申请一个实施例的毫米波雷达纵向移动时的等效阵列形成过程示意图。
图4为本申请一个实施例的毫米波雷达完成横向和纵向移动后形成的等效平面天线阵列的示意图。
图5为本申请一个实施例的由毫米波雷达接收的毫米波回波信号重建的手掌亮区和暗区的部分示意图。
图6为本申请一个实施例的两个用户分别测量三次的手掌傅里叶描述子系数分布图。
图7为本申请一个实施例的基于毫米波雷达的掌纹识别方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本申请相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。除非另作定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。在本申请的说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本申请提供了一种基于毫米波雷达的掌纹识别系统。图1揭示了本申请一个实施例的基于毫米波雷达的掌纹识别系统10的整体示意图。如图1所示,本申请一个实施例的基于毫米波雷达的掌纹识别系统10包括二维滑轨11、毫米波雷达12、雷达控制系统(未图示)及识别装置(未图示)。二维滑轨11具有横向(图1所示的x轴)滑轨和纵向(图1所示的y轴)滑轨。
毫米波雷达12装载于可以分别沿着横向和纵向两个方向移动的二维滑轨11上。将毫米波雷达12通过二维滑轨11沿横向和纵向轨迹移动,以合成等效的平面天线阵列,扩大毫米波雷达12的等效孔径尺寸,实现毫米级的细粒度分辨率。
毫米波雷达12的本体包括天线阵列120,在一个实施例中,本申请的毫米波雷达12的本体采用多输入多输出(MIMO,Multi Input Multi Output)天线阵列。
雷达控制系统可以控制毫米波雷达12在二维滑轨11上沿着横向和纵向两个方向移动。例如,如图1所示,首先,可以控制毫米波雷达12沿着二维滑轨11的横向(x轴)均匀移动距离,并且,每隔第一预定距离/>进行一次雷达回波采样,因此,总的采样次数为。然后,可以控制毫米波雷达12沿纵向(y轴)移动第二预定距离/>。上述两个步骤总共重复/>次,因此,毫米波雷达12沿纵向的总移动距离/>。
更进一步地,为了使合成的平面天线阵列天线均匀分布,毫米波雷达12的本体上的MIMO天线阵列上的天线121一般可以沿着横向均匀分布,相邻天线121之间的间隔等于半波长。
图2揭示了本申请一个实施例的毫米波雷达12横向移动时的等效阵列形成过程示意图。如图2所示,毫米波雷达12在二维滑轨11上沿着横向单次移动的第一预定距离应该等于MIMO天线阵列120整体的孔径尺寸,以保证二维滑轨11进行一次横向移动时,形成的横向等效平面天线阵列不会相互重叠。
图3揭示了本申请一个实施例的毫米波雷达12纵向移动时的等效阵列形成过程示意图。如图3所示,同样地,毫米波雷达12在二维滑轨11上沿着纵向单次移动的第二预定距离应该等于半波长,以保证纵向的等效平面天线阵列不会相互重叠。
图4揭示了本申请一个实施例的毫米波雷达12完成横向和纵向移动后形成的等效平面天线阵列的示意图。如图4所示,在经过横向和纵向一个完整的运动周期后,最终得到的等效平面天线阵列的孔径尺寸为:横向等效孔径尺寸为Dx,每一行包含个等效天线,等效天线的相邻间隔为半波长;纵向的等效孔径尺寸为/>,每一列包含/>个等效天线,等效天线的相邻间隔为半波长。
当用户将手掌放置在毫米波雷达12前,并且手心朝向毫米波雷达12(通常手掌距离毫米波雷达12的最佳垂直距离在0.1~0.2米之间)时,手掌不可避免地会存在轻微的抖动,即便该抖动肉眼无法识别,也能被毫米波雷达12灵敏地探测到,并反映在毫米波雷达12的“距离-多普勒”二维图里,表现为一系列多普勒值非零的曲线,对应手掌不同部位引起的多普勒调制。而当毫米波雷达12前方不存在运动物体时,反映在毫米波雷达12的“距离-多普勒”二维图里,表现为多普勒值为零的直线。所以,毫米波雷达12可以对其正上方一定距离(通常0.1~0.2米以内)进行持续的多普勒信号检测,当检测到“距离-多普勒”二维图里出现多普勒值不为0的曲线时,则判定为成功检测到用户。
在毫米波雷达12成功检测到用户的手掌存在时,此时,雷达控制系统可以控制毫米波雷达12在二维滑轨11上沿着横向和纵向两个方向移动以完成一次手掌的扫描。并且,毫米波雷达12在二维滑轨11上每横向移动第一预定距离,或者每纵向移动第二预定距离/>时,毫米波雷达12的本体会稍作停留进行一组毫米波信号123的发射和接收。当毫米波雷达12完成一组毫米波信号123的发射和接收后,毫米波雷达12会移动到下一位置稍作停留,并重复毫米波信号123的发射和接收,直到毫米波雷达12完成在横向和纵向上的移动。
每当毫米波雷达12完成一次手掌的扫描之后,开始下一次扫描之前,用户可以稍微调整手掌的角度和位置,以确保毫米波雷达12能够尽可能多地获取用户的手掌不同角度的特征。
识别装置可以从用户的手掌反射回来的毫米波回波信号中提取与距离无关的手掌结构特征。在一些实施例中,识别装置可以基于从用户的手掌反射回来的毫米波回波信号创建用户的三维(3D)手掌数据。用户的3D手掌数据创建技术的实现方法为:首先,对毫米波雷达12采集到的每一组接收信号进行时域-频域傅里叶变换,得到“距离-多普勒”二维数据。由于被测手掌距离毫米波雷达12的本体的距离只有0.1~0.2米,可以认为被测目标处于毫米波雷达12的近场探测范围内,成像相干累积角大,距离弯曲明显,在此场景下,可以采用距离迁移算法对毫米波雷达12近场目标进行成像。为了抑制用户手掌与毫米波雷达12之间的距离变化对检测性能的影响,本申请的识别装置可以基于重建的三维手掌图像提取与距离无关的手掌结构特征。
本申请的识别装置所采用的“与距离无关的手掌结构特征提取”的实现方法为:使用手掌轮廓作为所需的特征。由毫米波回波信号重建的三维手掌图像根据其信号强度可以分为手掌亮区和手掌暗区。图5揭示了本申请一个实施例的由毫米波雷达12接收的毫米波回波信号重建的手掌亮区和暗区的部分示意图。如图5所示,手掌三维图像上的亮区和暗区分别对应于用户手掌的高曲率曲面部分和低曲率曲面部分。因此,可以使用手掌亮区和手掌暗区的轮廓来表示手掌结构特征。而手掌亮区和手掌暗区的轮廓主要由手掌表面曲率决定,与手掌和毫米波雷达12的距离无关。手掌亮区和手掌暗区的特征提取步骤如下:首先把用户的3D手掌图像沿着毫米波雷达12的本体上的平面天线阵列的法线方向(图1所示的z轴)投影到二维投影平面上,其中,二维投影平面上的最大值对应3D手掌数据在z轴方向上的最大强度值。3D手掌数据的强度值同时受手掌对应位置的曲面曲率和距离信息影响。然后,可以采用最大类间方差方法勾勒出手掌二维投影平面里的亮区的轮廓。随后,去除亮区的轮廓中的离散点,并对亮区的轮廓进行特征量化。特征量化方法可以采用傅里叶描述子。用少数的傅里叶描述子捕获边界的大体特征。最终,亮区的形状信息转化为傅里叶描述子的系数。图6揭示了本申请一个实施例的两个不同用户分别测量三次的手掌傅里叶描述子系数分布图。从图6中可以看到,相同用户的三次录入数据的特征分布情况非常类似,而不同用户之间的特征分布则差异较大。因此说明了傅里叶描述子可以很好地表征用户的手掌结构特征。
至此,完成一次用户手掌结构特征的采集。重复上述步骤多次,进行用户的手掌结构特征的多次采集,即可完成用户的手掌结构特征的收集工作。
在提取到用户的手掌结构特征之后,识别装置可以将提取到的用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别该用户。
在一些实施例中,识别装置可以计算提取到的用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离。当用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别装置可以识别出该用户为已知用户。当用户的手掌结构特征与样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于预设阈值时,则识别装置可以识别出该用户为未知用户。其中,预设阈值的选定可以根据具体场景灵活设置。
本申请的基于毫米波雷达的掌纹识别系统10可以利用毫米波实现对用户手掌数据的采集和特征提取,用来对不同身份的用户进行身份识别和认证。
本申请的基于毫米波雷达的掌纹识别系统10可以实现非接触式的用户手掌信息采集,可以应用于医院等机构,可以大大减轻医护人员因为触摸传感器导致的交叉感染情况的发生;并且在佩戴手套的情况下,本申请的基于毫米波雷达的掌纹识别系统10也依然能够实现用户手掌信息采集,对于佩戴手套的医护人员,可以无需摘脱手套完成认证,从而极大简化身份验证流程。
本申请还提供了一种基于毫米波雷达12的掌纹识别方法。图7揭示了本申请一个实施例的基于毫米波雷达12的掌纹识别方法的流程图。如图7所示,本申请一个实施例的基于毫米波雷达12的掌纹识别方法可以包括步骤S1至步骤S3。
步骤S1:当毫米波雷达12成功检测到用户的手掌存在时,通过毫米波雷达12对用户的手掌进行扫描,并收集从用户的手掌反射回来的毫米波回波信号。
在步骤S1中,在毫米波雷达12对用户的手掌每进行一次手掌的扫描过程中,控制毫米波雷达12在二维滑轨11上沿着横向和纵向移动。每当毫米波雷达12在二维滑轨11上横向移动第一预定距离或者纵向移动第二预定距离/>时,可以控制毫米波雷达12的本体稍作停留,并在每个停留位置控制毫米波雷达12向用户的手掌发射调频连续波信号并接收从用户的手掌反射回来的毫米波回波信号。每当毫米波雷达12在一个停留位置完成一组毫米波信号123的发射和接收后,控制毫米波雷达12移动到下一位置稍作停留,并重复发射和接收,直到毫米波雷达12完成在横向和纵向上的移动。
在一些实施例中,毫米波雷达12包括天线阵列120,天线阵列120上的天线121沿着横向均匀分布,相邻天线121之间的间隔等于半波长。其中,在步骤S1中,控制毫米波雷达12在二维滑轨11上沿着横向单次移动的第一预定距离等于平面天线阵列120整体的孔径尺寸,控制毫米波雷达12在二维滑轨11上沿着纵向单次移动的第二预定距离/>等于半波长。
步骤S2:从用户的手掌反射回来的毫米波回波信号中提取与距离无关的手掌结构特征。
在一些实施例中,步骤S2可以进一步包括步骤S21至步骤S23。
在步骤S21中,可以基于从用户的手掌反射回来的毫米波回波信号创建用户的三维手掌数据。
在一个实施例中,步骤S21可以进一步包括:将收集到的来自用户的手掌反射回来的每一组毫米波回波信号进行时域-频域傅里叶变换,以得到距离-多普勒二维数据;及基于每一组距离-多普勒二维数据来建立用户的三维手掌数据。
在步骤S22中,可以基于步骤S21中创建的用户的三维手掌数据并采用距离迁移算法来重建用户的三维手掌图像。
在步骤S23中,可以基于步骤S22中重建的用户的三维手掌图像提取与距离无关的手掌结构特征。
在一些实施例中,由重建的用户的三维手掌图像根据其信号强度提取手掌亮区和手掌暗区,使用手掌亮区和手掌暗区的轮廓来获得与距离无关的手掌结构特征。
在一个实施例中,提取手掌亮区和手掌暗区可以包括:将用户的三维手掌图像沿着毫米波雷达12的本体上的平面天线阵列的法线方向投影到二维投影平面上,其中,二维投影平面上的最大值对应用户的三维手掌图像在法线方向上的最大强度值;采用最大类间方差方法勾勒出二维投影平面里的亮区的轮廓;去除亮区的轮廓中的离散点;及采用傅里叶描述子对亮区的轮廓进行特征量化以将亮区的形状信息转化为傅里叶描述子的系数,其中,用傅里叶描述子的系数来表征用户的手掌结构特征。
步骤S3:将提取到的用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别用户。
在一些实施例中,步骤S3可以进一步包括步骤S31至步骤S34。
在步骤S31中,计算提取到的用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离。
在步骤S32中,判断用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离是否小于预设阈值。当判断的结果为是,则过程前进到步骤S33。否则的话,则过程前进到步骤S34。
在步骤S33中,当用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别出用户为已知用户。
在步骤S34中,当用户的手掌结构特征与样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于预设阈值时,则识别出用户为未知用户。
在一些可选的实施例中,本申请的基于毫米波雷达12的掌纹识别方法还可以包括步骤S4。在步骤S4中,可以预先进行用户身份录入。其中,步骤S4可以包括步骤S41和步骤S42。在步骤S41中,可以按照上面所述的步骤S1和步骤S2预先获取用户的手掌结构特征。在步骤S42中,可以将步骤S41中获取的用户的手掌结构特征预先存储在样本库中。从而,可以用于后续的用户身份的识别和认证。
本申请的基于毫米波雷达的掌纹识别系统10及其识别方法至少能够取得以下有益技术效果:
(1)本申请采用毫米波雷达来进行手掌信息的采集,毫米波能够获取毫米级别的物体空间位置,因此能够获取手掌表面不同位置的空间信息,克服了二维光学成像系统无法获取掌纹空间分布信息的缺点。
(2)由于毫米波天然具有穿透非金属介质的能力,因此在受试者穿戴手套时,基于毫米波的识别技术依然能够穿透手套而不衰减能量,并且能够成功识别受试者的掌纹信息,克服了光学系统和超声系统无法穿透手套的缺点。
(3)毫米波也具有一定程度的穿透人体组织的能力,能够对皮肤深处2~3毫米的组织进行成像,克服了传统三维光学成像系统只能对手掌表面进行三维成像的缺点。入侵者通过1:1高清复制被攻击者的手掌表面纹路信息,就能够欺骗光学掌纹识别系统,但是由于难以模仿皮下组织,因此,很难欺骗本申请提出的毫米波掌纹识别技术。
以上对本申请实施例所提供的基于毫米波雷达的掌纹识别系统及其识别方法进行了详细的介绍。本文中应用了具体个例对本申请实施例的基于毫米波雷达的掌纹识别系统及其识别方法进行了阐述,以上实施例的说明只是用于帮助理解本申请的核心思想,并不用以限制本申请。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的精神和原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也均应落入本申请所附权利要求书的保护范围内。
Claims (14)
1.一种基于毫米波雷达的掌纹识别系统,其特征在于:包括:
二维滑轨;
毫米波雷达,装载于所述二维滑轨上;
雷达控制系统,用于控制所述毫米波雷达在所述二维滑轨上沿着横向和纵向两个方向移动;以及
识别装置,
其中,当用户将手掌放置在所述毫米波雷达前,所述毫米波雷达成功检测到所述用户的手掌存在时,所述雷达控制系统用于控制所述毫米波雷达在所述二维滑轨上沿着横向和纵向两个方向移动以完成一次手掌的扫描,并且,所述毫米波雷达在所述二维滑轨上每横向移动第一预定距离或者每纵向移动第二预定距离时,所述毫米波雷达进行一组毫米波信号的发射和接收;
所述识别装置用于从所述用户的手掌反射回来的毫米波回波信号中提取与距离无关的手掌结构特征,并将提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别所述用户。
2.如权利要求1所述的掌纹识别系统,其特征在于:所述毫米波雷达的本体采用多输入多输出天线阵列。
3.如权利要求2所述的掌纹识别系统,其特征在于:所述多输入多输出天线阵列上的天线沿着横向均匀分布,相邻所述天线之间的间隔等于半波长。
4.如权利要求3所述的掌纹识别系统,其特征在于:所述毫米波雷达在所述二维滑轨上沿着横向单次移动的所述第一预定距离等于所述多输入多输出天线阵列整体的孔径尺寸。
5.如权利要求3所述的掌纹识别系统,其特征在于:所述毫米波雷达在所述二维滑轨上沿着纵向单次移动的所述第二预定距离等于半波长。
6.如权利要求1至5中任一项所述的掌纹识别系统,其特征在于:所述识别装置用于计算提取到的所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离;当所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别出所述用户为已知用户;当所述用户的手掌结构特征与所述样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于所述预设阈值时,则识别出所述用户为未知用户。
7.一种基于毫米波雷达的掌纹识别方法,其特征在于:包括:
步骤S1:当毫米波雷达成功检测到用户的手掌存在时,通过所述毫米波雷达对所述用户的手掌进行扫描,并收集从所述用户的手掌反射回来的毫米波回波信号,其包括:
在所述毫米波雷达对所述用户的手掌每进行一次手掌的扫描过程中,控制所述毫米波雷达在二维滑轨上沿着横向和纵向移动;
每当所述毫米波雷达在所述二维滑轨上横向移动第一预定距离或者纵向移动第二预定距离时,控制所述毫米波雷达的本体稍作停留,并在每个停留位置控制所述毫米波雷达向所述用户的手掌发射调频连续波信号并接收从所述用户的手掌反射回来的毫米波回波信号;及
每当所述毫米波雷达在一个停留位置完成一组毫米波信号的发射和接收后,控制所述毫米波雷达移动到下一位置稍作停留,并重复发射和接收,直到所述毫米波雷达完成在横向和纵向上的移动;
步骤S2:从所述用户的手掌反射回来的所述毫米波回波信号中提取与距离无关的手掌结构特征;以及
步骤S3:将提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征进行对比来识别所述用户。
8.如权利要求7所述的方法,其特征在于:所述毫米波雷达包括平面天线阵列,所述平面天线阵列上的天线沿着横向均匀分布,相邻所述天线之间的间隔等于半波长,其中,在步骤S1中,控制所述毫米波雷达在所述二维滑轨上沿着横向单次移动的所述第一预定距离等于所述平面天线阵列整体的孔径尺寸,控制所述毫米波雷达在所述二维滑轨上沿着纵向单次移动的所述第二预定距离等于半波长。
9.如权利要求7所述的方法,其特征在于:步骤S2进一步包括:
基于从所述用户的手掌反射回来的所述毫米波回波信号创建所述用户的三维手掌数据;
基于创建的所述用户的三维手掌数据并采用距离迁移算法来重建所述用户的三维手掌图像;及
基于重建的所述用户的三维手掌图像提取与距离无关的所述手掌结构特征。
10.如权利要求9所述的方法,其特征在于:基于从所述用户的手掌反射回来的所述毫米波回波信号创建所述用户的三维手掌数据包括:
将收集到的来自所述用户的手掌反射回来的每一组所述毫米波回波信号进行时域-频域傅里叶变换,以得到距离-多普勒二维数据;及
基于每一组所述距离-多普勒二维数据来建立所述用户的三维手掌数据。
11.如权利要求9所述的方法,其特征在于:所述基于重建的所述用户的三维手掌图像提取与距离无关的所述手掌结构特征包括:
由重建的所述用户的三维手掌图像根据其信号强度提取手掌亮区和手掌暗区;及
使用所述手掌亮区和所述手掌暗区的轮廓来获得与距离无关的所述手掌结构特征。
12.如权利要求11所述的方法,其特征在于:所述提取手掌亮区和手掌暗区包括:
将所述用户的三维手掌图像沿着所述毫米波雷达的本体上的平面天线阵列的法线方向投影到二维投影平面上,其中,所述二维投影平面上的最大值对应所述用户的三维手掌图像在所述法线方向上的最大强度值;
采用最大类间方差方法勾勒出所述二维投影平面里的亮区的轮廓;
去除所述亮区的轮廓中的离散点;及
采用傅里叶描述子对所述亮区的轮廓进行特征量化以将所述亮区的形状信息转化为傅里叶描述子的系数,其中,用所述傅里叶描述子的系数来表征所述用户的手掌结构特征。
13.如权利要求7所述的方法,其特征在于:步骤S3进一步包括:
计算提取到的所述用户的手掌结构特征与样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离;
当所述用户的手掌结构特征与所述样本库中存储的已录入用户的手掌结构特征之间的欧几里得距离小于预设阈值时,则识别出所述用户为已知用户;及
当所述用户的手掌结构特征与所述样本库中存储的任一已录入用户的手掌结构特征之间的欧几里得距离均大于所述预设阈值时,则识别出所述用户为未知用户。
14.如权利要求7所述的方法,其特征在于:还包括:
步骤S4:预先进行用户身份录入,其包括:
按照步骤S1和步骤S2预先获取用户的手掌结构特征;及
将获取的用户的手掌结构特征预先存储在所述样本库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293170.9A CN117037222B (zh) | 2023-10-08 | 2023-10-08 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293170.9A CN117037222B (zh) | 2023-10-08 | 2023-10-08 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037222A true CN117037222A (zh) | 2023-11-10 |
CN117037222B CN117037222B (zh) | 2024-01-09 |
Family
ID=88632250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293170.9A Active CN117037222B (zh) | 2023-10-08 | 2023-10-08 | 基于毫米波雷达的掌纹识别系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037222B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982308A (zh) * | 2012-08-03 | 2013-03-20 | 成都众合云盛科技有限公司 | 中远距离在线身份验证研究中的掌纹采集与定位方法 |
CN104951940A (zh) * | 2015-06-05 | 2015-09-30 | 西安理工大学 | 一种基于掌纹识别的移动支付验证方法 |
US20180322351A1 (en) * | 2016-11-21 | 2018-11-08 | George Shaker | System and method for sensing with millimeter waves |
CN109512436A (zh) * | 2018-11-28 | 2019-03-26 | 范俊杰 | 一种电磁波手掌生物识别装置及方法 |
CN211565907U (zh) * | 2019-12-10 | 2020-09-25 | 山西慧虎健康科技有限公司 | 一种健康管理机器人 |
CN113050084A (zh) * | 2021-03-11 | 2021-06-29 | 上海交通大学 | Mimo调频连续波毫米波雷达的4d手势识别方法 |
CN113420700A (zh) * | 2021-07-02 | 2021-09-21 | 支付宝(杭州)信息技术有限公司 | 手掌生物特征采集装置及方法 |
WO2021203364A1 (zh) * | 2020-04-09 | 2021-10-14 | 浙江大学 | 一种用于身份识别的雷达信号处理方法 |
CN218038072U (zh) * | 2022-08-08 | 2022-12-13 | 腾讯科技(深圳)有限公司 | 立式刷掌设备 |
CN219179964U (zh) * | 2023-02-01 | 2023-06-13 | 支付宝(杭州)信息技术有限公司 | 一种掌纹掌静脉识别设备 |
-
2023
- 2023-10-08 CN CN202311293170.9A patent/CN117037222B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982308A (zh) * | 2012-08-03 | 2013-03-20 | 成都众合云盛科技有限公司 | 中远距离在线身份验证研究中的掌纹采集与定位方法 |
CN104951940A (zh) * | 2015-06-05 | 2015-09-30 | 西安理工大学 | 一种基于掌纹识别的移动支付验证方法 |
US20180322351A1 (en) * | 2016-11-21 | 2018-11-08 | George Shaker | System and method for sensing with millimeter waves |
CN109512436A (zh) * | 2018-11-28 | 2019-03-26 | 范俊杰 | 一种电磁波手掌生物识别装置及方法 |
CN211565907U (zh) * | 2019-12-10 | 2020-09-25 | 山西慧虎健康科技有限公司 | 一种健康管理机器人 |
WO2021203364A1 (zh) * | 2020-04-09 | 2021-10-14 | 浙江大学 | 一种用于身份识别的雷达信号处理方法 |
CN113050084A (zh) * | 2021-03-11 | 2021-06-29 | 上海交通大学 | Mimo调频连续波毫米波雷达的4d手势识别方法 |
CN113420700A (zh) * | 2021-07-02 | 2021-09-21 | 支付宝(杭州)信息技术有限公司 | 手掌生物特征采集装置及方法 |
CN218038072U (zh) * | 2022-08-08 | 2022-12-13 | 腾讯科技(深圳)有限公司 | 立式刷掌设备 |
CN219179964U (zh) * | 2023-02-01 | 2023-06-13 | 支付宝(杭州)信息技术有限公司 | 一种掌纹掌静脉识别设备 |
Non-Patent Citations (4)
Title |
---|
LIN WANG, ET AL: "AcoPalm: Acoustical Palmprint-Based Noncontact Identity Authentication", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 18, no. 21, pages 9122 - 9131, XP011921588, DOI: 10.1109/TII.2022.3176627 * |
ZHANG D, LU G, LI W, ET AL: "Palmprint recognition using 3-D information", 《IEEE TRANSACTIONS ON SYSTEMS, MAN AND CYBERNETICS-PART C: APPLICATIONS AND REVIEWS》, vol. 39, no. 5, pages 505 - 519, XP055688813, DOI: 10.1109/TSMCC.2009.2020790 * |
曹佳禾 等: "基于手掌毫米波雷达回波信号的身份识别", 《国外电子测量技术》, vol. 41, no. 03, pages 170 - 176 * |
李洋, 庄庆德, 周光辉: "基于手掌几何特征的身份识别", 《国外电子测量技术》, vol. 2005, no. 08, pages 4 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN117037222B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee | A novel biometric system based on palm vein image | |
Peng et al. | Finger-vein verification using Gabor filter and SIFT feature matching | |
Han et al. | Palm vein recognition using adaptive Gabor filter | |
Shahin et al. | Biometric authentication using fast correlation of near infrared hand vein patterns | |
JP4748199B2 (ja) | 静脈撮像装置および静脈撮像方法 | |
CN101539995B (zh) | 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法 | |
CN102073843B (zh) | 非接触式快速人手多模态信息融合识别方法 | |
CN101154264B (zh) | 基于多个定焦摄像头的大景深虹膜图像获取系统及方法 | |
Liu et al. | High-accurate and robust fingerprint anti-spoofing system using optical coherence tomography | |
CN109923552A (zh) | 生成摩擦脊图案中的摩擦脊的高程变化的表示的系统和方法 | |
CN105760841B (zh) | 一种身份识别方法及系统 | |
Lee et al. | Dorsal hand vein recognition based on 2D Gabor filters | |
CN105787420A (zh) | 用于生物认证的方法、装置以及生物认证系统 | |
Al-Ajlan | Survey on fingerprint liveness detection | |
Ding et al. | Surface and internal fingerprint reconstruction from optical coherence tomography through convolutional neural network | |
Aum et al. | Live acquisition of internal fingerprint with automated detection of subsurface layers using OCT | |
Sun et al. | Synchronous fingerprint acquisition system based on total internal reflection and optical coherence tomography | |
WO2008102291A2 (en) | Method and system for identifying a subject | |
CN109856682A (zh) | 一种基于稀疏阵列的毫米波稀疏成像方法及系统 | |
Parziale | Touchless fingerprinting technology | |
Kekre et al. | Gabor filter based feature vector for dynamic signature recognition | |
Li et al. | Three dimensional palmprint recognition | |
Parziale et al. | Advanced technologies for touchless fingerprint recognition | |
Maltoni et al. | Fingerprint recognition | |
Soni et al. | A new vein pattern-based verification system |
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 |