CN117218685A - 考虑特征模板保护的生物特征识别方法 - Google Patents
考虑特征模板保护的生物特征识别方法 Download PDFInfo
- Publication number
- CN117218685A CN117218685A CN202311347765.8A CN202311347765A CN117218685A CN 117218685 A CN117218685 A CN 117218685A CN 202311347765 A CN202311347765 A CN 202311347765A CN 117218685 A CN117218685 A CN 117218685A
- Authority
- CN
- China
- Prior art keywords
- palm print
- image
- print image
- authenticated
- point
- 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 75
- 238000011084 recovery Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请涉及一种考虑特征模板保护的生物特征识别方法，其中，方法包括：获取数据集掌纹图像，对数据集掌纹图像进行预处理；提取预处理后数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库；当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。整个方案显著提升整个掌纹识别流程的安全性。
Description
技术领域
本申请涉及生物特征识别技术领域，特别是涉及一种考虑特征模板保护的生物特征识别方法、装置、计算机设备与存储介质。
背景技术
作为一类生物特征识别技术，掌纹识别因其独特的优势,近年来展现出蓬勃的发展势头。相较于其他常规身份识别方式，掌纹具备有效区域面积大、容易采集和受油污影响相对较小等优点。
在生物特征识别中，安全性是一个很重要的问题。以掌纹为例,掌纹为用户所特有，如若用户的掌纹模板在识别过程中是公开的，那么就有被不法分子窃取特征模板的可能。不同于传统身份认证可以修改用户密码，掌纹为每个用户所特有，且一般情况下无法更改。
但是基于传统技术生成的用户掌纹的特征模板容易发生特征模版泄露的情况，这种情况下，用户极易被不法分子冒名顶替从而进行危害用户的操作。可见传统的基于特征模版保护的掌纹识别方案存在安全性较低的缺陷。
发明内容
基于此，有必要针对上述技术问题，提供一种安全性高的考虑特征模板保护的生物特征识别方法、装置、计算机设备与存储介质。
第一方面，本申请提供了一种考虑特征模板保护的生物特征识别方法。所述方法包括：
获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；
提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；
当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
在其中一个实施例中，所述获取数据集掌纹图像，对所述数据集掌纹图像进行预处理包括：
获取数据集掌纹图像；
对所述数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法（IterativeClosest Point，最近点迭代算法）处理。
在其中一个实施例中，所述对所述数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理包括：
利用形态学操作和轮廓分析技术检测手掌区域；
根据手掌区域检测结果以及预设手掌几何特征筛选候选区域；
基于所述候选区域进行分割，提取手掌部分的中心，得到掌纹感兴趣区域；
通过Gamma校正算法，将掌纹感兴趣区域进行光照归一化，得到归一化后的掌纹感兴趣区域；
通过ICP算法对齐同一个体对应的归一化后的掌纹感兴趣区域。
在其中一个实施例中，所述提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件包括：
对预处理后的所述数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法（Oriented FAST and Rotated BRIEF，特征检测算子算法）提取所述数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点。
在其中一个实施例中，所述对预处理后的所述数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取所述数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点包括：
对预处理后的所述数据集掌纹图像中感兴趣区域图像应用CLAHE算法（ContrastLimited Adaptive Histogram Equalization，直方图均衡化算法）处理，得到CLAHE处理后的掌纹感兴趣区域图像；
以所述CLAHE处理后的掌纹感兴趣区域图像作为输入，在图像中检测关键点、并计算特征描述子，得到图像中的ORB特征点；
分别提取每个ORB特征点的位置坐标、方向角度以及响应值，得到特征点信息；
针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点信息。
在其中一个实施例中，所述生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库包括：
采用随机数生成密钥；
基于生成的密钥结合校验码技术构造多项式；
将特征点集文件中特增点位置映射到选定的有限域元素，并将所述生成的密钥对映射后的GF域元素进行加密；
采用构造的多项式在GF域中对加密的数据进行纠错编码，生成对应模糊金库；
将生成的模糊金库存储到非关系型数据库。
在其中一个实施例中，所述采用构造的多项式在有限域中对加密的数据进行纠错编码，生成对应模糊金库包括：
采用构造的多项式在GF域中对加密的数据进行纠错编码，得到纠偏后的数据；
基于所述纠偏后的数据，通过实现几何哈希的方法，构建对应模糊金库。
在其中一个实施例中，所述根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果包括：
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库在几何哈希算法下得到组合点集；
在组合点集上使用拉格朗日插值处理、再进行CRC-32校验；
若校验成功，则待认证掌纹图像通过认证识别；
若校验不成功，则待认证掌纹图像认证不匹配。
在其中一个实施例中，所述根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果之前，还包括：
从所述待认证掌纹图像中提取细节，并创建二维列表；
在所述二维列表中选择每个探针细节作为基准点，并相应转换所有的剩余的细节；
采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点；
针对每个被选择为基准点的细节，在基准点阈值范围内匹配探针细节与所选基准点在模糊金库几何表中的所有变换细节，以实现模糊金库间的匹配。
在其中一个实施例中，所述采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点包括：
使用三个主要坐标阈值（x、y和θ）和为基准点角度阈值θ THRESHOLD 来比较两个金库的细节属性差异；
若满足各个阈值的前提下，三个主要坐标相差总值score小于或等于总阈值TOTAL THRESHOLD ，则判定匹配、并将相应的金库元组放入候选集合中；
当评估所有选定基础的细节时，若候选集合中金库元组的数量大于 n+1，则进行拉格朗日插值，其中n为多项式的次数；
若候选集合中金库元组的数量不足以进行多项式插值，则选择另一个相似的基准细节来重复细节匹配的过程。
第二方面，本申请还提供了一种考虑特征模板保护的生物特征识别装置。所述装置包括：
预处理模块，用于获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；
特征点文件生成模块，用于提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
模糊金库生成模块，用于生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；
特征点恢复模块，用于当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
识别模块，用于根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；
提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；
当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；
提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；
当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
上述考虑特征模板保护的生物特征识别方法、装置、计算机设备和存储介质，获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。整个过程中，采用基于结构的掌纹识别方法，从掌纹图像中提取特征点，然后将其作为模板特征进行存储，生成掌纹模板金库，在需要进行认证时，再从模糊金库中提取对应的数据，显著提升整个掌纹识别流程的安全性。
附图说明
图1为一个实施例中考虑特征模板保护的生物特征识别方法的应用环境图；
图2为一个实施例中考虑特征模板保护的生物特征识别方法的流程示意图；
图3为另一个实施例中考虑特征模板保护的生物特征识别方法的流程示意图；
图4为一个实施例中对数据集掌纹图像进行预处理的进程示意图；
图5为一个实施例中对特征点提取与存储的进程示意图；
图6为一个实施例中加密生成模糊金库的进程示意图；
图7为一个实施例中S500的子流程示意图；
图8为一个实施例中考虑特征模板保护的生物特征识别装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的考虑特征模板保护的生物特征识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取数据集中掌纹图像，对数据集掌纹图像进行预处理；提取预处理后数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库；当需要进行掌纹识别时，终端102将待认证掌纹图像上传至服务器104，服务器104获取到待认证掌纹图像，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。进一步的，服务器104可以将掌纹识别结果反馈至终端102。其中，终端102可以但不限于是种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种考虑特征模板保护的生物特征识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S100：获取数据集掌纹图像，对数据集掌纹图像进行预处理。
数据集掌纹图像是指系统中可提供认证的的掌纹图像，即“合法”用户的掌纹图像，针对这些获取的掌纹图像进行预处理。在这里，预处理可以包括利用感兴趣区域提取、Gamma校正和ICP算法对掌纹数据集中完整的手掌图片进行分割，提取掌纹中心区域即感兴趣区域，并实现同一手掌的多张掌纹感兴趣区域图片的光照归一化和对齐操作。
S200：提取预处理后数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件。
提取预处理后数据集掌纹图像中的特征点，并将这些提取到的特征点对应生成数据集掌纹图像特征点集文件。在这里特征点集文件可以为xyt类型文件。具体来说，可以对预处理后数据集掌纹图像进行限制对比度自适应直方图均衡化处理，然后使用ORB算法提取特征点，每张掌纹感兴趣区域图片对应生成一个xyt类型文件，完成对掌纹图片的点特征提取与存储。
S300：生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库。
采用随机生成的密钥、并且结合校验码技术对掌纹识别中的特征模板进行加密处理。具体来说，基于随机数生成密钥，并根据校验码技术与各个特征点集文件（xyt类型文件）生成对应掌纹模板的模糊金库，该掌纹模板的模糊金库存储至预设数据库中。
S400：当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点。
当获取到待认证掌纹图像时，表明当前需要进行掌纹识别，此时从按照上述类似处理得到的待认证掌纹图像对应的特征点集文件中恢复得到提取的特征点。
S500：根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
根据恢复得到特征点与待认证掌纹图像对应的模糊金库进行处理，得到组合点集，在组合点集上进行多项式插值后进行校验码校验，基于校验码校验结果得到掌纹识别结果。具体来说，若检验成功则证明通过识别；反之，则说明认证不匹配。
上述考虑特征模板保护的生物特征识别方法，获取数据集掌纹图像，对数据集掌纹图像进行预处理；提取预处理后的数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库；当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。整个过程中，采用基于结构的掌纹识别方法，从掌纹图像中提取特征点，然后将其作为模板特征进行存储，生成掌纹模板金库，在需要进行认证时，再从模糊金库中提取对应的数据，显著提升整个掌纹识别流程的安全性。
如图3所示，在其中一个实施例中，S100包括：
S120：获取数据集掌纹图像；
S140：对数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理。
整个处理流程如图4所示，利用感兴趣区域提取、Gamma校正和ICP算法对掌纹数据集中完整的手掌图片进行分割，提取掌纹中心区域即感兴趣区域，并实现同一手掌的多张掌纹感兴趣区域图片的对齐。
进一步来说，对数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理包括：
1.1、利用形态学操作和轮廓分析技术检测手掌区域。
利用形态学操作和轮廓分析技术检测手掌区域，并根据特定的几何特征筛选出合适的候选区域。将二维掌纹数据集中完整的手掌图片进行分割，提取出手掌部分的中心，即掌纹感兴趣区域。
1.2、根据手掌区域检测结果以及预设手掌几何特征筛选候选区域。
使用Gamma校正算法，将掌纹感兴趣区域图片进行光照归一化，降低掌纹数据集采集时光照变化对后续识别的影响。具体如下：
1.2.1、对掌纹感兴趣区域图片的伽马曲线进行操作，实现对图片的非线性色调编辑，检测出图像信号中的深色和浅色部分，令这两个部分的比例增大，从而提高图像对比度效果。
1.2.2、使用差分高斯滤波器在完成Gamma矫正的图片尺度空间中检测不同尺度的边缘，通过对图像进行平滑处理来提取特定尺度的细节信息，有效去除光照变化引起的低频成分的同时增强高频成分，使得点特征更加清晰和可靠。
1.2.3、对完成高斯差分滤波操作的掌纹感兴趣区域图片，继续进行对比度均衡化处理，将图像中像素的灰度值进行拉伸，使得图像中的灰度级分布更加均匀，从而增强图像的对比度。
1.3、对采集和感兴趣区域提取造成同一个体不同掌纹图片之间的感兴趣区域发生位移的情况，使用ICP算法对齐同一个体的不同掌纹图片，具体如下：
1.3.1、读入从步骤1.2得到的掌纹待配准图片与模板图片，将它们转换为灰度图像，提取图像特征点，对两幅图像的特征点进行配准。遍历特征点，将其坐标的x和y分量作为三维坐标的前两个分量，将z坐标置为1，形成一个3xN的矩阵M和D，其中N是特征点的数量，M表示模板图片的特征点坐标矩阵，D表示待配准图片的特征点坐标矩阵。
1.3.2、通过迭代的方式，ICP算法将待对齐的点云与模板点云Pt对齐，得到刚体变换矩阵（旋转矩阵Ricp和平移向量Ticp）。迭代的过程中，根据匹配点对的距离，不断优化刚体变换矩阵，使两个点云之间的距离最小化。将Ricp和Ticp直接应用于二维图像，形成仿射变换矩阵affineMatrix。然后，使用affine2d函数创建仿射变换对象tform，并将其应用于待对齐图像掌纹待配准图片，实现旋转变换。对变换后的图像通过imtranslate函数将图像沿着Ticp进行平移，完成平移变换。至此对同一掌纹个体的多张图像完成对齐。
该步骤运用的公式如下：
在其中一个实施例中，提取预处理后数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件包括：
对预处理后的数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点。
对已提取的掌纹感兴趣区域图片进行CLAHE处理后使用ORB算法提取对应特征点，每张掌纹感兴趣区域图片对应生成一个xyt类型文件，完成对掌纹图片的点特征提取与存储。
在其中一个实施例中，对预处理后的数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点包括：对预处理后的数据集掌纹图像中感兴趣区域图像应用CLAHE算法处理，得到CLAHE处理后的掌纹感兴趣区域图像；以CLAHE处理后的掌纹感兴趣区域图像作为输入，在图像中检测关键点、并计算特征描述子，得到图像中的ORB特征点；分别提取每个ORB特征点的位置坐标、方向角度以及响应值，得到特征点信息；针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点信息。
具体来说，如图5所示，针对上述步骤2中对预处理后的数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点包括：
2.1、对步骤1.3.2得到的掌纹感兴趣区域图像应用CLAHE算法。首先，将区域划分为若干小块。对每个小块，计算局部直方图，并根据像素分布进行自适应的直方图均衡化。这样可以增强图像的对比度，并提高细节的可见性根据实际需求，调节CLAHE算法的参数，如局部直方图均衡化的区域大小、对比度限制等，以达到最佳的图像增强效果。根据应用需求，可以进行降噪、滤波或其他后处理操作，以进一步优化图像的质量和清晰度。将经过CLAHE处理后的掌纹感兴趣区域图像作为输出，用于后续操作。CLAHE能够有效增强掌纹图像的对比度，提高图像细节的可见性，从而有助于后续的掌纹分析和识别任务。
2.2、接收步骤2.1输出的图像作为输入。采用ORB算法对输入图像进行特征点提取。通过在图像中检测关键点并计算其特征描述子，得到图像中的ORB特征点。对于每个ORB特征点，提取其位置坐标、方向角度和响应值，将这些值以特定格式存储到一行。对于每张图像，生成一个包含特征点信息的文件，格式为xyt。
在其中一个实施例中，生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库包括：采用随机数生成密钥；基于生成的密钥结合校验码技术构造多项式；将特征点集文件中特增点位置映射到选定的有限域元素，并将生成的密钥对映射后的有限域元素进行加密；采用构造的多项式在有限域中对加密的数据进行纠错编码，生成对应模糊金库；将生成的模糊金库存储到非关系型数据库。
在上述处理过程中，采用构造的多项式在有限域中对加密的数据进行纠错编码，生成对应模糊金库包括：采用构造的多项式在有限域中对加密的数据进行纠错编码，得到纠偏后的数据；基于纠偏后的数据，通过实现几何哈希的方法，构建对应模糊金库。
具体来说，如图6所示，整个处理过程包括以下步骤：
3.1、设置合适的参数，使用随机数生成密钥，确保生成的密钥具有足够的强度和随机性。使用CRC-32算法构造多项式系数。CRC-32是一种循环冗余校验算法，用于检测数据传输中的错误。根据该算法，选择合适的多项式系数来计算校验值，以确保在数据传输过程中可以进行可靠的错误检测。将生成的多项式系数应用于后续步骤中的纠错编码，以增强发明的容错性。
3.2、根据设计要求和性能需求，选择适当的有限GF(2m)域。有限域提供了有限域上的数学运算，用于处理有限域元素之间的加法、乘法和除法等运算。将xyt文件中的特征点位置映射到选定的有限域元素。这个映射过程将连续的坐标映射为离散的有限域元素，以便后续在有限域中进行计算。使用生成的密钥对映射后的有限域元素进行加密。然后，使用构建的多项式在有限域中对加密的数据进行纠错编码，以增强模糊金库的容错性。使用加密和纠错编码后的数据，构建模糊金库，其中每个元素表示有限域中的一个数据点。
3.3、将生成的模糊金库数据存储到MongoDB数据库中，实现对数据的持久化存储，并提供数据的可扩展性和可查询性。数据库的使用可以方便地管理和操作模糊金库数据，以满足实际应用中对数据存储和管理的需求。
如图7所示，在其中一个实施例中，S500包括：
S520：根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库在几何哈希算法下得到组合点集；
S540：在组合点集上使用拉格朗日插值处理、再进行CRC-32校验；
S562：若校验成功，则待认证掌纹图像通过认证识别；
S564：若校验不成功，则待认证掌纹图像认证不匹配。
从生成的待认证掌纹xyt文件恢复其提取到的点特征，与数据库中已存储的模板掌纹对应模糊金库在几何哈希算法下得到组合点集，在点集上使用拉格朗日插值后进行CRC-32校验，校验成功则证明通过识别，反之说明认证不匹配。
具体来说，可以通过实现几何哈希但无需哈希表的方法来构建模糊金库，创建一个名为“几何哈希表”的二维列表。顶级列表和子列表的长度都等于模糊金库细节的数量。每个子列表或元素与一个特定的金库细节（金库元组的第一个元素）相关联，并包含了根据所选的基础转换所需的其他所有金库细节。基础转换是指选取一个细节点作为基准细节点移动到坐标系的原点(0，0)，然后以基准细节点为指标进行旋转，使其方向水平指向右侧，建立与该基准细节点对应的坐标系。对每个金库细节分别选取为基准点，将所有其他金库细节与它在“几何哈希表”中的元素对齐。原始的金库元组仍然保留，但现在它们是由转换后的金库细节引用。
在其中一个实施例中，根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果之前，还包括：从待认证掌纹图像中提取细节，并创建二维列表；在二维列表中选择每个探针细节作为基准点，并相应转换所有的剩余的细节；采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点；针对每个被选择为基准点的细节，在基准点阈值范围内匹配探针细节与所选基准点在模糊金库几何表中的所有变换细节，以实现模糊金库间的匹配。
如果候选集中存在足够的金库元组，则需要评估大小为 n+1（n为构建的多项式最高项次数）的所有子集，因为并非所有候选元组都包含真正的库细节。对于每个子集，使用n+1 个金库元组在有限域GF(2m)中进行拉格朗日插值，这些元组被解释为(X，Y)数据点，其中X和Y分别是金库元组的第一个和第二个元素。得到的插值多项式被传递到下一步。如果CRC-32错误检测报告错误，则算法继续对候选集的其他子集进行插值。如果没有子集给出匹配结果，则最终继续将金库细节与其他基进行匹配。其中，模糊金库之间的匹配具体如下：
a、从待认证掌纹图片中提取细节，并创建一个二维列表；
b、在二维列表中，选择每个探针细节作为基准点，并相应地转换所有其他细节；
c、使用两个列表进行匹配，迭代每个待配准图片细节作为基准点，并尝试在掌纹模板图像模糊金库的列表中找到一个相似的基准点；
d、找到一个被选择为基准点的细节后，在基准点阈值范围内匹配探针的每个相应变换细节与所选基准点在模板金库几何表中的所有变换细节。通过在变换后的空间中根据指定的基准点进行比较，实现模糊金库间的匹配。
在其中一个实施例中，采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点包括：使用三个主要坐标阈值（x、y和θ）和为基准点角度阈值θ THRESHOLD 来比较两个金库的细节属性差异；若坐标相差总值score小于或等于总阈值TOTAL THRESHOLD ，则判定匹配、并将相应的金库元组放入候选集合中；当评估所有选定基础的细节时，若候选集合中金库元组的数量大于 n+1，则进行拉格朗日插值，其中n为多项式的次数；若候选集合中金库元组的数量不足以进行多项式插值，则选择另一个相似的基准细节来重复细节匹配的过程。
其中，细节点之间的匹配具体如下：
c1、属性差异判断和候选集合生成：使用三个主要坐标阈值（x、y和θ）和为基准点角度阈值θ THRESHOLD 来比较两个金库的细节属性差异。在满足各个阈值的前提下，如果坐标相差总值score小于或等于总阈值TOTAL THRESHOLD ，则认为它们是匹配的，并将相应的金库元组放入候选集合中；
该步骤运用的公式如下：
c2、拉格朗日插值：在评估了所有选定基础的细节之后，如果候选集合中金库元组的数量大于 n+1 （其中n是多项式的次数），则尝试进行拉格朗日插值。拉格朗日插值使用候选集合中的金库元组来生成插值多项式；
c3、重复匹配或报告失败：如果候选集合中金库元组的数量不足以进行多项式插值，则选择另一个相似的基准细节来重复细节匹配的过程。如果所有的探测细节都被选择为基准细节，并且没有注册到匹配中，则在这一步骤中报告打开金库失败。
进一步来说，通过上述拉格朗日多项式，可以表示模糊金库的原始密钥以及其CRC-32编码的串接。因此可以使用CRC-32作为完整性检查，并应用与金库编码步骤CRC-32编码相反的方案。多项式的系数被编码为位串，其中最后32位表示实际密钥的CRC-32编码，从位串中截取出来。然后，对密钥的其余部分进行CRC-32编码。如果得到的CRC-32编码与从多项式表示中截取的相等，没有检测到错误，则检索到正确的密钥，并且成功验证了用户，确认匹配。
应该理解的是，虽然如上的实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的考虑特征模板保护的生物特征识别方法的考虑特征模板保护的生物特征识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个考虑特征模板保护的生物特征识别装置实施例中的具体限定可以参见上文中对于考虑特征模板保护的生物特征识别方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种考虑特征模板保护的生物特征识别装置，包括：
预处理模块100，用于获取数据集掌纹图像，对数据集掌纹图像进行预处理；
特征点文件生成模块200，用于提取预处理后数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
模糊金库生成模块300，用于生成密钥、并根据校验码技术与特征点集文件生成对应模糊金库；
特征点恢复模块400，用于当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
识别模块500，用于根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库，得到组合点集，在组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
在其中一个实施例中，预处理模块100还用于获取数据集掌纹图像；对数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理。
在其中一个实施例中，预处理模块100还用于利用形态学操作和轮廓分析技术检测手掌区域；根据手掌区域检测结果以及预设手掌几何特征筛选候选区域；基于候选区域进行分割，提取手掌部分的中心，得到掌纹感兴趣区域；通过Gamma校正算法，将掌纹感兴趣区域进行光照归一化，得到归一化后的掌纹感兴趣区域；通过ICP算法对齐同一个体对应的归一化后的掌纹感兴趣区域。
在其中一个实施例中，特征点文件生成模块200还用于对预处理后的数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点。
在其中一个实施例中，特征点文件生成模块200还用于对预处理后的数据集掌纹图像中感兴趣区域图像应用CLAHE算法处理，得到CLAHE处理后的掌纹感兴趣区域图像；以CLAHE处理后的掌纹感兴趣区域图像作为输入，在图像中检测关键点、并计算特征描述子，得到图像中的ORB特征点；分别提取每个ORB特征点的位置坐标、方向角度以及响应值，得到特征点信息；针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点信息。
在其中一个实施例中，模糊金库生成模块300还用于采用随机数生成密钥；基于生成的密钥结合校验码技术构造多项式；将特征点集文件中特增点位置映射到选定的有限域元素，并将生成的密钥对映射后的GF域元素进行加密；采用构造的多项式在有限域中对加密的数据进行纠错编码，生成对应模糊金库；将生成的模糊金库存储到非关系型数据库。
在其中一个实施例中，模糊金库生成模块300还用于采用构造的多项式在有限域中对加密的数据进行纠错编码，得到纠偏后的数据；基于纠偏后的数据，通过实现几何哈希的方法，构建对应模糊金库。
在其中一个实施例中，识别模块500还用于根据恢复提取到的特征点、与待认证掌纹图像对应的模糊金库在几何哈希算法下得到组合点集；在组合点集上使用拉格朗日插值处理、再进行CRC-32校验；若校验成功，则待认证掌纹图像通过认证识别；若校验不成功，则待认证掌纹图像认证不匹配。
在其中一个实施例中，识别模块500还用于从待认证掌纹图像中提取细节，并创建二维列表；在二维列表中选择每个探针细节作为基准点，并相应转换所有的剩余的细节；采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点；针对每个被选择为基准点的细节，在基准点阈值范围内匹配探针细节与所选基准点在模糊金库几何表中的所有变换细节，以实现模糊金库间的匹配。
在其中一个实施例中，识别模块500还用于使用三个主要坐标阈值（x、y和θ）和为基准点角度阈值θ THRESHOLD 来比较两个金库的细节属性差异；在满足各个阈值的前提下，若坐标相差总值score小于或等于总阈值TOTAL THRESHOLD ，则判定匹配、并将相应的金库元组放入候选集合中；当评估所有选定基础的细节时，若候选集合中金库元组的数量大于 n+1，则进行拉格朗日插值，其中n为多项式的次数；若候选集合中金库元组的数量不足以进行多项式插值，则选择另一个相似的基准细节来重复细节匹配的过程。
上述考虑特征模板保护的生物特征识别装置中的各模块可全部或部分通过软件、硬件及其组合来实现。上述模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9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，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑特征模板保护的生物特征识别方法。
本领域技术人员可以理解，图9中示出的结构，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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的考虑特征模板保护的生物特征识别方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的考虑特征模板保护的生物特征识别方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述考虑特征模板保护的生物特征识别方法。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述方法的实施例的流程。其中，本申请所提供的实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（FerroelectricRandom Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的每个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种考虑特征模板保护的生物特征识别方法，其特征在于，所述方法包括：
获取数据集掌纹图像，对所述数据集掌纹图像进行预处理；
提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件；
生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库；
当获取到待认证掌纹图像时，从生成的待认证掌纹图像对应的特征点集文件恢复提取到的特征点；
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取数据集掌纹图像，对所述数据集掌纹图像进行预处理包括：
获取数据集掌纹图像；
对所述数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理。
3.根据权利要求2所述的方法，其特征在于，所述对所述数据集掌纹图像进行感兴趣区域提取、Gamma校正和ICP算法处理包括：
利用形态学操作和轮廓分析技术检测手掌区域；
根据手掌区域检测结果以及预设手掌几何特征筛选候选区域；
基于所述候选区域进行分割，提取手掌部分的中心，得到掌纹感兴趣区域；
通过Gamma校正算法，将掌纹感兴趣区域进行光照归一化，得到归一化后的掌纹感兴趣区域；
通过ICP算法对齐同一个体对应的归一化后的掌纹感兴趣区域。
4.根据权利要求1所述的方法，其特征在于，所述提取预处理后所述数据集掌纹图像中的特征点，生成数据集掌纹图像对应的特征点集文件包括：
对预处理后的所述数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取所述数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点。
5.根据权利要求4所述的方法，其特征在于，所述对预处理后的所述数据集掌纹图像进行限制对比度自适应直方图均衡化处理，采用ORB算法提取所述数据集掌纹图像中的特征点，针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点包括：
对预处理后的所述数据集掌纹图像中感兴趣区域图像应用CLAHE算法处理，得到CLAHE处理后的掌纹感兴趣区域图像；
以所述CLAHE处理后的掌纹感兴趣区域图像作为输入，在图像中检测关键点、并计算特征描述子，得到图像中的ORB特征点；
分别提取每个ORB特征点的位置坐标、方向角度以及响应值，得到特征点信息；
针对每个数据集掌纹图像分别对应生成xyt类型文件，以存储对应的特征点信息。
6.根据权利要求1所述的方法，其特征在于，所述生成密钥、并根据校验码技术与所述特征点集文件生成对应模糊金库包括：
采用随机数生成密钥；
基于生成的密钥结合校验码技术构造多项式；
将特征点集文件中特增点位置映射到选定的有限域元素，并将所述生成的密钥对映射后的GF域元素进行加密；
采用构造的多项式在GF域中对加密的数据进行纠错编码，生成对应模糊金库；
将生成的模糊金库存储到非关系型数据库。
7.根据权利要求6所述的方法，其特征在于，所述采用构造的多项式在GF域中对加密的数据进行纠错编码，生成对应模糊金库包括：
采用构造的多项式在GF域中对加密的数据进行纠错编码，得到纠偏后的数据；
基于所述纠偏后的数据，通过实现几何哈希的方法，构建对应模糊金库。
8.根据权利要求1所述的方法，其特征在于，所述根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果包括：
根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库在几何哈希算法下得到组合点集；
在组合点集上使用拉格朗日插值处理、再进行CRC-32校验；
若校验成功，则待认证掌纹图像通过认证识别；
若校验不成功，则待认证掌纹图像认证不匹配。
9.根据权利要求1所述的方法，其特征在于，所述根据恢复提取到的特征点、与所述待认证掌纹图像对应的模糊金库，得到组合点集，在所述组合点上进行多项式插值后再进行校验，以得到掌纹识别结果之前，还包括：
从所述待认证掌纹图像中提取细节，并创建二维列表；
在所述二维列表中选择每个探针细节作为基准点，并相应转换所有的剩余的细节；
采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点；
针对每个被选择为基准点的细节，在基准点阈值范围内匹配探针细节与所选基准点在模糊金库几何表中的所有变换细节，以实现模糊金库间的匹配。
10.根据权利要求9所述的方法，其特征在于，所述采用两个列表进行匹配，迭代每个待认证掌纹图像细节作为基准点，在模糊金库的列表中查找到单个相似的基准点包括：
使用三个主要坐标阈值（x、y和θ）和为基准点角度阈值θ THRESHOLD 来比较两个金库的细节属性差异；
若满足各个阈值的前提下，三个主要坐标相差总值score小于或等于总阈值TOTAL THRESHOLD ，则判定匹配、并将相应的金库元组放入候选集合中；
当评估所有选定基础的细节时，若候选集合中金库元组的数量大于 n+1，则进行拉格朗日插值，其中n为多项式的次数；
若候选集合中金库元组的数量不足以进行多项式插值，则选择另一个相似的基准细节来重复细节匹配的过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311347765.8A CN117218685A (zh) | 2023-10-18 | 2023-10-18 | 考虑特征模板保护的生物特征识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311347765.8A CN117218685A (zh) | 2023-10-18 | 2023-10-18 | 考虑特征模板保护的生物特征识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218685A true CN117218685A (zh) | 2023-12-12 |
Family
ID=89051211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311347765.8A Pending CN117218685A (zh) | 2023-10-18 | 2023-10-18 | 考虑特征模板保护的生物特征识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218685A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249873A1 (en) * | 2008-12-22 | 2011-10-13 | Satoshi Nakada | Finger/palm-print image processing apparatus, finger/palm-print image processing method, and recording medium in which finger/palm-print image processing program has been recorded |
| CN102510330A (zh) * | 2011-11-02 | 2012-06-20 | 杭州电子科技大学 | 一种基于指纹特征数据与匹配算法的新型模糊金库方法 |
| US20180075282A1 (en) * | 2016-09-09 | 2018-03-15 | MorphoTrak, LLC | Palm print image matching techniques |
| CN110598589A (zh) * | 2019-08-27 | 2019-12-20 | 武汉工程大学 | 一种基于影像金字塔的掌纹识别方法、系统、装置和介质 |
| CN112329519A (zh) * | 2020-09-21 | 2021-02-05 | 中国人民武装警察部队工程大学 | 一种安全的在线指纹匹配方法 |
| CN114117383A (zh) * | 2021-10-21 | 2022-03-01 | 墨奇科技（北京）有限公司 | 一种注册方法、认证方法及装置 |
| CN115885280A (zh) * | 2021-02-12 | 2023-03-31 | 株式会社日立制作所 | 认证装置及认证方法 |
| CN116010917A (zh) * | 2021-10-21 | 2023-04-25 | 墨奇科技（北京）有限公司 | 隐私保护的图像处理方法、身份注册方法及身份认证方法 |
| CN116469085A (zh) * | 2023-03-30 | 2023-07-21 | 万联易达物流科技有限公司 | 一种风险驾驶行为的监控方法及系统 |
| CN116824080A (zh) * | 2023-07-05 | 2023-09-29 | 电子科技大学 | 一种基于多传感器融合实现输电走廊slam点云建图方法 |
| CN116883248A (zh) * | 2023-09-07 | 2023-10-13 | 成都市晶林科技有限公司 | 一种基于特征点匹配的红外全景图像拼接方法 |
-
2023
- 2023-10-18 CN CN202311347765.8A patent/CN117218685A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249873A1 (en) * | 2008-12-22 | 2011-10-13 | Satoshi Nakada | Finger/palm-print image processing apparatus, finger/palm-print image processing method, and recording medium in which finger/palm-print image processing program has been recorded |
| CN102510330A (zh) * | 2011-11-02 | 2012-06-20 | 杭州电子科技大学 | 一种基于指纹特征数据与匹配算法的新型模糊金库方法 |
| US20180075282A1 (en) * | 2016-09-09 | 2018-03-15 | MorphoTrak, LLC | Palm print image matching techniques |
| CN110598589A (zh) * | 2019-08-27 | 2019-12-20 | 武汉工程大学 | 一种基于影像金字塔的掌纹识别方法、系统、装置和介质 |
| CN112329519A (zh) * | 2020-09-21 | 2021-02-05 | 中国人民武装警察部队工程大学 | 一种安全的在线指纹匹配方法 |
| CN115885280A (zh) * | 2021-02-12 | 2023-03-31 | 株式会社日立制作所 | 认证装置及认证方法 |
| CN114117383A (zh) * | 2021-10-21 | 2022-03-01 | 墨奇科技（北京）有限公司 | 一种注册方法、认证方法及装置 |
| CN116010917A (zh) * | 2021-10-21 | 2023-04-25 | 墨奇科技（北京）有限公司 | 隐私保护的图像处理方法、身份注册方法及身份认证方法 |
| CN116469085A (zh) * | 2023-03-30 | 2023-07-21 | 万联易达物流科技有限公司 | 一种风险驾驶行为的监控方法及系统 |
| CN116824080A (zh) * | 2023-07-05 | 2023-09-29 | 电子科技大学 | 一种基于多传感器融合实现输电走廊slam点云建图方法 |
| CN116883248A (zh) * | 2023-09-07 | 2023-10-13 | 成都市晶林科技有限公司 | 一种基于特征点匹配的红外全景图像拼接方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Perceptual hashing for image authentication: A survey | |
| Yan et al. | Quaternion-based image hashing for adaptive tampering localization | |
| CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
| Sarkar et al. | Large scale image tamper detection and restoration | |
| Agarwal et al. | MagNet: Detecting digital presentation attacks on face recognition | |
| Novozámský et al. | Detection of copy-move image modification using JPEG compression model | |
| Ouyang et al. | A semi-fragile watermarking tamper localization method based on QDFT and multi-view fusion | |
| Shaik et al. | A Secure and Robust Autoencoder‐Based Perceptual Image Hashing for Image Authentication | |
| Fu et al. | Robust reversible watermarking by fractional order Zernike moments and pseudo-zernike moments | |
| Dwivedi et al. | An efficient and robust zero-bit watermarking technique for biometric image protection | |
| Saikia et al. | Image authentication under geometric attacks via concentric square partition based image hashing | |
| Arevalo-Ancona et al. | Zero-watermarking for medical images based on regions of interest detection using K-means clustering and discrete fourier transform | |
| Ansari et al. | Copy-Move Image Forgery Detection using Ring Projection and Modi_ed Fast Discrete Haar Wavelet Transform. | |
| CN116757903A (zh) | 一种水印嵌入和提取方法、及水印处理装置 | |
| Li et al. | Block mapping and dual-matrix-based watermarking for image authentication with self-recovery capability | |
| CN113762077B (zh) | 基于双分级映射的多生物特征虹膜模板保护方法 | |
| CN117218685A (zh) | 考虑特征模板保护的生物特征识别方法 | |
| Karsh et al. | Image authentication using image hashing based on ring partition with corner inclusion | |
| CN113191380B (zh) | 一种基于多视角特征的图像取证方法及系统 | |
| Arevalo-Ancona et al. | Secure Medical Image Authentication Using Zero-Watermarking based on Deep Learning Context Encoder | |
| Rai et al. | A Thorough Investigation on Image Forgery Detection. | |
| Rajkumar et al. | A robust and forensic transform for copy move digital image forgery detection based on dense depth block matching | |
| CN116628660B (zh) | 基于深度神经网络编码的个人化人脸生物密钥生成方法 | |
| Alhadethi et al. | Improving the Transmission Security of Vein Images Using a Bezier Curve and Long Short-Term Memory. | |
| Zhao et al. | Image Hashing Algorithm Based on Mirror Flipping and a Three‐Dimensional Space Angle |
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 |