CN1983301A - 两阶段混合指纹特征匹配方法、匹配装置及其应用 - Google Patents
两阶段混合指纹特征匹配方法、匹配装置及其应用 Download PDFInfo
- Publication number
- CN1983301A CN1983301A CN 200610012250 CN200610012250A CN1983301A CN 1983301 A CN1983301 A CN 1983301A CN 200610012250 CN200610012250 CN 200610012250 CN 200610012250 A CN200610012250 A CN 200610012250A CN 1983301 A CN1983301 A CN 1983301A
- Authority
- CN
- China
- Prior art keywords
- point
- coupling
- matching
- triangle
- fingerprint
- 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
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种两阶段混合指纹特征匹配方法。该指纹特征匹配方法将细节特征匹配方法与三角匹配方法进行有机结合,以细节特征匹配方法的输出结果为参考,将其它未匹配的细节点以此参考为基准进行三角匹配检测。从而在保证系统实时性和较小的指纹特征模板的前提下,大大提高了非线性形变情况下系统识别的精确度和系统的鲁棒性。在匹配分数的计算过程中,引入了细节点匹配误差和失配细节点的惩罚项,大大降低了匹配过程中的认假率。本发明还公开了一种用于实现该指纹特征匹配方法的装置和使用该装置进行指纹特征匹配的智能卡。
Description
技术领域
本发明涉及一种指纹特征匹配方法,尤其涉及一种将细节特征匹配方法与三角匹配方法进行有机结合,利用指纹图像的局部细节特征信息迅速得出匹配结果的两阶段混合指纹特征匹配方法,还涉及用于实现该两阶段混合指纹特征匹配方法的匹配装置以及使用该指纹特征匹配装置进行指纹特征匹配的智能卡,属于模式识别及智能卡技术领域。
背景技术
智能卡作为解决身份识别问题的有效手段,其自身的安全性值得特别重视。当前,智能卡技术已经发展到了利用生物特征进行身份识别的阶段。这里所说的生物特征识别技术是指采集、分析人体的独特特征,如指纹、视网膜和声音模式等,进行身份验证的技术。采用生物特征识别技术的智能卡被公认为是目前进行可靠的个人身份认证的最佳解决方案。
在各项生物特征识别技术中,指纹识别技术发展最早,人们在二十世纪六十年代就开始使用计算机来处理指纹。经过不断的发展,现在指纹识别已经是比较成熟的技术,被广泛应用于通讯、保险、医疗卫生、计算机控制系统、门禁系统、考勤系统、网上交易和身份证件等各种领域。
指纹识别是典型的模式识别问题,主要包括指纹特征提取和指纹特征匹配两部分内容。其中,指纹特征匹配是根据指纹的特征描述来判断两副指纹图像是否来自同一个人,它是评价一个指纹识别方法优秀与否的关键所在。
前人已对指纹匹配技术进行了深入细致的研究。到目前为止,已经提出了多种指纹匹配算法。这些算法有基于图形图像的,还有基于脊结构的,而基于特征点(细节点)的匹配算法具有简单、快速、鲁棒性强等优点。目前最常用的方法是利用美国联邦调查局(FBI)提出的细节点坐标模型来做细节匹配,它利用指纹纹路的脊线末梢和脊线分叉点这两种关键点来鉴定指纹。通过将细节点表示为点模式,一个自动指纹认证问题可以转化为一个点模式匹配(细节匹配)问题。
另外,Isenor和Zaky提出了一种用图匹配来对两幅指纹图像进行匹配的方法;Hrechak提出了基于结构信息的指纹特征匹配;Vinod和Ghose将非对称神经网络应用于指纹匹配中,提出了一种基于非对称神经网络点模式匹配算法;而田捷等人将遗传算法应用于指纹匹配中,提出了一种基于遗传算法的指纹图匹配算法;Stockman等人提出了基于Hough变换的方法将点模式匹配转化成了对变换参数的Hough空间中峰值的检测;Zsolt Miklós等人提出了基于三角匹配的算法;Xudong Jiang等人提出了基于局部和全局结构的匹配算法;Jain等人针对指纹匹配中的点模式匹配问题提出了一种算法,该算法将直角坐标系中的细节点转换到极坐标系中,通过串匹配算法来进行点匹配(具体请参见Anil Jain,Lin Hongand Ruud Bolle,On-Line Fingerprint Verification,IEEE Trans onPattern Analysis and Machine Intelligence,vol.19,No.4.pp302-313,1997.)。
在以上各种方法中,纯粹的三角匹配方法和基于遗传算法的方法由于其计算量过大而很少被人采用,Jain等人所采用的串匹配方法由于其简单实用的特点而得到了广泛关注,在实践中得到了大量应用。但是,由于该方法过分依赖于单一的匹配基准点,在非线性形变较大时往往会遗漏一些比较明显的细节点对,从而导致系统的FRR(错误拒绝率)较高。对此可以参见图1,其中黑色的圆点为已经匹配上的点对,方形点为本应该匹配上的点对。
发明内容
本发明的第一个目的是提供一种两阶段混合指纹特征匹配方法。该方法将细节特征匹配方法与三角匹配方法进行有机结合,利用指纹图像的局部细节特征信息(包括指纹脊线的分叉点和端点)迅速得出匹配结果。
本发明的第二个目的是提供一种用于实现该两阶段混合指纹特征匹配方法的匹配装置。
本发明的第三个目的是提供一种使用上述两阶段混合指纹特征匹配装置进行指纹特征匹配的智能卡。
为实现上述的发明目的,本发明采用下述的技术方案:
一种两阶段混合指纹特征匹配方法,其特征在于:
所述指纹特征匹配方法分为细节特征匹配和三角约束匹配两个阶段;
在所述细节特征匹配阶段中,对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数,将匹配分数的大小作为是否匹配成功或是否接着进行三角匹配的依据;
在所述三角约束匹配阶段,若细节特征匹配阶段得到的匹配分数高于预定的高阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若匹配分数介于预定的高阈值和低阈值之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数。如果重新计算的匹配分数高于一个预定的中阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若细节特征匹配阶段得到的匹配分数低于预定的低阈值,则选择下一对细节点作为参考点重新开始细节特征匹配过程。
其中,
所述细节特征匹配计算在极坐标系下进行。
所述细节特征匹配阶段中,配对的给定参考点通过如下步骤确定:
对模板点集中的一个点和输入点集中的一个点,在它们是相同类型的细节点的情况下,计算它们之间的欧氏距离和旋转角度差,若这两者满足预定的阈值条件,则将它们作为一对参考点进行细节匹配。
所述细节特征匹配阶段进一步包括如下的步骤:
1)以模板细节点和输入细节点作为参考细节点,将输入点集和模板点集中的其它细节点变换到极坐标系;
2)将极坐标中的模板细节点和输入细节点按极角递增方向排序,并连接成串;
3)用自适应限界盒方法匹配所述串,记录匹配上的细节点对信息,并计算匹配分数。
所述自适应限界盒的大小用radius_size和angle_size来表示,用下式来计算极半径为r的模板细节点的radius_size和angle_size:
radius_size=(α1+β1r)
angle_size=(α2-β2r)
其中α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
在三角约束匹配阶段,混合匹配分数Ms通过下式获得:
其中,nb_pair为细节特征匹配阶段获得的匹配点对数目,new_pair为三角约束匹配阶段新增加的匹配细节点对数目,Mc,Nc分别是模板和输入指纹图像在公共区域的特征点个数,match_error为各匹配细节点对匹配误差的加权平均,penalty为惩罚分数。
所述三角约束匹配阶段进一步包括如下步骤:
1)根据已经匹配上的点对获取两枚指纹细节点集合的配准参数;
2)利用计算出来的配准参数对两枚指纹的细节点集进行配准;
3)以多个参考细节点对为基准,进行初步探测,寻找其它可能存在的待选匹配点对;
4)对于初步探测出来的待选匹配点对,将其与已经匹配上的点对构成三角形进行三角匹配,检查其是否能够满足三角形几何约束。
在三角约束匹配阶段的步骤2中,进行细节点集配准具体包括如下步骤:
1)计算在细节特征匹配过程中得到的匹配上的模板点集与输入点集与匹配参考点之间的相对偏移量和相对旋转角度;
2)按照变换公式:
将输入细节点集变换到模板细节点集合所在的坐标系中。在三角约束匹配阶段的步骤3所述的细节点初步探测中,使用自适应限界盒方法进行特征点匹配;
所述自适应限界盒阈值为:
radius_size=2(α1+β1r)
angle_size=2(α2-β2r)
其中,α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
所述三角约束匹配阶段的步骤4具体分为如下步骤:
1)在已经匹配上的细节点对中根据三角形约束条件寻找三角匹配的基准线段;
2)将待选匹配点对分别与基准线段构成三角形进行三角形匹配;
3)满足三角形约束条件的待选匹配点对则为补偿算法寻找出来的新的匹配点对。
所述三角形约束条件为:
1)各顶点对应角之间的角度差在预定范围之内;
2)三角形三条对应边之间的长度差在预定范围之内;
3)中心点位置偏移量满足在预定范围之内;
4)三角形顶点对应的细节点的方向差在预定范围之内。
5)三角形的手性相同。
所述三角匹配的基准线段通过如下步骤确定:
1)初始化所有匹配细节点对连线的匹配误差计数器为0;
2)计算所有匹配细节点组成的匹配三角形对之间的匹配误差,并将这个匹配误差累加到三角形对应三条边的匹配误差计数器中;
3)将匹配误差最小且长度大于预定阈值5~10条连线作为对侯选匹配点对进行三角匹配的基准线段。
一种两阶段混合指纹特征匹配装置,其特征在于包括:
极坐标转换单元,将有关输入细节点与模板细节点的空间位置转换为极坐标;
细节特征匹配单元,对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数;
三角约束匹配单元,若细节特征匹配阶段得到的匹配分数高于预定的高阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若匹配分数介于预定的高阈值和低阈值之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数。如果重新计算的匹配分数高于一个预定的中阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若细节特征匹配阶段得到的匹配分数低于预定的低阈值,则选择下一对细节点作为参考点重新开始细节特征匹配过程。
一种智能卡,具有微处理器、存储器、通信电路,其特征在于:
所述智能卡中还具有上述的两阶段混合指纹特征匹配装置。
一种使用上述智能卡进行身份认证的方法,用户通过读卡器上的指纹采集设备输入其指纹,指纹传感器采集到指纹数据后,提交给特征提取模块,并把指纹特征传递到所述智能卡;所述智能卡对输入的指纹特征与保存的指纹特征进行匹配,若匹配成功,则完成身份认证,其特征在于:
所述智能卡采用两阶段混合指纹特征匹配方法进行指纹特征匹配。
本发明所提供的两阶段混合指纹特征匹配方法及匹配装置具有如下的优点:
(1)将细节特征匹配与三角匹配进行有机结合,从而在保证系统实时性和指纹特征模板尺寸较小的前提下,大大提高了非线性形变情况下系统识别的精确度;
(2)所述方法中的三角匹配利用细节特征匹配阶段已经匹配上的点对中一些匹配误差最小的线段作为基准来寻找其它可能匹配上的特征点对,从而大大减少了匹配过程的运算量;
(3)由于在匹配分数的计算上,考虑了细节特征点匹配误差和失配细节点对匹配结果的影响,因而可以得到更为精确匹配结果。
采用上述混合指纹特征匹配方法的智能卡可以进一步提高其安全可靠性和使用方便性,从而为生物特征识别技术和智能卡应用技术的融合提供了一条新的可行途径。
附图说明
下面结合说明书附图和具体实施例对本发明作进一步的详细说明。
图1为细节特征匹配过程中未匹配上的点对示意图。
图2显示了可变大小的限界盒。
图3为三角补偿算法的流程图。
图4为角度偏移量的计算过程示意图。
图5为一个细节点与多个细节点相匹配的示意图。
图6为三个细节点连线组成的三角形示意图。
图7为三角匹配过程的示意图。
图8为两阶段混合指纹特征匹配方法的整体流程示意图。
图9是一个典型的智能卡的逻辑结构图。
图10介绍了内置两阶段混合指纹特征匹配装置的智能卡进行指纹特征匹配的典型过程。
具体实施方式
本两阶段混合指纹特征匹配方法的基本思路在于:对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数,将匹配分数的大小作为是否匹配成功或是否接着进行三角匹配的依据。
若细节特征匹配阶段得到的匹配分数高于一个较高的阈值T1,则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;若匹配分数介于一个较低的阈值T2和一个较高的阈值T1之间,则利用三角匹配过程进一步寻找其它可能的匹配细节点对,并重新计算匹配分数。如果重新计算的匹配分数高于一个预先设定的阈值Tr(T2<Tr<T1),则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;若细节特征匹配阶段得到的匹配分数低于一个较低的阈值T2,则选择下一对细节点作为参考点重新开始细节特征匹配过程。阈值T1,T2和Tr与系统要求的精确度有关,一般通过大量的实验获得。
从技术实现角度上说,本两阶段混合指纹特征匹配方法主要包括以下几方面的技术内容:特征点集配准、细节特征匹配、三角匹配补偿和匹配分数计算。下面对其逐一进行详细介绍。
1.特征点集配准
对于待匹配的模板指纹和输入指纹,我们得到的只是从指纹图像中检测到的细节点的坐标位置,方向和类型信息。由于事先不知道这两幅指纹图像间的对应关系,首先要找到合适的变换将它们对应起来,这个过程就是指纹的配准。
为此,首先使用一对特征点(一个来自于模板指纹,一个来自于输入指纹)作为参考点,利用它们之间的坐标平移和方向旋转关系来构造相似变换,将输入指纹特征点变换到模板指纹特征点的坐标空间中。由于指纹图像的非线性形变往往呈放射状,在某个区域内的形变比较大,然后非线性地向外扩张,因而,在极坐标中能更好地描述非线性形变。另外,在极坐标系中,不需要考虑输入图像与模板图像的参考点之间的平移,因为输入图像与模板图像间的平移是固定的,也就是说另外一对对应点之间的平移与参照点之间的平移是一样的,这样,将另外一对对应点的坐标相对于参照点转换为极坐标时,平移就被抵消掉了,而且,在极坐标系中显然比在直角坐标系中更便于处理两幅图像间的旋转。综合上述原因,本方明将在极坐标系中进行细节特征匹配处理。
即使输入指纹与模板指纹来自同一个手指,它们之间还是会有像平移、旋转、尺度变化这样的形变。在对两幅图像进行匹配之前首先要估计它们之间的形变参数,并以此对这两幅图像进行配准。由于两幅指纹图像通常是用同一个仪器采集的,可以假定它们间的尺度变化系数为1。另外,在极坐标中可以不考虑两幅图像间的平移。因而需要估计的仅有输入图像与模板图像间的旋转参数。
令
表示模板指纹中的M个细节点,
表示输入指纹中的N个细节点。其中x,y为细节点的坐标位置,为细节点的方向。
为了把细节点转换到极坐标系中去,首先要在模板细节点集和输入细节点集中各选一个参照点作为相应的极坐标系中的原点,并算出其它细节点相对于参照点的极坐标。
对模板点集中的每一点Pi(1≤i≤M)和输入点集中的每一点Qj(1≤j≤N),如果它们是相同类型的细节点,则计算它们之间的欧氏距离和Pi方向相对于Qj方向的旋转角度rotate[i][j]。若这两者满足一定的阈值条件(如距离不超过100,角度差不超过45,阈值的确定由应用对图像采集的自由度来确定),则将它们作为一对参考点进行接下来的细节匹配过程。否则,接着考察其它可能的参考点对。
要在极坐标系中将输入图像与模板图像配准,只需将其它所有输入细节点与模板细节点都分别相对于参照点Pi和Qj转换到极坐标系中,然后在所有输入细节点的极角上加一个角度rotate[i][j]。也就是说,将输入细节点与模板细节点都分别相对于参照点Pi和Qj用下式转换到极坐标系中
其中(xi,yi,i)T是待转换细节点的直角坐标,(xr,yr,r)T是参考细节点的直角坐标,(ri,θi,i)T是细节点在极坐标中的表示(ri表示极半径,θi表示极角,i表示细节点方向与参考细节点方向之间的夹角)。然后,我们对每一个输入细节点的θi加一个角度rotate[i][j]。
2.细节特征匹配
本发明中所使用的细节点匹配算法是一种自适应限界盒细节特征匹配方法,具体包括如下的步骤:
1)以模板细节点Pi和输入细节点Qj作为参考细节点,利用上述的细节点集配准方法将输入点集和模板点集中的其它细节点变换到极坐标系;
2)将极坐标中的模板细节点和输入细节点按极角递增方向排序,并连接成串,表示如下:
其中M,N分别为模板和输入特征向量中的细节点数目;
3)用自适应限界盒方法匹配串Pi s和Qj s,记录匹配上的细节点对信息,并计算匹配分数,将匹配分数的大小作为是否进行三角匹配或匹配成功与否的依据:
若匹配分数高于一个较高的阈值T1,则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;
若匹配分数介于一个较低的阈值T2和一个较高的阈值T1之间,则利用三角匹配补偿过程进一步寻找其它可能的匹配细节点对,并重新计算匹配分数。如果重新计算的匹配分数高于一个预先设定的阈值Tr(T2<Tr<T1),则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;
若匹配分数低于一个较低的阈值T2,则选择下一对细节点作为参考点对并返回第1)步重新开始细节特征匹配过程。
4)若在第3)步中无法成功结束匹配过程,则认为两枚指纹为来自不同手指的指纹。
下面介绍上述的自适应限界盒方法。该自适应限界盒及其大小如图1所示,一个限界盒是放在模板细节点上的一个盒子。限界盒的大小用radius_size和angle_size来表示,它们的值将随着细节点极半径的大小而改变。用下式来计算极半径为r的模板细节点的radius_size和angle_size。
radius_size=(α1+β1r) (6)
angle_size=(α2-β2r) (7)
其中α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
使用自适应大小的限界盒而不是固定大小的限界盒是为了使算法对非线性形变更为鲁棒。非线性形变一般在一个特定的区域内较大,然后非线性地向外扩张。当细节点的极半径较小时,小的形变就可以造成大的极角的改变,而极半径的改变较小。所以在这种情况下限界盒的angle_size应该比较大而radius_size则应该较小。另一方面,当细节点的极半径较大时,极角的较小改变就会造成细节点位置的较大变动,而极半径的形变可以看成是该细节点与参考细节点间的所有区域的形变的累加。所以在这种情况下限界盒的angle_size应该比较小而radius_size则应该较大。
匹配Pi s和Qj s的算法描述如下:
1)用(6)~(7)式决定每一个模板细节点的限界盒的大小。置nb_pair[i][j]=0.(nb_pair[i][j]表示以模板细节点Pi和输入细节点Qj作为参考细节点进行特征匹配时匹配上的细节点对数)
2)做如下循环:
While 1≤m≤M do
While 1≤n≤N do
if模板细节点m与输入细节点n满足conditionl,then
nb_pair[i][j]nb_pair[i][j]+1;
endif
Increase n;
End while
Increase m;
End while
上述过程中,conditionl定义为:
其中:
r_low[m],r_high[m],θ_low[m],θ_high[m]分别为模板细节点m对应的限界合极半径和极角误差的下限和上限(它们的值分别为由式(6)和(7)计算出来的_radius_size,radius_size,_angle_size,angle_size)。conditionl是将模板细节点m和输入细节点n看作匹配点对的条件。其含义是,输入细节点n应该在模板细节点m的限界盒的内部,这两个细节点的方向差异应小于ε(如ε=30)。
3.细节特征匹配分数的计算
在以两个细节点(一个来自模板指纹,一个来自输入指纹)为参考完成以上细节匹配过程后,假定匹配上的细节点对的数目为nb_pair,各匹配点对的累积匹配误差为match_error。则匹配分数的计算如下:
其中Mc,Nc分别是模板和输入指纹图像在公共区域的特征点个数,match_error为各匹配细节点对匹配误差(包括公式(9)~(11)中的Δr,Δθ,Δ)的加权平均,α,β为预定的加权系数(其典型值分别为2.0和3.0)。将以上匹配分数与预先设定的匹配阈值T1进行比较,即可作出匹配与否的判断。
4.三角匹配补偿
上述细节特征匹配方法能够克服一定程度的非线性形变,比较准确地找出大多数的匹配点对,但由于这种方法过多地依赖于单一基准点以及较大非线性形变的影响,造成部分本应匹配上的点对未能成为匹配点对,从而导致FRR(错误拒绝率)较高。为了克服这一问题,本发明利用指纹细节点集的拓扑不变性,引入了细节点三角匹配补偿过程,其基本思想就是利用已经匹配上的点对作为基准来寻找其它可以匹配上的特征点对。其具体流程如图3所示,包括如下步骤:
S1:根据已经匹配上的点对获取两枚指纹细节点集合的配准参数;
S2:利用计算出来的配准参数对两枚指纹的细节点集进行配准;
S3:以多个参考细节点对为基准,进行初步探测,寻找其它可能存在的待选匹配点对;
S4:对于初步探测出来的待选匹配点对,将其与已经匹配上的点对构成三角形进行三角匹配,检查其是否能够满足三角形几何约束。包括以下几个小步骤:
S41:在已经匹配上的细节点对中根据三角形匹配约束寻找三角匹配的基准线段;
S42:将待选匹配点对分别与基准线段构成三角形进行三角形匹配;
S43:满足上述三角约束条件的待选匹配点对则为补偿算法寻找出来的新的匹配点对;
S5:结束。
该三角匹配补偿方法的输入包括模板图像细节点集、输入图像细节点集、匹配参考点对以及在细节特征匹配阶段得到的匹配点对信息。由于两个点集的原始位置可能以参考点对为中心存在着一定程度上的旋转和平移,因此应该首先进行点集配准,将输入细节点集变换到模板细节点集合所在的坐标系中。
下面具体介绍三角匹配补偿方法中的技术细节。首先介绍步骤S2中细节点集配准的具体步骤。
设在细节特征匹配过程中得到的模板点集与输入点集的匹配参考点分别为Ref_t、Ref_i。
两个点集的相对偏移量的计算为:
Δx=Ref_t.x-Ref_i.x; (13)
Δy=Ref_t.y-Ref_i.y; (14)
其旋转角度的计算如图4所示。P和P’为对应点,首先分别计算它们与参考点的相对角度,统计各个对应点对的相对角度差,就可以得出细节点的旋转角度。平均相对旋转角度为:
其中,Angle_t为模板细节点相对于参考点Ref_t的角度,Angle_i为输入细节点相对于参考点Ref_i的角度,n为匹配上的细节点对数。
然后采用变换公式:
将输入细节点集变换到模板细节点集合所在的坐标系中。
在步骤S3中,细节点初步探测的目的在于找出可能的匹配点对,降低后期三角匹配的计算量。该初步探测主要使用了上述的自适应限界盒特征点匹配技术。
为了克服非线性形变的影响,必须使用范围较大的限界盒以保证尽可能地找到可能匹配的点对。考虑指纹图像的非线性形变以某个小区域向外扩散的特性,离形变的中心区域越近,相对形变越小。由此,将分散比较均匀的多个(以6~10个为宜)初始匹配点对作为初步探测的出发点,来保证初步探测的有效性和可靠性。
从多组已经匹配上的细节点对出发,在一个比较大的限界盒内寻找可能匹配的点对。其结果可能是1对n,即1个模板点(或输入点)有可能与多个输入点(或模板点)存在对应关系。如图5所示,P可能与P′和P"匹配。
从多个基准点出发寻找参考点对时,找到的匹配点对数目较大,而且有很多明显不匹配的点对,因此需要进一步处理。由于在指纹图像的较小局部区域中不可能存在非常大的非线性形变,因此,对于待选匹配点对来说,最近邻的几个(比如3个)已经匹配上的点对是很好的参考对象。如果待选匹配点对与多个最近邻匹配点对的位置和角度相差都比较大,则可认为该待选点对不匹配,从而删除此点对。
在初步探测过程中,自适应限界盒的设定是关键所在,考虑以某个点为中心的极坐标系,当半径越小时,其角度变化越敏感,反之,小的角度变化可能引起细节点位置的较大偏移。因此重新设计自适应限界盒阈值如下:
radius_size=2(α1+β1r) (17)
angle_size=2(α1-β2r) (18)
其中,α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
由于三个细节特征点构成的三角形能较好地表达这三个细节特征点的拓扑位置关系,S4步骤中的三角形约束也是补偿匹配算法中的重要一环。
三角形的主要变量包括顶点位置,角度和边长等几个部分。其约束特征主要由这些变量转化而来,其中包括:
F1:最小角αmin和中间角αmed
如图6所示,令αi(i=1,2,3)为三细节点连线组成的三角形的三个角,则最大角αmax=max{αi},最小角αmin=min{αi},中间角αmed=180°-αmax-αmin。将角αmax对应的顶点记为P1,角αmin对应的顶点记为P2,角αmed对应的顶点记为P3。
F2:三角形手性φ
定义Zi=xi+jyi为点(xi,yi)的复数形式。记Z21=Z2-Z1,Z32=Z3-Z2,Z13=Z1-Z3。三角型手型定义为:φ=sign(Z21×Z32),即三角形的手型为两个复数形式的叉积的符号函数结果。
F3:三角形三边长
L1=|Z32|,L2=|Z13|,L3=|Z21|
F4:三角形中心
Zc=(Z1+Z2+Z3)/3
由此,将三角形约束条件定义如下:
C1.对应角角度差满足|α-α1|<δa,即各顶点对应角之间的角度差应该在一定范围之内。其中α,α′分别为同一手指的两枚指纹中匹配细节点组成的三角形的αmax,αmed或αmin。
C2.三角形边长差满足|L-L′|<δL,即匹配三角形三条对应边之间的长度差应该在一定范围之内。其中L,L分别为同一手指的两枚指纹中匹配细节点组成的三角形的L1,L2或L3。
C3.中心点位置偏移量满足|Zc-Z′c|<δc,其中Zc,Z′c分别为同一手指的两枚指纹中匹配细节点组成的三角形的中心点。
C4.三角形顶点对应的细节点的方向差满足|-′|<δ,即各顶点与对应匹配细节点之间的方向差应该在一定范围之内。其中,′分别为同一手指的两枚指纹的三角形各顶点细节点的方向。
C5.三角形手性满足φ=φ′,即匹配三角形的手性应该相同。
假定在细节特征匹配阶段找到的匹配点对的数目为n,则对于一个待选匹配点对,它们与n个匹配点对之间组成的三角形对数为Cn 2。显然,要全部检测这Cn 2对三角形之间的匹配情况是一件非常费时的工作。为了降低三角匹配检测的计算量,我们先在这n个匹配点对之间连线形成的Cn 2条边中选择m(m=5~10)条匹配误差最小且长度大于一定阈值的连线作为三角匹配检测的基准线段。如图7所示,A,B,C,D,P为模板图像中的细节点,A′,B′,C′,D′,P′为输入图像中的细节点,且(A,A′),(B,B′),(C,C′),(D,D′)为细节特征匹配过程中检测到的匹配对应点。(P,P′)为经过初步探测后得到的侯选匹配对应点,为了利用三角匹配对侯选点对(P,P′)进行检测,我们需要确定三角形对(ΔABP,ΔA′B′P′),(ΔACP,ΔA′C′P′),(ΔADP,ΔA′D′P′),(ΔBCP,ΔB′C′P′),(ΔBDP,ΔB′D′P′),(ΔCDP,ΔC′D′P′)之间是否分别满足C1~C5的三角形约束关系。这样进行约束匹配存在两个问题:1)计算量比较大;2)由于非线性形变的影响,细节特征匹配过程中得到的匹配点对中可能存在误匹配点对,从而可能影响三角匹配的精确性。为此,我们只选择线段对(AB,A′B′),(AC,A′C′),(AD,A′D′),(BC,B′C′),(BD,B′D′),(CD,C′D′)中匹配误差最小的几组线段作为对侯选点对(P,P′)进行三角匹配的基准线段,比如选择(AC,A′C′),(BD,B′D′)作为匹配基准,则此时只需确定三角形对(ΔACP,ΔA′C′P′),(ΔBDP,ΔB′D′P′)之间的三角约束关系了。这样做的优点为:1)降低了三角匹配的计算量;2)可以得到更为准确的匹配基准,从而使得三角匹配的精确度得以提高。
寻找三角匹配的基准线段的过程为:初始化所有匹配细节点对连线(共有Cn 2条连线)的匹配误差计数器为0;对于所有匹配细节点组成的匹配三角形对(共有Cn 3个三角形对),计算它们之间的匹配误差(为C1~C4中各项误差绝对值之和),并将这个匹配误差累加到三角形对应三条边的匹配误差计数器中;将匹配误差最小且长度大于一定阈值(比如50)的m(m=5~10)条连线作为对侯选匹配点对进行三角匹配的基准线段。
有了三角匹配基准线段之后,剩下的工作就是利用这些基准线段对各个侯选匹配点对进行三角匹配了。满足上述三角约束条件C1~C4的待选匹配点对则为补偿算法寻找出来的新的匹配点对。
对于上面求得的新增加的匹配点对,可能存在一些拓扑关系错误的点对,因此,对于每一对新的匹配点,考虑它们与附近的其它点构成的三角形,如果出现手型不符的情况,则将其删除。
在进行三角匹配补偿之后,如果能够找到新的匹配点对,则需要重新计算匹配分数。
考虑模板和输入点集中细节点的分布情况,如果在两个点集中出现了在公共区域中没有匹配上的情况,则应该对最后的结果产生一定的影响,由此引入惩罚分数:
penalty=tmplt_count+input_count (19)
其中tmplt_count和input_count分别为模板和输入细节点集在公共区域中但未匹配上的点数。需要指出的是,对于某一个可能需要惩罚的点来说,必须考虑其位置在另外一个点集中在一定长度的半径范围里是否有细节点出现,如果没有,则肯定是需要惩罚的点,否则,有可能是未匹配上的点,不应予以惩罚。
由此,可以得出最后的匹配分数如下:
假定初始匹配细节点对数目为nb_pair,新增加的匹配细节点对数目为new_pair。则新的匹配分数为:
其中Mc,Nc分别是模板和输入指纹图像在公共区域的特征点个数,α,β的值分别为2.0,3.0左右,match_error的含义与式(12)相同。将以上匹配分数与预先设定的匹配阈值进行比较,即可做出匹配与否的判断。
图8为本发明所述的两阶段混合指纹特征匹配方法的整体流程示意图。该指纹特征匹配方法可以分为两个阶段,首先是图8中的步骤803~805所揭示的细节特征匹配阶段,这一阶段所做的工作是对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数,将匹配分数的大小作为是否匹配成功或是否接着进行三角匹配的依据。
在步骤807~813所揭示的三角约束匹配阶段,若细节特征匹配阶段得到的匹配分数高于一个较高的阈值T1,则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;若匹配分数介于一个较低的阈值T2和一个较高的阈值T1之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数。如果重新计算的匹配分数高于一个预先设定的阈值Tr(T2<Tr<T1),则认为输入细节点集与模板细节点集来自同一个手指,从而成功结束匹配过程;若细节特征匹配阶段得到的匹配分数低于一个较低的阈值T2,则选择下一对细节点作为参考点重新开始细节特征匹配过程。其中,阈值T1,T2和Tr与系统要求的精确度有关,一般通过大量的实验获得。
用于实施本方法的软件可以做成固件形式的两阶段混合指纹特征匹配装置,集成在智能卡中。该两阶段混合指纹特征匹配装置包括细节特征匹配单元、三角约束匹配单元和极坐标转换单元。其中,极坐标转换单元将有关输入细节点与模板细节点的空间位置转换为极坐标。细节特征匹配单元的作用在于:对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数,将匹配分数的大小作为是否匹配成功或是否接着进行三角匹配的依据。三角约束匹配单元的作用在于:若细节特征匹配阶段得到的匹配分数高于高阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若匹配分数介于高阈值和低阈值之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数;如果重新计算的匹配分数高于一个预先设定的中阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若细节特征匹配阶段得到的匹配分数低于低阈值,则选择下一对细节点作为参考点重新开始细节特征匹配过程。
上述的两阶段混合指纹特征匹配装置可以内置于智能卡的微处理器中,也可以独立设置。图9介绍了一种典型的非接触式智能卡的内部逻辑结构。其中使用的微处理器芯片是MPU,具有逻辑控制、管理功能、加密解密功能等,存储器包括ROM、RAM、EEPROM等。RFC是射频收发电路,主要解决卡的读写通讯与供电,CAU是加密运算协处理器,SL是安全逻辑。当然,上述装置用在接触式智能卡也是完全可以的。
图10介绍了内置两阶段混合指纹特征匹配装置的智能卡进行指纹特征匹配的典型过程。用户使用带有指纹识别的读卡器,通过读卡器上的指纹采集设备输入其指纹,指纹传感器采集到指纹数据后,提交给特征提取模块,提取本次指纹特征,并把指纹特征传递到智能卡;智能卡对输入的指纹特征与保存的指纹特征进行匹配,若成功,则允许用户进行后续的操作,如果匹配不成功,则提示用户重新输入指纹数据。一般连续多次不成功可以自动锁死智能卡。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,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该以权利要求书的保护范围为准。
Claims (16)
1.一种两阶段混合指纹特征匹配方法,其特征在于:
所述指纹特征匹配方法分为细节特征匹配和三角约束匹配两个阶段;
在所述细节特征匹配阶段中,对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数,将匹配分数的大小作为是否匹配成功或是否接着进行三角匹配的依据;
在所述三角约束匹配阶段,若细节特征匹配阶段得到的匹配分数高于预定的高阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若匹配分数介于预定的高阈值和低阈值之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数;如果重新计算的匹配分数高于一个预定的中阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若细节特征匹配阶段得到的匹配分数低于预定的低阈值,则选择下一对细节点作为参考点重新开始细节特征匹配过程。
2.如权利要求1所述的两阶段混合指纹特征匹配方法,其特征在于:
所述细节特征匹配计算在极坐标系下进行。
3.如权利要求1所述的两阶段混合指纹特征匹配方法,其特征在于:
所述细节特征匹配阶段中,配对的给定参考点通过如下步骤确定:
对模板点集中的一个点和输入点集中的一个点,在它们是相同类型的细节点的情况下,计算它们之间的欧氏距离和旋转角度差,若这两者满足预定的阈值条件,则将它们作为一对参考点进行细节匹配。
4.如权利要求1所述的两阶段混合指纹特征匹配方法,其特征在于:
所述细节特征匹配阶段进一步包括如下的步骤:
1)以模板细节点和输入细节点作为参考细节点,将输入点集和模板点集中的其它细节点变换到极坐标系;
2)将极坐标中的模板细节点和输入细节点按极角递增方向排序,并连接成串;
3)用自适应限界盒方法匹配所述串,记录匹配上的细节点对信息,并计算匹配分数。
5.如权利要求1或4所述的两阶段混合指纹特征匹配方法,其特征在于:
所述自适应限界盒的大小用radius_size和angle_size来表示,用下式来计算极半径为r的模板细节点的radius_size和angle_size:
radius_size=(α1+β1r)
angle_size=(α2-β2r)
其中α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
6.如权利要求1所述的两阶段混合指纹特征匹配方法,其特征在于:
在三角约束匹配阶段,所述混合匹配分数Ms通过下式获得:
其中,nb_pair为细节特征匹配阶段获得的匹配点对数目,new_pair为三角约束匹配阶段新增加的匹配细节点对数目,Mc,Nc分别是模板和输入指纹图像在公共区域的特征点个数,match_error为各匹配细节点对匹配误差的加权平均,α,β为预定的加权系数,penalty为惩罚分数。
7.如权利要求6所述的两阶段混合指纹特征匹配方法,其特征在于:
所述惩罚分数penalty为模板和输入细节点集在公共区域中未匹配上的点数之和。
8.如权利要求1所述的两阶段混合指纹特征匹配方法,其特征在于:
所述三角约束匹配阶段进一步包括如下步骤:
1)根据已经匹配上的点对获取两枚指纹细节点集合的配准参数;
2)利用计算出来的配准参数对两枚指纹的细节点集进行配准;
3)以多个参考细节点对为基准,进行初步探测,寻找其它可能存在的待选匹配点对;
4)对于初步探测出来的待选匹配点对,将其与已经匹配上的点对构成三角形进行三角匹配,检查其是否能够满足三角形几何约束。
9.如权利要求8所述的两阶段混合指纹特征匹配方法,其特征在于:
所述步骤2中,进行细节点集配准具体包括如下步骤:
1)计算在细节特征匹配过程中得到的模板点集与输入点集与匹配参考点之间的相对偏移量和相对旋转角度;
2)按照变换公式:
将输入细节点集变换到模板细节点集合所在的坐标系中。
10.如权利要求8所述的两阶段混合指纹特征匹配方法,其特征在于:
在步骤3所述的细节点初步探测中,使用自适应限界盒方法进行特征点匹配;
所述自适应限界盒阈值为:
radius_size=2(α1+β1r)
angle_size=2(α2-β2r)
其中,α1,β1,α2,β2为预先设定的经验参数,且均大于零,r是模板细节点的极半径。
11.如权利要求8所述的两阶段混合指纹特征匹配方法,其特征在于:
所述步骤4具体分为如下步骤:
1)在已经匹配上的细节点对中根据三角形约束条件寻找三角匹配的基准线段;
2)将待选匹配点对分别与基准线段构成三角形进行三角形匹配;
3)满足三角形约束条件的待选匹配点对则为补偿算法寻找出来的新的匹配点对。
12.如权利要求11所述的两阶段混合指纹特征匹配方法,其特征在于:
所述三角形约束条件为:
1)各顶点对应角之间的角度差在预定范围之内;
2)三角形三条对应边之间的长度差在预定范围之内;
3)中心点位置偏移量满足在预定范围之内;
4)三角形顶点对应的细节点的方向差在预定范围之内;
5)三角形的手性相同。
13.如权利要求11所述的两阶段混合指纹特征匹配方法,其特征在于:
所述三角匹配的基准线段通过如下步骤确定:
1)初始化所有匹配细节点对连线的匹配误差计数器为0;
2)计算所有匹配细节点组成的匹配三角形对之间的匹配误差,并将这个匹配误差累加到三角形对应三条边的匹配误差计数器中;
3)将匹配误差最小且长度大于预定阈值5~10条连线作为对侯选匹配点对进行三角匹配的基准线段。
14.一种两阶段混合指纹特征匹配装置,其特征在于包括:
极坐标转换单元,将有关输入细节点与模板细节点的空间位置转换为极坐标;
细节特征匹配单元,对于两枚指纹特征点集中的一对给定参考点,先以自适应限界盒细节特征匹配方法对两枚指纹的细节点集进行匹配,并记录其匹配分数;
三角约束匹配单元,若细节特征匹配阶段得到的匹配分数高于预定的高阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若匹配分数介于预定的高阈值和低阈值之间,则利用三角匹配过程进一步寻找其它匹配细节点对,并重新计算匹配分数;如果重新计算的匹配分数高于一个预定的中阈值,则认为输入细节点集与模板细节点集来自同一个手指,结束匹配过程;若细节特征匹配阶段得到的匹配分数低于预定的低阈值,则选择下一对细节点作为参考点重新开始细节特征匹配过程。
15.一种智能卡,具有微处理器、存储器、通信电路,其特征在于:
所述智能卡中还具有如权利要求14所述的两阶段混合指纹特征匹配装置。
16.一种使用如权利要求15所述的智能卡进行身份认证的方法,用户通过读卡器上的指纹采集设备输入其指纹,指纹传感器采集到指纹数据后,提交给特征提取模块,并把指纹特征传递到所述智能卡;所述智能卡对输入的指纹特征与保存的指纹特征进行匹配,若匹配成功,则完成身份认证,其特征在于:
所述智能卡采用如权利要求1所述的两阶段混合指纹特征匹配方法进行指纹特征匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100122502A CN100447806C (zh) | 2006-06-14 | 2006-06-14 | 两阶段混合指纹特征匹配方法、匹配装置及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100122502A CN100447806C (zh) | 2006-06-14 | 2006-06-14 | 两阶段混合指纹特征匹配方法、匹配装置及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1983301A true CN1983301A (zh) | 2007-06-20 |
CN100447806C CN100447806C (zh) | 2008-12-31 |
Family
ID=38165820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100122502A Expired - Fee Related CN100447806C (zh) | 2006-06-14 | 2006-06-14 | 两阶段混合指纹特征匹配方法、匹配装置及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100447806C (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122950B (zh) * | 2007-09-04 | 2011-01-19 | 成都方程式电子有限公司 | 指纹弹性形变矫正的方法及装置 |
CN102147817A (zh) * | 2011-04-27 | 2011-08-10 | 杭州晟元芯片技术有限公司 | 一种指纹奇异点快速搜索方法 |
CN101911115B (zh) * | 2007-12-26 | 2012-08-08 | 日本电气株式会社 | 图案间特征对应设备、其图案间特征对应方法 |
CN102819729A (zh) * | 2012-07-17 | 2012-12-12 | 内江师范学院 | 一种指纹识别方法 |
CN104820983A (zh) * | 2015-04-23 | 2015-08-05 | 清华大学 | 一种图像匹配方法 |
CN105335731A (zh) * | 2015-11-13 | 2016-02-17 | 广东欧珀移动通信有限公司 | 指纹识别方法、装置及终端设备 |
CN106447839A (zh) * | 2016-08-26 | 2017-02-22 | 合肥若涵信智能工程有限公司 | 智能指纹锁 |
CN107301549A (zh) * | 2016-04-15 | 2017-10-27 | 恩智浦有限公司 | 指纹认证系统和方法 |
CN111279355A (zh) * | 2017-12-28 | 2020-06-12 | 株式会社东海理化电机制作所 | 指纹认证装置 |
CN113255579A (zh) * | 2021-06-18 | 2021-08-13 | 上海建工集团股份有限公司 | 一种施工监测异常采集数据自动识别与处理的方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11625272B2 (en) * | 2020-08-15 | 2023-04-11 | International Business Machines Corporation | Scalable operators for automatic management of workloads in hybrid cloud environments |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040105065A (ko) * | 2003-06-04 | 2004-12-14 | 주식회사 우량정보기술 | 강한 상관관계 및 약한 상관관계 그룹핑을 통한 지문인식매칭방법 |
CN1333365C (zh) * | 2003-08-14 | 2007-08-22 | 上海一维科技有限公司 | 指纹识别方法 |
-
2006
- 2006-06-14 CN CNB2006100122502A patent/CN100447806C/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122950B (zh) * | 2007-09-04 | 2011-01-19 | 成都方程式电子有限公司 | 指纹弹性形变矫正的方法及装置 |
CN101911115B (zh) * | 2007-12-26 | 2012-08-08 | 日本电气株式会社 | 图案间特征对应设备、其图案间特征对应方法 |
CN102147817A (zh) * | 2011-04-27 | 2011-08-10 | 杭州晟元芯片技术有限公司 | 一种指纹奇异点快速搜索方法 |
CN102147817B (zh) * | 2011-04-27 | 2014-01-15 | 杭州晟元芯片技术有限公司 | 一种指纹奇异点快速搜索方法 |
CN102819729A (zh) * | 2012-07-17 | 2012-12-12 | 内江师范学院 | 一种指纹识别方法 |
CN102819729B (zh) * | 2012-07-17 | 2014-07-16 | 内江师范学院 | 一种指纹识别方法 |
CN104820983A (zh) * | 2015-04-23 | 2015-08-05 | 清华大学 | 一种图像匹配方法 |
CN104820983B (zh) * | 2015-04-23 | 2018-11-23 | 清华大学 | 一种图像匹配方法 |
CN105335731A (zh) * | 2015-11-13 | 2016-02-17 | 广东欧珀移动通信有限公司 | 指纹识别方法、装置及终端设备 |
CN107301549A (zh) * | 2016-04-15 | 2017-10-27 | 恩智浦有限公司 | 指纹认证系统和方法 |
CN107301549B (zh) * | 2016-04-15 | 2023-10-27 | 恩智浦有限公司 | 指纹认证系统和方法 |
CN106447839A (zh) * | 2016-08-26 | 2017-02-22 | 合肥若涵信智能工程有限公司 | 智能指纹锁 |
CN111279355A (zh) * | 2017-12-28 | 2020-06-12 | 株式会社东海理化电机制作所 | 指纹认证装置 |
CN113255579A (zh) * | 2021-06-18 | 2021-08-13 | 上海建工集团股份有限公司 | 一种施工监测异常采集数据自动识别与处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100447806C (zh) | 2008-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100447806C (zh) | 两阶段混合指纹特征匹配方法、匹配装置及其应用 | |
Fei et al. | Local discriminant direction binary pattern for palmprint representation and recognition | |
CN100492395C (zh) | 指纹特征快速匹配方法、装置及其应用 | |
Prabhakar et al. | Decision-level fusion in fingerprint verification | |
Paulino et al. | Latent fingerprint matching using descriptor-based hough transform | |
Kumar et al. | Personal authentication using hand images | |
Kong et al. | Palmprint feature extraction using 2-D Gabor filters | |
US6778685B1 (en) | Two-stage local and global fingerprint matching technique for automated fingerprint verification/identification | |
Yang et al. | A fingerprint verification algorithm using tessellated invariant moment features | |
CN100414558C (zh) | 基于模板学习的自动指纹识别系统和方法 | |
US10552661B2 (en) | Systems and methods for biometric identification | |
Yue et al. | Orientation selection using modified FCM for competitive code-based palmprint recognition | |
CN100470579C (zh) | 指纹识别中确定性编码方法与系统 | |
Ortega et al. | Retinal verification using a feature points-based biometric pattern | |
Nguyen et al. | An improved ridge features extraction algorithm for distorted fingerprints matching | |
Zhang et al. | Palmprint Recognition | |
CN102254165A (zh) | 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法 | |
Naderi et al. | Fusing iris, palmprint and fingerprint in a multi-biometric recognition system | |
CN104966081A (zh) | 书脊图像识别方法 | |
Chikkerur | Online fingerprint verification system | |
Marcialis et al. | Fusion of multiple fingerprint matchers by single-layer perceptron with class-separation loss function | |
CN107958208A (zh) | 一种基于传播算法的指纹交叉库匹配方法 | |
CN103593660B (zh) | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 | |
Tong et al. | Local relative location error descriptor-based fingerprint minutiae matching | |
Jeyanthi et al. | Neural network based automatic fingerprint recognition system for overlapped latent images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081231 |
|
CF01 | Termination of patent right due to non-payment of annual fee |