TWI434220B - 利用手掌靜脈之生物特徵辨識使用者之方法 - Google Patents

利用手掌靜脈之生物特徵辨識使用者之方法 Download PDF

Info

Publication number
TWI434220B
TWI434220B TW099129782A TW99129782A TWI434220B TW I434220 B TWI434220 B TW I434220B TW 099129782 A TW099129782 A TW 099129782A TW 99129782 A TW99129782 A TW 99129782A TW I434220 B TWI434220 B TW I434220B
Authority
TW
Taiwan
Prior art keywords
image
initial image
palm
biometric
identification method
Prior art date
Application number
TW099129782A
Other languages
English (en)
Other versions
TW201211913A (en
Inventor
Shi Jinn Horng
Tsung Huai Mou
Original Assignee
Univ Nat Taiwan Science Tech
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Univ Nat Taiwan Science Tech filed Critical Univ Nat Taiwan Science Tech
Priority to TW099129782A priority Critical patent/TWI434220B/zh
Priority to US13/164,250 priority patent/US20120057763A1/en
Publication of TW201211913A publication Critical patent/TW201211913A/zh
Application granted granted Critical
Publication of TWI434220B publication Critical patent/TWI434220B/zh

Links

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
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V40/14—Vascular patterns

Description

利用手掌靜脈之生物特徵辨識使用者之方法
本發明係關於一種生物特徵辨識方法，特別是一種利用手掌靜脈之生物特徵辨識使用者之方法。
生物特徵(Biometrics)辨識在當前社會扮演著越來越重要的角色。從提款機、門禁系統、筆記型電腦以至於隨身碟，都可以見到生物特徵辨識技術的應用。
在生物辨識技術的領域中，掌靜脈辨識技術是一個新興的研究重點。掌靜脈有著較指紋或掌紋更豐富的資訊，能得到良好的辨識率，其辨識率相若於使用虹膜技術的生物辨識系統，加上其無法被仿造的優勢，漸漸成為生物辨識領域矚目的焦點。尤其以成長幅度來看，可以期待掌靜脈辨識技術將取得與其他生物辨識技術分庭抗禮的局面。可惜的是，目前有關掌靜脈相關的研究開發十分稀少。
現有的指、掌靜脈辨識研究大多先做靜脈影像擷取，經影像前處理後選取需要的區域影像(ROI)，實行二值化與細線化後，找出細線化影像的端點與交叉點作為特徵點。上述方法對實作即時辨識系統而言，環境的變化過於敏感，手部稍有移動即會產生差異極大的結果，並不適合實際應用。
因此，如何設計出一種具有良好辨識結果的生物辨識系統，藉以提供需要穩定且足夠的生物辨識特徵點，實乃當前刻不容緩之重要課題。
有鑑於習知掌靜脈辨識方法在實際應用時，無法提供穩定且足夠的特徵點，因此本發明揭露一種具有良好辨識結果的生物辨識方法，藉以提高生物辨識方法之效能。
有鑑於此，本發明之一範疇在於提供一種生物特徵辨識方法，籍由其獨特之分析辨識方法，從而提高身分辨識系統之效能。
根據本發明之一具體實施例，本發明提供一種生物特徵辨識方法，用以根據一資料庫中所預存之一組生物特徵資料進行一預定手掌之特徵辨識，其包含有下列步驟：(S1)建構一初始影像；(S2)判斷該初始影像是否為該預定手掌之影像，若是，則進行步驟(S3)；(S3)對該初始影像進行一卷積處理(Convolution)步驟；(S4)利用尺度不變特徵轉換(SIFT)步驟，以擷取該初始影像上之複數個生物特徵資料；以及(S6)針對該初始影像上之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料進行比對。
於實際應用中，步驟(S1)包含下列子步驟：(S11)對該預定手掌照射一波長介於700至1400奈米間之光線；以及(S12)自該預定手掌接收該光線並利用該光線建構該初始影像。
再者，步驟(S2)包含下列子步驟：(S22)於該初始影像中框出一個矩形部份；(S24)於該矩形部份中以縱向及橫向各劃分數條掃描線；(S26)計算各掃描線經過的點，若其灰階值大於一預設閥值則予以累計，當其累計值滿足一特定條件後，則判斷該影像為一手掌影像；以及(S28)若該初始影像與該手掌影像相異，則重新進行步驟(S1)。
步驟(S3)可以包含下列子步驟：(S32)該卷積處理(Convolution)步驟係指賈伯濾波技術步驟(Gabor filtering)或直方圖等化步驟(Histogram Equalization)技術。
此外，於實際應用中，步驟(S4)包含下列子步驟：(S42)在一尺度空間中偵測極值；(S44)篩選一特徵點；(S46)決定該特徵點的方位；以及(S48)建構出該特徵點之描述向量。再者，步驟(S42)對該初始影像進行高斯模糊或高斯差分，藉以偵測該尺度空間中之極值。
另外，本發明可進一步包含步驟(S7)以及步驟(S8)。(S7)判斷該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數是否大於一預設門檻值，若是，則辨識通過。(S8)若該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數未大於一預設門檻值，則辨識不通過。其中，於實際應用中該初始影像係為一手掌靜脈影像。
綜上所述，本發明揭露一種生物特徵辨識方法，特別著重於一種手掌靜脈紋理的生物特徵辨識方法，透過對初始影像進行卷積處理(Convolution)步驟，並利用尺度不變性特徵轉換將擷取的影像轉換為特徵點，再以這些特徵點來計算相似度。要特別說明的是，尺度不變性特徵轉換所得到的特徵點，對於尺度改變與旋轉具有相當的抵抗力，也能抵抗部份的影像照度改變與雜點干擾，以提高該生物特徵辨識之精確程度。關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
本發明之一範疇在於提供一生物特徵辨識方法。請參閱圖一，其繪示根據本發明之一具體實施例之生物特徵辨識方法1之流程圖。
如圖一所示，本發明揭露一種生物特徵辨識方法1，用以根據一資料庫中所預存之一組生物特徵資料進行一預定手掌之特徵辨識，本發明方法1包含有下列步驟：(S1)建構一初始影像；(S2)判斷該初始影像是否為該預定手掌之影像，若是，則進行步驟(S3)；(S3)對該初始影像進行一卷積處理(Convolution)步驟；(S4)利用尺度不變特徵轉換(Scale Invariant Feature Transform,SIFT)步驟以擷取該初始影像上之複數個生物特徵資料；以及(S6)針對該初始影像上之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料進行比對。
其中，步驟(S1)為建構一初始影像。於本具體實施例中，本發明係應用影像拍攝模組例如近紅外線攝影機、濾光片、影像擷取卡及近紅外光光源等配合，藉以建構該初始影像。一般來說，波長介於700nm至1400nm之間的光線係為紅外光，此波段的光線在照射人體時容易被不帶氧的紅血球(即靜脈紅血球)所吸收，因而可以在影像中清晰形成黑色線條。所以，影像拍攝模組即利用近紅外線光源來照射一使用者之手掌，而攝影機則會拍攝自該手掌所反射或穿透之影像來取得靜脈脈絡的資訊，並利用靜脈脈絡來作為辨識特徵。
於本具體實施例中，該初始影像係為一手掌靜脈影像。其中被拍攝之初始影像可由影像擷取卡來擷取。
本發明方法1之步驟(S2)判斷該初始影像是否為該預定手掌之影像，若是，則進行步驟(S3)。再者，步驟(S2)其進一步包含步驟(S22)於該初始影像中框出一個矩形部份；步驟(S24)於該矩形部份中以縱向及橫向各劃分數條掃描線；步驟(S26)計算各掃描線經過的點，若其灰階值大於一預設閥值則予以累計，當其累計值滿足一特定條件後則判斷該影像為一手掌影像。
步驟(S22)在影像拍攝模組拍攝影像後，本發明方法會將該等影像傳送至影像處理模組，而該影像處理模組會判斷該影像之類型是否為一手掌影像，若是，則影像處理模組才會對該影像進行後續處理。若否，當判斷該初始影像與該手掌影像為相異時，則重新進行步驟(S1)。
於實際應用上發現，手掌影像由於反射的關係，其會較一般環境光更為明亮。於本發明之一具體實施例中，為判斷該初始影像是否為該預定手掌之影像，影像處理模組會進行步驟(S22)，藉以於該初始影像中框出一個矩形部份，然後進行步驟(S24)，於該矩形部份中以縱向及橫向各劃分數條掃描線。接著，步驟(S26)影像處理模組會計算各掃描線經過的點，若其灰階值大於一預設閥值則予以累計，且滿足一特定條件後則判斷該影像為一手掌影像。於本具體實施例中，掃描線經過點之灰階預設閥值為75，而該特定條件是指當各像素間大過98%的掃描線像素累計之平均灰階值介於110和150。然而本發明不以該等數據為必要，數據可按實際情況作出調整。
本發明方法1之步驟(S3)係針對該初始影像進行一卷積處理(Convolution)，亦即對該初始影像進行前處理以強化該初始影像之特徵，若該影像處理模組判斷初始影像與該預定手掌之影像相乎，則對該初始影像續行增效處理。於本具體實施例中，增效處理之手段為對其進行卷積處理(Convolution)步驟，而該卷積處理(Convolution)步驟包含賈伯濾波技術步驟(Gabor filtering)或直方圖等化步驟(Histogram Equalization)技術。直方圖等化可用來增加影像的對比度，讓靜脈影像更為清晰。其中，上述之影像處理模組包含Gabor濾波器，其可用來加強手掌影像特徵的紋理，可分別對不同角度的紋理資訊強化，使得手掌可用的特徵更多。
本發明方法1之步驟(S4)係利用尺度不變特徵轉換(SIFT)步驟，藉以擷取該初始影像上之複數個生物特徵資料。尺度不變性特徵轉換(SIFT)步驟係用以將該影像轉換成帶有特徵描述之複數個尺度不變的特徵點。
於本具體實施例中，尺度不變性特徵轉換程序包含以下四個步驟：(S42)在尺度空間中偵測極值；(S44)篩選特徵點；(S46)決定特徵點的方向；以及(S48)建構出特徵點之描述向量。
於本具體實施例中，(S42)為於尺度空間中偵測極值，其中包含子步驟(S422)對該初始影像進行高斯模糊或高斯差分以偵測該尺度空間中之極值。為了使影像在不同的尺度都能獲得穩定的特徵點(Stable Features)，本具體實施例利用了高斯差分(Difference of Gaussian,DoG)與建構尺度空間影像金字塔(Image pyramid)兩種方式，希望能在不同尺度中盡量找到所有可能的極值，在特徵點匹配時達到抵抗尺度變化的效果。
步驟(S44)為篩選特徵點係透過進一步的篩選找到的候選特徵點，以將對比度不佳以及位於邊緣的點刪除。篩選後的特徵點不但數量較少比對更快速，且特徵點更穩定且強健。
步驟(S46)為決定特徵點的方向，本步驟需要計算特徵點的方向步驟(Orientation)與梯度步驟(Gradient)。靠著賦予特徵點方向，在建立特徵點的描述向量時，先將影像轉到與特徵點相同的方位上，相對應的特徵點就會在相同的方位中建立描述向量，讓特徵點達到旋轉不變性(Rotation Invariant)。
請參閱圖二，圖二繪示根據本發明之一具體實施例之描述向量之示意圖。步驟(S48)建構出特徵點之描述向量。於本具體實施例中，本發明方法揭露將影像之梯度步驟(Image Gradients)轉換至關鍵點描述符步驟(Keypoint Descriptor)之過程。為建構特徵點之描述向量，首先需旋轉影像主軸，使其方向和特徵點的主方位相同後，以特徵點為中心取周圍16×16範圍內的像元，加入一個尺度為0.5σ的高斯函數作為權重，將此16×16個點分成16個4×4的子窗格，再依照上一個步驟的方法計算每個子窗格之方向直方圖步驟(Orientation Histogram)。在這步驟每個直方圖有八個區間，以45度為單位，所以每一個特徵點的描述向量共有128個維度。再者，上述之各項參數均可按需求進行修正。
步驟(S6)為針對該初始影像上之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料進行比對。
上述步驟可將影像變成了一群擁有128維度之特徵點的集合。之後，可進行相似度計算，亦即將該複數個尺度不變的特徵點及其所帶之描述向量，與資料庫內的手掌資料進行比對，以辨識該影像提供者之身分。為了有效地比對這些特徵點，儲存於資料庫的手掌資料可建立一個k-d樹(k-dimensional tree)的資料結構，並以BBF(Best-Bin First)演算法加快搜尋速度。
BBF演算法能夠大量地減少搜尋k-d樹的時間。為了更進一步增進效率與減少多餘的比較，對於大量資料的比對，若比對次數超過一指定次數即行終止，即此次無匹配點，以免時間浪費在不必要的比對上，於本具體實施例中，該指定次數設為200次。
請一併參閱圖三及圖四，圖三及圖四繪述本發明之一具體實施例之影像相似度計算流程之示意圖。在特徵點比對完成後，可得到的是兩張影像中特徵點匹配的點集，並非兩張影像的相似度。為了計算相似度，以計算兩點集的距離相似度作為辨識依據。依匹配順序取第一點為基準，並測量此點與其他座標各點之距離：於實際應用上若兩圖有n個匹配點，令圖三之基準點與各點距離為Lt，圖四之基準點與各點距離為Kt，則兩點集之距離相似度(distance similarity)d定義為：
依照距離相似度，便可以在各影像中進行匹配並找出最相似的影像。然而，若兩張影像匹配點過少，會造成相似度與實際結果差異太大的情形。例如比對兩張影像後只有兩個匹配點存在，這時候的距離相似度並不能反映實際的相似度。因此，在找出匹配點之後，匹配點少於5點的影像就不去計算相似度，並將相似度設為0，以增進匹配速度與強化比對結果。
再者，於本具體實施例中，本發明方法1進一步包含步驟(S7)以及步驟(S8)。步驟(S7)判斷該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數是否大於一預設門檻值，若是，則辨識通過。步驟(S8)若該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數未大於一預設門檻值，則辨識不通過。
在本發明生物特徵辨識方法中，一般係以錯誤接受率與錯誤拒絕率來評估生物辨識方法的好壞。錯誤接受率步驟(False Acceptance Rate,FAR)為非合法使用者成功被系統接受的比率；錯誤拒絕率步驟(False Rejection Rate,FRR)則為合法使用者無法成功被系統接受的比率。
於本發明實施例中擷取1000個人的手掌靜脈影像，男性746人與女性254人，每人擷取四張影像，總共4,000張影像。由以上兩表得知，在門檻值為25時，FAR為0且FRR為0.383%所得到的效果最佳。
請參閱表一及表二，表一及表二列示出本發明生物特徵辨識方法之一具體實施例之實驗數據。
再者，每位使用者有4張掌靜脈影像，需要2張影像作為系統資料庫，其餘2張影像經過程式旋轉4個角度分別為(-300、-150、150和300)，可以得到8張經過旋轉的掌靜脈影像，共有四千次正測試集合影像數。任取1位作測試集，其餘499位作為資料集，共有四千次次負測試集合影像數。模擬計算掌靜脈影像遭受旋轉對辨識率與入侵率的影響，如下表二，經實驗後當影像旋轉30度內時仍有94.07%辨識率且0入侵。
請參閱表三，表三為與現有習知技術的比較表。從表三中可明顯的看出本發明於FAR及FRR之表現均優於現存之各種生物特徵辨識技術。
綜上所述，本發明揭露一種生物特徵辨識方法，特別著重於一種手掌靜脈紋理的生物特徵辨識方法，透過對初始影像進行卷積處理(Convolution)步驟，並利用尺度不變性特徵轉換將擷取的影像轉換為特徵點，再以這些特徵點來計算相似度。要特別說明的是，尺度不變性特徵轉換所得到的特徵點，對於尺度改變與旋轉具有相當的抵抗力，也能抵抗部份的影像照度改變與雜點干擾，使得本發明方法能夠有相當好的辨識率。
藉由以上較佳具體實施例之詳述，係希望能更加清楚描述本發明之特徵與精神，而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。
S1~S8．．．流程步驟
1．．．生物特徵辨識方法
圖一繪示根據本發明之一具體實施例之生物特徵辨識方法之流程圖。
圖二繪示根據本發明之一具體實施例之描述向量之示意圖。
圖三及圖四繪述了本發明之一具體實施例之影像相似度計算流程之示意圖。
S1~S8．．．流程步驟
1．．．生物特徵辨識方法

Claims (8)

  1. 一種生物特徵辨識方法，用以根據一資料庫中所預存之一組生物特徵資料進行一預定手掌之特徵辨識，其包含有下列步驟：(S1)建構一初始影像；(S2)判斷該初始影像是否為該預定手掌之影像，若是，則進行步驟(S3)，其中步驟(S2)包含下列子步驟：(S22)於該初始影像中框出一個矩形部份；(S24)於該矩形部份中以縱向及橫向各劃分數條掃描線；以及(S26)計算各掃描線經過的點，若其灰階值大於一預設閥值則予以累計，當其累計值滿足一特定條件後則判斷該影像為一手掌影像；(S3)對該初始影像進行一卷積處理步驟(Convolution)，該卷積處理步驟(Convolution)係指賈伯濾波技術步驟(Gabor filtering)； (S4)利用尺度不變特徵轉換步驟(SIFT)以擷取該初始影像上之複數個生物特徵資料；以及(S6)針對該初始影像上之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料進行比對。
  2. 如申請專利範圍第1項所述之生物特徵辨識方法，其中步驟(S1)包含下列子步驟：(S11)對該預定手掌照射一波長介於700至1400奈米間之光線；以及(S12)自該預定手掌接收該光線並利用該光線建構該初始影像。
  3. 如申請專利範圍第1項所述之生物特徵辨識方法，其中步驟(S2)另包含下列子步驟：(S28)若該初始影像與該手掌影像相異，則重新進行步驟(S1)。
  4. 如申請專利範圍第1項所述之生物特徵辨識方法，其中步驟(S4)包含下列子步驟：(S42)在一尺度空間中偵測極值； (S44)篩選一特徵點；(S46)決定該特徵點的方位；以及(S48)建構出該特徵點之描述向量。
  5. 如申請專利範圍第4項所述之生物特徵辨識方法，其中步驟(S42)包含下列子步驟：(S422)對該初始影像進行高斯模糊或高斯差分以偵測該尺度空間中之極值。
  6. 如申請專利範圍第1項所述之生物特徵辨識方法，其進一步包含下列步驟：(S7)判斷該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數是否大於一預設門檻值，若是，則辨識通過。
  7. 如申請專利範圍第6項所述之生物特徵辨識方法，其中步驟(S7)後，進一步包含下列步驟：(S8)若該初始影像之該複數個生物特徵資料與該預定資料庫所預存之該組生物特徵資料之匹配數未大於一預設門檻值，則辨識不通過。
  8. 如申請專利範圍第1項所述之生物特徵辨識方法，其中該初始影像係為一手掌靜脈影像。
TW099129782A 2010-09-03 2010-09-03 利用手掌靜脈之生物特徵辨識使用者之方法 TWI434220B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW099129782A TWI434220B (zh) 2010-09-03 2010-09-03 利用手掌靜脈之生物特徵辨識使用者之方法
US13/164,250 US20120057763A1 (en) 2010-09-03 2011-06-20 method for recognizing the identity of user by biometrics of palm vein

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW099129782A TWI434220B (zh) 2010-09-03 2010-09-03 利用手掌靜脈之生物特徵辨識使用者之方法

Publications (2)

Publication Number Publication Date
TW201211913A TW201211913A (en) 2012-03-16
TWI434220B true TWI434220B (zh) 2014-04-11

Family

ID=45770755

Family Applications (1)

Application Number Title Priority Date Filing Date
TW099129782A TWI434220B (zh) 2010-09-03 2010-09-03 利用手掌靜脈之生物特徵辨識使用者之方法

Country Status (2)

Country Link
US (1) US20120057763A1 (zh)
TW (1) TWI434220B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2279483B1 (en) 2008-04-25 2019-06-05 Aware, Inc. Biometric identification and verification
US9594968B1 (en) * 2012-09-27 2017-03-14 EMC IP Holding Company LLC Biometric profile creation
US9613282B2 (en) 2012-11-14 2017-04-04 Golan Weiss Biometric methods and systems for enrollment and authentication
WO2014097330A1 (en) 2012-12-20 2014-06-26 Unicredit S.P.A. Biometric recognition method with speed and security feature suitable for pos/atm applications
EP2936460A2 (en) 2012-12-20 2015-10-28 Unicredit S.p.A. Method for biometric recognition with clustering of registered data for pos/atm applications
CN103593660B (zh) * 2013-11-27 2016-08-17 青岛大学 一种稳定特征图像下交叉梯度编码的掌纹识别方法
CN105938528B (zh) * 2016-04-03 2019-03-12 长春工业大学 一种计算机事件的控制系统
TWI571805B (zh) * 2016-04-15 2017-02-21 元智大學 基於雜湊函數的漸進式影像匹配方法與裝置
CN106951874B (zh) * 2017-03-24 2020-03-13 中山大学 一种基于特征点及邻域特征匹配的掌纹认证方法
CN109871779B (zh) * 2019-01-23 2020-11-03 北京细推科技有限公司 掌纹识别的方法及电子设备
CN110516087B (zh) * 2019-04-23 2021-12-07 广州麦仑信息科技有限公司 一种大规模分布式全掌脉络数据的闪速搜索比对方法
CN110738141A (zh) * 2019-09-26 2020-01-31 五邑大学 一种静脉识别的方法、装置、设备及存储介质
CN110675388B (zh) * 2019-09-27 2024-02-02 沈阳派得林科技有限责任公司 一种焊缝图像相似性比较方法
TWI731511B (zh) * 2019-12-12 2021-06-21 國立中興大學 指／掌靜脈辨識處理及其神經網路訓練方法
CN113128378B (zh) * 2021-04-06 2022-07-19 浙江精宏智能科技有限公司 一种指静脉快速识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002092616A (ja) * 2000-09-20 2002-03-29 Hitachi Ltd 個人認証装置

Also Published As

Publication number Publication date
TW201211913A (en) 2012-03-16
US20120057763A1 (en) 2012-03-08

Similar Documents

Publication Publication Date Title
TWI434220B (zh) 利用手掌靜脈之生物特徵辨識使用者之方法
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
Yang et al. Comparative competitive coding for personal identification by using finger vein and finger dorsal texture fusion
Alvarez-Betancourt et al. A keypoints-based feature extraction method for iris recognition under variable image quality conditions
US20080298642A1 (en) Method and apparatus for extraction and matching of biometric detail
CA2671561A1 (en) Method and apparatus for extraction and matching of biometric detail
JP2009523265A (ja) 画像中の虹彩の特徴を抽出する方法
Sagayam et al. Authentication of biometric system using fingerprint recognition with euclidean distance and neural network classifier
Chuang Vein recognition based on minutiae features in the dorsal venous network of the hand
Jalilian et al. Enhanced segmentation-CNN based finger-vein recognition by joint training with automatically generated and manual labels
Uriarte-Antonio et al. Vascular biometrics based on a minutiae extraction approach
Khodadoust et al. Design and implementation of a multibiometric system based on hand’s traits
Barra et al. Unconstrained ear processing: What is possible and what must be done
Kamboj et al. CG-ERNet: a lightweight Curvature Gabor filtering based ear recognition network for data scarce scenario
Mane et al. Novel multiple impression based multimodal fingerprint recognition system
Bindu et al. Kernel-based scale-invariant feature transform and spherical SVM classifier for face recognition
Jose et al. Towards building a better biometric system based on vein patterns in human beings
Dahea et al. An Efficient Feature Selection scheme based on Genetic Algorithm for Finger Vein Recognition
Poonguzhali et al. Iris indexing techniques: A review
Li et al. ORB-based Fingerprint Matching Algorithm for Mobile Devices
Bakshi et al. Postmatch pruning of SIFT pairs for iris recognition
Nguyen et al. LAWNet: A Lightweight Attention-Based Deep Learning Model for Wrist Vein Verification in Smartphones Using RGB Images
Anitha et al. A novel bimodal biometric identification system based on finger geometry and palm print
CN116778538B (zh) 一种基于小波分解的静脉图像识别方法及系统
Cotrim et al. Multiscale Approach in Deep Convolutional Networks for Minutia Extraction from Contactless Fingerprint Images

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees