CN102254165B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN102254165B CN102254165B CN2011102311976A CN201110231197A CN102254165B CN 102254165 B CN102254165 B CN 102254165B CN 2011102311976 A CN2011102311976 A CN 2011102311976A CN 201110231197 A CN201110231197 A CN 201110231197A CN 102254165 B CN102254165 B CN 102254165B
- Authority
- CN
- China
- Prior art keywords
- centerdot
- texture
- coding
- prime
- feature
- 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.)
- Expired - Fee Related
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010606 normalization Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出的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,属于计算机视觉中的智能监控技术领域,包括步骤一、图像采集和图像预处理;步骤二、提取结构编码特征;步骤三、提取手背静脉纹理编码特征;步骤四、结构编码特征与纹理编码特征进行融合;步骤五、通过分类器识别,得到结果。本发明提出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,对提取的结构特征和纹理特征进行了二值化编码,有利于特征融合中信息的保留;融合特征所得到的结果远远优于仅使用结构编码特征的识别结果和使用纹理编码特征的识别结果,对图像畸变及误分割的鲁棒性很高,可以在存在一定图像畸变以及误分割的情况下正确识别手背静脉。
Description
技术领域
本发明涉及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,属于计算机视觉中的智能监控技术领域,特别涉及生物特征识别技术领域。
背景技术
生物特征识别是基于计算机***进行身份识别的重要技术。相对于传统的认证方法如密码、磁卡等,具有不会遗忘、不易伪造或被盗,随身“携带”和随时随地可用等优点,更具安全、保密和方便性,渐渐得到政府、军队、银行等方面的广泛应用。目前常见的生物特征识别方法有人脸、指纹、手形、脚形、耳形、牙齿、虹膜、声音、笔迹、步态等。其中人脸、指纹等已开展多年,而静脉图像识别是近年来得到重视的一项新技术。静脉图像识别主要基于手掌,手指或手背,其中,基于手背静脉的身份识别有如下特点:
1.所有的人手背静脉都不同,即使双胞胎的手背静脉亦不同。
2.手背静脉随年龄的增长不会有大的变化,除风湿类疾病等极少数情况外,它具有永久性。
3.手背静脉不可仿造,难以通过手术改变。
4.手背静脉识别不具侵犯性,使测试者最大限度的感觉舒适方便,不产生抵触情绪,而且对于湿度、汗水、污物、笔痕和小损伤方面的鲁棒性优于其他生物识别***。
5.设备成本可以降低,采集方式为非接触式,采集过程也简单快捷。
总之,手背静脉识别满足了一种优秀的生物特征识别方法所应具备的各种要求。这些要求包括鲁棒性,唯一性,采集方便性,侵犯性和有效性。同时,手背静脉识别有其特殊优点。它没有虹膜识别的侵犯性,没有指纹识别和掌纹识别对手表面洁净度的要求,又不会像人脸、笔迹、声音、步态识别受各个方面干扰大。其本身的识别率非常稳定,据相关报道,其出错率仅为百万分之一。手背静脉识别的成本也是优势之一,不需要昂贵的采集设备,利用常见器件即可采集可用的图像。
目前手背静脉识别方法主要有两大类:基于结构特征的识别方法和基于纹理特征的识别方法。
1、基于结构特征的手背静脉识别方法:
基于结构特征的手背静脉识别方法在经过分割、细化后的手背静脉图像中检测端点及交叉点,利用这些关键点的数量、坐标、相对位置等信息作为特征进行识别。
2、基于纹理特征的识别方法:
基于纹理特征的手背静脉识别方法是指在灰度图像上通过纹理描述算子提取静脉特征进行识别。
但是基于结构特征的手背静脉识别方法总是存在对图像畸变以及误分割的鲁棒性不高的问题,而基于纹理特征的手背静脉识别方法对于图像分辨率变化以及光照变化鲁棒性不高。
发明内容
针对现有技术中存在的问题,本发明提出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,提高手背静脉识别***的识别率。
为了达到上述目的,本发明的技术解决方案提供了一套手背静脉识别的方法,由图像采集和图像预处理、二值图像下结构编码特征提取、灰度图像下纹理编码特征提取、特征融合以及分类器识别组成。图像采集指手背图像获取。图像预处理指手背静脉区域的提取、对比度约束的直方图均衡以及边缘保留的高斯滤波。二值图像下结构编码特征提取包括对手背静脉区域的分割、细化、特征点的检测、结构特征的提取及二值化编码。灰度图像下纹理编码特征提取是指将手背静脉图像归一化到M*M像素尺寸,将其等分成N子块,对每个子块提取旋转不变一致性模式的LBP特征,将其连接起来形成1×10N维的纹理特征向量并进行二值化编码。特征融合是指对于提取的结构编码特征和纹理编码特征使用按位异或的方法进行融合。分类器识别是指使用最近邻分类器对融合特征进行识别,得到识别结果。
本发明提出的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,包括以下几个步骤:
步骤一:图像采集和图像预处理;
使用图像采集设备采集手背静脉图像,使用质心自适应方法提取手背静脉图像上的手背区域,并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法,完成对提取的手背区域的手背静脉图像的预处理,得到预处理的手背区域图像。
步骤二:提取结构编码特征;
(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化,得到二值图像;
(2)在二值图像上进行形态学滤波和细化,得到骨架化的手背静脉图像;
(3)从骨架化的手背静脉图像上,采用领域信息的方法提取得到M个交叉点Ci(xci,yci)及K个端点Ej(xej,yej),其中(xci,yci),(xej,yej)分别表示交叉点Ci以及端点Ej的直角坐标;以图像中心O为原点建立极坐标系,得到交叉点及端点的极坐标信息分别为Ci(rci,θci)、Ej(rej,θej),其中(rci,θci),(rej,θej)分别表示交叉点Ci以及端点Ej的极坐标,对这M+K个关键点按θ进行排序,得到点集P:
P=[C1,C2,…,CM,E1,E2,…,EK](θci-1≤θci≤θci+1;θej-1≤θej≤θej+1)
=[p1,p2,…,pM+K](pi(ri,θi))
其中C1,C2,…,CM表示第1至M个交叉点,E1,E2,…,EK表示第1至K个端点,θci、θej分别表示交叉点Ci以及端点Ej的极坐标中的极角,p1,p2,…,pM+K表示排序后的M+K个交叉点及端点;pi(ri,θi)中,(ri,θi)表示关键点pi的极坐标;
并计算点积P中任意两点pu、pv之间的距离:
其中(ru,θu),(rv,θv)分别表示关键点pu、pv的极坐标;
将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接,形成结构特征向量S:
(4)对得到的结构特征 进行二值化编码:
设定阈值T=αMS,其中α表示阈值系数;对结构特征向量S进行二值化编码,得到编码后的结构特征向量VS:
步骤三:提取手背静脉纹理编码特征;
从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征;
(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸;
(2)将归一化后的手背区域平均分成N个子块,从每个子块中分别提取旋转不变一致性模式的LBP特征H1,H2,...,HN,再将所有子块提取的LBP特征按照下式连接起来,形成1×NH(NH=10N)维的纹理特征向量H:
其中H1 H2…HN表示N个子块的旋转不变一致性模式的LBP特征;h1 h2…表示纹理特征H的元素;
(3)对纹理特征向量H进行二值化编码:
查找特征向量H中所有元素的最大值MH:
设定阈值T′=αMH,α表示阈值系数;
对纹理特征向量 进行二值化编码,得到编码后的纹理特征向量
步骤四:结构编码特征与纹理编码特征进行融合;
(1)将二值化编码后的结构特征向量VS的维数NS和二值化编码后的纹理编码特征VH的维数NH进行归一化,归一化后特征维数NF为
NF=NH
NF是归一化后特征维数,与二值化编码后的纹理编码特征的维数NH相同;如果二值化编码后的结构特征向量VS的维数NS小于归一化后特征维数NF,在二值化编码后的结构特征向量VS后面补充NF-NS个0;如果二值化编码后的结构特征向量VS的维数大于等于归一化特征维数NF,则截取VS的前NF个维特征,得到归一化后的结构编码特征V′S和纹理编码特征V′H分别为:
(2)对归一化后的结构编码特征V′S和纹理编码特征V′H进行按位异或,得到融合特征V:
步骤五:通过分类器识别,得到结果;
(2)计算测试样本融合特征 与训练样本的融合特征 的距离Dis:
(3)使用最近邻分类器进行分类,得到识别结果:
设训练样本共有L类,其融合特征为 (t=1,2,…,L);对于测试样本A,其融合特征为 计算测试样本A的融合特征VA与训练样本的融合特征V′t(t=1,2,…,L)之间的距离Dist(t=1,2,…,L):
测试样本A融合特征VA与第t*类测试样本的融合特征距离最小,则测试样本A被识别为第t*类。
本发明的优点在于:
(1)本发明提出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,对提取的结构特征和纹理特征进行了二值化编码,有利于特征融合中信息的保留。
(2)本发明提出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,融合特征所得到的结果远远优于仅使用结构编码特征的识别结果,对图像畸变及误分割的鲁棒性很高,可以在存在一定图像畸变以及误分割的情况下正确识别手背静脉;
(3)本发明提出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,融合特征所得到的结果的识别率远远优于仅使用纹理编码特征的识别结果。
附图说明
图1:本发明提出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的流程图;
图2:本发明中采集的手背静脉图像;
图3:本发明中提取手背区域的手背静脉区域;
图4:本发明中提取纹理特征时对手背静脉的分块示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出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,如图1所示,包括以下几个步骤:
步骤一:图像采集和图像预处理;
使用图像采集设备采集手背静脉图像,如图2所示,使用质心自适应方法提取手背静脉图像上的手背区域,并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法,完成对提取的手背区域的手背静脉图像的预处理,得到预处理的手背区域图像,如图3所示;
所述的质心自适应方法具体为:按照下式计算手背静脉图像的质心O(x0,y0):
mi表示坐标为(xi,yi)的像素的灰度值,以图像质心O(x0,y0)为中心,提取380×380像素的矩形区域作为手背区域。
步骤二:提取结构编码特征;
(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化,得到二值图像;
(2)在二值图像上进行形态学滤波和细化,得到骨架化的手背静脉图像。
(3)从骨架化的手背静脉图像上,采用领域信息的方法提取得到M个交叉点Ci(xci,yci)及K个端点Ej(xej,yej),其中(xci,yci),(xej,yej)分别表示交叉点Ci以及端点Ej的直角坐标;以图像中心O为原点建立极坐标系,得到交叉点及端点的极坐标信息分别为Ci(rci,θci)、Ej(rej,θej),其中(rci,θci),(rej,θej)分别表示交叉点Ci以及端点Ej的极坐标,对这M+K个关键点按θ进行排序,得到点集P:
P=[C1,C2,…,CM,E1,E2,…,EK](θci-1≤θci≤θci+1;θej-1≤θej≤θej+1)
=[p1,p2,…,pM+K](pi(ri,θi))
其中C1,C2,…,CM表示第1至M个交叉点,E1,E2,…,EK表示第1至K个端点,θci、θej分别表示交叉点Ci以及端点Ej的极坐标中的极角,p1,p2,…,pM+K表示排序后的M+K个交叉点及端点。pi(ri,θi)中,(ri,θi)表示关键点pi的极坐标。
并计算点积P中任意两点pu、pv之间的距离:
(ru,θu),(rv,θv)分别表示关键点pu,pv的极坐标。
将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接,形成结构特征向量S:
(4)对得到的结构特征 进行二值化编码:
查找结构特征向量S中所有元素的最大值MS:
设定阈值T=αMS(0.3<α<0.6),其中α表示阈值系数。
对结构特征向量S进行二值化编码,得到编码后的结构特征向量VS:
步骤三:提取手背静脉纹理编码特征;
从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征;
(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸(128≤B≤256);
(2)将归一化后的手背区域平均分成N个子块(32≤N≤64),如图4所示,从每个子块中分别提取旋转不变一致性模式的LBP特征H1,H2,...,HN,再将所有子块提取的LBP特征按照下式连接起来,形成1×NH(NH=10N)维的纹理特征向量H:
(3)对纹理特征向量H进行二值化编码:
查找特征向量H中所有元素的最大值MH:
设定阈值T′=αMH(0.3<α<0.6),α表示阈值系数
对纹理特征向量 进行二值化编码,得到编码后的纹理特征向量
步骤四:结构编码特征与纹理编码特征进行融合;
(1)将二值化编码后的结构特征向量VS的维数NS和二值化编码后的纹理编码特征VH的维数NH进行归一化,归一化后特征维数NF为
NF=NH
NF是归一化后特征维数,与二值化编码后的纹理编码特征的维数NH相同,因为二值化编码后的纹理编码特征的维数是确定的,而二值化编码后的结构编码特征的维数与检测到的关键点数目有关,不是一个确定值。如果二值化编码后的结构特征向量VS的维数NS小于归一化后特征维数NF,即NS<NF,在二值化编码后的结构特征向量VS后面补充NF-NS个0;如果二值化编码后的结构特征向量VS的维数大于等于归一化特征维数NF,即NS≥NF,则截取VS的前NF个维特征,得到归一化后的结构编码特征V′S和纹理编码特征V′H分别为:(其中归一化后的二值化编码后的纹理编码特征VH是没有变化,还是NH维,V′H=VH)
(2)对归一化后的结构编码特征V′S和纹理编码特征V′H进行按位异或,得到融合特征V:
步骤五:通过分类器识别,得到结果;
(1)使用步骤一至步骤四的方法提取测试样本融合特征 与训练样本的融合特征
(2)计算测试样本融合特征 与训练样本的融合特征 的距离Dis:
(3)使用最近邻分类器进行分类,得到识别结果:
设训练样本共有L类,其融合特征为 (t=1,2,…,L)。对于测试样本A,其融合特征为 利用(2)中的方法计算测试样本A的融合特征VA与训练样本的融合特征V′t(t=1,2,…,L)之间的距离Dist(t=1,2,…,L):
既测试样本A融合特征VA与第t*类测试样本的融合特征距离最小,则测试样本A被识别为第t*类。
利用本发明提出的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,与单独使用结构编码特征进行识别和单独使用纹理编码特征进行识别相比,本发明的方法在自建数据库上进行测试,数据库共有102人,其中男50人,女52人,每人左右手各采集10张图片,共2040张图片,因为左右手不同,可以认为是204类手背图像。使用每一类手背图像中的5张作为训练样本,剩余的5张作为测试样本,得到表1中的结果,可以看出应用本发明等提出的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的识别率明显提高。
表1:应用本发明的手背静脉识别方法的识别率
Claims (5)
1.一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,其特征在于:包括以下几个步骤:
步骤一:图像采集和图像预处理;
通过图像采集设备采集手背静脉图像,采用质心自适应方法提取手背静脉图像上的手背区域,并采用对比度约束的局部直方图均衡方法和边缘保留的高斯滤波方法,完成对提取的手背区域的手背静脉图像的预处理,得到预处理的手背区域图像;
步骤二:提取结构编码特征;
(1)对从步骤一中得到的预处理的手背区域图像使用梯度增强的图像分割算法进行二值化,得到二值图像;
(2)在二值图像上进行形态学滤波和细化,得到骨架化的手背静脉图像;
(3)从骨架化的手背静脉图像上,采用领域信息的方法提取得到M个交叉点Ci(xci,yci)及K个端点Ej(xej,yej),其中(xci,yci),(xej,yej)分别表示交叉点Ci以及端点Ej的直角坐标;以图像中心O为原点建立极坐标系,得到交叉点及端点的极坐标信息分别为Ci(rci,θci)、Ej(rej,θej),其中(rci,θci),(rej,θej)分别表示交叉点Ci以及端点Ej的极坐标,对这M+K个关键点按θ进行排序,得到点集P:
P=[C1,C2,…,CM,E1,E2,…,EK]θci-1≤θci≤θci+1;θej-1≤θej≤θej+1;
=[p1,p2,…,pM+K]pi(ri,θi)
其中C1,C2,…,CM表示第1至M个交叉点,E1,E2,…,EK表示第1至K个端点,θci、θej分别表示交叉点Ci以及端点Ej的极坐标中的极角,p1,p2,…,pM+K表示排序后的M+K个交叉点及端点;pi(ri,θi)中,(ri,θi)表示关键点pi的极坐标;
获取点集P中任意两点pu、pv之间的距离:
其中(ru,θu),(rv,θv)分别表示关键点pu、pv的极坐标;
将所有交叉点及端点的极坐标信息及任意两点之间距离按下式连接,形成结构特征向量S:
(4)对得到的结构特征 进行二值化编码:查找结构特征向量S中所有元素的最大值MS,i=1,2,...,NS;
设定阈值T=αMS,其中α表示阈值系数;对结构特征向量S进行二值化编码,得到编码后的结构特征向量VS:
步骤三:提取手背静脉纹理编码特征;
从步骤一中得到的手背区域预处理结果中提取手背静脉纹理编码特征;
(1)将从步骤一中得到的预处理后的手背区域图像归一化到B*B像素尺寸;
(2)将归一化后的手背区域平均分成N个子块,从每个子块中分别提取旋转不变一致性模式的LBP特征H1,H2,...,HN,再将所有子块提取的LBP特征按照下式连接起来,形成1×NH,NH=10N,维的纹理特征向量H:
(3)对纹理特征向量H进行二值化编码:
查找特征向量H中所有元素的最大值MH:
设定阈值T′=αMH,α表示阈值系数;
步骤四:结构编码特征与纹理编码特征进行融合;
(1)将二值化编码后的结构特征向量VS的维数NS和二值化编码后的纹理编码特征VH的维数NH进行归一化,归一化后特征维数NF为
NF=NH
NF是归一化后特征维数,与二值化编码后的纹理编码特征的维数NH相同;如果二值化编码后的结构特征向量VS的维数NS小于归一化后特征维数NF,在二值化编码后的结构特征向量VS后面补充NF-NS个0;如果二值化编码后的结构特征向量VS的维数大于等于归一化特征维数NF,则截取VS的前NF个维特征,得到归一化后的结构编码特征V′S和纹理编码特征V′H分别为:
(2)对归一化后的结构编码特征V′S和纹理编码特征V′H进行按位异或,得到融合特征V:
为异或运算,
步骤五:通过分类器识别,得到结果;
(2)获取测试样本融合特征与训练样本的融合特征 的距离Dis:
(3)使用最近邻分类器进行分类,得到识别结果:
测试样本A融合特征VA与第t*类测试样本的融合特征距离最小,则测试样本A被识别为第t*类。
3.根据权利要求1所述的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,其特征在于:所述的步骤二(4)和步骤三(3)中的阈值系数α满足0.3<α<0.6。
4.根据权利要求1所述的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,其特征在于:所述的步骤三(1)中的像素尺寸B*B满足128≤B≤256。
5.根据权利要求1所述的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,其特征在于:所述的步骤三(2)中的归一化后的手背区域平均分成N个子块中N满足32≤N≤64。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102311976A CN102254165B (zh) | 2011-08-12 | 2011-08-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102311976A CN102254165B (zh) | 2011-08-12 | 2011-08-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102254165A CN102254165A (zh) | 2011-11-23 |
CN102254165B true CN102254165B (zh) | 2012-11-14 |
Family
ID=44981419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102311976A Expired - Fee Related CN102254165B (zh) | 2011-08-12 | 2011-08-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254165B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663400B (zh) * | 2012-04-16 | 2014-06-04 | 北京博研新创数码科技有限公司 | 一种结合预处理的lbp特征提取方法 |
CN103235929B (zh) * | 2013-03-11 | 2015-04-22 | 北京航空航天大学 | 基于手背静脉图像的身份识别方法和装置 |
CN103440646B (zh) * | 2013-08-19 | 2016-08-10 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
CN103679136B (zh) * | 2013-10-24 | 2017-12-05 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
CN103839051B (zh) * | 2014-03-05 | 2017-07-21 | 华侨大学 | 基于2dpca和分区lbp的单样本静脉识别的方法 |
CN104156717A (zh) * | 2014-08-31 | 2014-11-19 | 王好贤 | 基于图像处理技术的驾驶员驾车打电话违章识别方法 |
CN104504370A (zh) * | 2014-12-15 | 2015-04-08 | 广东智冠信息技术股份有限公司 | 一种结合仿生纹理特征和线状纹理特征的手指静脉识别方法 |
CN105046205B (zh) * | 2015-06-24 | 2019-02-01 | 西安理工大学 | 一种基于局部和全局特征融合的掌纹识别方法 |
CN106921893A (zh) * | 2015-12-25 | 2017-07-04 | 苏州工业园区洛加大先进技术研究院 | 一种基于年龄段的广告推送方法 |
CN106127151B (zh) * | 2016-06-23 | 2019-04-19 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
CN108664859A (zh) * | 2017-03-31 | 2018-10-16 | 上海云从企业发展有限公司 | 指静脉识别方法及*** |
CN108304857A (zh) * | 2017-12-15 | 2018-07-20 | 浙江大学 | 一种基于多模感知的身份识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4809155B2 (ja) * | 2006-08-02 | 2011-11-09 | 株式会社 テクスピアー | 手の甲認証システム及び手の甲認証方法 |
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN101561870B (zh) * | 2009-04-10 | 2011-05-18 | 北方工业大学 | 手背静脉采集***及其方法 |
CN101627913B (zh) * | 2009-08-18 | 2011-06-08 | 清华大学深圳研究生院 | 一种身份信息识别方法及其*** |
-
2011
- 2011-08-12 CN CN2011102311976A patent/CN102254165B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102254165A (zh) | 2011-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254165B (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 | |
Fei et al. | Feature extraction methods for palmprint recognition: A survey and evaluation | |
CN101246543B (zh) | 基于仿生与生物特征识别的考试者身份鉴定方法 | |
CN100412883C (zh) | 指纹识别方法与*** | |
CN102521575B (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
Zhao et al. | Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction | |
CN105631272B (zh) | 一种多重保险的身份认证方法 | |
Chen et al. | Iris recognition based on bidimensional empirical mode decomposition and fractal dimension | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
CN103679118A (zh) | 一种人脸活体检测方法及*** | |
CN103679136B (zh) | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 | |
CN101093538A (zh) | 一种基于小波变换过零表示的虹膜识别方法 | |
CN103268497A (zh) | 一种人脸姿态检测方法与在人脸识别中的应用 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
CN101794374A (zh) | 利用指关节纹识别个人身份的方法和*** | |
Prakash et al. | Ear biometrics in 2D and 3D: localization and recognition | |
Naderi et al. | Fusing iris, palmprint and fingerprint in a multi-biometric recognition system | |
CN102542243A (zh) | 一种基于lbp图像和分块编码的虹膜特征提取方法 | |
CN105046205A (zh) | 一种基于局部和全局特征融合的掌纹识别方法 | |
CN102629320A (zh) | 基于特征层定序测量统计描述的人脸识别方法 | |
Krishneswari et al. | A review on palm print verification system | |
Tahmasebi et al. | Robust intra-class distance-based approach for multimodal biometric game theory-based rank-level fusion of ear, palmprint and signature | |
CN104820828A (zh) | 一种基于双内指节纹多方向混合特征的身份认证方法 | |
Shin et al. | Detecting fingerprint minutiae by run length encoding scheme | |
Akulwar et al. | Secured multi modal biometric system: a review |
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: 20121114 Termination date: 20150812 |
|
EXPY | Termination of patent right or utility model |