CN102379701B - 生物特征辨识方法 - Google Patents
生物特征辨识方法 Download PDFInfo
- Publication number
- CN102379701B CN102379701B CN2010102714544A CN201010271454A CN102379701B CN 102379701 B CN102379701 B CN 102379701B CN 2010102714544 A CN2010102714544 A CN 2010102714544A CN 201010271454 A CN201010271454 A CN 201010271454A CN 102379701 B CN102379701 B CN 102379701B
- Authority
- CN
- China
- Prior art keywords
- biological characteristic
- initial image
- image
- identification method
- palm
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明揭露一种生物特征辨识方法,用以根据一资料库中所预存的一组生物特征资料进行一预定手掌的特征辨识,其包含有下列步骤:(S1)建构一初始影像;(S2)判断该初始影像是否为该预定手掌的影像,若是,则进行步骤(S3);(S3)对该初始影像进行一卷积处理步骤;(S4)利用尺度不变特征转换步骤以撷取该初始影像上的多个生物特征资料;以及(S6)针对该初始影像上的该多个生物特征资料与该预定资料库所预存的该组生物特征资料进行比对。
Description
技术领域
本发明关于一种生物特征辨识方法,特别是一种利用手掌静脉的生物特征辨识使用者的方法。
背景技术
生物特征(Biometrics)辨识在当前社会扮演着越来越重要的角色。从提款机、门禁***、笔记型电脑以至于随身碟,都可以见到生物特征辨识技术的应用。
在生物辨识技术的领域中,掌静脉辨识技术是一个新兴的研究重点。掌静脉有着较指纹或掌纹更丰富的资讯,能得到良好的辨识率,其辨识率相若于使用虹膜技术的生物辨识***,加上其无法被仿造的优势,渐渐成为生物辨识领域瞩目的焦点。尤其以成长幅度来看,可以期待掌静脉辨识技术将取得与其他生物辨识技术分庭抗礼的局面。可惜的是,目前有关掌静脉相关的研究开发十分稀少。
现有的指、掌静脉辨识研究大多先做静脉影像撷取,经影像前处理后选取需要的区域影像(ROI),实行二值化与细线化后,找出细线化影像的端点与交叉点作为特征点。上述方法对实作即时辨识***而言,环境的变化过于敏感,手部稍有移动即会产生差异极大的结果,并不适合实际应用。
因此,如何设计出一种具有良好辨识结果的生物辨识***,藉以提供需要稳定且足够的生物辨识特征点,实乃当前刻不容缓的重要课题。
有鉴于习知掌静脉辨识方法在实际应用时,无法提供稳定且足够的特征点,因此本发明揭露一种具有良好辨识结果的生物辨识方法,藉以提高生物辨识方法的效能。
发明内容
有鉴于此,本发明的目的在于提供一种生物特征辨识方法,籍由其独特的分析辨识方法,从而提高身分辨识***的效能。
为实现上述目的,本发明公开了一种生物特征辨识方法,用以根据一资料库中所预存的一组生物特征资料进行一预定手掌的特征辨识,其包含有下列步骤:
(S1)建构一初始影像;
(S2)判断该初始影像是否为该预定手掌的影像,若是,则进行步骤(S3);
(S3)对该初始影像进行一卷积处理步骤;
(S4)利用尺度不变特征转换步骤以撷取该初始影像上的多个生物特征资料;以及
(S6)针对该初始影像上的该多个生物特征资料与该预定资料库所预存的该组生物特征资料进行比对。
其中,步骤(S1)包含下列子步骤:
(S11)对该预定手掌照射一波长介于700至1400奈米间的光线;以及
(S12)自该预定手掌接收该光线并利用该光线建构该初始影像。
其中,步骤(S2)包含下列子步骤:
(S22)于该初始影像中框出一个矩形部份;
(S24)于该矩形部份中以纵向及横向各划分数条扫描线;以及
(S26)计算各扫描线经过的点,若其灰阶值大于一预设阀值则予以累计,当其累计值满足一特定条件后则判断该影像为一手掌影像。
其中,步骤(S2)另包含下列子步骤:
(S28)若该初始影像与该手掌影像相异,则重新进行步骤(S1)。
其中,步骤(S3)包含下列子步骤:
(S32)该卷积处理步骤指贾伯滤波技术步骤(或直方图等化步骤技术。
其中,步骤(S4)包含下列子步骤:
(S42)在一尺度空间中侦测极值;
(S44)筛选一特征点;
(S46)决定该特征点的方位;以及
(S48)建构出该特征点的描述向量。
其中,步骤(S42)包含下列子步骤:
步骤(S422)对该初始影像进行高斯模糊或高斯差分以侦测该尺度空间中的极值。
其中,进一步包含下列步骤:
步骤(S7)判断该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数是否大于一预设门槛值,若是,则辨识通过。
其中,步骤(S7)后,进一步包含下列步骤:
(S8)若该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数未大于一预设门槛值,则辨识不通过。
其中,该初始影像为一手掌静脉影像。
综上所述,本发明的一种生物特征辨识方法特别着重于一种手掌静脉纹理的生物特征辨识方法,透过对初始影像进行卷积处理(Convolution)步骤,并利用尺度不变性特征转换将撷取的影像转换为特征点,再以这些特征点来计算相似度。要特别说明的是,尺度不变性特征转换所得到的特征点,对于尺度改变与旋转具有相当的抵抗力,也能抵抗部份的影像照度改变与杂点干扰,以提高该生物特征辨识的精确程度。
关于本发明的优点与精神可以藉由以下的发明详述及所附图式得到进一步的了解。
附图说明
图1绘示根据本发明的一具体实施例的生物特征辨识方法的流程图。
图2绘示根据本发明的一具体实施例的描述向量的示意图。
图3及图4绘述了本发明的一具体实施例的影像相似度计算流程的示意图。
具体实施方式
本发明的一范畴在于提供一生物特征辨识方法。请参阅图1,其绘示根据本发明的一具体实施例的生物特征辨识方法1的流程图。
如图1所示,本发明揭露一种生物特征辨识方法1,用以根据一资料库中所预存的一组生物特征资料进行一预定手掌的特征辨识,本发明方法1包含有下列步骤:(S1)建构一初始影像;(S2)判断该初始影像是否为该预定手掌的影像,若是,则进行步骤(S3);(S3)对该初始影像进行一卷积处理(Convolution)步骤;(S4)利用尺度不变特征转换(Scale Invariant Feature Transform,SIFT)步骤以撷取该初始影像上的多个生物特征资料;以及(S6)针对该初始影像上的该多个生物特征资料与该预定资料库所预存的该组生物特征资料进行比对。
其中,步骤(S1)为建构一初始影像。于本具体实施例中,本发明应用影像拍摄模组例如近红外线摄影机、滤光片、影像撷取卡及近红外光光源等配合,藉以建构该初始影像。一般来说,波长介于700nm至1400nm之间的光线为红外光,此波段的光线在照射人体时容易被不带氧的红血球(即静脉红血球)所吸收,因而可以在影像中清晰形成黑色线条。所以,影像拍摄模组即利用近红外线光源来照射一使用者的手掌,而摄影机则会拍摄自该手掌所反射或穿透的影像来取得静脉脉络的资讯,并利用静脉脉络来作为辨识特征。
于本具体实施例中,该初始影像为一手掌静脉影像。其中被拍摄的初始影像可由影像撷取卡来撷取。
本发明方法1的步骤(S2)判断该初始影像是否为该预定手掌的影像,若是,则进行步骤(S3)。再者,步骤(S2)其进一步包含步骤(S22)于该初始影像中框出一个矩形部份;步骤(S24)于该矩形部份中以纵向及横向各划分数条扫描线;步骤(S26)计算各扫描线经过的点,若其灰阶值大于一预设阀值则予以累计,当其累计值满足一特定条件后则判断该影像为一手掌影像。
步骤(S22)在影像拍摄模组拍摄影像后,本发明方法会将该等影像传送至影像处理模组,而该影像处理模组会判断该影像的类型是否为一手掌影像,若是,则影像处理模组才会对该影像进行后续处理。若否,当判断该初始影像与该手掌影像为相异时,则重新进行步骤(S1)。
于实际应用上发现,手掌影像由于反射的关系,其会较一般环境光更为明亮。于本发明的一具体实施例中,为判断该初始影像是否为该预定手掌的影像,影像处理模组会进行步骤(S22),藉以于该初始影像中框出一个矩形部份,然后进行步骤(S24),于该矩形部份中以纵向及横向各划分数条扫描线。接着,步骤(S26)影像处理模组会计算各扫描线经过的点,若其灰阶值大于一预设阀值则予以累计,且满足一特定条件后则判断该影像为一手掌影像。于本具体实施例中,扫描线经过点的灰阶预设阀值为75,而该特定条件是指当各像素间大过98%的扫描线像素累计的平均灰阶值介于110和150。然而本发明不以该等数据为必要,数据可按实际情况作出调整。
本发明方法1的步骤(S3)针对该初始影像进行一卷积处理(Convolution),亦即对该初始影像进行前处理以强化该初始影像的特征,若该影像处理模组判断初始影像与该预定手掌的影像相乎,则对该初始影像续行增效处理。于本具体实施例中,增效处理的手段为对其进行卷积处理(Convolution)步骤,而该卷积处理(Convolution)步骤包含贾伯滤波技术步骤(Gabor filtering)或直方图等化步骤(Histogram Equalization)技术。直方图等化可用来增加影像的对比度,让静脉影像更为清晰。其中,上述的影像处理模组包含Gabor滤波器,其可用来加强手掌影像特征的纹理,可分别对不同角度的纹理资讯强化,使得手掌可用的特征更多。
本发明方法1的步骤(S4)利用尺度不变特征转换(SIFT)步骤,藉以撷取该初始影像上的多个生物特征资料。尺度不变性特征转换(SIFT)步骤用以将该影像转换成带有特征描述的多个尺度不变的特征点。
于本具体实施例中,尺度不变性特征转换程序包含以下四个步骤:(S42)在尺度空间中侦测极值;(S44)筛选特征点;(S46)决定特征点的方向;以及(S48)建构出特征点的描述向量。
于本具体实施例中,(S42)为于尺度空间中侦测极值,其中包含子步骤(S422)对该初始影像进行高斯模糊或高斯差分以侦测该尺度空间中的极值。为了使影像在不同的尺度都能获得稳定的特征点(Stable Features),本具体实施例利用了高斯差分(Difference of Gaussian,DoG)与建构尺度空间影像金字塔(Image pyramid)兩种方式,希望能在不同尺度中尽量找到所有可能的极值,在特征点匹配时达到抵抗尺度变化的效果。
步骤(S44)为筛选特征点透过进一步的筛选找到的候选特征点,以将对比度不佳以及位于边缘的点删除。筛选后的特征点不但数量较少比对更快速,且特征点更稳定且强健。
步骤(S46)为决定特征点的方向,本步骤需要计算特征点的方向步骤(Orientation)与梯度步骤(Gradient)。靠着赋予特征点方向,在建立特征点的描述向量时,先将影像转到与特征点相同的方位上,相对应的特征点就会在相同的方位中建立描述向量,让特征点达到旋转不变性(Rotation Invariant)。
请参阅图2,图2绘示根据本发明的一具体实施例的描述向量的示意图。步骤(S48)建构出特征点的描述向量。于本具体实施例中,本发明方法揭露将影像的梯度步骤(Image Gradients)转换至关键点描述符步骤(Keypoint Descriptor)的过程。为建构特征点的描述向量,首先需旋转影像主轴,使其方向和特征点的主方位相同后,以特征点为中心取周围16×16范围内的像元,加入一个尺度为0.5σ的高斯函數作为权重,将此16×16个点分成16个4×4的子窗格,再依照上一个步骤的方法计算每个子窗格的方向直方图步骤(0rientation Histogram)。在这步骤每个直方图有八个区间,以45度为单位,所以每一个特征点的描述向量共有128个维度。再者,上述的各项参数均可按需求进行修正。
步骤(S6)为针对该初始影像上的该多个生物特征资料与该预定资料库所预存的该组生物特征资料进行比对。
上述步骤可将影像变成了一群拥有128维度的特征点的集合。之后,可进行相似度计算,亦即将该多个尺度不变的特征点及其所带的描述向量,与资料库内的手掌资料进行比对,以辨识该影像提供者的身分。为了有效地比对这些特征点,储存于资料库的手掌资料可建立一个k-d树(k-dimensional tree)的资料结构,并以BBF(Best-Bin First)演算法加快搜寻速度。
BBF演算法能够大量地减少搜寻k-d树的时间。为了更进一步增进效率与减少多余的比较,对于大量资料的比对,若比对次数超过一指定次数即行终止,即此次无匹配点,以免时间浪费在不必要的比对上,于本具体实施例中,该指定次数设为200次。
请一并参阅图3及图4,图3及图4绘述本发明的一具体实施例的影像相似度计算流程的示意图。在特征点比对完成后,可得到的是两张影像中特征点匹配的点集,并非两张影像的相似度。为了计算相似度,以计算两点集的距离相似度作为辨识依据。依匹配顺序取第一点为基准,并测量此点与其他座标各点的距离:
于实际应用上若两图有n个匹配点,令图3的基准点与各点距离为Lt,图4的基准点与各点距离为Kt,则两点集的距离相似度(distance similarity)d定义为:
依照距离相似度,便可以在各影像中进行匹配并找出最相似的影像。然而,若两张影像匹配点过少,会造成相似度与实际结果差异太大的情形。例如比对两张影像后只有两个匹配点存在,这时候的距离相似度并不能反映实际的相似度。因此,在找出匹配点之后,匹配点少于5点的影像就不去计算相似度,并将相似度设为0,以增进匹配速度与强化比对结果。
再者,于本具体实施例中,本发明方法1进一步包含步骤(S7)以及步骤(S8)。步骤(S7)判断该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数是否大于一预设门槛值,若是,则辨识通过。步骤(S8)若该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数未大于一预设门槛值,则辨识不通过。
在本发明生物特征辨识方法中,一般以错误接受率与错误拒绝率来评估生物辨识方法的好坏。错误接受率步骤(False Acceptance Rate,FAR)为非合法使用者成功被***接受的比率;错误拒绝率步骤(False Rejection Rate,FRR)则为合法使用者无法成功被***接受的比率。
于本发明实施例中撷取1000个人的手掌静脉影像,男性746人与女性254人,每人撷取四张影像,总共4,000张影像。由以上两表得知,在门槛值为25时,FAR为0且FRR为0.383%所得到的效果最佳。
请参阅表一及表二,表一及表二列示出本发明生物特征辨识方法的一具体实施例的实验数据。
表一
门槛值d | FAR步骤(%) | FRR步骤(%) |
0 | 100 | 0 |
5 | 6.41 | 0 |
10 | 0.44039 | 0.058 |
15 | 0.02302 | 0.217 |
20 | 0.0011 | 0.267 |
25 | 0 | 0.383 |
30 | 0 | 0.725 |
35 | 0 | 1.191 |
40 | 0 | 1.6 |
45 | 0 | 2.117 |
50 | 0 | 2.75 |
再者,每位使用者有4张掌静脉影像,需要2张影像作为***资料库,其余2张影像经过程式旋转4个角度分别为(-300、-150、150和300),可以得到8张经过旋转的掌静脉影像,共有四千次正测试集合影像数。任取1位作测试集,其余499位作为资料集,共有四千次次负测试集合影像数。模拟计算掌静脉影像遭受旋转对辨识率与入侵率的影响,如下表二,经实验后当影像旋转30度内时仍有94.07%辨识率且0入侵。
表二
影像旋转角度 | 正负15度 | 正负30度 | 全部 |
门槛值d | 25 | 25 | 25 |
正测试次数 | 2000 | 2000 | 4000 |
负测试次数 | 2000 | 2000 | 4000 |
错误拒绝次数 | 101 | 136 | 237 |
入侵数 | 0 | 0 | 0 |
误拒率FRR(%) | 5.05 | 6.8 | 5.93 |
误收率FAR(%) | 0 | 0 | 0 |
请参阅表三,表三为与现有习知技术的比较表。从表三中可明显的看出本发明于FAR及FRR的表现均优于现存的各种生物特征辨识技术。
表三
习知技艺 | 取样数 | FAR | FRR |
Y.Ding,D.Zhung and K.Wang | 48 | 0 | 0.9% |
L.Wang and G.Leedham | 32 | 1.5% | 3.5% |
Ajay Kumar,K.Venkata Prathyusha | 100 | 1.14% | 1.14% |
本发明 | 1000 | 0 | 0.383% |
综上所述,本发明揭露一种生物特征辨识方法,特别着重于一种手掌静脉纹理的生物特征辨识方法,透过对初始影像进行卷积处理(Convolution)步骤,并利用尺度不变性特征转换将撷取的影像转换为特征点,再以这些特征点来计算相似度。要特别说明的是,尺度不变性特征转换所得到的特征点,对于尺度改变与旋转具有相当的抵抗力,也能抵抗部份的影像照度改变与杂点干扰,使得本发明方法能够有相当好的辨识率。
藉由以上较佳具体实施例的详述,希望能更加清楚描述本发明的特征与精神,而并非以上述所揭露的较佳具体实施例来对本发明的范畴加以限制。相反地,其目的是希望能涵盖各种改变及具相等性的安排于本发明所欲申请的专利范围的范畴内。
Claims (1)
1.一种生物特征辨识方法,用以根据一资料库中所预存的一组生物特征资料进行一预定手掌的特征辨识,其包含有下列步骤:
(S1)建构一初始影像;
(S2)判断该初始影像是否为该预定手掌的影像,若是,则进行步骤(S3);
(S3)对该初始影像进行一卷积处理步骤;
(S4)利用尺度不变特征转换步骤以撷取该初始影像上的多个生物特征资料;以及
(S6)针对该初始影像上的该多个生物特征资料与该资料库所预存的该组生物特征资料进行比对;
其中,步骤(S2)包含下列子步骤:
(S22)于该初始影像中框出一个矩形部份;
(S24)于该矩形部份中以纵向及横向各划分数条扫描线;以及
(S26)计算各扫描线经过的点,若其灰阶值大于一预设阀值则予以累计,当其累计值满足一特定条件后则判断该初始影像为一手掌影像。
2. 如权利要求1所述的生物特征辨识方法,其中,步骤(S1)包含下列子步骤:
(S11)对该预定手掌照射一波长介于700至1400纳米间的光线;以及
(S12)自该预定手掌接收该光线并利用该光线建构该初始影像。
3.如权利要求1所述的生物特征辨识方法,其中,步骤(S2)另包含下列子步骤:
(S28)若该初始影像与该手掌影像相异,则重新进行步骤(S1)。
4.如权利要求1所述的生物特征辨识方法,其中,步骤(S3)包含下列子步骤:
(S32)该卷积处理步骤指贾伯滤波技术步骤或直方图化技术步骤。
5.如权利要求1所述的生物特征辨识方法,其中,步骤(S4)包含下列子步骤:
(S42)在一尺度空间中侦测极值;
(S44)筛选一特征点;
(S46)决定该特征点的方位;以及
(S48)建构出该特征点的描述向量。
6.如权利要求5所述的生物特征辨识方法,其中,步骤(S42)包含下列子步骤:
步骤(S422)对该初始影像进行高斯模糊或高斯差分以侦测该尺度空间中的极值。
7.如权利要求1所述的生物特征辨识方法,其中,进一步包含下列步骤:
步骤(S7)判断该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数是否大于一预设门槛值,若是,则辨识通过。
8.如权利要求7所述的生物特征辨识方法,其中,步骤(S7)后,进一步包含下列步骤:
(S8) 若该初始影像的该多个生物特征资料与该预定资料库所预存的该组生物特征资料的匹配数未大于一预设门槛值,则辨识不通过。
9.如权利要求1所述的生物特征辨识方法,其中,该初始影像为一手掌静脉影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102714544A CN102379701B (zh) | 2010-09-03 | 2010-09-03 | 生物特征辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102714544A CN102379701B (zh) | 2010-09-03 | 2010-09-03 | 生物特征辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102379701A CN102379701A (zh) | 2012-03-21 |
CN102379701B true CN102379701B (zh) | 2013-07-24 |
Family
ID=45819830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102714544A Expired - Fee Related CN102379701B (zh) | 2010-09-03 | 2010-09-03 | 生物特征辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102379701B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI695324B (zh) | 2017-02-15 | 2020-06-01 | 宏達國際電子股份有限公司 | 影像處理裝置及其方法 |
TWI622001B (zh) * | 2017-07-24 | 2018-04-21 | 國立高雄第一科技大學 | 指靜脈辨識方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561870A (zh) * | 2009-04-10 | 2009-10-21 | 北方工业大学 | 手背静脉采集***及其方法 |
CN101799862A (zh) * | 2009-02-09 | 2010-08-11 | 侯雨石 | 便携式手背静脉生物特征采集识别设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010070745A1 (ja) * | 2008-12-17 | 2010-06-24 | 富士通株式会社 | 生体認証装置及び生体認証方法 |
-
2010
- 2010-09-03 CN CN2010102714544A patent/CN102379701B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799862A (zh) * | 2009-02-09 | 2010-08-11 | 侯雨石 | 便携式手背静脉生物特征采集识别设备 |
CN101561870A (zh) * | 2009-04-10 | 2009-10-21 | 北方工业大学 | 手背静脉采集***及其方法 |
Non-Patent Citations (1)
Title |
---|
王云新,刘铁根,江俊峰,张忠传,周苏晋.基于局部SIFT分析的手背静脉识别.《光电子.激光》.2009,第20卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN102379701A (zh) | 2012-03-21 |
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 | |
CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
Sarhan et al. | Multimodal biometric systems: a comparative study | |
Pan et al. | Palm vein recognition based on three local invariant feature extraction algorithms | |
US20120045120A1 (en) | Information processing apparatus and information processing method | |
CN104123537A (zh) | 一种基于手形和掌纹识别的快速身份验证方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
Chuang | Vein recognition based on minutiae features in the dorsal venous network of the hand | |
CN103593648A (zh) | 一个面向开放环境的人脸识别方法 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
Agarwal et al. | A utility of pores as level 3 features in latent fingerprint identification | |
Tiwari et al. | A palmprint based recognition system for smartphone | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
Soni et al. | A new vein pattern-based verification system | |
CN104268502A (zh) | 人体静脉图像特征提取后的认识方法 | |
CN102379701B (zh) | 生物特征辨识方法 | |
Huang et al. | FAST and FLANN for feature matching based on SURF | |
CN115795394A (zh) | 层级多模态和高级增量学习的生物特征融合身份识别方法 | |
Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
Naser et al. | Artificial Neural Network-Based Fingerprint Classification and Recognition. | |
Rajput et al. | Iris biometric technique for person authentication based on fusion of radon and 2D multi-wavelet transform | |
Song et al. | Learning discriminative and invariant representation for fingerprint retrieval | |
Anitha et al. | A novel bimodal biometric identification system based on finger geometry and palm print | |
Tian et al. | A practical iris recognition algorithm | |
Srivastava et al. | Palmprint recognition using novel oriented gabor gradients |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130724 |