CN106203322A - 一种基于手背静脉与掌纹融合图像的身份认证***及方法 - Google Patents
一种基于手背静脉与掌纹融合图像的身份认证***及方法 Download PDFInfo
- Publication number
- CN106203322A CN106203322A CN201610529720.6A CN201610529720A CN106203322A CN 106203322 A CN106203322 A CN 106203322A CN 201610529720 A CN201610529720 A CN 201610529720A CN 106203322 A CN106203322 A CN 106203322A
- Authority
- CN
- China
- Prior art keywords
- image
- hand back
- back vein
- palmmprint
- video camera
- 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
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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于手背静脉与掌纹融合图像的身份认证***及方法,属于生物特征识别技术领域。该***由仪器箱体、以及仪器箱体内安装的遮光板、近红外光源、可见光源、红外CCD摄像机、可见光CCD摄像机和定位槽组成。红外CCD摄像机与可见光CCD摄像机分别实时获取被采集者的手背静脉图像和手掌纹图像,获取到的图像经过计算机处理,提取特征,构成手背静脉—掌纹特征对,最后与数据库中储存的手背静脉—掌纹特征对逐个进行特征匹配以实现身份识别。本发明可以同一时间采集手背静脉与手掌纹两种生物特征,使用手背静脉与掌纹融合的方法进行身份识别提高了身份识别***的安全性和准确性,避免了单一生物特征识别的缺点。
Description
【技术领域】
本发明属于生物特征识别技术领域,涉及一种基于手背静脉与掌纹融合图像的身份认证***及方法。
【背景技术】
在信息化社会的今天,个人身份识别和验证已经成为各个信息安全领域的基本要素,其中基于生物特征的识别手段越来越受到关注。与传统的身份验证模式如密码或验证码等方式相比,生物特征识别提供了一种新的身份识别方式,不仅高度安全可靠、难于伪造,而且带来了方便快捷、无须记忆密码或携带身份验证的更好的用户体验。
手背静脉作为一种新型的生物特征识别方式在身份识别领域广受关注。目前,手背静脉识别是身份识别领域的新兴课题,国内外研究手背静脉的相关文献和资料相对较少。与其他生物特征如指纹、人脸特征、虹膜等相比,手背静脉的图像获取过程对用户更加友好,非接触式的验证过程不会使人产生抵触情绪,有着更加方便快捷的用户体验。手背静脉识别方式还有着更高的安全性和稳定性,因为它不依赖于任何物体表面或基于外观的特征,具有广泛的应用前景。人体的另一个重要的生物特征——掌纹,由于识别精度高,成本低,易于实现,在过去的几十年里在生物特征识别领域广泛发展并取得了一些可观的成果。掌纹具有比指纹更加丰富的纹理信息,且有着唯一性和长期不变性。使用手背静脉与掌纹融合的方法进行身份识别可以提高身份识别***的安全性和准确性,避免单一生物特征识别的缺点,这就要求开发出具有多生物特征识别的认证***。因此设计适用的手背静脉和掌纹信息获取方式和设备,用于实时获取高质量的掌纹和手背静脉图像,是这种新型多生物特征识别***的关键技术。
【发明内容】
本发明的目的在于解决上述现有技术中的问题,提供一种基于手背静脉与掌纹融合图像的身份认证***及方法,该***可同时采集手背静脉与手掌纹两种生物特征,增加了采集生物特征的信息量,同时提高了识别的精度,克服单一手背静脉识别或单一掌纹识别的不稳定、信息量小等问题,提高了识别***的安全性、稳定性和实用性。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于手背静脉与掌纹融合图像的身份认证***,包括仪器箱体,以及安装于仪器箱体内的遮光板、近红外光源、可见光源、红外CCD摄像机、可见光CCD摄像机和用于放置人手的定位槽;定位槽安装在仪器箱体竖直方向中央,遮光板中部开设与定位槽尺寸相同的方孔,定位槽嵌入并固定在方孔中;遮光板上方安装近红外光源和红外CCD摄像机,遮光板下方安装有可见光源和可见光CCD摄像机,红外CCD摄像机与可见光CCD摄像机分别实时获取被采集者的手背静脉图像和手掌纹图像;红外CCD摄像机与可见光CCD摄像机分别将手背静脉图像和手掌纹图像经采集卡输入到计算机中进行处理和提取特征,构成手背静脉—掌纹特征对,与数据库中储存的手背静脉—掌纹特征对逐个进行特征匹配以实现身份识别。
本发明进一步的改进在于:
所述遮光板为与仪器箱体截面相同的黑色绒面面板,用于防止周围漏光的溢出,使位于遮光板上方用于手背静脉采集的红外图像拍摄部分与位于遮光板下方用于手掌纹采集的可见光图像拍摄部分二者分离互不干扰。
所述红外CCD摄像机的敏感光谱为0.8μm~1.5μm。
所述近红外光源采用近红外LED,近红外LED安装于仪器箱体中遮光板上方的两侧侧壁上;可见光源安装于仪器箱体中遮光板下方的两侧侧壁上。
所述近红外LED和可见光源的出光口处均设置有散色片。
所述可见光CCD摄像机的镜头前设置可见光滤光片,红外CCD摄像机的镜头前设置红外光滤光片。
本发明还公开了一种基于手背静脉与掌纹融合图像的身份认证方法,包括以下步骤:
1)将被采集者的手放在定位槽中,手心向下,手掌自然张开;
2)带有红外滤光片的红外CCD摄像机和带有可见光滤光片的可见光CCD摄像机分别实时获取被采集者的手背静脉图像和掌纹图像,并将获取到的图像以数字信号的形式经采集卡输入到计算机中;
3)对两幅图像进行预处理;
4)对两幅图像进行特征提取,将所提取的手背静脉特征和掌纹特征组成手背静脉—掌纹特征对;
5)从数据库中选择一对掌纹和手背静脉特征;
6)分别计算掌纹和手背静脉的相似度;
7)将两个相似度加权相加;
8)如若加权相加所得值大于所设阈值则身份识别通过;否则,从数据库中选择下一对掌纹和手背静脉特征,重复步骤5)~7);如果数据库中没有与之匹配的,则识别失败。
本发明进一步的改进在于:
所述步骤3)中,对两幅图像进行预处理的具体方法如下:
3-1)对掌纹图片的预处理
1)ROI提取
2)Gabor滤波
Gabor滤波器的表达式如式(1)所示:
公式(1)中的F为滤波器的中央频率,σ是高斯分布的标准差,i为虚数单位,即
3-2)对手背静脉图片的预处理
1)图像校正:
a.选取水平50像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为A1和A2;
b.选取水平443像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为B1和B2;
c.计算A1与A2所连成的线段F1的中点,记为A;
d.计算B1与B2所连成的线段F2的中点,记为B;
e.连接线段AB,并计算它与过A点的垂线的夹角θ;
f.通过公式(2)得到校正后的图像;
式中:
x0——原始图像中此像素点的横坐标;
y0——原始图像中此像素点的纵坐标;
x——校正图像中此像素点的横坐标;
y——校正图像中此像素点的纵坐标;
2)利用质心法提取ROI区域;
3)3*3中值滤波器去噪;
4)图像归一化:
图像归一化的表达式如式(3)所示:
式中:
I0(x,y)——原图像(x,y)处像素值;
I(x,y)——归一化后图像(x,y)处像素值;
Imin——原图像最小像素值;
Imax——原图像最大像素值;
归一化后的图像在0到255之间。
所述步骤4)中,对两幅图像进行特征提取的具体方法如下:
4-1)利用SIFT算法对掌纹图像进行特征提取,对经过预处理的掌纹图像进行处理得到128维的特征描述符;
4-2)利用结构融合下的LBP分区对经过预处理的手背静脉图片进行特征提取。
所述步骤6)中,计算掌纹和手背静脉的相似度的具体方法如下:
6-1)掌纹相似度的计算:
当经过预处理图像的SIFT特征向量生成以后,计算待测图像的SIFT描述符与样本图像中的SIFT描述符之间的欧几里得距离,比较最近邻距离与次近邻距离,如果距离比率大于某个阈值,那么则判定为一对匹配点;匹配点数目P越多,则相似度越高;
6-2)手背静脉相似度的计算:
在PLBP模式提取后的结果,是一个多维向量,因为维数过高所以选择用最近邻分类器;最近邻分类器是基于局部信息进行预测的一种分类器,对于两张图像,直接用每维向量的欧式距离的差的大小C代表两个图像的相似程度,如公式(4),对于两个图像Ha和Hb,C越大图像差异越大,C越小图像越相似;
C=sum(|Ha-Hb|) (4)
式中:
Ha,Hb——编号a,b的手背经脉图在结构融合后的PLBP下的纹理特征统
计量;
C——编号a,b的手背经脉图的分类依据。
与现有技术相比,本发明具有以下有益的技术效果:
本发明适合于现场环境中使用的基于人体手背静脉血管和手掌纹融合特征的身份识别,可以同一时间采集手背静脉与手掌纹两种生物特征,采集设备简单,采集快速准确。本发明基于手背静脉和手掌纹两种生物特征进行身份识别,信息量大,鲁棒性好,有着更高的抗伪造性和认证准确性。本发明基于手背静脉和手掌纹进行身份识别,降低了对使用环境的要求。
【附图说明】
图1为本发明的整体结构示意图。
图2为手背静脉与掌纹融合识别的基本流程图。
其中1—定位槽,2—遮光板,3—近红外光源,4—红外CCD摄像机,5—散色片,6—红外滤光片,7—可见光CCD摄像机,8—可见光源,9—可见光滤光片。
【具体实施方式】
下面结合附图对本发明做进一步详细描述:
参见图1,本发明基于手背静脉与手掌纹融合的身份认证***由仪器箱体、以及仪器箱体内安装的遮光板2、近红外光源3、可见光源8、红外CCD摄像机4、可见光CCD摄像机7和定位槽1组成。
定位槽1安装在仪器箱体竖直方向中央,遮光板2中部开设与定位槽1尺寸相同的方孔,定位槽1嵌入并固定在方孔中;遮光板2上方安装近红外光源3和红外CCD摄像机4,红外CCD摄像机4的敏感光谱为0.8μm~1.5μm;遮光板2下方安装有可见光源8和可见光CCD摄像机7;遮光板2为与仪器箱体截面相同的黑色绒面面板,用于防止周围漏光的溢出,使位于遮光板2上方用于手背静脉采集的红外图像拍摄部分与位于遮光板下方用于手掌纹采集的可见光图像拍摄部分二者分离互不干扰。近红外光源3采用近红外LED,近红外LED安装于仪器箱体中遮光板2上方的两侧侧壁上;可见光源8安装于仪器箱体中遮光板2下方的两侧侧壁上,近红外LED和可见光源8的出光口处均设置有散色片5;可见光CCD摄像机7的镜头前设置可见光滤光片9,红外CCD摄像机4的镜头前设置红外光滤光片6。
红外CCD摄像机4与可见光CCD摄像机7分别实时获取被采集者的手背静脉图像和手掌纹图像,获取到的图像作为数字信号传送到计算机中,运用相关图像处理软件对两幅图像分别进行预处理,经过计算机处理和提取特征,构成手背静脉-掌纹特征对,将提取到的特征对与数据库中存储的每个特征对依次进行对比识别做出判断,分别计算手背静脉相似度与掌纹相似度,并将它们加权相加,将得到的值与设定识别阈值进行比较,得出最终的身份认证识别结果,实现身份识别。
本发明基于手背静脉与掌纹融合图像的身份认证方法,包括以下步骤:
1)将被采集者的手放在定位槽中,手心向下,手掌自然张开;
2)带有红外滤光片的红外CCD摄像机和带有可见光滤光片的可见光CCD摄像机分别实时获取被采集者的手背静脉图像和掌纹图像,并将获取到的图像以数字信号的形式经采集卡输入到计算机中;
3)对两幅图像进行预处理,具体方法如下:
3-1)对掌纹图片的预处理
1)ROI提取
2)Gabor滤波
Gabor滤波器的表达式如式(1)所示:
公式(1)中的F为滤波器的中央频率,σ是高斯分布的标准差,i为虚数单位,即
3-2)对手背静脉图片的预处理
1)图像校正:
a.选取水平50像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为A1和A2;
b.选取水平443像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为B1和B2;
c.计算A1与A2所连成的线段F1的中点,记为A;
d.计算B1与B2所连成的线段F2的中点,记为B;
e.连接线段AB,并计算它与过A点的垂线的夹角θ;
f.通过公式(2)得到校正后的图像;
式中:
x0——原始图像中此像素点的横坐标;
y0——原始图像中此像素点的纵坐标;
x——校正图像中此像素点的横坐标;
y——校正图像中此像素点的纵坐标;
2)利用质心法提取ROI区域;
3)3*3中值滤波器去噪;
4)图像归一化:
图像归一化的表达式如式(3)所示:
式中:
I0(x,y)——原图像(x,y)处像素值;
I(x,y)——归一化后图像(x,y)处像素值;
Imin——原图像最小像素值;
Imax——原图像最大像素值;
归一化后的图像在0到255之间。
4)对两幅图像进行特征提取,将所提取的手背静脉特征和掌纹特征组成手背静脉—掌纹特征对;特征提取的具体方法如下:
4-1)利用SIFT算法对掌纹图像进行特征提取,对经过预处理的掌纹图像进行处理得到128维的特征描述符;
4-2)利用结构融合下的LBP分区对经过预处理的手背静脉图片进行特征提取。
5)从数据库中选择一对掌纹和手背静脉特征;
6)分别计算掌纹和手背静脉的相似度,具体方法如下:
6-1)掌纹相似度的计算:
当经过预处理图像的SIFT特征向量生成以后,计算待测图像的SIFT描述符与样本图像中的SIFT描述符之间的欧几里得距离,比较最近邻距离与次近邻距离,如果距离比率大于某个阈值,那么则判定为一对匹配点;匹配点数目P越多,则相似度越高;
6-2)手背静脉相似度的计算:
在PLBP模式提取后的结果,是一个多维向量,因为维数过高所以选择用最近邻分类器;最近邻分类器是基于局部信息进行预测的一种分类器,对于两张图像,直接用每维向量的欧式距离的差的大小C代表两个图像的相似程度,如公式(4),对于两个图像Ha和Hb,C越大图像差异越大,C越小图像越相似;
C=sum(|Ha-Hb|) (4)
式中:
Ha,Hb——编号a,b的手背经脉图在结构融合后的PLBP下的纹理特征统
计量;
C——编号a,b的手背经脉图的分类依据。
7)将两个相似度加权相加;
8)如若加权相加所得值大于所设阈值则身份识别通过;否则,从数据库中选择下一对掌纹和手背静脉特征,重复步骤5)~7);如果数据库中没有与之匹配的,则识别失败。
如图2所示,运用相关图像处理软件对两幅图像进行几何校正和去噪处理,然后分别对两幅图像进行特征提取,将所提取的手背静脉特征和掌纹特征组成手背静脉—掌纹特征对,并将其与数据库中储存的手背静脉—掌纹特征对逐个依次进行比对,对每一次比较分别计算手背静脉相似度和掌纹相似度,并把它们加权相加,与阈值进行比较,做出判断,得出最后身份认证识别结果。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于手背静脉与掌纹融合图像的身份认证***,其特征在于,包括仪器箱体,以及安装于仪器箱体内的遮光板(2)、近红外光源(3)、可见光源(8)、红外CCD摄像机(4)、可见光CCD摄像机(7)和用于放置人手的定位槽(1);定位槽(1)安装在仪器箱体竖直方向中央,遮光板(2)中部开设与定位槽(1)尺寸相同的方孔,定位槽(1)嵌入并固定在方孔中;遮光板(2)上方安装近红外光源(3)和红外CCD摄像机(4),遮光板(2)下方安装有可见光源(8)和可见光CCD摄像机(7),红外CCD摄像机(4)与可见光CCD摄像机(7)分别实时获取被采集者的手背静脉图像和手掌纹图像;红外CCD摄像机(4)与可见光CCD摄像机(7)分别将手背静脉图像和手掌纹图像经采集卡输入到计算机中进行处理和提取特征,构成手背静脉—掌纹特征对,与数据库中储存的手背静脉—掌纹特征对逐个进行特征匹配以实现身份识别。
2.根据权利要求1所述的基于手背静脉与掌纹融合图像的身份认证***,其特征在于,所述遮光板(2)为与仪器箱体截面相同的黑色绒面面板,用于防止周围漏光的溢出,使位于遮光板(2)上方用于手背静脉采集的红外图像拍摄部分与位于遮光板下方用于手掌纹采集的可见光图像拍摄部分二者分离互不干扰。
3.根据权利要求1所述的基于手背静脉与掌纹融合图像的身份认证***,其特征在于,所述红外CCD摄像机(4)的敏感光谱为0.8μm~1.5μm。
4.根据权利要求1所述的基于手背静脉与掌纹融合图像的身份认证***,其特征在于,所述近红外光源(3)采用近红外LED,近红外LED安装于仪器箱体中遮光板(2)上方的两侧侧壁上;可见光源(8)安装于仪器箱体中遮光板(2)下方的两侧侧壁上。
5.根据权利要求4所述的基于手背静脉与掌纹融合图像的身份认证***,其特征在于,所述近红外LED和可见光源(8)的出光口处均设置有散色片(5)。
6.根据权利要求1所述的基于手背静脉与掌纹融合图像的身份认证***,其特征在于,所述可见光CCD摄像机(7)的镜头前设置可见光滤光片(9),红外CCD摄像机(4)的镜头前设置红外光滤光片(6)。
7.一种采用如权利要求1-6任意一项所述身份认证***的基于手背静脉与掌纹融合图像的身份认证方法,其特征在于,包括以下步骤:
1)将被采集者的手放在定位槽中,手心向下,手掌自然张开;
2)带有红外滤光片的红外CCD摄像机和带有可见光滤光片的可见光CCD摄像机分别实时获取被采集者的手背静脉图像和掌纹图像,并将获取到的图像以数字信号的形式经采集卡输入到计算机中;
3)对两幅图像进行预处理;
4)对两幅图像进行特征提取,将所提取的手背静脉特征和掌纹特征组成手背静脉—掌纹特征对;
5)从数据库中选择一对掌纹和手背静脉特征;
6)分别计算掌纹和手背静脉的相似度;
7)将两个相似度加权相加;
8)如若加权相加所得值大于所设阈值则身份识别通过;否则,从数据库中选择下一对掌纹和手背静脉特征,重复步骤5)~7);如果数据库中没有与之匹配的,则识别失败。
8.根据权利要求7所述的基于手背静脉与掌纹融合图像的身份认证方法,其特征在于,所述步骤3)中,对两幅图像进行预处理的具体方法如下:
3-1)对掌纹图片的预处理
1)ROI提取
2)Gabor滤波
Gabor滤波器的表达式如式(1)所示:
公式(1)中的F为滤波器的中央频率,σ是高斯分布的标准差,i为虚数单位,即
3-2)对手背静脉图片的预处理
1)图像校正:
a.选取水平50像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为A1和A2;
b.选取水平443像素为基准线,分别找到左侧和右侧第一个不为0的像素点,记为B1和B2;
c.计算A1与A2所连成的线段F1的中点,记为A;
d.计算B1与B2所连成的线段F2的中点,记为B;
e.连接线段AB,并计算它与过A点的垂线的夹角θ;
f.通过公式(2)得到校正后的图像;
式中:
x0——原始图像中此像素点的横坐标;
y0——原始图像中此像素点的纵坐标;
x——校正图像中此像素点的横坐标;
y——校正图像中此像素点的纵坐标;
2)利用质心法提取ROI区域;
3)3*3中值滤波器去噪;
4)图像归一化:
图像归一化的表达式如式(3)所示:
式中:
I0(x,y)——原图像(x,y)处像素值;
I(x,y)——归一化后图像(x,y)处像素值;
Imin——原图像最小像素值;
Imax——原图像最大像素值;
归一化后的图像在0到255之间。
9.根据权利要求7所述的基于手背静脉与掌纹融合图像的身份认证方法,其特征在于,所述步骤4)中,对两幅图像进行特征提取的具体方法如下:
4-1)利用SIFT算法对掌纹图像进行特征提取,对经过预处理的掌纹图像进行处理得到128维的特征描述符;
4-2)利用结构融合下的LBP分区对经过预处理的手背静脉图片进行特征提取。
10.根据权利要求7所述的基于手背静脉与掌纹融合图像的身份认证方法,其特征在于,所述步骤6)中,计算掌纹和手背静脉的相似度的具体方法如下:
6-1)掌纹相似度的计算:
当经过预处理图像的SIFT特征向量生成以后,计算待测图像的SIFT描述符与样本图像中的SIFT描述符之间的欧几里得距离,比较最近邻距离与次近邻距离,如果距离比率大于某个阈值,那么则判定为一对匹配点;匹配点数目P越多,则相似度越高;
6-2)手背静脉相似度的计算:
在PLBP模式提取后的结果,是一个多维向量,因为维数过高所以选择用最近邻分类器;最近邻分类器是基于局部信息进行预测的一种分类器,对于两张图像,直接用每维向量的欧式距离的差的大小C代表两个图像的相似程度,如公式(4),对于两个图像Ha和Hb,C越大图像差异越大,C越小图像越相似;
C=sum(|Ha-Hb|) (4)
式中:
Ha,Hb——编号a,b的手背经脉图在结构融合后的PLBP下的纹理特征统
计量;
C——编号a,b的手背经脉图的分类依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529720.6A CN106203322A (zh) | 2016-07-05 | 2016-07-05 | 一种基于手背静脉与掌纹融合图像的身份认证***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529720.6A CN106203322A (zh) | 2016-07-05 | 2016-07-05 | 一种基于手背静脉与掌纹融合图像的身份认证***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203322A true CN106203322A (zh) | 2016-12-07 |
Family
ID=57465767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610529720.6A Pending CN106203322A (zh) | 2016-07-05 | 2016-07-05 | 一种基于手背静脉与掌纹融合图像的身份认证***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203322A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423664A (zh) * | 2017-03-29 | 2017-12-01 | 广西科技大学 | 一种手背静脉图像采集装置及手背静脉图像采集的方法 |
CN108494942A (zh) * | 2018-03-16 | 2018-09-04 | 东莞市华睿电子科技有限公司 | 一种基于云端通讯录的解锁控制方法 |
CN108596110A (zh) * | 2018-04-26 | 2018-09-28 | 北京京东金融科技控股有限公司 | 图像识别方法及装置、电子设备、存储介质 |
CN110245605A (zh) * | 2019-06-12 | 2019-09-17 | 中科院合肥技术创新工程院 | 基于手背静脉身份识别的社区矫正穿戴设备 |
CN110378267A (zh) * | 2019-07-09 | 2019-10-25 | Oppo广东移动通信有限公司 | 静脉认证方法、装置、介质及电子设备 |
CN110969098A (zh) * | 2019-11-19 | 2020-04-07 | 广州恒龙信息技术有限公司 | 一种基于红外识别的鉴权方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078170A1 (en) * | 2004-10-08 | 2006-04-13 | Fujitsu Limited. | Biometrics authentication system registration method, biometrics authentication system, and program for same |
CN101627913A (zh) * | 2009-08-18 | 2010-01-20 | 清华大学深圳研究生院 | 一种身份信息识别方法及其*** |
CN102129552A (zh) * | 2011-03-03 | 2011-07-20 | 哈尔滨工业大学 | 一体化非接触式手部特征图像采集*** |
CN202929641U (zh) * | 2012-12-03 | 2013-05-08 | 哈尔滨金融学院 | 一种基于计算机的手部图像采集*** |
-
2016
- 2016-07-05 CN CN201610529720.6A patent/CN106203322A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078170A1 (en) * | 2004-10-08 | 2006-04-13 | Fujitsu Limited. | Biometrics authentication system registration method, biometrics authentication system, and program for same |
CN101627913A (zh) * | 2009-08-18 | 2010-01-20 | 清华大学深圳研究生院 | 一种身份信息识别方法及其*** |
CN102129552A (zh) * | 2011-03-03 | 2011-07-20 | 哈尔滨工业大学 | 一体化非接触式手部特征图像采集*** |
CN202929641U (zh) * | 2012-12-03 | 2013-05-08 | 哈尔滨金融学院 | 一种基于计算机的手部图像采集*** |
Non-Patent Citations (4)
Title |
---|
GOPAL ET AL.: ""Fusion of palm-phalanges print with palmprint and dorsal hand vein"", 《APPLIED SOFT COMPUTING》 * |
于晓婕: ""分布式生物特征识别技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡德文 等: "《生物特征识别技术与方法》", 31 August 2013 * |
赵秋实: ""非接触式掌纹识别关键问题研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423664A (zh) * | 2017-03-29 | 2017-12-01 | 广西科技大学 | 一种手背静脉图像采集装置及手背静脉图像采集的方法 |
CN108494942A (zh) * | 2018-03-16 | 2018-09-04 | 东莞市华睿电子科技有限公司 | 一种基于云端通讯录的解锁控制方法 |
CN108596110A (zh) * | 2018-04-26 | 2018-09-28 | 北京京东金融科技控股有限公司 | 图像识别方法及装置、电子设备、存储介质 |
CN110245605A (zh) * | 2019-06-12 | 2019-09-17 | 中科院合肥技术创新工程院 | 基于手背静脉身份识别的社区矫正穿戴设备 |
CN110378267A (zh) * | 2019-07-09 | 2019-10-25 | Oppo广东移动通信有限公司 | 静脉认证方法、装置、介质及电子设备 |
CN110378267B (zh) * | 2019-07-09 | 2021-07-20 | Oppo广东移动通信有限公司 | 静脉认证方法、装置、介质及电子设备 |
CN110969098A (zh) * | 2019-11-19 | 2020-04-07 | 广州恒龙信息技术有限公司 | 一种基于红外识别的鉴权方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203322A (zh) | 一种基于手背静脉与掌纹融合图像的身份认证***及方法 | |
CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及*** | |
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN108229427A (zh) | 一种基于身份证件和人脸识别的身份安全验证方法及*** | |
Sarhan et al. | Multimodal biometric systems: a comparative study | |
Lee et al. | Dorsal hand vein recognition based on 2D Gabor filters | |
CN111462379A (zh) | 一种含掌静脉和人脸识别的门禁管理方法、***及介质 | |
Alheeti | Biometric iris recognition based on hybrid technique | |
CN107609515B (zh) | 一种基于飞腾平台的双重验证的人脸比对***及方法 | |
CN109255319A (zh) | 针对静态照片的人脸识别支付信息防伪方法 | |
Srivastava | Personal identification using iris recognition system, a review | |
CN105760815A (zh) | 基于第二代身份证人像和视频人像的异构人脸核实方法 | |
Hsu et al. | Gaussian directional pattern for dorsal hand vein recognition | |
Ramsoful et al. | Feature extraction techniques for dorsal hand vein pattern | |
CN107025435A (zh) | 一种人脸识别处理方法和*** | |
CN112001318A (zh) | 一种身份证件信息采集方法及其*** | |
Khan et al. | Investigating linear discriminant analysis (LDA) on dorsal hand vein images | |
Sayed et al. | Real-Time Dorsal Hand Recognition Based on Smartphone | |
Engelsma et al. | RaspiReader: An open source fingerprint reader facilitating spoof detection | |
de Assis Angeloni et al. | Improving the ridge based fingerprint recognition method using sweat pores | |
Singla et al. | Challenges at different stages of an iris based biometric system. | |
Sun et al. | Research on palm vein recognition algorithm based on improved convolutional neural network | |
Nene et al. | Facial Recognition System Using LBPH Algorithm and Raspberry Pi | |
CN107368811A (zh) | 红外与非红外光照下基于lbp的人脸特征提取方法 | |
Sein et al. | Authentications of Myanmar National Registration Card |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |