CN107153811A - 用于多模态生物特征识别的方法、装置及*** - Google Patents
用于多模态生物特征识别的方法、装置及*** Download PDFInfo
- Publication number
- CN107153811A CN107153811A CN201710164579.9A CN201710164579A CN107153811A CN 107153811 A CN107153811 A CN 107153811A CN 201710164579 A CN201710164579 A CN 201710164579A CN 107153811 A CN107153811 A CN 107153811A
- Authority
- CN
- China
- Prior art keywords
- biological characteristic
- different type
- mrow
- type biological
- recognition result
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于多模态生物特征识别的方法、装置及***。根据一种实施方式提供的用于多模态生物特征识别的方法可以包括，但不限于：针对输入的不同类型生物特征分别进行单模态识别；将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。根据各种不同实施方式，在多模态生物识别场景下，多种生物特征融合构成用户的生物特征数据立方体，更加全面的描述客户的生物特征信息，避免单一识别算法的场景局限性。
Description
技术领域
本发明涉及计算机数据处理技术，具体地，涉及一种用于多模态生物特征识别的方法、装置及***。
背景技术
生物特征是人体天然携带的信息，与传统的密码、身份信息相比，具有唯一性、稳定性、防伪性、不可抵赖性。所谓唯一性，指任何两个人该特征都是不同的；所谓稳定性，指该特征在一段时间内，不会随条件的变化而变化；所谓防伪性，指这个生物特征无法被恶意假冒；所谓不可抵赖性，指该生物特征是可以作为唯一标示识别出对应的用户，具有不可抵赖性。
目前，用于身份识别的人体生物特征有人脸、掌纹、虹膜、指纹、DNA(脱氧核糖核酸)等，行为特征有步态、签名等。在实际应用的过程中，单独一种生物特征的使用在不同程度上遇到以下的问题困扰：
1.噪声
传感器在实际应用中，由于物理缺陷或其他的外部因素干扰，采集到的数据会产生部分噪声，从而影响到身份认证的准确性。例如：光照条件影响得到人脸图像会有影响。
2.非普遍适用性
一些个体无法提供特定的生物特征。例如，失去双手的残疾人无法提供指纹信息。
3.安全性
生物特征容易被窃取，如利用人脸的相片可以骗过基于人脸的生物特征识别***。
4.类间相似
对用户数量比较庞大的生物特征识别***，不同的用户在生物特征之间可能有一定的重叠，例如有些双胞胎的人脸信息是非常类似的。
5.类内变化
随着时间的推移，用户的生物特征可能产生部分变化，如小孩子长大后声纹信息发送了变化，因此其生物识别产生差异，影响***性能。
可见，目前的单独一种生物特征的使用具有一定局限性。
发明内容
鉴于现有技术的上述缺陷，各种不同实施方式提供了一种用于多模态生物特征识别的方法、装置及***。
根据一种实施方式提供的用于多模态生物特征识别的方法可以包括，但不限于：
针对输入的不同类型生物特征分别进行单模态识别；
将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
根据另一种实施方式提供的用于多模态生物特征识别的装置可以包括，但不限于：
单模态识别模块，用于针对输入的不同类型生物特征分别进行单模态识别；
融合计算模块，用于将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
根据另一种实施方式提供的用于多模态生物特征识别的***至少可以包括：
一个或多个处理器；
存储器，所述存储器中存储有一个或多个程序，所述一个或多个程序被所述一个或多个处理器执行时本文各实施方式所述的方法中的操作。
根据各种不同实施方式，在多模态生物识别场景下，多种生物特征融合构成用户的生物特征数据立方体，更加全面的描述客户的生物特征信息，避免单一识别算法的场景局限性。
具体而言，多模态生物特征识别有以下三个优点：
1.***可靠性更高，通过对不同类型的数据进行融合可以提高***的性能和容错能力、减少噪声等不确定因素的影响，达到更高的准确率。
2.***适用性更广，使用多模态生物特征识别，可以使身份识别***适用于更广泛的人群。
3.***安全性更强，伪造多个身份特征比伪造一个生物特征的难度提高了，因此***更加安全。
附图说明
图1是示出了根据一种实施方式的用于多模态生物特征识别的方法的流程图；
图2是示出了根据另一种实施方式的用于多模态生物特征识别的方法的流程图；
图3示出了根据又一种实施方式的用于多模态生物特征识别的方法的流程图；
图4示出了根据一种实施方式的用于多模态生物特征识别的装置的示意性框图；
图5示出了根据各种实施方式的多模态生物特征识别复合模型。
具体实施方式
为了便于理解本发明技术方案的各个方面、特征以及优点，下面结合附图对本发明进行具体描述。应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。
根据一种实施方式，如图1所示，本实施方式提供的用于多模态生物特征识别的方法可以包括：
S101.针对输入的不同类型生物特征分别进行单模态识别；所述不同类型生物特征包括DNA、指纹、虹膜、人脸、视网膜、指静脉、耳型、声纹、掌形等中的一种或多种。
S103.将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
根据本实施方式，通过将多种生物特征融合构成用户的生物特征数据立方体，更加全面的描述客户的生物特征信息，避免单一识别算法的场景局限性。
举个例子，采用声纹识别和指纹识别相结合，避免单独声纹识别场景中背景音嘈杂，或者指纹识别场景中指纹不清晰等偶然情况，通过设置适当的组合计算方式，其识别准确率大大提高。
在可选实施方式中，处理S101可以包括针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集，将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果。进一步地，处理S103可以包括针对所述不同类型生物特征，计算所述分类的错误分类率；根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重；根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果。
根据另一种实施方式，如图2所示，该实施方式提供的用于多模态生物特征识别的方法可以包括：
S201.针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
S203.将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果；
S205.将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
同样地，根据本实施方式，通过将多种生物特征融合构成用户的生物特征数据立方体，更加全面的描述客户的生物特征信息，避免单一识别算法的场景局限性。
根据又一种实施方式，如图3所示，该实施方式提供的用于多模态生物特征识别的方法可以包括：
S302.针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
S304.将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果；
S306.针对所述不同类型生物特征，计算所述分类的错误分类率；
S308.根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重，例如，可以按照下述公式计算所述权重：
其中，wi表示第i类生物特征的权重，error(Mi)表示错误分类率，i为自然数。
S310.根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果，例如，可以按照下述公式进行所述融合计算：
其中，R表示多模态识别结果，Ri表示第i类生物特征的单模态识别结果，k表示所述不同类型生物特征的类型数，i为1到k的自然数。
本领域技术人员应当理解，在上述实施方式中，用于多模态生物特征识别的方法的各个处理、操作虽然是按照一定顺序进行描述，但是，所述各处理、操作不一定必须按照上述顺序执行。
下面描述根据一种实施方式的用于多模态生物特征识别的装置。
如图4所示，用于多模态生物特征识别的装置包括但不限于：
单模态识别模块410，用于针对输入的不同类型生物特征分别进行单模态识别；
融合计算模块420，用于将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
在另一实施方式中，所述单模态识别模块410针对输入的不同类型生物特征分别进行单模态识别可以包括：
针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果。
可选地，所述融合计算模块420将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果可以包括：
针对所述不同类型生物特征，计算所述分类的错误分类率；
根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重；
根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果。
根据各实施方式所述的用于多模态生物特征识别的装置，通过将多种生物特征融合构成用户的生物特征数据立方体，更加全面的描述客户的生物特征信息，避免单一识别算法的场景局限性。
下面结合具体示例对本发明的技术方案进行详细说明。
根据上述各种实施方式可知，本发明的实现方法在多模态生物识别的结果反馈，多模态生物识别过程是基于多个单模态的识别结果计算的复合模型，如图5所示。例如，首先，对于输入的不同类型生物特征分别进行单模态识别，将单模态生物识别的相似度反馈为一个百分制的数字；其次，将上述相似度进行结果融合计算；最后，计算出一个多模态识别相似度。单模态的识别过程可以分配到不同的CPU(中央处理单元)上，因此，多模态生物识别过程是可以并行的。
如图5所示，对单一客户采集其生物信息数据D(D1,D2,D3,…)，其中Di分别代表某一种生物特征，如D1代表人脸，D2代表声纹，D3代表指纹，D4代表虹膜，D5代表指静脉等。这些生物特征分别通过对应的单模态生物特征识别模型M1、M2、M3、M4、M5进行识别，得到相似度R1、R2、R3…，相似度可以是一个1-100的分值。上述相似度通过结果融合模型Mmix进行结果融合，最后得到相似度R，在通过阈值进行判断识别结果。对于融合模型Mmix的算法，例如，可以采用下述方式。
给定数据集D，它包含2个类标记的元组，其中是误分类N个与正确分类Y个。
输入：
·D：类标记的训练元组集，假设当前有5种生物特征识别，D1代表人脸，D2代表声纹，D3代表指纹，D4代表虹膜，D5代表指静脉的训练元组.
·k：生物特征的类型数，k＝5
·Mi：生物特征识别的算法模型，其中M1代表人脸，M2代表声纹，M3代表指纹，M4代表虹膜，M5代表指静脉算法模型
输出：一个多模态复合模型
方法：
获取每个算法模型的错误率
(1)将D中其中D1代表人脸，D2代表声纹，D3代表指纹，D4代表虹膜，D5代表指静脉的训练元组的每个元组的权重初始化为1/2；
(2)for i＝1to k do
(3)针对人脸、声纹、指纹、虹膜、指静脉的训练元组进行有放回抽样得到Di；
(4)使用训练集Di放入模型Mi进行分类，得到Ri；该模型Mi为各个生物特征识别的算法模型,Ri是一个1～100分数，表示识别结果；
(5)利用算法模型Mi分类后，计算Mi的错误分类率，如下：
其中误分类N个与正确分类Y个；
(6)endfor
使用组合分类器对待测试生物特征元组x进行分类：
(1)将每个类的权重初始化为0；
(2)for i＝1to k do
(3)每个生物特征的分数权重如下：
(4)测试出每个生物特征识别算法的分数Ri＝Mi(X)；
(5)将wi加到Ri的权重
(6)endfor
(7)
在所述实施方式中，通过5种生物特征进行识别，基于这样的识别方法可以获得如下优点：
1.***可靠性更高，通过对不同类型的数据进行融合可以提高***的性能和容错能力、减少噪声等不确定因素的影响，达到更高的准确率。
2.***适用性更广，使用多模态生物特征识别，可以使身份识别***适用于更广泛的人群。
3.***安全性更强，伪造多个身份特征比伪造一个生物特征的难度提高了，因此***更加安全。
此外，各种实施方式还提供了一种用于多模态生物特征识别的***，所述***可以包括：
一个或多个处理器；
存储器，所述存储器中存储有一个或多个程序；
所述一个或多个处理器执行所述一个或多个程序时进行如下操作：
针对输入的不同类型生物特征分别进行单模态识别；
将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
根据另一实施方式，所述一个或多个处理器执行所述一个或多个程序时进行如下操作：
针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果。
根据另一实施方式，所述一个或多个处理器执行所述一个或多个程序时进行如下操作：
针对所述不同类型生物特征，计算所述分类的错误分类率；
根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重；
根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果。
其中，按照下述公式计算所述权重：
其中，wi表示第i类生物特征的权重，error(Mi)表示错误分类率，i为自然数。
其中，按照下述公式进行所述融合计算：
其中，R表示多模态识别结果，Ri表示第i类生物特征的单模态识别结果，k表示所述不同类型生物特征的类型数，i为1到k的自然数。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。本领技术人员应当理解，以上所公开的仅为本发明的实施方式而已，当然不能以此来限定本发明之权利范围，依本发明实施方式所作的等同变化，仍属本发明权利要求所涵盖的范围。
Claims (11)
1.一种用于多模态生物特征识别的方法，其特征在于，所述方法包括：
针对输入的不同类型生物特征分别进行单模态识别；
将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
2.根据权利要求1所述的方法，其特征在于，针对输入的不同类型生物特征分别进行单模态识别包括：
针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果。
3.根据权利要求2所述的方法，其特征在于，将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果包括：
针对所述不同类型生物特征，计算所述分类的错误分类率；
根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重；
根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果。
4.根据权利要求3所述的方法，其特征在于，根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重包括：
按照下述公式计算所述权重：
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>log</mi>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，wi表示第i类生物特征的权重，error(Mi)表示错误分类率，i为自然数。
5.根据权利要求4所述的方法，其特征在于，根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果包括：
按照下述式进行所述融合计算：
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>R</mi>
<mi>i</mi>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&divide;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
其中，R表示多模态识别结果，Ri表示第i类生物特征的单模态识别结果，k表示所述不同类型生物特征的类型数，i为1到k的自然数。
6.一种用于多模态生物特征识别的装置，其特征在于，所述装置包括：
单模态识别模块，用于针对输入的不同类型生物特征分别进行单模态识别；
融合计算模块，用于将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果。
7.根据权利要求6所述的装置，其特征在于，针对输入的不同类型生物特征分别进行单模态识别包括：
针对所述不同类型生物特征的训练元组进行有放回抽样得到所述不同类型生物特征各自的训练集；
将所述不同类型生物特征各自的训练集放入各自的生物特征识别的算法模型进行分类，以得到所述不同类型生物特征各自的单模态识别结果。
8.根据权利要求7所述的装置，其特征在于，将不同类型生物特征的单模态识别结果进行融合计算得到多模态识别结果包括：
针对所述不同类型生物特征，计算所述分类的错误分类率；
根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重；
根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果。
9.根据权利要求8所述的装置，其特征在于，根据所述不同类型生物特征各自的错误分类率计算所述不同类型生物特征各自的权重包括：
按照下述公式计算所述权重：
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>log</mi>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，wi表示第i类生物特征的权重，error(Mi)表示错误分类率，i为自然数。
10.根据权利要求9所述的装置，其特征在于，根据所述不同类型生物特征各自的单模态识别结果和各自的权重进行融合计算得到多模态识别结果包括：
按照下述公式进行所述融合计算：
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>R</mi>
<mi>i</mi>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>&divide;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
其中，R表示多模态识别结果，Ri表示第i类生物特征的单模态识别结果，k表示所述不同类型生物特征的类型数，i为1到k的自然数。
11.一种用于多模态生物特征识别的***，其特征在于，包括：
一个或多个处理器；
存储器，所述存储器中存储有一个或多个程序，所述一个或多个程序被所述一个或多个处理器执行时进行权利要求1至5任意一项所述的方法中的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710164579.9A CN107153811A (zh) | 2017-03-20 | 2017-03-20 | 用于多模态生物特征识别的方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710164579.9A CN107153811A (zh) | 2017-03-20 | 2017-03-20 | 用于多模态生物特征识别的方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107153811A true CN107153811A (zh) | 2017-09-12 |
Family
ID=59791553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710164579.9A Pending CN107153811A (zh) | 2017-03-20 | 2017-03-20 | 用于多模态生物特征识别的方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107153811A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480596A (zh) * | 2017-07-18 | 2017-12-15 | 广东欧珀移动通信有限公司 | 生物识别模式控制方法及相关产品 |
| CN107895178A (zh) * | 2017-11-27 | 2018-04-10 | 沈阳航空航天大学 | 基于相似度的多模态信息分类贡献差异性计算方法 |
| CN109948718A (zh) * | 2019-03-26 | 2019-06-28 | 广州国音智能科技有限公司 | 一种基于多算法融合的***及方法 |
| CN110287813A (zh) * | 2019-06-04 | 2019-09-27 | 武汉虹识技术有限公司 | 身份识别方法及*** |
| CN111435558A (zh) * | 2018-12-26 | 2020-07-21 | 杭州萤石软件有限公司 | 一种基于生物特征多模态图像的身份认证方法及装置 |
| CN111460880A (zh) * | 2019-02-28 | 2020-07-28 | 杭州芯影科技有限公司 | 多模生物特征融合方法和*** |
| WO2022000334A1 (zh) * | 2020-06-30 | 2022-01-06 | 北京小米移动软件有限公司 | 生物特征识别方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1457015A (zh) * | 2003-03-07 | 2003-11-19 | 北方交通大学 | 基于人脸识别和手形识别的双模态生物认证*** |
| CN102521571A (zh) * | 2011-12-02 | 2012-06-27 | 孙霁 | 一种多模态生物识别装置及其方法 |
| CN102663374A (zh) * | 2012-04-28 | 2012-09-12 | 北京工业大学 | 基于多特征属性的多类别Bagging步态识别方法 |
| CN102945280A (zh) * | 2012-11-15 | 2013-02-27 | 翟云 | 一种基于非平衡数据分布的多异质基分类器融合分类方法 |
| CN103258186A (zh) * | 2013-03-17 | 2013-08-21 | 北京工业大学 | 基于图像分割的集成人脸识别方法 |
| CN103793507A (zh) * | 2014-01-26 | 2014-05-14 | 北京邮电大学 | 一种使用深层结构获取双模态相似性测度的方法 |
-
2017
- 2017-03-20 CN CN201710164579.9A patent/CN107153811A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1457015A (zh) * | 2003-03-07 | 2003-11-19 | 北方交通大学 | 基于人脸识别和手形识别的双模态生物认证*** |
| CN102521571A (zh) * | 2011-12-02 | 2012-06-27 | 孙霁 | 一种多模态生物识别装置及其方法 |
| CN102663374A (zh) * | 2012-04-28 | 2012-09-12 | 北京工业大学 | 基于多特征属性的多类别Bagging步态识别方法 |
| CN102945280A (zh) * | 2012-11-15 | 2013-02-27 | 翟云 | 一种基于非平衡数据分布的多异质基分类器融合分类方法 |
| CN103258186A (zh) * | 2013-03-17 | 2013-08-21 | 北京工业大学 | 基于图像分割的集成人脸识别方法 |
| CN103793507A (zh) * | 2014-01-26 | 2014-05-14 | 北京邮电大学 | 一种使用深层结构获取双模态相似性测度的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 廖敏飞 等: "生物识别技术在金融行业的应用现状与前景分析", 《金融电子化》 * |
| 熊海涛 著: "《复杂数据分析方法及其应用研究》", 30 May 2013 * |
| 王瑜 等: "多模态生物特征识别技术进展综述", 《计算机应用与软件》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480596A (zh) * | 2017-07-18 | 2017-12-15 | 广东欧珀移动通信有限公司 | 生物识别模式控制方法及相关产品 |
| CN107895178A (zh) * | 2017-11-27 | 2018-04-10 | 沈阳航空航天大学 | 基于相似度的多模态信息分类贡献差异性计算方法 |
| CN107895178B (zh) * | 2017-11-27 | 2021-07-23 | 沈阳航空航天大学 | 基于相似度的多模态信息分类贡献差异性计算方法 |
| CN111435558A (zh) * | 2018-12-26 | 2020-07-21 | 杭州萤石软件有限公司 | 一种基于生物特征多模态图像的身份认证方法及装置 |
| CN111460880A (zh) * | 2019-02-28 | 2020-07-28 | 杭州芯影科技有限公司 | 多模生物特征融合方法和*** |
| CN111460880B (zh) * | 2019-02-28 | 2024-03-05 | 杭州芯影科技有限公司 | 多模生物特征融合方法和*** |
| CN109948718A (zh) * | 2019-03-26 | 2019-06-28 | 广州国音智能科技有限公司 | 一种基于多算法融合的***及方法 |
| CN109948718B (zh) * | 2019-03-26 | 2022-03-15 | 广州国音智能科技有限公司 | 一种基于多算法融合的***及方法 |
| CN110287813A (zh) * | 2019-06-04 | 2019-09-27 | 武汉虹识技术有限公司 | 身份识别方法及*** |
| WO2022000334A1 (zh) * | 2020-06-30 | 2022-01-06 | 北京小米移动软件有限公司 | 生物特征识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153811A (zh) | 用于多模态生物特征识别的方法、装置及*** | |
| Delgado-Escano et al. | An end-to-end multi-task and fusion CNN for inertial-based gait recognition | |
| He et al. | Performance evaluation of score level fusion in multimodal biometric systems | |
| CN102890776B (zh) | 通过面部表情调取表情图释的方法 | |
| US11244035B2 (en) | Apparatus and methods for biometric verification | |
| CN107404381A (zh) | 一种身份认证方法和装置 | |
| Razzak et al. | Multimodal face and finger veins biometric authentication | |
| Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
| CN105184254B (zh) | 一种身份认证方法及*** | |
| Sadeghi et al. | Geometrical analysis of machine learning security in biometric authentication systems | |
| CN107346568A (zh) | 一种门禁***的认证方法和装置 | |
| CN108614987A (zh) | 数据处理的方法、装置和机器人 | |
| Panasiuk et al. | A multimodal biometric user identification system based on keystroke dynamics and mouse movements | |
| Altahat et al. | Robust electroencephalogram channel set for person authentication | |
| Soltane et al. | Multi-modal biometric authentications: concept issues and applications strategies | |
| US10970573B2 (en) | Method and system for free text keystroke biometric authentication | |
| Hassan et al. | Fusion of face and fingerprint for robust personal verification system | |
| Casanova et al. | A real-time in-air signature biometric technique using a mobile device embedding an accelerometer | |
| Ramu et al. | Machine learning based soft biometrics for enhanced keystroke recognition system | |
| Adel et al. | Gait-based Person Identification using Multiple Inertial Sensors. | |
| Bigun et al. | Combining biometric evidence for person authentication | |
| Salazar-Tejeda et al. | A new biometric recognition technique based on hand geometry and voice using neural networks and fuzzy logic | |
| CN113792541B (zh) | 一种引入互信息正则化器的方面级情感分析方法 | |
| CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
| Guerra-Casanova et al. | A robustness verification system for mobile phone authentication based on gestures using Linear Discriminant Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170912 |
|
| WD01 | Invention patent application deemed withdrawn after publication |