CN107980140A - 一种掌静脉的识别方法及装置 - Google Patents
一种掌静脉的识别方法及装置 Download PDFInfo
- Publication number
- CN107980140A CN107980140A CN201780001261.7A CN201780001261A CN107980140A CN 107980140 A CN107980140 A CN 107980140A CN 201780001261 A CN201780001261 A CN 201780001261A CN 107980140 A CN107980140 A CN 107980140A
- Authority
- CN
- China
- Prior art keywords
- matching
- double points
- point
- pair
- grid
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了一种掌静脉的识别方法及装置,用于在手掌感兴趣区域的每个局部都提取一定数量的特征,提高了对掌静脉的识别率。本申请实施例方法包括:获取用户的目标掌静脉图像;从所述目标掌静脉图像中提取感兴趣区域ROI的图像;将所述ROI的图像划分为至少两个子区域;采用预置算法从每个所述子区域上提取目标特征点;将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;判断每对所述匹配点对是否为真匹配;若为真匹配,则保留所述匹配点对;若为假匹配,则剔除所述匹配点对。
Description
技术领域
本申请涉及生物识别技术领域,尤其涉及一种掌静脉的识别方法及装置。
背景技术
掌静脉识别是利用人体血红蛋白通过静脉时能吸收近红外光的特性,采集手掌皮肤底下的静脉图像,并提取以作为生物特征。掌静脉使用方式是非接触式,它更加卫生,适合在公共场合使用。同时,适用手掌也较为自然,让用户更容易接受。掌静脉识别跟其它如指纹、眼虹膜等生物识别技术相比,因为有了前面的活体识别、内部特征和非接触的三个方面特征,掌静脉极难复制伪造,确保了使用者的掌静脉特征很难被伪造,所以掌静脉识别***安全等级高,特别适合于安全要求高的场所使用。
目前,对掌静脉的识别方法是基于整体的子空间学习方法,即将整个掌静脉作为全局的描述,将掌静脉图像投影到子空间抽取特征矢量,例如,利用特征识别方法进行掌静脉匹配,通过掌纹和掌静脉图像融合而成的拉普拉斯手掌特征图像进行全局匹配,最后对掌静脉图像的局部结构特征进行提取。
对于基于整体的子空间学习方法,由于掌静脉分布特点,特征点集中分布在大鱼际附近的手掌区域,而小鱼际附近的手掌区域特征点较少,从而会因为特征信息不全面导致算法识别率下降。
发明内容
本申请实施例提供了一种掌静脉的识别方法及装置,用于在手掌感兴趣区域的每个局部都提取一定数量的特征,提高了对掌静脉的识别率。
本申请第一方面提供了一种掌静脉的识别方法,包括:获取用户的目标掌静脉图像;从所述目标掌静脉图像中提取感兴趣区域ROI的图像;将所述ROI的图像划分为至少两个子区域;采用预置算法从每个所述子区域上提取目标特征点;将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;判断每对所述匹配点对是否为真匹配;若为真匹配,则保留所述匹配点对;若为假匹配,则剔除所述匹配点对。
在一种可能的设计中,在本申请实施例第一方面的第一种实现方式中,所述判断每对所述匹配点对是否为真匹配包括:将所述ROI的图像划分为规格相同的G*G个格子,所述G为大于1的正整数,并将每对所述匹配点对映射到所述G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像;将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,所述第一格子位于所述预置特征点格子图像,所述第二格子位于所述目标特征点格子图像;判断每对所述匹配点对是否属于对应的匹配格对;若所述匹配点对属于对应的匹配格对,则确定所述匹配点对为真匹配;若所述匹配点对不属于对应的匹配格对,则确定所述匹配点对为假匹配。
在一种可能的设计中,在本申请实施例第一方面的第二种实现方式中,所述判断每对所述匹配点对是否属于对应的匹配格对包括:计算所述第一格子的阈值和所述第二格子的评分值;判断所述评分值是否大于所述阈值;若是,则确定所述匹配点对属于对应的匹配格对;若否,则确定所述匹配点对不属于对应的匹配格对。
在一种可能的设计中,在本申请实施例第一方面的第三种实现方式中,所述采用预置算法从每个所述子区域上提取目标特征点包括:根据每个所述子区域调整采样阈值,所述采样阈值用于确定所述目标特征点;将每个所述子区域中的目标点确定为目标特征点,所述目标点的参数值大于所述采样阈值。
在一种可能的设计中,在本申请实施例第一方面的第四种实现方式中,所述预置算法为方向描述符ORB算法、尺度不变特征转换SIFT算法或快速鲁棒特征SURF算法中任一算法。
本申请第二方面提供了一种掌静脉的识别装置,包括:获取单元,用于获取用户的目标掌静脉图像;第一提取单元,用于从所述目标掌静脉图像中提取感兴趣区域ROI的图像;划分单元,用于将所述ROI的图像划分为至少两个子区域;第二提取单元,用于采用预置算法从每个所述子区域上提取目标特征点;比对单元,用于将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;判断单元,用于判断每对所述匹配点对是否为真匹配;保留单元,若为真匹配,则用于保留所述匹配点对;剔除单元,若为假匹配,则用于剔除所述匹配点对。
在一种可能的设计中,在本申请实施例第二方面的第一种实现方式中,所述判断单元包括:处理模块,用于将所述ROI的图像划分为规格相同的G*G个格子,所述G为大于1的正整数,并将每对所述匹配点对映射到所述G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像;第一确定模块,用于将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,所述第一格子位于所述预置特征点格子图像,所述第二格子位于所述目标特征点格子图像;判断模块,用于判断每对所述匹配点对是否属于对应的匹配格对;第二确定模块,若所述匹配点对属于对应的匹配格对,则用于确定所述匹配点对为真匹配;第三确定模块,若所述匹配点对不属于对应的匹配格对,则用于确定所述匹配点对为假匹配。
在一种可能的设计中,在本申请实施例第二方面的第二种实现方式中,所述判断模块具体用于:计算所述第一格子的阈值和所述第二格子的评分值;判断所述评分值是否大于所述阈值;若是,则确定所述匹配点对属于对应的匹配格对;若否,则确定所述匹配点对不属于对应的匹配格对。
在一种可能的设计中,在本申请实施例第二方面的第三种实现方式中,所述第二提取单元包括:调整模块,用于根据每个所述子区域调整采样阈值,所述采样阈值用于确定所述目标特征点;第四确定模块,用于将每个所述子区域中的目标点确定为目标特征点,所述目标点的参数值大于所述采样阈值。
在一种可能的设计中,在本申请实施例第二方面的第四种实现方式中,所述预置算法为方向描述符ORB算法、尺度不变特征转换SIFT算法或快速鲁棒特征SURF算法中任一算法。
本申请第三方面提供了一种掌静脉的识别装置,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;所述至少一个处理器调用所述存储器中的所述指令,以使得所述掌静脉的识别装置执行上述各方面所述的方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本申请的第五方面提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供的技术方案中,获取用户的目标掌静脉图像;从所述目标掌静脉图像中提取感兴趣区域ROI的图像;将所述ROI的图像划分为至少两个子区域;采用预置算法从每个所述子区域上提取目标特征点;将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;判断每对所述匹配点对是否为真匹配;若为真匹配,则保留所述匹配点对;若为假匹配,则剔除所述匹配点对。本申请实施例中,将ROI的图像划分为多个子区域,再从每个子区域中提取特征点,保证了在手掌感兴趣区域的每个局部都提取一定数量的特征点,提高了对掌静脉的识别率。
附图说明
图1为本申请实施例中掌静脉的识别方法的一个实施例示意图;
图2为本申请实施例中掌静脉的识别方法的另一个实施例示意图;
图3为本申请实施例中特征点在ROI区域中的位置示意图;
图4为本申请实施例中特征点在格子中的分布情况示意图;
图5为本申请实施例中匹配点对与匹配格对的对比情况示意图;
图6为本申请实施例中掌静脉的识别装置的一个实施例示意图;
图7为本申请实施例中掌静脉的识别装置的另一个实施例示意图;
图8为本申请实施例中掌静脉的识别装置的另一个实施例示意图。
具体实施方式
本申请实施例提供了一种掌静脉的识别方法及装置,用于在手掌感兴趣区域的每个局部都提取一定数量的特征点,提高了对掌静脉的识别率。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例进行描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中掌静脉的识别方法的一个实施例包括:
101、获取用户的目标掌静脉图像。
用户将手掌置于识别装置的扫描范围内,识别装置开启近红外光照射,获取用户的目标掌静脉图像。其中,由于手掌上静脉血可以吸收近红外光,因此静脉血管处反射较少,比周围暗,从而形成掌静脉图案。
需要说明的是,近红外光为介于可见光和中红外光之间的电磁波,是指波长在780~2526nm范围内的电磁波。可以理解的是,在对用户的手掌进行识别的过程中,用户手掌的掌心侧接受近红外光照射,并且用户手掌全部位于识别装置的照射范围内,以确保获取到的目标掌静脉图像的完整性。
102、从目标掌静脉图像中提取感兴趣区域ROI的图像。
从目标掌静脉图像中提取感兴趣区域(region of interest,ROI)的图像。ROI区域的像素大小可以设定为184×184,还可以是129×129,还可以是其他数值,可以根据实际需要进行设定,具体此处不做限定。
103、将ROI的图像划分为至少两个子区域。
将ROI的图像划分为至少两个子区域。具体的,把ROI的图像等分为N*N个子区域,N为大于1的正整数,通常,当N的值为N=2或N=3,特征点的分布合理,N的值还可以是其他数值,具体此处不做限定。
104、采用预置算法从每个子区域上提取目标特征点。
在ROI的图像进行划分得到等分的N*N个子区域后,在每个子区域中,采用预置算法提取目标特征点。具体的,采用方向描述符(oriented brief,ORB)算法进行特征提取与表示,对于不同的子区域,采样阈值也不同,每个子区域可以调整采样阈值,采样阈值用于判断目标点是否为目标特征点,以使得该子区域能够提取到满足数量条件个数的特征点。具体的,当目标点的参数值大于所属子区域的采样阈值时,确定该目标点为目标特征点,当目标点的参数值小于或等于所属子区域的采样阈值时,确定该目标点不为目标特征点,将该目标点排除,遍历ROI的图像中所有目标点,提取满足数量要求的目标特征点。
可以理解的是,预置算法还可是其他特征提取算法,例如,预置算法还可是尺度不变特征转换(scale invariant feature transform,SIFT)算法或快速鲁棒特征(speeded-up robust features,SURF)算法,还可以是其他特征提取算法,具体此处不做限定。
105、将提取到的目标特征点与预置特征点进行特征比对,得到匹配点对。
将提取到的目标特征点与预置特征点进行特征比对,得到匹配点对。具体的,将提取到的一定数量的目标特征点与数据库进行比对,数据库中包括预置特征点及预置特征点的特征参数。当获取到目标特征点后,将每一个目标特征点的特征参数,与数据库中的特征参数进行比对匹配,将特征参数相同的一个预置特征点和一个目标特征点确定为匹配点对。
需要说明的是,匹配的方法有多种,具体的,可以是暴力匹配(brute force,BF)算法,还可以是其他的匹配算法,具体此处不做限定。
106、判断每对匹配点对是否为真匹配。
判断每对匹配点对是否为真匹配。具体的,对获取到的每对匹配点对进行筛选,根据筛选标准确定符合要求的匹配点对为真匹配,不符合要求的匹配点对为假匹配。若为真匹配,则执行步骤107,若为假匹配,则执行步骤108。
107、保留匹配点对。
若匹配点对为真匹配,则保留该匹配点对。
108、剔除匹配点对。
若匹配点对为假匹配,则剔除该匹配点对。
本申请实施例中,将ROI的图像划分为多个子区域,再从每个子区域中提取特征点,保证了在手掌感兴趣区域的每个局部都提取一定数量的特征点,提高了对掌静脉的识别率。
请参阅图2,本申请实施例中掌静脉的识别方法的另一个实施例包括:
201、获取用户的目标掌静脉图像。
用户将手掌置于识别装置的扫描范围内,识别装置开启近红外光照射,获取用户的目标掌静脉图像。其中,由于手掌上静脉血可以吸收近红外光,因此静脉血管处反射较少,比周围暗,从而形成掌静脉图案。
需要说明的是,近红外光为介于可见光和中红外光之间的电磁波,是指波长在780~2526nm范围内的电磁波。可以理解的是,在对用户的手掌进行识别的过程中,用户手掌的掌心侧接受近红外光照射,并且用户手掌全部位于识别装置的照射范围内,以确保获取到的目标掌静脉图像的完整性。
202、从目标掌静脉图像中提取感兴趣区域ROI的图像。
从目标掌静脉图像中提取感兴趣区域(region of interest,ROI)的图像。ROI区域的像素大小可以设定为184×184,还可以是129×129,还可以是其他数值,可以根据实际需要进行设定,具体此处不做限定。
203、将ROI的图像划分为至少两个子区域。
将ROI的图像划分为至少两个子区域。具体的,把ROI的图像等分为N*N个子区域,N为大于1的正整数,通常,当N的值为N=2或N=3,特征点的分布合理,N的值还可以是其他数值,具体此处不做限定。
204、采用预置算法从每个子区域上提取目标特征点。
在ROI的图像进行划分得到等分的N*N个子区域后,在每个子区域中,采用采用方向描述符(oriented brief,ORB)算法提取目标特征点。具体的,采用ORB算法进行特征提取与表示,对于不同的子区域,采样阈值也不同,每个子区域可以调整采样阈值,采样阈值用于判断目标点是否为目标特征点,以使得该子区域能够提取到满足数量条件个数的特征点。具体的,当目标点的参数值大于所属子区域的采样阈值时,确定该目标点为目标特征点,当目标点的参数值小于或等于所属子区域的采样阈值时,确定该目标点不为目标特征点,将该目标点排除,遍历ROI的图像中所有目标点,提取满足数量要求的目标特征点。
可以理解的是,提取特征的算法还可是其他特征提取算法,例如,还可是尺度不变特征转换(scale invariant feature transform,SIFT)算法或快速鲁棒特征(speeded-uprobust features,SURF)算法,还可以是其他特征提取算法,具体此处不做限定。
205、将提取到的目标特征点与预置特征点进行特征比对,得到匹配点对。
将提取到的目标特征点与预置特征点进行特征比对,得到匹配点对。具体的,将提取到的一定数量的目标特征点与数据库进行比对,数据库中包括预置特征点及预置特征点的特征参数。当获取到目标特征点后,将每一个目标特征点的特征参数,与数据库中的特征参数进行比对匹配,将特征参数相同的一个预置特征点和一个目标特征点确定为匹配点对。
需要说明的是,匹配的方法有多种,具体的,可以是暴力匹配(brute force,BF)算法,还可以是其他的匹配算法,具体此处不做限定。
举例说明,如图3所述,通过BF算法,将目标特征点与数据库进行对比后,得到参数相同的5对匹配点对,图中用不同的几何形状进行区别,还可以是其他数量的匹配点对和几何形状,本实施例以5对匹配点对为例进行说明,不作为对匹配点对的限定。本实施例中,预置特征点图像中的三角形表示的特征点与目标特征点图像中三角形表示的特征点为一对匹配点对,其他几何形状表示的特征点类似,本实施例中总共有5对匹配点对。
206、获取匹配点对的预置特征点格子图像和目标特征点格子图像。
将ROI的图像划分为规格相同的G*G个格子,G为大于1的正整数,并将每对匹配点对映射到G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像。可以是4×4个格子,G还可以是其他数值,例如,G=20。
需要说明的是,为避免匹配点对落入格子边缘甚至格子线上的情况,格子划分时,会将右图的格子上下左右分别移动0.5个格子,以使得匹配效果最佳。同时,为了适应尺寸相差较大的图片间匹配情况,也会将目标特征点格子图缩放一定的倍数,以获得最佳匹配效果。
举例说明,如图4所述,将ROI的图像划分为规格相同的4×4个格子,将获取到的预置特征点图像和目标特征点图像中的特征点对应到4×4个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像。
207、根据预置特征点格子图像和目标特征点格子图像确定匹配格对。
将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,第一格子位于预置特征点图像,第二格子位于目标特征点图像。
举例说明,如图5所示,分别统计图5中预置特征点格子图像的每个格子里面的特征点个数,和目标特征点格子图像的每个格子里面的特征点个数。预置特征点格子图像的第一格子中包括三个预置特征点,一个三角形表示的特征点、一个圆形表示的特征点和一个正方形表示的特征点;目标特征点格子图像的第二格子包括两个特征点,一个三角形表示的特征点和一个圆形表示的特征点;目标特征点格子图像的另一个格子中包括一个正方形表示的特征点。因为第二格子和第一格子相同的特征点数量最多,将第二格子确定为与第一格子匹配的格子,即第一格子和第二格子为暂定的匹配格对,为了便于理解,图中第一格子和第二格子用斜线标记。
具体的,分别以上述暂定的匹配格对的第一格子和第二格子为中心,计算第一格子的阈值。计算阈值公式为:,其中:ni为图5中预置特征点格子图像中第一格子及其八领域格子包含的特征点个数平均值,为设定的经验值;再计算第二格子的评分值,计算评分的公式为:,其中,k为第二格子及其八邻域格子的索引,为图5中预置特征点格子图像第i格子中匹配点对落入目标特征点格子图像对应第j格子的个数。若评分值大于阈值,则图5中的第一格子和第二格子为匹配格对。遍历所有特征点,确定所有匹配格对。
208、判断每对匹配点对是否属于对应的匹配格对。
判断每对匹配点对是否属于对应的匹配格对。具体的,计算第一格子的阈值和第二格子的评分值;判断评分值是否大于阈值;若是,则确定匹配点对属于对应的匹配格对,执行步骤209;若否,则确定匹配点对不属于对应的匹配格对,执行步骤211。遍历ROI的图像中所有匹配点对。
需要说明的是,计算第一格子的阈值和第二格子的评分值之间没有特定的顺序,可以先计算第一格子的阈值,再计算第二格子的评分值;还可以是先计算第二格子的评分值,在计算第一格子的阈值;还可以同时进行计算,具体此处不做限定。
209、确定匹配点对为真匹配,并保留该匹配点对。
若匹配点对属于对应的匹配格对,则确定匹配点对为真匹配,并保留该匹配点对。
210、确定匹配点对为假匹配,并剔除该匹配点对。
若匹配点对不属于对应的匹配格对,则确定匹配点对为假匹配,并剔除该匹配点对。
本申请实施例中,将ROI的图像划分为多个子区域,再从每个子区域中提取特征点,保证每个局部都提取到一定数量的特征点进行匹配,并对匹配后的点对进行判断,剔除假匹配点对,保留真匹配点对,提高了算法识别率,进一步提高了对掌静脉的识别率。
上面对本申请实施例中掌静脉的识别方法进行了描述,下面对本申请实施例中掌静脉的识别装置进行描述,请参阅图6,本申请实施例中掌静脉的识别装置的一个实施例包括:
获取单元601,用于获取用户的目标掌静脉图像;
第一提取单元602,用于从所述目标掌静脉图像中提取感兴趣区域ROI的图像;
划分单元603,用于将所述ROI的图像划分为至少两个子区域;
第二提取单元604,用于采用预置算法从每个所述子区域上提取目标特征点;
比对单元605,用于将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;
判断单元606,用于判断每对所述匹配点对是否为真匹配;
保留单元607,若为真匹配,则用于保留所述匹配点对;
剔除单元608,若为假匹配,则用于剔除所述匹配点对。
本申请实施例中,将ROI的图像划分为多个子区域,再从每个子区域中提取特征点,保证了在手掌感兴趣区域的每个局部都提取一定数量的特征点,提高了对掌静脉的识别率。
请参阅图7,本申请实施例中掌静脉的识别装置的另一个实施例包括:
获取单元701,用于获取用户的目标掌静脉图像;
第一提取单元702,用于从所述目标掌静脉图像中提取感兴趣区域ROI的图像;
划分单元703,用于将所述ROI的图像划分为至少两个子区域;
第二提取单元704,用于采用预置算法从每个所述子区域上提取目标特征点;
比对单元705,用于将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;
判断单元706,用于判断每对所述匹配点对是否为真匹配;
保留单元707,若为真匹配,则用于保留所述匹配点对;
剔除单元708,若为假匹配,则用于剔除所述匹配点对。
可选的,判断单元706可进一步包括:
处理模块7061,用于将所述ROI的图像划分为规格相同的G*G个格子,所述G为大于1的正整数,并将每对所述匹配点对映射到所述G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像;
第一确定模块7062,用于将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,所述第一格子位于所述预置特征点格子图像,所述第二格子位于所述目标特征点格子图像;
判断模块7063,用于判断每对所述匹配点对是否属于对应的匹配格对;
第二确定模块7064,若所述匹配点对属于对应的匹配格对,则用于确定所述匹配点对为真匹配;
第三确定模块7065,若所述匹配点对不属于对应的匹配格对,则用于确定所述匹配点对为假匹配。
可选的,判断模块7063还可以具体用于:
计算所述第一格子的阈值和所述第二格子的评分值;
判断所述评分值是否大于所述阈值;
若是,则确定所述匹配点对属于对应的匹配格对;若否,则确定所述匹配点对不属于对应的匹配格对。
可选的,第二提取单元704可进一步包括:
调整模块7041,用于根据每个所述子区域调整采样阈值,所述采样阈值用于确定所述目标特征点;
第四确定模块7042,用于将每个所述子区域中的目标点确定为目标特征点,所述目标点的参数值大于所述采样阈值。
本申请实施例中,将ROI的图像划分为多个子区域,再从每个子区域中提取特征点,保证每个局部都提取到一定数量的特征点进行匹配,并对匹配后的点对进行判断,剔除假匹配点对,保留真匹配点对,提高了算法识别率,进一步提高了对掌静脉的识别率。
上面图6至图7从模块化功能实体的角度对本申请实施例中的掌静脉的识别装置进行详细描述,下面从硬件处理的角度对本申请实施例中掌静脉的识别装置进行详细描述。
图8是本申请实施例提供的一种掌静脉的识别装置的结构示意图,该掌静脉的识别装置800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)801(例如,一个或一个以上处理器)和存储器809,一个或一个以上存储应用程序809或数据809的存储介质808(例如一个或一个以上海量存储设备)。其中,存储器809和存储介质808可以是短暂存储或持久存储。存储在存储介质808的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对掌静脉的识别装置中的一系列指令操作。更进一步地,处理器801可以设置为与存储介质808通信,在掌静脉的识别装置800上执行存储介质808中的一系列指令操作。
掌静脉的识别装置800还可以包括一个或一个以上电源802,一个或一个以上有线或无线网络接口803,一个或一个以上输入输出接口804,和/或,一个或一个以上操作***805,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8中示出的掌静脉的识别装置结构并不构成对掌静脉的识别装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种掌静脉的识别方法,其特征在于,包括:
获取用户的目标掌静脉图像;
从所述目标掌静脉图像中提取感兴趣区域ROI的图像;
将所述ROI的图像划分为至少两个子区域;
采用预置算法从每个所述子区域上提取目标特征点;
将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;
判断每对所述匹配点对是否为真匹配;
若为真匹配,则保留所述匹配点对;若为假匹配,则剔除所述匹配点对。
2.根据权利要求1所述的识别方法,其特征在于,所述判断每对所述匹配点对是否为真匹配包括:
将所述ROI的图像划分为规格相同的G*G个格子,所述G为大于1的正整数,并将每对所述匹配点对映射到所述G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像;
将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,所述第一格子位于所述预置特征点格子图像,所述第二格子位于所述目标特征点格子图像;
判断每对所述匹配点对是否属于对应的匹配格对;
若所述匹配点对属于对应的匹配格对,则确定所述匹配点对为真匹配;
若所述匹配点对不属于对应的匹配格对,则确定所述匹配点对为假匹配。
3.根据权利要求2所述的识别方法,其特征在于,所述判断每对所述匹配点对是否属于对应的匹配格对包括:
计算所述第一格子的阈值和所述第二格子的评分值;
判断所述评分值是否大于所述阈值;
若是,则确定所述匹配点对属于对应的匹配格对;若否,则确定所述匹配点对不属于对应的匹配格对。
4.根据权利要求1至3中任一项所述的识别方法,其特征在于,所述采用预置算法从每个所述子区域上提取目标特征点包括:
根据每个所述子区域调整采样阈值,所述采样阈值用于确定所述目标特征点;
将每个所述子区域中的目标点确定为目标特征点,所述目标点的参数值大于所述采样阈值。
5.根据权利要求1至3中任一项所述的识别方法,其特征在于,所述预置算法为方向描述符ORB算法、尺度不变特征转换SIFT算法或快速鲁棒特征SURF算法中任一算法。
6.一种掌静脉的识别装置,其特征在于,包括:
获取单元,用于获取用户的目标掌静脉图像;
第一提取单元,用于从所述目标掌静脉图像中提取感兴趣区域ROI的图像;
划分单元,用于将所述ROI的图像划分为至少两个子区域;
第二提取单元,用于采用预置算法从每个所述子区域上提取目标特征点;
比对单元,用于将提取到的所述目标特征点与预置特征点进行特征比对,得到匹配点对;
判断单元,用于判断每对所述匹配点对是否为真匹配;
保留单元,若为真匹配,则用于保留所述匹配点对;
剔除单元,若为假匹配,则用于剔除所述匹配点对。
7.根据权利要求6所述的识别装置,其特征在于,所述判断单元包括:
处理模块,用于将所述ROI的图像划分为规格相同的G*G个格子,所述G为大于1的正整数,并将每对所述匹配点对映射到所述G*G个格子的相应位置,得到预置特征点格子图像和目标特征点格子图像;
第一确定模块,用于将具有相同匹配点对数量最多的第一格子和第二格子确定为匹配格对,所述第一格子位于所述预置特征点格子图像,所述第二格子位于所述目标特征点格子图像;
判断模块,用于判断每对所述匹配点对是否属于对应的匹配格对;
第二确定模块,若所述匹配点对属于对应的匹配格对,则用于确定所述匹配点对为真匹配;
第三确定模块,若所述匹配点对不属于对应的匹配格对,则用于确定所述匹配点对为假匹配。
8.根据权利要求7所述的识别装置,其特征在于,所述判断模块具体用于:
计算所述第一格子的阈值和所述第二格子的评分值;
判断所述评分值是否大于所述阈值;
若是,则确定所述匹配点对属于对应的匹配格对;若否,则确定所述匹配点对不属于对应的匹配格对。
9.根据权利要求6至8中任一项所述的识别装置,其特征在于,所述第二提取单元包括:
调整模块,用于根据每个所述子区域调整采样阈值,所述采样阈值用于确定所述目标特征点;
第四确定模块,用于将每个所述子区域中的目标点确定为目标特征点,所述目标点的参数值大于所述采样阈值。
10.根据权利要求6至8中任一项所述的识别装置,其特征在于,所述预置算法为方向描述符ORB算法、尺度不变特征转换SIFT算法或快速鲁棒特征SURF算法中任一算法。
11.一种掌静脉的识别装置,其特征在于,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互联;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述掌静脉的识别装置执行如权利要求1-5中任意一项所述的方法。
12.一种计算机装置,其特征在于,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/106307 WO2019075601A1 (zh) | 2017-10-16 | 2017-10-16 | 一种掌静脉的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107980140A true CN107980140A (zh) | 2018-05-01 |
CN107980140B CN107980140B (zh) | 2021-09-14 |
Family
ID=62006180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780001261.7A Active CN107980140B (zh) | 2017-10-16 | 2017-10-16 | 一种掌静脉的识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107980140B (zh) |
WO (1) | WO2019075601A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977909A (zh) * | 2019-04-04 | 2019-07-05 | 山东财经大学 | 基于细节点区域匹配的手指静脉识别方法及*** |
CN110298944A (zh) * | 2019-06-13 | 2019-10-01 | Oppo(重庆)智能科技有限公司 | 静脉解锁方法和静脉解锁装置 |
CN110598640A (zh) * | 2019-09-16 | 2019-12-20 | 合肥中科奔巴科技有限公司 | 一种基于迁移学习手背静脉识别方法 |
CN110879956A (zh) * | 2019-07-12 | 2020-03-13 | 熵加网络科技(北京)有限公司 | 一种掌纹特征提取的方法 |
CN111163442A (zh) * | 2019-12-27 | 2020-05-15 | 咻享智能(深圳)有限公司 | 无线物联网路径规划方法及相关装置 |
CN111553241A (zh) * | 2020-04-24 | 2020-08-18 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
CN112119426A (zh) * | 2018-11-28 | 2020-12-22 | 华为技术有限公司 | 一种图像特征点匹配方法及装置 |
CN112861846A (zh) * | 2019-11-12 | 2021-05-28 | 北京地平线机器人技术研发有限公司 | 处理张量数据的方法和装置 |
CN114241536A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种掌脉图像识别方法及*** |
US11343591B2 (en) | 2018-11-30 | 2022-05-24 | Samsung Electronics Co., Ltd. | Method and system of presenting moving images or videos corresponding to still images |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633511B (zh) * | 2019-08-27 | 2023-05-09 | 广东工业大学 | 一种个性化医疗器械模块化设计方法及装置 |
CN112861743B (zh) * | 2021-02-20 | 2023-07-14 | 厦门熵基科技有限公司 | 一种掌静脉图像防伪方法、装置和设备 |
CN113705344A (zh) * | 2021-07-21 | 2021-11-26 | 西安交通大学 | 基于全手掌的掌纹识别方法、装置、终端设备及存储介质 |
CN113693636B (zh) * | 2021-08-30 | 2023-11-24 | 南方科技大学 | 采样方法、采样***及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8818048B2 (en) * | 2010-01-22 | 2014-08-26 | Indiana University Research And Technology Corp. | System and method for cancelable iris recognition |
TW201447625A (zh) * | 2013-06-07 | 2014-12-16 | Univ Chien Hsin Sci & Tech | 自適應加伯濾波器的手掌靜脈識別方法 |
US20150036893A1 (en) * | 2013-07-30 | 2015-02-05 | Fujitsu Limited | Authentication device and method |
CN104915965A (zh) * | 2014-03-14 | 2015-09-16 | 华为技术有限公司 | 一种摄像机跟踪方法及装置 |
CN105005776A (zh) * | 2015-07-30 | 2015-10-28 | 广东欧珀移动通信有限公司 | 指纹识别方法及装置 |
US20150356339A1 (en) * | 2014-06-09 | 2015-12-10 | Lawrence Livermore National Security, Llc | Multimodal Imaging System And Method For Non-Contact Identification of Multiple Biometric Traits |
CN105474234A (zh) * | 2015-11-24 | 2016-04-06 | 厦门中控生物识别信息技术有限公司 | 一种掌静脉识别的方法和掌静脉识别装置 |
CN105551012A (zh) * | 2014-11-04 | 2016-05-04 | 阿里巴巴集团控股有限公司 | 计算机图像配准中降低错误匹配对的方法及其*** |
CN105760841A (zh) * | 2016-02-22 | 2016-07-13 | 桂林航天工业学院 | 一种身份识别方法及*** |
CN106056040A (zh) * | 2016-05-18 | 2016-10-26 | 深圳市源厚实业有限公司 | 一种掌静脉识别方法和装置 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN106778510A (zh) * | 2016-11-25 | 2017-05-31 | 江西师范大学 | 一种超高分辨率遥感图像中高层建筑特征点匹配方法 |
WO2017116331A1 (en) * | 2015-12-30 | 2017-07-06 | Gebze Teknik Universitesi | Stereo palm vein detection method and biometric identification system operating in compliance with said method |
CN107145829A (zh) * | 2017-04-07 | 2017-09-08 | 电子科技大学 | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824086A (zh) * | 2014-03-24 | 2014-05-28 | 东方网力科技股份有限公司 | 一种图像匹配方法及装置 |
CN104751475B (zh) * | 2015-04-16 | 2017-09-26 | 中国科学院软件研究所 | 一种面向静态图像对象识别的特征点优选匹配方法 |
CN105608409B (zh) * | 2015-07-16 | 2019-01-11 | 宇龙计算机通信科技(深圳)有限公司 | 指纹识别的方法及装置 |
-
2017
- 2017-10-16 CN CN201780001261.7A patent/CN107980140B/zh active Active
- 2017-10-16 WO PCT/CN2017/106307 patent/WO2019075601A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8818048B2 (en) * | 2010-01-22 | 2014-08-26 | Indiana University Research And Technology Corp. | System and method for cancelable iris recognition |
TW201447625A (zh) * | 2013-06-07 | 2014-12-16 | Univ Chien Hsin Sci & Tech | 自適應加伯濾波器的手掌靜脈識別方法 |
US20150036893A1 (en) * | 2013-07-30 | 2015-02-05 | Fujitsu Limited | Authentication device and method |
CN104915965A (zh) * | 2014-03-14 | 2015-09-16 | 华为技术有限公司 | 一种摄像机跟踪方法及装置 |
US20150356339A1 (en) * | 2014-06-09 | 2015-12-10 | Lawrence Livermore National Security, Llc | Multimodal Imaging System And Method For Non-Contact Identification of Multiple Biometric Traits |
CN105551012A (zh) * | 2014-11-04 | 2016-05-04 | 阿里巴巴集团控股有限公司 | 计算机图像配准中降低错误匹配对的方法及其*** |
CN105005776A (zh) * | 2015-07-30 | 2015-10-28 | 广东欧珀移动通信有限公司 | 指纹识别方法及装置 |
CN105474234A (zh) * | 2015-11-24 | 2016-04-06 | 厦门中控生物识别信息技术有限公司 | 一种掌静脉识别的方法和掌静脉识别装置 |
WO2017116331A1 (en) * | 2015-12-30 | 2017-07-06 | Gebze Teknik Universitesi | Stereo palm vein detection method and biometric identification system operating in compliance with said method |
CN105760841A (zh) * | 2016-02-22 | 2016-07-13 | 桂林航天工业学院 | 一种身份识别方法及*** |
CN106056040A (zh) * | 2016-05-18 | 2016-10-26 | 深圳市源厚实业有限公司 | 一种掌静脉识别方法和装置 |
CN106651827A (zh) * | 2016-09-09 | 2017-05-10 | 浙江大学 | 一种基于sift特征的眼底图像配准方法 |
CN106778510A (zh) * | 2016-11-25 | 2017-05-31 | 江西师范大学 | 一种超高分辨率遥感图像中高层建筑特征点匹配方法 |
CN107145829A (zh) * | 2017-04-07 | 2017-09-08 | 电子科技大学 | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 |
Non-Patent Citations (2)
Title |
---|
WENXIONG KANG等: "Contact-Free Palm-Vein Recognition Based on Local Invariant Features", 《PLOS ONE》 * |
吴微: "手掌静脉识别技术研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112119426A (zh) * | 2018-11-28 | 2020-12-22 | 华为技术有限公司 | 一种图像特征点匹配方法及装置 |
US11343591B2 (en) | 2018-11-30 | 2022-05-24 | Samsung Electronics Co., Ltd. | Method and system of presenting moving images or videos corresponding to still images |
CN109977909A (zh) * | 2019-04-04 | 2019-07-05 | 山东财经大学 | 基于细节点区域匹配的手指静脉识别方法及*** |
CN110298944A (zh) * | 2019-06-13 | 2019-10-01 | Oppo(重庆)智能科技有限公司 | 静脉解锁方法和静脉解锁装置 |
CN110298944B (zh) * | 2019-06-13 | 2021-08-10 | Oppo(重庆)智能科技有限公司 | 静脉解锁方法和静脉解锁装置 |
CN110879956A (zh) * | 2019-07-12 | 2020-03-13 | 熵加网络科技(北京)有限公司 | 一种掌纹特征提取的方法 |
CN110598640A (zh) * | 2019-09-16 | 2019-12-20 | 合肥中科奔巴科技有限公司 | 一种基于迁移学习手背静脉识别方法 |
CN112861846A (zh) * | 2019-11-12 | 2021-05-28 | 北京地平线机器人技术研发有限公司 | 处理张量数据的方法和装置 |
CN112861846B (zh) * | 2019-11-12 | 2024-04-19 | 北京地平线机器人技术研发有限公司 | 处理张量数据的方法和装置 |
CN111163442A (zh) * | 2019-12-27 | 2020-05-15 | 咻享智能(深圳)有限公司 | 无线物联网路径规划方法及相关装置 |
CN111163442B (zh) * | 2019-12-27 | 2021-11-23 | 咻享智能(深圳)有限公司 | 无线物联网路径规划方法及相关装置 |
CN111553241A (zh) * | 2020-04-24 | 2020-08-18 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
WO2021212874A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
CN111553241B (zh) * | 2020-04-24 | 2024-05-07 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
CN114241536A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种掌脉图像识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2019075601A1 (zh) | 2019-04-25 |
CN107980140B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107980140A (zh) | 一种掌静脉的识别方法及装置 | |
EP3321850B1 (en) | Method and apparatus with iris region extraction | |
Singh et al. | Image processing based automatic diagnosis of glaucoma using wavelet features of segmented optic disc from fundus image | |
Yavuz et al. | Blood vessel extraction in color retinal fundus images with enhancement filtering and unsupervised classification | |
Li et al. | Iris recognition based on a novel variation of local binary pattern | |
Shams et al. | Iris recognition based on LBP and combined LVQ classifier | |
Lucio et al. | Fully convolutional networks and generative adversarial networks applied to sclera segmentation | |
Haq et al. | [Retracted] A Hybrid Approach Based on Deep CNN and Machine Learning Classifiers for the Tumor Segmentation and Classification in Brain MRI | |
Ahmadi et al. | Iris tissue recognition based on GLDM feature extraction and hybrid MLPNN-ICA classifier | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
Fronitasari et al. | Palm vein recognition by using modified of local binary pattern (LBP) for extraction feature | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
Muangnak et al. | Vessel transform for automatic optic disk detection in retinal images | |
Szymkowski et al. | A novelty approach to retina diagnosing using biometric techniques with SVM and clustering algorithms | |
Johar et al. | Iris segmentation and normalization using Daugman’s rubber sheet model | |
Upadhyay et al. | Unsupervised multiscale retinal blood vessel segmentation using fundus images | |
Das et al. | Fuzzy logic based selera recognition | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
Aminah et al. | Retracted: Application of Machine Learning Techniques for Diagnosis of Diabetes Based on Iridology | |
Tan et al. | Efficient iris segmentation using Grow-Cut algorithm for remotely acquired iris images | |
Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
Arakala et al. | Value of graph topology in vascular biometrics | |
Riccio et al. | An unsupervised approach for eye sclera segmentation | |
Tapia et al. | Gender classification from Iris texture images using a new set of binary statistical image features | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province Applicant after: Xiamen Entropy Technology Co., Ltd Address before: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001 Applicant before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |