CN110008931A - 结合指纹与指静脉信息的混合识别方法 - Google Patents
结合指纹与指静脉信息的混合识别方法 Download PDFInfo
- Publication number
- CN110008931A CN110008931A CN201910307727.7A CN201910307727A CN110008931A CN 110008931 A CN110008931 A CN 110008931A CN 201910307727 A CN201910307727 A CN 201910307727A CN 110008931 A CN110008931 A CN 110008931A
- Authority
- CN
- China
- Prior art keywords
- image
- fingerprint
- composite character
- finger
- vein
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002131 composite material Substances 0.000 claims abstract description 91
- 210000003462 vein Anatomy 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000001990 intravenous administration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 210000001367 artery Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06V40/12—Fingerprints or palmprints
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种结合指纹与指静脉信息的混合识别方法,本发明是指静脉识别结合指纹识别的一种混合识别算法,将指纹识别与指静脉识别得到的预处理图像其融合成一个手指形状图像,该图像中包含用户的指纹特征与指静脉特征,并将其结合深度森林算法,在同一个训练集下进行特征提取,并将提取后的特征位置进行代数加密,构建具有混合特征信息的数据集来进行后续的匹配验证。通过这种混合算法,既能保证用户的生物特征信息,而且在深度森林的算法下也能防止算法被轻易破解,保护用户财产的安全性。
Description
技术领域
本发明涉及一种结合指纹与指静脉信息的混合识别方法
背景技术
随着生活水平的不断提高,智能化产品早已融入人们的生活之中,与之而来的是人们的财产信息安全问题。伴随着电子芯片微型化以及生物识别技术的快速发展,传统的身份认证暴露出不易携带、容易被伪造、安全性低等重大缺陷,因此生物识别技术将大范围替代传统的识别方式。
在目前的主流的生物识别技术中,指纹识别占据主导的地位,但其仍有被轻易盗取以及该技术本身的问题,例如指纹破损、干湿手下的匹配问题。
发明内容
本发明的目的在于提供一种结合指纹与指静脉信息的混合识别方法。
为解决上述问题,本发明提供一种结合指纹与指静脉信息的混合识别方法,包括:
将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像;
将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到混合特征图像的特征点之间的代数关系;
根据混合特征图像的特征点之间的代数关系,对待认证用户的身份进行认证判断。
进一步的,在上述方法中,用图像集训练模型,包括:
通过深度森林算法,并用所述图像集训练模型。
进一步的,在上述方法中,将指纹传感器及指静脉传感器采集到的图像进行处理,包括:
将所述指纹传感器采集到的指纹图像进行包括归一化、图像切割、图像二值化、去毛刺和细化的处理;
将所述指静脉传感器采集到的指静脉图像进行手指区域定位、感兴趣区域定位、旋转定位、图像增强、静脉分割的处理。
进一步的,在上述方法中,将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像,包括:
通过指纹传感器和指静脉传感器获取同一用户同一手指的指纹、指静脉的图像;
将所述指纹、指静脉图像分别进行图像预处理,得到单像素宽度的指纹、指静脉二值化图像;
将两幅指纹、指静脉二值化图像进行归一化处理,使这两幅图像的像素大小一致,并以手指的轮廓进行两者之间的融合,产生混合特征图像,其中,所述混合特征图像的上层为指纹特征,下层为指静脉特征。
进一步的,在上述方法中,将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到待验证的混合特征图像的特征点之间的关系,包括:
将所述混合特征图像中的特征点进行标注,并进行图像集的搭建;
将产生的图像集进行训练,让训练模型进行特征点学习,以通过大量的图像集训练,产生包含混合特征点的训练模型;
从产生的训练模型提取混合特征图像中的特征信息,并通过该特征信息,采用相同的代数关系产生一个小型的数据集B,所述数据集B表示混合特征图像的特征点之间的代数关系。
进一步的,在上述方法中,根据待验证的混合特征图像的特征点之间的关系,对待认证用户的身份进行认证判断,包括:
通过指纹采集器及指静脉采集器获得同一用户同一手指的待验证的指纹图像和指静脉图像,基于所述待验证的指纹和指静脉图像生成待验证的混合特征图像;
通过产生的训练模型获得所述待验证的混合特征图像中混合特征点的相对位置,并通过每个混合特征点的位置计算混合特征点之间的代数有关系,以产生并记录同一用户同一手指之间特征的一个数据集A,而该数据集A可在认证环节作为最有效的判别数据;
将所述数据集B与数据集A进行比对,若这两者的匹配度超过预设的阈值,则判断为待认证用户的身份认证成功,反之,则判断为待认证用户的身份错误。
与现有技术相比,本发明是指静脉识别结合指纹识别的一种混合识别算法,将指纹识别与指静脉识别得到的预处理图像其融合成一个手指形状图像,该图像中包含用户的指纹特征与指静脉特征,并将其结合深度森林算法,在同一个训练集下进行特征提取,并将提取后的特征位置进行代数加密,构建具有混合特征信息的数据集来进行后续的匹配验证。通过这种混合算法,既能保证用户的生物特征信息,而且在深度森林的算法下也能防止算法被轻易破解,保护用户财产的安全性。目前指纹识别产品已广泛流行于市场,静脉识别产品也开始逐步进入市场,但其均以独立识别的方式来验证用户身份。而将指纹与指静脉信息进行混合处理的识别方式不仅能有效融合了两种识别的生物特征信息实现加密处理,还防止单一识别被破解的问题,大大的提高了用户的安全性,并且本发明中采用的深度森林算法也可提高了这个指标。
附图说明
图1是本发明一实施例的混合特征图像生成流程图;
图2是本发明一实施例的混合识别流程图;
图3是本发明一实施例的深度森林算法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种结合指纹与指静脉信息的混合识别方法,包括:
步骤S1,将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像;
在此,此处指纹采集较为常见,不做介绍,而指静脉采集的原理是:指静脉采集器中的近红外灯发出红外光照射手指,手指中的血红蛋白吸收发出的红外光再经反射到采集器中,就生成明暗不同的图像,该图像就是得到的指静脉图像;而后根据不同的识别方式,其经过的预处理方式不同,例如指纹图像预处理进行的步骤为归一化、图像切割、图像二值化、去毛刺、细化,而指静脉预处理的过程为手指区域定位、感兴趣(RIO)区域定位、旋转定位、图像增强、静脉分割;经过上述的图像预处理之后,将得到两张包含各自特征的细化图像;而后将这两者以手指轮廓的形状拼接成一张具有指纹及指静脉特征的混合特征图像;
步骤S2,将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到混合特征图像的特征点之间的代数关系;
步骤S3,根据混合特征图像的特征点之间的代数关系,对待认证用户的身份进行认证判断。
在此,相比指纹识别技术,手指静脉识别技术作为新一代的生物特征识别技术,拥有活体检测、内部特性、非接触性等优点,若能结合两种识别方式,将会产生更大的发展潜力。经过研究两者的识别过程,发现这两种识别方式的主要流程高度相似,并且两者的特征点也高度相似,并且这两者均可来自同一手指,因此也给这种混合识别技术提供了可能性。而这种混合指纹与指静脉识别的技术也在单一的识别基础增加活体验证与信息加密,可提高识别的安全性,保护用户的信息财产安全。
本发明通过研究指静脉识别与指纹识别的流程发现,这两种识别方式均可是图像预处理、特征提取、特征匹配的操作流程,并且发现这两种识别的特征点类似,为细节匹配当中的端点与分叉点,因此将预处理后的指纹及指静脉图像进行融合处理,生成一幅具有手指轮廓的混合特征特征图像,而后可以通过深度森林算法训练这一批已经标注特征点的混合特征图像,得到能够提取混合特征的模型,最后将得到的模型去验证另一组未被标注特征的混合特征图像,通过这组验证结果得到的识别率、拒真率和认假率来获得该算法的准确度。
本发明是一种结合指纹与指静脉信息的混合识别方法,通过融合这两种识别方式将单一生物认证技术引入混合识别的领域,以弥补单一识别条件下的不足。该混合识别主要分为两个环节,其分别为训练环节与认证环节。本算法将指纹及指静脉传感器采集到的图像进行处理,生成一种混合特征图像。而后将采集生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取。通过模型的提取可得到待验证的混合特征图像的特征点信息,即获得特征点之间的关系。通过这层代数关系来作为待认证用户的身份判断依据。
本发明是指静脉识别结合指纹识别的一种混合识别算法,将指纹识别与指静脉识别得到的预处理图像其融合成一个手指形状图像,该图像中包含用户的指纹特征与指静脉特征,并将其结合深度森林算法,在同一个训练集下进行特征提取,并将提取后的特征位置进行代数加密,构建具有混合特征信息的数据集来进行后续的匹配验证。通过这种混合算法,既能保证用户的生物特征信息,而且在深度森林的算法下也能防止算法被轻易破解,保护用户财产的安全性。目前指纹识别产品已广泛流行于市场,静脉识别产品也开始逐步进入市场,但其均以独立识别的方式来验证用户身份。而将指纹与指静脉信息进行混合处理的识别方式不仅能有效融合了两种识别的生物特征信息实现加密处理,还防止单一识别被破解的问题,大大的提高了用户的安全性,并且本发明中采用的深度森林算法也可提高了这个指标。
本发明的结合指纹与指静脉信息的混合识别方法一实施例中,步骤S1,将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像,包括:
步骤S11,通过指纹传感器和指静脉传感器获取同一用户同一手指的指纹、指静脉的图像;
步骤S12,将所述指纹、指静脉图像分别进行图像预处理,得到单像素宽度的指纹、指静脉二值化图像;
步骤S13,将两幅指纹、指静脉二值化图像进行归一化处理,使这两幅图像的像素大小一致,并以手指的轮廓进行两者之间的融合,产生混合特征图像,其中,所述混合特征图像的上层为指纹特征,下层为指静脉特征。
本发明的结合指纹与指静脉信息的混合识别方法一实施例中,步骤S2,将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到待验证的混合特征图像的特征点之间的关系,包括:
步骤S21,将所述混合特征图像中的特征点进行标注,并进行图像集的搭建;
步骤S22,将产生的图像集进行训练,让训练模型进行特征点学习,以通过大量的图像集训练,产生包含混合特征点的训练模型;
步骤S23,从产生的训练模型提取混合特征图像中的特征信息,并通过该特征信息,采用相同的代数关系产生一个小型的数据集B,所述数据集B表示混合特征图像的特征点之间的代数关系。
本发明的结合指纹与指静脉信息的混合识别方法一实施例中,步骤S3,根据待验证的混合特征图像的特征点之间的关系,对待认证用户的身份进行认证判断,包括:
步骤S31,通过指纹采集器及指静脉采集器获得同一用户同一手指的待验证的指纹图像和指静脉图像,基于所述待验证的指纹和指静脉图像生成待验证的混合特征图像;
步骤S32,通过产生的训练模型获得所述待验证的混合特征图像中混合特征点的相对位置,并通过每个混合特征点的位置计算混合特征点之间的代数有关系,以产生并记录同一用户同一手指之间特征的一个数据集A,而该数据集A可在认证环节作为最有效的判别数据;
步骤S33,将所述数据集B与数据集A进行比对,若这两者的匹配度超过预设的阈值,则判断为待认证用户的身份认证成功,反之,则判断为待认证用户的身份错误。
本发明通过得到的混合特征图像,结合深度森林的思想来获得寻找特征点的训练模型,并通过这个训练模型来达到后面匹配的效果。深度森林算法采用多粒度串联森林的思想。该算法采用深度网络的一层叠一层的结构,从前层输入数据,输出结果作为下层的输入。每一层都是由决策树组成的森林组成的,且每层都是由两种不同的森林所组成,即完全随机森林和普通随机森林。根据不同森林的决策树的生长规则,每棵树经过不同特征训练后的所生长的枝叶结果就不同,每棵树会根据样本所在的子空间中训练样本的类别占比生成一个类别的概率分布,然后对森林内所有树的各类比例取平均,输出整个森林对各类的比例,即可提取到混合特征图像中的特征点。通过混合特征图像集的大量训练,可以得到具有提取特征的模型,该模型可在认证阶段快速并准确的去找待验证混合特征图像中的特征,提高算法验证的实时性。
本发明是一种混合指纹与指静脉信息的识别方法,将指纹与指静脉中的特征在同一数据集中进行训练,得到一个能识别该混合特征的训练模型,该训练模型的产生相当于对用户的特征信息进行一层加密,保障用户的生物特征信息的安全性,并且这种混合识别方式也可提高识别的正确性。指静脉识别的引入可达到活体检验的效果,防止他人恶意使用虚假指纹来验证盗取用户的财产的后果。并且该混合算法也可以给以后的多种生物识别算法的融合提供一种全新的、有效的可能。
具体的,如图1所示这是混合特征图像生成流程图,混合特征图像的生成对整个的混合算法起了最基础也最为重要的作用。该混合特征图像用于后续的训练,产生提取特征的训练模型。由于指纹与指静脉识别的预处理方式不同,因此该混合特征图像由两者识别进行各自的预处理之后进行归一叠加处理,将具有指纹与指静脉特征图像融合成一个具有手指形状的混合特征图像,以供后续的算法处理。
如图2所示为混合识别流程图。该流程图由两个环节组成,分别为训练环节与认证环节。
在训练环节中,首先通过得到的混合特征图像集运用深度森林的算法进行训练,获得具有能够提取混合特征的训练模型,并能得到每个混合特征之间的代数关系,并将这些代数关系储存并生成一个数据集B,用于后续验证时的数据比对。
而在认证环节之中,通过指纹采集器及指静脉采集器能获得同一用户同一手指的待验证的指纹图像和指静脉图像,基于所述待验证的指纹和指静脉图像生成待验证的混合特征图像,而后将待验证的混合特征图像通过训练环节中产生的训练模型获得该混合特征图像的特征点位置并计算混合特征点之间的代数关系,将这组数据与训练产生的数据集进行匹配,若超过设定的阈值,则认为认证成功。
如图3所示为深度森林算法流程图,该算法主要分为两部分。第一部分为多颗粒提取部分,该部分主要将原始特征通过不同大小的移动窗口来训练获得该数据在各情况的特征表示,并将各个特征表示进行拼接得到另一组特征,该特征将具有更加丰富的数据特点。而第二部分为串联森林算法,通过完全随机森林和普通随机森林的训练来判别原数据中哪些数据为所需的特征数据。因此将深度森林算法应用到指纹、指静脉混合识别中可达到所要求的效果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种结合指纹与指静脉信息的混合识别方法,其特征在于,包括:
将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像;
将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到混合特征图像的特征点之间的代数关系;
根据混合特征图像的特征点之间的代数关系,对待认证用户的身份进行认证判断。
2.如权利要求1所述的结合指纹与指静脉信息的混合识别方法,其特征在于,用图像集训练模型,包括:
通过深度森林算法,并用所述图像集训练模型。
3.如权利要求1所述的结合指纹与指静脉信息的混合识别方法,其特征在于,将指纹传感器及指静脉传感器采集到的图像进行处理,包括:
将所述指纹传感器采集到的指纹图像进行包括归一化、图像切割、图像二值化、去毛刺和细化的处理;
将所述指静脉传感器采集到的指静脉图像进行手指区域定位、感兴趣区域定位、旋转定位、图像增强、静脉分割的处理。
4.如权利要求1所述的结合指纹与指静脉信息的混合识别方法,其特征在于,将指纹传感器及指静脉传感器采集到的图像进行处理,生成混合特征图像,包括:
通过指纹传感器和指静脉传感器获取同一用户同一手指的指纹、指静脉的图像;
将所述指纹、指静脉图像分别进行图像预处理,得到单像素宽度的指纹、指静脉二值化图像;
将两幅指纹、指静脉二值化图像进行归一化处理,使这两幅图像的像素大小一致,并以手指的轮廓进行两者之间的融合,产生混合特征图像,其中,所述混合特征图像的上层为指纹特征,下层为指静脉特征。
5.如权利要求4所述的结合指纹与指静脉信息的混合识别方法,其特征在于,将生成的大量混合特征图像进行图像集的构建,用图像集训练模型,再将得到的模型进行混合特征点的提取,得到待验证的混合特征图像的特征点之间的关系,包括:
将所述混合特征图像中的特征点进行标注,并进行图像集的搭建;
将产生的图像集进行训练,让训练模型进行特征点学习,以通过大量的图像集训练,产生包含混合特征点的训练模型;
从产生的训练模型提取混合特征图像中的特征信息,并通过该特征信息,采用相同的代数关系产生一个小型的数据集B,所述数据集B表示混合特征图像的特征点之间的代数关系。
6.如权利要求5所述的结合指纹与指静脉信息的混合识别方法,其特征在于,根据待验证的混合特征图像的特征点之间的关系,对待认证用户的身份进行认证判断,包括:
通过指纹采集器及指静脉采集器获得同一用户同一手指的待验证的指纹图像和指静脉图像,基于所述待验证的指纹和指静脉图像生成待验证的混合特征图像;
通过产生的训练模型获得所述待验证的混合特征图像中混合特征点的相对位置,并通过每个混合特征点的位置计算混合特征点之间的代数有关系,以产生并记录同一用户同一手指之间特征的一个数据集A,而该数据集A可在认证环节作为最有效的判别数据;
将所述数据集B与数据集A进行比对,若这两者的匹配度超过预设的阈值,则判断为待认证用户的身份认证成功,反之,则判断为待认证用户的身份错误。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307727.7A CN110008931A (zh) | 2019-04-16 | 2019-04-16 | 结合指纹与指静脉信息的混合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307727.7A CN110008931A (zh) | 2019-04-16 | 2019-04-16 | 结合指纹与指静脉信息的混合识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110008931A true CN110008931A (zh) | 2019-07-12 |
Family
ID=67172467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910307727.7A Pending CN110008931A (zh) | 2019-04-16 | 2019-04-16 | 结合指纹与指静脉信息的混合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008931A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162953A (zh) * | 2019-05-31 | 2019-08-23 | Oppo(重庆)智能科技有限公司 | 生物识别方法及相关产品 |
CN110427906A (zh) * | 2019-08-07 | 2019-11-08 | 上海应用技术大学 | 结合指纹与指静脉生物特征的混合加密识别方法 |
CN111046807A (zh) * | 2019-12-16 | 2020-04-21 | 上海芯灵科技有限公司 | 一种指静脉指节纹重合识别*** |
CN111368780A (zh) * | 2020-03-13 | 2020-07-03 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
TWI715185B (zh) * | 2019-09-04 | 2021-01-01 | 宏碁股份有限公司 | 指紋感測裝置與方法 |
WO2022067543A1 (zh) * | 2020-09-29 | 2022-04-07 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071286A1 (en) * | 2005-09-16 | 2007-03-29 | Lee Yong J | Multiple biometric identification system and method |
CN101504722A (zh) * | 2009-03-20 | 2009-08-12 | 公安部第一研究所 | 多模态结合的身份认证***及方法 |
CA2798626A1 (en) * | 2012-12-10 | 2014-06-10 | Davell D. B. Burnett | Biometric banking machine apparatus, system, and method |
CN105654034A (zh) * | 2015-12-22 | 2016-06-08 | 成都比善科技开发有限公司 | 一种基于手指静脉识别的电子锁开锁方法 |
CN105678233A (zh) * | 2015-12-30 | 2016-06-15 | 北京天诚盛业科技有限公司 | 基于指纹与指静脉的复合识别方法、装置及*** |
CN105844243A (zh) * | 2016-03-24 | 2016-08-10 | 中国民航大学 | 一种基于几何结构的手指多模态生物特征粒化融合方法 |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106650707A (zh) * | 2017-01-20 | 2017-05-10 | 北京神州安盾科技有限公司 | 一种指静脉加指纹混合型身份认证装置及方法 |
CN107423703A (zh) * | 2017-07-21 | 2017-12-01 | 山东大学 | 基于人脸、指纹和指静脉特征的多模态识别装置及方法 |
CN109190554A (zh) * | 2018-08-30 | 2019-01-11 | 深圳大学 | 一种基于指纹和指静脉的3d识别***及方法 |
KR20190020537A (ko) * | 2017-08-21 | 2019-03-04 | 홍주형 | 지정맥·지문으로 이루어진 하이브리드형 하드웨어 인증장치 |
-
2019
- 2019-04-16 CN CN201910307727.7A patent/CN110008931A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071286A1 (en) * | 2005-09-16 | 2007-03-29 | Lee Yong J | Multiple biometric identification system and method |
CN101504722A (zh) * | 2009-03-20 | 2009-08-12 | 公安部第一研究所 | 多模态结合的身份认证***及方法 |
CA2798626A1 (en) * | 2012-12-10 | 2014-06-10 | Davell D. B. Burnett | Biometric banking machine apparatus, system, and method |
CN105654034A (zh) * | 2015-12-22 | 2016-06-08 | 成都比善科技开发有限公司 | 一种基于手指静脉识别的电子锁开锁方法 |
CN105678233A (zh) * | 2015-12-30 | 2016-06-15 | 北京天诚盛业科技有限公司 | 基于指纹与指静脉的复合识别方法、装置及*** |
CN105844243A (zh) * | 2016-03-24 | 2016-08-10 | 中国民航大学 | 一种基于几何结构的手指多模态生物特征粒化融合方法 |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106650707A (zh) * | 2017-01-20 | 2017-05-10 | 北京神州安盾科技有限公司 | 一种指静脉加指纹混合型身份认证装置及方法 |
CN107423703A (zh) * | 2017-07-21 | 2017-12-01 | 山东大学 | 基于人脸、指纹和指静脉特征的多模态识别装置及方法 |
KR20190020537A (ko) * | 2017-08-21 | 2019-03-04 | 홍주형 | 지정맥·지문으로 이루어진 하이브리드형 하드웨어 인증장치 |
CN109190554A (zh) * | 2018-08-30 | 2019-01-11 | 深圳大学 | 一种基于指纹和指静脉的3d识别***及方法 |
Non-Patent Citations (1)
Title |
---|
万天添: "融合指纹与指静脉图像采集***", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162953A (zh) * | 2019-05-31 | 2019-08-23 | Oppo(重庆)智能科技有限公司 | 生物识别方法及相关产品 |
CN110427906A (zh) * | 2019-08-07 | 2019-11-08 | 上海应用技术大学 | 结合指纹与指静脉生物特征的混合加密识别方法 |
CN110427906B (zh) * | 2019-08-07 | 2023-04-18 | 上海应用技术大学 | 结合指纹与指静脉生物特征的混合加密识别方法 |
TWI715185B (zh) * | 2019-09-04 | 2021-01-01 | 宏碁股份有限公司 | 指紋感測裝置與方法 |
CN111046807A (zh) * | 2019-12-16 | 2020-04-21 | 上海芯灵科技有限公司 | 一种指静脉指节纹重合识别*** |
CN111368780A (zh) * | 2020-03-13 | 2020-07-03 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN111368780B (zh) * | 2020-03-13 | 2024-01-30 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
WO2022067543A1 (zh) * | 2020-09-29 | 2022-04-07 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
CN112115917B (zh) * | 2020-09-29 | 2024-05-28 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008931A (zh) | 结合指纹与指静脉信息的混合识别方法 | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
Choraś | Ear biometrics based on geometrical feature extraction | |
CN106778525A (zh) | 身份认证方法和装置 | |
CN106709417A (zh) | 一种多模态生物识别***及其使用方法 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及*** | |
Kumar et al. | A survey paper on altered fingerprint identification & classification | |
CN103136522A (zh) | 指静脉识别技术方案 | |
CN109886202A (zh) | 基于IoM的可撤销的掌纹竞争码特征识别方法 | |
Adiraju et al. | An extensive survey on finger and palm vein recognition system | |
CN110163123A (zh) | 一种基于单幅近红外手指图像指纹指静脉融合识别方法 | |
CN105701462A (zh) | 一种身份识别方法 | |
CN105678150A (zh) | 一种用户权限管理方法 | |
Feng et al. | Fingerprint alteration | |
Tazim et al. | Biometric authentication using CNN features of dorsal vein pattern extracted from NIR image | |
CN111723595A (zh) | 人员身份识别方法和*** | |
Raut et al. | Review of biometrics: Palm vein recognition system | |
Rossan et al. | Impact of changing parameters when preprocessing dorsal hand vein pattern | |
Chen | An efficient palmprint recognition method based on block dominat orientation code | |
Manjunath et al. | Analysis of unimodal and multimodal biometric system using iris and fingerprint | |
de Assis Angeloni et al. | Improving the ridge based fingerprint recognition method using sweat pores | |
CN105701411A (zh) | 一种信息安全传输方法 | |
CN109859409A (zh) | 一种现金设备上的生物识别方法 | |
Aounallah et al. | Is There Still Confidence In Hand-Crafted Feature Extraction Techniques To Use Them In Biometric Systems? | |
Dua'a Hamed et al. | Finger knuckle recognition, a review on prospects and challenges based on PolyU dataset |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |