CN113780122A - 基于手掌静脉特征加密的识别模板生成方法及装置 - Google Patents

基于手掌静脉特征加密的识别模板生成方法及装置 Download PDF

Info

Publication number
CN113780122A
CN113780122A CN202111001238.2A CN202111001238A CN113780122A CN 113780122 A CN113780122 A CN 113780122A CN 202111001238 A CN202111001238 A CN 202111001238A CN 113780122 A CN113780122 A CN 113780122A
Authority
CN
China
Prior art keywords
finger
length
characteristic
feature
encrypted
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
Application number
CN202111001238.2A
Other languages
English (en)
Other versions
CN113780122B (zh
Inventor
吴微
张源
刘天慧
兰丽辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University
Original Assignee
Shenyang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University filed Critical Shenyang University
Priority to CN202111001238.2A priority Critical patent/CN113780122B/zh
Publication of CN113780122A publication Critical patent/CN113780122A/zh
Application granted granted Critical
Publication of CN113780122B publication Critical patent/CN113780122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明的实施例提供了基于手掌静脉特征加密的识别模板生成方法及装置。所述方法包括获取特征图像，定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将特征向量由起点到终点均分成四个部分特征向量；从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量。以此方式，以每人自己的手形特征和手掌静脉特征的融合模板保护了两个生物特征的安全，既保证每人的生物特征密钥不同，又不从外部输入密钥，从而具备高安全性。

Description

基于手掌静脉特征加密的识别模板生成方法及装置
技术领域
本发明一般涉及人体生物特征识别技术的生物特征数据隐私保护领域，并且更具体地，涉及一种基于手掌静脉特征加密的识别模板生成方法及装置。
背景技术
随着人工智能的快速发展，基于生物特征的身份认证技术逐渐为智能时代提供了便捷和安全的身份认证，与传统的基于密码或身份识别卡的方式相比，它具有更好的有效性、安全性和可靠性，日益获得更广阔的应用市场。然而随着商业应用的增长，生物特征身份认证面临着不可忽视的安全隐患，由于生物特征具备永久性和唯一性，而在应用中需要存储数字化后的特征作为模板，一旦被窃取，用户的生物特征将终身不再可用。被盗取或篡改的生物特征可能被不法分子用于冒充合法用户进行非法认证，使得与用户身份永久关联的生物特征在应用***中失效。被盗取的特征模板同时可能由攻击者推测出原始生物特征图像，从而泄露用户隐私。此外，同一生物特征在不受保护的情况下保存在多个应用***中，容易被不法分子追踪而实现交叉匹配。因此，在推广生物特征身份认证应用的同时，如何有效保护生物特征信息和用户隐私成为国内外研究的热点之一。
目前常用的人脸识别和指纹识别，由于人脸很容易被窃取拍摄，指纹容易遗留在手持物上而被窃取，两者都存在安全漏洞，影响安全性，不适合于对安全级别要求高的场合。手掌静脉隐藏在表皮下，呈网状分布，结构复杂很难被复制，手掌静脉图像需在近红外光下拍摄，无法在可见光下拍摄，这些特性使得手掌静脉成为一种安全性好的生物特征。断落的手掌或尸体因血液停止流动将不能通过认证，所以手掌静脉又可以作为“活体识别”的依据。手掌静脉的以上特点使得手掌静脉识别技术具有了高安全性的优势，适合于对安全性要求高的场合。融合手指特征后，***的安全性得到进一步提升。
然而，对于***中单独的手掌静脉特征而言，很容易被破解，安全性较低。
发明内容
根据本发明的实施例，提供了一种基于手掌静脉特征加密的识别模板生成方案。本方案能够提高生物特征识别***的安全性。
在本发明的第一方面，提供了一种基于手掌静脉特征加密的识别模板生成方法。该方法包括：
获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征；
在所述特征图像中定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；
将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
进一步地，所述计算每根手指长度的平均值，包括：
根据每根手指长度像素数计算每根手指长度，并将每根手指长度对10取整；
获取不同图像中对应手指的取整后手指长度，计算对应手指的手指长度平均值，得到每根手指长度的平均值。
进一步地，所述将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，包括：
将所述四个部分特征向量分别与每根手指长度的平均值相乘，得到每根手指对应的融合后的四个部分特征向量；
按起点到终点的顺序将融合后的四个部分特征向量合成加密特征向量。
在本发明的第二方面，提供了一种基于手掌静脉特征加密的身份识别方法。该方法包括：
获取待识别的特征图像，所述待识别的特征图像包括待识别的手掌静脉特征和手掌轮廓特征；
在所述待识别的特征图像中定位待识别的手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
从所述待识别的特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，得到每根手指的手指长度；
将所述四个部分特征向量分别与每根手指的手指长度进行融合，生成待识别的加密特征向量；
将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别。
进一步地，在所述得到每根手指的手指长度后，将每根手指的手指长度对10取整。
进一步地，所述将所述四个部分特征向量分别与每根手指的手指长度进行融合，生成待识别的加密特征向量，包括：
将所述四个部分特征向量分别与每根手指长度相乘，得到每根手指对应的融合后的四个部分特征向量；
按起点到终点的顺序将融合后的四个部分特征向量合成待识别的加密特征向量。
进一步地，所述将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别，包括：
计算所述待识别的加密特征向量和数据库中的加密特征向量之间的欧氏距离，若所述欧式距离小于预设阈值，则身份识别成功。
在本发明的第三方面，提供了一种基于手掌静脉特征加密的识别模板生成装置。该装置包括：
获取模块，用于获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征；
定位模块，用于在所述特征图像中定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
计算模块，用于从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；
融合模块，用于将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
在本发明的第四方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面的方法。
在本发明的第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本发明第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于手掌静脉特征加密的识别模板生成方法的流程图；
图2示出了根据本发明的实施例的特征图像示意图；
图3示出了根据本发明的实施例的单像素手掌轮廓扫描示意图；
图4示出了根据本发明的实施例的正方形示意图；
图5示出了根据本发明的实施例的感兴趣区域示意图；
图6示出了根据本发明的实施例的基于手掌静脉特征加密的身份识别方法的流程图；
图7示出了根据本发明的实施例的基于手掌静脉特征加密的识别模板生成装置的方框图；
图8示出了根据本发明的实施例的基于手掌静脉特征加密的身份识别装置的方框图；
图9示出了能够实施本发明的实施例的示例性电子设备的方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，增加了手指长度信息作为密钥，目的是使手掌静脉信息得到进一步保护。
图1示出了本发明实施例的基于手掌静脉特征加密的识别模板生成方法的流程图。
该方法包括：
S101、获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征。
作为本发明的一种实施例，通过带手掌固定栓的成像装置一次性拍摄获取手掌静脉与手掌轮廓图像，拍摄若干次，例如4次或以上，得到多张手部近红外图像，如图2所示。通过带手掌固定栓的成像装置拍摄会减小同一个人多次拍摄的掌脉图像间的差异，使图像类间距离减小，保持手指特征基本稳定，以生成稳定密钥。手指特征和手掌静脉可以同时在近红外光下拍摄，获取方便。
S102、在所述特征图像中定位手掌静脉特征的感兴趣区域(region ofinteresting,ROI)，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量。
作为本发明的一种实施例，在所述特征图像中定位手掌静脉特征的感兴趣区域，包括：
采用低通滤波对所述特征图像进行去噪，将去噪后的特征图像进行二值化处理，再利用二值形态学的膨胀方法提取手掌轮廓。
将手掌轮廓提取成单像素，由指尖向指跟方向，按列对图像进行扫描，若扫描线与单像素手掌轮廓的交点的数量为八个时，则说明此列经过了除大拇指外的四根手指，如图3所示；提取第二个交点a、第三个交点b、第六个交点c以及第七个交点d。
对交点a和b之间的单像素手掌轮廓进行跟踪，得到距离所述扫描线最远的端点，记为第一谷点A，即定位出食指与中指之间的谷点；对交点c和d之间的单像素手掌轮廓进行跟踪，得到距离所述扫描线最远的端点，记为第二谷点B，即定位出无名指与小拇指之间的谷点；以所述第一谷点A和第二谷点B为端点，得到第一线段AB。通过采取点定位方法为寻找手掌上的稳定特征点A和B。
如图4所示，以所述第一线段AB为边长，得到一正方形，旋转所述正方形，使所述正方形各边与X轴和Y轴平行或垂直，且所述正方形内部不存在单像素手掌轮廓。
将所述正方形进行灰度归一化，并且尺寸归一化为128pixel×128pixel，得到手掌静脉特征的感兴趣区域，如图5所示。
采用一级小波分解得到64pixel×64pixel图像，然后利用子空间方法，例如部分最小二乘法，在小波分解后的感兴趣区域内提取特征向量H，将所述特征向量H由起点到终点均分成四个部分特征向量，分别为H1、H2、H3和H4。
通过感兴趣区域的提取可以将不同人掌脉的特征区域高度归一化，剔除无关数据的干扰(如背景等)，大幅度减少计算量，便于后续处理。
利用子空间方法，例如部分最小二乘法提取的特征无法逆推得到手掌静脉原图，使得手掌静脉特征得到保护。***具备不可逆性。但这样不能保护手掌静脉特征在本***中的安全，即在不加手指信息保护的情况下，如果得知部分最小二乘法提取的向量值后，***容易被破解。因而本***
增加了手指长度信息作为密钥，目的是使手掌静脉信息得到进一步保护。
S103、从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值。
通过每根手指的长度像素数Nt，得出每根手指的手指长度，并将每根手指长度对10取整，得到每根手指长度取整后的数值Fi；通过对10取整能够减少同一人多次拍摄得到图像中手指长度的差异。
获取不同图像中对应手指的取整后手指长度Fi，计算对应手指的手指长度平均值，得到每根手指长度的平均值
Figure BDA0003235425470000081
S104、将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
作为本发明的一种实施例，将所述四个部分特征向量H1、H2、H3和H4分别与每根手指长度的平均值
Figure BDA0003235425470000082
相乘，得到每根手指对应的融合后的四个部分特征向量T1、T2、T3和T4；
按起点到终点的顺序将融合后的四个部分特征向量T1、T2、T3和T4合成加密特征向量T，将加密特征向量T作为加密后的手掌静脉特征，存储与数据库中等待比对。
根据本发明的实施例，以像素度量，即使手工测量得到了手指长度，也还需要知道图像采集设备分辩率(dpi)，才能转换成像素值。因为像素和厘米是不能直接转换的，只有知道图像采集设备分辩率(dpi)下才能进行转换，同时获得四根手指长度与设备分辨率的可能性较小，这也就增加了手掌静脉特征模板的安全性和设备的安全性，从而使方法具备不相关性。如果该方法因为被获取设备分辨率和每个用户的四根手指信息被破解，可以修改部分最小二乘法成其他子空间方法而后再生成新的密码使***具备可撤销性。本发明具备个异性，不可逆性，不相关性和可撤销性，满足国际标准ISO/IEC 24745中对生物特征模板保护要求。
图6示出了本发明实施例的基于手掌静脉特征加密的识别模板生成方法的流程图。
所述方法包括：
S601、获取待识别的特征图像，所述待识别的特征图像包括手掌静脉特征和手掌轮廓特征。
作为本发明的一种实施例，所述待识别的特征图像为手部近红外图像，如图2所示。手指特征和手掌静脉可以同时在近红外光下拍摄，获取方便。S602、在所述待识别的特征图像中定位手掌静脉特征的感兴趣区域，在所述
感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量。
作为本发明的一种实施例，在所述待识别的特征图像中定位手掌静脉特征的感兴趣区域，包括：
采用低通滤波对所述待识别的特征图像进行去噪，将去噪后的特征图像进行二值化处理，再利用二值形态学的膨胀方法提取手掌轮廓。
将手掌轮廓提取成单像素，由指尖向指跟方向，按列对图像进行扫描，若扫描线与单像素手掌轮廓的交点的数量为八个时，则说明此列经过了除大拇指外的四根手指，如图3所示；提取第二个交点a、第三个交点b、第六个交点c以及第七个交点d。
对交点a和b之间的单像素手掌轮廓进行跟踪，得到距离所述扫描线最远的端点，记为第一谷点A，即定位出食指与中指之间的谷点；对交点c和d之间的单像素手掌轮廓进行跟踪，得到距离所述扫描线最远的端点，记为第二谷点B，即定位出无名指与小拇指之间的谷点；以所述第一谷点A和第二谷点B为端点，得到第一线段AB。通过采取点定位方法为寻找手掌上的稳定特征点A和B。
如图4所示，以所述第一线段AB为边长，得到一正方形，旋转所述正方形，使所述正方形各边与X轴和Y轴平行或垂直，且所述正方形内部不存在单像素手掌轮廓。
将所述正方形进行灰度归一化，并且尺寸归一化为128pixel×128pixel，得到手掌静脉特征的感兴趣区域，如图5所示。
采用一级小波分解得到64pixel×64pixel图像，然后利用子空间方法，例如部分最小二乘法，在小波分解后的感兴趣区域内提取特征向量H′，将所述特征向量H′由起点到终点均分成四个部分特征向量，分别为H′1、H′2、H′3和H′4。
通过感兴趣区域的提取可以将不同人掌脉的特征区域高度归一化，剔除无关数据的干扰(如背景等)，大幅度减少计算量，便于后续处理。
利用子空间方法，例如部分最小二乘法提取的特征无法逆推得到手掌静脉原图，使得手掌静脉特征得到保护。***具备不可逆性。但这样不能保护手掌静脉特征在本***中的安全，即在不加手指信息保护的情况下，如果得知部分最小二乘法提取的向量值后，***容易被破解。因而本***增加了手指长度信息作为密钥，目的是使手掌静脉信息得到进一步保护。
S603、从所述待识别的特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，得到每根手指的手指长度。在所述得到每根手指的手指长度后，将每根手指的手指长度对10取整。
通过每根手指的长度像素数N′i，得出每根手指的手指长度，并将每根手指长度对10取整，得到每根手指长度取整后的数值F′i；通过对10取整能够减少同一人多次拍摄得到图像中手指长度的差异。
S604、将所述四个部分特征向量分别与每根手指长度进行融合，生成待识别的加密特征向量。
作为本发明的一种实施例，将所述四个部分特征向量H′1、H′2、H′3和H′4分别与每根手指长度F′i相乘，得到每根手指对应的融合后的四个部分特征向量T′1、T′2、T′3和T′4；
按起点到终点的顺序将融合后的四个部分特征向量T′1、T′2、T′3和T′4合成加密特征向量T′，将加密特征向量T′作为加密后的手掌静脉特征。
S605、将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别。
作为本发明的一种实施例，计算所述待识别的加密特征向量和数据库中的加密特征向量之间的欧氏距离，若所述欧式距离小于预设阈值，则认为所述待识别的加密特征向量与数据库中的加密特征向量属于同一人的生物特征，身份识别成功。若所述欧式距离不小于预设阈值，则认为所述待识别的加密特征向量与数据库中的加密特征向量不属于同一人的生物特征。所述预设阈值为类内类间匹配曲线设定的识别阈值，即小于阈值部分为类内，大于阈值部分为类间。
根据本发明的实施例，以像素度量，即使手工测量得到了手指长度，也还需要知道图像采集设备分辩率(dpi)，才能转换成像素值。因为像素和厘米是不能直接转换的，只有知道图像采集设备分辩率(dpi)下才能进行转换，同时获得四根手指长度与设备分辨率的可能性较小，这也就增加了手掌静脉特征模板的安全性和设备的安全性，从而使方法具备不相关性。如果该方法因为被获取设备分辨率和每个用户的四根手指信息被破解，可以修改部分最小二乘法成其他子空间方法而后再生成新的密码使***具备可撤销性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
如图7所示，装置700包括：
获取模块710，用于获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征；
定位模块720，用于在所述特征图像中定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
计算模块730，用于从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；
融合模块740，用于将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
如图8所示，装置800包括：
获取模块810，用于获取待识别的特征图像，所述待识别的特征图像包括待识别的手掌静脉特征和手掌轮廓特征；
定位模块820，用于在所述待识别的特征图像中定位待识别的手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
提取模块830，用于从所述待识别的特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，得到每根手指的手指长度；
融合模块840，用于将所述四个部分特征向量分别与每根手指的手指长度进行融合，生成待识别的加密特征向量；
对比模块850，用于将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别。
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，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。
图9示出了可以用来实施本发明的实施例的电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如方法S101～S104或S601～S605。例如，在一些实施例中，方法S101～S104或S601～S605可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法S101～S104或S601～S605的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S104或S601～S605。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种基于手掌静脉特征加密的识别模板生成方法，其特征在于，包括：
获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征；
在所述特征图像中定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；
将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
2.根据权利要求1所述的方法，其特征在于，所述计算每根手指长度的平均值，包括：
根据每根手指长度像素数计算每根手指长度，并将每根手指长度对10取整；
获取不同图像中对应手指的取整后手指长度，计算对应手指的手指长度平均值，得到每根手指长度的平均值。
3.根据权利要求1所述的方法，其特征在于，所述将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，包括：
将所述四个部分特征向量分别与每根手指长度的平均值相乘，得到每根手指对应的融合后的四个部分特征向量；
按起点到终点的顺序将融合后的四个部分特征向量合成加密特征向量。
4.一种基于手掌静脉特征加密的身份识别方法，其特征在于，包括：
获取待识别的特征图像，所述待识别的特征图像包括待识别的手掌静脉特征和手掌轮廓特征；
在所述待识别的特征图像中定位待识别的手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
从所述待识别的特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，得到每根手指的手指长度；
将所述四个部分特征向量分别与每根手指的手指长度进行融合，生成待识别的加密特征向量；
将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别。
5.根据权利要求4所述的方法，其特征在于，在所述得到每根手指的手指长度后，将每根手指的手指长度对10取整。
6.根据权利要求4所述的方法，其特征在于，所述将所述四个部分特征向量分别与每根手指的手指长度进行融合，生成待识别的加密特征向量，包括：
将所述四个部分特征向量分别与每根手指长度相乘，得到每根手指对应的融合后的四个部分特征向量；
按起点到终点的顺序将融合后的四个部分特征向量合成待识别的加密特征向量。
7.根据权利要求4所述的方法，其特征在于，所述将所述待识别的加密特征向量与数据库中的加密特征向量进行对比，根据对比结果进行身份识别，包括：
计算所述待识别的加密特征向量和数据库中的加密特征向量之间的欧氏距离，若所述欧式距离小于预设阈值，则身份识别成功。
8.一种基于手掌静脉特征加密的识别模板生成装置，其特征在于，包括：
获取模块，用于获取特征图像，所述特征图像包括手掌静脉特征和手掌轮廓特征；
定位模块，用于在所述特征图像中定位手掌静脉特征的感兴趣区域，在所述感兴趣区域中提取特征向量，将所述特征向量由起点到终点均分成四个部分特征向量；
计算模块，用于从多张所述特征图像中分别提取小拇指、食指、中指和无名指的长度像素数，计算每根手指长度的平均值；
融合模块，用于将所述四个部分特征向量分别与每根手指长度的平均值进行融合，生成加密特征向量，保存到数据库。
9.一种电子设备，至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其特征在于，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
CN202111001238.2A 2021-08-30 2021-08-30 基于手掌静脉特征加密的识别模板生成方法及装置 Active CN113780122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111001238.2A CN113780122B (zh) 2021-08-30 2021-08-30 基于手掌静脉特征加密的识别模板生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111001238.2A CN113780122B (zh) 2021-08-30 2021-08-30 基于手掌静脉特征加密的识别模板生成方法及装置

Publications (2)

Publication Number Publication Date
CN113780122A true CN113780122A (zh) 2021-12-10
CN113780122B CN113780122B (zh) 2023-12-05

Family

ID=78840116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001238.2A Active CN113780122B (zh) 2021-08-30 2021-08-30 基于手掌静脉特征加密的识别模板生成方法及装置

Country Status (1)

Country Link
CN (1) CN113780122B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0824247A (ja) * 1994-07-12 1996-01-30 Gutsudoman:Kk 内臓器官の複数画像フレームを使用した生体内における内臓器官輪郭抽出方法
CN101470800A (zh) * 2007-12-30 2009-07-01 沈阳工业大学 手形识别方法
CN102043961A (zh) * 2010-12-02 2011-05-04 北京交通大学 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法
CN102073843A (zh) * 2010-11-05 2011-05-25 沈阳工业大学 非接触式快速人手多模态信息融合识别方法
CN102663393A (zh) * 2012-03-02 2012-09-12 哈尔滨工程大学 基于旋转校正的手指静脉图像感兴趣区域提取方法
EP2549432A1 (en) * 2010-03-19 2013-01-23 Fujitsu Limited Identification device, identification method and program
CN103793692A (zh) * 2014-01-29 2014-05-14 五邑大学 低分辨率多光谱掌纹、掌静脉实时身份识别方法与***
CN104318213A (zh) * 2014-10-21 2015-01-28 沈阳大学 一种利用人体手掌生物信息识别身份的方法
CN105930802A (zh) * 2016-04-22 2016-09-07 嘉应学院 一种基于稀疏表示的手形识别装置及其方法
CN106250814A (zh) * 2016-07-15 2016-12-21 中国民航大学 一种基于超球粒化商空间模型的手指静脉图像识别方法
CN109308462A (zh) * 2018-09-10 2019-02-05 中国民航大学 一种指静脉和指节纹感兴趣区域定位方法
US20200093377A1 (en) * 2018-09-21 2020-03-26 Samsung Electronics Co., Ltd. Apparatus and method for estimating bio-information
CN112052842A (zh) * 2020-10-14 2020-12-08 福建省海峡智汇科技有限公司 一种基于掌静脉的人员识别方法和装置
CN112270287A (zh) * 2020-11-09 2021-01-26 辽宁工程技术大学 一种基于旋转不变的手掌静脉识别方法
CN113269029A (zh) * 2021-04-07 2021-08-17 张烨 一种多模态及多特征的指静脉图像识别方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0824247A (ja) * 1994-07-12 1996-01-30 Gutsudoman:Kk 内臓器官の複数画像フレームを使用した生体内における内臓器官輪郭抽出方法
CN101470800A (zh) * 2007-12-30 2009-07-01 沈阳工业大学 手形识别方法
EP2549432A1 (en) * 2010-03-19 2013-01-23 Fujitsu Limited Identification device, identification method and program
CN102073843A (zh) * 2010-11-05 2011-05-25 沈阳工业大学 非接触式快速人手多模态信息融合识别方法
CN102043961A (zh) * 2010-12-02 2011-05-04 北京交通大学 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法
CN102663393A (zh) * 2012-03-02 2012-09-12 哈尔滨工程大学 基于旋转校正的手指静脉图像感兴趣区域提取方法
CN103793692A (zh) * 2014-01-29 2014-05-14 五邑大学 低分辨率多光谱掌纹、掌静脉实时身份识别方法与***
CN104318213A (zh) * 2014-10-21 2015-01-28 沈阳大学 一种利用人体手掌生物信息识别身份的方法
CN105930802A (zh) * 2016-04-22 2016-09-07 嘉应学院 一种基于稀疏表示的手形识别装置及其方法
CN106250814A (zh) * 2016-07-15 2016-12-21 中国民航大学 一种基于超球粒化商空间模型的手指静脉图像识别方法
CN109308462A (zh) * 2018-09-10 2019-02-05 中国民航大学 一种指静脉和指节纹感兴趣区域定位方法
US20200093377A1 (en) * 2018-09-21 2020-03-26 Samsung Electronics Co., Ltd. Apparatus and method for estimating bio-information
CN112052842A (zh) * 2020-10-14 2020-12-08 福建省海峡智汇科技有限公司 一种基于掌静脉的人员识别方法和装置
CN112270287A (zh) * 2020-11-09 2021-01-26 辽宁工程技术大学 一种基于旋转不变的手掌静脉识别方法
CN113269029A (zh) * 2021-04-07 2021-08-17 张烨 一种多模态及多特征的指静脉图像识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
潘晓苹;汪天富;: "手背静脉图像ROI提取算法研究", 信息通信, no. 05 *
袭肖明;尹义龙;杨公平;孟宪静;: "基于手指静脉和手指轮廓的个性化融合方法", 计算机研究与发展, no. 09 *
赵建国;: "基于人体手指静脉特征的身份认证***设计", 信息通信, no. 08 *

Also Published As

Publication number Publication date
CN113780122B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN104823203B (zh) 生物特征模板安全性及密钥产生
Lu et al. A new cow identification system based on iris analysis and recognition
Das et al. Recent advances in biometric technology for mobile devices
WO2016089529A1 (en) Technologies for learning body part geometry for use in biometric authentication
KR20110127270A (ko) 포인트 매칭 알고리즘을 사용한 지문 템플릿 합성 및 지문 모자이킹을 위한 방법
TW201606556A (zh) 利用卡片特徵進行身份驗證的方法、裝置及系統
CN104063690A (zh) 基于人脸识别技术的身份认证方法、装置及***
EP2701096A2 (en) Image processing device and image processing method
CN108875549B (zh) 图像识别方法、装置、***及计算机存储介质
Belkhede et al. Biometric mechanism for enhanced security of online transaction on Android system: A design approach
CN113646806A (zh) 图像处理设备、图像处理方法和存储程序的记录介质
Abdullah et al. Smart card with iris recognition for high security access environment
JP6229352B2 (ja) 画像処理装置、画像処理方法およびプログラム
Nayar et al. Graph based secure cancelable palm vein biometrics
Chavez-Galaviz et al. Embedded biometric cryptosystem based on finger vein patterns
Deng et al. Attention-aware dual-stream network for multimodal face anti-spoofing
Zhong et al. VeinDeep: Smartphone unlock using vein patterns
CN113780122B (zh) 基于手掌静脉特征加密的识别模板生成方法及装置
Adamović et al. Information analysis of iris biometrics for the needs of cryptology key extraction
Szymkowski et al. A novel approach to fingerprint identification using method of sectorization
Aggithaya et al. A multimodal biometric authentication system based on 2D and 3D palmprint features
CN110378267B (zh) 静脉认证方法、装置、介质及电子设备
Javidnia et al. Palm-print recognition for authentication on smartphones
JP2010009377A (ja) 照合システム、照合方法、プログラム及び記録媒体
Zainon et al. Region of interest extraction for biometric cryptosystem

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
GR01 Patent grant
GR01 Patent grant