CN115311746A - 一种基于多特征融合的离线签名真伪检测方法 - Google Patents
一种基于多特征融合的离线签名真伪检测方法 Download PDFInfo
- Publication number
- CN115311746A CN115311746A CN202210867739.7A CN202210867739A CN115311746A CN 115311746 A CN115311746 A CN 115311746A CN 202210867739 A CN202210867739 A CN 202210867739A CN 115311746 A CN115311746 A CN 115311746A
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- method based
- detection method
- feature fusion
- 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
Images
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
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
- G06V30/18038—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters
- G06V30/18048—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters with interaction between the responses of different filters, e.g. cortical complex cells
- G06V30/18057—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/18133—Extraction of features or characteristics of the image regional/local feature not essentially salient, e.g. local binary pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征融合的离线签名真伪检测方法,包括如下步骤:随机等比例划分训练数据集和测试数据集,签名数据集图像样本预处理,局部二值模式特征提取,选择最优距离度量函数,Gabor滤波器特征提取,选择Gabor卷积核的频率、角度的最优组合设计以及特征向量,形状因子特征提取,选择能达到最佳效果的级数,将最优解所得到的特征进行融合,在测试集上计算最后精度。本发明综合局部二值模式特征、Gabor滤波器特征和形状因子特征三者的优势,同时具备对图片样本中光源的高敏感性、与人类视觉接收场模型相吻合的特点,对日常生活中的字迹鉴别以及具备法律效应的文书合同上的当事人签名防伪检测效果比其他方法有改进和提升。
Description
技术领域
本发明属于机器学习、图像处理以及签名防伪相关技术领域,具体涉及一种基于多特征融合的离线签名真伪检测方法。
背景技术
“签名”作为历史悠久的生物特征识别方法之一,其独特性与便捷性相较于其他的特征识别方法更具优越性。主要体现在签名鉴定不需要复杂的电子设备,通常情况下只需要纸笔便能采集到具有待测者风格的签名字迹。如今可靠的签名鉴定还十分依赖专家的个人经验,这种经验往往存在一定的主观性。而且受限于该类专家的人数,在空间及时间很难取得广泛的运用。
签名真伪检测其本质上是一个分类任务,传统的分类器在一定程度上都存在不足之处。支持向量机(SVM)作为一个经典的二元分类器在实践中对大规模训练样本难以实施;逻辑回归(Logistic Regression)很难处理数据不平衡的问题;决策树模型则容易产生一个过于复杂的模型,这样的模型对数据的泛化性能会很差。
近年来新兴的以深度学习代替传统机器学习的方法,虽然在结果上取得了令人比较满意的检测精度,但其对硬件设备的高要求以及昂贵的费用,使得签名防伪的应用在市场上并不普及。
发明内容
为了克服上述的不足之处,本发明的目的在于提供一种基于多特征融合的离线签名真伪检测方法。该方法利用了形状指数自带归一化和能反应局部形状的特征,将通过形状指数提取到的签名特征,与传统的局部二值模式和Gabor滤波器提取到的特征进行特征融合。
为达到上述目的,提出以下技术方案:
一种基于多特征融合的离线签名真伪检测方法,包括如下步骤:
1)随机等比例划分训练数据集和测试数据集;
2)签名数据集图像样本预处理;
3)局部二值模式特征提取,选择最优距离度量函数;
4)Gabor滤波器特征提取,选择Gabor卷积核的频率、角度的最优组合设计以及特征向量;
5)形状因子特征提取,选择能达到最佳效果的级数;
6)将通过步骤3)到步骤5)最优解所得到的特征进行融合,在测试集上计算最后精度。
进一步地,步骤1)具体包括以下步骤:数据集中共有M个人的签名样本,每人真签名20份,共20M份,每个人的真签名由两个人仿写各8份,即假签名共320M份,真假签名两两组合,组成S1=320M对数据样本,真签名与真签名两两组合,组成对数据样本,则总的数据样本S=S1+S2对,将总数据样本平均划分,则训练集样本数T1=测试集样本数T2,即T1=T2=S/2。
进一步地,步骤2)具体包括以下步骤:
2.1)公开数据集中样本图片往往带有表格边界,这些边界线往往是多余的噪声干扰,会对结果产生较大影响,所以需要将签名区域单独分割出来,使用Canny算子得到图像边缘,霍夫直线检测,网格点坐标定位,根据坐标进行图像分割并去除网格线;
2.2)考虑到签名字迹的某些特征对旋转存在一定的敏感性,采用求最长惯性主轴的方法对样本进行倾斜矫正;
2.3)所得的签名笔迹有的区域字迹颜色较浅,使用普通的标准全局二值化方法无法对这部分区域清晰地辨别,所以采用基于块的二值化方法对颜色浅的字迹进行辨别,保留颜色浅的字迹;
2.4)犹豫签名所使用的笔的型号不同,笔迹粗细会发生变化,笔迹粗细虽然能反应写者一部分写作风格,但在关注笔迹形态特征时,有必要同一笔迹的粗细,因此需要对字迹进行骨架提取操作。
进一步地,步骤3)具体包括以下步骤:将局部二值模式的领域设置为中心像素点的圆上进行采样,将圆形局部二值模式特征上使用卡方距离度量函数得到待测结果。
进一步地,步骤4)的操作方式为:使用由高斯函数和余弦函数调制成的Gabor卷积核,通过调整Gabor卷积核的参数反应不同方向和尺度的笔迹纹理特征,对Gabor卷积核模板L1权重归一化。
进一步地,对Gabor卷积核模板L1权重归一化的具体操作方式为:将经过二值化预处理的样本图像送进角度为0,π/4,π/2,3π/4,频率为8的Gabor滤波核中,将滤波核模板L1归一化操作,图像经过该滤波操作后,得到灰度值在(-1,1)之间的灰度图像,均匀地取64级统计其灰度直方图,并将其归一化统计其灰度的分布,即计算概率密度函数,并比较卡方距离。
进一步地,步骤5)具体包括以下步骤:
5.1)计算形状指数,去掉没有定义的部分,只关注笔迹边缘的曲率;
5.2)相似地取k级计算图像的直方图,并计算卡方距离,通过比较类内或类外的距离判别待测签名真伪。
进一步地,步骤6)具体包括如下步骤:
6.1)将局部二值模式特征、Gabor滤波器特征和形状因子特征进行融合,并采用PCA降维;
6.2)使用集成学习的方法将进行回归后的三个单独特征的预测值在通过逻辑回归进行加权计算。
本发明的有益效果在于:方法综合局部二值模式特征、Gabor滤波器特征和形状因子特征三者的优势,同时具备对图片样本中光源的高敏感性、与人类视觉接收场模型相吻合的特点,对日常生活中的字迹鉴别以及具备法律效应的文书合同上的当事人签名防伪检测效果比其他方法有改进和提升,为司法鉴定程序提高强有力的保障,意义重大。
附图说明
图1是本发明的总体流程示意图;
图2是本发明的图像样本预处理流程示意图;
图3是Gabor滤波器提取签名图像特征流程示意图;
图4是本发明中使用Gabor滤波器提取到的特征真伪样本对的卡方距离对比柱状图;
图5是本发明中使用形状因子对应的三维形状示意图;
图6是本发明形状指数提取签名图像特征的流程示意图;
图7是本发明中形状因子特征真伪样本对的卡方距离对比柱状图。
具体实施方式
下面结合实施例和说明书附图对本发明进行进一步地描述,但本发明的保护范围并不仅限于此。
参照图1,一种基于多特征融合的离线签名真伪检测方法,包括如下步骤:
1)数据集收集:收集31人的签名笔迹,每人收集20份真签名,并让另外两人分别仿写,每人仿写8份伪签名,这样可组合出共对真签名对和31·20·16=9920对伪签名对,按表格方式收集签名,表格单元大小参照SigComp2011的设置,宽59mm,高23mm,在400dpi的分辨率下扫描。
2)参照图2,对通过步骤1)收集到的签名表格图像进行预处理,分隔成单独的签名图像样本,步骤如下:
2.1)首先使用Canny算子计算所得签名表格图像的边缘,该步骤包括:高斯滤波、计算梯度、非极大值抑制、双边阈值处理、滞后边界跟踪,其中非极大值抑制的操作为对每个像素点沿着梯度的正方向和负方向移动,计算经过的像素点的最大梯度,如果该像素点的梯度不是最大的则将其梯度置为0,双边阈值处理设两个经验阈值,th1、th2,且th1≤th2,这两个阈值将图像分为三部分:强边缘点(I(x,y)≥th2),弱边缘点(th1≤I(x,y)≤th2),背景点(I(x,y)≤th1),滞后边界跟踪操作中,在8连通域内(以像素点为中心,周围其他连通的八个像素点)和强边缘点连通或者通过弱边缘点间接连通的才是边缘点,具体可以通过洪泛算法进行求解。
2.2)接下来进行霍夫直线检测,通过计算给定直线上的前景点数是否超过阈值来判断是否存在对应的直线,考虑经过(x,y)点的直线方程:ρ=xcosθ+ysinθ,每对ρ、θ即确定一条直线,只需统计(ρ,θ)出现的次数即可确定是否存在对应直线,对每个前景点,按所需精度,等间隔的在搜索范围内取θ,计算出对应的ρ即可。
2.3)由于在扫描图像过程中存在类似仿射变换的形变,通过霍夫直线检测所得的交叉点并不能与已知的理想的网格点坐标一一对应,所以要找到最优的仿射逆变换,相当于求解如下超定方程的最小二乘解,
(X|Y|1)W=Ideal
其中Ideal表示理想的网格点坐标。
2.4)为了使二值化操作过程能辨明较浅的笔迹,作为优选,使用了基于块的二值化方法,根据块内的灰度值的加权以及超参数C来决定锚点是否为前景点。
2.5)倾斜矫正的做法是求最长的惯性主轴并将其选装到X轴上,惯性主轴可以通过求如下矩阵的最大特征值对应的特征向量得到:
xc=mean(X),yc=mean(Y)
其中i,j是中心距的阶,xc是前景点的x坐标均值,X表示前景点的x的坐标向量,Y表示前景点y的坐标向量。
2.6)骨架提取基于Zhang-Suen算法,考虑锚点的3×3领域,
首先删除满足以下条件的像素点:①2≤N≤6;②S=1;③P2P4P6=0;④P4P6P8=0,其中N表示圆周上的前景点数,S表示圆周上的0-1的跳变次数;再删除满足如下条件的像素点:①2≤N≤6;②S=1;③P2P4P8=0;④P2P6P8=0,不断循环,直到两步中不能再消除任何像素点。
3)使用半径为3的原始LBP(局部二值模式)特征进行特征提取,并使用卡方距离度量函数在提取到的特征上测试效果,原始版本的LBP将图像分成若干个小块,对每个小块内的像素点的8领域的灰度值编码为8位二进制数,其范围在[0,255]之间,然后统计每个模式出现的频率得到256位的特征向量,最后将每个小块的特征向量链接,得到整幅图像的特征向量,对其中一个像素点的编码如下式:
采用将原始LBP的领域设置为以中心像素点为圆心半径为3的均匀采样模式是为了考虑更大尺度上的特征,并且原始LBP特征对图像的光照具有一定的鲁棒性。在提出本发明的实验过程中,发现卡方距离的效果相较于其他距离效果更好。
4)参考图3,将样本图像二值化到0和1,并且制备Gabor卷积核模板,调整最优的Gabor参数,使用卷积核的目的是因为,作为Gabor滤波器的实数部分,它由一个高斯函数和余弦函数调制而成,兼顾了空间域和时间域,通过调整参数可以反应不同尺度和方向的纹理特征,其具体的响应函数如下:
其中θ表示卷积核的方向;σ反应窗口大小;λ反应纹理的致密程度;ψ表示Gabor核函数中余弦函数的相位参数;γ表示长宽比,决定了Gabor函数形状的椭圆率。
此外还需要对Gabor卷积核模板L1权重归一化,经过该Gabor滤波器滤波后图像的灰度值在(-1,1)之间,然后均匀的取64级统计其灰度直方图,并将其归一化统计其灰度的分布,即计算概率密度函数,最后比较卡方距离,在本发明中,将Gabor卷积核的频率调整至8,角度取0,四个方向,将不同卷积核提取出的特征向量之间连接作为合并的特征。图4反应了一对真伪样本对经过上述操作后的L1距离对比。
5)参照图6,首先需要对样本图片进行二值化处理,然后根据公式计算其形状指数,形状指数的计算方法基于海森矩阵,具体如下:
参考图5可以看到平坦的区域形状指数没有定义,所以需要去掉这些无关部分,只关注墨迹边缘的曲率,最后取36级计算统计其灰度直方图,如图7,对比形状指数特征的真伪样本的卡方距离。
本发明中的特征融合是使用集成学习方法,是一个迭代的结构,具体是指将单独的特征经过逻辑回归中的sigmoid函数后得到的三个预测的概率分布值,作为前一轮弱学习器的结果,以此来增加前一轮训练错误的数据的权重,再将弱学习器的输出值经过拼接后逻辑回归,来得到强分类器的精确率。在该过程中,本发明使用了PCA(组成成分分析)降维的方法,找到一个最优的线性变换将原始数据降维到一组单位正交基上,使得能保留最大的方差。以此来防止训练数据过拟合情况的发生,降低训练的难度。
Claims (8)
1.一种基于多特征融合的离线签名真伪检测方法,其特征在于包括如下步骤:
1)随机等比例划分训练数据集和测试数据集;
2)签名数据集图像样本预处理;
3)局部二值模式特征提取,选择最优距离度量函数;
4)Gabor滤波器特征提取,选择Gabor卷积核的频率、角度的最优组合设计以及特征向量;
5)形状因子特征提取,选择能达到最佳效果的级数;
6)将通过步骤3)到步骤5)最优解所得到的特征进行融合,在测试集上计算最后精度。
3.如权利要求1所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于步骤2)具体包括以下步骤:
2.1)将签名区域单独分割出来,使用Canny算子得到图像边缘,霍夫直线检测,网格点坐标定位,根据坐标进行图像分割并去除网格线;
2.2)采用求最长惯性主轴的方法对样本进行倾斜矫正;
2.3)采用基于块的二值化方法对颜色浅的字迹进行辨别,保留颜色浅的字迹;
2.4)对字迹进行骨架提取操作。
4.如权利要求1所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于步骤3)具体包括以下步骤:将局部二值模式的领域设置为中心像素点的圆上进行采样,将圆形局部二值模式特征上使用卡方距离度量函数得到待测结果。
5.如权利要求1所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于步骤4)的操作方式为:使用由高斯函数和余弦函数调制成的Gabor卷积核,通过调整Gabor卷积核的参数反应不同方向和尺度的笔迹纹理特征,对Gabor卷积核模板L1权重归一化。
6.如权利要求5所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于对Gabor卷积核模板L1权重归一化的具体操作方式为:将经过二值化预处理的样本图像送进角度为0,π/4,π/2,3π/4,频率为8的Gabor滤波核中,将滤波核模板L1归一化操作,图像经过该滤波操作后,得到灰度值在(-1,1)之间的灰度图像,均匀地取64级统计其灰度直方图,并将其归一化统计其灰度的分布,即计算概率密度函数,并比较卡方距离。
7.如权利要求1所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于步骤5)具体包括以下步骤:
5.1)计算形状指数,去掉没有定义的部分,只关注笔迹边缘的曲率;
5.2)相似地取k级计算图像的直方图,并计算卡方距离,通过比较类内或类外的距离判别待测签名真伪。
8.如权利要求1所述的一种基于多特征融合的离线签名真伪检测方法,其特征在于步骤6)具体包括如下步骤:
6.1)将局部二值模式特征、Gabor滤波器特征和形状因子特征进行融合,并采用PCA降维;
6.2)使用集成学习的方法将进行回归后的三个单独特征的预测值在通过逻辑回归进行加权计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867739.7A CN115311746A (zh) | 2022-07-22 | 2022-07-22 | 一种基于多特征融合的离线签名真伪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867739.7A CN115311746A (zh) | 2022-07-22 | 2022-07-22 | 一种基于多特征融合的离线签名真伪检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311746A true CN115311746A (zh) | 2022-11-08 |
Family
ID=83856379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210867739.7A Pending CN115311746A (zh) | 2022-07-22 | 2022-07-22 | 一种基于多特征融合的离线签名真伪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311746A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及*** |
CN117475519A (zh) * | 2023-12-26 | 2024-01-30 | 厦门理工学院 | 基于孪生网络与多重通道融合的脱机笔迹鉴别方法 |
-
2022
- 2022-07-22 CN CN202210867739.7A patent/CN115311746A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及*** |
CN116758077B (zh) * | 2023-08-18 | 2023-10-20 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及*** |
CN117475519A (zh) * | 2023-12-26 | 2024-01-30 | 厦门理工学院 | 基于孪生网络与多重通道融合的脱机笔迹鉴别方法 |
CN117475519B (zh) * | 2023-12-26 | 2024-03-12 | 厦门理工学院 | 基于孪生网络与多重通道融合的脱机笔迹鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Contact lens detection based on weighted LBP | |
US9633269B2 (en) | Image-based liveness detection for ultrasonic fingerprints | |
Zhang et al. | Fingerprint classification based on extraction and analysis of singularities and pseudo ridges | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN110298376B (zh) | 一种基于改进b-cnn的银行票据图像分类方法 | |
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN115311746A (zh) | 一种基于多特征融合的离线签名真伪检测方法 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN110232390B (zh) | 一种变化光照下图像特征提取方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN113011426A (zh) | 一种识别证件的方法和装置 | |
Bo et al. | Fingerprint singular point detection algorithm by poincaré index | |
Latha et al. | A robust person authentication system based on score level fusion of left and right irises and retinal features | |
Huang et al. | Noise removal and impainting model for iris image | |
Méndez-Llanes et al. | On the use of local fixations and quality measures for deep face recognition | |
George et al. | A survey on prominent iris recognition systems | |
CN111898405A (zh) | 基于3DHarris关键点及优化SHOT特征的三维人耳识别方法 | |
Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures | |
Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
Dey et al. | Fast and accurate personal identification based on iris biometric | |
AU2020102066A4 (en) | DWT Based Feature Extraction for Iris Recognition | |
CN111915582B (zh) | 基于亮度特征耦合信息量制约的图像篡改检测方法 | |
Sun | Detection of Counterfeit Coins and Assessment of Coin Qualities. | |
Tian et al. | A practical iris recognition algorithm |
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 |