CN118013494A - 基于矢量化签章的身份验证方法及*** - Google Patents
基于矢量化签章的身份验证方法及*** Download PDFInfo
- Publication number
- CN118013494A CN118013494A CN202410412002.5A CN202410412002A CN118013494A CN 118013494 A CN118013494 A CN 118013494A CN 202410412002 A CN202410412002 A CN 202410412002A CN 118013494 A CN118013494 A CN 118013494A
- Authority
- CN
- China
- Prior art keywords
- signature
- image
- vectorization
- iris
- fingerprint
- 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 25
- 238000012795 verification Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 4
- 210000000554 iris Anatomy 0.000 claims description 53
- 238000003708 edge detection Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于矢量化签章的身份验证方法及***，包括以下步骤：步骤S1:获取签章的图像，利用图像处理和识别算法识别签章图像的边缘和特征;步骤S2:根据识别到的签章特征，将签章图像转换为矢量化路径,得到矢量化签章；步骤S3:分别提取授权者的指纹特征点和虹膜特征点；步骤S4:基于指纹和虹膜特征点，对矢量化签章进行加密；步骤S5:将加密后的矢量化签章存储在区块链上的数据字段中；步骤S6:授权的用户在智能合约中实现生物特征验证，获取加密后的矢量化签章，并提取授权者的指纹特征点和虹膜特征点，进行解密操作，得到矢量化签章。本发明实现对用户身份的准确验证，同时保护用户的隐私信息和提高签章使用的安全性。
Description
技术领域
本发明涉及电子签章管理技术领域，尤其涉及一种基于矢量化签章的身份验证方法及***。
背景技术
电子签章是电子签名的表现形式，利用图像处理技术将电子签名操作转化为与纸质文件盖章操作相同的可视效果，同时利用电子签名技术保障电子信息的真实性、完整性以及签名人的不可否认性。随着电网的发展，项目繁多，需要用到签章，目前在进行电子签章的使用管理时，普遍通过设定密钥以对电子签章进行加密保护，安全性低。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于矢量化签章的身份验证方法及***，实现对用户身份的准确验证，同时保护用户的隐私信息和提高签章使用的安全性。
为实现上述目的，本发明采用以下技术方案：
一种基于矢量化签章的身份验证方法，包括以下步骤：
步骤S1:获取签章的图像，利用图像处理和识别算法识别签章图像的边缘和特征;
步骤S2:根据识别到的签章特征，将签章图像转换为矢量化路径,得到矢量化签章；
步骤S3:使用指纹图像处理算法和虹膜图像处理算法，分别提取授权者的指纹特征点和虹膜特征点；
步骤S4:基于指纹和虹膜特征点，采用加密算法对矢量化签章进行加密,得到加密后的矢量化签章；
步骤S5:将加密后的矢量化签章存储在区块链上的数据字段中，通过智能合约实现对加密数据的访问控制，只有经过授权的用户才能解密和访问数据；
步骤S6:授权的用户在智能合约中实现生物特征验证，获取加密后的矢量化签章，并提取授权者的指纹特征点和虹膜特征点，进行解密操作，得到矢量化签章。
进一步的，所述步骤S1具体为：
步骤S11:使用边缘检测算法对签章图像进行边缘检测，得到边缘图像Edges；
步骤S12:基于边缘图像Edges，对边缘图像Edges进行阈值化处理，将图像转换为二值图像，利用图像处理库中的轮廓检测函数findContours函数，对二值化后的图像进行轮廓检测，得到签章图像的轮廓信息Contours，基于霍夫变换算法进一步识别特殊形状的参数信息HoughParams；
步骤S13:综合考虑边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，提取出代表签章特征的信息，得到签章的特征表示Features。
进一步的，所述步骤S11具体为：
(1)将签章图像转换为灰度图像；
(2)对灰度图像应用Sobel算子进行水平和垂直方向的边缘检测；
;
;
;
;
其中，为水平方向的Sobel算子，/>为垂直方向的Sobel算子，i和j表示Sobel算子模板中的行和列索引,/>为水平方向的边缘检测结果，/>为垂直方向的边缘检测结果，I(x,y)表示灰度图像中的像素值，x和y表示像素的坐标;
（3）将水平和垂直方向的边缘检测结果合并，得到最终的边缘图像Edges
。
进一步的，步骤S13具体为：
根据获取的边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，计算轮廓的周长P和面积A：
；
；
其中，n为轮廓中点的数量，表示第a个轮廓点的x坐标,/>表示第a个轮廓点的y坐标;/>表示轮廓中的第a个点的位置，distance（）表示求取两个点的距离；
并根据参数信息HoughParams统计直线的数量N lines ,圆的半径R，组合成特征表示Features={P,A,N lines ,R}。
进一步的，步骤S2具体为：
利用贝塞尔曲线拟合轮廓信息，将其转换为平滑的曲线路径：
;
其中，是曲线上的点，/>是第/>次贝塞尔曲线的控制点，/>是阶数，t是参数，0＜t＜1；
然后根据直线的参数信息，生成直线路径，根据圆的参数信息，生成圆弧路径，将签章图像转换为矢量化路径,得到矢量化签章。
进一步的，步骤S3具体为：
获取授权者的指纹图像和虹膜图像；
通过指纹识别算法提取的特征点存储在FingerprintPoints中，表示为：
FingerprintPoints=ExtractFingerprintPoints(FingerprintImage);
ExtractFingerprintPoints为OpenCV库中指纹特征点提取函数，接受指纹图像FingerprintImage作为输入，返回提取的指纹特征点FingerprintPoints，
通过虹膜识别算法提取的特征点存储在IrisPoints中，表示为：IrisPoints=ExtractIrisPoints(IrisImage)；
ExtractIrisPoints为OpenCV库中虹膜特征点提取函数，接受虹膜图像IrisImage作为输入，返回提取的虹膜特征点IrisPoints。
进一步的，指纹识别算法，具体为：
（1）对授权者的指纹图像进行预处理，包括去噪、增强和细化操作；
（2）使用指纹提取算法，从预处理后的指纹图像中提取特征点，包括细节点、分叉点：
对预处理后的指纹图像，计算每个像素点的梯度场信息，根据计算得到的梯度场信息，初步提取细节点和分叉点；
根据初步提取的细节点，在细节点周围定义一个腐蚀核KF，对细节点周围的像素进行腐蚀操作，重复腐蚀操作多次，直到细节点周围的像素无法再被腐蚀为止，得到增强后的细节点特征：
设初步提取的细节点位置为（x 0 ,y 0 ），腐蚀操作表示为：
;
其中，表示图像在坐标/>处的灰度值，/>为腐蚀核中KF的相对位置；
根据初步提取的分叉点，在分叉点周围定义一个膨胀核KP，对分叉点周围的像素进行膨胀操作,重复膨胀操作多次，直到分叉点周围的像素无法再被膨胀为止，得到增强后的分叉点特征;
设初步提取的分叉点位置为，膨胀操作表示为：
;
其中，为膨胀核中KP的相对位置；
（3）将提取的和分叉点特征表示为坐标表形式，用矩阵来表示所有的特征点：
。
进一步的，通过虹膜识别算法提取的特征点，具体如下：
首先对授权者的虹膜图像进行边缘检测和定位，确定虹膜的边界；
将虹膜边界归一化为固定大小的膜区域；
在归一化的虹膜区域内，通过Gabor滤波器方法提取纹理特征，Gabor滤波器响应表示为：
；
其中，是图像坐标/>在旋转角度/>下的坐标，/>为波长，/>为方向，/>为相位偏移，/>为标准差，/>为椭圆率；
将提取的纹理特征进行编码，得到虹膜特征点。
进一步的，采用加密算法对矢量化签章进行加密，具体为：
将矢量化签章转换为数字形式，作为待加密的数据；
基于授权者的指纹和虹膜特征点，构建生物特征点集合：
BiometricPoints=MergeBiometricPoints(FingerprintPoints,IrisPoints)
这里MergeBiometricPoints是生物特征点融合函数，接受指纹特征点FingerprintPoints、虹膜特征点IrisPoints作为输入，返回综合的生物特征点集合
BiometricPoints；
使用生物特征点集合BiometricPoints作为密钥，并基于AES对称加密算法对矢量化签章进行加密操作，得到加密后的矢量化签章：
C=AES(PL,BiometricPoints);
其中PL表示待加密的矢量化签章,C表示加密后的矢量化签章，AES表示AES加密算法。
一种基于矢量化签章的身份验证***，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如上所述的一种基于矢量化签章的身份验证方法中的步骤。
本发明具有如下有益效果：
1、本发明可以实现对用户身份的准确验证，同时保护用户的隐私信息和提高签章使用的安全性；
2、本发明通过结合像素点的邻域信息和形态学操作，可以进一步提高细节点和分叉点的准确性，从而提高指纹图像特征点提取的准确性和鲁棒性，并利用从指纹、虹膜等生物特征中提取的生物特征点集合作为加密秘钥，对矢量化签章进行加密保护，不仅确保签章数据的安全性和隐私性，同时提高验证的准确性和可靠性；
3、本发明将加密后的矢量化签章存储在区块链上，通过智能合约实现访问控制，确保数据的安全性和不可篡改性，授权用户通过智能合约进行生物特征验证，确保只有授权用户才能解密和访问数据，加强身份验证的可靠性。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明：
参考图1，在本实施例中，提供一种基于矢量化签章的身份验证方法，包括以下步骤：
步骤S1:获取签章的图像，利用图像处理和识别算法识别签章图像的边缘和特征;
步骤S2:根据识别到的签章特征，将签章图像转换为矢量化路径,得到矢量化签章；
步骤S3:使用指纹图像处理算法和虹膜图像处理算法，分别提取授权者的指纹特征点和虹膜特征点；
步骤S4:基于指纹和虹膜特征点，采用加密算法对矢量化签章进行加密,得到加密后的矢量化签章；
步骤S5:将加密后的矢量化签章存储在区块链上的数据字段中，通过智能合约实现对加密数据的访问控制，只有经过授权的用户才能解密和访问数据；
步骤S6:授权的用户在智能合约中实现生物特征验证，获取加密后的矢量化签章，并提取授权者的指纹特征点和虹膜特征点，进行解密操作，得到矢量化签章。
在本实施例中，步骤S1具体为：
步骤S11:使用边缘检测算法对签章图像进行边缘检测，得到边缘图像Edges；
步骤S12:基于边缘图像Edges，对边缘图像Edges进行阈值化处理，将图像转换为二值图像，利用图像处理库中的轮廓检测函数findContours函数，对二值化后的图像进行轮廓检测，得到签章图像的轮廓信息Contours，基于霍夫变换算法进一步识别特殊形状的参数信息HoughParams；
步骤S13:综合考虑边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，提取出代表签章特征的信息，得到签章的特征表示Features。
在本实施例中，步骤S11具体为：
(1)将签章图像转换为灰度图像；
(2)对灰度图像应用Sobel算子进行水平和垂直方向的边缘检测；
;
;
;
;
其中，为水平方向的Sobel算子，/>为垂直方向的Sobel算子，i和j表示Sobel算子模板中的行和列索引，/>为水平方向的边缘检测结果，/>为垂直方向的边缘检测结果，I(x,y)表示灰度图像中的像素值，x和y表示像素的坐标;
（3）将水平和垂直方向的边缘检测结果合并，得到最终的边缘图像Edges
。
在本实施例中，步骤S13具体为：
根据获取的边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，计算轮廓的周长P和面积A：
；
；
其中，n为轮廓中点的数量，表示第a个轮廓点的x坐标,/>表示第a个轮廓点的y坐标;/>表示轮廓中的第a个点的位置，distance（）表示求取两个点的距离；
并根据参数信息HoughParams统计直线的数量N lines ,圆的半径R，组合成特征表示Features={P,A,N lines ,R}。
在本实施例中，步骤S2具体为：
利用贝塞尔曲线拟合轮廓信息，将其转换为平滑的曲线路径：
;
其中，是曲线上的点，/>是第/>次贝塞尔曲线的控制点，/>是阶数，t是参数，0＜t＜1；
然后根据直线的参数信息，生成直线路径，根据圆的参数信息，生成圆弧路径，将签章图像转换为矢量化路径,得到矢量化签章。
在本实施例中，步骤S3具体为：
获取授权者的指纹图像和虹膜图像；
通过指纹识别算法提取的特征点存储在FingerprintPoints中，表示为：
FingerprintPoints=ExtractFingerprintPoints(FingerprintImage);
ExtractFingerprintPoints为OpenCV库中指纹特征点提取函数，接受指纹图像FingerprintImage作为输入，返回提取的指纹特征点FingerprintPoints，
通过虹膜识别算法提取的特征点存储在IrisPoints中，表示为：IrisPoints=ExtractIrisPoints(IrisImage)；
ExtractIrisPoints为OpenCV库中虹膜特征点提取函数，接受虹膜图像IrisImage作为输入，返回提取的虹膜特征点IrisPoints。
在本实施例中，指纹识别算法，具体为：
（1）对授权者的指纹图像进行预处理，包括去噪、增强和细化操作；
（2）使用指纹提取算法，从预处理后的指纹图像中提取特征点，包括细节点、分叉点：
对预处理后的指纹图像，计算每个像素点的梯度场信息，根据计算得到的梯度场信息，初步提取细节点和分叉点；
根据初步提取的细节点，在细节点周围定义一个腐蚀核KF，对细节点周围的像素进行腐蚀操作，重复腐蚀操作多次，直到细节点周围的像素无法再被腐蚀为止，得到增强后的细节点特征：
设初步提取的细节点位置为（x 0 ,y 0 ），腐蚀操作表示为：
;
其中，表示图像在坐标/>处的灰度值，/>为腐蚀核中KF的相对位置；
根据初步提取的分叉点，在分叉点周围定义一个膨胀核KP，对分叉点周围的像素进行膨胀操作,重复膨胀操作多次，直到分叉点周围的像素无法再被膨胀为止，得到增强后的分叉点特征;
设初步提取的分叉点位置为，膨胀操作表示为：
;
其中，为膨胀核中KP的相对位置；
（3）将提取的和分叉点特征表示为坐标表形式，用矩阵来表示所有的特征点：
。
在本实施例中，通过虹膜识别算法提取的特征点，具体如下：
首先对授权者的虹膜图像进行边缘检测和定位，确定虹膜的边界；
将虹膜边界归一化为固定大小的膜区域；
在归一化的虹膜区域内，通过Gabor滤波器方法提取纹理特征，Gabor滤波器响应表示为：
；
其中，是图像坐标/>在旋转角度/>下的坐标，/>为波长，/>为方向，/>为相位偏移，/>为标准差，/>为椭圆率；
将提取的纹理特征进行编码，得到虹膜特征点。
在本实施例中，采用加密算法对矢量化签章进行加密，具体为：
将矢量化签章转换为数字形式，作为待加密的数据；
基于授权者的指纹和虹膜特征点，构建生物特征点集合：
BiometricPoints=MergeBiometricPoints(FingerprintPoints,IrisPoints)
这里MergeBiometricPoints是生物特征点融合函数，接受指纹特征点FingerprintPoints、虹膜特征点IrisPoints作为输入，返回综合的生物特征点集合
BiometricPoints；
在本实施例中，生物特征点融合函数可以根据实际需求调整，在本实施例中，优选的，首先创建一个空的生物特征点集合BiometricPoints。然后，将指纹特征点集合FingerprintPoints中的所有特征点逐个加入BiometricPoints中，接着将虹膜特征点集合IrisPoints中的所有特征点逐个加入BiometricPoints中，最终返回合并后的生物特征点集合BiometricPoints。
使用生物特征点集合BiometricPoints作为密钥，并基于AES对称加密算法对矢量化签章进行加密操作，得到加密后的矢量化签章：
C=AES(PL,BiometricPoints);
其中PL表示待加密的矢量化签章,C表示加密后的矢量化签章，AES表示AES加密算法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于矢量化签章的身份验证方法，其特征在于，包括以下步骤：
步骤S1:获取签章的图像，利用图像处理和识别算法识别签章图像的边缘和特征;
步骤S2:根据识别到的签章特征，将签章图像转换为矢量化路径,得到矢量化签章；
步骤S3:使用指纹图像处理算法和虹膜图像处理算法，分别提取授权者的指纹特征点和虹膜特征点；
步骤S4:基于指纹和虹膜特征点，采用加密算法对矢量化签章进行加密,得到加密后的矢量化签章；
步骤S5:将加密后的矢量化签章存储在区块链上的数据字段中，通过智能合约实现对加密数据的访问控制，只有经过授权的用户才能解密和访问数据；
步骤S6:授权的用户在智能合约中实现生物特征验证，获取加密后的矢量化签章，并提取授权者的指纹特征点和虹膜特征点，进行解密操作，得到矢量化签章。
2.根据权利要求1所述的一种基于矢量化签章的身份验证方法，其特征在于，所述步骤S1具体为：
步骤S11:使用边缘检测算法对签章图像进行边缘检测，得到边缘图像Edges；
步骤S12:基于边缘图像Edges，对边缘图像Edges进行阈值化处理，将图像转换为二值图像，利用图像处理库中的轮廓检测函数findContours函数，对二值化后的图像进行轮廓检测，得到签章图像的轮廓信息Contours，基于霍夫变换算法进一步识别特殊形状的参数信息HoughParams；
步骤S13:综合考虑边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，提取出代表签章特征的信息，得到签章的特征表示Features。
3.根据权利要求2所述的一种基于矢量化签章的身份验证方法，其特征在于，所述步骤S11具体为：
(1)将签章图像转换为灰度图像；
(2)对灰度图像应用Sobel算子进行水平和垂直方向的边缘检测；
;
;
;
;
其中，为水平方向的Sobel算子，/>为垂直方向的Sobel算子，i和j表示Sobel算子模板中的行和列索引，/>为水平方向的边缘检测结果，/>为垂直方向的边缘检测结果，I(x,y)表示灰度图像中的像素值，x和y表示像素的坐标;
(3)将水平和垂直方向的边缘检测结果合并，得到最终的边缘图像Edges；
。
4.根据权利要求2所述的一种基于矢量化签章的身份验证方法，其特征在于，所述步骤S13具体为：
根据获取的边缘图像Edges、轮廓信息Contours以及参数信息HoughParams，计算轮廓的周长P和面积A：
；
；
其中，n为轮廓中点的数量，表示第a个轮廓点的x坐标,/>表示第a个轮廓点的y坐标;/>表示轮廓中的第a个点的位置，distance（）表示求取两个点的距离；
并根据参数信息HoughParams统计直线的数量N lines ,圆的半径R，组合成特征表示Features={P,A,N lines ,R}。
5.根据权利要求4所述的一种基于矢量化签章的身份验证方法，其特征在于，所述步骤S2具体为：
利用贝塞尔曲线拟合轮廓信息，将其转换为平滑的曲线路径：
;
其中，是曲线上的点，/>是第/>次贝塞尔曲线的控制点，/>是阶数，t是参数，0＜t＜1；
然后根据直线的参数信息，生成直线路径，根据圆的参数信息，生成圆弧路径，将签章图像转换为矢量化路径,得到矢量化签章。
6.根据权利要求1所述的一种基于矢量化签章的身份验证方法，其特征在于，所述步骤S3具体为：
获取授权者的指纹图像和虹膜图像；
通过指纹识别算法提取的特征点存储在FingerprintPoints中，表示为：
FingerprintPoints=ExtractFingerprintPoints(FingerprintImage);
ExtractFingerprintPoints为OpenCV库中指纹特征点提取函数，接受指纹图像FingerprintImage作为输入，返回提取的指纹特征点FingerprintPoints，
通过虹膜识别算法提取的特征点存储在IrisPoints中，表示为：IrisPoints=ExtractIrisPoints(IrisImage)；
ExtractIrisPoints为OpenCV库中虹膜特征点提取函数，接受虹膜图像IrisImage作为输入，返回提取的虹膜特征点IrisPoints。
7.根据权利要求6所述的一种基于矢量化签章的身份验证方法，其特征在于，所述指纹识别算法，具体为：
（1）对授权者的指纹图像进行预处理，包括去噪、增强和细化操作；
（2）使用指纹提取算法，从预处理后的指纹图像中提取特征点，包括细节点、分叉点：
对预处理后的指纹图像，计算每个像素点的梯度场信息，根据计算得到的梯度场信息，初步提取细节点和分叉点；
根据初步提取的细节点，在细节点周围定义一个腐蚀核KF，对细节点周围的像素进行腐蚀操作，重复腐蚀操作多次，直到细节点周围的像素无法再被腐蚀为止，得到增强后的细节点特征：
设初步提取的细节点位置为（x 0 ,y 0 ），腐蚀操作表示为：
;
其中，表示图像在坐标/>处的灰度值，/>为腐蚀核中KF的相对位置；
根据初步提取的分叉点，在分叉点周围定义一个膨胀核KP，对分叉点周围的像素进行膨胀操作,重复膨胀操作多次，直到分叉点周围的像素无法再被膨胀为止，得到增强后的分叉点特征;
设初步提取的分叉点位置为，膨胀操作表示为：
;
其中，为膨胀核中KP的相对位置；
（3）将提取的和分叉点特征表示为坐标表形式，用矩阵来表示所有的特征点：
。
8.根据权利要求6所述的一种基于矢量化签章的身份验证方法，其特征在于，所述通过虹膜识别算法提取的特征点，具体如下：
首先对授权者的虹膜图像进行边缘检测和定位，确定虹膜的边界；
将虹膜边界归一化为固定大小的膜区域；
在归一化的虹膜区域内，通过Gabor滤波器方法提取纹理特征，Gabor滤波器响应表示为：
；
其中，是图像坐标/>在旋转角度/>下的坐标，/>为波长，/>为方向，/>为相位偏移，/>为标准差，/>为椭圆率；
将提取的纹理特征进行编码，得到虹膜特征点。
9.根据权利要求1所述的一种基于矢量化签章的身份验证方法，其特征在于，所述采用加密算法对矢量化签章进行加密，具体为：
将矢量化签章转换为数字形式，作为待加密的数据；
基于授权者的指纹和虹膜特征点，构建生物特征点集合：
BiometricPoints=MergeBiometricPoints(FingerprintPoints,IrisPoints)
这里MergeBiometricPoints是生物特征点融合函数，接受指纹特征点FingerprintPoints、虹膜特征点IrisPoints作为输入，返回综合的生物特征点集合
BiometricPoints；
使用生物特征点集合BiometricPoints作为密钥，并基于AES对称加密算法对矢量化签章进行加密操作，得到加密后的矢量化签章：
C=AES(PL,BiometricPoints);
其中PL表示待加密的矢量化签章,C表示加密后的矢量化签章，AES表示AES加密算法。
10.一种基于矢量化签章的身份验证***，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-9任一项所述的一种基于矢量化签章的身份验证方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412002.5A CN118013494A (zh) | 2024-04-08 | 2024-04-08 | 基于矢量化签章的身份验证方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412002.5A CN118013494A (zh) | 2024-04-08 | 2024-04-08 | 基于矢量化签章的身份验证方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118013494A true CN118013494A (zh) | 2024-05-10 |
Family
ID=90954935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410412002.5A Pending CN118013494A (zh) | 2024-04-08 | 2024-04-08 | 基于矢量化签章的身份验证方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013494A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6850252B1 (en) * | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
| KR20110121874A (ko) * | 2010-05-03 | 2011-11-09 | 남궁종 | 홍채 인식 시스템, 그 방법 및 이를 이용한 무선 통신 장치 보안 시스템 |
| US20200314094A1 (en) * | 2017-10-11 | 2020-10-01 | Samsung Electronics Co., Ltd. | Server, method for controlling server, and terminal device |
| CN112434319A (zh) * | 2020-11-27 | 2021-03-02 | 无锡卡尔曼导航技术有限公司 | 一种用于电子文件的数据加密方法及装置 |
| CN112507391A (zh) * | 2020-12-01 | 2021-03-16 | 杭州企达信息技术有限公司 | 基于区块链的电子签章方法、***、装置及可读存储介质 |
| CN114978772A (zh) * | 2022-07-27 | 2022-08-30 | 北京惠朗时代科技有限公司 | 基于互联网的分离式存储的电子签章加密防护*** |
| CN116192399A (zh) * | 2023-01-09 | 2023-05-30 | 福建亿榕信息技术有限公司 | 一种基于指纹和数字证书双重认证的电子签章方法及*** |
| CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网*** |
| CN116611082A (zh) * | 2023-04-07 | 2023-08-18 | 江苏优培电子科技有限公司 | 一种可提高电子签章安全性的文件电子签章算法 |
| CN117688533A (zh) * | 2023-12-12 | 2024-03-12 | 确信信息股份有限公司 | 一种基于人工智能的电子签章方法、电子验章方法及*** |
-
2024
- 2024-04-08 CN CN202410412002.5A patent/CN118013494A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6850252B1 (en) * | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
| KR20110121874A (ko) * | 2010-05-03 | 2011-11-09 | 남궁종 | 홍채 인식 시스템, 그 방법 및 이를 이용한 무선 통신 장치 보안 시스템 |
| US20200314094A1 (en) * | 2017-10-11 | 2020-10-01 | Samsung Electronics Co., Ltd. | Server, method for controlling server, and terminal device |
| CN112434319A (zh) * | 2020-11-27 | 2021-03-02 | 无锡卡尔曼导航技术有限公司 | 一种用于电子文件的数据加密方法及装置 |
| CN112507391A (zh) * | 2020-12-01 | 2021-03-16 | 杭州企达信息技术有限公司 | 基于区块链的电子签章方法、***、装置及可读存储介质 |
| CN116368355A (zh) * | 2021-09-05 | 2023-06-30 | 汉熵通信有限公司 | 物联网*** |
| CN114978772A (zh) * | 2022-07-27 | 2022-08-30 | 北京惠朗时代科技有限公司 | 基于互联网的分离式存储的电子签章加密防护*** |
| CN116192399A (zh) * | 2023-01-09 | 2023-05-30 | 福建亿榕信息技术有限公司 | 一种基于指纹和数字证书双重认证的电子签章方法及*** |
| CN116611082A (zh) * | 2023-04-07 | 2023-08-18 | 江苏优培电子科技有限公司 | 一种可提高电子签章安全性的文件电子签章算法 |
| CN117688533A (zh) * | 2023-12-12 | 2024-03-12 | 确信信息股份有限公司 | 一种基于人工智能的电子签章方法、电子验章方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI678638B (zh) | 利用卡片特徵進行身份驗證的方法、裝置及系統 | |
| Galbally et al. | Iris image reconstruction from binary templates: An efficient probabilistic approach based on genetic algorithms | |
| US9152869B2 (en) | Biometric authentication systems and methods | |
| KR102434562B1 (ko) | 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치 | |
| CN109598247B (zh) | 基于静脉图像细节点与纹路特征的二维码身份认证方法 | |
| JP2014219967A (ja) | ユーザーの指紋から得られるバイオメトリックデータを認証する方法及びシステム、および、バイオメトリック認証システム | |
| KR101853270B1 (ko) | 지문인식방법을 채용한 휴대용 보안인증기의 보안 인증방법 | |
| CN109635756A (zh) | 融合指纹与指静脉的二维码身份认证方法 | |
| Chavez-Galaviz et al. | Embedded biometric cryptosystem based on finger vein patterns | |
| KR20160133991A (ko) | 지문 등록 방법 및 지문 인증 방법 | |
| CN116778562B (zh) | 面部验证方法、装置、电子设备及可读储存介质 | |
| Balakumar et al. | Secure biometric key generation scheme for cryptography using combined biometric features of fingerprint and iris | |
| Sujitha et al. | Highly secure palmprint based biometric template using fuzzy vault | |
| Tyagi et al. | Security enhancement through iris and biometric recognition in atm | |
| CN118013494A (zh) | 基于矢量化签章的身份验证方法及*** | |
| KR101270348B1 (ko) | 지문인증 장치 및 방법 | |
| JP6927611B1 (ja) | 特徴量抽出装置、特徴量抽出方法、及び、プログラム | |
| Tantubay et al. | A Survey of Biometric Key-Binding Biocrypto-System Using Different Techniques | |
| KR20040028210A (ko) | 얼굴인식을 통한 대상자 식별 장치 및 그 방법 | |
| KR20160101248A (ko) | 지문인식방법을 채용한 휴대용 보안인증기 | |
| Szczepanik et al. | Security lock system for mobile devices based on fingerprint recognition algorithm | |
| JP4623053B2 (ja) | 携帯電子装置及び生体情報を用いた個人認証方法 | |
| JP2007179267A (ja) | パターン照合装置 | |
| CN117150465A (zh) | 一种复合型加密方法、装置、设备及存储介质 | |
| Chaudhary et al. | Approach for protection of iris template using cancelable biometrics |
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 |