CN1934588B - 模式识别***和模式识别方法 - Google Patents
模式识别***和模式识别方法 Download PDFInfo
- Publication number
- CN1934588B CN1934588B CN2005800084167A CN200580008416A CN1934588B CN 1934588 B CN1934588 B CN 1934588B CN 2005800084167 A CN2005800084167 A CN 2005800084167A CN 200580008416 A CN200580008416 A CN 200580008416A CN 1934588 B CN1934588 B CN 1934588B
- Authority
- CN
- China
- Prior art keywords
- probability
- pattern
- vector
- misconnection
- point
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
-
- 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
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种能够提高误接受概率的计算精度、并能够确保稳定安全强度的模式识别***、模式识别方法和模式识别程序。模式识别***10和10a包括第一概率计算单元32和连接到第一概率计算单元32的第二概率计算单元33。第一概率计算单元32根据指示第一模式特征点s1至sns和第二模式特征点f1至fnf之间的对应点的对应特征点cs1至csn和cf1至cfn的数目n,来计算第一概率PFCR。第一概率PFCR指示具有比对应特征点的数目n更多的与第一模式对应的对应特征点的第三模式的存在概率。第二概率计算单元33参考第一概率PFCR来计算误接受概率PFAR,该误接受概率PFAR指示错误地判定第一模式和第二模式相对应的概率。
Description
技术领域
本发明涉及一种模式识别方法、***和程序,并且尤其涉及一种根据诸如语音数据或图像数据的数据来识别人的模式识别方法、***和程序。
背景技术
当利用指纹验证装置来识别人时,一般执行以下过程。首先,计算通过传感器等获得的输入指纹模式和预先记录的已记录指纹模式之间的一致度(匹配率)。然后,将匹配率和预定阈值进行比较,以判断输入指纹模式和已记录指纹模式是否属于同一人。根据该判断结果,来识别人。在这种人识别的过程中,某人的输入指纹模式被错误地判定为与另一人的已记录指纹模式相同的比率被称为“误接受率”。
在这种类型的指纹验证装置中,常常一律将预定阈值固定为某一值,而与验证哪个手指无关。然而,指纹模式之间的匹配率实际上是随人(手指)而变的。即,某些人的指纹提供高匹配率,而另一些人的指纹只提供低匹配率。因此,如果阈值被设为较高值,则指纹验证装置倾向于拒绝错误的人的鉴别,但它也倾向于错误地拒绝正确的人的鉴别。相反,如果阈值被设为较低值,则指纹验证装置倾向于接受正确的人的鉴别,但它也倾向于错误地接受错误的人的鉴别。这将成为识别成功率下降的原因。
根据专利文献1(日本专利申请待审公开No.2000-215313)中所披露的数据识别方法,计算每个已记录数据项和其它已记录数据项之间的匹配率。然后,根据为每个已记录数据项所获得的匹配率分布,来为已记录数据项产生阈值。当识别人时,计算要识别的验证目标数据和已记录数据项中的对应候选数据项之间的匹配率。将所计算的匹配率和候选数据项的阈值进行比较,以判断验证目标数据和候选数据是否相对应。在专利文献1的这种数据识别方法中,首先给定误接受概率的目标值,并且动态计算满足目标值的最低匹配率,来作为阈值。因而,每个已记录数据项的阈值是不同的。
专利文献2(日本专利申请待审公开No.2002-230551)中所披露的模式识别装置涉及,为某一模式集确定每个模式的特征矢量和每个正确类的平均特征矢量之间的差。这产生了差值矢量集。把与该差值矢量集对应的误差分布用作概率密度函数来执行模式识别。
本发明的目的是,提供一种能够提高误接受概率的计算精度的模式识别***、模式识别方法和模式识别程序。
本发明的另一目的是,提供一种能够确保稳定的安全强度的模式识别***、模式识别方法和模式识别程序。
本发明的又一目的是,提供一种能够降低模式识别学习成本的模式识别***、模式识别方法和模式识别程序。
发明内容
以下将利用本发明最佳实施方式中所使用的参考数字和符号,来描述发明内容。参考数字和符号被加了括号,以澄清权利要求和本发明最佳实施方式中的描述之间的对应。然而,参考数字和符号不应用于解释权利要求书中所要求的本发明的技术范围。
本发明的模式识别***(10、10a)包括用于根据指示第一模式特征点(s1至sns)和第二模式特征点(f1至fnf)之间的对应点的对应特征点(cs1至csn和cf1至cfn)的数目(n)、来计算第一概率(PFCR)的装置,该第一概率(PFCR)指示具有比对应特征点的数目(n)更多的与第一模式对应的对应特征点的第三模式的存在概率。模式识别***包括用于根据第一概率(PFCR)来计算误接受概率(PFAR)的装置,该误接受概率(PFAR)指示错误地判定第一模式和第二模式相对应的概率。
本发明的模式识别***(10、10a)包括用于确定第一矢量(Di)的装置,该第一矢量(Di)包括指示第一模式特征点(s1至sns)和第二模式特征点(f1至fnf)之间的对应点的对应特征点(cs1至csn和cf1至cfn)对之差。该第一矢量(Di)用于计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量(Ds)具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量。该第二概率(PPRE)用于计算误接受概率(PFAR),该误接受概率(PFAR)指示错误地判定第一模式和第二模式相对应的概率。
在本发明的模式识别***(10、10a)中,确定第一矢量(Di),第一矢量包括由第一模式中的对应特征点(cs1至csn)和第二模式中的关联对应特征点(cf1至cfn)之间的差(d1至dn)。第一矢量(Di)被用来计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量。根据第一概率(PFCR)和第二概率(PPRE)来计算误接受概率(PFAR)。例如,通过将第一概率(PFCR)和第二概率(PPRE)相乘,来计算误接受概率(PFAR)。
在本发明的模式识别***(10、10a)中,第二概率(PPRE)可以指示第二矢量(Ds)的幅度小于第一矢量(Di)的幅度的概率。第二概率(PPRE)可以指示第二矢量(Ds)的分量乘积小于第一矢量(Di)的分量(d1至dn)的乘积的概率。第二概率(PPRE)可以指示第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn)的概率。第二概率(PPRE)可以指示以下事件之间的逻辑“或”概率:第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn);以及第二矢量(Ds)的每个分量都小于第三矢量(Di’)的对应分量。第三矢量(Di’)具有由重新排列第一矢量(Di)的分量(d1至dn)而产生的分量。
在本发明的模式识别***(10、10a)中,第二矢量(Ds)的分布函数(p(Ds))是均匀的。
本发明的模式识别***(10、10a)进一步包括差值数据检测单元(31)。差值数据检测单元(31)接收指示第一模式中的特征点(s1至sns)的第一特征数据(112)以及指示第二模式中的特征点(f1至fnf)的第二特征数据(122)。差值数据检测单元(31)根据第一特征数据(112)和第二特征数据(122)来检测对应特征点(cs1至csn和cf1至cfn),并计算指示检测结果的差值数据(131)。差值数据(131)包括第一模式中的特征点的数目(ns)、第二模式中的特征点的数目(nf)、对应特征点的数目(n)和第一矢量(Di)。第一概率计算单元(32)根据差值数据(131)来计算第一概率(PFCR)。然后,根据该差值数据(131)来计算误接受概率概率(PFAR)。
本发明的模式识别***(10a)进一步包括身份判定单元(34)。身份判定单元(34)比较误接受概率(PFAR)和预定阈值(PPFAR),并输出比较结果(134)。例如,如果误接受概率(PFAR)小于预定阈值(PPFAR),则身份判定单元(34)就判定第一模式和第二模式是相同的。例如,当判定第一模式和第二模式相同时,根据比较结果(134)来打开门。此外,在本发明的模式识别***(10、10a)中,例如第一模式 和第二模式是指纹模式。因此,本发明的模式识别***(10、10a)可应用于指纹鉴别装置。
本发明的模式识别方法包括以下步骤:根据指示第一模式特征点(s1至sns)和第二模式特征点(f1至fnf)之间的对应点的对应特征点(cs1至csn和cf1至cfn)的数目(n),来计算第一概率(PFCR),该第一概率指示具有比所述对应特征点的数目(n)更多的与第一模式对应的对应特征点的第三模式的存在概率;以及参考第一概率(PFCR)来计算误接受概率(PFAR),该误接受概率(PFAR)指示错误地判定第一模式和第二模式相对应的概率。
本发明的模式识别方法包括以下步骤:确定第一矢量(Di),该第一矢量包括指示第一模式特征点(sn1至sns)和第二模式特征点(f1至fnf)之间的点对应的对应特征点(cs1至csn、cf1至cfn)对之间的差值;使用第一矢量(Di)来计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量;以及参考第二概率(PPRE)来计算误接受概率(PFAR),该误接受概率指示错误地判定第一模式和第二模式相对应的的概率。
本发明的模式识别方法包括以下步骤:确定第一矢量(Di),该第一矢量包括由第一模式中的对应特征点(cs1至csn)和第二模式中的关联对应特征点(cf1至cfn)之间的差(d1至dn);使用第一矢量(Di)来计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量;以及根据第一概率(PFCR)和第二概率(PPRE)来计算误接受概率(PFAR)。例如,将第一概率(PFCR)和第二概率(PPRE)相乘,来计算误接受概率(PFAR)。
在本发明的模式识别方法中,第二概率(PPRE)可以指示第二矢量(Ds)的幅度小于第一矢量(Di)的幅度的概率。第二概率(PPRE)可以指示第二矢量(Ds)的分量乘积小于第一矢量(Di)的分量(d1至dn)的乘积的概率。第二概率(PPRE)可以指示第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn)的概率。第二概率(PPRE)可以指示以下事件之间的逻辑“或”概率:第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn);以及第二矢量(Ds)的每个分量都小于第三矢量(Di’)的对应分量。
在本发明的模式识别方法中,在接收指示第一模式中的特征点(s1至sns)的第一特征数据(112)以及指示第二模式中的特征点(f1至fnf)的第二特征数据(122)的步骤中,在根据第一特征数据(112) 和第二特征数据(122)来检测对应特征点(cs1至csn和cf1至cfn)的步骤中,以及计算指示检测结果的差值数据(131)的步骤中,根据第一模式中的特征点的数目(ns)、第二模式中的特征点的数目(nf)和对应特征点的数目(n),来计算误接受概率(PFAR)。本发明的模式识别方法进一步包括以下步骤:比较误接受概率(PFAR)和预定阈值(PPFAR);以及如果误接受概率(PFAR)小于预定阈值(PPFAR),则判定第一模式和第二模式是相同的。
本发明的模式识别程序使计算机执行以下步骤:根据指示第一模式特征点(s1至sns)和第二模式特征点(f1至fnf)之间的对应点的对应特征点(cs1至csn和cf1至cfn)的数目(n),来计算第一概率(PFCR);以及参考第一概率(PFCR)来计算误接受概率(PFAR),该误接受概率(PFAR)指示错误地判定第一模式和第二模式相对应的概率。
本发明的模式识别程序使计算机执行以下步骤:确定第一矢量(Di),该第一矢量包括指示第一模式特征点(s1至sns)和第二模式特征点(f1至fnf)之间的点对应的对应特征点(cs1至csn、cf1至cfn)对之间的差值;使用第一矢量(Di)来计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量;以及参考第二概率(PPRE)来计算误接受概率(PFAR),该误接受概率指示错误地判定第一模式和第二模式相对应的的概率。
本发明的模式识别程序使计算机执行以下步骤:确定第一矢量(Di),该第一矢量包括由第一模式中的对应特征点(cs1至csn)和第二模式中的关联对应特征点(cf1至cfn)之间的差(d1至dn);使用第一矢量(Di)来计算指示第二矢量(Ds)的存在概率的第二概率(PPRE),该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量;以及根据第一概率(PFCR)和第二概率(PPRE)来计算误接受概率(PFAR)。例如,将第一概率(PFCR)和第二概率(PPRE)相乘,来计算误接受概率(PFAR)。
在本发明的模式识别程序中,第二概率(PPRE)可以指示第二矢量(Ds)的幅度小于第一矢量(Di)的幅度的概率。第二概率(PPRE)可以指示第二矢量(Ds)的分量乘积小于第一矢量(Di)的分量(d1至dn)的乘积的概率。第二概率(PPRE)可以指示第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn)的概率。第二概率(PPRE)可以指示以下事件之间的逻辑“或”概率:第二矢量(Ds)的每个分量都小于第一矢量(Di)的对应分量(d1至dn);以及第二矢量(Ds)的每个分量都小于第三矢量(Di’)的对应分量。
在本发明的模式识别程序中,在接收指示第一模式中的特征点(s1至sns)的第一特征数据(112)以及指示第二模式中的特征点(f1至fnf)的第二特征数据(122)的步骤中,在根据第一特征数据(112)和第二特征数据(122)来检测对应特征点(cs1至csn和cf1至cfn)的步骤中,以及计算指示检测结果的差值数据(131)的步骤中,根据第一模式中的特征点的数目(ns)、第二模式中的特征点的数目(nf)和对应特征点的数目(n),来计算误接受概率(PFAR)。
本发明的模式识别程序进一步使计算机执行以下步骤:比较误接受概率(PFAR)和预定阈值(PPFAR);以及如果误接受概率(PFAR)小于预定阈值(PPFAR),则判定第一模式和第二模式是相同的。
本发明的效果
根据本发明的模式识别***、模式识别方法和模式识别程序允许提高误接受概率的计算精度。
根据本发明的模式识别***、模式识别方法和模式识别程序允许确保稳定的安全强度。
根据本发明的模式识别***、模式识别方法和模式识别程序允许模式识别学习成本的降低。
具体实施方式
以下将参考附图来描述根据本发明的模式识别***、模式识别方法和模式识别程序。在本发明中,模式识别***把要识别的模式(以下称为“输入模式”)和数据库中存储的模式(以下称为“参考模式”)进行比较,并评价这两个模式之间的匹配率。这些模式的例子包括人的指纹、脸和声波纹(voiceprint)。
(第一实施例)
图1所示为根据本发明第一实施例的模式识别***的配置框图。在图1中,模式识别***10包括模式输入单元1、参考模式输入单元2、数据处理部分3和输出单元4。数据处理部分3包括差值数据检测单元31、误对应概率计算单元(false correspondence probabilitycomputation unit)32和误接受概率计算单元(false accpectanceprobability computation unit)33。现在,将逐一描述这些单元的机制和操作。
如图1所示,模式输入单元1接收代表要识别的输入模式的模式数据111。模式数据111的例子包括关于人的图像数据或语音数据。例如,人可以将他的手指放在指纹传感器上,并把代表其指纹(输入模式)的指纹图像数据(模式数据111)输入到模式输入单元1。模式输入单元1分析模式数据111,并提取输入模式的特征量。在指纹识别的情况下,特征量的例子包括诸如指纹脊的端点和分支点的特征点。然后,模式输入单元1把代表特征量(特征点)信息的模式特征数据112输出到数据处理部分中的差值数据检测单元31。
图5所示为某一输入模式的特征量分布的概念性视图。例如,分析诸如指纹图像数据的模式数据111,并且如图5所示,从图像中提取了4个特征点s1至s4。输入模式中的特征点的数目一般表示为ns (ns为自然数)。即,输入模式具有特征点s1至sns。可以直接把代表特征量这种分布的数据,而非模式数据111,输入到模式输入单元1。
如图1所示,参考模式输入单元2接收代表参考模式的参考模式数据121。参考模式数据121预先被记录在数据库中。在人的鉴别中,例如当人输入身份(ID)号时,从数据库向参考模式输入单元2提供与该ID号对应的参考模式数据121。参考模式数据121的例子包括人的图像数据和语音数据。参考模式输入单元2分析参考模式数据121,并提取模式的特征量。在指纹识别的情况下,特征量的例子包括诸如指纹脊的端点和分支点的特征点。然后,参考模式输入单元2把代表特征量(特征点)信息的参考模式特征数据122输出到数据处理部分3中的差值数据检测单元31。
图6所示为某一参考模式的特征量分布的概念性视图。例如,分析诸如指纹图像数据的参考模式数据121,并且如图6所示,从图像中提取4个特征点f1至f4。参考模式中的特征点(以下称为参考特征点)的数目一般表示为nf(nf为自然数)。即,参考模式具有参考特征点f1至fnf。可以直接把代表特征量这种分布的数据,而非参考模式数据121,输入到参考模式输入单元2。
如图1所示,差值数据检测单元31分别从模式输入单元1和参考模式输入单元2接收模式特征数据112和参考模式特征数据122。差值数据检测单元31比较模式特征数据121和参考模式特征数据122,以检查特征点s1至sns和参考特征点f1至fnf之间的对应。
图7是把图5和图6叠加起来的图,以便概念性地说明通过差值数据检测单元31来确定特征点之间的对应。在图7中,由点线描绘的 圆表示分别包含参考特征点f1至f4的预定范围(参考范围)。差值数据检测单元31参考参考范围,并且如果特征点在参考范围内,则它确定该特征点和该参考范围中的参考特征点相对应。在图7中,确定特征点s1和参考特征点f1、特征点s2和参考特征点f2以及特征点s3和参考特征点f3分别相对应。以下,这些对应的特征点和参考特征点被称为“对应特征点”。
图8所示为图7中所确定的对应特征点的概念性视图。如图8所示,输入模式具有3个对应特征点cs1、cs2和cs3。类似,参考模式具有3个对应特征点cf1、cf2和cf3。对应特征点cs1、cs2和cs3分别对应于对应特征点cf1、cf2和cf3。然后,差值数据检测单元31计算对应特征点对的物理量之差。例如,差值数据检测单元31计算对应特征点cs1和cf1之间的距离d1、对应特征点cs2和cf2之间的距离d2及对应特征点cs3和cf3之间的距离d3。
输入模式和参考模式中的对应特征点对的数目一般表示为n(n为自然数)。即,输入模式具有对应特征点cs1至csn,并且参考模式具有对应特征点cf1至cfn。然后,差值数据检测单元31计算对应特征点对的物理量之差d1至dn,并产生指示这些差值的输入差值数据Di=(d1,d2,...,dn)。输入差值数据Di是代表n维矢量的数据。例如,差值数据检测单元31分别计算对应特征点cs1至csn和对应特征点cf1至cfn之间的距离d1至dn。在指纹识别的情况下,差值数据检测单元31可以计算每个对应特征点处的指纹脊方向的差值。差值数据检测单元31把包括如上检测的输入差值数据Di的差值数据131,输出到误对应概率计算单元32(见图1)。具体地说,差值数据131包括输入差值数据Di、对应特征点的数目n、输入模式中的特征点的数目ns和参考特征点的数目nf。
然后,如图1所示,误对应概率计算单元32从差值数据检测单元31接收差值数据131,并计算误对应概率PFCR。误对应概率PFCR是具有比上述对应特征点的数目n更多的与输入模式对应的对应特征点的另一参考模式的存在概率。即,误对应概率PFCR表示m>n的概率,其中正识别的输入模式和正识别的参考模式之间的对应特征点的数目为 n,如上所述,并且正识别的输入模式和另一参考模式之间的对应特征点的数目为m。一般,待比较的两个模式之间的对应特征点的数目越多,这两个模式的匹配率就越高。
输入模式中的特征点的数目ns、参考特征点的数目nf和对应特征点的数目n是由差值数据检测单元31通过差值数据131来提供的。特征点被错误地判定为在不同模式之间相对应的概率被表示为p。例如,预先通过初步实验来确定该p。然后,通过以下公式1来给出输入模式和参考模式之间的误对应概率PFCR。
然后,误对应概率计算单元32把指示所计算的误对应概率PFCR 的误对应概率数据132及差值数据131,输出到误接受概率计算单元33。
如图1所示,误接受概率计算单元33从误对应概率计算单元32接收差值数据131和误对应概率数据132。然后,误接受概率计算单元33计算如下所定义的初步误接受概率PPRE。
从正在识别的输入模式和正在识别的参考模式之间的对应特征点的分布计算得到的输入差值数据Di=(d1,d2,...,dn)是n维矢量。在此,基于正在识别的输入模式和另一参考模式之间的n个对应特征点所获得的差值数据被称为候选差值数据Ds。该候选差值数据Ds也是代表n维矢量的数据。于是,初步误接受概率PPRE是基于候选差值数据Ds的“量”小于基于输入差值数据Di的“量”的概率。量的例子是“幅度(范数)”。在那种情况下,初步误接受概率PPRE表示候选差值数据Ds的范数小于输入差值数据Di的范数的概率。“量”取决于下述的模型。
现在,将更详细地描述通过误接受概率计算单元33来计算误接受概率PFAR的技术。上述候选差值数据Ds的概率密度函数(分布函数)被表示为p(Ds)。p(Ds)是预先通过初步实验来确定的,或者假定p(Ds) 服从均匀分布模型。“量”小于基于输入差值数据Di的“量”的候选差值数据Ds集合被表示为R(Di)。于是,通过以下公式2来给出输入模式和参考模式之间的初步误接受概率PPRE。
例如,图9是概念性地示出上述集合R(Di)的模型的曲线图。在此,假定输入差值数据Di是二维矢量,即Di=(d1,d2)。在图9中,采用差值数据的“幅度(范数)”作为上述“量”。即,集合R(Di)包括范数小于输入差值数据Di的范数的候选差值数据Ds。因而,用图中的阴影圆形区来定义集合R(Di)。通过初步实验来确定候选差值数据Ds的概率密度函数p(Ds)。作为选择,假定概率密度函数p(Ds)是均匀的。在这种情况下,初步误接受概率PPRE等于圆面积的大小。
图10是概念性地示出上述集合R(Di)的另一模型的曲线图。在图10中,采用差值数据的“分量乘积”作为上述“量”。即,集合R(Di)中所包括的候选差值数据Ds的分量乘积小于输入差值数据Di的分量乘积d1d2。因而,用图中的阴影区来定义集合R(Di)。在此,假定概率密度函数p(Ds)是均匀的,并且候选差值数据Ds的所有分量都在[0,1]范围内。当把这种情况下的初步误接受概率PPRE表示为P1,由以下公式3或4来给出初步误接受概率P1:
其中公式4中的t由t=d1 d2...dn给定。
图11是概念性地示出上述集合R(Di)的又一模型的曲线图。在图11中,采用差值数据的“分量”作为上述“量”。即,集合R(Di)中所包括的候选差值数据Ds的每个分量都小于输入差值数据Di的分量d1和d2的相应分量。因此,用图中的阴影矩形区来定义集合R(Di)。通过初步实验来确定候选差值数据的概率密度函数p(Ds)。作为选择,假定概率密度函数p(Ds)是均匀的。在这种情况下,初步误接受概率PPRE 等于矩形面积大小。
图12是概念性地示出上述集合R(Di)的又一模型的曲线图。在图12中,集合R(Di)包括图11所示的集合R(Di)。集合R(Di)还包括用和图11中一样的方式确定的集合R(Di’),其中Di’=(d2,d1),即通过重新排列输入差值数据Di的分量而产生的数据。即,集合R(Di)中所包括的候选差值数据Ds的每个分量都小于输入差值数据Di或上述数据Di’的对应分量。因此,用图中的阴影区来定义集合R(Di)。当所有特征点都有相似的特性、如在指纹模式的情况下,该集合R(Di)是有效的。在此,假定概率密度函数p(Ds)是均匀的,并且候选差值数据Ds的所有分量都在[0,1]范围内。进一步假定,当输入差值数据Di的分量d1至dn按幅度的顺序存储时,它们具有关系式|dn′|≤......≤|d2′|≤|d1′|(n′为自然数)。当把该情况下的初步误接受概率PPRE表示为P2,由以下公式5来给出初步误接受概率P2。
也由以下递归公式6至8来给出初步误接受概率P2。
P2(d1,d2...,dn)=n!Cn...(6)
C0=1...(8)
一旦这样计算了初步误接受概率PPRE,误接受概率计算单元33就把该初步误接受概率PPRE和来自误对应概率计算单元32的误对应概率PFCR结合起来,以最终计算误接受概率PFAR。例如,误接受概率计算单元33通过使初步误接受概率PPRE和误对应概率PFCR相乘,来计算误接受概率PFAR。误接受概率计算单元33把指示所计算的误接受概率PFAR的误接受概率数据133输出到输出单元4。
如图1所示,输出单元4从误接受概率计算单元33接收误接受概率数据133,并输出指示误接受概率PFAR的结果数据141。结果数据141也表示模式识别***10的安全强度(sccurity strength)、以及除模式识别结果的误接受概率以外的模式的评价值。
误接受概率计算单元33可以连接到差值数据检测单元31和误对应概率计算单元32。在那种情况下,差值数据检测单元31向误对应概率计算单元32和误接受概率计算单元33两者提供差值数据131。误对应概率计算单元32只向误接受概率计算单元33提供误对应概率数据132。
可以通过计算机来执行数据处理部分3中的上述处理。即,差值数据检测单元31、误对应概率计算单元32和误接受概率计算单元33的每一个中的处理都被写为计算机程序,并被计算机执行。
图2所示为根据本发明第一实施例的模式识别方法的总结流程图。首先,将模式数据111输入到模式输入单元1(步骤S1)。然后,差值数据检测单元31根据模式数据111和参考模式数据112的特征量对来检测差值数据131(步骤S2)。差值数据131包括输入模式中的特征点的数目(ns)、参考模式中的特征点的数目(nf)、对应特征点的数目(n)和输入差值数据Di=(d1,...,dn)。然后,误对应概率计算单元32接收差值数据131,并根据差值数据131来计算误对应概率PFCR(步骤S3)。然后,误接受概率计算单元33接收差值数据131,并根据差值数据131来计算初步误接受概率PPRE(步骤S4)。误接受概率计算单元33也利用所计算的误对应概率PFCR和所计算的初步误接受概率PPRE,来计算误接受概率PFAR(步骤S5)。然后,从输出单元4输出指示误接受概率PFAR的数据(步骤S6)。
根据该实施例的模式识别方法、***和程序的优点如下。根据本发明的模式识别***10包括误对应概率计算单元32和误接受概率计算单元33,并根据误对应概率PFCR和初步误接受概率PPRE来计算误接受概率PFAR。这提高了输入模式和参考模式的误接受概率PFAR的计算精度。误对应概率PFCR是比对应特征点的数目n更多的对应特征点的存在概率。初步误接受概率PPRE是基于候选差值数据Ds的“量”小于基于输入差值数据Di的“量”的概率。“量”的例子包括差值数据的范数。
根据本发明的模式识别***10不仅根据初步误接受概率PPRE、而且根据误对应概率PFCR,来计算误接受概率PFAR。即,在计算误接受 概率PFAR的过程中,考虑对应特征点的数目n。由公式1和5,显然对应特征点的数目n越大,所计算的误接受概率PFAR就越小。这提高了***的可靠性。
此外,在诸如识别指纹或识别室外目标的情况下,模式的特征量具有几乎类似的特性。在这种情况下,图12所示的模型是有效的。即,由重新排列输入差值数据Di的分量而产生的数据Di’也用于计算初步误接受概率PPRE。具体地说,计算初步误接受概率PPRE,来作为候选差值数据Ds的每个分量小于输入差值数据Di或上述数据Di’的相应分量的概率。这进一步提高了误接受概率PFAR的计算精度。
另外,利用均匀分布函数来模拟候选差值数据Ds的概率密度函数p(Ds)。这降低了模式识别***10的学习成本。
(第二实施例)
图3所示为根据本发明第二实施例的模式识别***的配置框图。在图3中,和图1所示类似的部件被给予相同的参考数字和符号,并将适当地省略对它们的说明。
在图3中,模式识别***10a包括模式输入单元1、参考模式输入单元2、数据处理部分3a、输出单元4a和容许误接受概率输入单元5。数据处理部分3a包括差值数据检测单元31、误对应概率计算单元32、误接受概率计算单元33和身份判定单元34。
在该实施例中,误接受概率计算单元33向身份判定单元34输出指示所计算的误接受概率PFAR的误接受概率数据133。容许误接受概率输入单元5向身份判定单元34输出指示容许误接受概率PPFAR的容许误接受概率数据151。容许误接受概率PPFAR是***所容许的误接受概率,即模式识别的阈值。
身份判定单元34分别从误接受概率计算单元33和容许误接受概率输入单元5接收误接受概率数据133和容许误接受概率数据151。然后,身份判定单元34判断误接受概率PFAR是否小于容许误接受概率PPFAR。如果误接受概率PFAR小于容许误接受概率PPFAR,则身份判定单元34判定输入模式和参考模式相同。如果误接受概率PFAR大于 容许误接受概率PPFAR,则身份判定单元34判定输入模式和参考模式不同。身份判定单元34把指示该判定结果的判定结果数据输出到输出单元4a。
输出单元4a从身份判定单元34接收判定结果数据134,并根据该判定结果来输出输出数据142。例如,当模式识别***10a应用于门控时,根据输出数据142来控制门打开。当模式识别***10a应用于银行的自动取款机(ATM)时,根据输出数据142来接受或拒绝客户的操作。输入到模式输入单元的模式数据111的例子包括客户的指纹、脸和虹膜的图像数据。
例如,当按照一般惯例利用四位个人身份号码(PIN)来鉴别人时,***中的误鉴别概率(以下称为安全强度)为一万分之一。为了在根据本发明的模式识别***10a中实现同样的安全强度,可以将容许误接受概率PPFAR设为一万分之一。因而,容许误接受概率PPFAR(阈值)直接就表示***的安全强度。可以预先在数据处理部分3a中将容许误接受概率PPFAR设为常数。
可以通过计算机来执行数据处理部分3a中的上述处理。即,差值数据检测单元31、误对应概率计算单元32、误接受概率计算单元33和身份判定单元34的每一个中的处理都别写为计算机程序,并被计算机执行。
图4所示为根据本发明第二实施例的模式识别方法的总结流程图。首先,将模式数据111输入到模式输入单元1(步骤S1)。然后,差值数据检测单元31根据模式数据111和参考模式数据112的特征量对来检测差值数据131(步骤S2)。然后,误对应概率计算单元32接收差值数据131,并根据差值数据131来计算误对应概率PFCR(步骤S3)。然后,误接受概率计算单元33接收差值数据131,并根据差值数据131来计算初步误接受概率PPRE(步骤S4)。误接受概率计算单元33也利用所计算的误对应概率PFCR和所计算的初步误接受概率PPRE,来计算误接受概率PFAR(步骤S5)。然后,身份判定单元34比较容许误接受概率PPFAR和所计算的误接受概率PFAR,以判断误接受概率PFAR是否小于容许误接受概率PPFAR(步骤S7)。输出单元4输出指 示判定结果的输出数据142(步骤S8)。
除第一实施例的优点以外,根据该实施例的模式识别***10a还提供以下优点。在模式识别***10a中,应用于所有输入模式的阈值被设为常数。此外,所应用的阈值直接就表示容许误接受概率PPFAR,即***的安全强度。这确保了稳定的安全强度。从***操作的观点看,阈值与安全强度的这种直接对应是所希望的。
上述模式识别***10和10a可应用于语音识别、指纹识别、光学字符识别、信号识别等。
与上述实施例无关,在不脱离本发明精神的情况下,可以对根据本发明的模式识别***、模式识别方法和模式识别程序进行各种更改。例如,因为输入模式和参考模式被看作一对,所以可以把模式数据111输入到参考模式输入单元2,并可以把参考模式数据121输入到模式输入单元1。
附图说明
图1所示为根据本发明第一实施例的模式识别***的配置框图;
图2所示为根据本发明第一实施例的模式识别方法的流程图;
图3所示为根据本发明第二实施例的模式识别***的配置框图;
图4所示为根据本发明第二实施例的模式识别方法的流程图;
图5所示为输入模式中的特征点分布的概念性视图;
图6所示为参考模式中的特征点分布的概念性视图;
图7所示为通过差值数据检测单元来确定特征点之间的对应的概念性视图;
图8所示为对应特征点分布的概念性视图;
图9是概念性地示出候选差值数据的示例分布的曲线图;
图10是概念性地示出候选差值数据的另一示例分布的曲线图;
图11是概念性地示出候选差值数据的又一示例分布的曲线图;以及
图12是概念性地示出候选差值数据的又一示例分布的曲线图。
符号描述
1 模式输入单元
2 参考模式输入单元
3 数据处理部分
4 输出单元
5 容许误接受概率输入单元
10 模式识别***
31 差值数据检测单元
32 误对应概率计算单元
33 误接受概率计算单元
34 身份判定单元
111模式数据
112模式特征数据
121参考模式数据
122参考模式特征数据
131差值数据
132误对应概率数据
133误接受概率数据
134判定结果数据
141结果数据
142输出数据
151容许误接受概率数据
Claims (15)
1.一种模式识别***,包括:
用于根据指示第一模式特征点和第二模式特征点之间的对应点的对应特征点的数目来计算第一概率的装置,该第一概率指示具有比所述对应特征点的数目更多的与第一模式对应的对应特征点的第三模式的存在概率;
用于根据第一概率来计算误接受概率的装置,该误接受概率指示错误地判定第一模式和第二模式相对应的概率;
用于确定第一矢量的装置,该第一矢量包括第一模式中的对应特征点和第二模式中的关联对应特征点之间的差;以及
用于根据第一矢量来计算指示第二矢量的存在概率的第二概率、并根据第一概率和第二概率来计算误接受概率的装置,该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量,以及
其中,第二概率指示第二矢量的幅度小于第一矢量的幅度的概率,以及
所述模式识别***进一步包括差值数据检测单元,其中
该差值数据检测单元接收指示第一模式中的特征点的第一特征数据以及指示第二模式中的特征点的第二特征数据,根据该第一特征数据和该第二特征数据来检测对应特征点,并计算指示检测结果的差值数据,以及
其中,差值数据包括:
第一模式中的特征点的数目;第二模式中的特征点的数目;对应特征点的数目;以及第一矢量,以及
其中,根据该差值数据来计算误接受概率。
2.根据权利要求1所述的模式识别***,其中
通过将第一概率和第二概率相乘,来计算误接受概率。
3.根据权利要求1所述的模式识别***,其中
第二概率指示第二矢量的分量乘积小于第一矢量的分量乘积的概率。
4.根据权利要求1所述的模式识别***,其中
第二概率指示第二矢量的每个分量都小于第一矢量的对应分量的概率。
5.根据权利要求1所述的模式识别***,其中
第三矢量具有由重新排列第一矢量的分量而产生的分量,以及
第二概率指示以下事件之间的逻辑“或”概率:第二矢量的每个分量都小于第一矢量的对应分量;以及第二矢量的每个分量都小于第三矢量的对应分量。
6.根据权利要求1所述的模式识别***,其中
第二矢量的分布函数是均匀的。
7.根据权利要求1所述的模式识别***,进一步包括身份判定单元,其中
该身份判定单元比较误接受概率和预定阈值,并输出比较结果。
8.根据权利要求1所述的模式识别***,其中
如果误接受概率小于预定阈值,则身份判定单元判定第一模式和第二模式是相同的。
9.根据权利要求1所述的模式识别***,其中
第一模式和第二模式是指纹模式。
10.一种模式识别方法,包括以下步骤:
根据指示第一模式特征点和第二模式特征点之间的对应点的对应特征点的数目,来计算第一概率,该第一概率指示具有比所述对应特征点的数目更多的与第一模式对应的对应特征点的第三模式的存在概率;
参考第一概率来计算误接受概率,该误接受概率指示错误地判定第一模式和第二模式相对应的概率;
确定第一矢量,该第一矢量包括由第一模式中的对应特征点和第二模式中的关联对应特征点之间的差;以及
使用第一矢量来计算指示第二矢量的存在概率的第二概率,并根据第一概率和第二概率来计算误接受概率,该第二矢量具有在第一模式和任何模式之间确定的对应特征点对之间的差值分量,以及
其中,第二概率指示第二矢量的幅度小于第一矢量的幅度的概率,以及
所述模式识别方法进一步包括:接收指示第一模式中的特征点的第一特征数据以及指示第二模式中的特征点的第二特征数据,根据该第一特征数据和该第二特征数据来检测对应特征点,并计算指示检测结果的差值数据,以及
其中,差值数据包括:
第一模式中的特征点的数目;第二模式中的特征点的数目;对应特征点的数目;以及第一矢量,以及
其中,根据该差值数据来计算误接受概率。
11.根据权利要求10所述的模式识别方法,其中
通过将第一概率和第二概率相乘来计算误接受概率。
12.根据权利要求10所述的模式识别方法,其中
第二概率指示第二矢量的分量乘积小于第一矢量的分量乘积的概率。
13.根据权利要求10所述的模式识别方法,其中
第二概率指示第二矢量的每个分量都小于第一矢量的对应分量的概率。
14.根据权利要求10所述的模式识别方法,其中
第三矢量具有由重新排列第一矢量的分量而产生的分量,以及
第二概率指示以下事件之间的逻辑“或”概率:第二矢量的每个分量都小于第一矢量的对应分量;以及第二矢量的每个分量都小于第三矢量的对应分量。
15.根据权利要求10所述的模式识别方法,进一步包括以下步骤:
比较误接受概率和预定阈值;以及
如果误接受概率小于预定阈值,则判定第一模式和第二模式是相同的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004008533 | 2004-01-15 | ||
JP008533/2004 | 2004-01-15 | ||
PCT/JP2005/000272 WO2005069221A1 (ja) | 2004-01-15 | 2005-01-13 | パターン識別システム、パターン識別方法、及びパターン識別プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1934588A CN1934588A (zh) | 2007-03-21 |
CN1934588B true CN1934588B (zh) | 2012-04-25 |
Family
ID=34792235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005800084167A Active CN1934588B (zh) | 2004-01-15 | 2005-01-13 | 模式识别***和模式识别方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US7778463B2 (zh) |
EP (1) | EP1713032B1 (zh) |
JP (1) | JP4665764B2 (zh) |
KR (1) | KR100837002B1 (zh) |
CN (1) | CN1934588B (zh) |
WO (1) | WO2005069221A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911115B (zh) * | 2007-12-26 | 2012-08-08 | 日本电气株式会社 | 图案间特征对应设备、其图案间特征对应方法 |
JPWO2009151002A1 (ja) * | 2008-06-11 | 2011-11-17 | 日本電気株式会社 | パターン識別方法、装置およびプログラム |
WO2010016313A1 (ja) * | 2008-08-08 | 2010-02-11 | 日本電気株式会社 | パターン判定装置、方法、およびプログラム |
US20100057560A1 (en) * | 2008-09-04 | 2010-03-04 | At&T Labs, Inc. | Methods and Apparatus for Individualized Content Delivery |
JP2010205043A (ja) * | 2009-03-04 | 2010-09-16 | Nec Corp | パターン学習方法、装置、およびプログラム |
JP5045845B2 (ja) * | 2009-03-13 | 2012-10-10 | 日本電気株式会社 | 画像識別子抽出装置 |
US10020759B2 (en) | 2015-08-04 | 2018-07-10 | The Boeing Company | Parallel modular converter architecture for efficient ground electric vehicles |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740274A (en) * | 1991-09-12 | 1998-04-14 | Fuji Photo Film Co., Ltd. | Method for recognizing object images and learning method for neural networks |
US5613014A (en) * | 1994-10-12 | 1997-03-18 | Martin Marietta Corp. | Fingerprint matching system |
JPH0991434A (ja) * | 1995-09-28 | 1997-04-04 | Hamamatsu Photonics Kk | 人物照合装置 |
US5978495A (en) * | 1996-07-17 | 1999-11-02 | Intelnet Inc. | Method and apparatus for accurate determination of the identity of human beings |
JP3799057B2 (ja) * | 1996-10-17 | 2006-07-19 | 梅テック 有限会社 | 指紋照合装置 |
US6259805B1 (en) * | 1996-12-04 | 2001-07-10 | Dew Engineering And Development Limited | Biometric security encryption system |
US6498861B1 (en) * | 1996-12-04 | 2002-12-24 | Activcard Ireland Limited | Biometric security encryption system |
US6233348B1 (en) | 1997-10-20 | 2001-05-15 | Fujitsu Limited | Fingerprint registering apparatus, fingerprint identifying apparatus, and fingerprint identifying method |
JP3705938B2 (ja) | 1997-10-20 | 2005-10-12 | 富士通株式会社 | 指紋登録装置、指紋照合装置及び指紋照合方法 |
US6463165B1 (en) * | 1998-03-31 | 2002-10-08 | Mitsubishi Denki Kabushiki Kaisha | Individuals checking apparatus |
JP3439359B2 (ja) * | 1998-12-18 | 2003-08-25 | 日本電気株式会社 | 個人識別方法、個人識別装置および記録媒体 |
JP2000215313A (ja) | 1999-01-22 | 2000-08-04 | Mitsubishi Electric Corp | デ―タ識別方法およびその装置 |
JP2000242786A (ja) * | 1999-02-19 | 2000-09-08 | Matsushita Electric Works Ltd | 本人認証システム |
US7139592B2 (en) * | 1999-06-21 | 2006-11-21 | Arraycomm Llc | Null deepening for an adaptive antenna based communication station |
US6816605B2 (en) * | 1999-10-08 | 2004-11-09 | Lumidigm, Inc. | Methods and systems for biometric identification of individuals using linear optical spectroscopy |
US6591224B1 (en) * | 2000-06-01 | 2003-07-08 | Northrop Grumman Corporation | Biometric score normalizer |
JP4393720B2 (ja) | 2001-01-31 | 2010-01-06 | 富士通株式会社 | パターン認識装置および方法 |
US6895104B2 (en) * | 2001-02-16 | 2005-05-17 | Sac Technologies, Inc. | Image identification system |
JP3709803B2 (ja) * | 2001-03-28 | 2005-10-26 | 日本電気株式会社 | パターン照合装置とそのパターン照合方法、及びパターン照合プログラム |
US7006673B2 (en) * | 2001-07-25 | 2006-02-28 | Activcard Ireland Limited | Method of hash string extraction |
GB2395781A (en) * | 2002-11-29 | 2004-06-02 | Sony Uk Ltd | Face detection |
WO2004055735A1 (ja) * | 2002-12-16 | 2004-07-01 | Canon Kabushiki Kaisha | パターン識別方法、その装置及びそのプログラム |
-
2005
- 2005-01-13 CN CN2005800084167A patent/CN1934588B/zh active Active
- 2005-01-13 WO PCT/JP2005/000272 patent/WO2005069221A1/ja active Application Filing
- 2005-01-13 JP JP2005517049A patent/JP4665764B2/ja active Active
- 2005-01-13 KR KR1020067014189A patent/KR100837002B1/ko not_active IP Right Cessation
- 2005-01-13 EP EP05703511A patent/EP1713032B1/en active Active
- 2005-01-13 US US10/586,300 patent/US7778463B2/en active Active
-
2010
- 2010-07-07 US US12/831,711 patent/US7983484B2/en active Active
Non-Patent Citations (4)
Title |
---|
JP特开2000-182057A 2000.06.30 |
JP特开2000-242786A 2000.09.08 |
JP特开平10-124669A 1998.05.15 |
JP特开平11-195119A 1999.07.21 |
Also Published As
Publication number | Publication date |
---|---|
US7983484B2 (en) | 2011-07-19 |
CN1934588A (zh) | 2007-03-21 |
JPWO2005069221A1 (ja) | 2008-04-24 |
WO2005069221A1 (ja) | 2005-07-28 |
EP1713032B1 (en) | 2012-12-05 |
JP4665764B2 (ja) | 2011-04-06 |
EP1713032A1 (en) | 2006-10-18 |
KR100837002B1 (ko) | 2008-06-10 |
US7778463B2 (en) | 2010-08-17 |
US20100272371A1 (en) | 2010-10-28 |
US20070160259A1 (en) | 2007-07-12 |
EP1713032A4 (en) | 2008-06-25 |
KR20070026358A (ko) | 2007-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1934588B (zh) | 模式识别***和模式识别方法 | |
CN100356388C (zh) | 生物特征融合的身份识别和认证方法 | |
US4028674A (en) | Automated signature verification system | |
US5828772A (en) | Method and apparatus for parametric signature verification using global features and stroke-direction codes | |
EP0973123A1 (en) | Finger sensor operating technique | |
AU785140B2 (en) | Pattern collation device and pattern collating method thereof, and pattern collation program | |
US6480617B2 (en) | Method and device for identifying fingerprints | |
CN106778823A (zh) | 一种指针式仪表读数自动识别方法 | |
CN102567744B (zh) | 基于机器学习的虹膜图像质量确定方法 | |
CN104464079A (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
JP2827994B2 (ja) | 指紋特徴抽出装置 | |
CN108765470A (zh) | 一种针对目标遮挡改进的kcf跟踪算法 | |
CN102855461A (zh) | 在图像中检测手指的方法及设备 | |
CN101751550A (zh) | 快速指纹搜索方法及快速指纹搜索*** | |
Tsang et al. | Classification of partially occluded objects using 3-point matching and distance transformation | |
US5995652A (en) | Pattern searching method using neural networks and correlation | |
US6430308B1 (en) | Handwriting verification device | |
CN114120378A (zh) | 一种三级分类指纹识别方法 | |
Tsang et al. | Recognition of occluded objects | |
EP0300167A2 (en) | Apparatus and method for matching image characteristics such as fingerprint minutiae | |
Kim et al. | Learning of prototypes and decision boundaries for a verification problem having only positive samples | |
KR101016848B1 (ko) | 지문 대칭축 추출 방법 | |
CN113936294A (zh) | 建筑工地人员识别方法、可读存储介质和电子设备 | |
Li et al. | YOLO-ResNet: A New Model for Rebar Detection | |
CN100383806C (zh) | 基于鲁棒位置保留映射的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |