JP7141518B2 - 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 - Google Patents
指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 Download PDFInfo
- Publication number
- JP7141518B2 JP7141518B2 JP2021506411A JP2021506411A JP7141518B2 JP 7141518 B2 JP7141518 B2 JP 7141518B2 JP 2021506411 A JP2021506411 A JP 2021506411A JP 2021506411 A JP2021506411 A JP 2021506411A JP 7141518 B2 JP7141518 B2 JP 7141518B2
- Authority
- JP
- Japan
- Prior art keywords
- finger vein
- channel
- matched
- image
- images
- 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
- 210000003462 vein Anatomy 0.000 title claims description 346
- 238000000034 method Methods 0.000 title claims description 35
- 239000013598 vector Substances 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 108010001267 Protein Subunits Proteins 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Description
本願は、2019年4月3日に提出された、出願番号が201910263866.4であり、名称が「指静脈照合方法、装置、コンピュータ機器、及び記憶媒体」である中国特許出願を基礎として、その優先権を主張する。
Claims (20)
- 指静脈照合方法であって、
単一チャネル画像である2枚の被照合指静脈画像を取得するステップと、
前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得るステップと、
前記ターゲット被照合指静脈画像を特徴抽出器に入力し、前記特徴抽出器で前記ターゲット被照合指静脈画像の特徴ベクトルを抽出するステップであって、前記特徴抽出器は、二チャネル畳み込みニューラルネットワークを用いて訓練されたものであるステップと、
前記ターゲット被照合指静脈画像の特徴ベクトルを二値分類器に入力して、二値分類結果を得るステップと、
前記二値分類結果に基づいて、前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定するステップと、を含むことを特徴とする方法。 - 前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得る前記ステップは、
1枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
2枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
前記1枚目の被照合指静脈画像の単一チャネル画素マトリクスと前記2枚目の被照合指静脈画像の単一チャネル画素マトリクスにおける対応位置の画素値に対して画像チャネルの融合を行って、前記ターゲット被照合指静脈画像を得るステップと、を含むことを特徴とする請求項1に記載の方法。 - 前記ターゲット被照合指静脈画像を特徴抽出器に入力する前に、さらに、
被訓練指静脈サンプルを取得するステップと、
前記被訓練指静脈サンプルを前記二チャネル畳み込みニューラルネットワークに入力して訓練を行い、強化エッジ余弦損失関数を用いて訓練過程で生じた損失値を算出するステップであって、前記二チャネル畳み込みニューラルネットワークは、4層の畳み込み層、4層のプーリング層及び1層の全結合層を含み、前記二チャネル畳み込みニューラルネットワークの第1、3、5、7層が畳み込み層であり、第2、4、6、8層がプーリング層であり、第9層が全結合層であるステップと、
前記損失値に応じて前記二チャネル畳み込みニューラルネットワークを更新して、前記特徴抽出器を得るステップと、を含むことを特徴とする請求項1に記載の方法。 - 被訓練指静脈サンプルを取得する前記ステップは、
単一チャネルの被訓練指静脈画像を取得するステップと、
2枚毎の前記単一チャネルの被訓練指静脈画像に対して画像チャネルの融合を行って、二チャネルの被訓練指静脈画像を得るステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来すると、前記二チャネルの被訓練指静脈画像のラベル値を0と設定するステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来しないと、前記二チャネルの被訓練指静脈画像のラベル値を1と設定するステップと、
設定された前記ラベル値に基づいて前記被訓練指静脈サンプルを得るステップと、を含むことを特徴とする請求項3に記載の方法。 - 前記二値分類結果に基づいて、前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定する前記ステップは、
前記二値分類結果として得られた値が0であれば、前記2枚の被照合指静脈画像が同じ指に由来すると決定するステップと、
前記二値分類結果として得られた値が1であれば、前記2枚の被照合指静脈画像が同じ指に由来しないと決定するステップと、を含むことを特徴とする請求項1~4のいずれか1項に記載の方法。 - 指静脈照合装置であって、
単一チャネル画像である2枚の被照合指静脈画像を取得するための第1取得モジュールと、
前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得るための第2取得モジュールと、
前記ターゲット被照合指静脈画像を特徴抽出器に入力し、前記特徴抽出器で前記ターゲット被照合指静脈画像の特徴ベクトルを抽出するための第3取得モジュールであって、前記特徴抽出器は、二チャネル畳み込みニューラルネットワークを用いて訓練されたものである第3取得モジュールと、
前記ターゲット被照合指静脈画像の特徴ベクトルを二値分類器に入力して、二値分類結果を得るための第4取得モジュールと、
前記二値分類結果に基づいて前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定するための決定モジュールと、を含むことを特徴とする装置。 - 前記第2取得モジュールは、
1枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するための第1取得ユニットと、
2枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するための第2取得ユニットと、
前記1枚目の被照合指静脈画像の単一チャネル画素マトリクスと前記2枚目の被照合指静脈画像の単一チャネル画素マトリクスにおける対応位置の画素値に対して画像チャネルの融合を行って、前記ターゲット被照合指静脈画像を得るための第3取得ユニットと、を含むことを特徴とする請求項6に記載の装置。 - 前記装置は、さらに、
前記ターゲット被照合指静脈画像を特徴抽出器に入力する前に、被訓練指静脈サンプルを取得するための第4取得ユニットと、
前記被訓練指静脈サンプルを前記二チャネル畳み込みニューラルネットワークに入力して訓練を行い、強化エッジ余弦損失関数を用いて訓練過程で生じた損失値を算出するための損失値取得ユニットであって、前記二チャネル畳み込みニューラルネットワークは、4層の畳み込み層、4層のプーリング層及び1層の全結合層を含み、前記二チャネル畳み込みニューラルネットワークの第1、3、5、7層が畳み込み層であり、第2、4、6、8層がプーリング層であり、第9層が全結合層である損失値取得ユニットと、
前記損失値に応じて前記二チャネル畳み込みニューラルネットワークを更新して、前記特徴抽出器を得るための特徴抽出器取得ユニットと、を含むことを特徴とする請求項6に記載の装置。 - 前記第4取得ユニットは、
単一チャネルの被訓練指静脈画像を取得するための第1取得サブユニットと、
2枚毎の前記単一チャネルの被訓練指静脈画像に対して画像チャネルの融合を行って、二チャネルの被訓練指静脈画像を得るための第2取得サブユニットと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来すると、前記二チャネルの被訓練指静脈画像のラベル値を0と設定するための第3取得サブユニットと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来しないと、前記二チャネルの被訓練指静脈画像のラベル値を1と設定するための第4取得サブユニットと、
設定された前記ラベル値に基づいて前記被訓練指静脈サンプルを得るための第5取得サブユニットと、を含むことを特徴とする請求項8に記載の装置。 - 前記決定モジュールは、
前記二値分類結果として得られた値が0であれば、前記2枚の被照合指静脈画像が同じ指に由来すると決定するための第1決定ユニットと、
前記二値分類結果として得られた値が1であれば、前記2枚の被照合指静脈画像が同じ指に由来しないと決定するための第2決定ユニットと、を含むことを特徴とする請求項6~9のいずれか1項に記載の装置。 - メモリと、プロセッサと、前記メモリに記憶され、前記プロセッサで実行可能なコンピュータ読取可能な命令とを含むコンピュータ機器であって、前記プロセッサが、前記コンピュータ読取可能な命令を実行するとき、
単一チャネル画像である2枚の被照合指静脈画像を取得するステップと、
前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得るステップと、
前記ターゲット被照合指静脈画像を特徴抽出器に入力し、前記特徴抽出器で前記ターゲット被照合指静脈画像の特徴ベクトルを抽出するステップであって、前記特徴抽出器は、二チャネル畳み込みニューラルネットワークを用いて訓練されたものであるステップと、
前記ターゲット被照合指静脈画像の特徴ベクトルを二値分類器に入力して、二値分類結果を得るステップと、
前記二値分類結果に基づいて、前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定するステップと、を実現することを特徴とするコンピュータ機器。 - 前記プロセッサが前記コンピュータ読取可能な命令を実行して前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得るステップを実現するとき、
1枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
2枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
前記1枚目の被照合指静脈画像の単一チャネル画素マトリクスと前記2枚目の被照合指静脈画像の単一チャネル画素マトリクスにおける対応位置の画素値に対して画像チャネルの融合を行って、前記ターゲット被照合指静脈画像を得るステップと、を含むことを特徴とする請求項11に記載のコンピュータ機器。 - 前記プロセッサは、前記コンピュータ読取可能な命令を実行するとき、
前記ターゲット被照合指静脈画像を特徴抽出器に入力する前に、被訓練指静脈サンプルを取得するステップと、
前記被訓練指静脈サンプルを前記二チャネル畳み込みニューラルネットワークに入力して訓練を行い、強化エッジ余弦損失関数を用いて訓練過程で生じた損失値を算出するステップであって、前記二チャネル畳み込みニューラルネットワークは、4層の畳み込み層、4層のプーリング層及び1層の全結合層を含み、前記二チャネル畳み込みニューラルネットワークの第1、3、5、7層が畳み込み層であり、第2、4、6、8層がプーリング層であり、第9層が全結合層であるステップと、
前記損失値に応じて前記二チャネル畳み込みニューラルネットワークを更新して、前記特徴抽出器を得るステップと、をさらに実現することを特徴とする請求項11に記載のコンピュータ機器。 - 前記プロセッサは、前記コンピュータ読取可能な命令を実行して被訓練指静脈サンプルを取得するステップを実現するとき、
単一チャネルの被訓練指静脈画像を取得するステップと、
2枚毎の前記単一チャネルの被訓練指静脈画像に対して画像チャネルの融合を行って、二チャネルの被訓練指静脈画像を得るステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来すると、前記二チャネルの被訓練指静脈画像のラベル値を0と設定するステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来しないと、前記二チャネルの被訓練指静脈画像のラベル値を1と設定するステップと、
設定された前記ラベル値に基づいて前記被訓練指静脈サンプルを得るステップと、を含むことを特徴とする請求項13に記載のコンピュータ機器。 - 前記プロセッサは、前記コンピュータ読取可能な命令を実行して前記二値分類結果に基づいて前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定する前記ステップを実現するとき、
前記二値分類結果として得られた値が0であれば、前記2枚の被照合指静脈画像が同じ指に由来すると決定するステップと、
前記二値分類結果として得られた値が1であれば、前記2枚の被照合指静脈画像が同じ指に由来しないと決定するステップと、を含むことを特徴とする請求項11~14のいずれか1項に記載のコンピュータ機器。 - コンピュータ読取可能な命令が記憶されたコンピュータ不揮発性読取可能な記憶媒体であって、前記コンピュータ読取可能な命令は、プロセッサによって実行されるとき、
単一チャネル画像である2枚の被照合指静脈画像を取得するステップと、
前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得るステップと、
前記ターゲット被照合指静脈画像を特徴抽出器に入力し、前記特徴抽出器で前記ターゲット被照合指静脈画像の特徴ベクトルを抽出するステップであって、前記特徴抽出器は、二チャネル畳み込みニューラルネットワークを用いて訓練されたものであるステップと、
前記ターゲット被照合指静脈画像の特徴ベクトルを二値分類器に入力して、二値分類結果を得るステップと、
前記二値分類結果に基づいて、前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定するステップと、を実現することを特徴とする記憶媒体。 - 前記コンピュータ読取可能な命令は、1つ又は複数のプロセッサによって実行されて前記2枚の被照合指静脈画像に対して画像チャネルの融合を行って、1枚の二チャネルのターゲット被照合指静脈画像を得る前記ステップを実現するとき、
1枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
2枚目の被照合指静脈画像の単一チャネル画素マトリクスを取得するステップと、
前記1枚目の被照合指静脈画像の単一チャネル画素マトリクスと前記2枚目の被照合指静脈画像の単一チャネル画素マトリクスにおける対応位置の画素値に対して画像チャネルの融合を行って、前記ターゲット被照合指静脈画像を得るステップと、を含むことを特徴とする請求項16に記載のコンピュータ不揮発性読取可能な記憶媒体。 - 前記コンピュータ読取可能な命令は、1つ又は複数のプロセッサによって実行されるとき、前記1つ又は複数のプロセッサに、
前記ターゲット被照合指静脈画像を特徴抽出器に入力する前に、被訓練指静脈サンプルを取得するステップと、
前記被訓練指静脈サンプルを前記二チャネル畳み込みニューラルネットワークに入力して訓練を行い、強化エッジ余弦損失関数を用いて訓練過程で生じた損失値を算出するステップであって、前記二チャネル畳み込みニューラルネットワークは、4層の畳み込み層、4層のプーリング層及び1層の全結合層を含み、前記二チャネル畳み込みニューラルネットワークの第1、3、5、7層が畳み込み層であり、第2、4、6、8層がプーリング層であり、第9層が全結合層であるステップと、
前記損失値に応じて前記二チャネル畳み込みニューラルネットワークを更新して、前記特徴抽出器を得るステップと、をさらに実現させることを特徴とする請求項16に記載のコンピュータ不揮発性読取可能な記憶媒体。 - 前記コンピュータ読取可能な命令は、1つ又は複数のプロセッサによって実行されて被訓練指静脈サンプルを取得する前記ステップを実現するとき、
単一チャネルの被訓練指静脈画像を取得するステップと、
2枚毎の前記単一チャネルの被訓練指静脈画像に対して画像チャネルの融合を行って、二チャネルの被訓練指静脈画像を得るステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来すると、前記二チャネルの被訓練指静脈画像のラベル値を0と設定するステップと、
融合した前記単一チャネルの被訓練指静脈画像が同じ指に由来しないと、前記二チャネルの被訓練指静脈画像のラベル値を1と設定するステップと、
設定された前記ラベル値に基づいて前記被訓練指静脈サンプルを得るステップと、を含むことを特徴とする請求項18に記載のコンピュータ不揮発性読取可能な記憶媒体。 - 前記コンピュータ読取可能な命令は、1つ又は複数のプロセッサによって実行されて前記二値分類結果に基づいて前記2枚の被照合指静脈画像が同じ指に由来するか否かを決定する前記ステップを実現するとき、
前記二値分類結果として得られた値が0であれば、前記2枚の被照合指静脈画像が同じ指に由来すると決定するステップと、
前記二値分類結果として得られた値が1であれば、前記2枚の被照合指静脈画像が同じ指に由来しないと決定するステップと、を含むことを特徴とする請求項16~19のいずれか1項に記載のコンピュータ不揮発性読取可能な記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910263866.4A CN110175500B (zh) | 2019-04-03 | 2019-04-03 | 指静脉比对方法、装置、计算机设备及存储介质 |
CN201910263866.4 | 2019-04-03 | ||
PCT/CN2019/104331 WO2020199498A1 (zh) | 2019-04-03 | 2019-09-04 | 指静脉比对方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021533493A JP2021533493A (ja) | 2021-12-02 |
JP7141518B2 true JP7141518B2 (ja) | 2022-09-22 |
Family
ID=67689375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021506411A Active JP7141518B2 (ja) | 2019-04-03 | 2019-09-04 | 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11893773B2 (ja) |
JP (1) | JP7141518B2 (ja) |
CN (1) | CN110175500B (ja) |
SG (1) | SG11202100890TA (ja) |
WO (1) | WO2020199498A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175500B (zh) | 2019-04-03 | 2024-01-19 | 平安科技(深圳)有限公司 | 指静脉比对方法、装置、计算机设备及存储介质 |
CN112132099A (zh) * | 2020-09-30 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 身份识别方法、掌纹关键点检测模型训练方法和装置 |
CN113313082B (zh) * | 2021-07-28 | 2021-10-29 | 北京电信易通信息技术股份有限公司 | 一种基于多任务损失函数的目标检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356362A1 (en) | 2014-06-09 | 2015-12-10 | Lawrence Livermore National Security, Llc | Personal electronic device for performing multimodal imaging for non-contact identification of multiple biometric traits |
JP2018018350A (ja) | 2016-07-28 | 2018-02-01 | 富士通株式会社 | 画像認識装置、画像認識プログラム、画像認識方法および認識装置 |
CN107832684A (zh) | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和*** |
CN108615002A (zh) | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
WO2018198233A1 (ja) | 2017-04-26 | 2018-11-01 | 株式会社ソニー・インタラクティブエンタテインメント | 学習装置、画像認識装置、学習方法及びプログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8190239B2 (en) * | 2002-09-03 | 2012-05-29 | Fujitsu Limited | Individual identification device |
TWI340920B (en) * | 2007-02-09 | 2011-04-21 | Egis Technology Inc | Biometrics method based on a thermal image of a finger |
US8872909B2 (en) * | 2010-06-10 | 2014-10-28 | The Hong Kong Polytechnic University | Method and apparatus for personal identification using finger imaging |
TWI599964B (zh) * | 2010-09-03 | 2017-09-21 | 國立台灣科技大學 | 手指靜脈辨識系統與方法 |
US8494283B2 (en) * | 2010-12-21 | 2013-07-23 | Microsoft Corporation | Image quality assessment |
KR101141312B1 (ko) * | 2011-05-16 | 2012-05-04 | 동국대학교 산학협력단 | 영상의 융합 기법을 이용한 의료용 혈관영상 처리방법 |
US20150023572A1 (en) * | 2013-07-22 | 2015-01-22 | Rocky Williform | System and methods for providing finger vein authentication and signature for execution of electronic wallet transactions |
US9558392B2 (en) * | 2015-02-12 | 2017-01-31 | Korecen Co., Ltd. | Finger vein authentication system |
CN104700099B (zh) * | 2015-03-31 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN105518716A (zh) * | 2015-10-10 | 2016-04-20 | 厦门中控生物识别信息技术有限公司 | 手指静脉识别方法及装置 |
US20190026453A1 (en) * | 2016-04-15 | 2019-01-24 | All It Top Co., Ltd. | Polyhedral three-dimensional imaging device for simultaneously authenticating fingerprint and finger veins |
US20200151480A1 (en) * | 2017-08-01 | 2020-05-14 | Nanjing Easthouse Information Technology Co., Ltd. | Finger vein sensors |
CN107977609B (zh) * | 2017-11-20 | 2021-07-20 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108491835B (zh) * | 2018-06-12 | 2021-11-30 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
CN108921100B (zh) * | 2018-07-04 | 2020-12-01 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及*** |
CN109409227A (zh) * | 2018-09-25 | 2019-03-01 | 五邑大学 | 一种基于多通道cnn的手指静脉图质量评估方法及其装置 |
CN110175500B (zh) * | 2019-04-03 | 2024-01-19 | 平安科技(深圳)有限公司 | 指静脉比对方法、装置、计算机设备及存储介质 |
-
2019
- 2019-04-03 CN CN201910263866.4A patent/CN110175500B/zh active Active
- 2019-09-04 SG SG11202100890TA patent/SG11202100890TA/en unknown
- 2019-09-04 JP JP2021506411A patent/JP7141518B2/ja active Active
- 2019-09-04 WO PCT/CN2019/104331 patent/WO2020199498A1/zh active Application Filing
-
2021
- 2021-02-18 US US17/178,911 patent/US11893773B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356362A1 (en) | 2014-06-09 | 2015-12-10 | Lawrence Livermore National Security, Llc | Personal electronic device for performing multimodal imaging for non-contact identification of multiple biometric traits |
JP2018018350A (ja) | 2016-07-28 | 2018-02-01 | 富士通株式会社 | 画像認識装置、画像認識プログラム、画像認識方法および認識装置 |
WO2018198233A1 (ja) | 2017-04-26 | 2018-11-01 | 株式会社ソニー・インタラクティブエンタテインメント | 学習装置、画像認識装置、学習方法及びプログラム |
CN107832684A (zh) | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和*** |
CN108615002A (zh) | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021533493A (ja) | 2021-12-02 |
CN110175500A (zh) | 2019-08-27 |
US11893773B2 (en) | 2024-02-06 |
SG11202100890TA (en) | 2021-02-25 |
US20210174104A1 (en) | 2021-06-10 |
WO2020199498A1 (zh) | 2020-10-08 |
CN110175500B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210133483A1 (en) | Object detection based on pixel differences | |
Goodfellow et al. | Multi-digit number recognition from street view imagery using deep convolutional neural networks | |
CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
WO2021248733A1 (zh) | 应用双分支三维卷积模型的人脸活体检测***、终端及存储介质 | |
CN107423690A (zh) | 一种人脸识别方法及装置 | |
Xu et al. | Effective face detector based on yolov5 and superresolution reconstruction | |
US20230021661A1 (en) | Forgery detection of face image | |
JP7141518B2 (ja) | 指静脈照合方法、装置、コンピュータ機器、及び記憶媒体 | |
US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
Fang et al. | Real-time hand posture recognition using hand geometric features and fisher vector | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
Haji et al. | Real time face recognition system (RTFRS) | |
CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
Qin et al. | Finger-vein quality assessment based on deep features from grayscale and binary images | |
Simanjuntak et al. | Fusion of cnn-and cosfire-based features with application to gender recognition from face images | |
Liu et al. | Presentation attack detection for face in mobile phones | |
Chuang et al. | Hand posture recognition and tracking based on bag-of-words for human robot interaction | |
Santosh et al. | Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I | |
Mahapatra et al. | Generator based methods for off-line handwritten character recognition | |
Shylaja et al. | Illumination Invariant Novel Approaches for Face Recognition | |
Shankar et al. | Frames extracted from video streaming to recognition of face: LBPH, FF and CNN | |
Asefaw | Re-recognition of vehicles for enhanced insights on road traffic | |
Li et al. | Efficient and accurate iris detection and segmentation based on multi-scale optimized mask R-CNN | |
Mande et al. | Smart door using face recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210205 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220315 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220901 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220909 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7141518 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |