CN106156727B - 一种生物特征的识别方法和终端 - Google Patents
一种生物特征的识别方法和终端 Download PDFInfo
- Publication number
- CN106156727B CN106156727B CN201610472329.7A CN201610472329A CN106156727B CN 106156727 B CN106156727 B CN 106156727B CN 201610472329 A CN201610472329 A CN 201610472329A CN 106156727 B CN106156727 B CN 106156727B
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- terminal
- value range
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims description 69
- 230000015654 memory Effects 0.000 claims description 33
- 238000013139 quantization Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 description 11
- 238000004080 punching Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/10—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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种生物特征的识别方法以及终端，用于加快终端识别生物特征的速度。本发明实施例方法包括：终端确定目标相等错误率和目标认假率；终端根据目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据目标认假率将第一原始特征降维得到第二特征，第一样本为终端预先存储或采集的样本；终端将第一特征和第二特征进行存储；终端获取待识别对象的生物影像生成第二样本并提取第二样本的第二原始特征；终端根据目标相等错误率将第二原始特征降维得到第三特征，并根据目标认假率将第二原始特征降维得到第四特征；终端将第三特征与第一特征进行比对识别并将第四特征与第二特征进行比对识别得到识别结果。
Description
技术领域
本发明涉及终端领域，尤其涉及一种生物特征的识别方法和终端。
背景技术
生物识别技术是利用人体生物特征进行身份认证的一种技术，生物特征是唯一的(与他人不同)、可以测量或可以自动识别和验证的生理特性或行为方式，分为生理特征和行为特征。生物识别系统对特征特性进行取样，提取其唯一特征并进行身份认证。生物识别技术作为一种身份识别的手段,具有独特的优势,近年来已逐渐成为国际上的研究热点。目前比较成熟并大规模使用的方式主要为，指纹、虹膜、脸、耳、掌纹、手章静脉等。而生物特征识别技术通常按照，扫描、数字化处理、分析、特征提取、存储、匹配分类几个步骤处理。
目前在生物特征识别中为了获得较高的可靠性，通常在特征提取阶段时会尽量提取高维度的特征，比如人脸分块9x9提取LBP特征并计算直方图后，得到的特征为9x9x256个原始局部二值模式(英文全称：Local Binary Patterns，简称LBP)特征，若使用统一LBP(英文全称：Unified LBP)的话，其特征为9x9x58个；基于关键点处分块的特征提取算法得到的特征也会很多，例如，7个关键点，每个关键点处4x4的分块方法得到的Unified LBP直方图特征为7x4x4x58＝6496个。
但是高维度特征的体积大，特征多，进而导致终端在比对识别中运算过程复杂，进而降低了终端识别生物特征的速度。
发明内容
本发明实施例提供了一种生物特征的识别方法和终端，用于加快终端识别生物特征的速度。
第一方面，本发明实施例提供一种生物特征的识别方法，包括：
终端确定目标相等错误率和目标认假率；终端根据该目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据该目标认假率将该第一原始特征降维得到第二特征，该第一样本为该终端预先存储或采集的样本；该终端将该第一特征和该第二特征进行存储；该终端获取待识别对象的生物影像生成第二样本并提取该第二样本的第二原始特征；该终端根据该目标相等错误率将该第二原始特征降维得到第三特征，并根据该目标认假率将该第二原始特征降维得到第四特征；该终端将该第三特征与该第一特征进行比对识别并将该第四特征与该第二特征进行比对识别得到识别结果。
在实际应用中，终端根据该目标相等错误率将第一样本的第一原始特征降维得到第一特征可以是在该终端根据目标认假率将第一原始特征降维得到第二特征之后，该终端再根据目标相等错误率将该第二特征降维得到该第一特征，具体方式此处不做限定。
一种可能实现方式中，该目标相等错误率为第一取值范围内使得该第一特征不超过第二取值范围的最小相等错误率，该第一取值范围为该目标相等错误率的取值范围，该第二取值范围为该第一特征的取值范围；
该目标认假率为第三取值范围内使得该第二特征不超过第四取值范围的最小认假率，该第三取值范围为该目标认假率的取值范围，该第四取值范围为该第二特征的取值范围。
另一种可能实现方式中，该终端将该第三特征与该第一特征进行比对识别并将该第四特征与该第二特征进行比对识别得到识别结果包括：该终端判断该第三特征与该第一特征的相似度是否小于第一阈值；
若该第三特征与该第一特征的相似度不小于该第一阈值，则该终端判断该第四特征与该第二特征是否小于第二阈值；
若该第四特征与该第二特征的相似度不小于第二阈值，则该终端判断该第二样本与该第一样本相同。
另一种可能实现方式中，该终端判断该第三特征与该第一特征的相似度是否小于第一阈值之后，该方法还包括：若该第三特征与该第一特征的相似度小于该第一阈值，则该终端判断该第二样本与该第一样本不相同。
另一种可能实现方式中，该终端判断该第四特征与该第二特征是否小于第二阈值之后，该方法还包括：若该第四特征与该第二特征的相似度小于第二阈值，则该终端判断该第二样本与该第一样本不相同。
另一种可能实现方式中，该终端将该第一特征和该第二特征进行存储包括：
该终端根据关系式将该第一特征量化得到第一量化特征，并根据该关系式将该第二特征进行量化得到第二量化特征；
该终端将该第一量化特征和该第二量化特征进行存储；
该终端将该第三特征与该第一特征进行比对识别并将该第四特征与该第二特征进行比对识别得到识别结果包括：
该终端根据该关系式将该第三特征量化得到第三量化特征，并根据该关系式将该第四特征进行量化得到第四量化特征；
该终端将该第三量化特征与第一量化特征进行比对识别并将该第四量化特征与该第二量化特征进行比对识别得到识别结果。
在实际应用中，该终端还可以存储与该第一特征和该第二特征相对应的个人识别密码(英文全称：Personal Identification Number，简称：PIN)。
另一种可能实现方式中，该关系式为：
其中该V为样本降维后的特征取值，该Vmin为样本降维后的最小特征取值，该Vmax为样本降维后的最大特征取值，N的取值为255或65535。
第二方面，本发明实施例提供一种终端，包括：
确定模块，用于确定目标相等错误率和目标认假率；
第一降维模块，用于根据该确定模块确定的该目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据该确定模块确定的该目标认假率将该第一原始特征降维得到第二特征，该第一样本为该终端预先存储或采集的样本；
存储模块，用于将该降维模块降维得到的该第一特征和该第二特征进行存储；
获取模块，用于获取待识别对象的生物影像生成第二样本并提取该第二样本的第二原始特征；
第二降维模块，用于根据该确定模块确定的该目标相等错误率将该获取模块获取的该第二原始特征降维得到第三特征，并根据该确定模块确定的该目标认假率将该获取模块获取的该第二原始特征降维得到第四特征；
识别模块，用于将该第二降维模块降维得到的该第三特征与该第一降维模块降维得到的该第一特征进行比对识别并将该第二降维模块降维得到的该第四特征与该第一降维模块降维得到的该第二特征进行比对识别得到识别结果。
一种可能实现方式中，该目标相等错误率为第一取值范围内使得该第一特征不超过第二取值范围的最小相等错误率，该第一取值范围为该目标相等错误率的取值范围，该第二取值范围为该第一特征的取值范围；
该目标认假率为第三取值范围内使得该第二特征不超过第四取值范围的最小认假率，该第三取值范围为该目标认假率的取值范围，该第四取值范围为该第二特征的取值范围。
另一种可能实现方式中，该识别模块包括：
第一判断单元，用于判断该第三特征与该第一特征的相似度是否小于第一阈值；
第二判断单元，用于若该第一判断单元判断该第三特征与该第一特征的相似度不小于该第一阈值，则判断该第四特征与该第二特征是否小于第二阈值；
第一识别单元，用于若该第二判断判断该第四特征与该第二特征的相似度不小于第二阈值，则判断该第二样本与该第一样本相同。
另一种可能实现方式中，该识别模块还包括：
第二识别单元，用于若该第一判断单元判断该第三特征与该第一特征的相似度小于该第一阈值，则判断该第二样本与该第一样本不相同。
另一种可能实现方式中，该识别模块还包括：
第三识别单元，用于若该第二判断单元判断该第四特征与该第二特征的相似度小于第二阈值，则该终端判断该第二样本与该第一样本不相同。
另一种可能实现方式中，该存储模块包括：
第一量化单元，用于根据关系式将该第一特征量化得到第一量化特征，并根据该关系式将该第二特征进行量化得到第二量化特征；
存储单元，用于将该量化单元量化得到的该第一量化特征和该第二量化特征进行存储；
该识别模块包括：
第二量化单元，用于根据该关系式将该第三特征量化得到第三量化特征，并根据该关系式将该第四特征进行量化得到第四量化特征；
第四识别单元，用于将该第三量化特征与第一量化特征进行比对识别并将该第四量化特征与该第二量化特征进行比对识别得到识别结果。
另一种可能实现方式中，该关系式为：
其中该V为样本降维后的特征取值，该Vmin为样本降维后的最小特征取值，该Vmax为样本降维后的最大特征取值，N的取值为255或65535。
第三方面，本发明实施例提供一种终端，包括：
收发器，处理器，存储器和总线；
该收发器，该处理器与该存储器通过该总线相连；
该处理器具有如下功能：确定目标相等错误率和目标认假率；根据该确定模块确定的该目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据该确定模块确定的该目标认假率将该第一原始特征降维得到第二特征，该第一样本为该终端预先存储或采集的样本；
该存储器具有如下功能：将该降维模块降维得到的该第一特征和该第二特征进行存储；
该收发器具有如下功能：获取待识别对象的生物影像生成第二样本并提取该第二样本的第二原始特征；
该处理器具有如下功能：根据该确定模块确定的该目标相等错误率将该获取模块获取的该第二原始特征降维得到第三特征，并根据该确定模块确定的该目标认假率将该获取模块获取的该第二原始特征降维得到第四特征；将该第二降维模块降维得到的该第三特征与该第一降维模块降维得到的该第一特征进行比对识别并将该第二降维模块降维得到的该第四特征与该第一降维模块降维得到的该第二特征进行比对识别得到识别结果。
从以上技术方案可以看出，本发明实施例具有以下优点：终端根据目标相等错误率和目标认假率分别对第一样本的第一原始特征进行降维得到第一特征和第二特征并进行存储；当终端获取待识别对象的生物影像得到第二样本并提取到第二样本的第二原始特征后，同样根据目标相等错误率和目标认假率分别对第二原始特征进行降维得到第三特征和第四特征；当第二样本与第一样本比对识别的过程中，第三特征与第一特征进行比对，第四特征与第二特征进行比对，由于减少了第一样本和第二样本的生物特征，从而降低了终端在比对识别过程中运算过程的复杂度，进而加快了终端识别生物特征的速度。
附图说明
图1为本发明实施例中生物特征的识别方法的一个实施例示意图；
图2为本发明实施例中终端的一个实施例示意图；
图3为本发明实施例中终端的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种生物特征的识别方法和终端，用于加快终端识别生物特征的速度。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面通过具体实施例，分别进行详细说明，请参阅图1，本发明实施例提供一种生物特征的识别方法，包括：
101、终端确定目标相等错误率和目标认假率。
用户预先设定好高维度原始特征降维后的特征的取值范围，相等错误率的取值范围和认假率的取值范围；然后在相等错误率的取值范围中选择能使根据相等错误率降维后的特征的取值不超过预先取值范围的最小相等错误率为目标相等错误率，然后在认假率的取值范围中选择能使根据认假率降维后的特征的取值不超过预先取值范围的最小认假率为目标认假率。
本实施例中，以人脸的原始特征维度为6496为例，假如根据相等错误率降维后的特征的取值范围为[10,20]，根据认假率降维后的特征的取值范围为[200,400]，而相等错误率的取值范围为[0.03,0.05]和认假率的取值范围[0.000001,0.000003]，而实际应用中，若当相等错误率取值为0.05时，该终端可以将原始特征降维到10维，当相等错误率取值为0.03时，该终端可以将原始特征降维到20维，则该终端选择0.03作为目标相等错误率，同理若当认假率取值为0.000001时，该终端可以将原始特征降维到400维，当认假率取值为0.000003时，该终端可以将原始特征降维到200维，则该终端选择0.000001作为目标相等错误率。
102、终端根据目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据目标认假率将第一原始特征降维得到第二特征。
该终端获取到需要预先存储或采集的第一样本并提取该第一样本的第一原始特征。该终端根据确定好的目标相等错误率将该第一原始特征进行降维得到第一特征，根据确定好的目标认假率将该第一原始特征进行降维得到第二特征。
在实际应用中，在终端提取人脸的第一原始特征时，可以采用多种方式，例如人脸分块9x9提取LBP特征并计算直方图后，得到的特征为9x9x256个原始LBP特征，若使用Unified LBP的话，其特征为9x9x58个；基于关键点处分块的特征提取算法得到的特征也会很多，例如，7个关键点，每个关键点处4x4的分块方法得到的Unified LBP直方图特征为7x4x4x58＝6496个，样本的原始特征的提取方式此处不做限定。本实施例以人脸原始特征为6496为例，根据步骤101中选择的目标相等错误率和目标认假率对该人脸进行降维得到的第一特征为20维，第二特征为400维。
103、终端将第一特征和第二特征进行存储。
终端将降维后的第一特征和第二特征进行存储。
在实际应用中，该终端还可以确定与该第一特征和该第二特征相对应的PIN，并将该PIN与该第一特征和该第二特征同时进行存储，这样可以在具体比对时直接读取到该第一特征和该第二特征。
在实际应用中，若终端的存储空间不大，则该终端还可以根据关系式：将第一特征和第二特征进行量化得到第一量化特征和第二量化特征，比如第一特征为20维，其中一个维度的值为0.5，另一个维度的值为2，最大的维度的值为3，最小的维度的值为0.2，N的取值为255，则根据关系式量化得到的特征的量化值分别如下：0.5的量化值为27，2的量化值为163，3的量化值为255，0.2的量化值为0，即该第一特征可以用0到255的无符号8位整数进行表示，同时这些无符号的8位整数可以用一个字节进行表示，那么进行存储该第一量化特征时，该第一量化特征仅占用20个字节，大大的减少了占用的存储空间。同时实际应用中，量化时也可以选用-128到127的8位有符号整数或0至65535的16位无符号整数或-32768到32767的16位有符号整数来表示特征，具体方式此处不做限定。
104、终端获取待识别对象的生物影像生成第二样本并提取第二样本的第二原始特征。
终端在使用的过程中，获取待识别对象的生物影像，如人脸，在获取到生物影像之后将之作为需要进行识别的第二样本，并提取该生物影像的第二原始特征。
在实际应用中，终端获取的待识别对象的生物影像可以是指纹、虹膜、脸、耳、掌纹、手章静脉等，同时终端获取待识别对象的生物影像的方式可以是通过摄像头，红外扫描等，终端提取第二原始特征的方式也可以是提取LBP特征并计算直方图或基于关键点处分块的特征提取算法得到特征，具体此处不做限定。
105、终端根据目标相等错误率将第二原始特征降维得到第三特征，并根据该目标认假率将该第二原始特征降维得到第四特征。
该终端根据确定好的目标相等错误率将该第二原始特征进行降维得到第三特征，根据确定好的目标认假率将该第二原始特征进行降维得到第四特征。
在实际应用中，若终端在存储空间小的情况下将该预先存储或采集的第一样本的第一特征和第二特征进行量化之后再存储，则该终端同样需要将该第二样本的第三特征和第四特征采用同样的方式进行量化得到量化特征。
106、终端将第三特征与第一特征进行比对识别并将第四特征与第二特征进行比对识别得到识别结果。
该终端设定该第三特征与该第一特征的相似度的第一阈值，并设定该第四特征与该第二特征的相似度的第二阈值，然后该终端判断该第三特征与该第一特征的相似度是否小于第一阈值；若该第三特征与该第一特征的相似度不小于该第一阈值，则该终端判断该第四特征与该第二特征是否小于第二阈值；若该第四特征与该第二特征的相似度不小于第二阈值，则该终端判断该第二样本与该第一样本相同。若该第三特征与该第一特征的相似度小于该第一阈值，则该终端判断该第二样本与该第一样本不相同，同时可以不用在比对识别第四特征和第二特征之间的相似度；若该第三特征与该第一特征的相似度不小于该第一阈值且该第四特征与该第二特征的相似度小于该第二阈值时，该终端同样判断该第二样本与该第一样本不相同。
比如第一阈值为0.8，第二阈值为0.9，第三特征与第一特征的相似度为0.85，该第四特征与第二特征相似度为0.9时，该终端判断第二样本与第一样本是同一人，若该第三特征与第一特征的相似度为0.79，则终端判断第二样本与第一样本不是同一人或者该第三特征与第一特征的相似度为0.85，则该第四特征与第二特征的相似度为0.89，则该终端同样判断该第二样本与该第一样本不是同一人。
在实际应用中，若终端在存储空间小的情况下将该预先存储的第一样本的第一特征和第二特征进行量化之后再存储，则该终端在进行比对识别时，则需要将第三量化特征与第一量化特征以及第四量化特征与第二量化特征采用上述同样的比对识别方式进行识别。
为便于理解，下面以一个实际应用场景对本实施例中生物特征的识别方法进行详细描述，本实施例中，终端包含但不限于手机，打卡机等，终端以打卡机为例。
若该打卡机采用一对多的识别方式，则假设公司员工为A，B，C三人，该打卡机需要预存样本A，样本B，样本C，此处样本均为人脸。样本A，样本B和样本C的原始特征均为6496维，则该打卡机根据相等错误率0.03分别将该样本A，样本B，样本C进行降维得到特征集合(20A，20B，20C)；再根据认假率0.000001分别将该样本A，样本B，样本C进行降维得到特征集合(400A，400B，400C)。该打卡机再分别将特征集合(20A，20B，20C)和特征集合(400A，400B，400C)进行存储，即特征集合(20A，20B，20C)占用3*20字节，特征集合(400A，400B，400C)占用3*400字节。若员工A需要进行打卡，则打卡机通过摄像头获取到员工A的人脸影像作为识别样本并提取原始特征，然后采用同样的方式将员工A的原始特征降维量化得到特征20a和特征400a。该打卡机在比对识别之前将存储的特征集合(20A，20B，20C)先载入内存，再将20a分别与20A，20B，20C进行比对得到如下结果：20a与20A相似度为0.85，20a与20B相似度为0.8，20a与20C相似度为0.75，此处该打卡机判断是同一人的条件是相似度不小于0.8，此时相似度不低于0.8的第一量化特征为(20A，20B)；该打卡机再将存储的特征集合(400A，400B)载入内存，再将400a分别与400A，400B进行比对得到如下结果：400a与400A相似度为0.95，400a与400B相似度为0.5，此处打卡机判断是同一人的条件是相似度不小于0.9。由于只有样本A的特征与员工A的人脸影像样本相似度达到要求，则打卡机认为样本A为员工A为同一人并进行显示。在实际应用中若该打卡机在将400a分别与400A，400B进行比对得到如下结果：400a与400A相似度为0.95，400a与400B相似度为0.9，此处打卡机判断是同一人的条件是相似度不小于0.9。则该打卡机可以判断样本A与样本B均与员工A为同一人并进行显示；或者可以仅认为相似度为0.95的样本A与员工A为同一人并进行显示，即仅选择相似度最高的样本为最终结果；或者可以将两个相似度再次对第三阈值进行比较，此处的第三阈值为0.95，则该打卡机最终认为样本A与员工A为同一人并进行显示。
同时打卡机也可以采用一对一的验证方式，则该打卡机在存储样本A的特征(20A，400A)时，会确定一个与样本A的特征相对应的PIN一起保存到该打卡机的存储器中。员工A需要打卡时，输入该PIN，该打卡机从存储器中读取输入该PIN对应的特征，即(20A，400A)载入内存，同时采集员工A的人脸影像，提取特征并降维得到(20a，400a)；该打卡机比对(20A,20a)，若其相似度小于第一阈值0.8，则打卡失败；若相似度不小于0.8，则打卡机进一步比对(400A,400a)，若其相似度不小于第二阈值0.9则打卡成功，若相似度小于0.9则打卡失败。
本实施例中终端根据目标相等错误率和目标认假率分别对第一样本的第一原始特征进行降维得到第一特征和第二特征并进行存储；当终端获取待识别对象的生物影像得到第二样本并提取到第二样本的第二原始特征后，同样根据目标相等错误率和目标认假率分别对第二原始特征进行降维得到第三特征和第四特征；当第二样本与第一样本比对识别的过程中，第三特征与第一特征进行比对，第四特征与第二特征进行比对，由于减少了第一样本和第二样本的生物特征，从而降低了终端在比对识别过程中运算过程的复杂度，进而加快了终端识别生物特征的速度。同时可以将第一特征和第二特征进行量化存储，这样可以有效的节省存储空间。
上面介绍了本发明实施例中的生物特征的识别方法，下面介绍本发明实施例中的终端，请参阅图2，本发明实施例中的终端的一个实施例包括：
确定模块201，用于确定目标相等错误率和目标认假率；
第一降维模块202，用于根据该确定模块确定的该目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据该确定模块确定的该目标认假率将该第一原始特征降维得到第二特征，该第一样本为该终端预先存储或采集的样本；
存储模块203，用于将该降维模块降维得到的该第一特征和该第二特征进行存储；
获取模块204，用于获取待识别对象的生物影像生成第二样本并提取该第二样本的第二原始特征；
第二降维模块205，用于根据该确定模块确定的该目标相等错误率将该获取模块获取的该第二原始特征降维得到第三特征，并根据该确定模块确定的该目标认假率将该获取模块获取的该第二原始特征降维得到第四特征；
识别模块206，用于将该第二降维模块降维得到的该第三特征与该第一降维模块降维得到的该第一特征进行比对识别并将该第二降维模块降维得到的该第四特征与该第一降维模块降维得到的该第二特征进行比对识别得到识别结果。
可选的，本实施例中该目标相等错误率为第一取值范围内使得该第一特征不超过第二取值范围的最小相等错误率，该第一取值范围为该目标相等错误率的取值范围，该第二取值范围为该第一特征的取值范围；
该目标认假率为第三取值范围内使得该第二特征不超过第四取值范围的最小认假率，该第三取值范围为该目标认假率的取值范围，该第四取值范围为该第二特征的取值范围。
可选的，该识别模块206包括：
第一判断单元，用于判断该第三特征与该第一特征的相似度是否小于第一阈值；
第二判断单元，用于若该第一判断单元判断该第三特征与该第一特征的相似度不小于该第一阈值，则判断该第四特征与该第二特征是否小于第二阈值；
第一识别单元，用于若该第二判断判断该第四特征与该第二特征的相似度不小于第二阈值，则判断该第二样本与该第一样本相同。
可选的，该识别模块206还包括：
第二识别单元，用于若该第一判断单元判断该第三特征与该第一特征的相似度小于该第一阈值，则判断该第二样本与该第一样本不相同。
可选的，该识别模块206还包括：
第三识别单元，用于若该第二判断单元判断该第四特征与该第二特征的相似度小于第二阈值，则该终端判断该第二样本与该第一样本不相同。
可选的，该存储模块204包括：
第一量化单元，用于根据关系式将该第一特征量化得到第一量化特征，并根据该关系式将该第二特征进行量化得到第二量化特征；
存储单元，用于将该量化单元量化得到的该第一量化特征和该第二量化特征进行存储；
该识别模块206包括：
第二量化单元，用于根据该关系式将该第三特征量化得到第三量化特征，并根据该关系式将该第四特征进行量化得到第四量化特征；
第四识别单元，用于将该第三量化特征与第一量化特征进行比对识别并将该第四量化特征与该第二量化特征进行比对识别得到识别结果。
可选的，该关系式为：
其中该V为样本降维后的特征取值，该Vmin为样本降维后的最小特征取值，该Vmax为样本降维后的最大特征取值，N的取值为255或65535。
本实施例中第一降维模块202根据确定模块201确定的目标相等错误率和目标认假率分别对第一样本的第一原始特征进行降维得到第一特征和第二特征并通过存储存储模块203进行存储；当获取模块204获取生物影像得到第二样本并提取到第二样本的第二原始特征后，第二降维模块205同样根据目标相等错误率和目标认假率分别对第二原始特征进行降维得到第三特征和第四特征；当第二样本与第一样本比对识别的过程中，识别模块206将第三特征与第一特征进行比对，第四特征与第二特征进行比对，由于减少了第一样本和第二样本的生物特征，从而降低了终端在比对识别过程中运算过程的复杂度，进而加快了终端识别生物特征的速度。
具体请参阅图3，本发明实施例中终端的另一个实施例，包括：
收发器301，处理器302，总线303，存储器304；
该收发器301，该处理器302与该存储器304通过该总线303相连；
总线303可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是中央处理器(central processing unit，简称CPU)，网络处理器(network processor，简称NP)或者CPU和NP的组合。
处理器302还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，简称ASIC)，可编程逻辑器件(programmable logic device，简称PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，简称CPLD)，现场可编程逻辑门阵列(field-programmable gate array，简称FPGA)，通用阵列逻辑(generic array logic,简称GAL)或其任意组合。
该存储器304可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，简称RAM)；存储器也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，简称HDD)或固态硬盘(solid-state drive，简称SSD)；存储器304还可以包括上述种类的存储器的组合。
可选地，存储器304还可以用于存储程序指令，处理器302调用该存储器304中存储的程序指令，可以执行图1所示实施例中的一个或多个步骤，或其中可选的实施方式，实现上述方法中终端行为的功能。
该处理器302，具有如下功能：确定目标相等错误率和目标认假率；根据该确定模块确定的该目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据该确定模块确定的该目标认假率将该第一原始特征降维得到第二特征，该第一样本为该终端预先存储或采集的样本；
该存储器304，具有如下功能：将该降维模块降维得到的该第一特征和该第二特征进行存储；
该收发器301，具有如下功能：获取待识别对象的生物影像生成第二样本并提取该第二样本的第二原始特征；
该处理器302，具有如下功能：根据该确定模块确定的该目标相等错误率将该获取模块获取的该第二原始特征降维得到第三特征，并根据该确定模块确定的该目标认假率将该获取模块获取的该第二原始特征降维得到第四特征；将该第二降维模块降维得到的该第三特征与该第一降维模块降维得到的该第一特征进行比对识别并将该第二降维模块降维得到的该第四特征与该第一降维模块降维得到的该第二特征进行比对识别得到识别结果。
可选的，该目标相等错误率为第一取值范围内使得该第一特征不超过第二取值范围的最小相等错误率，该第一取值范围为该目标相等错误率的取值范围，该第二取值范围为该第一特征的取值范围；
该目标认假率为第三取值范围内使得该第二特征不超过第四取值范围的最小认假率，该第三取值范围为该目标认假率的取值范围，该第四取值范围为该第二特征的取值范围。
可选的，该处理器302，具体还具有如下功能：判断该第三特征与该第一特征的相似度是否小于第一阈值；若该第一判断单元判断该第三特征与该第一特征的相似度不小于该第一阈值，则判断该第四特征与该第二特征是否小于第二阈值；若该第二判断判断该第四特征与该第二特征的相似度不小于第二阈值，则判断该第二样本与该第一样本相同。
可选的，该处理器302，具体还具有如下功能：若该第一判断单元判断该第三特征与该第一特征的相似度小于该第一阈值，则判断该第二样本与该第一样本不相同。
可选的，该处理器302，具体还具有如下功能：若该第二判断单元判断该第四特征与该第二特征的相似度小于第二阈值，则该终端判断该第二样本与该第一样本不相同。
可选的，该存储器304，具体还具有如下功能：根据关系式将该第一特征量化得到第一量化特征，并根据该关系式将该第二特征进行量化得到第二量化特征；将该量化单元量化得到的该第一量化特征和该第二量化特征进行存储；
该处理器302，具体还具有如下功能：根据该关系式将该第三特征量化得到第三量化特征，并根据该关系式将该第四特征进行量化得到第四量化特征；将该第三量化特征与第一量化特征进行比对识别并将该第四量化特征与该第二量化特征进行比对识别得到识别结果。
可选的，该关系式为：
其中该V为样本降维后的特征取值，该Vmin为样本降维后的最小特征取值，该Vmax为样本降维后的最大特征取值，N的取值为255或65535。
本实施例中处理器302根据目标相等错误率和目标认假率分别对第一样本的第一原始特征进行降维得到第一特征和第二特征并通过存储器304进行存储；当收发器301获取待识别对象的生物影像得到第二样本并提取到第二样本的第二原始特征后，处理器302同样根据目标相等错误率和目标认假率分别对第二原始特征进行降维得到第三特征和第四特征；当第二样本与第一样本比对识别的过程中，处理器302将第三特征与第一特征进行比对，第四特征与第二特征进行比对，由于减少了第一样本和第二样本的生物特征，从而降低了终端在比对识别过程中运算过程的复杂度，进而加快了终端识别生物特征的速度。
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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种生物特征的识别方法，其特征在于，包括：
终端确定目标相等错误率和目标认假率，所述目标相等错误率为第一取值范围内使得第一特征不超过第二取值范围的最小相等错误率，所述第一取值范围为所述目标相等错误率的取值范围，所述第二取值范围为所述第一特征的取值范围；所述目标认假率为第三取值范围内使得第二特征不超过第四取值范围的最小认假率，所述第三取值范围为所述目标认假率的取值范围，所述第四取值范围为所述第二特征的取值范围；
终端根据所述目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据所述目标认假率将所述第一原始特征降维得到第二特征，所述第一样本为所述终端预先存储或采集的样本；
所述终端将所述第一特征和所述第二特征进行存储；
所述终端获取待识别对象的生物影像生成第二样本并提取所述第二样本的第二原始特征；
所述终端根据所述目标相等错误率将所述第二原始特征降维得到第三特征，并根据所述目标认假率将所述第二原始特征降维得到第四特征；
所述终端将所述第三特征与所述第一特征进行比对识别并将所述第四特征与所述第二特征进行比对识别得到识别结果。
2.根据权利要求1所述的方法，其特征在于，所述终端将所述第三特征与所述第一特征进行比对识别并将所述第四特征与所述第二特征进行比对识别得到识别结果包括：
所述终端判断所述第三特征与所述第一特征的相似度是否小于第一阈值；
若所述第三特征与所述第一特征的相似度不小于所述第一阈值，则所述终端判断所述第四特征与所述第二特征是否小于第二阈值；
若所述第四特征与所述第二特征的相似度不小于第二阈值，则所述终端判断所述第二样本与所述第一样本相同。
3.根据权利要求2所述的方法，其特征在于，所述终端判断所述第三特征与所述第一特征的相似度是否小于第一阈值之后，所述方法还包括：
若所述第三特征与所述第一特征的相似度小于所述第一阈值，则所述终端判断所述第二样本与所述第一样本不相同。
4.根据权利要求2所述的方法，其特征在于，所述终端判断所述第四特征与所述第二特征是否小于第二阈值之后，所述方法还包括：
若所述第四特征与所述第二特征的相似度小于第二阈值，则所述终端判断所述第二样本与所述第一样本不相同。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述终端将所述第一特征和所述第二特征进行存储包括：
所述终端根据关系式将所述第一特征量化得到第一量化特征，并根据所述关系式将所述第二特征进行量化得到第二量化特征；
所述终端将所述第一量化特征和所述第二量化特征进行存储；
所述终端将所述第三特征与所述第一特征进行比对识别并将所述第四特征与所述第二特征进行比对识别得到识别结果包括：
所述终端根据所述关系式将所述第三特征量化得到第三量化特征，并根据所述关系式将所述第四特征进行量化得到第四量化特征；
所述终端将所述第三量化特征与第一量化特征进行比对识别并将所述第四量化特征与所述第二量化特征进行比对识别得到识别结果。
6.根据权利要求5所述的方法，其特征在于，所述关系式为：
其中所述V为样本降维后的特征取值，所述Vmin为样本降维后的最小特征取值，所述Vmax为样本降维后的最大特征取值，N的取值为255或65535。
7.一种终端，其特征在于，包括：
确定模块，用于确定目标相等错误率和目标认假率，所述目标相等错误率为第一取值范围内使得第一特征不超过第二取值范围的最小相等错误率，所述第一取值范围为所述目标相等错误率的取值范围，所述第二取值范围为所述第一特征的取值范围；所述目标认假率为第三取值范围内使得第二特征不超过第四取值范围的最小认假率，所述第三取值范围为所述目标认假率的取值范围，所述第四取值范围为所述第二特征的取值范围；
第一降维模块，用于根据所述确定模块确定的所述目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据所述确定模块确定的所述目标认假率将所述第一原始特征降维得到第二特征，所述第一样本为所述终端预先存储或采集的样本；
存储模块，用于将所述降维模块降维得到的所述第一特征和所述第二特征进行存储；
获取模块，用于获取待识别对象的生物影像生成第二样本并提取所述第二样本的第二原始特征；
第二降维模块，用于根据所述确定模块确定的所述目标相等错误率将所述获取模块获取的所述第二原始特征降维得到第三特征，并根据所述确定模块确定的所述目标认假率将所述获取模块获取的所述第二原始特征降维得到第四特征；
识别模块，用于将所述第二降维模块降维得到的所述第三特征与所述第一降维模块降维得到的所述第一特征进行比对识别并将所述第二降维模块降维得到的所述第四特征与所述第一降维模块降维得到的所述第二特征进行比对识别得到识别结果。
8.根据权利要求7所述的终端，其特征在于，所述识别模块包括：
第一判断单元，用于判断所述第三特征与所述第一特征的相似度是否小于第一阈值；
第二判断单元，用于若所述第一判断单元判断所述第三特征与所述第一特征的相似度不小于所述第一阈值，则判断所述第四特征与所述第二特征是否小于第二阈值；
第一识别单元，用于若所述第二判断判断所述第四特征与所述第二特征的相似度不小于第二阈值，则判断所述第二样本与所述第一样本相同。
9.根据权利要求8所述的终端，其特征在于，所述识别模块还包括：
第二识别单元，用于若所述第一判断单元判断所述第三特征与所述第一特征的相似度小于所述第一阈值，则判断所述第二样本与所述第一样本不相同。
10.根据权利要求8所述的终端，其特征在于，所述识别模块还包括：
第三识别单元，用于若所述第二判断单元判断所述第四特征与所述第二特征的相似度小于第二阈值，则所述终端判断所述第二样本与所述第一样本不相同。
11.根据权利要求7至10中任一项所述的终端，其特征在于，所述存储模块包括：
第一量化单元，用于根据关系式将所述第一特征量化得到第一量化特征，并根据所述关系式将所述第二特征进行量化得到第二量化特征；
存储单元，用于将所述量化单元量化得到的所述第一量化特征和所述第二量化特征进行存储；
所述识别模块包括：
第二量化单元，用于根据所述关系式将所述第三特征量化得到第三量化特征，并根据所述关系式将所述第四特征进行量化得到第四量化特征；
第四识别单元，用于将所述第三量化特征与第一量化特征进行比对识别并将所述第四量化特征与所述第二量化特征进行比对识别得到识别结果。
12.根据权利要求11所述的终端，其特征在于，所述关系式为：
其中所述V为样本降维后的特征取值，所述Vmin为样本降维后的最小特征取值，所述Vmax为样本降维后的最大特征取值，N的取值为255或65535。
13.一种终端，其特征在于，包括：
收发器，处理器，存储器和总线；
所述收发器，所述处理器与所述存储器通过所述总线相连；
所述处理器具有如下功能：确定目标相等错误率和目标认假率，所述目标相等错误率为第一取值范围内使得第一特征不超过第二取值范围的最小相等错误率，所述第一取值范围为所述目标相等错误率的取值范围，所述第二取值范围为所述第一特征的取值范围；所述目标认假率为第三取值范围内使得第二特征不超过第四取值范围的最小认假率，所述第三取值范围为所述目标认假率的取值范围，所述第四取值范围为所述第二特征的取值范围；根据所述目标相等错误率将第一样本的第一原始特征降维得到第一特征，并根据所述目标认假率将所述第一原始特征降维得到第二特征，所述第一样本为所述终端预先存储或采集的样本；
所述存储器具有如下功能：将所述第一特征和所述第二特征进行存储；
所述收发器具有如下功能：获取待识别对象的生物影像生成第二样本并提取所述第二样本的第二原始特征；
所述处理器具有如下功能：根据所述目标相等错误率将所述第二原始特征降维得到第三特征，并根据所述目标认假率将所述第二原始特征降维得到第四特征；将所述第三特征与所述第一特征进行比对识别并将所述第四特征与所述第二特征进行比对识别得到识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610472329.7A CN106156727B (zh) | 2016-06-24 | 2016-06-24 | 一种生物特征的识别方法和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610472329.7A CN106156727B (zh) | 2016-06-24 | 2016-06-24 | 一种生物特征的识别方法和终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106156727A CN106156727A (zh) | 2016-11-23 |
| CN106156727B true CN106156727B (zh) | 2019-07-09 |
Family
ID=57349308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610472329.7A Active CN106156727B (zh) | 2016-06-24 | 2016-06-24 | 一种生物特征的识别方法和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106156727B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021900A (zh) * | 2007-03-15 | 2007-08-22 | 上海交通大学 | 利用降维方法进行人脸姿态估计的方法 |
| CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
| CN103927529A (zh) * | 2014-05-05 | 2014-07-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、系统 |
| CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070083436A (ko) * | 2006-02-21 | 2007-08-24 | 삼성전자주식회사 | 객체인증장치 및 방법 |
| US20070230754A1 (en) * | 2006-03-30 | 2007-10-04 | Jain Anil K | Level 3 features for fingerprint matching |
| JP2009163555A (ja) * | 2008-01-08 | 2009-07-23 | Omron Corp | 顔照合装置 |
-
2016
- 2016-06-24 CN CN201610472329.7A patent/CN106156727B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021900A (zh) * | 2007-03-15 | 2007-08-22 | 上海交通大学 | 利用降维方法进行人脸姿态估计的方法 |
| CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
| CN103927529A (zh) * | 2014-05-05 | 2014-07-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、系统 |
| CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| "基于最小分类错误率和Parzen窗的降维方法";贺邓超 等;《计算机工程与应用》;20140831;第50卷(第14期);185-188 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106156727A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10664581B2 (en) | Biometric-based authentication method, apparatus and system | |
| US10242247B2 (en) | Fingerprint unlocking method and terminal | |
| CN105956448B (zh) | 一种指纹解锁方法、装置及用户终端 | |
| CN106056083B (zh) | 一种信息处理方法及终端 | |
| CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 | |
| WO2022127111A1 (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
| CN107657161A (zh) | 基于人脸识别的移动支付方法及相关产品 | |
| CN107766868A (zh) | 一种分类器训练方法及装置 | |
| EP3371739A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
| WO2017131870A1 (en) | Decoy-based matching system for facial recognition | |
| CN107967461A (zh) | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 | |
| WO2017156963A1 (zh) | 一种指纹解锁的方法及终端 | |
| CN111191207A (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
| CN107368722A (zh) | 生物图像的验证方法、计算机可读存储介质、移动终端 | |
| CN110929244A (zh) | 数字化身份识别方法、装置、设备及存储介质 | |
| CN106650568A (zh) | 一种人脸识别方法及装置 | |
| CN116910734A (zh) | 用于电力运维的生物特征识别方法、终端设备及存储介质 | |
| KR100467152B1 (ko) | 얼굴인식시스템에서 개인 인증 방법 | |
| CN106156727B (zh) | 一种生物特征的识别方法和终端 | |
| CN113641844A (zh) | 婚姻登记系统身份核验的方法、装置、终端及存储介质 | |
| CN111950403A (zh) | 一种虹膜分类方法及系统、电子设备和存储介质 | |
| CN111274899A (zh) | 人脸匹配方法、装置、电子设备和存储介质 | |
| US12272175B2 (en) | Evaluating method and system for face verification, and computer storage medium | |
| Sehgal | Palm recognition using LBP and SVM | |
| CN118379560B (zh) | 图像欺诈检测方法、装置、设备、存储介质及程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170824 Address after: 361008, Xiamen three software park, Fujian Province, 8 North Street, room 2001 Applicant after: XIAMEN ZKTECO INFORMATION TECHNOLOGY Co.,Ltd. Address before: 361000 Fujian province Xiamen software park two sunrise Road No. 32 403 unit 02 District Applicant before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province Patentee after: Xiamen Entropy Technology Co.,Ltd. Address before: 361008 room 8, 2001 North Avenue, Xiamen Software Park, Fujian, three Patentee before: XIAMEN ZKTECO INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250108 Address after: No. 51 Binhe Road, Zhangmutou Town, Dongguan City, Guangdong Province 523628 Patentee after: Entropy based technology (Guangdong) Co.,Ltd. Country or region after: China Address before: Room 1301, 132 Fengqi Road, phase III, software park, Xiamen City, Fujian Province, 361008 Patentee before: Xiamen Entropy Technology Co.,Ltd. Country or region before: China |