研究和开发基于Android智能手机的掌纹认证系统

文摘

网上交易安全问题的智能手机揭示极端需求的可靠的身份认证系统。伪造的风险较低,富有质感,和更舒适的采集模式,与脸相比,指纹、虹膜、掌纹很少采用身份认证。在本文中,我们开发一个有效的和全功能掌纹认证系统关于Android智能手机的应用程序,这桥于掌纹识别的算法研究和应用验证。更详细的,整个系统框架设计和功能齐全,包括掌纹采集、关键点的位置,ROI分割,特征提取,特征编码。基本上,我们开发一个掌纹认证系统具有用户友好的界面和良好的兼容安卓智能手机。特别是,一方面,保证系统的有效性和效率,我们利用实用Log-Gabor过滤特征提取并讨论过滤方向的影响,将采样率,区别的特征编码提出一种改进的算法。另一方面,探索智能手机的硬件组件和Android系统的技术发展,我们提供一个开放的扩展方法的生物识别技术的实际应用。公共理大数据库中,仿真结果表明,改进算法优于原来有一个有前途的准确性为100%,以0.041秒的速度。在实际验证,开发系统达到98.40%的精度和速度是0.051秒。所有的结果验证了系统的准确性和及时性。

1。介绍

移动互联网技术给人类带来了新的生活方式。智能手机的出现具有更好的加速人们的日常生活与流行的社交网络,如在线交易(1]。然而,频繁的在线交易通常智能手机带来的安全问题。具体地说,为了方便付款,“手机钱包”应与现金卡。然后,网络诈骗和网络“网络钓鱼”等现象开始广泛传播,导致消费者还是不信任的移动支付的可靠性。此外,当人们网上贸易,他们必须在各种场合设置不同的复杂的密码,这可能给人留下深刻印象。这些事实表明,移动支付仍然要求可靠的机制极其[2]。在过去几年,指纹认证吸引了大量关注。然而,指纹很容易损坏由于体力劳动和身份认证不够丰富。虹膜身份验证,用户必须受到一个不舒服的收购模式。

最近,许多研究人员专注于生物识别技术。然而,面对信息总是暴露在环境中,很容易因伪造身份被盗。至于手几何生物,其物理独特性需要进一步讨论(1]。总之,纹理丰富的优势,舒适的收购模式,和伪造的风险降低,心更可接受用户在某些情况下,与其他生物识别技术相比1]。

最早的掌纹认证系统是嵌入式设备上开发于1999年由张蜀小组。他们收购了掌纹通过扫描打印掌纹模板(3]。离线操作模式使系统不仅耗时,而且用户无法接受的。做出改善,2003年,他们利用CCD获取图片和设置挂钩抑制手掌的位置。然而,改进后的设备是固定的大尺寸和仍然无法接受联系收购模式(4]。2010年,张等人的团队进一步发展一个新的掌纹装置与一个较小的尺寸与之前的相比,但是这个设备仍然遭受contact-based收购模式(5]。2015年,Aykut和Ekinci开发出一种非接触式的掌纹认证系统,取得良好的使用体验,而这是不方便的移动应用程序。总之,现有掌纹认证系统还不够成熟通用的应用程序,值得深入研究。表1提出了一种总上述系统之间的比较。

从表1contact-based掌纹认证系统是不可接受的,不舒服的收购模式,而非接触式系统真正的干扰(不可靠7]。此外,广泛采用特征提取器,Log-Gabor过滤器,在这些系统中计算成本高,这可以极大地减少系统的及时性(8]。此外,采用象限编码是不适合充分发挥提取的特征的歧视9]。在当前年,基于Android操作系统的智能手机占据了全球智能手机市场76%的份额。因此,进一步的研究是很有意义的一种有效的非接触式掌纹认证系统和安卓智能手机上的应用程序。

根据上述分析,我们设计一个整体系统框架与功能齐全的掌纹认证。具体来说,一个重要的收购方案建立了非接触式采集过程中确保图像质量。介绍了一些改进Log-Gabor过滤器和原始的编码方法,以降低计算复杂度,提高辨别力的编码结果。在此基础上,开发的系统与用户友好的界面和良好的兼容性是Android智能手机上的应用程序。

大多数系统只专注于掌纹认证方法。实际上,作为主要的工作,这是至关重要的建立一个收购计划。因此,图像质量和准确的ROI分割可以保证更可靠的身份认证。此外,验证算法是我们系统的核心问题。考虑到实用性和有效性,Log-Gabor滤波器是最合适的一个为我们的系统。然而,为了保证我们的系统的及时性,我们应该考虑减少Log-Gabor滤波器的计算复杂度。此外,应利用适当的编码方法提高提取的特征的辨别力,帮助系统更容易区分一个类和其他人。最后,所有的程序都应该设定成模块,与精心设计的功能接口,方便操作。根据上面的动机,整个系统框架提出了显示在图中1。表2列出所有涉及评价参数及其定义。我们工作的主要贡献总结如下:(我)的掌纹采集方案提出了对潜在的干扰如棕榈姿态和光照的变化。然后,我们提出一套完整的程序掌纹ROI提取,如重点位置,掌纹角校正,最后ROI分割。(2)保证系统的效率和获得更多歧视特征编码结果,我们讨论过滤的影响方向和downsampling Log-Gabor滤波器的性能和提高原编码方案(10,11]。(3)与设计功能齐全的掌纹认证框架。我们探索和展示的细节开发相应的系统和用户友好的界面和良好的兼容安卓智能手机。(iv)我们的工作提供了一个开放的技术来扩展掌纹认证算法的实际应用,桥梁生物识别技术的算法研究和应用。

剩下的纸是组织如下:部分2定义了一个收购方案和提供了一个方法,掌纹ROI提取。部分3描述了改善掌纹认证。部分4介绍了智能手机的硬件组件和软件实现掌纹认证系统。部分5进行实验验证。部分6本文总结道。

2。图像采集和ROI提取

2.1。收购计划

在我们的系统中,ROI分割完成后根据手指之间的三个关键点。然而,手掌的手势和手掌的位置会影响关键定位(12,13]。考虑到某些情况下。手掌变形往往产生虚幻的纹理。大手指之间的差距会导致不精确的定位结果。长棕榈和相机之间的距离可以使获得的图像有太多的背景。所有这些潜在的干扰将为关键点定位带来困难。所以,需要定义一个收购计划。

考虑上述潜在的干扰,收购方案摘要如下:确定五个手指扩展和其他四个手指接近对方除了拇指。红线和中心点上标记接口进行根手指和手掌中心的位置。

2.2。关键的位置

2.2.1。图像灰

最初的掌纹图像(540×600)如图2(一个)转换为灰度图像如图2 (b)。减少搜索范围,上部(270×600)的灰色图像保留,如图2 (c)。

保留的子图象,手指之间的缝隙根被认为是要点和表示的 , ,和 ,分别如图2 (c)。

2.2.2。列的要点

的平均灰度值与列保留子图象可以被计算 在哪里和分别表示梯度与列和行。 表示像素坐标。在图所示的三个局部最小值3对应的列索引的三个关键点。

2.2.3。成排的要点

三个子图象(100×20)包含三个要点,分别从图裁剪4(一)如图4 (b)。对于每个子图象,关键的行索引也可以获得根据公式(1)。平均梯度值与第一行的子图象如图5。的X最大价值的坐标对应的行索引关键。

2.3。ROI分割

获得的图像通常包含冗余信息,如手指和背景。图像ROI是指手掌中心,包含三个屈肌行(14,15]。这里,我们段ROI根据上述要点。

因为智能手机屏幕的大小通常是不同的从掌纹图像的大小和它们之间存在旋转,有必要正确的规模和角ROI分割前的掌纹图像。

2.3.1。规模调整

关键躺在原始图像的大小 表示为 。相应的位置在智能手机界面的大小 表示为 。然后,转换可以被定义为

2.3.2。旋转校正

旋转的目的和在一个水平线,以促进ROI分割。旋转角度的计算如下所示: 在哪里 和 的坐标是和 ,分别。相应的坐标旋转后表示 。我们定义的旋转变换如下: 在哪里保留整数值,而行被设置为x设在,垂直线设置的y设在。然后,在掌纹图像建立坐标系。的长度表示为 。下来一起移动y设在由 ,一个正方形的边长 ,如图6(一)。获得一个标准的ROI,我们分段广场规模大小为128×128,如图6 (b)。

3所示。的掌纹认证

在实验中,我们发现对ROI图像预处理有点影响分割结果。系统的运行时间缩短,我们执行ROI分割后图像预处理。

3.1。图像预处理

3.1.1。灰色的增强

最初的ROI图像的像素值表示 ,和预处理后的像素值来标示 。灰色的增强被定义为(16] 在哪里 , , ,和是四个给定的常数,根据原像素值之间 然后之间的转换 。

3.1.2。灰色的正常化

平衡不均匀的照明,我们正常的灰色图像由以下公式(17]: 在哪里和分别表示均值和方差函数。预处理ROI图像如图所示7 (c),我们观察到三个屈肌线条和周围的细节更加明显和丰富。

3.2。讨论Log-Gabor过滤器

三个主要在掌纹不足以意味着个体的独特性。所以,周围的皱纹应该放大提供更多有价值的信息。更重要的是,方向信息应该在掌纹特征。Log-Gabor过滤器能够支持我们提取这样的特性。通过设置各种因素和过滤方向,我们可以获得更多代表丰富的特性通过Log-Gabor过滤器(18,19]。特征编码是另一个重要的过程,更有识别力的特征编码方法有助于进一步提高系统的性能。

注意特征提取相应的多种因素和方向可以导致大的计算。保证及时性和我们的系统的有效性,我们将讨论原始Log-Gabor过滤和特征编码方法(我们称之为原始算法在以后的内容)。

3.2.1之上。Log-Gabor过滤器

Log-Gabor滤波器的传递函数在线性频域被定义为(20.] 在哪里和分别表示中央频域和带宽。保持滤波器的形状、比例 通常是固定的(21]。的输出Log-Gabor过滤器过滤方向有关。在这里,我们组 讨论过滤方向特征提取结果的影响。波长是设置为3,规模和比例是固定的 。过滤后的结果如图8。当 ,纹理四面八方除了水平纹理特征。当 ,纹理方向135°主要代表。当 ,水平纹理是最明显的。当 ,纹理方向45°显然是代表。因此,我们得出这样的结论:当过滤提取的纹理更代表方向垂直于纹理。

3.2.2。特征提取和编码

自的掌纹纹理的分布是复杂的,我们组 覆盖最方向。此外,五个规模因素,说 ,选择提取更丰富的信息,在每个方向 。这时,一个特征矩阵的维度4×5×128×128 = 327680是通过原始算法,从而导致计算的灾难(7]。为此,我们带来一些改善Log-Gabor过滤器。

在细节,ROI图像并提取特征将downsampled去除冗余信息,同时减少计算时间。获得的编码结果最后身份匹配,我们采用格雷码取代象限代码提高辨别力的功能。细节如下所示:步骤1:ROI图像(128×128)是downsampled大小为64×64。像素值前后过滤来标示 和 ,分别。 表示Log-Gabor过滤器过滤方向不同。过滤过程(特征提取)制定如下: 步骤2:特性是downsampled比例为1:2获得特征矩阵的维度4×32×32。让 和 表示像素的值将采样前后的特性。该功能将采样可以由以下公式: 步骤3:根据实部和虚部的特性,象限编码实现了两种编码结果,而灰色编码实现了四种编码的结果。因此,灰色编码有利于提高辨别力的特性。表示编码结果 ,然后格雷编码可以定义如下:

重复上述步骤关于五个尺度来获取一个矩阵的维度4×5×32×32×2 = 40960。改进算法的流程图如图9。

3.2.3。特征匹配

汉明距离是利用特征匹配来判断获得的掌纹图像属于谁。通过在两个特征向量位XOR操作,数字“1”的速度定义为汉明距离。如果样本来自相同的用户,汉明距离足够小。否则,汉明距离大。汉明距离的计算定义为 在哪里和表示在两个向量和th元素表示向量维数。从理论上讲,当和完全相同, 。否则, 。存在不完全相同或不同的掌纹图像在实践中,所以一般 。最后的验证是通过比较的汉明距离预定的匹配阈值。

4所示。系统开发

4.1。硬件和软件的结构

以下4.4.1。硬件

近年来,Android智能手机在世界上占据了很大的市场份额。最主流的模型是在2018年,华为P20主机处理器是最受欢迎的一个带有HiSilicon麒麟970年6 GB内存,128 GB的ROM, 6.1英寸触摸屏,分辨率2240×1080。它的操作系统Android 8.1。其中,相机和GPU是关键组件。同期公布的四个主流品牌与华为P20表中列出3(22]。

CMOS相机,相机数字和像素尺寸越大,更多的信息可以被捕获。孔径尺寸越小,更多的光可以通过增强图像。更重要的是,G72MP12比Adreno540和418年更强大的图像处理。综合比较后,选择华为P20的平台系统。华为P20的主要硬件结构如图10。

4.1.2。软件

根据图的设计框架1,系统开发可以通过三个步骤来完成:中间层开发、应用程序层发展,Android的APK代(23]。整个开发结构显示在图11。细节描述如下:(我)基底层开发:在QT环境中,我们第一次开发可执行文件调用硬件设计智能手机完成每个过程的框架。程序,如掌纹采集、ROI分割,特征提取,特征编码,和特性匹配,都分别由c++语言编程功能为可执行文件。(2)应用层开发:使用Android SDK,我们开发接口调用可执行功能的文件。通过友好的界面,用户可以实时操作系统。这一阶段的发展是在Eclipse Java EE环境中完成。(3)Android的APK代:我们使用NDK编译功能文件底层开发的层。编译后的文件打包JNI标准促进应用程序层的回调。然后,生成动态链接库和丹共打包成一个安装在智能手机上。

4.2。系统功能设计

活动是应用层的功能单位。自一个活动占据了一个特定部分的内存,节省资源,我们将相互关联的功能集成到一个活动。也方便我们调试和维护软件的代码。我们的APK由四个活动:主要活动(主界面),数据库活动(数据库接口),认证活动(身份验证接口)和收购活动(采集接口)。

4.2.1。准备主要活动

主要活动为其他活动提供入口。此外,数据库的初始化和存储完成这个活动。发达的主界面如图12(一个)。

4.2.2。数据库活动

用户在这个活动完成身份登记。他们可以添加自己的身份信息,点击“添加”按钮,输入自己的掌纹图像后身份验证(5样品是必要的),点击“输入样本”按钮。特征提取完成后,点击“数据生成”按钮。与此同时,我们设计“删除”和“更新”按钮来促进数据库管理。数据库界面如图12 (b)。

4.2.3。验证活动

身份认证是实现这个活动。选择身份得到确认后身份列表,用户可以单击“浏览”按钮或“拍照”按钮来选择测试样本。当单击“开始”按钮,系统将显示验证结果,运行时间,并鼓励用户身份验证的结果进行评估。用户可以检查正确的身份验证数量和精度通过单击“准确性”按钮。此外,他们可以点击“投资回报比较”按钮来检查两个分段ROI图像之间的区别。身份验证界面如图12 (c)。

4.2.4。收购活动

当用户进入实时采集,后置摄像头驱动工作。两种模式,“长按”和“点击”,设计的“接受”按钮。长按下时(约2秒),位于要点和ROI是显示在屏幕上。建议给出了距离和角度调整顶部指导收购。用户可以单击“接受”按钮(约0.5秒)来完成最终的收购。发达采集界面如图12 (d),红色线和点集进行手掌的位置。

5。结果与讨论

5.1。改进算法的验证

5.1.1。统计分析

理大的蓝色光谱样本多光谱掌纹数据库包含6000样本选择500名志愿者来验证改进算法(18]。12个样品每个志愿者分为两个相等的部分。第一部分是作为训练样本,而第二部分是用于测试。

每个志愿者测试6次,总组内测试时间达到3000人。为组内的验证,测试每个志愿者的样本,分别利用匹配的每个训练样本选择志愿者。的最小汉明距离被视为最终的匹配结果。如果小于阈值,它们被视为相同的类。否则,他们被认为是不同的(24]。

在我们的模拟中,同属汉明距离分布在区间[0.1317,0.2265],在年级之间的汉明距离分布区间[0.3118,0.5271]。分布密度曲线如图所示13。

基于上述讨论,AA,FRR,远被带到评估改进算法。我们设置阈值 ,步长是0.01。的远和FRR阈值曲线绘制在图14。可以看出远和FRR曲线没有交点,这意味着无论何时是0。注意图14更直观的让我们找到最优阈值区间,相比中华民国曲线(20.]。

改进算法之间的综合比较和原始表中列出4。评估项目包括组内和组内的汉明距离,指标l、功能维度和身份验证的时间。汉明距离和指标l,与原算法相比,改进算法提出了更明显的组内和组内的汉明距离分布之间的分离,大大降低了犯错。此外,我们发现功能维度降低6.25%。这保证了我们的系统的效率。

5.1.2中。比较与其他生物识别技术

除了图像外,还有一些其他的生物识别技术,可以用于身份验证。本节进行比较提出的系统和其他一些biometrics-based方法之一。我们特别考虑到新兴的生物识别技术,脑电图描记器(25),心电图(26- - - - - -28]。比较结果如表所示5。

收集到的数据表5表明该方法基于新的生物识别技术实现有前途的准确性。近年来的应用价值脑电图描记器和心电图生物识别技术根据脑电波和心跳模式(25,26]。与此同时,良好的性能提出了(25- - - - - -28)也体现深层神经网络学习的巨大潜力有价值的模式信息在复杂的生物信号。所有这些事实促使我们进一步研究使用新的生物识别技术的身份认证深层神经网络。

5.1.3。复杂性分析

介绍了部分3.2.2和3.2.3,给定一个ROI图像 ,整个认证过程包括三个阶段,即特征提取,特征编码和特征匹配29日,30.]。第一阶段涉及图像将采样和Log-Gabor过滤。图像将采样的计算复杂度N×米。在那之后,成为图像大小(N/ 2)×(米/ 2)。根据公式(8),过滤过程应该重复4过滤方向,分别与5个不同规模的因素(31日,32]。因此,它的计算复杂度是4×5×(N/ 2)×(米/ 2)。因此,操作的复杂性特征提取阶段N×米+ 5×N×米。特征编码阶段涉及到功能将采样和编码。公式(9将采样)表明,计算复杂性的特点是(N/ 2)×(米/ 2)。然后,功能维度(N/ 4)×(米/ 4)。从公式(10),我们知道2×(编码过程的复杂性N/ 4)×(米/ 4)。因此,特征编码阶段有一个操作的复杂性N×米/ 4 +N×米/ 8。最后,公式(11)表示的操作复杂性特征匹配阶段2×(N/ 4)×(米/ 4)。总之,总操作整个身份验证过程的复杂性(N×米+ 5×N×米)+ (N×米/ 4 +N×米/ 8)+N×米/ 8 = 13纳米/ 2。

5.2。开发系统的验证

5.2.1。测试的掌纹采集

证明的有效性定义的收购计划,我们获得了掌纹样品随机期间在一天和随机旋转棕榈有限角范围内(33]。的掌纹采集界面如图15。

收购计划的约束下,大多数潜在的干扰抑制。同时,传导的设置标志,手掌出现在屏幕上和一个适当的规模。长按“接受”按钮后(约2秒),关键点定位和ROI分割都完成了。边的长度和旋转角度ROI计算并显示在顶部显示用户最终的收购。

5.2.2。于掌纹识别的测试认证

我们招募了500名从50名志愿者在现实世界中获得的样本来验证开发系统的有效性。起初,每个志愿者被要求登记身份与5训练样本。然后,他们被要求实施5次组内实时验证和5次组内的实时认证,分别。自从掌纹数据库建立在真实的应用程序中(34),手掌姿势的变化,背景,和照明通常存在于样品。在这里,我们设置阈值为0.30。具体来说,在选择的身份被确认身份列表,用户可以点击“拍照”按钮完成实时采集的测试或单击“浏览”按钮选择一个先前获得的样本进行测试。系统将显示所选样本的存储路径。组内和组内的认证操作数据所示(16日)- - - - - -16 (d),分别。

用户可以单击“开始”按钮来触发身份验证。然后,系统将显示验证结果和运行时间,并鼓励用户进行评估。此外,我们可以检查ROI的测试样本和训练样本通过单击“ROI比较”按钮。我们还可以查看总认证时间,正确的认证号码,和身份验证的准确性,通过单击“准确性”按钮,如图17 (c)。

250次测试后,我们发现身份验证的准确性接近,在MATLAB仿真开发系统。由于不可避免的干扰在获得样本,验证实时采集精度降低到98.40%。注意身份验证在MATLAB仿真为平均大约需要0.0278秒,虽然智能手机0.051秒。MATLAB和智能手机上的所有测试结果列在表中6。

与此同时,我们发现如果收购过程遵循定义约束方案,我们可以获得更有前途的准确性。否则,准确性会受到影响。这表明建立收购计划的重要性。我们还发现,当光强度的变化在一个有限的程度上,身份验证可以几乎不降低精度,在一定程度上表明,我们的系统显示的鲁棒性。

6。结论

近年来,出现了一种极端需求移动交易安全可靠的身份认证系统。提出了一种有效的和高效的掌纹认证对Android智能手机上的应用程序框架。它包含所有必需的功能在掌纹认证,包括掌纹采集、ROI分割,特征提取,最后的身份认证。更重要的是,我们的方法提供了一个开放的技术来扩展掌纹认证算法实际应用的探索一个用户友好的掌纹认证系统的开发基于Android的智能手机,这好桥梁于掌纹识别的算法研究和实际应用验证。

介绍我们的探索性工作推进的应用掌纹认证的移动智能终端。考虑到系统的及时性,我们选择了实用和有效的特征提取Log-Gabor过滤器。然而,当图像受到腐败或闭塞,Log-Gabor过滤器无法提取健壮的特性了。在第二阶段,我们将设法提高我们的系统的鲁棒性涉及更复杂的应用场景。此外,我们还将考虑实现身份验证使用新兴的脑电图和心电图生物识别技术与强大的深层神经网络。

数据可用性

采用公共理大多光谱掌纹数据库被下载http://www.comp.polyu.edu.hk/∼生物识别技术/ MultispectralPalmprint / MSP.html。

信息披露

本文的一个扩展版本早些时候会议论文:研究基于智能手机的图像认证算法,2018年《七世国际会议上网络,通信和计算,台北市,台湾,2018年12月14 - 16日

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由国家自然科学基金委资助61673316,部分项目委托四川中航工业燃气轮机研究所。

引用

1. w·l·范·g·Lu, s .腾·d·张,“特征提取的掌纹识别方法:调查和评估,”IEEE系统,人,和控制论:系统卷,49号2、346 - 363年,2019页。视图:出版商的网站|谷歌学术搜索
2. 赵和张,“学习突出和区别的描述符的掌纹特征提取和识别,”IEEE神经网络和学习系统,2020年。视图:出版商的网站|谷歌学术搜索
3. d . Zhang和w·蜀”,两个小说特征掌纹验证:基准点不变性和线特征匹配,”模式识别,32卷,不。4、691 - 702年,1999页。视图:出版商的网站|谷歌学术搜索
4. w . k .香港、d . Zhang和w·李,“使用二维伽柏过滤器的掌纹特征提取,”模式识别,36卷,不。10日,2339 - 2347年,2003页。视图:出版商的网站|谷歌学术搜索
5. l·d·张郭z, g . Lu, w .左,“在线的多光谱图像验证系统,”IEEE仪表和测量卷,59号2、480 - 490年,2010页。视图:出版商的网站|谷歌学术搜索
6. m . Aykut和m . Ekinci”开发非接触式掌纹认证系统通过引入小说ROI提取方法,”图像和视觉计算40卷,第74 - 65页,2015年。视图:出版商的网站|谷歌学术搜索
7. x锅问:跑,“掌纹识别使用Gabor-based当地不变的特性,“Neurocomputing,卷72,不。7号到9号,第2045 - 2040页,2009年。视图:出版商的网站|谷歌学术搜索
8. 费舍尔,f . Sroubek l . Perrinet r .雷东多和g .克里斯托瓦尔Self-invertible 2 d log-gabor小波,“国际计算机视觉杂志》上,卷75,不。2、231 - 246年,2007页。视图:出版商的网站|谷歌学术搜索
9. p·帕蒂尔、美国Kolhe和r·帕蒂尔“虹膜识别使用主成分分析的比较,日志伽柏伽柏小波,“国际期刊的计算机应用程序,43卷,不。1,29-33,2012页。视图:出版商的网站|谷歌学术搜索
10. j . t w .江z高,s . Chen和c .王“的掌纹识别基于2神龙公司”第九届环太平洋学报》国际研讨会在多代理武汉,页455 - 462年,中国,2006年8月。视图:谷歌学术搜索
11. m .三浦酒井法子,青山,j . Ishii k .伊藤和t .青木“高精度图像匹配使用phase-only相关性及其应用,”学报社会51th年会的仪表和控制日本的工程师秋田犬,页307 - 312年,日本,2012年8月。视图:谷歌学术搜索
12. m . Franzgrote c . Borg b·里斯et al .,“掌纹验证手机使用加速竞争代码,”《2011年国际会议上Hand-Based生物识别技术,页124 - 129,香港,中国,2011年11月。视图:谷歌学术搜索
13. h . n . y . Lee Kim Lim h·乔和h·李,“使用mobile-OTP二维码,网上银行身份验证系统”学报》第五届国际会议上计算机科学和信息技术融合,页617 - 716,首尔,韩国,2010年12月。视图:谷歌学术搜索
14. D.-J。金,K.-W。钟,K.-S。香港,“人身份验证使用的脸,牙齿和语音模式移动设备安全,”IEEE消费类电子产品卷,56号4、2678 - 2685年,2010页。视图:出版商的网站|谷歌学术搜索
15. m . Choras和r . Kozik”,非接触式掌纹和关节生物识别技术为移动设备”,模式分析与应用15卷,第85 - 73页,2012年。视图:出版商的网站|谷歌学术搜索
16. y, z太阳、t . Tan和c .任“多光谱手掌对准确无接触充电成为掌纹识别、图像融合”第十五届IEEE国际学报》关于图像处理的会议圣地亚哥,页281 - 284,美国2008年10月。视图:谷歌学术搜索
17. c·李,f·刘,y,“主要palm-line提取方法对掌纹图像基于多样性和对比,”学报》第三届IEEE国际会议上图像和信号处理烟台,页1772 - 1777年,中国,2010年10月。视图:谷歌学术搜索
18. f .悦,w•左d张,李,“快掌纹识别与多个模板/主题,“模式识别的字母,32卷,不。8,1108 - 1118年,2011页。视图:出版商的网站|谷歌学术搜索
19. x张k .京燕,x,和w·龚”研究基于智能手机的图像认证算法”网络通信和计算国际会议。,页242 - 246,台北,台湾,2018年12月。视图:谷歌学术搜索
20. 李j . w . Wang, f·黄和h·冯”Log-Gabor滤波器的设计和实现指纹图像增强,”模式识别的字母卷,29号3、301 - 308年,2008页。视图:出版商的网站|谷歌学术搜索
21. f . Sattar x高,r . Venkateswarlu“灰度图像的多尺度角点检测log-gabor小波变换的基础上,“交易在电路和系统视频技术,17卷,不。7,868 - 875年,2007页。视图:出版商的网站|谷歌学术搜索
22. https://www.phonearena.com/phones/, 2018年。
23. s . k .郭j·s·l ., a . h . c . Tsang w·b·李和b . c·f·张,“设计和开发的移动EPC-RFID-based self-validation系统(混乱)产品认证,“计算机在工业领域,卷61,不。7,624 - 635年,2010页。视图:出版商的网站|谷歌学术搜索
24. 郭z, w .左、l . Zhang和d,“一个统一的测距定位编码的掌纹验证,”Neurocomputing,卷73,不。944 - 950,2359 - 2362年,2010页。视图:出版商的网站|谷歌学术搜索
25. m .苗族w·胡、h .阴和k .张“局部特征学习和运动图像分类脑电图深卷积神经网络基础上,“计算和数学方法在医学ID 1981728条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
26. m . Hammad p . Pławiak k . Wang和美国r . Acharya”ResNet-Attention模型人类身份验证使用心电图信号,”专家系统,没有。e12547, 2020年。视图:出版商的网站|谷歌学术搜索
27. m . Hammad y刘,k .王,“多通道生物认证系统使用卷积神经网络基于不同级别融合心电图和指纹”IEEE访问7卷,第26542 - 26527页,2019年。视图:出版商的网站|谷歌学术搜索
28. m . Hammad s张,k .王”一个新颖的二维心电图特征提取和分类算法基于卷积神经网络对人类身份验证,”未来一代计算机系统卷,101年,第196 - 180页,2019年。视图:出版商的网站|谷歌学术搜索
29. t·福塞特,”介绍ROC分析。”模式识别的字母,27卷,不。8,861 - 874年,2006页。视图:出版商的网站|谷歌学术搜索
30. g . Michael t .康妮,a .销量“麽手掌印生物识别技术:新颖的设计和实现,”图像和视觉计算,26卷,不。12日,第1560 - 1551页,2008年。视图:出版商的网站|谷歌学术搜索
31. j . Chen Y.-S。月亮,M.-F。黄,g .苏“掌纹认证使用符号表示的图像,”图像和视觉计算,28卷,不。3、343 - 351年,2010页。视图:出版商的网站|谷歌学术搜索
32. a . Meraoumia s Chitroub, a . Bouridane”的掌纹和Finger-Knuckle-Print高效人识别基于Log-Gabor滤波器响应,“模拟集成电路和信号处理,卷69,不。1,17-27,2011页。视图:出版商的网站|谷歌学术搜索
33. d . w . Li张,z徐,“傅里叶变换的掌纹识别、”模式识别与人工智能》国际期刊上,16卷,不。4、417 - 432年,2002页。视图:出版商的网站|谷歌学术搜索
34. a, d . Zhang, m·卡迈勒,“使用特性融合的掌纹识别,”模式识别,39卷,不。3、478 - 487年,2006页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Xinman Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。