生物识别技术

所谓生物识别技术(Biometric Identification Technology)是指通过对人体所固有的生理特征或行为特征的收集、汇总、对比、分析，进行个人身份鉴定的技术。生物特征是唯一的(与他人不同)，可以测量或可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。     

生物特征识别网格系统架构及其应用

提出了一种用于生物特征识别的网格BMG.BMG创建一个虚拟的协作环境以连接分布式的研究中心、用户、模型和数据,为单一生物特征识别和多模式生物特征识别研究提供测试平台,并用网格计算解决的大规模数据库或多模式生物特征识别等类型的应用.实例证明,BMG是实用可行的.     

浅谈生物特征识别的身份认证技术

由于人的生物特征具有稳定性和唯一性,目前最安全的身份认证技术是生物特征识别,传统的身份识别手段将被生物特征识别技术所超越和替代.该文从生物特征角度介绍了几种生物特征识别的身份认证技术,由于每一种生物特征识别身份认证技术都有局限性,采用数据融合方法进行身份鉴别,将人的多种生理特征和行为特征结合起来进行身份识别,以提高生物特征识别系统的可靠性和识别的精确率,将是今后发展的必然趋势.     

浅谈生物特征识别技术

目前,国际流行的生物特征识别技术主要是借助可测量的身体或行为等特征对某人的身份进行自动校对识别。本文通过生物特征识别技术的关键技术、实现框架以及标准化工作进行分析,探讨了生物特征识别技术的发展及前景。     

生物识别技术与应用

生物识别技术可以用来鉴别身份或证明身份，主要包括虹膜识别、视网膜识别、面部识别、指纹识别、DNA识别、气味识别、签字识别和声音识别等，其中指纹识别是最常用的一种．生物识别技术在人类的物理生存空间和虚拟生存空间具有广泛的应用前景。在介绍生物识别原理的基础上。讨论了两种类型生物识别技术，一种基于生理特征：虹膜识别、视网膜识别、面部识别和指纹识别；另一种基于行为特征：签字识别和声音识别。     

基于数据融合的多生物特征身份识别

针对传统的单一生物特征身份识别由于传感器的噪音以及特征的破损、匹配等缺陷,往往不能正确识别的情况,提出了一种基于语音和人脸的多生物特征身份识别方法.分别提取语音特征和人脸特征作为识别的依据,并用神经网络在特征层上进行融合识别.实验证明,这种方法可以充分挖掘特征之间的关系,在同等条件下,具有更高的识别率.     

一种基于特征级融合的多模态生物特征识别方法

生物特征识别是信息技术领域的研究热点,其中多模态生物识别技术凭借更好的适用性、更高的安全性及更优的性能成为发展趋势。提出了一种融合虹膜特征和掌纹特征的多模态生物特征识别方法,该方法分别提取虹膜及掌纹特征,融合时不同于传统的匹配级融合,而是从特征级融合入手,采用并行特征融合策略,将两特征向量以复向量的形式进行融合,构成复向量空间,并利用酉距离进行匹配决策。实验结果表明此方法比单模生物特征方法在识别性能上有了明显改善,同时与传统匹配级融合策略相比,更有优势,识别效果更好。     

步态与人脸融合的身份识别方法

为了保持步态识别的优势,克服单一生物特征识别的不足,提高远距离的身份识别率,提出了一种步态与侧面人脸在特征层上融合识别方法.首先利用二向图像矩阵主成分分析,对步态能量图和侧面人脸图分别进行特征提取与降维处理,得到初始特征矩阵,并将得到的初始特征矩阵进行矢量化、特征组合,获得组合特征向量.然后利用多重判别分析法对组合特征向量进行特征融合,获得步态与人脸的融合特征向量,最后采用最近邻法进行身份识别.利用CASIA Dataset B步态数据库对上述方法进行了验证.结果表明,该方法提高了身份识别的正确率,验证了该方法的有效性,为多生物特征识别提供了一种新的方法.     

基于特征层和二代曲波变换的多模生物特征融合识别方法

针对单模生物特征识别方法在实际应用中存在识别正确率较低的问题,提出了一种基于特征层和二代曲波变换的单样本多模生物特征融合识别方法,其采用了2种生物特征:掌纹特征和人脸特征.将所有归一化后的学习样本图像和测试图像通过组合的快速离散曲波变换和小波变换进行分解.系数经组合和规范化处理后,在特征层实现融合,融合后的特征参数送入K-最近邻分类器进行分类,从而获得最终识别结果.在香港理工大学掌纹数据库和Ljubljana大学人脸数据库上的实验结果表明,所提方法在每个类别仅使用1个学习样本的情况下,其生物特征图像的最佳平均识别正确率达到92.40%,比单模人脸、单模掌纹识别方法的识别率分别提高了35.38%和8.92%.     

大数据生物特征识别技术研究进展

随着机器学习领域研究的持续发展,特别是深度学习方面的进步及图像处理器(GPU)等算力的持续提高,利用生物特征大数据的识别技术获得广泛关注,并在人证比对、智能监控以及疫情防控等多个领域取得了很好的应用.分析了大数据生物特征识别技术的发展态势,总结了生物特征类型以及大数据驱动的生物特征识别技术发展与应用,探讨了大数据生物特征识别技术的未来发展趋势.     

大数据生物特征识别技术研究进展

随着机器学习领域研究的持续发展,特别是深度学习方面的进步及图像处理器(GPU)等算力的持续提高,利用生物特征大数据的识别技术获得广泛关注,并在人证比对、智能监控以及疫情防控等多个领域取得了很好的应用.分析了大数据生物特征识别技术的发展态势,总结了生物特征类型以及大数据驱动的生物特征识别技术发展与应用,探讨了大数据生物特征识别技术的未来发展趋势.     

生物DNA图谱中干扰下的特征识别与分割

生物DNA图谱的拍摄容易受到仪器、周围环境等各种因素的干扰,当前方法的生物DNA图谱识别效果不佳,提出一种改进的生物DNA图谱识别方法,根据采集得到的DNA图谱结构特征,将生物DNA图谱输入多层迭代分割网络中,采集输入生物DNA图谱的局部特征,对采集到的特征进行层层迭代处理,得到更高级特征,利用卷积能够区分细小特征这一优势,将最终获取的特征转换成卷积操作,将该结果看作是输入生物DNA图谱的表征,可有效去除粘黏干扰,依据该特征进行分类,实现生物DNA图谱识别。实验结果表明,采用所提方法对生物DNA图谱进行识别,能够在很大程度上提高生物DNA图谱识别的准确性。     

生物特征识别综述

对生物特征识别技术作了综述.着重介绍了几种主要的个人身份认证的方法,并对各种方法进行了分析和比较.单一模式的生物特征识别系统有其固有的局限性,难以满足实际应用的需求.融合多种生物特征的多模式识别系统可以提高身份认证的准确率、鲁棒性和普适性,是生物特征识别技术的发展方向.     

生物特征识别中的关键技术与发展趋势

由于生物识别技术在身份识别领域中的独特优势,近几年来已成为身份认证的重要手段。本文通过对各种生物特征识别技术的基本原理和关键技术进行分析,深入地探讨了生物识别技术中的热点问题及其发展趋势。     

全手形特征的生物识别技术综述

全手形特征多模态生物识别是结合指纹、手形和掌纹的全手形特征信息,具有信息更全面可靠的独特优势,能有效地提高生物特征识别的准确率。本文简述了全手形生物特征识别技术的基本原理和一些关键技术,对目前流行的各种单模态和多模态生物特征的优势和不足进行了分析,并对生物特征识别技术中存在的问题和未来的研究方向进行了讨论。     

在线单机采集的人手多生物特征识别

单一生物特征识别方法在实际应用时容易受到限制,系统的识别率低、稳定性差.针对上述问题,提出了一种基于在线单机的手形和掌纹相结合的多生物特征识别方法.对于手形识别,提取手指的相对长度构成特征矢量,采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别,然后利用二维Gabor提取掌纹感兴趣区域(ROI)的纹理方向信息作为掌纹特征,对手形分类结果加以认证.在混合图库上进行试验,二者相结合的识别方法的识别率达到98.65%.实验结果表明,采用手形和掌纹双模态特征识别,可以有效提高系统的安全性和稳定性.     

多姿多彩的生物识别技术

<正>生物学特征很难在个体之间传递,可以被认为是人类独一无二的标志。生物识别指的是利用可测量的人体生物学或行为学特征来核实个人身份。这些技术包括指纹识别、视网膜和虹膜扫描、手掌几何学、声音识别、面部识别等。对于任何需要确认个人真实身份的场合,生物识别技术都具有巨大的潜在应用市场,以旅     

计算机用户身份识别技术

具有惟一性、稳定性的人体生物特征如指纹等用于计算机用户身份识别，能有效加强信息的安全防范。核心是把现场采集的生物特征与已登记、存储于计算机的特征通过可靠匹配算法，一比一对比验证用户身份，既方便快捷、又惟一可靠。本文介绍了生物识别技术基础，生物识别身份主要方法及在计算机信息安防中的应用，并简要比较各种身份识别技术优缺点。     

生物特征识别技术的标准化进程

以指纹识别为代表的生物特征识别技术近年来开始广泛地应用在网络安全、公共安全、金融服务等领域,已成为一个独立的新兴产业。生物特征识别技术的标准化工作在国际上进展非常迅速,新确立的正式或非正式标准在数据格式、应用编程接口(AP I)、系统安全、系统特性描述和系统评估方法等方面对生物特征识别的技术细节进行了全面的规范。该文概述了近年来国内外生物特征识别技术的标准化进程,并全面介绍了已确立或即将确立的各类技术标准,以唤起国内业界对生物特征识别标准及标准化工作的关注。     

基于静脉识别的身份认证方法研究

首先简要介绍了身份认证技术与生物特征识别,然后指出目前应用最广泛的生物特征身份认证方法——指纹识别的缺点和不足,在此基础上提出了一种新的生物特征身份认证方法——静脉识别。分析了静脉识别的理论依据,特点和难点,提出了一种新的图像阈值分割方法和静脉图像特征匹配方法,进行了特征匹配实验,得出了较好的实验效果。