专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果2708418个,建议您升级VIP下载更多相关专利
  • [发明专利]利用Daubechies小波变换识别人虹膜的方法-CN01822993.X无效
  • 赵成元 - 永恒媒体株式会社
  • 2001-07-31 - 2004-04-28 - G06K9/00
  • 本发明涉及生物测定技术领域中识别人虹膜的方法,更具体地涉及利用Daubechies小波变换识别人虹膜的方法,其中通过利用Daubechies小波变换从输入的虹膜图像信号中提取虹膜特征来减小特征向量的维数,通过对提取的特征值应用量化函数来产生二进制特征向量,从而使得人虹膜识别的实用性得到提高,因为通过产生低容量的特征向量减小了其存储容量和处理时间,当检测产生的特征向量与先前注册的特征向量之间的相似性时使用适于低容量特征向量的检测过程
  • 利用daubechies变换识别虹膜方法
  • [发明专利]基于相变和扩散神经网络的虹膜识别方法-CN202310336276.6在审
  • 董滔;吕美凝;胡文婕 - 西南大学
  • 2023-03-31 - 2023-06-27 - G06V40/18
  • 本发明涉及虹膜识别技术领域,尤其涉及一种基于相变和扩散神经网络的虹膜识别方法,包括步骤S1,获取虹膜图像并将虹膜图像归一化处理和灰度化处理以得到灰度图像;步骤S2,特征确定模块将灰度图像划分为若干区域,神经网络提取任一区域中的特征图像,特征确定模块确定是否将特征图像作为识别特征;步骤S3,特征确定模块确定识别特征占比,并在第二占比水平确定识别特征的级别;步骤S4,判定模块根据识别特征的级别计算任一区域的特征值评分并根据特征值评分将区域分类为三类特征区域,三类特征区域包括高特征区域、中特征区域以及低特征区域;步骤S5,识别模块根据三类特征区域的占比确定虹膜识别方式。本发明提高了虹膜识别的效率。
  • 基于相变扩散神经网络虹膜识别方法
  • [发明专利]基于SIFT 特征包的牛眼虹膜图像识别方法-CN201210177023.0有效
  • 赵林度;孙胜楠;杨世才;宋阳 - 东南大学
  • 2012-05-31 - 2012-09-26 - G06K9/00
  • 本发明公开了一种基于SIFT特征包的牛眼虹膜图像识别方法,包括以下步骤:对虹膜图像进行预处理获取有效区域;用SIFT方法获取特征点;用主动轮廓线方法进行内边缘定位;移除内边缘内的特征点得到有效SIFT特征点集;通过与最佳SIFT特征包对比获得特征直方图;计算待识别图像和目标虹膜库中每一幅图像的直方图距离,以直方图距离最小的目标牛眼虹膜图像对应的对象作为识别结果。本发明在待识别牛眼虹膜图像存在旋转、偏移、局部遮挡或尺度不一致的情况下也能够较准确地进行识别,从而有助于提高牛眼虹膜图像识别的准确性和可靠性,推动虹膜识别方法在食品溯源体系中的应用。
  • 基于sift特征虹膜图像识别方法
  • [发明专利]基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法-CN201010244946.4有效
  • 谭铁牛;孙哲南;张慧 - 中国科学院自动化研究所
  • 2010-08-04 - 2010-12-22 - G06K9/00
  • 本发明是一种基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法,包括步骤:对真实虹膜图像或伪造虹膜图像进行预处理;提取鲁棒的加权局部二元模式的分块统计特征;支持向量机的训练和分类,根据分类器输出结果判断测试图像是否是伪造虹膜图像本发明方法将SIFT描述子与局部二元模式特征相结合提取鲁棒纹理特征,SIFT对亮度、平移、旋转、尺度变化的鲁棒性使纹理的描述更稳定,支持向量机使该方法有较好的泛化性。本发明能够有效地判别伪造虹膜图像,具有高精度、高鲁棒性和高可靠性的优点,可用于判别纸质打印虹膜、彩色印花隐形眼镜、人造眼球等伪造虹膜,应用在使用虹膜识别进行身份识别的应用系统中可提高系统自身的安全性。
  • 基于纹理特征机器学习伪造虹膜图像别的方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top