[发明专利]多模态多应用场景下的生物识别方法

说明书

本发明提出了一种多模态多应用场景下的生物识别方法，包括以下步骤：S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；S3：对提取的所述静脉信号轮廓进行信号加强；S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。根据本发明的多模态多应用场景下的生物识别方法,大大降低了误识率保证系统精度的同时还提高了系统的处理速度。

技术领域

本发明涉及智能识别及互联网技术领域，具体而言，尤其涉及一种多模态多应用场景下的生物识别方法。

背景技术

生物识别领域越来越受到人们关注，但是常见的生物识别技术一直受到精度不高、处理速度达不到应用场景需求以及易仿冒等问题的制约。例如：面部识别对环境的要求较高，对拍摄的光线等要求很高，准确率较低，采用3D识别时费用过于昂贵；虹膜识别容易让人产生抵触心理，检测设备对人眼有无伤害还受到争议。但是很多实际应用场景下，应用生物识别技术即可解决很多痛点。例如：医保领域，医保卡丢失率、医保卡冒用率居高不下，采用生物识别技术从根本上杜绝了卡片丢失的问题并且生物特征具有唯一性，解决了冒用的问题。此外，在交通、金融等领域都有相同的需求。

发明内容

本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。

有鉴于此，本发明的一方面需要提供一种精度高、处理速度快、安全可靠的多模态多应用场景下的生物识别方法。

根据本发明实施例的一种多模态多应用场景下的生物识别方法，包括以下步骤：S1：通过仿真光子在人体中传播特性，分别筛选出适合手掌、关节、指尖的最佳波长；S2：根据最佳波长提取静脉信号轮廓，并对提取出的所述静脉信号轮廓进行除噪处理；S3：对提取的所述静脉信号轮廓进行信号加强；S4：对所述静脉信号的数据采用单线并行处理，所述单线并行处理，所述单线并行处理是将待处理数据排成单线，前面正在处理的数据完成时后面的数据进行补位。

根据本发明的实施例的多模态多应用场景下的生物识别方法,通过录入用户的多项生物特征，不仅仅对单个特征分析，对对象间也采点建模。多模态间采用“并”的逻辑关系，大大降低了误识率。此外对数据采用“单线并行”的数据排序以及处理方法，保证系统精度的同时还提高了系统的处理速度。

另外，根据本发明上述实施例的多模态多应用场景下的生物识别方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，S1中所述最佳波长的范围为830nm-950nm，每5nm为一个变化量。

根据本发明的一个实施例，在S1中，获取最佳波长包括以下步骤：S11：确定手掌、关节、指尖的测试位置，并对对应的所述测试位置分别进行测试，在测试过程中对手掌的其他位置进行遮光处理；S12：对步骤S11中的测试图象进行筛选，以最佳透光率和最佳采集图片清晰度为标准，选出三个部分最佳测试光波长；S13：对不同测试对象，多次重复S11和S12，最终筛选出最佳波长。

根据本发明的一个实施例，S2中，对提取出的所述静脉信号轮廓进行除噪处理，包括以下步骤：S21：在原始信号中加入白噪声；S22：计算每个固有模式函数分量的置换值并选择阈值；S23：获得标准信号。

根据本发明的一个实施例，S21中，原始信号被定义为X(t)，首先在原始信号加入白噪声，公式如下：

X'(t)＝X(t)+c_iN_i(t)

其中c_i是白噪声的幅度，然后根据经验模式分解信号，重复上述操作z次，其中z一般选择100～200。信号可以表示为：