CN102184404A - 掌纹图像中手掌区域的获取方法及装置 - Google Patents
掌纹图像中手掌区域的获取方法及装置 Download PDFInfo
- Publication number
- CN102184404A CN102184404A CN 201110111575 CN201110111575A CN102184404A CN 102184404 A CN102184404 A CN 102184404A CN 201110111575 CN201110111575 CN 201110111575 CN 201110111575 A CN201110111575 A CN 201110111575A CN 102184404 A CN102184404 A CN 102184404A
- Authority
- CN
- China
- Prior art keywords
- palm
- pixels
- candidate
- subset
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000006185 dispersion Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种掌纹图像中手掌区域的获取方法及装置,属于数字图像处理和模式识别技术领域。其中方法包括:提取步骤,根据肤色模型提取掌纹图像中的候选手掌像素集;拟合步骤,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;选取步骤,分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;获取步骤,根据手掌区域像素集,确定掌纹图像中的手掌区域。本发明提供的掌纹图像中手掌区域的获取方法及装置,不仅利用了手掌区域的肤色信息,还利用了手掌的形状和空间分布信息,能够有效地将其他非手掌肤色区域分割掉,从而获得更加准确的手掌区域。
Description
技术领域
本发明涉及数字图像处理和模式识别技术领域,特别涉及一种掌纹图像中手掌区域的获取方法及装置。
背景技术
掌纹图像中手掌分割是指将掌纹图像中的手掌区域从背景中分割出来,它对掌纹识别区域的确定十分关键。目前使用最为广泛的手掌分割技术为利用手掌肤色信息进行分割,具体的方法包括:肤色阈值法,颜色查表法,基于直方图技术的贝叶斯分类法,基于神经网络的肤色预测方法,采用单高斯、混合高斯分布模型的方法等。这些方法主要通过大量样本获得先验肤色知识,建立肤色模型,然后利用该模型确定手掌区域。
现有技术提供了两种具体的掌纹图像中手掌区域的获取方法,其中一种使用机器学习的方法,根据训练样本的肤色信息建立神经网络模型,利用该神经网络模型判别掌纹图像中的像素是否为手掌像素,从而最终确定手掌区域;另一种使用高斯模型对手掌的肤色信息进行建模,然后利用该高斯模型获得手掌区域。
上述两种方法都是基于肤色模型确定手掌区域,这种方法受到光照、图像采集设备、背景变化的影响比较大,很难找到一个通用的肤色模型适合每一幅图像。在外界条件改变时,确定的手掌的区域很容易与背景混淆,而且也会受图像中其他肤色区域的干扰,导致获得的手掌区域不够准确。
发明内容
本发明所要解决的技术问题是针对现有技术的缺陷,提出一种掌纹图像中手掌区域的获取方法及装置,用以更加准确的确定手掌区域。
为了解决上述技术问题,本发明提供了一种掌纹图像中手掌区域的获取方法,包括:
提取步骤,根据肤色模型提取掌纹图像中的候选手掌像素集;
拟合步骤,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;
选取步骤,分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;
获取步骤,根据手掌区域像素集,确定掌纹图像中的手掌区域。
进一步的,所述拟合步骤具体为:通过期望最大化方法,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集。
进一步的,所述拟合步骤包括:
将候选手掌像素集映射到掌纹图像中,得到二值掌纹图像;
将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据;
针对根据拟合数据和二值图像得到的集合,通过期望最大化方法,拟合出混合高斯模型的参数;
根据混合高斯模型,设定阈值将候选手掌像素集分为两个候选手掌像素子集。
进一步的,所述将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据具体为:将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取饱和度通道的图像元素作为拟合数据。
进一步的,在选取步骤中,计算候选手掌像素子集的空间形状特征向量包括:
计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值;
将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。
进一步的,在选取步骤中,根据空间形状特征向量从两个候选手掌像素子集选取手掌区域像素集包括:
分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度,相似度最高的候选手掌像素子集选为手掌区域像素集;
所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量,采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。
本发明还提供了一种掌纹图像中手掌区域的获取装置,包括:
提取模块,用于肤色模型提取掌纹图像中的候选手掌像素集;
拟合模块,用于对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;
选取模块,用于分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;
获取模块,用于根据手掌区域像素集,确定掌纹图像中的手掌区域。
进一步的,所述拟合模块具体用于通过期望最大化方法,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集。
进一步的,所述拟合模块包括:
二值化单元,用于将候选手掌像素集映射到掌纹图像中,得到二值掌纹图像;
转换单元,用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据;
拟合单元,用于针对根据拟合数据和二值图像得到的集合,通过期望最大化方法,拟合出混合高斯模型的参数;
划分单元,用于根据混合高斯模型,设定阈值将候选手掌像素集分为两个候选手掌像素子集。
进一步的,所述转换单元具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取色度或饱和度通道的图像元素作为拟合数据。
进一步的,所述选取模块包括:
第一计算单元,用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值;
向量获取单元,用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。
进一步的,所述选取模块包括:
第二计算单元,用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度;所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量,采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的;
选取单元,用于将相似度最高的候选手掌像素子集选为手掌区域像素集。
本发明提供的掌纹图像中手掌区域的获取方法及装置,不仅利用了手掌区域的肤色信息,还利用了手掌的形状和空间分布信息,能够有效地将其他非手掌肤色区域分割掉,从而获得更加准确的手掌区域。
附图说明
图1为本发明提供的掌纹图像中手掌区域的获取方法一实施例的流程图;
图2A为采集得到的掌纹图像;
图2B为采用现有技术提供的方法得到的手掌区域图像;
图2C为采用本发明提供的方法得到的手掌区域图像;
图3为本发明提供的掌纹图像中手掌区域的获取装置实施例的结构示意图。
具体实施方式
本发明提供的掌纹图像中手掌区域的获取方法的核心思想包括四个步骤,分别为提取步骤、拟合步骤、选取步骤和获取步骤,具体地说,首先,提取步骤为根据训练得到的肤色模型对掌纹图像进行处理,提取掌纹图像中的候选手掌像素集A,该步骤通过大量训练样本获得先验肤色知识,建立肤色模型,利用该肤色模型能够保证掌纹图像中96%以上的手掌像素被检测出来;拟合步骤为对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;选取步骤为分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取得到手掌区域像素集,该步骤是对候选手掌像素集中的像素进行筛选,去除其中的非手掌区域像素;获取步骤为根据手掌区域像素集,确定掌纹图像中的手掌区域。本发明不仅利用了手掌区域的肤色信息,还利用了手掌的形状和空间分布信息,可以更加准确的确定手掌区域。
下面结合附图及优选实施方式对本发明技术方案进行详细说明。
图1为本发明提供的掌纹图像中手掌区域的获取方法一实施例的流程图,本实施例具体包括以下步骤:
步骤101、根据训练得到的肤色模型对掌纹图像进行处理,得到候选手掌像素集,本步骤为提取步骤。
首先,通过大量的手掌像素样本训练一个肤色模型,该肤色模型可以为混合高斯模型。本实施例中,训练了具有16个高斯核的手掌肤色模型,如式(1)和式(2)所示,其中通过训练样本获得了参数w,μ,δ的值。
所述根据训练得到的肤色模型对掌纹图像进行处理包括:对于输入的掌纹图像T的每个像素,将该像素的颜色向量c代入式(1)和式(2)中,得到该像素为手掌像素的概率值L(c|skin),和该像素不为手掌像素的概率值L(c|non-skin);将L(c|skin)和L(c|non-skin)再代入式(3),得到该像素的肤色似然值L(skin|c);将该像素的肤色似然值与设定阈值进行比较,大于设定阈值的像素即为候选手掌像素,由此得到候选手掌像素集A。所述设定阈值在训练肤色模型时得到。
通过步骤101能够保证掌纹图像中96%以上的手掌像素被检测出来,也即候选手掌像素集中包含了掌纹图像中大部分的手掌像素。但由于外界条件的影响,候选手掌像素集中还包含了受干扰的非手掌像素。
步骤102、通过期望最大化(Expectation Maximization,简称:EM)方法,对候选手掌像素集A的颜色分布进行拟合,得到两个候选手掌像素子集A1和A2,本步骤为拟合步骤。
该拟合步骤具体包括:
(1)将候选手掌像素集A映射到掌纹图像中,得到二值掌纹图像B。
该映射具体是指若掌纹图像中第i行第j列的像素在A内,则得到二值掌纹图像中的像素点B(i,j)=1,否则B(i,j)=0。
(2)在HSV颜色空间中,色度、饱和度由物体本身特性决定,亮度由光照环境决定,用H(色度)、S(饱和度)通道对候选手掌像素集A进行建模受光照影响小,可以获得比较好的效果。这里首先将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取S通道的图像元素作为拟合数据。
在将掌纹图像的颜色空间模式由RGB(红/绿/蓝)转换到HSV(色调/饱和度/亮度)后,可以选择色调、饱和度作为拟合数据。根据对大量的手掌图像进行分析,可以看出候选手掌像素集A在H、S通道上的分布情况,真实手掌像素与伪手掌像素具有明显的区别,因此选择H和S通道的图像元素作为拟合数据可以很好的提取掌纹像素点。为了简化EM方法的估计难度,也提高计算效率,本实施例具体选取饱和度(S通道的图像元素)为拟合数据,记为TS。经过实验证明,选取饱和度作为拟合数据计算简单方便且准确度较高。
(3)针对根据拟合数据和二值图像得到的集合,通过EM方法,拟合出混合高斯模型的参数。
本实施例选取的拟合模型为混合高斯模型,如式(4)所示:
式(4)中的参数πl,μl,δl是待拟合的参数;
式(4)中的x为根据二值掌纹图像B确定的拟合数据集合AS中的元素,所述AS为B(i,j)中不为0的像素点对应的TS(i,j)中的像素的结合。
拟合过程具体包括:
a、首先,初始化混合高斯模型的参数,对于集合AS,采用K-均值聚类初始化ul,并依次计算出δl,用各聚类样本个数所占比例初始化πl;
b、根据式(5)求得隐变量的期望:
c、根据式(6.1)、(6.2)和(6.3)更新各参数:
d、判断πl的值与更新前的值的误差是否在确定范围内,若是,则确定混合高斯模型的各参数;否则,返回步骤b。
(4)根据拟合得到的混合高斯模型,设定阈值将候选手掌像素集A分为两个候选手掌像素子集A1和A2。
将A中的每个像素的颜色向量代入混合高斯模型,将得到的值与设定阈值进行比较,从而将A分为A1和A2。
步骤103、分别计算两个候选手掌像素子集A1和A2的空间形状特征向量,本步骤为选取步骤中的一步。
首先,分别将A1和A2映射到原掌纹图像中得到二值掌纹子图像B1和B2,具体地说,设原掌纹图像的大小为M×N;若原掌纹图像第i行第j列的像素在A1内,则二值掌纹子图像B1中的像素B1(i,j)=1,否则B1(i,j)=0;若原掌纹图像第i行第j列的像素在A2内,则二值掌纹子图像B2中的像素B2(i,j)=1,否则B2(i,j)=0。
然后,分别计算候选手掌像素子集A1和A2的x方向和y方向的离散度、y方向的直方图投影的局部极大值。
根据下列公式计算得到候选手掌像素子集A1的x方向的离散度εx1,候选手掌像素子集A2的x方向的离散度εx2,候选手掌像素子集A1的y方向的离散度εy1,以及候选手掌像素子集A2的y方向的离散度εy2:
计算候选手掌像素子集A1和A2的y方向的直方图投影的局部极大值ηy1和ηy2:
对Tyi1,Tyi2进行局部最大值抑制,即:
其中Tyi1,Tyi2最大的前五个值即为ηy1和ηy2。
最后,将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为所述候选手掌像素子集的空间形状特征向量。可以得到,候选手掌像素子集A1的空间形状特征向量为εx1、εy1和ηy1;候选手掌像素子集A2的空间形状特征向量为εx2、εy2和ηy2。
步骤104、根据候选手掌像素子集A1和A2的空间形状特征向量,对手掌像素子集A1和A2进行分类,得到手掌区域像素集,本步骤为选取步骤中的另一步。
本步骤中,将候选手掌像素子集A1和A2的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板进行比较,分别计算候选手掌像素子集A1和A2的空间形状特征向量与手掌图像空间形状特征向量均值模板的相似度,相似度最高的候选手掌像素子集即为手掌区域像素集。
所述手掌图像空间形状特征向量均值模板通过以下方法获得:首先,挑选1000张手掌图像作为样本进行训练,手工标记出手掌区域和非手掌区域;分别计算手掌区域和非手掌区域的空间形状特征向量,计算的方法可与步骤103描述的计算方法相同;采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类,得到均值模板。
步骤105、根据手掌区域像素集,确定手掌区域,本步骤为获取步骤。
遍历掌纹图像中的像素点,若掌纹图像中第i行第j列的像素在手掌区域像素集内,则得到二值掌纹图像中的像素点B0(i,j)=1,否则B0(i,j)=0。
根据二值掌纹图像B0确定掌纹图像中手掌区域的元素,具体公式为:
I(i,j)=T(i,j)×B0(i,j),即二值掌纹图像B0中不为0的像素点对应的掌纹图像中的像素点构成了手掌图像。
图2A为采集得到的掌纹图像,图2B为采用现有技术提供的方法得到的手掌区域图像,图2C为采用本发明提供的方法得到的手掌区域图像。从图中可以看出,采用现有技术提供的方法,没有将手掌区域和人脸区域区分开,将同样是肤色信息的人脸区域也分割为手掌区域,导致获得的手掌区域不准确;而采用本发明提供的方法,通过利用了手掌的形状和空间分布信息,有效地将人脸这类肤色区域分割掉,获得了准确的手掌区域。
除此之外,本发明提供的方法使用了分步的区域分割方法,分阶段建立估计模型,对不同场景下获得的图像具有良好的适应性;本发明提供的方法采用点集的分布离散度和空间直方图投影的局部极大值作为度量手掌的空间形状特征,计算简单方便,效率很高。
图3为本发明提供的掌纹图像中手掌区域的获取装置实施例的结构示意图。如图3所示,该装置可以包括:提取模块11、拟合模块12、选取模块13以及获取模块14,其中:提取模块11用于根据肤色模型提取掌纹图像中的候选手掌像素集;拟合模块12用于对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;选取模块13用于分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;获取模块14用于根据手掌区域像素集,确定掌纹图像中的手掌区域。
本实施例中,提取模块11通过大量训练样本获得先验肤色知识,建立肤色模型,利用该肤色模型能够将掌纹图像中96%以上的手掌像素被检测出来。拟合模块12通过对候选手掌像素集的颜色分布进行拟合,将候选手掌像素集分成两个子集。选取模块13对两个子集进行筛选,去除其中包含非手掌区域像素的子集,确定包含手掌区域像素的子集作为手掌区域像素集。获取模块14确定手掌区域。
具体地说,上述拟合模块12可以具体用于通过EM方法,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集。
进一步的,上述拟合模块12可以包括:二值化单元15、转换单元16、拟合单元17以及划分单元18,其中:二值化单元15用于将候选手掌像素集映射到掌纹图像中,得到二值掌纹图像;转换单元16用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据;拟合单元17用于针对根据拟合数据和二值图像得到的集合,通过期望最大化方法,拟合出混合高斯模型的参数;划分单元18用于根据混合高斯模型,设定阈值将候选手掌像素集分为两个候选手掌像素子集。
优选地,上述转换单元16具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取色度或饱和度通道的图像元素作为拟合数据。
进一步的,上述选取模块13可以包括:第一计算单元19和向量获取单元20,其中:第一计算单元19用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值;向量获取单元20用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。
上述选取模块13还可以包括:第二计算单元21和选取单元22,其中:第二计算单元21用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度;选取单元22用于将相似度最高的候选手掌像素子集选为手掌区域像素集。其中手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量,采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。
本发明提供的装置不仅利用了肤色信息,还利用了手掌的形状和空间分布信息,能够有效地将其他非手掌肤色区域分割掉,从而获得更加准确的手掌区域。本发明提供的装置采用点集的分布离散度和空间直方图投影的局部极大值作为度量手掌的空间形状特征,计算简单方便,效率很高。
最后,需要注意的是:以上列举的仅是本发明的具体实施例子,当然本领域的技术人员可以对本发明进行改动和变型,倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内,均应认为是本发明的保护范围。
Claims (12)
1.一种掌纹图像中手掌区域的获取方法,其特征在于,包括:
提取步骤,根据肤色模型提取掌纹图像中的候选手掌像素集;
拟合步骤,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;
选取步骤,分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;
获取步骤,根据手掌区域像素集,确定掌纹图像中的手掌区域。
2.根据权利要求1所述的方法,其特征在于,所述拟合步骤具体为:通过期望最大化方法,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集。
3.根据权利要求2所述的方法,其特征在于,所述拟合步骤包括:
将候选手掌像素集映射到掌纹图像中,得到二值掌纹图像;
将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据;
针对根据拟合数据和二值图像得到的集合,通过期望最大化方法,拟合出混合高斯模型的参数;
根据混合高斯模型,设定阈值将候选手掌像素集分为两个候选手掌像素子集。
4.根据权利要求3所述的方法,其特征在于,所述将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据具体为:将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取饱和度通道的图像元素作为拟合数据。
5.根据权利要求1所述的方法,其特征在于,在选取步骤中,计算候选手掌像素子集的空间形状特征向量包括:
计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值;
将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。
6.根据权利要求1所述的方法,其特征在于,在选取步骤中,根据空间形状特征向量从两个候选手掌像素子集选取手掌区域像素集包括:
分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度,将相似度最高的候选手掌像素子集选为手掌区域像素集;
所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量,采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的。
7.一种掌纹图像中手掌区域的获取装置,其特征在于,包括:
提取模块,用于肤色模型提取掌纹图像中的候选手掌像素集;
拟合模块,用于对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集;
选取模块,用于分别计算两个候选手掌像素子集的空间形状特征向量,根据空间形状特征向量从两个候选手掌像素子集中选取手掌区域像素集;
获取模块,用于根据手掌区域像素集,确定掌纹图像中的手掌区域。
8.根据权利要求7所述的装置,其特征在于,所述拟合模块具体用于通过期望最大化方法,对候选手掌像素集的颜色分布进行拟合,得到两个候选手掌像素子集。
9.根据权利要求8所述的装置,其特征在于,所述拟合模块包括:
二值化单元,用于将候选手掌像素集映射到掌纹图像中,得到二值掌纹图像;
转换单元,用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,并选取拟合数据;
拟合单元,用于针对根据拟合数据和二值图像得到的集合,通过期望最大化方法,拟合出混合高斯模型的参数;
划分单元,用于根据混合高斯模型,设定阈值将候选手掌像素集分为两个候选手掌像素子集。
10.根据权利要求9所述的装置,其特征在于,所述转换单元具体用于将掌纹图像由RGB颜色空间模式转换到HSV颜色空间模式,选取饱和度通道的图像元素作为拟合数据。
11.根据权利要求7所述的装置,其特征在于,所述选取模块包括:
第一计算单元,用于计算候选手掌像素子集的x方向和y方向的离散度、y方向的直方图投影的局部极大值;
向量获取单元,用于将x方向和y方向的离散度、y方向的直方图投影的局部极大值作为候选手掌像素子集的空间形状特征向量。
12.根据权利要求7所述的装置,其特征在于,所述选取模块包括:
第二计算单元,用于分别计算两个候选手掌像素子集的空间形状特征向量与预先建立的手掌图像空间形状特征向量均值模板的相似度;所述手掌图像空间形状特征向量均值模板是通过计算大量训练样本的手掌区域和非手掌区域的空间形状特征向量,采用K-均值方法对手掌区域和非手掌区域的空间形状特征向量进行分别聚类而得到的;
选取单元,用于将相似度最高的候选手掌像素子集选为手掌区域像素集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110111575.7A CN102184404B (zh) | 2011-04-29 | 2011-04-29 | 掌纹图像中手掌区域的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110111575.7A CN102184404B (zh) | 2011-04-29 | 2011-04-29 | 掌纹图像中手掌区域的获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102184404A true CN102184404A (zh) | 2011-09-14 |
CN102184404B CN102184404B (zh) | 2012-11-28 |
Family
ID=44570578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110111575.7A Expired - Fee Related CN102184404B (zh) | 2011-04-29 | 2011-04-29 | 掌纹图像中手掌区域的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184404B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629328A (zh) * | 2012-03-12 | 2012-08-08 | 北京工业大学 | 融合颜色的显著特征概率潜在语义模型物体图像识别方法 |
CN104680154A (zh) * | 2015-03-13 | 2015-06-03 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105787419A (zh) * | 2014-12-23 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 手掌图像的手掌检测方法及系统 |
CN107077617A (zh) * | 2017-01-25 | 2017-08-18 | 深圳市汇顶科技股份有限公司 | 指纹提取方法及装置 |
CN108416338A (zh) * | 2018-04-28 | 2018-08-17 | 深圳信息职业技术学院 | 一种非接触掌纹身份认证方法 |
CN108596237A (zh) * | 2018-04-19 | 2018-09-28 | 北京邮电大学 | 一种基于颜色和血管的lci激光内镜下的结肠息肉分类方法 |
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050129288A1 (en) * | 2001-09-20 | 2005-06-16 | Shoupu Chen | Method and computer program product for locating facial features |
US20070154096A1 (en) * | 2005-12-31 | 2007-07-05 | Jiangen Cao | Facial feature detection on mobile devices |
CN101763507A (zh) * | 2010-01-20 | 2010-06-30 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
-
2011
- 2011-04-29 CN CN201110111575.7A patent/CN102184404B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050129288A1 (en) * | 2001-09-20 | 2005-06-16 | Shoupu Chen | Method and computer program product for locating facial features |
US20070154096A1 (en) * | 2005-12-31 | 2007-07-05 | Jiangen Cao | Facial feature detection on mobile devices |
CN101763507A (zh) * | 2010-01-20 | 2010-06-30 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
CN101833672A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样与形状特征的稀疏表示人脸识别方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629328B (zh) * | 2012-03-12 | 2013-10-16 | 北京工业大学 | 一种融合颜色的显著特征概率潜在语义模型物体图像识别方法 |
CN102629328A (zh) * | 2012-03-12 | 2012-08-08 | 北京工业大学 | 融合颜色的显著特征概率潜在语义模型物体图像识别方法 |
CN105787419A (zh) * | 2014-12-23 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 手掌图像的手掌检测方法及系统 |
CN105787424B (zh) * | 2014-12-26 | 2019-06-07 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN105787424A (zh) * | 2014-12-26 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN104680154B (zh) * | 2015-03-13 | 2016-04-06 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN104680154A (zh) * | 2015-03-13 | 2015-06-03 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN107077617A (zh) * | 2017-01-25 | 2017-08-18 | 深圳市汇顶科技股份有限公司 | 指纹提取方法及装置 |
CN107077617B (zh) * | 2017-01-25 | 2020-08-28 | 深圳市汇顶科技股份有限公司 | 指纹提取方法及装置 |
CN108596237A (zh) * | 2018-04-19 | 2018-09-28 | 北京邮电大学 | 一种基于颜色和血管的lci激光内镜下的结肠息肉分类方法 |
CN108596237B (zh) * | 2018-04-19 | 2019-11-15 | 北京邮电大学 | 一种基于颜色和血管的lci激光内镜下的结肠息肉分类装置 |
CN108416338A (zh) * | 2018-04-28 | 2018-08-17 | 深圳信息职业技术学院 | 一种非接触掌纹身份认证方法 |
CN108416338B (zh) * | 2018-04-28 | 2021-12-14 | 深圳信息职业技术学院 | 一种非接触掌纹身份认证方法 |
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102184404B (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN105631880B (zh) | 车道线分割方法和装置 | |
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN112132843A (zh) | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 | |
CN103942794A (zh) | 一种基于置信度的图像协同抠图方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN105160319A (zh) | 一种在监控视频下实现行人再识别的方法 | |
CN102332157B (zh) | 一种消除阴影的方法 | |
CN110288538A (zh) | 一种多特征融合的运动目标阴影检测及消除方法 | |
CN103440510A (zh) | 一种面部图像中特征点的定位方法 | |
CN103473571A (zh) | 一种人体检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN103456013A (zh) | 一种表示超像素以及度量超像素之间相似性的方法 | |
CN104268590A (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN105138975B (zh) | 一种基于深度信念网络的人体肤色区域分割方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121128 |
|
CF01 | Termination of patent right due to non-payment of annual fee |