CN102346845A - 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 - Google Patents
基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 Download PDFInfo
- Publication number
- CN102346845A CN102346845A CN2011102733412A CN201110273341A CN102346845A CN 102346845 A CN102346845 A CN 102346845A CN 2011102733412 A CN2011102733412 A CN 2011102733412A CN 201110273341 A CN201110273341 A CN 201110273341A CN 102346845 A CN102346845 A CN 102346845A
- Authority
- CN
- China
- Prior art keywords
- response
- crestal line
- vein
- end points
- ridge
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的目的在于提供基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法,包括以下步骤:对静脉纹理进行分析获取静脉纹理的形态响应、方向响应、尺度响应;提取脊点,形成离散的初始脊线段集;对初始脊线段集进行预处理;从所得到的脊线段集中提取出端点,并根据获取的静脉纹理方向响应获得端点延伸方向,对其进行延伸处理,以连接离散脊线段;从端点连接后的脊线段集中滤去孤立脊线段和悬浮脊线段,经此脊线后期处理后,即可得到最终静脉纹理骨架。本发明能够解决存在对比度低、灰度值窄、灰度值分布不均匀、纹理模糊、纹理边缘较弱、交叉纹理粘连等问题。
Description
技术领域
本发明涉及的是一种生物特征身份识别方法,具体地说是提取手背静脉特征的方法。
背景技术
基于手部静脉模式特征进行身份识别技术的研究,是近几年生物特征身份识别技术领域研究的热点。鉴于手部静脉模式固有的特点,通常采用近红外装置进行模式样本采集,采集到样本图像的特点是对比度低、灰度值范围窄且分布极不均匀,如果直接进行处理,后续相关算法的可操作性、准确性、稳定性都会受到很大的影响,因此导致手背静脉模式纹理骨架提取困难,解决这一问题的过程在生物特征身份识别技术领域属于样本模式骨架提取。
利用基于静脉多尺度二阶微分结构模型的静脉纹理提取算法,可得到:多尺度二阶微分结构模型静脉度响应(记为VLSDM-R)、微分尺度空间最大静脉度所对应的微分尺度图(记为VLSDM-S)以及微分尺度空间最大静脉度所对应的方向图(记为VLSDM-D)。
利用基于Gabor滤波组及静脉纹理横断面数学模型提出的两种静脉纹理提取算法,可得到静脉纹理的两种静脉滤波响应:滤波响应空间最优静脉滤波响应(记为GFBM-R1),方向空间最优静脉滤波响应在尺度空间的静脉纹理混合矩响应(记为GFBM-R2),同时也可得到GFBM-R1所对应的Gabor滤波器尺度图(记为GFBM-S)和GFBM-R1所对应的Gabor滤波器方向图(记为GFBM-D)。
VLSDM-R、GFBM-R1、GFBM-R2具有很多共性:1、它们均在静脉纹理脊线上取得局部极大值;2、它们均较好地保持了静脉纹理的局部曲面形态。VLSDM-S与GFBM-S也存在共性:每个像素点的响应值均接近以该点为中心的局部静脉纹理的尺度,因为只有它们接近局部纹理尺度时,才使得对应的滤波响应值最大。3、VLSDM-D与GFBM-D应该接近垂直关系,因为VLSDM-D对应着纹理的走向方向,而GFBM-D与纹理走向方向垂直。
因此,静脉纹理提取算法处理后可得到三类较为重要的响应:1、表征静脉纹理局部曲面分布形态的特征响应(VLSDM-R、GFBM-R1、GFBM-R2);2、表征静脉纹理方向信息的方向响应(VLSDM-D与GFBM-D);3、表征静脉纹理尺度信息的尺度响应(VLSDM-S与GFBM-S);本发明将第一类响应统称为静脉纹理局部形态响应(记为VTLFR),第二类响应统称为静脉纹理方向响应(记为VTDR),第三类响应统称为静脉纹理尺度响应(记为VTSR)。
发明内容
本发明的目的在于提供能够解决存在对比度低、灰度值窄、灰度值分布不均匀、纹理模糊、纹理边缘较弱、交叉纹理粘连等问题的基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法。
本发明的目的是这样实现的:
本发明基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法,其特征是:
(1)基于多尺度二阶微分结构模型对静脉纹理进行多尺度分析以获取静脉纹理的形态响应、方向响应、尺度响应;
(2)从获取的静脉纹理形态响应中提取出脊点,形成离散的初始脊线段集;
(3)根据噪声脊线段较短、出现在静脉纹理尺度响应中的低值区及脊线段中像素点所对应的最大静脉纹理形态响应较小的特点,结合获取的静脉纹理尺度响应及静脉纹理形态响应灰度图对初始脊线段集进行预处理;
(4)从所得到的脊线段集中提取出端点,并根据获取的静脉纹理方向响应获得端点延伸方向,对其进行延伸处理,以连接离散脊线段;
(5)根据静脉纹理中不应该存在孤立脊线段和悬浮脊线段的固有特性从端点连接后的脊线段集中滤去孤立脊线段和悬浮脊线段,经此脊线后期处理后,即可得到最终静脉纹理骨架。
本发明的优势在于:本发明能够解决存在对比度低、灰度值窄、灰度值分布不均匀、纹理模糊、纹理边缘较弱、交叉纹理粘连等问题。
附图说明
图1是多尺度VLSDM模型响应局部方向及横断面分布曲线图;
图2是多尺度VLSDM模型响应灰度图;
图3是多尺度VLSDM模型响应滤波后的结果图;
图4是两种不同初始脊点集提取结果及交叉纹理区域示意图,其中A是图2的脊点集,B是图3的脊点集;
图5是脊点标识图Il预处理后的结果及端点局部区域脊点分布情况;
图6是Pe的8邻域像素点中脊点数不为一时的两类模板,其中A是Pe的8邻域像素点中有两个脊点时端点模板,B是Pe的8邻域像素点中有三个脊点时端点模板;
图7是Pe的8邻域像素点;
图8是经端点延伸后的结果图以及其与多尺度VLSDM模型响应叠加后的图像;
图9是经端点延伸后的结果图以及与源图叠加后的图像;
图10为本发明的流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~10,本发明基于以下几点:VTLFR局部纹理的横断面呈脊形(如图1所示)分布;能从VTDR中得到VTLFR中对应区域局部静脉纹理的方向信息 (图1中标出);可利用VTSR对VTLFR中的背景及纹理边缘噪声进行处理;用VTLFR中纹理的脊线作为静脉纹理的骨架。
1.提取纹理初始脊点集
从图1中可以看出沿方向的横断面响应分布曲线会出现一个极大值点,该点就是多尺度VLSDM模型响应中脊线上的点,称之为脊点,脊线就是响应中脊点的集合,记为U,根据其在方向局部极大的特点,本发明采用Canny边缘检测中用到的局部非最大值抑制算法在方向提取响应中的局部极大值点。
局部极大值点的提取可以直接基于滤波前的多尺度VLSDM模型响应(如图2)进行;也可以基于滤波后的多尺度VLSDM模型响应(如图3(D))进行。
下面结合图4来讨论初始脊线点集存在的问题:
(1)脊点集U被分成了许多离散的脊线段:从图4中可以看出,纹理交叉处产生了断点,将脊线点集U分成了许多离散的脊线段。
(2)脊点集U中存在噪声脊线段:对比图4(A)与图4(B)可以看到,基于滤波后多尺度VLSDM模型响应提取的脊点集,噪声脊点集较少,但还是存在少量的噪声脊点集,它们是由小毛刺纹理引起的,因此噪声脊点集中所包含的脊点较少。图4(A)中存在大量的噪声脊点集,它们可分为两类:一类包含脊点较少,它是由小面积的毛刺噪声纹理引起的;另一类包含的脊点较多,在图4(A)中表现为有一定长度的脊线段,是由于大面积的噪声纹理引起的。
(3)脊点集U中包含了边界噪声:边界存在连续且类似脊线的直线段,属于边界噪声。边界噪声的特点是:到边界的距离为一个像素,且宽度也为一个像素。
2.初始点集预处理
初始脊点集预处理的目的是:解决脊点集U中的噪声脊线段和边界噪声。
初始脊点集预处理方法的步骤如下:
(1)生成脊线点集U标识图Il:大小与样本图像相同,脊点像素点为1,其他为0。
(2)除去边界噪声:分别将Il图中离边界的距离小于2个像素的点对应的标识置零。
(3)提取离散的脊线段:在经第二步处理后的Il图中,提取连通的脊点,构成脊线段,会得到一系列脊线段,记为Ri(i=1,2,3·N),i表示第i条脊线段,N表示脊线段的数目。
(4)滤去噪声脊线段:两类不同的噪声脊线分别采用不同的处理方法。
对于包含脊点较少的噪声脊线段,采用脊点数目阈值法处理:将脊点数目小于阈值的脊线段从Il图中删除,阈值用Nt表示;
包含脊点数目较多的长噪声脊线段主要出现在直接基于滤波前的多尺度VLSDM模型响应进行脊点提取所得Il图中,处理方法主要包括:
1、将多尺度VLSDM模型响应进行256级灰度归一化,得到多尺度VLSDM模型的灰度响应;
2、统计脊线段Ri中像素点对应的多尺度VLSDM模型灰度响应的极大值(用Vmax表示);
3、统计Ri中像素点对应的微分尺度空间最大静脉度出现在最大微分尺度响应中的脊点数,用Ns-max表示;
4、滤去长噪声脊线段,用NR-i表示Ri中脊点的总数,滤波准则表示如下:
Ns-max/NR-i<Ts-max,且Vmax<Tmax,则删除该脊线段
式中,Tmax为多尺度VLSDM模型响应灰度值极大值的阈值,其确定方法也与多尺度VLSDM模型中相同;Ts-max表示脊线段中微分尺度空间最大静脉度出现在最大微分尺度响应中的脊点数与脊线段中总脊点数的比例阈值。
取Nt=6、Ts-max=50%时,直接基于滤波前的多尺度VLSDM模型响应进行脊点提取的Il图,经初始脊点集预处理后的结果如图4(A)所示。
从图5(A)中可以看出,经预处理后的脊点标识图Il中少了许多噪声脊线段,下一步就是将离散脊线段连接起来,形成连通的静脉纹理骨架。
3.连接离散脊线段
预处理后的脊线段用R′i(i=1,2,3·N′)表示,N′表示删除噪声脊点集后的脊线段数目,本发明连接的方法是将脊线段R′i的端点进行延伸。
3.1提取脊线段端点
本发明对R′i中的端点Pe定义如下:
R′i中满足以下三个条件之一的像素点称为端点Pe:A、Pe的8邻域像素点中只有一个脊点;B、Pe的8邻域像素点中只有两个脊点,但是要满足图6(A)中的一个模板;C、Pe的8邻域像素点中只有三个脊点,但是要满足图6(B)中的一个模板;
用P1,P2,·P8分别表示R′i中某脊点的8邻域像素点(如图7所示),Np表示P1,P2,·P8中标识值为1的像素点数目,Nc表示依次扫描P1,P2,·P8,P1时,像素点标识值变化的次数(标识值从1变到0或从0变到1为一次变化)。则根据R′i中端点Pe应满足的条件以及6(A)和6(B)所示的两类模板,在实际检测端点时可以按下述规则进行:Np≤3,且Nc=2,可判定该脊点为端点。
3.2确定延伸点以及延伸方向
(1)脊线段R′i只存在两个端点
多数情况,脊线段R′i只存在两个端点,此时延伸点分别为R′i的两个端点,延伸方向与端点对应的静脉纹理方向有关,下面以端点Pe为例,来说明延伸方向的确定过程。
通过式(1)确定的Pne,一定是Pe邻域点P1,P2,·P8中的某一点,因为sin(θv2)和cos(θv2)的数值不可能同时出现在区间(0.5,-0.5)内。正常是从脊线段R′i的端点往脊线断开处延伸,这在的方向为从端点指向断开处时成立,但是的方向也有可能是从端点指向脊线段区域,此时就会发生回溯现象,为了防止从端点Pe往脊线段R′i区域回溯,需要检测新脊线端点条件:Pne本身不是脊点,且将Pne作为脊点加入R′i后,Pne为R′i新的端点,而Pe不再是端点。如果新脊线端点条件不成立,则延伸方向角为θv2+π,即延伸方向与相反;如果新脊线端点条件成立,则延伸方向为角θv2,即延伸方向与相同。
(2)脊线段R′i存在两个以上的端点
在脊线段R′i中有时会出现两个以上端点的情况,如图5(C)所示为图5(A)中虚线矩形框区域放大后的情况,从图5(C)中可以看出,脊线段的其中一端出现了两个相离较近的两个端点(图5(C)中标出的端点1和端点2),本发明称这类端点为不稳定端点,他们具有离分叉点较近的特点。下面利用其这一特点讨论对R′i不稳定端点的处理方法,以解决从不稳定端点延伸后出现小孔的现象。
如果脊线段R′i中出现多个端点的情况,则脊线段R′i中一定会出现分叉点,先利用分叉点检测方法提取出脊线段R′i中的分叉点,分叉点检测方法与端点检测方法类似:Np≥3,且Nc≥6,可判定该脊点为分叉点,其中Np和Nc与端点检测方法中表示的意思一样。
得到分叉点后,从分叉点的每个方向在R′i中进行脊点跟踪,直到遇到端点后中止,并将跟踪路径上的脊点记录下来,删除脊点数目小于某一数值Ntrace的跟踪路径上的所有脊点,通过这一处理后,离分叉点较近的端点分支就会被剔除,本发明取Ntrace=3,认为跟踪路径上的脊点数目小3的端点为不稳定端点,进行剔除。
剔除R′i中的部分端点后,重新检测其端点,此时的端点就是延伸点,延伸方向的确定方法与R′i中只存在两个端点时的延伸方向确定方法一样。
3.3延伸终止条件
脊线段R′i的端点延伸遇到以下三种情况之一则中止:1、延伸后的端点与另一脊线段相交;2、延伸后的端点到达图像的边界;3、延伸后的端点到达背景区域。遇到第一种情况,延伸后的端点为静脉纹理骨架一般为交叉点,但是也有可能既不是端点,也不是交叉点,而仅仅为两条断开脊线段的连接点,这种情况由本来应连续的脊线段从中间断开而导致的,如图5(A)中圆形框标出的地方;遇到第二种情况,则延伸后的端点为静脉纹理骨架的边界端点,即距离图像边界较近的端点;遇到第三种情况,则延伸后的端点为静脉纹理骨架的悬浮端点,即距离图像边界较远的端点。
经离散脊线段延伸处理后,基本可以连接由于交叉静脉纹理而导致脊线断开的地方,形成较为连续的脊线,它由许多脊线段组成。本发明根据脊线段两个端点的不同种类,定义了六种不同类型的脊线段:
定义1:延伸后脊线段的两个端点均为分叉点,则该脊线段称为分叉脊线段。
定义2:延伸后脊线段的两个端点中一个为分叉点,另一个为边界端点,则该脊线段称为边界分支。
定义3:延伸后脊线段的两个端点中一个为分叉点,另一个为悬浮端点,则该脊线段称为悬浮分支。
定义4:延伸后脊线段的两个端点均为边界端点,则该脊线段称为边界孤立脊线段。
定义5:延伸后脊线段的两个端点均为悬浮端点,则该脊线段称为全悬浮孤立脊线段。
定义6:延伸后脊线段的两个端点中一个为边界端点,另一个为悬浮端点,则该脊线段称为半悬浮孤立脊线段。
4.实验结果及分析
图8所示为图5(A)经离散脊线段端点延伸后的结果图。
从图8(B)中可以看出,用多尺度VLSDM模型响应脊线近似的静脉纹理骨架基本上处于静脉区域的中轴线上,而且交叉点的位置基本准确,不过结合图8(A)和图8(B)可以看出经离散脊线段端点延伸处理后的静脉文理骨架存在如下几类问题:
第一类问题、不能形成图像边界交叉点,从图8(A)中实矩形框标出的区域中可以看出,本来是静脉文理交叉的地方,而形成了多个边界端点,其出现的原因是,延伸前的脊线段端点本来离图像边界较近,导致延伸的距离不够,使得两条脊线段无法相交。边界交叉纹理形成的边界端点一般相离较近,可以利用这一特点对交叉纹理形成的边界端点进行处理,例如利用他们的中点近似交叉点。不过图像边界交叉点,属于不稳定特征点,在匹配时,对于不稳定特征点一般不予考虑,因此对这类问题可以将他们形成的边界端点保留作为新的特征点,这样反而更稳定。
第二类问题、存在较短的孤立脊线段,图8(A)中用虚矩形框标出的脊线段就是孤立脊线段,它由大尺度的噪声引起,可以采用脊线段中脊点数目阈值去掉,阈值用Nlrt表示,Nlrt可以取稍大的值,因为静脉纹理脊线经连接后,形成的脊线连通域中包含的脊点数一般较多,所以Nlbt取较大值不会导致静脉纹理脊线丢失。
第三类问题、存在噪声分支,图8(A)中用实线椭圆标出的脊线分支就属于噪声分支,它是由于与静脉纹理非常接近的大尺度噪声引起的。对于这种噪声的消除,常用的方法是通过分支长度阈值来进行滤去,但是对于本发明并不适合,图8中虚线椭圆标出的分支长度就比实线椭圆标出噪声分支短,但是它是静脉纹理的分支,不能去掉。本发明采用分支类型消除法来滤掉这种噪声,根据对脊线段类型的定义,图8中虚线椭圆标出的分支属于边界分支,而图8中实线椭圆标出分支为悬浮分支,悬浮分支为噪声分支,应该滤去,其根据是:手背静脉纹理本身应该是互相连接在一起的,理论上提取的静脉纹理脊线中不会出现端点,之所以出现端点是由于实际处理时只截取了样本图像的一部分,相当于对静脉纹理进行了截断,截断形成的端点一般是边界端点,而不应该是悬浮端点,因此由悬浮端点和分叉点构成的悬浮分支一般为噪声分支。
当取Nlrt=50时,经脊线后期处理后的静脉纹理骨架提取结果如图9(A)所示,图9(B)为提取结果与样本图像叠加后的效果图。
从图9(B)中可以看出,经过一系列处理后得到的静脉纹理骨架基本处于静脉区域的中轴线上,且噪声骨架少。
Claims (1)
1.基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法,其特征是:
(1)基于多尺度二阶微分结构模型对静脉纹理进行多尺度分析以获取静脉纹理的形态响应、方向响应、尺度响应;
(2)从获取的静脉纹理形态响应中提取出脊点,形成离散的初始脊线段集;
(3)根据噪声脊线段较短、出现在静脉纹理尺度响应中的低值区及脊线段中像素点所对应的最大静脉纹理形态响应较小的特点,结合获取的静脉纹理尺度响应及静脉纹理形态响应灰度图对初始脊线段集进行预处理;
(4)从所得到的脊线段集中提取出端点,并根据获取的静脉纹理方向响应获得端点延伸方向,对其进行延伸处理,以连接离散脊线段;
(5)根据静脉纹理中不应该存在孤立脊线段和悬浮脊线段的固有特性从端点连接后的脊线段集中滤去孤立脊线段和悬浮脊线段,经此脊线后期处理后,即可得到最终静脉纹理骨架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110273341 CN102346845B (zh) | 2011-09-15 | 2011-09-15 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110273341 CN102346845B (zh) | 2011-09-15 | 2011-09-15 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102346845A true CN102346845A (zh) | 2012-02-08 |
CN102346845B CN102346845B (zh) | 2013-03-06 |
Family
ID=45545508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110273341 Expired - Fee Related CN102346845B (zh) | 2011-09-15 | 2011-09-15 | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102346845B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 |
WO2018068195A1 (zh) * | 2016-10-11 | 2018-04-19 | 深圳先进技术研究院 | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 |
WO2019109343A1 (zh) * | 2017-12-08 | 2019-06-13 | 深圳先进技术研究院 | 目标轮廓提取方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN101667137A (zh) * | 2009-10-12 | 2010-03-10 | 哈尔滨工程大学 | 使用方向滤波技术的手指静脉纹路提取方法 |
CN101789076A (zh) * | 2010-01-27 | 2010-07-28 | 哈尔滨工程大学 | 一种提取相位及方向特征的手指静脉识别方法 |
-
2011
- 2011-09-15 CN CN 201110273341 patent/CN102346845B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN101667137A (zh) * | 2009-10-12 | 2010-03-10 | 哈尔滨工程大学 | 使用方向滤波技术的手指静脉纹路提取方法 |
CN101789076A (zh) * | 2010-01-27 | 2010-07-28 | 哈尔滨工程大学 | 一种提取相位及方向特征的手指静脉识别方法 |
Non-Patent Citations (1)
Title |
---|
WANG KEJUN等: "Gray-scale skeletonization of near-infrared vein patterns using the improved watershed algorithm in vein pattern biometrics", 《INDUSTRIAL ELECTRONICS AND APPLICATIONS, 2009. ICIEA 2009. 4TH IEEE CONFERENCE ON》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 |
WO2018068195A1 (zh) * | 2016-10-11 | 2018-04-19 | 深圳先进技术研究院 | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 |
WO2019109343A1 (zh) * | 2017-12-08 | 2019-06-13 | 深圳先进技术研究院 | 目标轮廓提取方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102346845B (zh) | 2013-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN101464946B (zh) | 基于头部识别和跟踪特征的检测方法 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
CN102622587B (zh) | 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 | |
CN101877074A (zh) | 基于多元特征的结核杆菌目标识别计数算法 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN103366156A (zh) | 道路结构检测和跟踪 | |
CN103164694A (zh) | 一种人体动作识别的方法 | |
CN103606220B (zh) | 一种基于白光图像及红外图像的支票印刷体数字识别方法 | |
CN104408449A (zh) | 智能移动终端场景文字处理方法 | |
CN101807352A (zh) | 一种模糊模式识别的车位检测方法 | |
CN105160668A (zh) | 图像分割方法、系统与细胞图像分割方法、系统 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN104680154B (zh) | 一种基于人脸特征和掌纹特征融合的身份识别方法 | |
CN101667137A (zh) | 使用方向滤波技术的手指静脉纹路提取方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN108021891A (zh) | 基于深度学习与传统算法结合的车辆环境识别方法和系统 | |
CN101634705A (zh) | 基于方向信息测度的sar图像目标变化检测方法 | |
CN107729853A (zh) | 一种适用于变电站窄刻度指针式仪表的自动识别方法 | |
CN109584300A (zh) | 一种确定车头朝向角度的方法及装置 | |
CN102346845B (zh) | 基于多尺度二阶微分结构模型滤波形态响应直接提取手背静脉模式骨架的方法 | |
CN102609917A (zh) | 一种基于聚类算法的图像边缘拟合b样条生成方法 | |
CN107274668A (zh) | 一种基于车辆检测的道路拥堵建模方法 |
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: 20130306 Termination date: 20190915 |
|
CF01 | Termination of patent right due to non-payment of annual fee |