CN102542242A - 非接触式采集图像的生物特征区域定位方法和装置 - Google Patents
非接触式采集图像的生物特征区域定位方法和装置 Download PDFInfo
- Publication number
- CN102542242A CN102542242A CN2010106070298A CN201010607029A CN102542242A CN 102542242 A CN102542242 A CN 102542242A CN 2010106070298 A CN2010106070298 A CN 2010106070298A CN 201010607029 A CN201010607029 A CN 201010607029A CN 102542242 A CN102542242 A CN 102542242A
- Authority
- CN
- China
- Prior art keywords
- biological characteristic
- image
- infrared image
- zone
- key point
- 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
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种非接触式采集图像的生物特征区域定位方法和装置,所述非接触式采集图像包括近红外图像,所述方法包括:对该近红外图像进行二值化处理,获得去除图像背景后的二值化图像;对二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;根据所述边缘点信息,获得生物特征区域的关键点,并依此确定近红外图像的生物特征区域。本发明非接触式采集的近红外图像的主体是较为明亮的生物特征图像,而背景因近红外反射光较弱而在图像中显示为黑暗区域,采用简单的阈值分割算法,即可实现图像的快速分割和二值化,可解决现有技术为排除外界光源干扰,只能在封闭环境下采用接触式生物特征采集方式,导致系统设备体积较大的问题。
Description
技术领域
本发明涉及图像采集和处理技术领域,特别是涉及一种非接触式采集图像的生物特征区域定位方法和装置。
背景技术
基于人体生物特征的身份识别技术简称生物识别技术,是近年来兴起的一门结合生物信息技术与计算机技术的交叉学科。所谓生物识别技术是指利用人体自身所固有的物理特征,例如:指纹、掌纹、虹膜、人脸等,和行为特征,例如:声音、手写签名、步态等,作为人的个性化表征来识别人身份的一种技术。由于人体生物特征与传统的钥匙、密码和ID卡等身份表征相比,具有不易遗忘、丢失和伪造等优点,因此,生物识别技术以及其衍生的产品得到了迅速的发展,并拥有广阔的市场前景。
在众多人体生物特征中,各种人体特征有着各自的优缺点:人脸识别是与人日常行为最为相似的一种身份识别方式,但是受环境、光照以及表情等的影响,识别精度较低;指纹识别是最早开始研究的生物识别技术之一,也是比较成熟的技术之一,但是识别精度较低而且易被伪造,一直阻碍着指纹识别的进一步发展;虹膜识别技术精度较高,但是用户使用起来不够舒适,而且设备也比较昂贵;签名和步态等行为特征因特征自身的稳定性问题,应用领域也有很大的局限性;手掌特征识别是利用手掌上面的复杂纹线、手掌形状及皮下静脉等特征进行识别的一种新兴的生物特征识别技术,基于手掌的识别技术也逐渐成为人们研究和应用的热点,在用户使用舒适性上,手掌特征仅次于人脸,手臂的灵活性使各种手掌特征的采集更加方便,用户接受度更高。在识别精度上,手掌的特征较人脸和指纹更加丰富,因此能达到更高的识别精度。
人脸识别和掌纹掌脉识别通常采用的是图像分析的方式,光线的强弱和用户的姿势都会对系统的识别性能产生影响,因此,在现有生物特征识别方案,特别是掌纹识别方案中,为避免因为背景的复杂性对掌纹有效区域的准确定位和图像切割带来的困难和干扰,通常要采用限位装置(如采用在设备上加装限位点的方法来限制手掌的摆放位置等)和遮光装置,以提高手掌的定位精度。因此现有的掌纹识别系统的体积都比较大,而且手掌必须接触到采集器才能完成采集和识别过程,生物特征识别的用户体验和可接受程度较低,特别在公共场合下无法解决卫生问题。
发明内容
本发明所要解决的技术问题是提供一种非接触式采集图像的生物特征区域定位方法,可解决现有生物特征采集识别装置的体积比较大,而且必须接触到采集器才能完成采集和识别的问题。
本发明还提供了一种非接触式采集图像的生物特征区域定位装置,以保证上述方法在实际中的应用。
为了解决上述问题,本发明公开了一种非接触式采集图像的生物特征区域定位方法,所述非接触式采集图像包括近红外图像,所述生物特征区域定位方法包括:对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;对所述二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;根据所述边缘点信息,获得生物特征区域的关键点;根据所述关键点确定所述近红外图像的生物特征区域。
优选的,所述非接触式采集图像还包括与所述近红外图像同时采集的可见光图像,所述生物特征区域定位方法还包括:根据所述近红外图像的生物特征区域,以及预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域。
优选的,所述对二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息的方法具体为:以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;对所述填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
优选的,所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;所述根据所述边缘点信息,获得生物特征区域的关键点的方法具体为:对所述边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
优选的,所述近红外图像为掌脉图像,所述生物特征为掌脉特征。
优选的,所述近红外图像为掌脉图像,所述可见光图像为掌纹图像,所述生物特征为掌纹特征和掌脉特征。
依据本发明的另一优选实施例,还公开了一种非接触式采集图像的生物特征区域定位装置,所述非接触式采集图像包括近红外图像,所述生物特征区域定位装置包括:二值化处理单元,用于对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;去噪处理单元,用于对所述二值化处理单元获得的二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;关键点确定单元,用于根据所述去噪处理单元获得的边缘点信息,获得生物特征区域的关键点;近红外图像生物特征区域确定单元,用于根据所述关键点确定单元获得的关键点,确定所述近红外图像的生物特征区域。
优选的,所述非接触式采集图像还包括与所述近红外图像同时采集的可见光图像,所述生物特征区域定位装置还包括:可见光图像生物特征区域确定单元,用于根据所述近红外图像生物特征区域确定单元获得的近红外图像生物特征区域,以及,预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域。
优选的,所述去噪处理单元具体包括:图像填充子单元,用于以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;边缘像素去除子单元,用于对所述图像填充子单元获得的填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
优选的,所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;所述关键点确定单元具体包括:极坐标确定子单元,用于对所述去噪处理单元获得的边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;顶点确定子单元,利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
与现有技术相比,本发明具有以下优点:
本发明优选实施例采用非接触式采集的近红外图像作为生物特征区域分割对象,其主体是较为明亮的生物特征图像(如掌脉图像),而背景则因近红外反射光较弱而在图像中显示为黑暗区域,因此,采用相对较为简单的阈值分割算法,即可实现图像的快速分割和二值化;特别是在本发明进一步的优选实施例中,根据同时采集的近红外图像和可见光图像的线性关系,确认可见光图像中的生物特征区域,可以在保证生物特征区域定位分割的速度和精度的基础上,解决现有技术为排除外界光源带来的干扰,只能在封闭环境下采用接触式生物特征采集方式,从而带来系统设备体积较大,而且必须接触到采集器才能完成采集和识别过程的问题。
相对于现有接触式生物特征识别方法,本发明优选实施例提供的非接触式生物特征识别方法可以为用户带来更好的用户体验和卫生保证,从而大大地提高生物特征识别技术的用户接受度;其次,可解决个别用户因心理因素而排斥手指或手掌等与设备大面积接触,仅使用指尖进行注册与识别,从而人为地导致系统整体安全性降低的问题;另外,非接触式生物特征识别方法还可避免用户在使用过程中留下印痕,可以有效地防止用户泄露个人生物特征信息,避免职业罪犯通过复制个人生物特征进行犯罪活动,从而进一步提高了系统的安全性能。
附图说明
图1是本发明非接触式采集图像的生物特征区域定位方法一实施例流程图;
图2是本发明非接触式采集图像的生物特征区域定位装置一实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在下述优选实施例中,为叙述方便,近红外图像以掌脉图像、可见光图像以掌纹图像为例进行说明,相应的,生物特征以掌脉特征和掌纹特征为例进行说明,但不应看作是对本发明的限制。
参照图1,示出了本发明非接触式采集图像的生物特征区域定位方法一实施例的流程,在本优选实施例中,非接触式采集图像包括同时采集的近红外图像和可见光图像,该生物特征区域定位方法具体包括以下步骤:
步骤S101:对近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
上述近红外图像的二值化处理过程中,将图像上的像素点的灰度值设置为0或255,使整个图像呈现出明显的黑白效果,具体方式可以为:将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像,所有灰度大于或等于阀值的像素点被判定为属于特定物体,其灰度值为255;所有灰度小于阀值的像素点被排除在物体区域以外,灰度值为0,表示背景或者例外的物体区域。其优点在于:图像的二值化有利于图像的进一步处理,使图像变得简单,而且数据量减小,能凸显出感兴趣的目标的轮廓。
采用近红外图像作为生物特征区域分割对象,利用近红外图像主体是较为明亮的掌脉图像,而背景则因近红外反射光较弱而在图像中显示为黑暗区域,因此,采用相对较为简单的阈值分割算法,即可实现图像的快速分割和二值化,可避免外界光源带来的干扰,为非接触式采集图像提供了可能。
步骤S102:对上述二值化图像进行去噪处理,获得生物特征区域的边缘点信息;
首先,以上述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;
然后,对该填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
步骤S103:根据上述边缘点信息,获得生物特征区域的关键点;
在本优选实施例中,生物特征区域为4个关键点形成的矩形,获得该关键点的方法具体为:
对步骤S102确定的边缘点进行中心投影,确定极坐标原点以及上述边缘点的极坐标;
然后,利用上述边缘点的极坐标包括的角度参数和长度参数,确定该矩形生物特征区域的4个顶点。
步骤S104:根据上述关键点,确定该近红外图像的生物特征区域。
步骤S105:根据近红外图像的生物特征区域,以及预设的近红外图像和可见光图像之间的线性映射关系,确定可见光图像的生物特征区域。
在实际实施过程中,同时采集的可见光图像和近红外图像的非接触式图像采集装置可以用双目成像镜头采集,也可以用单目成像镜头采集;当使用双目成像镜头采集时,近红外图像由近红外图像成像镜头采集,然后由近红外传感器接收;可见光图像由可见光图像成像镜头采集,然后由可见光传感器接收;此时,因近红外图像成像镜头和可见光图像成像镜头之间存在物理位置差而使得可见光图像和近红外图像的生物特征区域之间呈线性映射关系。当使用单目成像镜头采集时,近红外图像和可见光图像经分离后(如可以采用分光棱镜进行分离)分别由红外传感器和可见光传感器接收,此时,近红外图像和可见光图像的生物特征区域完全相同。无论采用哪种方式,都可以使采集到的掌纹和掌脉特征保持较好的无关性,从而使得活体验证能力更强和识别精度更高;其次,本优选实施例采用非接触式采集方式,安全卫生,使用方便,快速准确;而且,采用该非接触式的方式获取人体特征,对人体健康没有任何不良影响,适用于门禁、考勤、通关、PC机登录、网络身份认证等多种场所。
对于前述的各方法实施例,为了描述简单,故将其都表述为一系列的动作组合,但是本领域的技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为根据本发明,某些步骤可以采用其他顺序或同时执行。其次,本领域技术人员也应该知悉,上述方法实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的,例如,当系统仅需要对近红外图像中的生物特征进行识别时,上述步骤S105可以省略,非接触式采集图像可以仅包括近红外图像,而不必对可见光图像进行采集。
参照图2,示出了本发明非接触式采集图像的生物特征区域定位装置一实施例的结构框图,具体包括以下单元:
二值化处理单元10:用于对近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
去噪处理单元20:用于对二值化处理单元10获得的二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;去噪处理单元20具体包括图像填充子单元20-1和边缘像素去除子单元20-2,其中,图像填充子单元20-1用于以二值化处理单元10获得的二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;边缘像素去除子单元20-2用于对图像填充子单元20-1获得的填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
关键点确定单元30:用于根据去噪处理单元20获得的边缘点信息,获得生物特征区域的关键点;在本优选实施例中,生物特征区域为矩形,关键点为该矩形的4个顶点,关键点确定单元30具体包括极坐标确定子单元30-1和顶点确定子单元30-2,其中,极坐标确定子单元30-1用于对去噪处理单元20获得的边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;顶点确定子单元30-2利用极坐标确定子单元30-1所确定的边缘点的极坐标所包括的角度参数和长度参数,确定该矩形生物特征区域的4个顶点。
近红外图像生物特征区域确定单元40:用于根据关键点确定单元30获得的关键点,确定所述近红外图像的生物特征区域。
可见光图像生物特征区域确定单元50:用于根据近红外图像生物特征区域确定单元40获得的近红外图像生物特征区域,以及,预设的近红外图像和可见光图像之间的线性映射关系,确定可见光图像的生物特征区域。
需要说明的是,上述装置实施例属于优选实施例,所涉及单元和子单元并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于本发明的装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一种非接触式采集图像的生物特征区域定位方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种非接触式采集图像的生物特征区域定位方法,其特征在于,所述非接触式采集图像包括近红外图像,所述生物特征区域定位方法包括:
对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
对所述二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;
根据所述边缘点信息,获得生物特征区域的关键点;
根据所述关键点确定所述近红外图像的生物特征区域。
2.如权利要求1所述的生物特征区域定位方法,其特征在于,所述非接触式采集图像还包括与所述近红外图像同时采集的可见光图像,所述生物特征区域定位方法还包括:根据所述近红外图像的生物特征区域,以及预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域。
3.如权利要求1所述的生物特征区域定位方法,其特征在于,所述对二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息的方法具体为:
以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;
对所述填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
4.如权利要求1所述的生物特征区域定位方法,其特征在于:
所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;
所述根据所述边缘点信息,获得生物特征区域的关键点的方法具体为:
对所述边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;
利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
5.如权利要求1所述的生物特征区域定位方法,其特征在于,所述近红外图像为掌脉图像,所述生物特征为掌脉特征。
6.如权利要求2所述的生物特征区域定位方法,其特征在于,所述近红外图像为掌脉图像,所述可见光图像为掌纹图像,所述生物特征为掌纹特征和掌脉特征。
7.一种非接触式采集图像的生物特征区域定位装置,其特征在于,所述非接触式采集图像包括近红外图像,所述生物特征区域定位装置包括:
二值化处理单元:用于对所述近红外图像进行二值化处理,获得分割去除图像背景后的二值化图像;
去噪处理单元:用于对所述二值化处理单元获得的二值化图像进行去噪处理,获得所述生物特征区域的边缘点信息;
关键点确定单元:用于根据所述去噪处理单元获得的边缘点信息,获得生物特征区域的关键点;
近红外图像生物特征区域确定单元:用于根据所述关键点确定单元获得的关键点,确定所述近红外图像的生物特征区域。
8.如权利要求7所述的生物特征区域定位装置,其特征在于,所述非接触式采集图像还包括与所述近红外图像同时采集的可见光图像,所述生物特征区域定位装置还包括:可见光图像生物特征区域确定单元,用于根据所述近红外图像生物特征区域确定单元获得的近红外图像生物特征区域,以及,预设的近红外图像和可见光图像的线性映射关系,确定所述可见光图像的生物特征区域。
9.如权利要求7所述的生物特征区域定位装置,其特征在于,所述去噪处理单元具体包括:
图像填充子单元:用于以所述二值化图像的中心为种子点,对该二值化图像进行填充,获得仅有中间像素得到填充的填充图像;
边缘像素去除子单元:用于对所述图像填充子单元获得的填充图像进行开运算,去除没有填充的边缘像素,获得所述生物特征区域的边缘点信息。
10.如权利要求7所述的生物特征区域定位装置,其特征在于,所述生物特征区域为矩形,所述关键点为该矩形的4个顶点;所述关键点确定单元具体包括:
极坐标确定子单元:用于对所述去噪处理单元获得的边缘点进行中心投影,确定极坐标原点以及所述边缘点的极坐标;
顶点确定子单元:利用所述边缘点的极坐标包括的角度参数和长度参数,确定所述矩形生物特征区域的4个顶点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607029.8A CN102542242B (zh) | 2010-12-27 | 2010-12-27 | 非接触式采集图像的生物特征区域定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010607029.8A CN102542242B (zh) | 2010-12-27 | 2010-12-27 | 非接触式采集图像的生物特征区域定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542242A true CN102542242A (zh) | 2012-07-04 |
CN102542242B CN102542242B (zh) | 2017-08-08 |
Family
ID=46349104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010607029.8A Active CN102542242B (zh) | 2010-12-27 | 2010-12-27 | 非接触式采集图像的生物特征区域定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542242B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123531A (zh) * | 2013-04-28 | 2014-10-29 | 汉王科技股份有限公司 | 一种掌纹兴趣区域定位的方法和装置 |
CN104136901A (zh) * | 2012-02-27 | 2014-11-05 | 宝洁公司 | 用于检测包含组合物的小袋中渗漏的设备和方法 |
CN104537338A (zh) * | 2014-12-17 | 2015-04-22 | 广东智冠信息技术股份有限公司 | 一种手掌静脉识别的手掌位置四点定位方法 |
CN105787917A (zh) * | 2014-08-25 | 2016-07-20 | 现代自动车株式会社 | 用于在夜间驾驶时由车辆检测行人的方法和装置 |
CN105844240A (zh) * | 2016-03-23 | 2016-08-10 | 深圳云天励飞技术有限公司 | 一种红外测温系统中的人脸检测方法及装置 |
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN109068283A (zh) * | 2018-08-07 | 2018-12-21 | 河南云拓智能科技有限公司 | 一种基于家用网关的多参数控制方法 |
CN109520510A (zh) * | 2018-12-26 | 2019-03-26 | 安徽智恒信科技有限公司 | 一种基于虚拟现实技术的室内导航方法及系统 |
CN111784893A (zh) * | 2019-04-03 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 信息的识别方法、系统、设备及存储介质 |
CN113052154A (zh) * | 2019-12-26 | 2021-06-29 | 京东方科技集团股份有限公司 | 皮肤纹理数据的采集装置及其采集方法和显示装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101315667A (zh) * | 2008-07-04 | 2008-12-03 | 南京航空航天大学 | 室外早期火灾多种特征综合识别方法 |
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN201302723Y (zh) * | 2008-10-29 | 2009-09-02 | 北京市新技术应用研究所 | 在线多光谱手掌图像采集仪 |
CN101763500A (zh) * | 2008-12-24 | 2010-06-30 | 中国科学院半导体研究所 | 应用于高自由度手掌图像中掌形提取和特征定位的方法 |
-
2010
- 2010-12-27 CN CN201010607029.8A patent/CN102542242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101315667A (zh) * | 2008-07-04 | 2008-12-03 | 南京航空航天大学 | 室外早期火灾多种特征综合识别方法 |
CN201302723Y (zh) * | 2008-10-29 | 2009-09-02 | 北京市新技术应用研究所 | 在线多光谱手掌图像采集仪 |
CN101425134A (zh) * | 2008-11-13 | 2009-05-06 | 复旦大学 | 在线手背静脉识别方法 |
CN101763500A (zh) * | 2008-12-24 | 2010-06-30 | 中国科学院半导体研究所 | 应用于高自由度手掌图像中掌形提取和特征定位的方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104136901A (zh) * | 2012-02-27 | 2014-11-05 | 宝洁公司 | 用于检测包含组合物的小袋中渗漏的设备和方法 |
CN104123531A (zh) * | 2013-04-28 | 2014-10-29 | 汉王科技股份有限公司 | 一种掌纹兴趣区域定位的方法和装置 |
CN104123531B (zh) * | 2013-04-28 | 2018-05-22 | 汉王科技股份有限公司 | 一种掌纹兴趣区域定位的方法和装置 |
CN105787917A (zh) * | 2014-08-25 | 2016-07-20 | 现代自动车株式会社 | 用于在夜间驾驶时由车辆检测行人的方法和装置 |
CN105787917B (zh) * | 2014-08-25 | 2021-08-06 | 现代自动车株式会社 | 用于在夜间驾驶时由车辆检测行人的方法和装置 |
CN104537338A (zh) * | 2014-12-17 | 2015-04-22 | 广东智冠信息技术股份有限公司 | 一种手掌静脉识别的手掌位置四点定位方法 |
CN104537338B (zh) * | 2014-12-17 | 2019-04-05 | 掌智通(广东)智能科技有限公司 | 一种手掌静脉识别的手掌位置四点定位方法 |
CN105844240A (zh) * | 2016-03-23 | 2016-08-10 | 深圳云天励飞技术有限公司 | 一种红外测温系统中的人脸检测方法及装置 |
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN106056080B (zh) * | 2016-05-30 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN109068283A (zh) * | 2018-08-07 | 2018-12-21 | 河南云拓智能科技有限公司 | 一种基于家用网关的多参数控制方法 |
CN109520510A (zh) * | 2018-12-26 | 2019-03-26 | 安徽智恒信科技有限公司 | 一种基于虚拟现实技术的室内导航方法及系统 |
CN111784893A (zh) * | 2019-04-03 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 信息的识别方法、系统、设备及存储介质 |
CN113052154A (zh) * | 2019-12-26 | 2021-06-29 | 京东方科技集团股份有限公司 | 皮肤纹理数据的采集装置及其采集方法和显示装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102542242B (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542242A (zh) | 非接触式采集图像的生物特征区域定位方法和装置 | |
CN102542281B (zh) | 非接触式生物特征识别方法和系统 | |
Rankin et al. | Iris recognition failure over time: The effects of texture | |
Cherabit et al. | Circular hough transform for iris localization | |
CN102419819B (zh) | 人脸图像识别方法和系统 | |
Ibrahim et al. | Iris localization using local histogram and other image statistics | |
Crisan et al. | Radiation optimization and image processing algorithms in the identification of hand vein patterns | |
Lee et al. | Dorsal hand vein recognition based on 2D Gabor filters | |
WO2013087026A1 (zh) | 一种虹膜定位方法和定位装置 | |
CN101464945A (zh) | 基于指背关节纹理的身份特征识别方法 | |
Johar et al. | Iris segmentation and normalization using Daugman’s rubber sheet model | |
CN105844727A (zh) | 一种智能动态人脸识别考勤记录管理系统 | |
Radman et al. | Iris segmentation: A review and research issues | |
Ren et al. | An improved method for Daugman's iris localization algorithm | |
Kaur et al. | Enhanced Iris Recognition System–an Integrated Approach to Person Identification | |
Soltany et al. | Daugman’s Algorithm Enhancement for Iris Localization | |
Karthic et al. | Feautre Extraction For Human Identifiction using Finger And Palm Images | |
Liu et al. | Eyelid localization in iris images captured in less constrained environment | |
Narmatha et al. | A new approach for iris image identification using modified contour segmentation | |
Jarjes et al. | A new Iris segmentation method based on improved snake model and angular integral projection | |
Chen | A Highly Efficient Biometrics Approach for Unconstrained Iris Segmentation and Recognition | |
Amali et al. | Evolution of Deep Learning for Biometric Identification and Recognition | |
Chavez et al. | Process of recognition of human iris: Fast segmentation of iris | |
Chawla et al. | A robust segmentation method for iris recognition | |
Mei | Iris recognition technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |