CN103886291B - 基于动态模板的掌纹图像褶皱检测方法 - Google Patents
基于动态模板的掌纹图像褶皱检测方法 Download PDFInfo
- Publication number
- CN103886291B CN103886291B CN201410102402.2A CN201410102402A CN103886291B CN 103886291 B CN103886291 B CN 103886291B CN 201410102402 A CN201410102402 A CN 201410102402A CN 103886291 B CN103886291 B CN 103886291B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- template
- convolution
- pass filtering
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于动态模板的掌纹褶皱检测方法,主要解决现有技术对掌纹褶皱检测不准确的问题。其实现步骤为:1.将掌纹图像分成大小一致的图像块,对每个图像块进行均衡化处理;2.求图像块中能量值最大的前十个方向并判定方向一致性,对方向一致性较好的图像块采用动态模板卷积的方法得到模板卷积初始结果图像,对于方向一致性较差的图像块利用方向滤波的方法得到方向滤波初试结果图像;3.将模板卷积初始结果图像和方向滤波初始结果图像分别经过高斯滤波、阈值处理后相加,得到褶皱检测的最终结果图像。本发明能对掌纹褶皱进行快速有效的检测,可用于生物特征认证。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种在自动掌纹识别系统中基于动态模板的掌纹图像褶皱检测方法,可用于生物特征认证。
背景技术
随着社会的发展,身份信息向数字化方向发展,快速准确的进行身份认证越来越重要。但是,传统的身份认证识别认证方法通常是通过某些可以表明身份的标识物品来进行认证的。这种方法的致命缺点是:标示物品比较容易伪造,而且比较容易遗忘和丢失。但是,生物特征认证与这些传统方法不同,它利用的是人体的固有特征,不会被遗忘或者丢失。在众多生物特征中,掌纹不仅具有很多和指纹一样的细节点特征,并且可提取的特征面积也很大,其中还有很多其他的可区分性的信息,比如褶皱和主线等等。
现有的大部分掌纹识别系统主要利用的是细节点特征,但是褶皱的存在会极大影响细节点特征的准确提取,产生很多伪细节点,最终影响掌纹的识别率。与此同时,掌纹的褶皱特征也可以作为一种特征来辅助掌纹识别,所以,提取掌纹中的褶皱区域非常重要。
目前,存在的褶皱检测方法并不多,其常用的一个是文献“Crease Detectionfrom Fingerprint Images and Its Applications in Elderly People,”PatternRecognition,vol.42,no.5,pp.896-906,2009。它提出了基于二阶高斯滤波进行褶皱提取的方法,流程如下:(1)选择12个通道或方向的滤波器,分别对掌纹图像进行滤波,得到一系列结果图像;(2)对每个通道结果选择一个阈值,进行二值化;(3)然后采用主成分分析法估算矩形表示的褶皱区域;(4)最后将最后提取的褶皱区域进行叠加,得到最后的褶皱检测结果。
上述算法虽说可以优先检测出指纹或掌纹中的褶皱区域,但是效果不明显,而且存在以下缺陷:
1.检测精度低
在掌纹图像中,距离较远的两个局部区域的灰度值可能相差很大,而上述算法利用全局的方向滤波器来进行滤波,并未考虑到灰度值变化很大的特点,这样就不容易检测出那些整体灰度较小区域中的褶皱;
褶皱区域是那些质量较差的区域,它将谷线和脊线割断开来,褶皱的宽度变化范围很大,有可能比脊线和谷线要宽,有可能比脊线和谷线要窄。而现有算法假设褶皱区域宽度比脊线宽度更宽,利用二阶高斯滤波器来进行滤波,因此无法检测出很多宽度和脊线宽度类似或者比脊线宽度还小的褶皱区域;
2.计算量大
上述算法进行方向滤波时,由于要对12个方向进行方向滤波,因而计算量是非常大的。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于动态模板的褶皱检测方法,以提高掌纹褶皱检测的准确性,降低计算量。
本发明的主要思想是:根据褶皱和谷线交叉区域的特殊模式,给出类似于这种特殊模式的动态交叉模板结构,利用这种模板对图像进行卷积操作,使褶皱区域产生较大的响应。其实现步骤包括如下:
为了实现上述目的,本发明的具体实现步骤包括如下:
(1)将掌纹图像I(m,n)分成M个128×128大小的图像块Ib(x,y),并对每个图像块进行均衡化,得到M个均衡后的图像块IB(x,y),其中(m,n)为图像坐标,(x,y)为图像块坐标;
(2)对均衡后的每个图像块IB(x,y)进行傅里叶变换,求取图像块IB(x,y)中能量最大的十个方向角度值θi和图像块IB(x,y)的主方向值θori,其中,i=1,2,...,1;0
(3)对每个图像块IB(x,y)中能量最大的十个方向角度值θi,求方向一致性数值C,计算图像块IB(x,y)中的十个方向角度值θi和主方向值θori的角度差Δθi,当Δθi大于π/6时,将θi记为图像块IB(x,y)的潜在褶皱方向值γj,j=1,2,...,Nc,Nc为图像块IB(x,y)的潜在褶皱方向值的总数,将所有图像块IB(x,y)根据方向一致性数值分为两类:如果图像块IB(x,y)的方向一致性数值C≤7,则称图像块IB(x,y)为待方向滤波图像块IB1(x,y),继续执行步骤(4),否则,称图像块IB(x,y)为待模板卷积图像块IB2(x,y),跳至步骤(5)执行;
(4)对每个待方向滤波图像块IB1(x,y)进行方向滤波,得到对应的方向滤波图像块Iob(x,y),并将其组合成方向滤波初始结果图像Ior(m,n),转到步骤(7);
(5)对每个待模板卷积图像块IB2(x,y)构造交叉点模板Mn(p,q),并与其对应的待模板卷积图像块IB2(x,y)卷积:
5a)令每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)内所有值为0,其中,(p,q)模板的坐标值,n=1,2,3,4,5;
5b)利用公式αn=θori+(π·n)/6,n=1,2,3,4,5,·表示实数实数相乘,算出每个待模板卷积图像块IB2(x,y)的5个次方向αn;
5c)定义L(Cx,Cy,w,l,θ)表示每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中的一个带状区域,其中l,w,θ和(Cx,Cy)分别表示带状区域的长度、宽度、角度和带状区域中心点的坐标值,n=1,2,3,4,5,在每个交叉点模板Mn(p,q)中构造两个带状区域L(p0,q0,w,l,θori)和L(p0,q0,w,l,αn),其中,(p0,q0)为模板Mn(p,q)中心点的坐标值,将交叉点模板Mn(p,q)划分成三个区域,令Ac表示交叉点模板Mn(p,q)中两个带状区域的重叠区域,Ao表示交叉点模板Mn(p,q)中未被两个带状区域占用的区域,Al表示交叉点模板Mn(p,q)中除了Ac和Ao以外的带状区域所占区域;
5e)对每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中按下述公式赋值:
其中,s表示每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中两个带状区域总共占据区域的像素点个数,表示交叉点模板Mn(p,q)中的元素(p,q)属于区域Ac,n=1,2,3,4,5;
5f)用每个待模板卷积图像块IB2(x,y)的5个交叉点模板Mn(p,q),分别与其对应的待模板卷积图像块IB2(x,y)依次卷积、求和、取平均,得到每个待模板卷积图像块IB2(x,y)对应的的交叉点图像块Ic(x,y):
其中*表示卷积;
(6)构造每个待模板卷积图像块IB2(x,y)的增强模板E(p,q),并用增强模板E(p,q)与对应的交叉点图像块Ic(x,y)卷积:
6a)令每个待模板卷积图像块的增强模板E(p,q)中所有值为零,在每个增强模板E(p,q)中构造两个带状区域L(p1,q1,w,l,θori)和L(p1,q1,w,l,θori+π/2),将增强模板E(p,q)划分成三个区域,其中,(p1,q1)为增强模板E(p,q)中心点的坐标值,令Bc表示增强模板E(p,q)中两个带状区域的重叠区域,Bo表示增强模板E(p,q)中未被带状区域占用的区域,Bl表示增强模板E(p,q)中除了Bc和Bo以外的带状区域所占区域;
6b)给每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)按下述公式赋值:
其中,su是两个带状区域的重叠区域Bc所占像素点的个数,co是带状区域L(p1,q1,w,l,θori)所占像素点的个数,表示增强模板E(p,q)中的元素(p,q)属于区域Bc;
6c)利用每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)与对应的交叉点图像块Ic(x,y)卷积,得到卷积结果图像块Ieb(x,y):
Ieb(x,y)=Ic(x,y)*E(p,q);
6d)令模板卷积初始结果图像Icr(m,n)中的所有值都为0,每个卷积结果图像块Ieb(x,y)在模板卷积初始结果图像中对应的位置坐标值为(c,d),令Icr(x+128·c,y+128·d)=Ieb(x,y),·表示实数相乘,得到模板卷积初始结果图像Icr(m,n);
(7)根据步骤(4)和步骤(6)的执行情况,进行如下处理:
7a)如果步骤(4)得到执行,对方向滤波初始结果图像Ior(m,n)进行高斯滤波和阈值处理,得到方向滤波最终结果图像Iori(m,n),如果步骤(4)未得到执行,令方向滤波最终结果图像Iori(m,n)=0;
7b)如果步骤(6)得到执行,对模板卷积初始结果图像Icr(m,n)进行高斯滤波和阈值处理,得到模板卷积最终结果图像Ico(m,n),如果步骤(6)未得到执行,令模板卷积最终结果图像Ico(m,n)=0;
7c)将方向滤波最终结果图像Iori(m,n)与模板卷积最终结果图像Ico(m,n)相加,得到最终的褶皱结果图像If。
本发明与现有技术相比具有如下优点:
第一,由于掌纹图像中不同局部区域的灰度分布不同,必须进行均衡化处理,如果采用现有的全局均衡化方法处理,无法达到较好的效果。本发明采用局部图像块均衡化方法,取得了良好的效果。
第二,现有的方法假设褶皱区域的宽度必须大于谷线宽度,因而无法检测那些宽度比谷线宽度小的褶皱区域。本发明提出了褶皱交叉点的概念,利用交叉点来提取褶皱,为褶皱检测提供了新思路,有效的改善了褶皱区域的提取效果。
第三,本发明中方向滤波部分只在若干个潜在褶皱方向上来进行方向滤波,而不需要在所有的12个方向都进行方向滤波,这样大大减小了计算量,加快了褶皱提取的速度。
附图说明
图1为本发明的实现流程图;
图2为用本发明方法使用的掌纹图像;
图3为用现有方法对掌纹进行褶皱检测的结果图;
图4为用本发明方法对掌纹进行褶皱检测的结果图。
具体实施方式
以下结合图1,对本发明提供的这种基于动态模板的掌纹褶皱提取方法进行详细描述。
步骤1,对掌纹图像分块,并进行块内均衡化。
将掌纹图像I(m,n)分成M个128×128大小的图像块Ib(x,y),其中(m,n)为图像坐标,(x,y)为图像块坐标,并对每个图像块进行均衡化,得到M个均衡后的图像块IB(x,y):
其中,Min(Ib(x,y))为Ib(x,y)的最小值,Max(Ib(x,y))为Ib(x,y)的最大值。
步骤2,对均衡后的每个图像块IB(x,y)进行傅里叶变换,求取每个图像块主方向值θori和每个图像块中能量最大的十个方向角度值θi,其中,i=1,2,...,10。
2a)用步骤(1)得到的均衡后的每个图像块IB(x,y)乘以一个高斯窗函数G1(x,y),得到变换后图像块Ig(x,y):
Ig(x,y)=IB(x,y)·G1(x,y),
其中,·表示实数相乘,方差σ1=16;
2b)对每个变换后图像块Ig(x,y)进行傅里叶变换,得到与其对应的图像块IB(x,y)的傅里叶变换结果F(u,v):
其中,(u,v)表示频域的坐标值,N=128,u,v=0,1,2,...,N-1;
2c)计算F(u,v)中绝对值最大的十个的频率值F(ui,vi),使它们的顺序满足|F(ui,vi)|≥|F(ui+1,vi+1)|条件,得到频率值F(ui,vi)的坐标值(ui,vi),并根据如下公式求出每个图像块IB(x,y)中能量最大的十个方向角度值θi:
其中,i=1,2,...,10;
2d)计算每个图像块IB(x,y)中绝对值最大的频率值F(uori,vori):
F(uori,vori)=Max(F(ui,vi));
2e)根据每个图像块IB(x,y)中绝对值最大的频率值F(uori,vori)的坐标值(uori,vori),计算每个图像块IB(x,y)的主方向值θori:
步骤3,根据每个图像块IB(x,y)的块内方向一致性,求取潜在褶皱方向。
3a)计算每个图像块IB(x,y)中能量最大的十个方向角度值的方向一致性数值C:
3b)计算每个图像块IB(x,y)中能量最大的十个方向角度值θi与图像块主方向值θori的角度差Δθi:
其中,角度差Δθi大于π/6的方向角度值θi记为潜在褶皱方向值γj,即
γj=θiifΔθi>π/6,
其中,j=1,2,...,Nc,Nc为潜在褶皱的方向的个数;
3c)根据每个图像块IB(x,y)的方向一致性数值,将所有图像块分为两类:如果图像块IB(x,y)的方向一致性数值C≤7,则称图像块IB(x,y)为待方向滤波图像块IB1(x,y),继续执行步骤4,否则,称图像块IB(x,y)为待模板卷积图像块IB2(x,y),跳至步骤5执行。
步骤4,对每个待方向滤波图像块IB1(x,y)进行方向滤波,得到滤波结果图像块Ior(m,n)。
4a)根据每个待方向滤波图像块IB1(x,y)的潜在褶皱方向值γj,构造方向滤波器
其中,a和b分别是模板坐标值(p,q)旋转γj角度之后的横纵坐标值,j=0,1,...,Nc,Nc为潜在褶皱方向值的个数,·表示实数相乘,方差σ=2;
4b)分别用步骤4a)中得到的Nc个方向滤波器依次与其相对应的待方向滤波图像块IB1(x,y)进行卷积,然后相加取平均,得到方向滤波结果图像块Iob(x,y):
4c)令方向滤波初始结果图像Ior(m,n)中的所有值都为0,每个方向滤波结果图像块Iob(x,y)在方向滤波初始结果图像中对应的位置坐标值为(c,d),令Ior(x+128·c,y+128·d)=Iob(x,y),其中,x,y=0,1,...,127,·表示实数相乘,得到方向滤波初始结果图像Ior(m,n);
4d)跳转到步骤7。
步骤5,构造每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q),与其对应的待模板卷积图像块IB2(x,y)卷积。
5a)令每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)内所有值为0,其中,(p,q)模板的坐标值,n=1,2,3,4,5;
5b)利用公式αn=θori+(π·n)/6,算出每个待模板卷积图像块IB2(x,y)的5个次方向αn,其中,·表示实数相乘,n=1,2,3,4,5;
5c)定义L(Cx,Cy,w,l,θ)表示每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中的一个带状区域,其中l,w,θ和(Cx,Cy)分别表示带状区域的长度、宽度、角度和带状区域中心点的坐标值,在每个交叉点模板Mn(p,q)中构造两个带状区域L(p0,q0,w,l,θori)和L(p0,q0,w,l,αn),其中,(p0,q0)为交叉点模板Mn(p,q)中心点的坐标值,n=1,2,3,4,5,然后将交叉点模板Mn(p,q)划分成三个区域,令Ac表示交叉点模板Mn(p,q)中两个带状区域的重叠区域,Ao表示交叉点模板Mn(p,q)中未被两个带状区域占用的区域,Al表示交叉点模板Mn(p,q)中除了Ac和Ao以外的带状区域所占区域;
5e)给每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)按下述公式赋值:
其中,s表示待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中两个带状区域总共占据区域的像素点个数,表示交叉点模板Mn(p,q)中的元素(p,q)属于区域Ac,n=1,2,3,4,5;
5f)用每个待模板卷积图像块IB2(x,y)的5个交叉点模板Mn(p,q)分别与其对应的待模板卷积图像块IB2(x,y)依次进行卷积、求和、取平均,得到每个待模板卷积图像块IB2(x,y)的交叉点图像块Ic(x,y):
其中*表示卷积。
步骤6,构造每个待模板卷积图像块IB2(x,y)的增强模板E(p,q),并用增强模板E(p,q)与对应的交叉点图像块Ic(x,y)卷积。
6a)令每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)中所有值为零,在增强模板E(,p)q中构造两个带状区域L(p1,q1,w,l,θori)和L(p1,q1,w,l,θori+π/2),其中,(p1,q1)为每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)中心点的坐标值,然后将增强模板E(p,q)划分成三个区域,令Bc表示增强模板E(p,q)中两个带状区域的重叠区域,Bo表示增强模板E(p,q)中未被带状区域L(p1,q1,w,l,θori)占用的区域,Bl表示增强模板E(p,q)中除了Bc和Bo以外的带状区域L(p1,q1,w,l,θori)所占区域;
6b)对每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)按下述公式赋值:
其中,su是每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)中两个带状区域的重叠区域Bc所占像素点的个数,co是带状区域L(p1,q1,w,l,θori)所占像素点的个数,表示增强模板E(p,q)中的元素(p,q)属于区域Bc;
6c)将每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)与其对应的交叉点图像块Ic(x,y)卷积,得到卷积结果图像块Ieb(x,y):
Ieb(x,y)=Ic(x,y)*E(p,q)。
6d)令模板卷积初始结果图像Icr(m,n)中的所有值都为0,每个卷积结果图像块Ieb(x,y)在模板卷积初始结果图像Icr(m,n)中对应的位置坐标值为(c,d),令Icr(x+128·c,y+128·d)=Ieb(x,y),得到方向滤波初始结果图像Icr(m,n)。
步骤7,根据步骤(4)和步骤(6)的执行情况,进行如下处理:
7a)如果步骤(4)未得到执行,令方向滤波最终结果图像Iori(m,n)中的所有值都为零,如果步骤(4)得到执行,将从步骤(4)得到的方向滤波初始结果图像Ior(m,n)进行高斯滤波与阈值处理,得到方向滤波最终结果图像Iori(m,n):
7a1)对方向滤波初始结果图像Ior(m,n)进行高斯滤波,得到方向滤波后的高斯滤波图像Iog(m,n):
Iog(m,n)=Ior(m,n)*G2(x,y),
其中G2(x,y)为高斯滤波器,方差σ2=3;
7a2)对Iog(m,n)进行阈值处理,得到阈值处理后的方向滤波最终结果图像Iori(m,n):
其中THo为方向滤波后的高斯滤波图像Iog(m,n)的最大值,·表示实数相乘;
7b)如果步骤(6)未得到执行,令模板卷积最终结果图像Ico(m,n)中的所有值都为零,如果步骤(6)得到执行,对从步骤(6)得到的模板卷积初始结果图像Icr(m,n)进行高斯滤波和阈值处理,得到模板卷积最终结果图像Ico(m,n):
7b1)对模板卷积初始结果图像Icr(m,n)进行高斯滤波,得到模板卷积后的高斯滤波图像Icg(m,n):
Icg(m,n)=Icr(m,n)*G2(x,y),
其中G2(x,y)为高斯滤波器,方差σ2=3;
7b2)对Icg(m,n)进行阈值处理,得到阈值处理后的模板卷积最终结果图像Ico(m,n):
其中THc为模板卷积后的高斯滤波图像Icg(m,n)的最大值,·表示实数相乘;
7c)将得到的方向滤波最终结果图像Iori(m,n)和模板卷积最终结果图像Ico(m,n)相加,得到最终结果图像If。
本发明的效果可通过以下实验进一步的说明:
1.验证数据
本实验在清华大学的THU High Resolution Palmprint Database库中进行,这个数据库是国际公认的一个高分辨率掌纹识别数据库。
实验使用的掌纹图片如图2所示,其是THU High Resolution PalmprintDatabase库中的10_l_2.jpg。
2.实验内容和实验结果
实验1,采用现有方法即文献“Crease Detection from Fingerprint Images andItsApplications in Elderly People,”Pattern Recognition,vol.42,no.5,pp.896-906,2009中的方法对图2中的掌纹进行褶皱检测,实验结果如图3所示。
实验2,采用本发明提出的方法对图2中的掌纹进行褶皱检测,实验结果如图4所示。
比较图3与图4可以看出,本发明方法提取的掌纹褶皱区域比现有方法提取的掌纹褶皱区域更加准确。
Claims (9)
1.一种基于动态交叉模板的掌纹图像褶皱检测方法,包括以下步骤:
(1)将掌纹图像I(m,n)分成M个128×128大小的图像块Ib(x,y),并对每个图像块Ib(x,y)进行均衡化,得到M个均衡后的图像块IB(x,y),其中,(m,n)为图像坐标,(x,y)为图像块坐标;
(2)对均衡后的每个图像块IB(x,y)进行傅里叶变换,求取图像块IB(x,y)中能量最大的十个方向角度值θi和图像块IB(x,y)的主方向值θori,其中,i=1,2,...,10;
(3)对每个图像块IB(x,y)中能量最大的十个方向角度值θi,求方向一致性数值C,计算每个图像块IB(x,y)中的十个方向角度值θi和主方向值θori的角度差Δθi,当Δθi大于π/6时,将θi记为图像块IB(x,y)的潜在褶皱方向值γj,j=1,2,...,Nc,Nc为图像块IB(x,y)的潜在褶皱方向值的总数,将所有图像块IB(x,y)根据方向一致性数值分为两类:如果图像块IB(x,y)的方向一致性数值C≤7,则称图像块IB(x,y)为待方向滤波图像块IB1(x,y),继续执行步骤(4),否则,称图像块IB(x,y)为待模板卷积图像块IB2(x,y),跳至步骤(5)执行;
(4)对每个待方向滤波图像块IB1(x,y)进行方向滤波,得到对应的方向滤波图像块Iob(x,y),并将其组合成方向滤波初始结果图像Ior(m,n),转到步骤(7);
(5)对每个待模板卷积图像块IB2(x,y)构造交叉点模板Mn(p,q),并与其对应的待模板卷积图像块IB2(x,y)卷积:
5a)令每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)内所有值为0,其中,(p,q)模板的坐标值,n=1,2,3,4,5;
5b)利用公式αn=θori+(π·n)/6,n=1,2,3,4,5,·表示实数相乘,算出每个待模板卷积图像块IB2(x,y)的5个次方向αn;
5c)定义L(Cx,Cy,w,l,θ)表示每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中的一个带状区域,其中l,w,θ和(Cx,Cy)分别表示带状区域的长度、宽度、角度和带状区域中心点的坐标值,在每个交叉点模板Mn(p,q)中构造两个带状区域L(p0,q0,w,l,θori)和L(p0,q0,w,l,αn),其中,(p0,q0)为模板Mn(p,q)中心点的坐标值,n=1,2,3,4,5,将交叉点模板Mn(p,q)划分成三个区域,令Ac表示交叉点模板Mn(p,q)中两个带状区域的重叠区域,Ao表示交叉点模板Mn(p,q)中未被两个带状区域占用的区域,Al表示交叉点模板Mn(p,q)中除了Ac和Ao以外的带状区域所占区域;
5e)对每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中按下述公式赋值:
其中,s表示每个待模板卷积图像块IB2(x,y)的交叉点模板Mn(p,q)中两个带状区域总共占据区域的像素点个数,表示交叉点模板Mn(p,q)中的元素(p,q)属于区域Ac,n=1,2,3,4,5;
5f)用每个待模板卷积图像块IB2(x,y)的5个交叉点模板Mn(p,q),分别与其对应的待模板卷积图像块IB2(x,y)依次卷积、求和、取平均,得到每个待模板卷积图像块IB2(x,y)对应的交叉点图像块Ic(x,y):
其中*表示卷积;
(6)构造每个待模板卷积图像块IB2(x,y)的增强模板E(p,q),并用增强模板E(p,q)与对应的交叉点图像块Ic(x,y)卷积:
6a)令每个待模板卷积图像块的增强模板E(p,q)中所有值为零,在增强模板E(p,q)中构造两个带状区域L(p1,q1,w,l,θori)和L(p1,q1,w,l,θori+π/2),将每个增强模板E(p,q)划分成三个区域,其中,(p1,q1)为增强模板E(p,q)中心点的坐标值,n=1,2,3,4,5,令Bc表示增强模板E(p,q)中两个带状区域的重叠区域,Bo表示增强模板E(p,q)中未被带状区域占用的区域,Bl表示增强模板E(p,q)中除了Bc和Bo以外的带状区域所占区域;
6b)给每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)按下述公式赋值:
其中,su是两个带状区域的重叠区域Bc所占像素点的个数,co是带状区域L(p1,q1,w,l,θori)所占像素点的个数,表示增强模板E(p,q)中的元素(p,q)属于区域Bc;
6c)利用每个待模板卷积图像块IB2(x,y)的增强模板E(p,q)与对应的交叉点图像块Ic(x,y)卷积,得到卷积结果图像块Ieb(x,y):
Ieb(x,y)=Ic(x,y)*E(p,q);
6d)令模板卷积初始结果图像Icr(m,n)中的所有值都为0,每个卷积结果图像块Ieb(x,y)在模板卷积初始结果图像中对应的位置坐标值为(c,d),令Icr(x+128·c,y+128·d)=Ieb(x,y),·表示实数相乘,得到模板卷积初始结果图像Icr(m,n);
(7)根据步骤(4)和步骤(6)的执行情况,进行如下处理:
7a)如果步骤(4)得到执行,对从步骤(4)得到的方向滤波初始结果图像Ior(m,n)进行高斯滤波和阈值处理,得到方向滤波最终结果图像Iori(m,n),如果步骤(4)未得到执行,令方向滤波最终结果图像Iori(m,n)=0;
7b)如果步骤(6)得到执行,对从步骤(6)得到的模板卷积初始结果图像Icr(m,n)进行高斯滤波和阈值处理,得到模板卷积最终结果图像Ico(m,n),如果步骤(6)未得到执行,令模板卷积最终结果图像Ico(m,n)=0;
7c)将方向滤波最终结果图像Iori(m,n)与模板卷积最终结果图像Ico(m,n)相加,得到最终的褶皱结果图像If。
2.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,其中步骤(1)所述的对每个掌纹图像块Ib(x,y)并进行均衡化,按照如下公式进行:
其中,IB(x,y)为均衡后的图像块,(x,y)为图像块坐标,Min(Ib(x,y))为Ib(x,y)的最小值,Max(Ib(x,y))为Ib(x,y)的最大值。
3.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,其中步骤(3)所述的对每个图像块IB(x,y)的块内十个方向角度值θi,求其方向一致性数值C,按照如下公式计算:
其中,θi为步骤(2)中得到的每个图像块IB(x,y)中能量最大的十个方向角度值。
4.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,其中步 骤(3)所述的计算每个图像块IB(x,y)的块内十个方向角度值θi和主方向值θori的角度差Δθi,按照如下公式计算:
其中,θi为步骤(2)中得到的每个图像块IB(x,y)中能量最大的十个方向角度值,θori为步骤(2)中得到的每个图像块IB(x,y)的主方向值。
5.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,其中步骤(4)所述的对每个待方向滤波图像块IB1(x,y)进行方向滤波,按照如下步骤进行:
4a)根据每个待方向滤波图像块IB1(x,y)的潜在褶皱方向值γj,构造方向滤波器
其中,a和b分别是模板坐标值(p,q)旋转γj角度之后的横纵坐标值:
其中,j=0,1,...,Nc,Nc为潜在褶皱方向值的个数,·表示实数相乘,方差σ=2;
4b)分别用步骤4a)中得到的Nc个方向滤波器依次对与其相对应的待方向滤波图像块IB1(x,y)进行卷积,然后相加取平均,得到每个待方向滤波图像块IB1(x,y)的方向滤波结果图像块Iob(x,y):
4c)令方向滤波初始结果图像Ior(m,n)中的所有值都为0,每个方向滤波结 果图像块Iob(x,y)在方向滤波初始结果图像中对应的位置坐标值为(c,d),令Ior(x+128·c,y+128·d)=Iob(x,y),其中,x,y=0,1,...,127,·表示实数相乘,得到方向滤波初始结果图像Ior(m,n);
4d)转到步骤(7)。
6.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,所述步骤7a)中对方向滤波初始结果图像Ior(m,n)进行高斯滤波,按如下公式进行:
Iog(m,n)=Ior(m,n)*G2(x,y),
其中G2(x,y)为高斯滤波器,方差σ2=3,Iog(m,n)为方向滤波后的高斯滤波图像。
7.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,所述步骤7a)中对方向滤波后的高斯滤波图像Iog(m,n)进行阈值处理,按如下公式进行:
其中,THo为方向滤波后的高斯滤波图像Iog(m,n)的最大值,·表示实数相乘,Iori(m,n)为阈值处理后的方向滤波最终结果图像。
8.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,所述步骤7b)中对模板卷积初始结果图像Icr(m,n)进行高斯滤波,按如下公式进行:
Icg(m,n)=Icr(m,n)*G2(x,y),
其中G2(x,y)为高斯滤波器,方差σ2=3,Icg(m,n)为模板卷积后的高斯滤波图像。
9.根据权利要求1所述的动态交叉模板的掌纹图像褶皱检测方法,所述步骤7b)中对模板卷积后的高斯滤波图像Icg(m,n)进行阈值处理,按如下公式进行:
其中,THc为模板卷积后的高斯滤波图像Icg(m,n)的最大值,·表示实数相乘,Ico(m,n)为阈值处理后的模板卷积最终结果图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102402.2A CN103886291B (zh) | 2014-03-19 | 2014-03-19 | 基于动态模板的掌纹图像褶皱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102402.2A CN103886291B (zh) | 2014-03-19 | 2014-03-19 | 基于动态模板的掌纹图像褶皱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886291A CN103886291A (zh) | 2014-06-25 |
CN103886291B true CN103886291B (zh) | 2017-03-29 |
Family
ID=50955174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102402.2A Expired - Fee Related CN103886291B (zh) | 2014-03-19 | 2014-03-19 | 基于动态模板的掌纹图像褶皱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886291B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281858B (zh) * | 2014-09-15 | 2018-07-10 | 中安消技术有限公司 | 三维卷积神经网络训练方法、视频异常事件检测方法及装置 |
CN105095854B (zh) * | 2015-06-19 | 2018-09-11 | 西安电子科技大学 | 低分辨率无接触的在线掌纹匹配方法 |
CN106203295B (zh) * | 2016-06-30 | 2020-02-21 | 联想(北京)有限公司 | 一种指纹检测方法以及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853383A (zh) * | 2010-05-17 | 2010-10-06 | 清华大学 | 高分辨率掌纹方向场提取方法 |
CN102254188A (zh) * | 2011-08-04 | 2011-11-23 | 汉王科技股份有限公司 | 掌纹识别方法及装置 |
-
2014
- 2014-03-19 CN CN201410102402.2A patent/CN103886291B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853383A (zh) * | 2010-05-17 | 2010-10-06 | 清华大学 | 高分辨率掌纹方向场提取方法 |
CN102254188A (zh) * | 2011-08-04 | 2011-11-23 | 汉王科技股份有限公司 | 掌纹识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
掌纹识别关键算法的研究;潘新;《中国博士学位论文全文数据库信息科技辑》;20100115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103886291A (zh) | 2014-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529468B (zh) | 一种基于卷积神经网络的手指静脉识别方法及系统 | |
Alkassar et al. | Robust sclera recognition system with novel sclera segmentation and validation techniques | |
CN106473750B (zh) | 基于光电容积脉搏波最佳周期波形的身份识别方法 | |
CN107292250A (zh) | 一种基于深度神经网络的步态识别方法 | |
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
CN102629316B (zh) | 自动指纹识别技术中的图像增强方法 | |
CN107392866A (zh) | 一种光照鲁棒的人脸图像局部纹理增强方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN106056046B (zh) | 从图像中提取特征的方法和装置 | |
CN104346619A (zh) | 生物体特征向量提取装置以及生物体特征向量提取方法 | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN101667137A (zh) | 使用方向滤波技术的手指静脉纹路提取方法 | |
CN106780582A (zh) | 基于纹理特征和颜色特征融合的图像显著性检测方法 | |
CN103714323A (zh) | 指纹增强方法及指纹识别装置 | |
CN107451549A (zh) | 非接触式指纹增强方法及曲率驱动的自适应滤波器 | |
CN112949570B (zh) | 一种基于残差注意力机制的指静脉识别方法 | |
CN106778498A (zh) | 一种增强指纹图像识别的方法 | |
CN107480600A (zh) | 一种基于深度卷积神经网络的手势识别方法 | |
CN108154147A (zh) | 基于视觉注意模型的感兴趣区域检测方法 | |
CN103886291B (zh) | 基于动态模板的掌纹图像褶皱检测方法 | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
Santhosh et al. | Biometric authentication system using matlab | |
CN107679494A (zh) | 基于选择性延展的指纹图像匹配方法 | |
CN103854011A (zh) | 一种虹膜图像的质量评价方法 | |
CN105373781A (zh) | 用于身份认证的二值图像处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |