CN104091145B - 人体掌脉特征图像采集方法 - Google Patents
人体掌脉特征图像采集方法 Download PDFInfo
- Publication number
- CN104091145B CN104091145B CN201410243214.1A CN201410243214A CN104091145B CN 104091145 B CN104091145 B CN 104091145B CN 201410243214 A CN201410243214 A CN 201410243214A CN 104091145 B CN104091145 B CN 104091145B
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- veins
- msub
- arteries
- 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.)
- Active
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 70
- 210000001367 artery Anatomy 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 229910052704 radon Inorganic materials 0.000 claims abstract description 13
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 13
- 210000003811 finger Anatomy 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 4
- 210000005224 forefinger Anatomy 0.000 claims abstract description 4
- 210000004932 little finger Anatomy 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 235000004237 Crocus Nutrition 0.000 description 1
- 241000596148 Crocus Species 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Abstract
本发明公开了一种人体掌脉特征图像采集方法，首先采用红外采集装置进行原始掌脉图像采集，然后通过手掌轮廓线，定位中指所在轮廓线，得到中指中线，以中线为基准对原始掌脉图像进行旋转校正，然后选取两个关键点：食指与中指指尖的角点A，无名指和小指指尖的角点B；以AB所在直线为X轴，AB垂线为Y轴，建立坐标系，提取预先设定大小的图像作为ROI图像，最后通过Radon变换提取掌脉特征图像。本发明得到的一种人体掌脉特征图像采集方法，能采集有效掌静脉图像，并简化计算量，利于后续图像处理和对比，不仅去除了过多的冗余信息，减少计算复杂度和计算量，同时能包含更多的有效信息，能得到更好的识别效果。
Description
技术领域
本发明涉及一种身份识别技术，特别是一种人体掌脉特征图像采集方法。
背景技术
中国专利ZL200710144914.5，CN101196987B公开了一种“在线掌纹、手掌静脉图像身份识别方法及其专用采集仪”，首先对掌静脉图像进行归一化处理，得到手掌中心区域的灰度图像，然后通过计算得到手掌中心区域的灰度图像的灰度共生矩阵，由灰度共生矩阵计算得出该中心区域的灰度图像的惯性矩阵为纹理特征，再计算手掌中心区域的灰度图像的各个像素点的亮度均值作为该中心区域的亮度特征，最后，结合手掌中心区域灰度图像的纹理特征和亮度特征，对该手掌静脉图像进行分类，进而判断是否为活体样本。所述利用手掌静脉图像进行身份认证，是采用对手掌静脉血管的线特征进行分类的方法来实现，首先对归一化后得到的手掌中心区域用0°、45°、90°、135°四个方向的多尺度高斯滤波器进行线检测，然后对滤波后的图像进行二值化，得到血管线的二值图像，最后对二值图像采用点对点匹配的策略进行分类，完成身份认证。
在此如何有效采集人体掌脉特征图像，对后续图像的处理和身份识别都起着决定性的作用，上述公开文件中通过采集仪得到手掌中心区域的灰度图像，没有提供如何通过计算获得手掌中心区域的灰度图像的各个像素点的亮度均值及手掌中心区域的灰度图像的灰度共生矩阵及惯性矩阵，在所述利用手掌静脉图像进行身份认证中，采用对手掌静脉血管的线特征进行分类是首先对归一化后得到的手掌中心区域用0°、45°、90°、135°四个方向的多尺度高斯滤波器进行线检测，这种高斯滤波器会产生较多的冗余信息或者辨识信息量不足，增加了算法的计算复杂度和存储的负担，会降低算法的识别效率和精度，而掌静脉图像一般都存在着全局照度不均、纹路粗细不均以及纹路边界模糊等不利于特征提取等情况，所以如何获取不同活体的掌静脉血管线特征及如何对该特征图像进行处理并获取识别效率和精度高的掌静脉特征图像，对真真实现有效的不同活体的身份认证极为重要。
发明内容
本发明的目的是为了解决上述现有技术的不足而提供一种能采集有效掌静脉图像，并简化计算量，利于后续图像处理和对比的人体掌脉特征图像采集方法。
为了实现上述目的，本发明所设计的一种人体掌脉特征图像采集方法，首先采用红外采集装置进行原始掌脉图像采集，然后将图像处理并建立到坐标系中，最后通过方向滤波器提取掌脉特征图像，其特征是：所述将图像处理并建立到坐标系中，是通过手掌轮廓线，定位中指所在轮廓线，得到中指中线，以中线为基准对原始掌脉图像进行旋转校正，然后选取两个关键点：食指与中指指尖的角点A，无名指和小指指尖的角点B；以AB所在直线为X轴， AB垂线为Y轴，建立坐标系，提取预先设定大小的图像作为ROI图像，例如但不限于128*128 像素，在此，为降低计算量，可对待提取图像进行裁剪，将裁剪后的图像做为ROI图像。最后通过方向滤波器对ROI图像提取掌脉特征图像，所述方向滤波器对ROI图像提取掌脉特征图像是采用Radon变换提取掌脉特征图像。
所述的采用Radon变换提取掌脉特征图像，是采用Radon变换对建立到坐标系中的图像进行卷积操作，从而提取掌脉图像特征，特征提取整体过程如下：
(1)设定距离函数：
(i0，j0)为中心像素点，按照这样定义的距离函数得到的邻域范围是不大于d的像素点组成的近似圆形的区域local(i0，j0)。
(2)设定符合距离函数的邻域，并划分k个方向：
Lk＝{(i，j)：j＝k(i-i0)+j0，i∈Zp} (i，j)∈local(i0，j0)
其中k表示方向，(i0，j0)表示中心像素点，所有点(i，j)组成直线段Lk，图像在直线段Lk处响应最强，其他方向响应为0。
(3)计算k个方向能量相应：
为了满足所设定的符合距离函数的邻域，并且保证k个方向的滤波器所包含的像素点个数相同，并且使用尽量少的方向个数，保证方向辨识度，尽可能提取更多的方向信息，提高识别率，在k个方向构建时，选取六个方向区间，其中：方向0为0度，方向1角度属于[30，31.875]区间内(((22.5+30)/2+(30+45)/2)/2＝31.875)，方向2为[58.125，60] (((45+60)/2+(60+67.5)/2)/2＝58.125)，方向3为90度，同理方向4为[120，121.875]度区间内，方向5为[148.125，150]区间内。
本发明将上述设定的角度选取一个角度区间替代现有技术中的精确角度，这样便于计算机操作，得到稳定的特征信息，增加特征提取算法的鲁棒性。其次，角度用区间替代精确值，可容许一定的旋转误差，加强了算法的旋转不变性。最后由于方向1和方向2区间比原本的 30度和60度方向更贴近于45度方向，这样设定的方向滤波器可以在得到30度方向上响应的同时，一定程度上得到45度方向上的响应，同理方向3和方向4的滤波器可以得到120 度方向上的响应和一部分135度方向上的响应。这样就达到了使用尽量少的方向个数，尽可能提取更多的方向信息的目的，即使用相同个数的方向滤波器，也能得到更多更有效的方向信息。
为了提取更多更切合掌脉真实架构的方向信息，对卷积操作后的图像进行取方向索引操作，生成响应图像，即方向图特征矩阵，并将方向索引转换成log2(K)位比特数；将最终的方向图特征矩阵作为数据库模板，构建掌脉数据库，在此所述的方向索引选取方式，即加权求方向索引如下：
p(i，j)＝α×k(i，j)+β×o(i，j)，α，β∈[0，1]
其中：图像大小为m×n，k(i，j)为Dk(x，y)中的k值，o(i，j)为Do(x，y)中的o值。
这样得到的方向索引就是相应最强的掌脉方向k与相应次强的掌脉方向o的加权方向索引，这样相同大小的方向矩阵下，这种方向索引选取方式可以提取更多更切合掌脉真实架构的方向信息。以此类推，在存储模板和速度允许下，可加权更多强度响应的方向索引。
本发明提供的一种人体掌脉特征图像采集方法，采用Radon变换来进行图像中直线的检测更有利于直线特征的提取，而又由于曲线可以看做小区间的直线，所以Radon变换也可以检测图像中的曲线特征。掌脉血管脉络图类似于线特征，同时Radon变换中的积分会累加所有像素的灰度变化，消去噪声的影响并且得到整体的方向信息，因此用Radon变换提取掌脉特征可以得到较佳的实验结果。
本发明提供的距离函数：按照这样定义的距离函数得到的邻域范围是不大于d的像素点组成的近似圆形的区域local(i0，j0)。这种方法不仅去除了过多的冗余信息，减少计算复杂度和计算量，同时能包含更多的有效信息。通过构建这种距离函数矩阵确定滤波器邻域有效范围能得到更好的识别效果。
本发明得到的一种人体掌脉特征图像采集方法，能采集有效掌静脉图像，并简化计算量，利于后续图像处理和对比。
附图说明
图1是本实施例采集的掌脉图像；
图2是本实施例剪切后原始的掌脉ROI图像；
图3是为15×15的满足对应距离函数的邻域示意图；
图4是未设定距离函数的不同k下Lk的矩阵图；
图5是设定距离函数后不同k下Lk的矩阵图；
图6是直线段Lk为角度区间下的矩阵图；
图7是实施例16×16大小的6个方向滤波器示意图；
图8为实施例方向特征模板。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1：
本实施例提供的人体掌脉特征图像采集方法，首先采用红外采集装置进行原始掌脉图像采集，如图1所示，原始掌脉图像采集为128×128大小的256色灰度图，每个人每只手采集 12幅图像，前6幅和后6幅分别采自不同时间，采集的平均时间间隔为9天。第一个阶段采集到的图片(即PolyU的前六幅图片)作为数据库样本，剩下的图片用作未知测试样本。这样所得到的实验结果可以排除掉一部分由于采集时间不同而导致的变化的干扰。
然后将图像处理并建立到坐标系中，最后通过方向滤波器提取掌脉特征图像，所述将图像处理并建立到坐标系中，是通过手掌轮廓线，定位中指所在轮廓线，得到中指中线，以中线为基准对原始掌脉图像进行旋转校正，然后选取两个关键点：食指与中指指尖的角点A，无名指和小指指尖的角点B；以AB所在直线为X轴，AB垂线为Y轴，建立坐标系，提取预先设定大小的图像作为ROI图像，例如但不限于128*128像素，在此，为降低计算量，可对待提取图像进行裁剪，如图2所示，将裁剪后的处理图像作为ROI图像。
将所感兴趣区域(ROI)进行分块，计算每块平均灰度值，用双三次插值得到平均灰度估计矩阵。通过图像背景灰度值的估计与原图像作差后进行CLAHE(Contrast LimitedAdaptive Histogram Equalization，对比度受限自适应直方图均衡)操作得到增强的ROI图像。最后通过Radon变换对ROI图像提取掌脉特征图像。
实施例2：
本实施例提供的人体掌脉特征图像采集方法，采用Radon变换对建立到坐标系中的图像进行卷积操作，从而提取掌脉图像特征，特征提取整体过程如下：
(1)设定距离函数：
(i0，j0)为中心像素点，按照这样定义的距离函数得到的邻域范围是不大于d的像素点组成的近似圆形的区域local(i0，j0)。
(2)设定符合距离函数的邻域，并划分k个方向：
Lk＝{(i，j)：j＝k(i-i0)+j0，i∈Zp} (i，j)∈local(i0，j0)
其中k表示方向，(i0，j0)表示中心像素点，所有点(i，j)组成直线段Lk，图像在直线段Lk处响应最强，其他方向响应为0。
(3)计算k个方向能量相应：
不同的中心像素重复这个操作。这样由D0(x，y)所组成的方向索引矩阵为特征矩阵。
通常离中心像素越远的点(即靠近边缘的点)对中心像素影响越小，反之则影响越大，若按照对中心像素影响大小，将影响小的像素点定义为冗余信息，将影响大的像素点定义为有效信息。则此设定的目的是减少冗余信息并尽可能增加有效信息对中心像素的影响。如图 3所示为15×15的满足对应距离函数的邻域示意图，黑色区域表示中心像素点(i0，j0)。大多数方法将图3(a)作为其邻域的有效范围，即距离函数为d＝max(|i-i0|，|j-j0|)，(i0，j0)为中心像素点。这种方法定义的邻域包含了过多的冗余信息，增加了计算量和计算复杂度。还有方法将图3(b)作为其邻域的有效范围，即距离函数为d＝|i-i0|+|j-j0|。这种方法定义的邻域尽管计算量和计算复杂度都相应减少，但其有效信息也大大减少，不仅去除了过多的冗余信息，同时去除了大量的有效信息。基于上述方法的不足，本文设定如图3(c)所示的新的距离函数：按照这样定义的距离函数得到的邻域范围是不大于d的像素点组成的近似圆形的区域local(i0，j0)。这种方法不仅去除了过多的冗余信息，减少计算复杂度和计算量，同时能包含更多的有效信息。通过构建这种距离函数矩阵确定滤波器邻域有效范围能得到更好的识别效果。
实施例3：
本实施例提供的一种人体掌脉特征图像采集方法，为了符合距离函数的邻域，并且保证 k个方向的滤波器所包含的像素点个数相同，并且使用尽量少的方向个数，保证方向辨识度，尽可能提取更多的方向信息，提高识别率，在k个方向构建时，选取六个方向区间，其中：
方向0为0度；
方向1角度属于[30，31.875]区间内，即((22.5+30)/2+(30+45)/2)/2＝31.875；
方向2为[58.125，60]区间内，即((45+60)/2+(60+67.5)/2)/2＝58.125；
方向3为90度；
同理方向4为[120，121.875]度区间内；
方向5为[148.125，150]区间内。
上述方案满足了下述的两个目的1和目的2：
目的1：每个方向对应一个滤波器，假定有k个方向滤波器，其应同时满足以下几个条件：
条件1：通过下面公式计算得到：
Lk＝{(i，j)：j＝k(i-i0)+j0，i∈Zp} (i，j)∈local(i0，j0)
其中k表示方向，(i0，j0)表示中心像素点，所有点(i，j)组成直线段Lk，图像在直线段Lk处响应最强，其他方向响应为0。
条件2：保证k个方向的滤波器所包含的像素点个数相同。
满足条件1和条件2的滤波器可以从图像中得到以直线段Lk表示的k方向响应图像。
但不论怎样选取k，通过条件1计算得到的滤波器在方向不为0度和90度时，其像素点总个数都要比0度和90度方向的总数多，如图4所示，k＝π/6时组成Lk的共有42个像素点，但k＝0时组成Lk的只有32个像素点；为了满足条件2，必然要舍去方向不为0度和90 度上的一些点。而如何选择舍去的点，用保留下的点集合得到表示方向的强相应，这点对识别率影响较大。但大多数方法设定滤波器时，通常人为感官的设定方向滤波器，而没有严格遵照公式计算真正方向滤波器，也没有发现条件1.2的矛盾。上面的距离函数同样为此部分奠定了良好基础，由于舍去了冗余信息，方向不为0度和90度的滤波器的边缘点会舍去，减少了表示这些方向的像素点，使得条件2更容易满足，如图5所示，k＝π/6时组成Lk的共有33个像素点，k＝0时组成Lk的有32个像素点，此时像素点之差仅为1。现有技术的方法是等分角度，即任意两个角度间间隔相等，0度与180度重合。
通常6个方向角度分别为：0度，30度，60度，90度，120度，150度；8个方向角度分别为：0度，22.5度，45度，67.5度，90度，112.5度，135度，157.5度。
目的2：使用尽量少的方向滤波器提取更多更有效的方向信息。目前所有方法的滤波器都是通过增加滤波器个数(方向数)进而获取更多的方向信息。如将6个方向增加为8个方向，这样不仅增加了计算量，同时实验结果并没有明显提升，反而有所下降。这是因为相同大小的滤波器，8个方向重叠的部分增加了，这使得方向可辨识度下降。这就要求我们在保证方向辨识度的同时，尽可能的提取更多的方向信息。
本实施例将上述设定的角度选取一个角度区间替代现有技术中的精确角度，这可以为目的1中舍去的点设定新规则，即直线段Lk为角度区间下重合的部分，如图6所示，蓝色部分表示方向30度与方向31.875度重合部分，黄色部分表示30度方向非重合部分，绿色部分表示31.875度非重合部分，橘黄色为整个邻域区域，黑色部分表示中心像素点，这样由蓝色和黑色部分组合形成的像素点总个数刚好为32个像素点，这与0度90度方向上像素点总数相同，这样便于计算机操作，得到稳定的特征信息，增加特征提取算法的鲁棒性。其次，角度用区间替代精确值，可容许一定的旋转误差，加强了算法的旋转不变性。最后由于方向1和方向2区间比原本的30度和60度方向更贴近于45度方向，这样设定的方向滤波器可以在得到30度方向上响应的同时，一定程度上得到45度方向上的响应，同理方向3和方向4的滤波器可以得到120度方向上的响应和一部分135度方向上的响应。这样就达到了目的2，即使用相同个数的方向滤波器，得到更多更有效的方向信息。
如图7所示，为本实施例16×16大小的6个方向滤波器示意图，在图7的方向滤波器中，线宽为2，方向数量为6，(a)(b)(c)(d)(e)(f)图像分别代表不同方向的线积分 (求和)，这些方向分别为0°，[30°，31.875°]，[58.125°，60°]，90°，[120°，121.875°]，[148.125°，150°]。使用此方向滤波器，每次可以计算4个像素(中心像素)的方向特征。
实施例4：
本实施例提供的一种人体掌脉特征图像采集方法，是为了提取更多更切合掌脉真实架构的方向信息，对卷积操作后的图像进行取方向索引操作，生成响应图像，即方向图特征矩阵，并将方向索引转换成log2(K)位比特数；将最终的方向图特征矩阵作为数据库模板，构建静脉数据库。
方向图特征矩阵表示为：
采集到的掌脉图像中，表示掌脉区域的灰度值比背景处的灰度值暗，因此Energy[Lk]越小则表示此方向掌脉相应最强。但根据掌脉响应取方向索引操作有多种方法，目前大多数方法选取掌脉相应最强的方向，即Energy[Lk]最小的方向索引构建方向图特征矩阵：
其中图像大小为m×n，k(i，j)为Dk(x，y)中的k值。但这种方向图矩阵所包含的信息只是掌脉响应最强的方向，特征提取过程中，Lk的线宽可调(即中心像素(i0，j0)可以不仅仅为1)，但一次实验中，Lk线宽取值固定，不能中途随着掌脉宽度变化而变化。若掌脉宽度变化较大，或掌脉交叉点，则单独的最强方向索引不能完全表示出掌脉方向信息或呈现出虚假掌脉方向信息。
因此，本实施例提供的一种方向索引选取方式，即加权求方向索引如下：
p(i，j)＝α×k(i，j)+β×o(i，j)，α，β∈[0，1]
其中：图像大小为m×n，k(i，j)为Dk(x，y)中的k值，o(i，j)为Do(x，y)中的o值，这样得到的方向索引就是相应最强的掌脉方向k与相应次强的掌脉方向o的加权方向索引，这样相同大小的方向矩阵下，这种方向索引选取方式可以提取更多更切合掌脉真实架构的方向信息。以此类推，在存储模板和速度允许下，可加权更多强度响应的方向索引。
本实施例中，滤波器大小为28～36；方向数设为6，线宽为2～7。根据不同方向索引选取策略表示掌脉方向特征，形成如图8所示的掌脉方向特征模板，从方向特征模板可以看出本实施例特征提取方式能更好的反映掌脉结构特征，其中每个小方格代表一个像素，不同灰度值代表不同的方向值。
Claims (1)
1.一种人体掌脉特征图像采集方法，首先采用红外采集装置进行原始掌脉图像采集，然后将图像处理并建立到坐标系中，最后通过方向滤波器提取掌脉特征图像，其特征是：所述将图像处理并建立到坐标系中，是通过手掌轮廓线，定位中指所在轮廓线，得到中指中线，以中线为基准对原始掌脉图像进行旋转校正，然后选取两个关键点：食指与中指指尖的角点A，无名指和小指指尖的角点B；以AB所在直线为X轴，AB垂线为Y轴，建立坐标系，提取预先设定大小的图像作为ROI图像，最后通过方向滤波器对ROI图像提取掌脉特征图像，所述方向滤波器对ROI图像提取掌脉特征图像是采用Radon变换提取掌脉特征图像；
所述的采用Radon变换提取掌脉特征图像，是采用Radon变换对建立到坐标系中的图像进行卷积操作，从而提取静脉图像特征，特征提取整体过程如下：
(1)设定距离函数：
<mrow>
<mi>d</mi>
<mo>=</mo>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<msub>
<mi>i</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<msub>
<mi>j</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
(i0,j0)为中心像素点，按照这样定义的距离函数得到的邻域范围是不大于d的像素点组成的近似圆形的区域local(i0,j0)；
(2)设定符合距离函数的邻域，并划分k个方向：
Lk＝{(i,j):j＝k(i-i0)+j0,i∈Zp}(i,j)∈local(i0,j0)
其中k表示方向，(i0,j0)表示中心像素点，所有点(i,j)组成直线段Lk，图像在直线段Lk处响应最强，其他方向响应为0；
(3)计算k个方向能量响应：
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>e</mi>
<mi>r</mi>
<mi>g</mi>
<mi>y</mi>
<mo>&lsqb;</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>&rsqb;</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mo>&lsqb;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
在k个方向构建时，选取六个方向区间，其中：
方向0为0度；
方向1角度属于[30，31.875]区间内；
方向2角度属于[58.125，60]区间内；
方向3为90度；
方向4角度属于[120，121.875]区间内；
方向5角度属于[148.125，150]区间内；
所述计算k个方向能量响应中，方向索引选取方式，采用加权求方向索引：
<mrow>
<msub>
<mi>D</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</munder>
<mrow>
<mo>(</mo>
<mi>E</mi>
<mi>n</mi>
<mi>e</mi>
<mi>r</mi>
<mi>g</mi>
<mi>y</mi>
<mo>&lsqb;</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>o</mi>
</munder>
<mrow>
<mo>(</mo>
<mi>E</mi>
<mi>n</mi>
<mi>e</mi>
<mi>r</mi>
<mi>g</mi>
<mi>y</mi>
<mo>&lsqb;</mo>
<msub>
<mi>L</mi>
<mi>o</mi>
</msub>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>o</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
<mo>,</mo>
<mi>o</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
p(i,j)＝α×k(i,j)+β×o(i,j),α,β∈[0,1]
其中：图像大小为m×n，k(i,j)为Dk(x,y)中的k值，o(i,j)为Do(x,y)中的o值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410243214.1A CN104091145B (zh) | 2013-06-02 | 2014-06-03 | 人体掌脉特征图像采集方法 |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013102138473 | 2013-06-02 | ||
| CN201310213847 | 2013-06-02 | ||
| CN201310213847.3 | 2013-06-02 | ||
| CN201410243214.1A CN104091145B (zh) | 2013-06-02 | 2014-06-03 | 人体掌脉特征图像采集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104091145A CN104091145A (zh) | 2014-10-08 |
| CN104091145B true CN104091145B (zh) | 2018-05-15 |
Family
ID=51638860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410243214.1A Active CN104091145B (zh) | 2013-06-02 | 2014-06-03 | 人体掌脉特征图像采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104091145B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504361B (zh) * | 2014-11-10 | 2018-02-06 | 深圳云派思科技有限公司 | 基于方向特征的手掌静脉主方向特征提取方法 |
| 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 |
| CN105760841B (zh) * | 2016-02-22 | 2021-06-04 | 桂林航天工业学院 | 一种身份识别方法及系统 |
| CN106991380A (zh) * | 2017-03-10 | 2017-07-28 | 电子科技大学 | 一种基于掌静脉图像的预处理方法 |
| CN112381042A (zh) * | 2020-11-27 | 2021-02-19 | 程自昂 | 从掌静脉图像中提取掌静脉特征的方法、掌静脉识别方法 |
| CN112288660B (zh) * | 2020-12-25 | 2021-04-13 | 四川圣点世纪科技有限公司 | 基于nmrt方向特征约束的静脉图像修复方法及装置 |
| CN113034741A (zh) * | 2021-03-02 | 2021-06-25 | 桂林电子科技大学 | 一种基于dwt-dct变换加密算法的掌静脉智能锁 |
| CN113011333B (zh) * | 2021-03-19 | 2022-11-18 | 哈尔滨工业大学 | 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法 |
| CN113936307B (zh) * | 2021-12-17 | 2022-03-15 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101055618A (zh) * | 2007-06-21 | 2007-10-17 | 中国科学院合肥物质科学研究院 | 基于方向特征的掌纹识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050281438A1 (en) * | 2004-06-21 | 2005-12-22 | Zhang David D | Palm print identification using palm line orientation |
-
2014
- 2014-06-03 CN CN201410243214.1A patent/CN104091145B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101055618A (zh) * | 2007-06-21 | 2007-10-17 | 中国科学院合肥物质科学研究院 | 基于方向特征的掌纹识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| On the injectivity of the circular Radon;Gaik Ambartsoumian etc;《Inverse Problems》;20050228;第21卷(第2期);摘要和第4页 * |
| 手掌静脉识别中感兴趣区域的选择与定位研究;吴微等;《光电子 激光》;20130131;第24卷(第1期);第1-2页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104091145A (zh) | 2014-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104091145B (zh) | 人体掌脉特征图像采集方法 | |
| Syarif et al. | Enhanced maximum curvature descriptors for finger vein verification | |
| CN105760841B (zh) | 一种身份识别方法及系统 | |
| CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN104933432B (zh) | 一种指腹折痕和指静脉图像的处理方法 | |
| CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
| CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
| CN108256456A (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
| CN104794449B (zh) | 基于人体hog特征的步态能量图获取及身份识别方法 | |
| CN101299267A (zh) | 一种人脸图像处理方法及装置 | |
| CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
| CN108596126A (zh) | 一种基于改进的lgs加权编码的手指静脉图像识别方法 | |
| TW201211913A (en) | A method for recognizing the identity of user by palm vein biometric | |
| CN107832739A (zh) | 一种基于orb特征提取的掌静脉识别系统及方法 | |
| CN108257155B (zh) | 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法 | |
| CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
| CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
| CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
| CN111914616A (zh) | 指静脉识别与防伪一体化方法、装置、存储介质和设备 | |
| CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
| CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
| CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
| CN110147769B (zh) | 一种手指静脉图像匹配方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 516008 305, third Tsing Hua court, 11 North lace Road, Huizhou, Guangdong. Patentee after: GUANGDONG WICROWN INFORMATION TECHNOLOGY Co.,Ltd. Address before: 516000, 310 floor, Tsinghua court third, 11 Hua Bian North Road, Huizhou, Guangdong. Patentee before: GUANGDONG WICROWN INDUSTRIAL DEVELOPMENT Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190104 Address after: 518129 2905A, Xinghe WORLDA building, No.1, Bantian Road, Longgang District, Shenzhen, Guangdong. Patentee after: SHENZHEN ZHIGUAN BIOLOGICAL IDENTIFICATION TECHNOLOGY CO.,LTD. Address before: 516008 305, third Tsing Hua court, 11 North lace Road, Huizhou, Guangdong. Patentee before: GUANGDONG WICROWN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220310 Address after: 518109 1011, Taojing Jinhua building, Taoyuan community, Dalang street, Longhua District, Shenzhen, Guangdong Province Patentee after: Zhangmaitong Information Technology Co.,Ltd. Address before: 518129 2905A, Xinghe WORLDA building, No.1, Bantian Road, Longgang District, Shenzhen, Guangdong. Patentee before: SHENZHEN ZHIGUAN BIOLOGICAL IDENTIFICATION TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230407 Address after: 518042 303, Floor 3, Building 6, Anhua Community, No. 18, Tairan 8th Road, Tian'an Community, Shatou Street, Futian District, Shenzhen, Guangdong Patentee after: Zhiguan Yizhangtong Technology (Shenzhen) Co.,Ltd. Address before: 518109 1011, Taojing Jinhua building, Taoyuan community, Dalang street, Longhua District, Shenzhen, Guangdong Province Patentee before: Zhangmaitong Information Technology Co.,Ltd. |