CN104091146A - 人体静脉图像特征提取方法 - Google Patents
人体静脉图像特征提取方法 Download PDFInfo
- Publication number
- CN104091146A CN104091146A CN201410243226.4A CN201410243226A CN104091146A CN 104091146 A CN104091146 A CN 104091146A CN 201410243226 A CN201410243226 A CN 201410243226A CN 104091146 A CN104091146 A CN 104091146A
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- degree
- distance function
- feature extraction
- 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.)
- Pending
Links
Abstract
本发明公开了一种人体静脉图像特征提取方法,包括对人体静脉图像采集和建立到坐标系中,然后通过方向滤波器提取静脉方向特征,其特征是:所述的通过方向滤波器提取静脉方向特征是采用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:(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)(3)计算k个方向能量相应:本发明提供的人体静脉图像特征提取方法,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,通过构建距离函数矩阵确定滤波器邻域有效范围以得到更好的识别效果。
Description
技术领域
本发明涉及一种通过对静脉特征区别来识别人体身份的身份识别技术,特别是一种人体静脉图像特征提取方法。
背景技术
在人体身份识别技术领域中,从单一的指纹识别到活体识别,从活体识别中的虹膜技术到掌静脉技术,一切都在不断地发展和完善。就掌静脉的图像特征提取和处理过程中,也因不同的提取和处理手段带来不同的结果,从而直接影响了身份识别的准确性和单一性。随着人们对人体静脉特征的研究发现,不仅是掌静脉,不同的人其各处静脉的分布都有不同的变化,如何对提取后的静脉图像进行有效特征提取,以获得精确的个体区别,将是静脉身份识别发展过程中所要解决的问题。
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。
上述公开文件中,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静脉血管线特征及如何对该特征图像进行处理,对真真实现有效的不同活体的身份认证尤为重要。
由于静脉图像的本质上是纹理图像,使用数学变换工具提取图像的多个频率或尺度等局部纹理特征,可得到较完整的区别性信息,所以这类方法识别率较高。此外,静脉纹理作为一种统计特征,对光照、纹路粗细等局部变化不敏感,对模糊的纹路具有良好的鲁棒性。综上,基于滤波器提取纹理特征是针对静脉图像中类内变化辨识率较高的一类方法。但滤波器如Gabor滤波器、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,且Gabor滤波器的参数选择也是难点。
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特征信息量完整、提高算法的识别效率和精度的人体静脉图像特征提取方法。
为了实现上述目的,本发明所设计的一种人体静脉图像特征提取方法,包括对人体静脉图像采集和建立到坐标系中,然后通过方向滤波器提取静脉方向特征,其特征是:所述的通过方向滤波器提取静脉方向特征是采用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:
(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静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,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静脉方向k与相应次强的静脉方向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静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静脉图像特征提取方法,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。静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变换提取静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。
附图说明
图1是为15×15的满足对应距离函数的邻域示意图;
图2是未设定距离函数的不同k下Lk的矩阵图;
图3是设定距离函数后不同k下Lk的矩阵图;
图4是直线段Lk为角度区间下的矩阵图;
图5是实施例16×16大小的6个方向滤波器示意图;
图6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:
本实施例提供的一种人体静脉图像特征提取方法,包括对人体静脉图像采集和建立到坐标系中,然后通过方向滤波器提取静脉方向特征,所述的通过方向滤波器提取静脉方向特征是采用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:
(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1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1(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1(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1(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2:
本实施例提供的一种人体静脉图像特征提取方法,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2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3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4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5所示,为本实施例16×16大小的6个方向滤波器示意图,在图5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3:
本实施例提供的一种人体静脉图像特征提取方法,是为了提取更多更切合静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:
采集到的静脉图像中,表示静脉区域的灰度值比背景处的灰度值暗,因此Energy[Lk]越小则表示此方向静脉相应最强。但根据静脉响应取方向索引操作有多种方法,目前大多数方法选取静脉相应最强的方向,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静脉响应最强的方向,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,不能中途随着静脉宽度变化而变化。若静脉宽度变化较大,或静脉交叉点,则单独的最强方向索引不能完全表示出静脉方向信息或呈现出虚假静脉方向信息。
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静脉方向k与相应次强的静脉方向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静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静脉方向特征,形成如图6所示的静脉方向特征模板,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静脉结构特征,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 (3)
1.一种人体静脉图像特征提取方法,包括对人体静脉图像采集和建立到坐标系中,然后通过方向滤波器提取静脉方向特征,其特征是:所述的通过方向滤波器提取静脉方向特征是采用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:
(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:
2.根据权利要求1所述的一种人体静脉图像特征提取方法,其特征是: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为[58.125,60];
方向3为90度;
方向4为[120,121.875]度区间内;
方向5为[148.125,150]区间内。
3.根据权利要求1或2所述的一种人体静脉图像特征提取方法,其特征是: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:
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 |
---|---|---|---|
CN201410243226.4A CN104091146A (zh) | 2013-06-02 | 2014-06-03 | 人体静脉图像特征提取方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310213884.4 | 2013-06-02 | ||
CN201310213884 | 2013-06-02 | ||
CN201410243226.4A CN104091146A (zh) | 2013-06-02 | 2014-06-03 | 人体静脉图像特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104091146A true CN104091146A (zh) | 2014-10-08 |
Family
ID=51638861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410243226.4A Pending CN104091146A (zh) | 2013-06-02 | 2014-06-03 | 人体静脉图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091146A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504361A (zh) * | 2014-11-10 | 2015-04-08 | 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 |
CN112863165A (zh) * | 2021-01-14 | 2021-05-28 | 深圳市子瑜杰恩科技有限公司 | 基于5g的物流企业车队管理方法及系统 |
Citations (5)
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 |
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 |
CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
CN101196987A (zh) * | 2007-12-25 | 2008-06-11 | 哈尔滨工业大学 | 在线掌纹、手掌静脉图像身份识别方法及其专用采集仪 |
CN101990100A (zh) * | 2009-07-30 | 2011-03-23 | 汤姆森许可贸易公司 | 一种解码方法以及编码方法 |
-
2014
- 2014-06-03 CN CN201410243226.4A patent/CN104091146A/zh active Pending
Patent Citations (5)
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 |
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 |
CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
CN101196987A (zh) * | 2007-12-25 | 2008-06-11 | 哈尔滨工业大学 | 在线掌纹、手掌静脉图像身份识别方法及其专用采集仪 |
CN101990100A (zh) * | 2009-07-30 | 2011-03-23 | 汤姆森许可贸易公司 | 一种解码方法以及编码方法 |
Non-Patent Citations (1)
Title |
---|
GAIK AMBARTSOUMIAN ETC: "On the injectivity of the circular Radon transform arising in thermoacoustic tomography", 《INVERSE PROBLEMS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504361A (zh) * | 2014-11-10 | 2015-04-08 | 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 |
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 |
CN112863165A (zh) * | 2021-01-14 | 2021-05-28 | 深圳市子瑜杰恩科技有限公司 | 基于5g的物流企业车队管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977609B (zh) | 一种基于cnn的指静脉身份验证方法 | |
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
WO2020083407A1 (zh) | 三维指静脉特征提取方法及其匹配方法 | |
CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN100458832C (zh) | 基于方向特征的掌纹识别方法 | |
WO2017059591A1 (zh) | 手指静脉识别方法及装置 | |
CN106919941A (zh) | 一种三维手指静脉识别方法及系统 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
CN101751555A (zh) | 一种形变指纹识别方法及系统 | |
CN107392082A (zh) | 一种基于深度学习的小面积指纹比对方法 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及系统 | |
CN107066961B (zh) | 指纹配准方法及装置 | |
CN103198484B (zh) | 基于非线性尺度空间的虹膜图像分割算法 | |
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 | |
CN104636721A (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN106991380A (zh) | 一种基于掌静脉图像的预处理方法 | |
CN104298995A (zh) | 基于三维点云的三维人脸识别装置及方法 | |
CN108509886A (zh) | 基于静脉像素点判定的掌静脉识别方法 | |
CN108875629A (zh) | 基于多样本特征融合的掌静脉识别方法 | |
CN104268502B (zh) | 人体静脉图像特征提取后的认识方法 | |
CN102819754B (zh) | 一种基于Sigmoid扩展的指纹分数融合系统及方法 | |
Zhao et al. | Fingerprint pre-processing and feature engineering to enhance agricultural products categorization | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
Doroz et al. | An accurate fingerprint reference point determination method based on curvature estimation of separated ridges | |
Gornale | Fingerprint based gender classification for biometric security: A state-of-the-art 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141008 |