CN104182724A - 一种掌纹关键点定位方法和装置 - Google Patents
一种掌纹关键点定位方法和装置 Download PDFInfo
- Publication number
- CN104182724A CN104182724A CN201310199044.7A CN201310199044A CN104182724A CN 104182724 A CN104182724 A CN 104182724A CN 201310199044 A CN201310199044 A CN 201310199044A CN 104182724 A CN104182724 A CN 104182724A
- Authority
- CN
- China
- Prior art keywords
- palmmprint
- key point
- path
- point
- group
- 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
Abstract
本发明提供一种掌纹关键点定位方法和装置,涉及计算机视觉领域,能够定位出掌纹中的所有掌纹关键点,并且拥有较高的定位精度。其方法为:首先运用统计方法利用经过训练得到的第一分类器对掌纹关键点进行第一次定位,得到第一组掌纹关键点,而后利用动态规划方法求出所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径,再在每个离散能量路径的预设范围内再利用第二分类器定位出第二组掌纹关键点,最后对每个所述第二组掌纹关键点进行评估,并最终确定出第三组掌纹关键点。本发明的实施例用于掌纹关键点的定位,具有较高的定位精度。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种掌纹关键点定位方法和装置。
背景技术
掌纹关键点(位于手缝间的三个凹点)定位是掌纹ROI(Regionof Interest,兴趣区域)提取的重要步骤之一。目前的掌纹关键点提取方法主要有两种,一种是基于结构的方法,另一种是基于统计的方法。在基于结构的方法中,首先利用肤色模型提取出手掌区域,再根据掌纹关键点的几何结构特性定位出掌纹关键点。在基于统计的方法中,将三个关键点作为正样本,而其他的点作为负样本,经过训练后得到分类器,然后用得到的分类器进行分类,定位出掌纹关键点。
在实现上述掌纹关键点的定位过程中,发明人发现现有技术至少存在如下问题:
基于结构的方法需要依赖肤色模型的精确分割,并且待检的手掌必须是完全张开的,对于手掌闭合的情况,则很难根据结构特性较好的定位出掌纹关键点。
基于统计的方法中由于正样本特征不明显,而负样本特征又千差万别,为了得到高的定位准确率,必然要提高分类器的阀值,因而在很多情况下,很难将掌纹关键点全部定位出来,通常只能定位出一部分关键点。
发明内容
本发明的实施例提供一种掌纹关键点定位方法和装置,能够定位出掌纹中的所有掌纹关键点,并且拥有较高的定位精度。
为达到上述目的,本发明的实施例采用如下技术方案:
一方面,提供一种掌纹关键点定位方法,所述方法包括:
根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点;
根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;所述最大能量路径为经过所述第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成;
在每个所述离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点;
对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
第二方面,提供一种定位装置,所述装置包括:
粗定位模块,用于根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点;
最大能量路径和离散能量路径获取模块,用于根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;所述最大能量路径为经过所述第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成;
重定位模块,用于在每个所述离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点;
评估模块,用于对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
本发明提供一种掌纹关键点定位方法,首先运用统计方法利用经过训练得到的第一分类器对掌纹关键点进行第一次定位,得到第一组掌纹关键点,而后利用动态规划方法求出所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径,再在每个所述离散能量路径的预设范围内再利用统计方法定位出第二组掌纹关键点,最后对每个所述第二组掌纹关键点进行评估,并最终确定出第三组掌纹关键点,能够基于统计方法结合动态规划方法一次定位出掌纹中的所有掌纹关键点,具备较高的定位精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种掌纹关键点定位方法的流程示意图;
图2为本发明实施例提供的第一组掌纹关键点的分布示意图;
图3为本发明实施例提供的掌纹图像梯度示意图;
图4为本发明实施例提供的一种全局累积能量示意图;
图5为本发明实施例提供的一种最大能量路径示意图;
图6为本发明实施例提供的一种局部累积能量示意图;
图7为本发明实施例提供的离散能量路径示意图;
图8为本发明实施例提供的一种评估条件示意图;
图9为本发明实施例提供的一种掌纹关键点定位装置的第一结构示意图;
图10为本发明实施例提供的一种掌纹关键点定位装置的第二结构示意图;
图11为本发明实施例提供的一种掌纹关键点定位装置的第三结构示意图;
图12为本发明实施例提供的一种掌纹关键点定位装置的第四结构示意图;
图13为本发明实施例提供的一种掌纹关键点定位装置的第五结构示意图;
图14为本发明实施例提供的一种掌纹关键点定位装置的第六结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所要定位的掌纹关键点为手掌手缝间的三个凹点。现有的掌纹关键点定位采用的统计方法,只能定位得到1-2个关键点。本发明提供的方法,基于一种统计定位和动态规划方法,可以有效的定位出全部的掌纹关键点。
本发明实施例提供一种掌纹关键点定位的方法,如图1所示,所述方法包括:
S101、根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点。
步骤S101中,输入一张掌纹图像,利用训练好的第一分类器对掌纹关键点进行粗定位,得到第一组掌纹关键点。
S102、根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;所述最大能量路径为经过所述第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成。
步骤S102中,将步骤S101粗定位得到的掌纹关键点设为掌纹关键点Pi,i=1,2,...,N;根据动态规划方法分别获取经过每个掌纹关键点的最大能量路径。以其中的一个点Pi为例,从掌纹图像的左侧向右侧进行能量累计,得到经过Pi点的多条能量路径,每条能量路径必须是连续的,并且每列只包含一个像素,比较得到的多条能量路径,将其中的能量值最大的路径作为经过点Pi的最大能量路径。按照上述方法依次获得粗定位得到的第一组掌纹关键点中所有点所在的最大能量路径,得到一个由掌纹关键点集合Pi中的所有关键点所在的最大能量路径集合S*。
同样的,以点Pi为例,以点Pi为起点,分别向左和向右获取连续的且每列只包含一个像素点的所有路径,并分别向左和向右进行能量累计得到局部能量累计图,根据该局部能量累计图获得该关键点的离散能量路径,依次获得所有关键点的离散能量路径集合。
S103、在每个所述离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点。
步骤S103中,在最大能量路径集合S*中选择一条最大能量路径S1,在最大能量路径S1周围重新选取负样本训练得到第二分类器。或者,在所述离散能量路径周围选取负样本重新训练得到第二分类器。使用得到的第二分类器在每条离散能量路径的预设范围内进行搜索,再进行一次掌纹关键点的定位,可以精准的得到未被检测到的其他关键点。按照上述方法依次对离散能量路径集合中所有离散能量路径进行第二次掌纹关键点定位,得到第二组掌纹关键点集合,i=1,2,...,Nnew。
在步骤S101中对掌纹图像粗定位得到的第一组掌纹关键点Pi,i=1,2,...,N中,其中可能包含错误定位的点,再根据步骤S102对每个点求取最大能量路径并在此基础上获得每个点的离散能量路径后,再结合步骤S103在每个点的离散能量路径上重新定位出第二组掌纹关键点i=1,2,...,Nnew,每个关键点包含其相应的得分。
S104、对每个所述第二组掌纹关键点进行评估,将评估得分最高的组合确定为第三组掌纹关键点。
步骤S104中,将第二组掌纹关键点中距离小于一定值的点进行合并,再从中选出任意三个点,计算这三个点之间的距离和夹角,并根据计算结果进行评分,最终选取得分总和最高的三个点为第三组掌纹关键点,即最终确定的掌纹关键点P0、P1、P2。该一定值为实验参数,具体应用环境下会有所不同。
本发明提供一种掌纹关键点定位方法,首先运用第一分类器对掌纹关键点进行第一次定位,得到第一组掌纹关键点,而后利用动态规划方法求出所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径,再在每个所述离散能量路径的预设范围内利用第二分类器定位出第二组掌纹关键点,最后对每个所述第二组掌纹关键点进行评估,并最终确定出第三组掌纹关键点。本发明的方法在粗定位得到部分关键点后,利用动态规划方法获取包含关键点的离散能量路径,再在离散能量路径上重新对关键点进行定位,最终定位出所有的掌纹关键点,拥有较高的定位精度。
为了使本领域技术人员能够更清楚地理解本发明实施例提供的技术方案,下面通过具体的实施例,对本发明提供的掌纹关键点定位方法进行详细说明,所述方法包括:
S201、输入一张掌纹图像,并将该掌纹图像转化为灰度图像。
S202、使用第一分类器对掌纹图像粗定位获得第一组掌纹关键点。
步骤S202中,第一分类器为事先训练好的分类器,将手掌掌纹的三个关键点作为正样本,将掌纹图像中除了所述三个关键点之外的其它点作为负样本,利用统计学习方法adboost结合EOH(EdgeOrientation Histogram,边缘方向直方图)特征训练得到第一分类器。利用第一分类器对掌纹图像的掌纹关键点进行提取,得到第一组掌纹关键点Pi,i=1,2,...,N,如图2所示。由于手掌图像背景比较复杂而手掌关键点结构又较为简单,基于统计学习方法得到的第一组掌纹关键点中会存在大量的误判点,即便是设置较高的阈值滤除负样本,也无法一次性定位出所有关键点。
S203、根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径,所述最大能量路径为经过第一组掌纹关键点中的至少一个点、具备连续性且每列只包含一个像素的能量值最大的路径,所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成。
由于掌纹关键点位置处的梯度较大,如果存在一条从左到右经过关键点的路径,那么包含所有掌纹关键点的路径的能量值将会达到最大。因此,可以用一条从左到右的路径将第一组关键点和未知的关键点连接起来形成路径,根据路径能量的大小,利用已知关键点位置信息来求解未知的关键点位置信息。
假设输入的掌纹图像I为一张W×H的图像,W表示掌纹图像的宽度,H表示掌纹图像的高度。在掌纹图像上定义一条经过某个掌纹关键点的水平路径如公式(1)所示:
其中,si=(i,y(i))代表横坐标为i、纵坐标为y(I)的像素点,y是一个映射:[1,...,W]→[1,...,H],|y(i)-y(i-1)|≤1代表路径的每一列仅包含一个像素。路径为掌纹图像上从左到右连续的路径。
路径在掌纹图像I上像素点的集合则如公式(2)所示:
据此,灰度图像的能量图如公式(3)所示:
图像能量代表图像边缘特性的强弱,梯度是图像边缘特性的一种表示方法,梯度值越大,表示图像的边缘特性越强。本实施例采用梯度表示图像能量。图像掌纹关键点为指缝间的凹点,因而掌纹关键点具备较强的边缘特性,梯度值也就较大。图3为根据公式(3)得到的图像梯度图。
对一条路径上所有像素点的能量累计后得到该条路径的能量如公式(4)所示:
最大能量路径,指经过该掌纹关键点的所有路径中能量最大的路径,根据能量函数 获取。
基于上述对路径、路径能量及最大能量路径定义的说明,以下以第一组掌纹关键点中的一个点P=(xp,yp)为例,说明如何获取经过第一组掌纹关键点中的一个点的最大能量路径。
首先,选取第一组掌纹关键点中的任意一点P=(xp,yp),假设P=(xp,yp)为第一组掌纹关键点中的一个关键点,获取掌纹图像上从左到右经过该点的连续的且每列只包含一个像素点的所有路径。
为确保定义的路径经过点P,将与该关键点夹角在-45~45度之外的能量图设置为0,进而保证最大能量路径一定经过该关键点,如公式(5)所示:
其次,从左到右计算所述路径中每条路径的累计能量图,得到经过关键点的全局累计能量图,每条路径最后一列的能量值最大。
具体地,从左到右计算一条路径上每个像素的能量值并累计获得该条路径的累积能量图,依次获取经过关键点P的所有路径的累积能量图,进而获得经过关键点P的路径的全局累积能量图,如图4所示,图中从区域4到区域1的梯度值依次递增。全局累计能量图的计算公式如下:
M(i,j)=e(i,j)+max(M(i-1,j-1),M(i-1,j),M(i-1,j+1)) (6)
公式中,(i,j)表示像素点,e(i,j)表示像素点的能量,max(M(i-1,j-1),M(i-1,j),M(i-1,j+1))表示以迭代方法求取与当前像素点相邻的三个像素点的能量最大值。根据公式(6)计算出的最后一列能量值最大。
再次,从最后一列最大能量值的位置回溯,反方向查询上一步的位置,依次回溯到起始的位置,最后求解得到完整的最大能量路径,如图5所示。
掌纹关键点为三个,三个关键点的位置均是能量值较大的地方,因此基于动态规划方法获取的最大能量路径必然要经过该三个掌纹关键点,也就是说,最大能量路径在经过关键点P的同时,也要经过其它待定位的两个关键点,基于该原理求出的能量路径在很多情况下都是有效的。
但是,上述得到的全局能量累计图中不可避免的会将部分背景掺入其中,特别是对于手掌的左右背景区域,背景干扰很大。本发明实施例基于动态规划方法获取关键点的局部能量累积图以去除背景干扰。具体方法为:以第一组掌纹关键点中的点为起点,分别向左和向右进行路径能量累计得到该点左侧的累计能量图和右侧的累计能量图,进而获得该点的局部累计能量图;根据局部能量累计图获取路径上每一列像素点所在的位置,得到该点的离散能量路径。基于相同的方法,依次获得第一组掌纹关键点中每个点的离散能量路径。
以下予以详细说明:
以关键点P为起点,分别向左和向右进行路径能量累计,关键点左侧的能量路径为:以及关键点右侧的能量路径为:最后得到的能量路径为:s*=(sL,sR)。分别求取左侧路径和右侧路径的累计能量图,得到关键点P的局部累计能量图,如图6所示,图中从区域3到区域1,梯度值依次逐步增大,从区域3到区域5,梯度值依次增大。
对于路径上的每一个点,该点的能量只跟它和关键点之间的区域有关,而与它和关键点之外的区域无关,因此用这种方法求得的能量图称为局部累计能量图。而且,这种基于局部能量的方法不需要进行回溯,每一列像素点所在的位置就是当前列能量值最大的位置。以左边的能量路径sL为例予以说明:
先计算累计能量图M,对于M的每个像素点(i,j),从P点向左计算累计能量图M,如公式(7)所示:
M(i,j)=e(i,j)+max(M(i+1,j-1),M(i+1,j),M(i+1,j+1)) (7)
再根据公式(8)计算每一列的像素点所在的位置:
y(i)=maxjM(i,j) (8)
每列像素点所在的位置为当前列能量值最大的位置,这样,通过上述局部能量累计图计算得到的该关键点的离散能量路径,为一些离散点,如图7所示,每一列像素点所在的位置即为这些离散点的位置。能量值最大的位置为真正关键点的概率较大,通过这种局部累计能量图的方法可以有效滤除背景像素点。
因此,本发明实施例在仅知道一个关键点的情况下,可以求出一条经过该点的最大能量路径,该路径能够以极大的概率通过其它的若干个关键点。
S204、在每个所述离散能量路径周围的预设范围内使用第二分类器定位出第二组掌纹关键点。
步骤S204中,可以在得到的最大能量路径周围重新选择负样本训练得到第二分类器,也可以在离散能量路径周围选取负样本重新训练得到第二分类器。使用得到的第二分类器在离散能量路径的预设范围内进行掌纹关键点的搜索,得到第二组掌纹关键点i=1…Nnew,开且根据第二组掌纹关键点中各个点的拟合程度为其中每个掌纹关键点i=1…Nnew进行评分,得分越高表示它越有可能是一个真正的关键点。
S205、对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
具体的可通过以下方法实现:
首先对得到的第二组掌纹关键点进行合并,其方法为:
若得到的第二组掌纹关键点中某任意两个点之间的距离小于预设的值,则将这两个点合并成一个关键点并将该点置于原先两点的中间位置,并且将它们的得分相加。
而后对合并处理后所得到的掌纹关键点进行校验,在经过合并处理后的掌纹关键点中任意选择三个点作为一个,将这三个点按照其横坐标进行排序,然后从这三个点中任选两个点计算这两点间的距离和夹角,再通过一定的先验条件判断这三个点是否是合理的组合,并将所有合理的组合中的点的得分值相加,最终选出分值最高的组合,确定为最终的掌纹关键点。
其中合理的组合可以按如下规则来判断,如图8所示,对于W×H的图像中的任意三个关键点的组合P1、P2、P3。若P1、P2、P3是一个合理的组合,则应满足先验条件:
-41°<α<10°
-15°<β<35°
125°<∠P1P2P3<175°
0.1W<|P1P2|<0.25W
0.1W<|P2P3|<0.25W
其中角度α、β、∠P1P2P3和距离|p1p2|、|p2p3|均是根据像素在图像中的坐标再利用常用的角度和距离公式计算得到。
本发明提供一种掌纹关键点定位方法,首先运用统计方法利用经过训练得到的第一分类器对掌纹关键点进行第一次定位,得到第一组掌纹关键点,而后利用动态规划方法求出所述第一组掌纹关键点中的每一个点所在的最大能量路径,再在每个所述最大能量路径的预设范围内再利用统计方法定位出第二组掌纹关键点,最后对每个所述第二组掌纹关键点进行评估,并最终确定出第三组掌纹关键点。本发明能够基于统计方法结合动态规划方法一次定位出掌纹中的所有掌纹关键点,具备较高的定位精度。
本发明实施例提供一种定位装置01,如图9所示,装置01包括:
粗定位模块011,用于根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点;
最大能量路径和离散能量路径获取模块012,用于根据动态规划方法获取第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;最大能量路径为经过第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;离散能量路径由第一组掌纹关键点的至少一个点在内的离散点构成;
重定位模块013,用于在每个离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点;
评估模块014,用于对每个第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
进一步的,如图10所示,最大能量路径和离散能量路径获取模块012还包括最大能量路径获取子模块0121,最大能量路径获取子模块0121包括:
路径获取单元01211,用于选取第一组掌纹关键点中的任意一点,获取掌纹图像上从左到右经过该点的连续的且每列只包含一个像素点的所有路径;
全局累计能量图计算单元01212,用于从左到右计算路径中每条路径的累计能量图,得到经过该点的全局累计能量图,每条路径最后一列的能量值最大;
回溯单元01213,用于从每条路径最后一列的能量值最大的位置回溯,依次回溯到从左到右计算路径中每条路径的累计能量图的起始位置,最终获得经过该点的最大能量路径;
最大能量路径逐一计算单元01214,用于根据路径获取单元、全局累计能量图计算单元、回溯单元获得第一组掌纹关键点中每一个点所在的最大能量路径。
再进一步的,如图11所示,最大能量路径和离散能量路径获取模块还包括离散能量路径获取子模块0122,离散能量路径获取子模块0122包括:
局部累计能量图计算单元01221,用于选取第一组掌纹关键点中的任意一点为起点,分别向左和向右获取连续的且每列只包含一个像素点的所有路径并进行路径能量累计得到该点左侧的累计能量图和右侧的累计能量图,进而获得该点的局部累计能量图;
离散能量路径计算单元01222,用于根据局部能量累计图获取路径上每一列像素点所在的位置,得到该点的离散能量路径;
离散能量路径逐一计算单元01223,用于根据局部累计能量图计算单元和离散能量路径计算单元依次获取第一组掌纹关键点中每个点的离散能量路径。
再进一步的,如图12所示,装置01还包括:
第二分类器训练模块015,用于由在最大能量路径周围选取负样本重新训练得到第二分类器,或在离散能量路径周围选取负样本重新训练得到第二分类器,负样本为掌纹关键点之外的其他点。
再进一步的,如图13所示,评估模块014具体用于还包括:
合并子模块0141,用于将第二组掌纹关键点中任意两个点之间的距离小于预设值的点进行合并;
校验子模块0142,用于在合并后的掌纹关键点中任意选择三个点作为一个组合,根据三个点的横坐标排序,并计算该三个点中任意两个点之间的距离和夹角,根据预设的先验条件判断组合是否合理,最后对所有合理的组合进行评估确定一个组合作为掌纹关键点。
更进一步的,如图14所示,装置01还包括:
第一分类器训练模块016,用于将掌纹关键点作为正样本、掌纹关键点之外的其他点作为负样本采用统计学习方法结合边缘方向直方图特征训练得到第一分类器。
本发明提供一种定位装置,首先运用统计方法利用经过训练得到的第一分类器对掌纹关键点进行第一次定位,得到第一组掌纹关键点,而后利用动态规划方法求出第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径,再在每个离散能量路径的预设范围内再利用统计方法定位出第二组掌纹关键点,最后对每个第二组掌纹关键点进行评估,并最终确定出第三组掌纹关键点,能够基于统计方法结合动态规划方法一次定位出掌纹中的所有掌纹关键点,具备较高的定位精度。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和设备可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种掌纹关键点定位方法,其特征在于,所述方法包括:
根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点;
根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;所述最大能量路径为经过所述第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成;
在每个所述离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点;
对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
2.根据权利要求1所述的方法,其特征在于,所述根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径包括:
步骤(1),选取所述第一组掌纹关键点中的任意一点,获取掌纹图像上从左到右经过该点的连续的且每列只包含一个像素点的所有路径;
步骤(2),从左到右计算所述路径中每条路径的累计能量图,得到经过该点的全局累计能量图,所述每条路径最后一列的能量值最大;
步骤(3),从每条路径所述最后一列的能量值最大的位置回溯,依次回溯到从左到右计算所述路径中每条路径的累计能量图的起始位置,最终获得经过该点的最大能量路径;
步骤(4),根据步骤(1)、(2)、(3)获得所述第一组掌纹关键点中每一个点所在的最大能量路径。
3.根据权利要求1或2所述的方法,其特征在于,所述根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的离散能量路径包括:
选取所述第一组掌纹关键点中的任意一点为起点,分别向左和向右获取连续的且每列只包含一个像素点的所有路径并进行路径能量累计得到该点左侧的累计能量图和右侧的累计能量图,进而获得该点的局部累计能量图;
根据所述局部能量累计图获取路径上每一列像素点所在的位置,得到该点的离散能量路径;
依次获取所述第一组掌纹关键点中每个点的离散能量路径。
4.根据权利要求3所述的方法,其特征在于,所述第二分类器由在所述最大能量路径周围选取负样本重新训练得到或在所述离散能量路径周围选取负样本重新训练得到,所述负样本为掌纹关键点之外的其他点。
5.根据权利要求4中所述的方法,其特征在于,所述对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点包括:
将所述第二组掌纹关键点中任意两个点之间的距离小于预设值的点进行合并;
在所述合并后的掌纹关键点中任意选择三个点作为一个组合,根据三个点的横坐标排序,并计算该三个点中任意两个点之间的距离和夹角,根据预设的先验条件判断组合是否合理,最后对所有合理的组合进行评估确定一个组合作为掌纹关键点。
6.根据权利要求1或5所述的方法,其特征在于,所述第一分类器为将掌纹关键点作为正样本、掌纹关键点之外的其他点作为负样本采用统计学习方法结合边缘方向直方图特征训练得到的第一分类器。
7.一种掌纹关键点定位装置,其特征在于,所述装置包括:
粗定位模块,用于根据输入的掌纹图像使用第一分类器进行粗定位获得第一组掌纹关键点;
最大能量路径和离散能量路径获取模块,用于根据动态规划方法获取所述第一组掌纹关键点中的每一个点所在的最大能量路径和离散能量路径;所述最大能量路径为经过所述第一组掌纹关键点中的至少一个点,具备连续性且每列只包含一个像素点的能量值最大的路径;所述离散能量路径由所述第一组掌纹关键点的至少一个点在内的离散点构成;
重定位模块,用于在每个所述离散能量路径的周围的预设范围内使用第二分类器定位出第二组掌纹关键点;
评估模块,用于对每个所述第二组掌纹关键点进行评估,确定出第三组掌纹关键点。
8.根据权利要求7所述的装置,其特征在于,所述最大能量路径和离散能量路径获取模块包括最大能量路径获取子模块,所述最大能量路径获取子模块包括:
路径获取单元,用于选取所述第一组掌纹关键点中的任意一点,获取掌纹图像上从左到右经过该点的连续的且每列只包含一个像素点的所有路径;
全局累计能量图计算单元,用于从左到右计算所述路径中每条路径的累计能量图,得到经过该点的全局累计能量图,所述每条路径最后一列的能量值最大;
回溯单元,用于从每条路径所述最后一列的能量值最大的位置回溯,依次回溯到从左到右计算所述路径中每条路径的累计能量图的起始位置,最终获得经过该点的最大能量路径;
最大能量路径逐一计算单元,用于根据路径获取单元、全局累计能量图计算单元、回溯单元获得所述第一组掌纹关键点中每一个点所在的最大能量路径。
9.根据权利要求7或8所述的装置,其特征在于,所述最大能量路径和离散能量路径获取模块还包括离散能量路径获取子模块,所述离散能量路径获取子模块包括:
局部累计能量图计算单元,用于选取所述第一组掌纹关键点中的任意一点为起点,分别向左和向右获取连续的且每列只包含一个像素点的所有路径并进行路径能量累计得到该点左侧的累计能量图和右侧的累计能量图,进而获得该点的局部累计能量图;
离散能量路径计算单元,用于根据所述局部能量累计图获取路径上每一列像素点所在的位置,得到该点的离散能量路径;
离散能量路径逐一计算单元,用于根据局部累计能量图计算单元和离散能量路径计算单元依次获取所述第一组掌纹关键点中每个点的离散能量路径。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括第二分类器训练模块,用于由在所述最大能量路径周围选取负样本重新训练得到第二分类器,或在所述离散能量路径周围选取负样本重新训练得到第二分类器,所述负样本为掌纹关键点之外的其他点。
11.根据权利要求10所述的装置,其特征在于,所述评估模块包括:
合并子模块,用于将所述第二组掌纹关键点中任意两个点之间的距离小于预设值的点进行合并;
校验子模块,用于在所述合并后的掌纹关键点中任意选择三个点作为一个组合,根据三个点的横坐标排序,并计算该三个点中任意两个点之间的距离和夹角,根据预设的先验条件判断组合是否合理,最后对所有合理的组合进行评估确定一个组合作为掌纹关键点。
12.根据权利要求7或11所述的装置,其特征在于,所述装置还包括第一分类器训练模块,用于将掌纹关键点作为正样本、掌纹关键点之外的其他点作为负样本采用统计学习方法结合边缘方向直方图特征训练得到第一分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310199044.7A CN104182724B (zh) | 2013-05-24 | 2013-05-24 | 一种掌纹关键点定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310199044.7A CN104182724B (zh) | 2013-05-24 | 2013-05-24 | 一种掌纹关键点定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182724A true CN104182724A (zh) | 2014-12-03 |
CN104182724B CN104182724B (zh) | 2017-03-29 |
Family
ID=51963751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310199044.7A Active CN104182724B (zh) | 2013-05-24 | 2013-05-24 | 一种掌纹关键点定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182724B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345553A (zh) * | 2018-08-31 | 2019-02-15 | 厦门中控智慧信息技术有限公司 | 一种手掌及其关键点检测方法、装置和终端设备 |
CN111339932A (zh) * | 2020-02-25 | 2020-06-26 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040057604A1 (en) * | 2002-09-25 | 2004-03-25 | The Hong Kong Polytechnic University | Method of palmprint identification |
US20100045788A1 (en) * | 2008-08-19 | 2010-02-25 | The Hong Kong Polytechnic University | Method and Apparatus for Personal Identification Using Palmprint and Palm Vein |
CN102163282A (zh) * | 2011-05-05 | 2011-08-24 | 汉王科技股份有限公司 | 掌纹图像感兴趣区域的获取方法及装置 |
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 |
CN102262724A (zh) * | 2010-05-31 | 2011-11-30 | 汉王科技股份有限公司 | 目标图像特征点定位方法和目标图像特征点定位系统 |
-
2013
- 2013-05-24 CN CN201310199044.7A patent/CN104182724B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040057604A1 (en) * | 2002-09-25 | 2004-03-25 | The Hong Kong Polytechnic University | Method of palmprint identification |
US20100045788A1 (en) * | 2008-08-19 | 2010-02-25 | The Hong Kong Polytechnic University | Method and Apparatus for Personal Identification Using Palmprint and Palm Vein |
CN102262724A (zh) * | 2010-05-31 | 2011-11-30 | 汉王科技股份有限公司 | 目标图像特征点定位方法和目标图像特征点定位系统 |
CN102163282A (zh) * | 2011-05-05 | 2011-08-24 | 汉王科技股份有限公司 | 掌纹图像感兴趣区域的获取方法及装置 |
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 (4)
Title |
---|
YINHANG TANG ET AL.: ""Hand-dorsa Vein Recognition based on Multi-level Keypoint Detection and local feature matching"", 《21ST INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
吴介 等: ""掌纹识别中的特征提取算法综述"", 《北京电子科技学院学报》 * |
唐有宝等: ""非接触式掌纹识别技术中关键点的定位方法"", 《智能计算机与应用》 * |
尚丽 等: ""一种新的掌纹ROI图像定位方法"", 《激光与红外》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345553A (zh) * | 2018-08-31 | 2019-02-15 | 厦门中控智慧信息技术有限公司 | 一种手掌及其关键点检测方法、装置和终端设备 |
CN111339932A (zh) * | 2020-02-25 | 2020-06-26 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104182724B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9619691B2 (en) | Multi-view 3D object recognition from a point cloud and change detection | |
CN103390156B (zh) | 一种车牌识别方法及装置 | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN102540181B (zh) | 一种基于环境信息图点迹预处理的航迹起始方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
Ying et al. | Robust lane marking detection using boundary-based inverse perspective mapping | |
CN106909886A (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
CN105184225A (zh) | 一种多国纸币图像识别方法和装置 | |
CN103914685A (zh) | 一种基于广义最小团图和禁忌搜索的多目标跟踪方法 | |
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 | |
CN101634706A (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN105046206A (zh) | 基于视频中运动先验信息的行人检测方法及装置 | |
US11450023B2 (en) | Method and apparatus for detecting anchor-free object based on deep learning | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN106155540A (zh) | 电子毛笔笔形处理方法和装置 | |
CN103295227A (zh) | 一种基于梯度方向分割的圆检测方法 | |
CN112712703A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN104182724A (zh) | 一种掌纹关键点定位方法和装置 | |
CN106327481A (zh) | 基于大数据的图像篡改检测方法及装置 | |
Dong et al. | Building Extraction from High Spatial Resolution Remote Sensing Images of Complex Scenes by Combining Region-Line Feature Fusion and OCNN | |
CN114972947B (zh) | 一种基于模糊语义建模的深度场景文本检测方法和装置 | |
CN103886289A (zh) | 方向自适应的水上桥梁目标识别方法及系统 | |
CN103473567B (zh) | 一种基于部分模型的车辆检测方法 | |
CN105551027A (zh) | 一种边界跟踪方法及装置 | |
CN103714528A (zh) | 物体分割装置和方法 |
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 |