CN104281844A - 基于粗分类的手部多模态快速识别方法 - Google Patents

基于粗分类的手部多模态快速识别方法 Download PDF

Info

Publication number
CN104281844A
CN104281844A CN201410582771.6A CN201410582771A CN104281844A CN 104281844 A CN104281844 A CN 104281844A CN 201410582771 A CN201410582771 A CN 201410582771A CN 104281844 A CN104281844 A CN 104281844A
Authority
CN
China
Prior art keywords
point
hand
length
distance
finger
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
Application number
CN201410582771.6A
Other languages
English (en)
Inventor
汤永华
宋辉
苑玮琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201410582771.6A priority Critical patent/CN104281844A/zh
Publication of CN104281844A publication Critical patent/CN104281844A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20Movements or behaviour, e.g. gesture recognition
    • G06V40/28Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107Static hand or arm
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12Fingerprints or palmprints
    • G06V40/1365Matching; Classification
    • G06V40/1376Matching features related to ridge properties or fingerprint texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107Static hand or arm
    • G06V40/117Biometrics derived from hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属身份识别领域,尤其涉及一种基于粗分类的手部多模态快速识别方法,采用成像装置获取手部模态进行分析,从而获得手形特征参数,包括如下步骤:(1)采用多模态图像获取装置,在手进行一次自然伸展的过程中,获取手形、掌纹、手掌静脉三种模态图像;(2)确定判断有无掌静脉的有效区域;判断该区域中梯度超过一定范围的数据的数量是否超过预先设定的阈值,超过则判断为存在静脉,否则不存在;(3)测量掌纹主线条数及交点数量,以确定匹配对象。本发明算法简单,鲁棒性强,稳定性高,匹配速度快,误识率低,使用范围广泛。

Description

基于粗分类的手部多模态快速识别方法
技术领域
本发明属身份识别领域,尤其涉及一种基于粗分类的手部多模态快速识别方法。
背景技术
手部识别在生物特征识别领域中占有重要的地位。目前最常用的手形识别系指对手部的外部轮廓所构成的几何图形进行识别。相对于其他生物特征,手形的测量比较容易实现。基于上述原因,手形认证已经成为生物特征识别技术的一个重要组成部分。传统手形匹配方法大致分两种:基于点模式匹配方法及基于特征矢量匹配方法。点模式匹配方法,手形提取的好坏直接影响着识别的准确性,这就要求手形的轮廓提取必须准确,否则会引入大量的伪特征点从而带来错误率的激增。在手形采集过程中,周围环境的光照和噪声对手形的准确提取会造成很大的影响。上述点模式匹配方法误识率较小,但计算量及拒识率相对较大。基于特征矢量匹配方法,其计算量小,匹配速度快,但误识率较高。
发明内容
本发明旨在克服现有技术的不足之处而提供一种算法简单,鲁棒性强,稳定性高,匹配速度快,误识率低,使用范围广泛的基于粗分类的手部多模态快速识别方法。 
 为解决上述技术问题,本发明是这样实现的。
 一种基于粗分类的手部多模态快速识别方法,采用成像装置获取手部模态进行分析,从而获得手部特征参数,它包括如下步骤。
(1)采用多模态图像获取装置,在手进行一次自然伸展的过程中,获取手形、掌纹、手掌静脉三种模态图像。
(2)确定判断有无掌静脉的有效区域;判断该区域中图像灰度梯度(相邻两点差值)总和超过一定范围数据的数量是否超过预先设定的阈值,超过则判断为存在静脉,否则不存在。
(3)测量掌纹主线条数及交点数量,以确定匹配对象。
 作为一种优选方案,本发明将生命线起点确定为A点,感情线起点确定为B点,终止点确定为D点;A、B两点连线与BD曲线交点为C点;记AC的长度为d1,CB的长度为d2,接续计算参数d=d1/d2,以确定匹配对象。
 进一步地,本发明将食指掌外侧拐点确定为M;食指与中指谷确定为N;中指与无名指谷点确定为P;无名指与小拇指谷点确定为Q;手腕两侧拐点分别确定为R、S;食指指尖点确定为T;中指指尖点确定为U;无名指指尖点确定为V;则中指长度LZ为U点到NP连线的中点之间的距离;手掌长度LA为U点到RS连线中点之间的距离;接续计算中指与手掌长度比LZ/LA,以确定匹配对象。
进一步地,本发明食指长度LS为T点到MN连线中点之间的距离;接续计算中指与食指长度比LZ/LS,以确定匹配对象。
进一步地,本发明无名指长度LW为V点到PQ连线中点之间的距离;接续计算中指与无名指长度比LZ/LW,以确定匹配对象。
进一步地,本发明通过计算LH=∑(LZ/LA, LZ/LS, LZ/LW),与对象进行具体距离的比较,以距离最近者为准,最终确定匹配对象;距离计算用欧氏距离,即                                                ;D1、 D2分别为求取距离的两点。
本发明当从一组目标中寻找某个特定对象时,可根据该对象同时具备的多个模糊特征(不精确特征)进行快速精确定位,即由于具备单一模糊特征的对象可能有多个,因此依靠单一的模糊特征不能够唯一的确定该目标,但同时具备多个模糊特征的对象的范围将大大缩小,甚至被唯一确定。本发明算法简单,鲁棒性强,稳定性高,匹配速度快,误识率低,使用范围广泛。 
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明方法原理图。
图2为本发明识别方法结构示意图。
图3为本发明掌静脉有效区域示意图。
图4为本发明掌纹主线纹线分布示意图。
图5为本发明感情线端点图。
图6为本发明手形各参数结构图。
图7为本发明软件流程框图。
具体实施方式
如图7所示,基于粗分类的手部多模态快速识别方法,系采用成像装置获取手部模态进行分析,从而获得手部特征参数,它包括如下步骤:
(1)采用多模态图像获取装置,在手进行一次自然伸展的过程中,获取手形、掌纹、手掌静脉三种模态图像;
(2)确定判断有无掌静脉的有效区域;判断该区域中梯度超过一定范围的数据的数量是否超过预先设定的阈值,超过则判断为存在静脉,否则不存在;
(3)测量掌纹主线条数及交点数量,以确定匹配对象。
本发明可将生命线起点确定为A点,感情线起点确定为B点,终止点确定为D点;A、B两点连线与BD曲线交点为C点;记AC的长度为d1,CB的长度为d2,接续计算参数d=d1/d2,以确定匹配对象。
本发明可将食指掌外侧拐点确定为M;食指与中指谷确定为N;中指与无名指谷点确定为P;无名指与小拇指谷点确定为Q;手腕两侧拐点分别确定为R、S;食指指尖点确定为T;中指指尖点确定为U;无名指指尖点确定为V;则中指长度LZ为U点到NP连线的中点之间的距离;手掌长度LA为U点到RS连线中点之间的距离;接续计算中指与手掌长度比LZ/LA,以确定匹配对象。
食指长度LS为T点到MN连线中点之间的距离;接续计算中指与食指长度比LZ/LS,以确定匹配对象。
无名指长度LW为V点到PQ连线中点之间的距离;接续计算中指与无名指长度比LZ/LW,以确定匹配对象。
本发明通过计算LH=∑(LZ/LA, LZ/LS, LZ/LW),与对象进行具体距离的比较,以距离最近者为准,最终确定匹配对象;距离计算用欧氏距离,即;D1、 D2分别为求取距离的两点。
如图1所示,同时具备类别1、类别2和类别3的模糊特征的对象范围仅限于目标点所属范围内的有限目标或唯一目标。
本发明根据人体手掌的掌静脉、掌纹、手形的特点,选择合理的辨识特征,依据不同特征对目标进行层层分类,直到确定唯一的目标对象。如图2所示。依据该方法可进行快速、高效、准确的人体身份识别。所述目标手掌在自然伸开一次的过程中即可完成掌静脉、掌纹、手形三种图像的获取。
根据手掌是否存在明显的手掌静脉,将目标分为类别A有手掌静脉类和类别B没有手掌静脉类。
在完成类别A、B两大类的分类后,在目标所在的类别(A或B)中再根据手掌掌纹通常存在的主要纹线,即生命线、理智线、事业线、感情线、成功线的条数和交点数等,进一步将目标类别A(或B)分为类别A1、类别A2、类别A3、类别A4、类别A5、类别A6、类别A7、类别A8、类别A9等9类。其中,类别A1为掌纹主要纹线数≥1,且必有断掌线,交点个数≥0;类别A2为掌纹主要纹线数等于2,交点个数等于0;类别A3为掌纹主要纹线数等于3,交点个数等于0;类别A4为掌纹主要纹线数等于3,交点个数等于1,掌纹中线比≤1/2;类别A5为掌纹主要纹线数等于3,交点个数等于1,掌纹中线比大于1/2;类别A6为掌纹主要纹线数等于4,交点个数等于≤1;类别A7为掌纹主要纹线数等于4,交点个数等于≥2;类别A8为掌纹主要纹线数等于5,交点个数等于≤3;类别A9为不满足前8中条件,主线呈网状;类别B同样可分为类别B1至类别B9等9类。
经过上述分类之后,如果目标所在类别中对象仍不唯一,即该类别仍包含多个对象,下一步还可作为分类依据,进行进一步细化分类的特征有相对稳定的手形特征,即根据手掌的中指与手掌长度的所在不同比例区间将目标所在类别划分为3类,如将A1分为A11、A12、A13三类;根据中指与食指长度比划分为3类;根据中指与无名指长度比例区间划分为3类。最终同时具备N中模糊特征的类别中将只包含一个对象,该个体即为目标对象。
本发明具体识别步骤如下。
1、采用多模态图像获取装置,在手进行一次自然伸展的过程中,即可获取到手形、掌纹、手掌静脉三种模态图像。采用单CMOS(或CCD)摄像头,配备两种光源,即850nm近红外和蓝光。通过光源控制系统分时控制两种光源发光,即当红外光发光时拍摄手掌静脉图像,当蓝光适度发光时拍摄掌纹图像,当蓝光高亮发光时拍摄手形图像。三幅图像拍摄总耗时足够短,确保在获取到三幅图像后,手掌在空间中的摆放姿势不会发生明显移位,即三幅图像中的手掌的位置和姿势不会发生变化,便于后续的图像配准等处理。
2、只根据手掌静脉选择有无特征,将图像分为两大类,忽略手掌静脉的具体结构和形式。手掌静脉以手掌中间区域,如图3所示。该区域以食指与中指指根点A点,无名指与小拇指这跟点B点,大拇指指根点C点作为基本参考点。从C点沿垂直方向向手掌内侧画一直线,分别从A、B两点向该直线做垂线,分别交于D点和E点。以长度较短者,如图中BE长度小于AD,从B点想AD做垂线,由此构成的区域为判断有无掌静脉的有效区域。判断掌静脉有效区域中是否存在手掌静脉的规则为判断该区域中梯度超过一定范围的数据的数量是否超过预先设定的阈值,超过则判断为存在静脉,否则不存在。
3、由于不同人体,掌纹主要纹线的数量等存在差异。因此选择手掌主要纹线的条数和交点数作为分类依据,忽略褶皱纹等容易误判的细节纹理。并依据主线条数和交点数量进行进一步的细化分类。
4、记生命线起点为A点,感情线起点为B点,终止点为D。A、B两点连线与BD曲线交点为C点。食指与中指指谷点为E点,记C点到D点的长度记为d1,CB的长度记为d2,记比例参数d=d1/d2。以比例参数d作为以掌纹主要纹线条数和交点个数进行分类时的辅助分类特征。在主要纹线数量为3条和相应交点个数为1个时,再将同为3条主要纹线和同为1个交点的情况划分为d≤1/2和d>1/2两类。
5、选择手形中受手摆放姿势影响最小的中指与手掌长度比、中指与食指长对比、中指与无名指长度比进行下一步的细化分类。食指掌外侧拐点记为M,食指与中指谷点记为N,中指与无名指谷点记为P,无名指与小拇指谷点记为Q,手腕两侧拐点分别记为R、S,食指指尖点记为T,中指指尖点记为U,无名指指尖点记为V。则中指长度为U点到NP连线的中点之间的距离,食指长度LS为T点到MN连线中点之间的距离,无名指长度LW为V点到PQ连线中点之间的距离,手掌长度为U点到RS连线中点之间的距离。中指与手掌长度比为LZ/LA,中指与食指长度比为LZ/LS,中指与无名指长度比为LZ/LW。
6、在所有分类后还不能唯一确定目标身份的情况下,综合考虑手形特征已计算的三种比值的和,与对象进行具体距离的比较,以距离最近(数值的差值最小)者确定为最终目标。比值和计算公式为LH=∑(LZ/LA, LZ/LS, LZ/LW)。距离计算用欧氏距离,即。D1、 D2为分别为求取距离的两点。
可以理解地是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。

Claims (6)

1.一种基于粗分类的手部多模态快速识别方法,采用成像装置获取手部模态进行分析,从而获得手部特征参数,其特征在于,包括如下步骤:
   (1)采用多模态图像获取装置,在手进行一次自然伸展的过程中,获取手形、掌纹、手掌静脉三种模态图像;
   (2)确定判断有无掌静脉的有效区域;判断该区域中图像灰度梯度总和超过一定范围数据的数量是否超过预先设定的阈值,超过则判断为存在静脉,否则不存在;
   (3)测量掌纹主线条数及交点数量,以确定匹配对象。
2.根据权利要求1所述的基于粗分类的手部多模态快速识别方法,其特征在于:将生命线起点确定为A点,感情线起点确定为B点,终止点确定为D点;A、B两点连线与BD曲线交点为C点;记AC的长度为d1,CB的长度为d2,接续计算参数d=d1/d2,以确定匹配对象。
3.根据权利要求2所述的基于粗分类的手部多模态快速识别方法,其特征在于:将食指掌外侧拐点确定为M;食指与中指谷确定为N;中指与无名指谷点确定为P;无名指与小拇指谷点确定为Q;手腕两侧拐点分别确定为R、S;食指指尖点确定为T;中指指尖点确定为U;无名指指尖点确定为V;则中指长度LZ为U点到NP连线的中点之间的距离;手掌长度LA为U点到RS连线中点之间的距离;接续计算中指与手掌长度比LZ/LA,以确定匹配对象。
4.根据权利要求3所述的基于粗分类的手部多模态快速识别方法,其特征在于:食指长度LS为T点到MN连线中点之间的距离;接续计算中指与食指长度比LZ/LS,以确定匹配对象。
5.根据权利要求4所述的基于粗分类的手部多模态快速识别方法,其特征在于:无名指长度LW为V点到PQ连线中点之间的距离;接续计算中指与无名指长度比LZ/LW,以确定匹配对象。
6.根据权利要求5所述的基于粗分类的手部多模态快速识别方法,其特征在于:通过计算LH=∑(LZ/LA, LZ/LS, LZ/LW),与对象进行具体距离的比较,以距离最近者为准,最终确定匹配对象;其中,距离计算用欧氏距离,即                                                ;D1、 D2分别为求取距离的两点。
CN201410582771.6A 2014-10-28 2014-10-28 基于粗分类的手部多模态快速识别方法 Pending CN104281844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410582771.6A CN104281844A (zh) 2014-10-28 2014-10-28 基于粗分类的手部多模态快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410582771.6A CN104281844A (zh) 2014-10-28 2014-10-28 基于粗分类的手部多模态快速识别方法

Publications (1)

Publication Number Publication Date
CN104281844A true CN104281844A (zh) 2015-01-14

Family

ID=52256704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410582771.6A Pending CN104281844A (zh) 2014-10-28 2014-10-28 基于粗分类的手部多模态快速识别方法

Country Status (1)

Country Link
CN (1) CN104281844A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069928A (zh) * 2020-08-19 2020-12-11 山西慧虎健康科技有限公司 一种手部目标掌纹提取及与中线拟合方法
CN113936305A (zh) * 2021-12-17 2022-01-14 北京圣点云信息技术有限公司 一种手掌识别过程中的中指位置确认方法及特征提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240514A1 (en) * 2007-03-26 2008-10-02 The Hong Kong Polytechnic University Method of personal recognition using hand-shape and texture
CN101470800A (zh) * 2007-12-30 2009-07-01 沈阳工业大学 手形识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240514A1 (en) * 2007-03-26 2008-10-02 The Hong Kong Polytechnic University Method of personal recognition using hand-shape and texture
CN101470800A (zh) * 2007-12-30 2009-07-01 沈阳工业大学 手形识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
汤永华等: "基于6416和FPGA的手部三模态识别装置设计与实现", 《电子技术应用 》 *
苑玮琦等: "全手掌纹5类主线特征选择方法研究", 《仪器仪表学报》 *
苑玮琦等: "基于分块和偏最小二乘的非接触式手掌静脉生物特征识别", 《仪器仪表学报》 *
苑玮琦等: "基于手部尺寸特征的手形认证方法", 《光学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069928A (zh) * 2020-08-19 2020-12-11 山西慧虎健康科技有限公司 一种手部目标掌纹提取及与中线拟合方法
CN112069928B (zh) * 2020-08-19 2024-02-02 山西慧虎健康科技有限公司 一种手部目标掌纹提取的生命线与中线拟合方法
CN113936305A (zh) * 2021-12-17 2022-01-14 北京圣点云信息技术有限公司 一种手掌识别过程中的中指位置确认方法及特征提取方法
CN113936305B (zh) * 2021-12-17 2022-03-08 北京圣点云信息技术有限公司 一种手掌识别过程中的中指位置确认方法及特征提取方法

Similar Documents

Publication Publication Date Title
CN104392223B (zh) 二维视频图像中的人体姿态识别方法
US7881524B2 (en) Information processing apparatus and information processing method
CN104899600B (zh) 一种基于深度图的手部特征点检测方法
CN104463250B (zh) 一种基于达芬奇技术的手语识别翻译方法
CN108470354A (zh) 视频目标跟踪方法、装置和实现装置
CN109829368B (zh) 手掌特征的识别方法、装置、计算机设备及存储介质
CN102982323B (zh) 快速步态识别方法
CN103971102A (zh) 基于手指轮廓和决策树的静态手势识别方法
CN107066998A (zh) 一种利用移动设备的指针式圆形单仪表盘实时识别方法
CN108363957A (zh) 基于级联网络的交通标志检测与识别方法
CN109190460B (zh) 基于累积匹配和等错误率的手形手臂静脉融合识别方法
CN107203742B (zh) 一种基于显著特征点提取的手势识别方法及装置
US20150286866A1 (en) Apparatus and method for analyzing trajectory
CN105138974B (zh) 一种基于Gabor编码的手指多模态特征融合方法
US20140254892A1 (en) Face recognition apparatus, system and method for managing users based on user grouping
JP2017211807A (ja) 物体認識装置、物体認識方法及びプログラム
CN109101864A (zh) 基于关键帧和随机森林回归的人体上半身动作识别方法
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
CN104134058B (zh) 一种人脸图像处理方法
CN112561878A (zh) 基于加权融合的手指静脉图像质量评价方法
CN106650628A (zh) 一种基于三维k曲率的指尖检测方法
CN107220634A (zh) 基于改进d‑p算法与多模板匹配的手势识别方法
CN104281844A (zh) 基于粗分类的手部多模态快速识别方法
CN114022845A (zh) 电工绝缘手套实时检测方法、计算机可读介质
CN116884045B (zh) 身份识别方法、装置、计算机设备和存储介质

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

Application publication date: 20150114

RJ01 Rejection of invention patent application after publication