CN105117700A - 一种掌静脉图像识别方法 - Google Patents
一种掌静脉图像识别方法 Download PDFInfo
- Publication number
- CN105117700A CN105117700A CN201510513369.7A CN201510513369A CN105117700A CN 105117700 A CN105117700 A CN 105117700A CN 201510513369 A CN201510513369 A CN 201510513369A CN 105117700 A CN105117700 A CN 105117700A
- Authority
- CN
- China
- Prior art keywords
- image
- carried out
- vena metacarpea
- recognizing method
- palm vein
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种掌静脉图像识别方法,包括通过图像采集装置进行手部掌静脉图像的采集;彩色图像灰度化;通过判断连通区域面积的大小确定识别区域并标记;对标记区域生成2DPCA特征库;对特征库内的像素进行分块;对分块像素进行高斯降噪处理;将分块后每个子块的投影矩阵进行加权处理;去除加权处理所得结果的椒盐噪声,得到特征数据;将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。本发明所公开的掌静脉图像识别方法,拒真率<0.001%,认假率<0.00001%,运算数据少,等待时间短,利于产业化实施。
Description
技术领域
本发明涉及数字信号处理领域,特别是该领域内的一种掌静脉图像识别方法。
背景技术
随着信息化时代的到来,信息的安全性与保密性引起了人们普遍的关注。掌静脉智能生物识别与认证是一种基于活体的生物特征识别与认证技术,其原理是根据血液中的血红素对近红外线的吸收,摄出掌静脉分布图,进行图像预处理,提取特征值,模式匹配,从而自动识别目标。目前国内对身份认证有极高要求的国防、金融、保密等战略领域所需的相关掌静脉智能生物识别产品全部依赖进口,且价格昂贵,国内尚未形成完整的软硬件体系结构。
中国发明专利申请CN102609697A公开了一种用于手静脉三维特征识别的藤蔓模型建模方法。首先通过管径均一、藤茎分级、节点剖分、蔓延约束四个原则简化和抽象手静脉空间结构;然后给出藤蔓模型的元素、属性和数学描述;最后利用藤蔓模型的数据结构绘制静脉立体图像。采用手静脉藤蔓模型来指导三维重建,可以减弱一些因素的影响,譬如:修复断裂的静脉、剔除毛刺和噪声,拟合静脉空间曲线;可以将复杂的三维静脉空间结构抽象化和简单化,便于数据的组织和特征的提取。但是该处理方式存在运算数据多,速度慢,等待时间长的缺点,难以产业化实施。
发明内容
本发明所要解决的技术问题,就是提供一种运算数据少,可以减少等待时间,利于产业化实施的掌静脉图像识别方法。
为了解决上述技术问题,本发明采用如下技术方案:
一种掌静脉图像识别方法,其改进之处在于,包括如下步骤:
(1)通过图像采集装置进行手部掌静脉图像的采集;
(2)彩色图像灰度化;
(3)通过判断连通区域面积的大小确定识别区域并标记;
(4)对标记区域生成2DPCA特征库;
(5)对特征库内的像素进行分块;
(6)对分块像素进行高斯降噪处理;
(7)将分块后每个子块的投影矩阵进行加权处理;
(8)去除加权处理所得结果的椒盐噪声,得到特征数据;
(9)将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。
进一步的,所述的步骤(1)中,通过近红外相机以等间隔的曝光时间和帧间隔连续采集N帧图像。
进一步的,所述的N≥25,曝光时间≤3ms。
进一步的,所述的步骤(3)中,所述的连通区域为手掌。
进一步的,所述的步骤(5)中,所述的分块方法为分为p行,q列,并构成子块集合Ai,i=p×q。
进一步的,所述的步骤(7)中,所述的加权处理方法为Zki=Biw tAki,其中Aki表示第ki子块图像,B表示列方向的投影矩阵。
本发明的有益效果是:
本发明所公开的掌静脉图像识别方法,拒真率<0.001%,认假率<0.00001%,运算数据少,等待时间短,利于在各类机关、小区、楼宇、家居的门禁系统;边防、海关、机场、车站、要害部门、重要会馆的安检系统;各种需要确认身份的认证系统;金库、枪械库、档案室、实验室、保密室、保险箱、重要设施设备仪器仪表管理;监狱管理;考勤管理等等领域进行产业化实施。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1,本实施例公开了一种掌静脉图像识别方法,包括如下步骤:
(1)通过图像采集装置进行手部掌静脉图像的采集,通过近红外相机以等间隔的曝光时间和帧间隔连续采集N帧图像,在本实施例中,所述的N=25,曝光时间=3ms。
(2)彩色图像灰度化;
(3)通过判断连通区域面积的大小确定识别区域并标记,所述的连通区域为手掌。
(4)对标记区域生成2DPCA特征库;
(5)对特征库内的像素进行分块,所述的分块方法为分为p行,q列,并构成子块集合Ai,i=p×q,其中p=17942,q=28542;
(6)对分块像素进行高斯降噪处理;
(7)将分块后每个子块的投影矩阵进行加权处理,所述的加权处理方法为Zki=Biw tAki,其中Aki表示第ki子块图像,B表示列方向的投影矩阵;
(8)去除加权处理所得结果的椒盐噪声,得到特征数据;
(9)将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。
实施例2,本实施例公开了一种掌静脉图像识别方法,包括如下步骤:
(1)通过图像采集装置进行手部掌静脉图像的采集,通过近红外相机以等间隔的曝光时间和帧间隔连续采集N帧图像,在本实施例中,所述的N=35,曝光时间=2ms。
(2)彩色图像灰度化;
(3)通过判断连通区域面积的大小确定识别区域并标记,所述的连通区域为手掌。
(4)对标记区域生成2DPCA特征库;
(5)对特征库内的像素进行分块,所述的分块方法为分为p行,q列,并构成子块集合Ai,i=p×q,其中p=10689,q=25794;
(6)对分块像素进行高斯降噪处理;
(7)将分块后每个子块的投影矩阵进行加权处理,所述的加权处理方法为Zki=Biw tAki,其中Aki表示第ki子块图像,B表示列方向的投影矩阵;
(8)去除加权处理所得结果的椒盐噪声,得到特征数据;
(9)将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。
实施例3,本实施例公开了一种掌静脉图像识别方法,包括如下步骤:
(1)通过图像采集装置进行手部掌静脉图像的采集,通过近红外相机以等间隔的曝光时间和帧间隔连续采集N帧图像,在本实施例中,所述的N=40,曝光时间=1ms。
(2)彩色图像灰度化;
(3)通过判断连通区域面积的大小确定识别区域并标记,所述的连通区域为手掌。
(4)对标记区域生成2DPCA特征库;
(5)对特征库内的像素进行分块,所述的分块方法为分为p行,q列,并构成子块集合Ai,i=p×q,其中p=10689,q=25794;
(6)对分块像素进行高斯降噪处理;
(7)将分块后每个子块的投影矩阵进行加权处理,所述的加权处理方法为Zki=Biw tAki,其中Aki表示第ki子块图像,B表示列方向的投影矩阵;
(8)去除加权处理所得结果的椒盐噪声,得到特征数据;
(9)将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。该计算机软件产品可以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)执行本申请各个实施例或者实施例的某些部分所述的方法。该计算机软件产品可以存储在内存中,内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括短暂电脑可读媒体(transitorymedia),如调制的数据信号和载波。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (6)
1.一种掌静脉图像识别方法,其特征在于,包括如下步骤:
(1)通过图像采集装置进行手部掌静脉图像的采集;
(2)彩色图像灰度化;
(3)通过判断连通区域面积的大小确定识别区域并标记;
(4)对标记区域生成2DPCA特征库;
(5)对特征库内的像素进行分块;
(6)对分块像素进行高斯降噪处理;
(7)将分块后每个子块的投影矩阵进行加权处理;
(8)去除加权处理所得结果的椒盐噪声,得到特征数据;
(9)将所得的特征数据与样本数据库中的样本数据进行比较,得到识别结果。
2.根据权利要求1所述的掌静脉图像识别方法,其特征在于:所述的步骤(1)中,通过近红外相机以等间隔的曝光时间和帧间隔连续采集N帧图像。
3.根据权利要求2所述的掌静脉图像识别方法,其特征在于:所述的N≥25,曝光时间≤3ms。
4.根据权利要求1所述的掌静脉图像识别方法,其特征在于:所述的步骤(3)中,所述的连通区域为手掌。
5.根据权利要求1所述的掌静脉图像识别方法,其特征在于:所述的步骤(5)中,所述的分块方法为分为p行,q列,并构成子块集合Ai,i=p×q。
6.根据权利要求1所述的掌静脉图像识别方法,其特征在于:所述的步骤(7)中,所述的加权处理方法为Zki=Biw tAki,其中Aki表示第ki子块图像,B表示列方向的投影矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510513369.7A CN105117700A (zh) | 2015-08-20 | 2015-08-20 | 一种掌静脉图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510513369.7A CN105117700A (zh) | 2015-08-20 | 2015-08-20 | 一种掌静脉图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105117700A true CN105117700A (zh) | 2015-12-02 |
Family
ID=54665683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510513369.7A Pending CN105117700A (zh) | 2015-08-20 | 2015-08-20 | 一种掌静脉图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117700A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182400A (zh) * | 2017-12-27 | 2018-06-19 | 成都理工大学 | 数码管动态显示识别方法及系统 |
CN108256528A (zh) * | 2018-01-24 | 2018-07-06 | 四川政安通科技有限公司 | 指掌纹安防系统 |
CN109446940A (zh) * | 2018-10-12 | 2019-03-08 | Oppo(重庆)智能科技有限公司 | 指纹识别方法、电子装置及计算机可读取介质 |
CN111144323A (zh) * | 2019-12-28 | 2020-05-12 | 广东智冠信息技术股份有限公司 | 一种掌静脉生物特征识别注册库自适应变化方法 |
CN111858982A (zh) * | 2020-04-27 | 2020-10-30 | 北京迈格威科技有限公司 | 图像搜索方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101777117A (zh) * | 2010-01-26 | 2010-07-14 | 哈尔滨工程大学 | 一种手指静脉特征提取于匹配识别方法 |
CN101789075A (zh) * | 2010-01-26 | 2010-07-28 | 哈尔滨工程大学 | 基于特征值归一化双向加权的手指静脉识别方法 |
CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
-
2015
- 2015-08-20 CN CN201510513369.7A patent/CN105117700A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101777117A (zh) * | 2010-01-26 | 2010-07-14 | 哈尔滨工程大学 | 一种手指静脉特征提取于匹配识别方法 |
CN101789075A (zh) * | 2010-01-26 | 2010-07-28 | 哈尔滨工程大学 | 基于特征值归一化双向加权的手指静脉识别方法 |
CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182400A (zh) * | 2017-12-27 | 2018-06-19 | 成都理工大学 | 数码管动态显示识别方法及系统 |
CN108256528A (zh) * | 2018-01-24 | 2018-07-06 | 四川政安通科技有限公司 | 指掌纹安防系统 |
CN108256528B (zh) * | 2018-01-24 | 2020-10-09 | 芜湖钱林电子信息技术有限公司 | 指掌纹安防系统 |
CN109446940A (zh) * | 2018-10-12 | 2019-03-08 | Oppo(重庆)智能科技有限公司 | 指纹识别方法、电子装置及计算机可读取介质 |
CN111144323A (zh) * | 2019-12-28 | 2020-05-12 | 广东智冠信息技术股份有限公司 | 一种掌静脉生物特征识别注册库自适应变化方法 |
CN111858982A (zh) * | 2020-04-27 | 2020-10-30 | 北京迈格威科技有限公司 | 图像搜索方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117700A (zh) | 一种掌静脉图像识别方法 | |
CN111462183A (zh) | 一种基于注意力机制双流网络的行为识别方法及系统 | |
CN106203333A (zh) | 人脸识别方法及系统 | |
US11514715B2 (en) | Deepfake video detection system and method | |
CN111951154B (zh) | 包含背景和介质的图片的生成方法及装置 | |
CN112668401B (zh) | 一种基于特征解耦合的人脸隐私保护方法和装置 | |
CN111191041A (zh) | 特征数据获取方法、数据存储方法、装置、设备及介质 | |
Jin et al. | Countering spoof: towards detecting deepfake with multidimensional biological signals | |
CN105117702A (zh) | 一种掌静脉图像识别装置 | |
CN111783593A (zh) | 基于人工智能的人脸识别方法、装置、电子设备及介质 | |
CN104820711A (zh) | 复杂场景下对人形目标的视频检索方法 | |
CN115512399A (zh) | 一种基于局部特征和轻量级网络人脸融合攻击检测的方法 | |
Jiang et al. | Practical face swapping detection based on identity spatial constraints | |
Yang et al. | Video face forgery detection via facial motion-assisted capturing dense optical flow truncation | |
Long et al. | Detection of Face Morphing Attacks Based on Patch‐Level Features and Lightweight Networks | |
Zennayi et al. | Unauthorized access detection system to the equipments in a room based on the persons identification by face recognition | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
Brantly | Beyond Hyperbole | |
Rajawat et al. | Face Recognition based Attendance System | |
Kakran et al. | Identification and Recognition of face and number Plate for Autonomous and Secure Car Parking | |
CN111860212B (zh) | 人脸图像的超分方法、装置、设备及存储介质 | |
CN103473562A (zh) | 特定人体动作的自动训练和识别系统 | |
CN117133039B (zh) | 图像鉴伪模型训练方法、图像鉴伪方法、装置及电子设备 | |
Marutotamtama et al. | Face Recognition and Face Spoofing Detector for Attendance System | |
Krishna et al. | Smart student attendance system based on facial recognition and machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20151202 |