CN105718848B - 一种指纹图像的质量评估方法及装置 - Google Patents

一种指纹图像的质量评估方法及装置 Download PDF

Info

Publication number
CN105718848B
CN105718848B CN201510686012.9A CN201510686012A CN105718848B CN 105718848 B CN105718848 B CN 105718848B CN 201510686012 A CN201510686012 A CN 201510686012A CN 105718848 B CN105718848 B CN 105718848B
Authority
CN
China
Prior art keywords
fingerprint image
value
quality
values
neural network
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
Application number
CN201510686012.9A
Other languages
English (en)
Other versions
CN105718848A (zh
Inventor
于泽
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.)
Shenzhen Chipsailing Technology Co ltd
Original Assignee
Shenzhen Chipsailing Technology Co ltd
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 Shenzhen Chipsailing Technology Co ltd filed Critical Shenzhen Chipsailing Technology Co ltd
Priority to CN201510686012.9A priority Critical patent/CN105718848B/zh
Publication of CN105718848A publication Critical patent/CN105718848A/zh
Application granted granted Critical
Publication of CN105718848B publication Critical patent/CN105718848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明适用于图像处理技术领域，提供了一种指纹图像的质量评估方法及装置，包括：计算指纹图像样本的特征值；将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。本发明能够实现小尺寸的指纹图像的质量评估，且由于在指纹图像的质量评估过程中采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。

Description

一种指纹图像的质量评估方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种指纹图像的质量评估方法及装置。
背景技术
指纹识别技术目前已经被广泛应用在门禁、考勤、支付、移动终端等技术领域，由于指纹传感器采集到的指纹图像多为小尺寸图像，指纹图像的质量在很大程度上影响着指纹识别的准确率，因此，在执行指纹识别之前，对指纹图像质量的判断过程就显得尤为重要。
现有技术通过指纹图像的信息熵或信息谱来确定权重的相似度，从而对指纹图像进行质量评估，然而，小尺寸图像的信息熵和信息谱的获取过程存在各种干扰因素，即使通过图像增强也无法完全消除噪声，容易产生大量的伪特征点，从而影响了对指纹图像质量的评估结果的准确性。
发明内容
有鉴于此，本发明实施例提供了指纹图像的质量评估方法及装置，旨在解决现有技术中对指纹图像的质量进行评估的准确性低的问题。
第一方面，提供了一种指纹图像的质量评估方法，包括：
计算指纹图像样本的特征值；
将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；
获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；
将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。
第二方面，提供了一种指纹图像的质量评估装置，包括：
第一特征值计算单元，用于计算指纹图像样本的特征值；
神经网络训练单元，用于将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；
第二特征值计算单元，用于获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；
质量评估单元，用于将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。
本发明实施例能够实现小尺寸的指纹图像的质量评估，且由于在指纹图像的质量评估过程中采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的指纹图像的质量评估方法的实现流程图；
图2是本发明实施例提供的指纹图像的质量评估方法S101的具体实现流程图；
图3是本发明实施例提供的指纹图像的质量评估方法的子图像划分示例图；
图4是本发明实施例提供的指纹图像的质量评估装置的结构框图。
具体实施方式
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
图1示出了本发明实施例提供的指纹图像的质量评估方法的实现流程，详述如下：
在S101中，计算指纹图像样本的特征值。
在本实施例中，通过神经网络来实现对小尺寸的指纹图像的质量评估，在进行质量评估之前，需要通过一定数量的指纹图像样本对神经网络进行训练，首先计算指纹图像样本的特征值，以将指纹图像样本的特征值作为神经网络的输入。
作为本发明的一个实施例，在计算指纹图像样本的特征值时，可以对指纹图像样本进行分解，以分别计算其中每个子图像的特征值，这样即能够得到全局图像的特征值，也可以根据实际的图像质量评估需求，得到局部图像的特征值，增加了指纹图像质量评估方案的灵活性。如图2所示，S101通过以下方式实现：
S201，将所述指纹图像样本划分为M*N个子图像，所述M和所述N均为正整数且所述M*N大于1。
在S201中，划分得到的子图像的数量至少为两个。作为一个具体的实现示例，如图3所示，将分辨率为a*b的指纹样本图像进行子图像划分，图中的每个S1即代表划分得到的一个子图像。
S202，分别计算每个所述子图像的所述特征值。
S203，将每个所述子图像的所述特征值根据预设算法组合后生成所述指纹图像样本的所述特征值。
在计算得到M*N个子图像的特征值之后，根据预设算法将这M*N个特征值进行组合，从而生成指纹图像样本的特征值，其中，预设算法包括但不限于将M*N个特征值进行求和、求平均、加权求和等算法，在此不用于限定本发明。
在本发明图2所示实施例的基础之上，进一步地，在计算指纹图像样本的特征值时，还可以综合多种不同类型的图像特征，以提高质量评估的准确性。具体地，指纹图像样本的特征值包括但不限于以下至少任意两项：局部二值模式值(Local Binary Patterns，LBP)、方差和灰度平均值。其中，LBP值用于记录图像中像素点与其周围像素点的对比信息或差异；方差用于反应图像中高频部分的大小；灰度平均值用于表示图像的总体亮度。
进一步地，作为本发明的一个实施例，当指纹图像样本的特征值至少为两项时，在图2所示实施例中，还可以为不同的特征值配置不同的M值和N值，以完成特征值的计算。示例性地，特征值的计算过程如下：
1、对LBP值的计算：
为LBP值配置M＝M1，N＝N1，将指纹图像样本划分为M1*N1个子图像S1，计算各子图像S1的LBP值。在LBP值的计算过程中，对于每个子图像S1可以进一步划分为3*3个子图像S11，以位于中心的子图像S11为比较点，与其8邻域或者4邻域的子图像S11做比较，根据比较结果转换得到LBP值。
2、对方差的计算：
为方差配置M＝M2，N＝N2，将指纹图像样本划分为M2*N2个子图像S2，分别计算各子图像S2的方差；
3、对灰度平均值的计算：
为LBP值配置M＝M3，N＝N3，将指纹图像样本划分为M3*N3个子图像S3，分别计算各子图像S3的灰度平均值。
在S102中，将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络。
最终输入神经网络的指纹图像样本的特征值可以记为X＝(x1,x2,…xl)，其中，l是子特征值的个数，括号里的每个分量代表指纹图像样本的一项特征值，从而将l个子特征值组合生成指纹图像样本的特征值，输入神经网络。
而对于神经网络的输出，是将指纹图像样本的质量值作为其输出，这此，对神经网络进行训练之前，所述方法还包括：
为每个所述指纹图像样本配置质量值。
在实现过程中，可以由本领域技术人员根据主观判断，将指纹图像样本进行质量分级，并将每个质量级别转化为相应的质量值，完成指纹图像样本质量的量化，使得最终通过训练好的神经网络得到的测试指纹图像的质量值也是量化值，可以直观地得到测试指纹图像的质量评估结果。
通过将一定数量的指纹图像样本一一输入神经网络，最终，使得关于所有指纹图像样本的预设函数值最小，即神经网络达到了收敛，由此就得到了训练好的神经网络。在训练过程中，X(k+1)＝g(w(k)X(k))，其中，w(k)为每一层神经网络对应的权值，g为响应函数，X(k)＝(xk1,xk2,…xkl)，而关于所有指纹图像样本的预设函数可以为∑(X(n)-y)2，y为指纹图像样本的质量值，即，该预设函数是对所有指纹图像样本的输入输出差值求平方和，由此得到了每层w(k)对应的权值，从而得到了训练好的神经网络。
在S103中，获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值。
在S103中，对测试指纹图像的特征值的提取采用与指纹图像样本的特征值提取相同的方式，在此不再赘述。
在S104中，将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。
在得到了训练好的神经网络之后，将测试指令图像输入该训练好的神经网络，就能够得到相应的量化的质量值。本发明实施例提供的方案能够实现小尺寸的指纹图像的质量评估，且由于采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的指纹图像的质量评估方法，图4示出了本发明实施例提供的指纹图像的质量评估装置的结构框图，所述指纹图像的质量评估装置可以是内置于指纹识别装置内的软件单元、硬件单元或者是软硬结合的单元。为了便于说明，仅示出了与本实施例相关的部分。
参照图4，该装置包括：
第一特征值计算单元41，计算指纹图像样本的特征值；
神经网络训练单元42，将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；
第二特征值计算单元43，获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；
质量评估单元44，将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。
可选地，所述第一特征值计算单元41包括：
划分子单元，将所述指纹图像样本划分为M*N个子图像，所述M和所述N均为正整数且所述M*N大于1；
计算子单元，分别计算每个所述子图像的所述特征值；
组合子单元，将每个所述子图像的所述特征值根据预设算法组合后生成所述指纹图像样本的所述特征值。
可选地，所述特征值包括以下至少任意两项：局部二值模式值、方差和灰度平均值。
可选地，所述第一特征值计算单元41还包括：
为不同的所述特征值配置不同的所述M值和所述N值。
可选地，所述装置还包括：
配置单元，用于为每个所述指纹图像样本配置质量值。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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存在，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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种指纹图像的质量评估方法，其特征在于，包括：
计算指纹图像样本的特征值；
将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；
获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；
将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值；
所述计算指纹图像样本的特征值包括：
为不同的所述特征值分别配置不同的M值和N值，分别将不同所述特征值的所述指纹图像样本划分为M*N个子图像，所述M和所述N均为正整数且所述M*N大于1；
分别计算每个所述子图像的所述特征值，所述特征值包括以下至少任意两项：局部二值模式值、方差和灰度平均值；
将每个所述子图像的所述特征值根据预设算法组合后生成所述指纹图像样本的所述特征值，所述预设算法包括对所述M*N个子图像的特征值进行加权求和生成所述指纹图像样本不同的所述特征值。
2.如权利要求1所述的方法，其特征在于，在所述训练神经网络之前，所述方法还包括：
为根据每个所述指纹图像样本的质量级别为该指纹图像样本配置质量值。
3.一种指纹图像的质量评估装置，其特征在于，包括：
第一特征值计算单元，用于计算指纹图像样本的特征值；
神经网络训练单元，用于将所述指纹图像样本的所述特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络，直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；
第二特征值计算单元，用于获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；
质量评估单元，用于将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值；
所述第一特征值计算单元包括：
划分子单元，用于为不同的所述特征值分别配置不同的M值和N值，分别将不同所述特征值的所述指纹图像样本划分为M*N个子图像，所述M和所述N均为正整数且所述M*N大于1；
计算子单元，用于分别计算每个所述子图像的所述特征值，所述特征值包括以下至少任意两项：局部二值模式值、方差和灰度平均值；
组合子单元，用于将每个所述子图像的所述特征值根据预设算法组合后生成所述指纹图像样本的所述特征值，所述预设算法包括对所述M*N个子图像的特征值进行加权求和生成所述指纹图像样本的不同所述特征值。
4.如权利要求3所述的装置，其特征在于，所述装置还包括：
配置单元，用于为根据每个所述指纹图像样本的质量级别为该指纹图像样本配置质量值。
CN201510686012.9A 2015-10-21 2015-10-21 一种指纹图像的质量评估方法及装置 Active CN105718848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510686012.9A CN105718848B (zh) 2015-10-21 2015-10-21 一种指纹图像的质量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510686012.9A CN105718848B (zh) 2015-10-21 2015-10-21 一种指纹图像的质量评估方法及装置

Publications (2)

Publication Number Publication Date
CN105718848A CN105718848A (zh) 2016-06-29
CN105718848B true CN105718848B (zh) 2020-08-07

Family

ID=56144969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510686012.9A Active CN105718848B (zh) 2015-10-21 2015-10-21 一种指纹图像的质量评估方法及装置

Country Status (1)

Country Link
CN (1) CN105718848B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650572A (zh) * 2016-09-12 2017-05-10 深圳芯启航科技有限公司 一种指纹图像的质量评估方法
CN106529545B (zh) * 2016-09-26 2019-11-26 北京林业大学 一种基于图像特征描述的散斑图像质量识别方法及系统
CN108121942B (zh) * 2016-11-30 2022-08-23 江西欧迈斯微电子有限公司 一种指纹识别的方法及装置
CN109003259B (zh) * 2018-06-25 2022-02-18 张威 基于纹线质量专家视觉认知机器学习的指纹质量评价方法
CN108900333A (zh) * 2018-06-27 2018-11-27 新华三大数据技术有限公司 一种无线网络质量的评估方法及评估装置
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置
KR20210057401A (ko) * 2019-11-12 2021-05-21 한국전자통신연구원 다중 생체정보 기반 사용자 인증 장치 및 방법
CN111753722B (zh) * 2020-06-24 2024-03-26 上海依图网络科技有限公司 一种基于特征点类型的指纹识别方法及装置
CN116665256B (zh) * 2023-06-05 2024-03-15 长春理工大学 一种基于指纹图像局部区域质量的指纹匹配方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN104268529A (zh) * 2014-09-28 2015-01-07 深圳市汇顶科技股份有限公司 指纹图像质量的判断方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540048A (zh) * 2009-04-21 2009-09-23 北京航空航天大学 一种基于支持向量机的图像质量评价方法
CN104268529A (zh) * 2014-09-28 2015-01-07 深圳市汇顶科技股份有限公司 指纹图像质量的判断方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用于指纹图像质量评价的新特征集;袁宝玺 等;《吉林大学学报(工学版)》;20140515;第44卷(第3期);840-846 *

Also Published As

Publication number Publication date
CN105718848A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
CN105718848B (zh) 一种指纹图像的质量评估方法及装置
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN108875511B (zh) 图像生成的方法、装置、系统及计算机存储介质
CN110082135A (zh) 设备故障识别方法、装置和终端设备
Coleman et al. Edge detecting for range data using laplacian operators
CN111091147B (zh) 一种图像分类方法、装置及设备
CN112766292B (zh) 身份认证的方法、装置、设备及存储介质
CN110751024A (zh) 基于手写签名的用户身份识别方法、装置及终端设备
CN107437258A (zh) 特征提取方法、运动状态估计方法以及运动状态估计装置
CN110782398B (zh) 图像处理方法、生成式对抗网络系统和电子设备
CN110969172A (zh) 一种文本的分类方法以及相关设备
CN108921111A (zh) 对象检测后处理方法及对应装置
CN103679639A (zh) 基于非局部均值的图像去噪方法和装置
Li et al. A comparative study of four nonlinear dynamic methods and their applications in classification of ship-radiated noise
CN111368602A (zh) 人脸图像模糊程度评价方法、装置、可读存储介质及设备
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN117074043A (zh) 车辆异动检测方法、系统、车辆及存储介质
CN110288604B (zh) 基于K-means的图像分割方法和装置
CN114626412B (zh) 用于无人值守传感器系统的多类别目标识别方法及系统
CN111079643A (zh) 基于神经网络的人脸检测方法、装置和电子设备
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN110647805B (zh) 一种网纹图像识别方法、装置及终端设备
CN110674681A (zh) 基于注意力机制的身份验证方法和装置
Estevez et al. Gamma-filter self-organising neural networks for unsupervised sequence processing
CN111723700A (zh) 一种人脸识别方法、装置及电子设备

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