CN105956579A - 融合模糊模板和点特征的手指静脉快速识别方法 - Google Patents
融合模糊模板和点特征的手指静脉快速识别方法 Download PDFInfo
- Publication number
- CN105956579A CN105956579A CN201610359752.6A CN201610359752A CN105956579A CN 105956579 A CN105956579 A CN 105956579A CN 201610359752 A CN201610359752 A CN 201610359752A CN 105956579 A CN105956579 A CN 105956579A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- finger
- fuzzy
- pixel
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种融合模糊模板和点特征的手指静脉快速识别方法。结合区域图像分割和数学形态学处理提取手指静脉纹路，依据静脉纹路构建模糊模板,依据细化后的静脉纹路提取点特征,先采用点特征进行模板对齐和粗筛选,然后基于模糊模板实现精细比对，实现快速可靠的手指静脉识别。采用点特征进行粗筛选，提高手指静脉特征匹配速度；结合点特征进行模糊模板对齐，采用模糊模板匹配方法实现手指静脉识别，对手指姿态变化和分割误差鲁棒性强，识别性能高。
Description
技术领域
本发明涉及一种手指静脉识别方法，属于安防生物特征识别技术领域。
背景技术
静脉识别是当前生物特征识别领域的研究热点，其主要优势在于：静脉藏匿在身体内部，不易被复制、窃取或干扰。可以广泛应用于银行、办公室、商场等场所的门禁和考勤领域，理论研究意义和市场应用价值巨大。人体可选择的手指样本较多，且由于手指较小，便于识别设备的小型化，因此手指静脉识别应用更为广泛。
目前，手指静脉识别方面已有不少研究成果，文献“Feature Extraction ofFinger-vein Patterns Based on Repeated Line Tracking and Its Application toPersonal Identification（Machine Vision and Applications, 2004）”采用模板匹配方法进行手指静脉识别，首先采用重复线跟踪技术提取手指静脉纹路，然后对二值图像进行模板匹配，该方法对手指的平移变换鲁棒性较强，但受旋转变换影响较大，且运算效率偏低。文献“基于相对距离和角度的手指静脉识别方法（华中科技大学学报(自然科学版)，2011）”采用点匹配方法进行手指静脉识别，首先定位图像细化后的手指静脉纹路的端点和交叉点的位置，然后计算这些关键点之间的相对距离，最后依据各关键点之间的距离差异判别两幅图像是否匹配。该方法对旋转和平移变换的鲁棒性较强，运算效率高，但手指静脉纹路中关键点数量有限，且易受分割误差影响，显著性和稳健性不强。文献“Finger veinrecognition using local line binary pattern（Sensors, 2011）”采用局部二值模式（Local Binary Pattern，LBP）匹配方法进行手指静脉识别，首先分别计算手指静脉图像在水平方向和垂直方向的LBP特征，然后采用海明距离（Hamming Distance，HD）进行特征匹配。该方法的是受图像亮度变化影响较小，但易受背景干扰，且耗时较多。文献“基于核Fisher鉴别分析的手指静脉识别（重庆邮电大学学报(自然科学版), 2012）”采用子空间匹配的方法进行手指静脉识别，采用核映射将原始输入静脉图像空间变换到一个更低维的特征空间中，在此特征空间上用核类间散度阵和核类内散度阵作为Fisher线性判别准则来得到最佳非线性鉴别特征，依据此鉴别特征计算其相互间的欧式距离进行识别，对于光照变化和水平位移的鲁棒性较强，但受背景影响较大，运算效率低。
现有方法存在的问题主要是难以兼顾识别性能与运算效率，易受姿态变换、分割误差和背景干扰。为解决上述问题，本发明提出了一种融合模糊模板和点特征的手指静脉快速识别方法，首先结合边缘检测定位手指静脉感兴趣区域，然后通过图像分割、数学形态学滤波和图像细化得到手指静脉纹路及骨架图像，接着依据细化图像提取关键点特征并进行粗筛选，提高手指静脉识别速度，最后构建模糊模板图像进行细匹配，并通过模板对齐来提高算法对手指姿态变换的鲁棒性，实现手指静脉的可靠识别。本发明可以有效提高手指静脉识别性能，广泛应用于智能门禁系统。
发明内容
本发明所要解决的技术问题在于提供一种融合模糊模板和点特征的手指静脉快速识别方法，结合区域图像分割和数学形态学处理提取手指静脉纹路，依据静脉纹路构建模糊模板,依据细化后的静脉纹路提取点特征,先采用点特征进行模板对齐和粗筛选,然后基于模糊模板实现精细比对，实现快速可靠的手指静脉识别。
为实现上述的发明目的，本发明采用下述的技术方案，流程图如图1所示：
1、手指静脉纹路提取
手指静脉纹路提取目的是从手指静脉图像中提取出手指静脉纹路信息。主要包括四个步骤：
Step1：图像预处理
由于环境光照、设备光照以及用户手指厚薄等因素的影响，不同手指静脉图像的对比度存在一定差异，为减弱该差异对手指静脉纹路提取的影响，本发明先对图像进行直方图均衡处理。如图2所示，图2（b）为图2（a）经过直方图均衡处理得到的图像。
Step2：图像分割
采用区域大津（OTSU）法进行图像分割，具体地，对任一像素点(x, y)，在其N×N（单位：像素，本发明中取N=7）邻域中采用OTSU方法计算最优分割阈值，最优分割阈值为使类间方差最大的灰度值，小于分割阈值的像素点判定为目标，否则判定为背景。假设t为分割阈值，表示灰度值为i的像素点数量，表示邻域中各像素灰度值的累加和，为图像的灰度级，取值为256，令
则类间方差为
遍历所有灰度值，选取使σ(t)最大的阈值t，
由于本发明中N×N邻域中只有49个像素点，灰度值小于均值的像素点数量更少，这些像素点中小于均值的灰度级更少，因此本发明计算局部最大类间方差时只遍历邻域中存在的灰度级，从而可以大幅降低类间方差计算耗时，提高图像分割速度。分割效果如图2(c)所示。
Step3：数学形态学滤波
分割后的图像经常出现噪声干扰，本发明首先采用数学形态学的开运算滤除噪声，然后采用闭运算修复部分断裂静脉。滤波器窗口尺寸与分割时的邻域尺寸一致，也为7×7（单位：像素）。滤波后的手指静脉图像记为f 1，如图2(d)所示。
Step4：图像细化
为便于提取静脉纹路的关键点，需对静脉图像进行细化处理，采用常用的Hilditch细化方法。细化后的图像记为f 2，如图2(e)所示。
2、点特征提取与粗筛选
在细化后的图像f 2上，寻找关键点，关键点p的坐标满足如下条件
其中，表示f 2上像素点的灰度值。背景灰度值为0，目标灰度值为255。
将找到的关键点位置和数量作为点特征，依据关键点位置进行粗筛选，粗筛选条件有两个，具体为：
条件1：记注册模板图像EImg和待认证图像VImg的关键点数量分别为N0和N1，如果N0与N1的差值绝对值超过阈值T1（这里取T1=10），则认为两幅图像不满足粗筛选条件，判定两幅图像不匹配。
条件2：对于注册模板图像中任一关键点p，计算它与待认证图像中距离最近的关键点的欧氏距离；统计注册模板图像中所有关键点对应的欧氏距离的平均值，如果该值大于阈值T2（这里取T2=50），则认为两幅图像不满足粗筛选条件，判定两幅图像不匹配。
3、模糊模板构建与细匹配
对于满足粗筛选条件的待认证图像，还需进行细匹配，防止误识别。细匹配采用模糊模板匹配的方法，首先需构建模糊模板，具体方法是：对二值图像f 1，模糊模板f 3为
其中，=0表示模糊模板中像素点为背景；=2表示模糊模板中像素点为目标，也即静脉纹路；=1表示模糊模板中像素点为模糊值，也即既可能是背景，也可能是目标。
为降低旋转、平移变换等对特征匹配的影响，需要对模板图像进行对齐操作，具体方法是：对于所求出的静脉图像点特征，设和分别表示EImg和VImg中欧氏距离最小的两个匹配点对的坐标，和分别表示EImg和VImg中欧氏距离次小的两个匹配点对的坐标，则EImg和VImg所对应的模糊模板图像的平移参数和旋转参数满足两个条件：
条件（1）：
条件（2）：
这样，可以求得平移参数和旋转参数，据此将VImg对应的模糊模板图像与EImg对应的模糊模板图像对齐。设表示中的任一像素点坐标，表示该像素点对齐后的坐标，则：
模板对齐之后，计算和的相似度为
其中，只有当目标点与背景点相比对时=0，否则=1，、为模糊模板图像的高和宽，具体地，
如果相似度r大于阈值T3（这里取T3=0.7），则认为两幅图像相匹配，否则判定两幅图像不匹配。
本发明的优点在于：采用点特征进行粗筛选，提高手指静脉特征匹配速度；结合点特征进行模糊模板对齐，采用模糊模板匹配方法实现手指静脉识别，对手指姿态变化和分割误差鲁棒性强，识别性能高。
附图说明
图1 手指静脉识别流程图，
图2 手指静脉纹路提取流程。
具体实施方式
一种融合模糊模板和点特征的手指静脉快速识别方法，结合区域图像分割和数学形态学处理提取手指静脉纹路，依据静脉纹路构建模糊模板,依据细化后的静脉纹路提取点特征,先采用点特征进行模板对齐和粗筛选,然后基于模糊模板实现精细比对，实现快速可靠的手指静脉识别。
Claims (2)
1.融合模糊模板和点特征的手指静脉快速识别方法，结合区域图像分割和数学形态学处理提取手指静脉纹路，依据静脉纹路构建模糊模板,依据细化后的静脉纹路提取点特征,其特征在于，先采用点特征进行模板对齐和粗筛选,然后基于模糊模板实现精细比对，实现手指静脉识别，具体步骤为：
（1）、手指静脉纹路提取
手指静脉纹路提取目的是从手指静脉图像中提取出手指静脉纹路信息，包括四个步骤：
Step1：图像预处理
由于环境光照、设备光照以及用户手指厚薄因素的影响，不同手指静脉图像的对比度存在差异，为减弱该差异对手指静脉纹路提取的影响，先对图像进行直方图均衡处理，
Step2：图像分割
采用区域大津法进行图像分割，具体地，对任一像素点(x, y)，在其N×N，单位：像素，取N=7，邻域中采用OTSU方法计算最优分割阈值，最优分割阈值为使类间方差最大的灰度值，小于分割阈值的像素点判定为目标，否则判定为背景，假设t为分割阈值，表示灰度值为i的像素点数量，表示邻域中各像素灰度值的累加和，为图像的灰度级，取值为256，令
则类间方差为
遍历所有灰度值，选取使σ(t)最大的阈值t，
，
Step3：数学形态学滤波
分割后的图像经常出现噪声干扰，首先采用数学形态学的开运算滤除噪声，然后采用闭运算修复部分断裂静脉，滤波器窗口尺寸与分割时的邻域尺寸一致，也为7×7，单位：像素，滤波后的手指静脉图像记为f 1，
Step4：图像细化
为便于提取静脉纹路的关键点，需对静脉图像进行细化处理，采用Hilditch细化方法，细化后的图像记为f 2，
（2）、点特征提取与粗筛选
在细化后的图像f 2上，寻找关键点，关键点p的坐标满足如下条件
其中，表示f 2上像素点的灰度值，背景灰度值为0，目标灰度值为255，将找到的关键点位置和数量作为点特征，依据关键点位置进行粗筛选，
（3）、模糊模板构建与细匹配
对于满足粗筛选条件的待认证图像，还需进行细匹配，防止误识别，细匹配采用模糊模板匹配的方法，首先需构建模糊模板，具体方法是：对二值图像f 1，模糊模板f 3为
其中，=0表示模糊模板中像素点为背景；=2表示模糊模板中像素点为目标，也即静脉纹路；=1表示模糊模板中像素点为模糊值，也即既可能是背景，也可能是目标，
为降低旋转、平移变换对特征匹配的影响，需要对模板图像进行对齐操作，具体方法是：对于所求出的静脉图像点特征，设和分别表示EImg和VImg中欧氏距离最小的两个匹配点对的坐标，和分别表示EImg和VImg中欧氏距离次小的两个匹配点对的坐标，则EImg和VImg所对应的模糊模板图像的平移参数和旋转参数满足两个条件：
条件（1）：
条件（2）：
这样，可以求得平移参数和旋转参数，据此将VImg对应的模糊模板图像与EImg对应的模糊模板图像对齐，设表示中的任一像素点坐标，表示该像素点对齐后的坐标，则：
模板对齐之后，计算和的相似度为
其中，只有当目标点与背景点相比对时=0，否则=1，、为模糊模板图像的高和宽，具体地，
如果相似度r大于阈值T3，取T3=0.7，则认为两幅图像相匹配，否则判定两幅图像不匹配。
2.根据权利要求1所述的融合模糊模板和点特征的手指静脉快速识别方法，其特征在于，所述粗筛选条件有两个，具体为：
条件1：记注册模板图像EImg和待认证图像VImg的关键点数量分别为N0和N1，如果N0与N1的差值绝对值超过阈值T1，取T1=10，则认为两幅图像不满足粗筛选条件，判定两幅图像不匹配，
条件2：对于注册模板图像中任一关键点p，计算它与待认证图像中距离最近的关键点的欧氏距离；统计注册模板图像中所有关键点对应的欧氏距离的平均值，如果该值大于阈值T2，取T2=50，则认为两幅图像不满足粗筛选条件，判定两幅图像不匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610359752.6A CN105956579A (zh) | 2016-05-27 | 2016-05-27 | 融合模糊模板和点特征的手指静脉快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610359752.6A CN105956579A (zh) | 2016-05-27 | 2016-05-27 | 融合模糊模板和点特征的手指静脉快速识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105956579A true CN105956579A (zh) | 2016-09-21 |
Family
ID=56909778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610359752.6A Pending CN105956579A (zh) | 2016-05-27 | 2016-05-27 | 融合模糊模板和点特征的手指静脉快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105956579A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657209A (zh) * | 2017-07-07 | 2018-02-02 | 杭州电子科技大学 | 一种基于手指静脉图像质量的模板图像注册机制 |
| CN108171188A (zh) * | 2018-01-04 | 2018-06-15 | 天津大学 | 用于快速匹配识别手指静脉的mcm方法 |
| CN108428242A (zh) * | 2017-02-15 | 2018-08-21 | 宏达国际电子股份有限公司 | 图像处理装置及其方法 |
| CN108615253A (zh) * | 2018-04-12 | 2018-10-02 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
| CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
| CN109598247A (zh) * | 2018-12-07 | 2019-04-09 | 黑龙江大学 | 基于静脉图像细节点与纹路特征的二维码身份认证方法 |
| CN109800702A (zh) * | 2019-01-16 | 2019-05-24 | 北京智慧眼科技股份有限公司 | 指静脉识别的快速比对方法及计算机可读取的存储介质 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN109934114A (zh) * | 2019-02-15 | 2019-06-25 | 重庆工商大学 | 一种手指静脉模板生成与更新算法及系统 |
| CN110298161A (zh) * | 2019-06-28 | 2019-10-01 | 联想(北京)有限公司 | 应用于电子设备的身份认证方法和电子设备 |
| CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
| CN111643082A (zh) * | 2020-06-22 | 2020-09-11 | 苏州高新区人民医院 | 一种乳腺mri成像呼吸伪影抑制方法 |
| CN111667518A (zh) * | 2020-06-24 | 2020-09-15 | 北京百度网讯科技有限公司 | 人脸图像的显示方法、装置、电子设备及存储介质 |
| CN112085802A (zh) * | 2020-07-24 | 2020-12-15 | 浙江工业大学 | 一种基于双目摄像头获取三维指静脉图像的方法 |
| CN113516604A (zh) * | 2021-09-14 | 2021-10-19 | 成都数联云算科技有限公司 | 图像修复方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
| CN101751564A (zh) * | 2010-02-04 | 2010-06-23 | 华南理工大学 | 基于最大邻域内差矢量图的静脉纹路提取方法 |
| 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 |
| CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
| CN103336945A (zh) * | 2013-06-10 | 2013-10-02 | 黑龙江大学 | 融合局部特征与全局特征的指静脉识别方法 |
| CN103778423A (zh) * | 2013-11-25 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
| CN104463120A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于二叉树的手指静脉识别方法 |
| CN104463175A (zh) * | 2014-12-23 | 2015-03-25 | 智慧眼（湖南）科技发展有限公司 | 手指静脉特征匹配方法和装置 |
| CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
-
2016
- 2016-05-27 CN CN201610359752.6A patent/CN105956579A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
| CN101751564A (zh) * | 2010-02-04 | 2010-06-23 | 华南理工大学 | 基于最大邻域内差矢量图的静脉纹路提取方法 |
| 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 |
| CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
| CN103336945A (zh) * | 2013-06-10 | 2013-10-02 | 黑龙江大学 | 融合局部特征与全局特征的指静脉识别方法 |
| CN103778423A (zh) * | 2013-11-25 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 基于灰度近邻和方差约束的手指静脉纹路修复方法 |
| CN104463120A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于二叉树的手指静脉识别方法 |
| CN104463175A (zh) * | 2014-12-23 | 2015-03-25 | 智慧眼（湖南）科技发展有限公司 | 手指静脉特征匹配方法和装置 |
| CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
Non-Patent Citations (5)
| Title |
|---|
| BYUNG JUN KANG ET AL: "Multimodal biometric authentication based on the fusion of finger vein and finger geometry", 《OPTICAL ENGINEERING》 * |
| NAOTO MIURA ET AL: "Feature extraction of finger-vein patterns based on repeated line tracking", 《MACHINE VISION AND APPLICATIONS》 * |
| PEIQIN LI ET AL: "Finger vein recognition algorithm based on optimized GHT", 《OPTIK-INTERNATIONAL JOURNAL FOR LIGHT AND ELECTRON OPTICS》 * |
| T LIU ET AL: "An algorithm for finger-vein segmentation based on modified repeated line tracking", 《THE IMAGING SCIENCE JOURNAL》 * |
| 谢剑斌: "一种基于优化区域OTSU的静脉图像分割算法", 《信号处理》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108428242A (zh) * | 2017-02-15 | 2018-08-21 | 宏达国际电子股份有限公司 | 图像处理装置及其方法 |
| CN108428242B (zh) * | 2017-02-15 | 2022-02-08 | 宏达国际电子股份有限公司 | 图像处理装置及其方法 |
| CN107657209A (zh) * | 2017-07-07 | 2018-02-02 | 杭州电子科技大学 | 一种基于手指静脉图像质量的模板图像注册机制 |
| CN107657209B (zh) * | 2017-07-07 | 2020-07-28 | 杭州电子科技大学 | 一种基于手指静脉图像质量的模板图像注册机制 |
| CN108171188B (zh) * | 2018-01-04 | 2021-11-23 | 天津大学 | 用于快速匹配识别手指静脉的mcm方法 |
| CN108171188A (zh) * | 2018-01-04 | 2018-06-15 | 天津大学 | 用于快速匹配识别手指静脉的mcm方法 |
| CN108615253A (zh) * | 2018-04-12 | 2018-10-02 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
| CN108615253B (zh) * | 2018-04-12 | 2022-09-13 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
| CN109522842A (zh) * | 2018-11-16 | 2019-03-26 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
| CN109522842B (zh) * | 2018-11-16 | 2023-01-17 | 中国民航大学 | 一种基于手指静脉图像的血管网络修复方法 |
| CN109598247A (zh) * | 2018-12-07 | 2019-04-09 | 黑龙江大学 | 基于静脉图像细节点与纹路特征的二维码身份认证方法 |
| CN109598247B (zh) * | 2018-12-07 | 2022-09-06 | 黑龙江大学 | 基于静脉图像细节点与纹路特征的二维码身份认证方法 |
| CN109800702A (zh) * | 2019-01-16 | 2019-05-24 | 北京智慧眼科技股份有限公司 | 指静脉识别的快速比对方法及计算机可读取的存储介质 |
| CN109800702B (zh) * | 2019-01-16 | 2021-01-26 | 智慧眼科技股份有限公司 | 指静脉识别的快速比对方法及计算机可读取的存储介质 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN109934114A (zh) * | 2019-02-15 | 2019-06-25 | 重庆工商大学 | 一种手指静脉模板生成与更新算法及系统 |
| CN109934114B (zh) * | 2019-02-15 | 2023-05-12 | 重庆工商大学 | 一种手指静脉模板生成与更新算法及系统 |
| CN110443128B (zh) * | 2019-06-28 | 2022-12-27 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
| CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
| CN110298161A (zh) * | 2019-06-28 | 2019-10-01 | 联想(北京)有限公司 | 应用于电子设备的身份认证方法和电子设备 |
| CN111643082A (zh) * | 2020-06-22 | 2020-09-11 | 苏州高新区人民医院 | 一种乳腺mri成像呼吸伪影抑制方法 |
| CN111667518A (zh) * | 2020-06-24 | 2020-09-15 | 北京百度网讯科技有限公司 | 人脸图像的显示方法、装置、电子设备及存储介质 |
| CN111667518B (zh) * | 2020-06-24 | 2023-10-31 | 北京百度网讯科技有限公司 | 人脸图像的显示方法、装置、电子设备及存储介质 |
| CN112085802A (zh) * | 2020-07-24 | 2020-12-15 | 浙江工业大学 | 一种基于双目摄像头获取三维指静脉图像的方法 |
| CN113516604B (zh) * | 2021-09-14 | 2021-11-16 | 成都数联云算科技有限公司 | 图像修复方法 |
| CN113516604A (zh) * | 2021-09-14 | 2021-10-19 | 成都数联云算科技有限公司 | 图像修复方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105956579A (zh) | 融合模糊模板和点特征的手指静脉快速识别方法 | |
| Zhang et al. | Fingerprint classification based on extraction and analysis of singularities and pseudo ridges | |
| CN106096569B (zh) | 一种手指静脉识别方法 | |
| CN108256456B (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
| CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
| CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
| CN107748877A (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
| CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
| CN104504383B (zh) | 一种基于肤色和Adaboost算法的人脸检测方法 | |
| CN102156887A (zh) | 一种基于局部特征学习的人脸识别方法 | |
| CN106127193B (zh) | 一种人脸图像识别方法 | |
| Rai et al. | Gender classification techniques: A review | |
| Peng et al. | Recognition of low-resolution logos in vehicle images based on statistical random sparse distribution | |
| CN104463120B (zh) | 基于二叉树的手指静脉识别方法 | |
| Azom et al. | Face and Iris biometrics person identification using hybrid fusion at feature and score-level | |
| CN105975905B (zh) | 一种手指静脉快速识别方法 | |
| CN105701495A (zh) | 图像纹理特征提取方法 | |
| CN108537143A (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
| CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
| CN107229899B (zh) | 一种基于二维高斯最大曲率的手指静脉识别方法 | |
| CN105975960B (zh) | 基于纹理方向能量特征的虹膜识别方法 | |
| Prashanth et al. | Off-line signature verification based on angular features | |
| Anjomshoae et al. | Enhancement of template-based method for overlapping rubber tree leaf identification | |
| Prashanth et al. | DWT based offline signature verification using angular features | |
| CN103207993A (zh) | 基于核的判别随机近邻嵌入分析的人脸识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20191122 |
|
| AD01 | Patent right deemed abandoned |