CN106096569B - 一种手指静脉识别方法 - Google Patents

一种手指静脉识别方法 Download PDF

Info

Publication number
CN106096569B
CN106096569B CN201610457524.2A CN201610457524A CN106096569B CN 106096569 B CN106096569 B CN 106096569B CN 201610457524 A CN201610457524 A CN 201610457524A CN 106096569 B CN106096569 B CN 106096569B
Authority
CN
China
Prior art keywords
finger
vein
image
bianry image
bianry
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
CN201610457524.2A
Other languages
English (en)
Other versions
CN106096569A (zh
Inventor
邸思
刘跃跃
金建
陈贤帅
杜如虚
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.)
Guangzhou Institute of Advanced Technology of CAS
Original Assignee
Guangzhou Institute of Advanced Technology of CAS
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 Guangzhou Institute of Advanced Technology of CAS filed Critical Guangzhou Institute of Advanced Technology of CAS
Priority to CN201610457524.2A priority Critical patent/CN106096569B/zh
Publication of CN106096569A publication Critical patent/CN106096569A/zh
Application granted granted Critical
Publication of CN106096569B publication Critical patent/CN106096569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种手指静脉识别方法，包括如下步骤：S1、采集近红外光下的手指图像；S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；S6、利用K近邻算法计算识别结果。该方法具有较强的抗干扰能力，特别是对于图像的旋转平移扭曲等不利情况，可同时降低拒真率与认假率。

Description

一种手指静脉识别方法
技术领域
本发明属于图像处理与生物识别技术领域，尤其涉及一种手指静脉识别方法。
背景技术
血红蛋白对近红外光具有较强的吸收性并且其他组织与骨骼对近红外光不是太敏感，因此在近红外光穿透手指的时候，静脉血管部分会有一些阴影，这些阴影就是静脉部分。静脉部分在人体的表皮下，很难被复制与伪造，并且手指静脉具有鲜明的个体特异性。因此，手指静脉识别技术已成为身份认证的重要方式。
手指静脉识别在身份认证、出入口管理，安防监控，电子商务、电子政务等领域有着重要的应用价值，已经成为生物特征识别技术中的重要研究邻域之一。由于血红蛋白对近红外光的吸收特性，通过红外成像能够获取手指的静脉分布图像。同时，个体的手指静脉分布具有特异性，因此可以据此进行身份的鉴别。与传统的生物识别(比如指纹识别)相比，手指静脉识别具有活体识别、不易伪造等优点，手指静脉识别主要包含两部分，第一是手指静脉的特征提取，第二是手指静脉的匹配识别。目前较为通用的是提取静脉的二值形状特征，然后根据改进的模板匹配识别算法计算匹配距离。在匹配过程中，通过平移输入特征图像中的感兴趣区域，在数据库中寻找与其最相似区域所在的图像。
现有的手指静脉识别产品存在一些问题，比如，容易受光照，阴影等因素的干扰，在每次静脉采集的时候会出现一定的平移、旋转、扭曲等。而现有的手指静脉识别对于手指的放置位置存在一定的要求，在手指旋转，平移等情况下识别率较低。同时，在现有模板匹配算法中，匹配参数大多根据经验选取，导致算法的鲁棒性较差。
发明内容
有鉴于此，为了解决上述技术问题，本发明提供一种手指静脉识别方法，首先对采集的图像进行有效的滤波，去除噪声，采用局部自适应阈值对静脉进行特征提取，基于最小二乘法与仿射变换对手指的扭曲等进行旋转校正，同时基于K近邻算法在匹配识别方面进行了优化，提高了算法的效率。
本发明通过以下技术手段解决上述问题：
一种手指静脉识别方法，包括如下步骤：
S1、采集近红外光下的手指图像；
S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；
S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；
S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；
S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；
S6、利用K近邻算法计算识别结果。
进一步地，步骤S2中，对采集到的手指图像进行预处理与去噪时包括图像大小归一化、滤波去噪、灰度归一化。
进一步地，步骤S3中，具体过程如下：
S31：遍历手指二值图像的上下边缘，获得这些点的坐标，根据这些坐标拟合直线，计算该直线的斜率，即倾斜角度；
S32：判断倾斜角度大小，如果大于某一个值则进行校正变换；
S33：若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新定位出ROI手指部位。
进一步地，步骤S4中，获取的静脉二值图像的静脉部分灰度值是255即白色、背景部分为0即黑色。
进一步地，步骤S5中，具体步骤如下：
S51：为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值图像压缩为原来的1/3；
S52：计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x,y)与I(x,y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x,y)处的灰度值，w,h是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，cw与ch分别是在水平方向与垂直方向上移动的距离范围，注册静脉二值图像R(x,y)的有效矩形区域为:左上角的是R(cw，ch),右下角是R(w-cw，h-ch)；
误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域之间的相似程度，计算公式为：其中φ(P1,P2)为：当|P1-P2|＝255时为1，否则为0；
最小误匹配系数为两幅静脉二值图像的距离表示如下：
其中t0与s0是最小匹配值时的s与t。
进一步地，步骤S51中，压缩步骤如下：
对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图，其中均值范围在0～85在灰度图中标识为0,86～170为125,171～255为255，这样构造一个为原来图像大小的1/3的静脉二值图像。
进一步地，步骤S6中，具体过程如下：
S61、每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进行按照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个数，判断该k个手指静脉二值图像所在类别出现的频率；
S62、返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个阈值，则匹配失败；
S63、显示识别结果。
与现有技术相比，本发明的有益效果如下：
本发明首先对手指静脉图像进行旋转校正，将其归一化到水平角度上，然后基于k近邻算法对模板匹配过程进行改进，从而提高了静脉识别算法整体的鲁棒性与准确性；
本发明的手指静脉识别方法具有较强的抗干扰能力，特别是对于图像的旋转平移扭曲等不利情况，可同时降低拒真率与认假率。
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为本发明手指静脉识别方法的流程图；
图2为图1的具体操作流程图；
图3为本发明的实施例CCD采集的图像效果图；
图4为手指部位的ROI区域定位图；
图5为对于旋转图像的倾斜校正图；
图6为静脉图像的局部自适应阈值特征提取的二值特征图像图；
图7为K近邻后的手指距离分布图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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。
本发明提出的基于改进的模板匹配算法的手指静脉识别方法，该方法根据手指的静脉形状，采用局部自适应阈值进行特征提取，同时为了增强对手指旋转情况的鲁棒性，采用最小二乘法对手指进行旋转平移，最后利用基于K近邻(K近邻法)的改进的模板匹配算法计算识别结果。
如图1、图2所示，一种手指静脉识别方法，包括如下步骤：
S1、采集近红外光下的手指图像；
S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；
对采集到的手指图像进行预处理与去噪时包括图像大小归一化、滤波去噪、灰度归一化；
S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；
具体过程如下：
S31：遍历手指二值图像的上下边缘，获得这些点的坐标，根据这些坐标拟合直线，计算该直线的斜率，即倾斜角度；
S32：判断倾斜角度大小，如果大于某一个值(手指的倾斜角度在一个可以接受的范围内近似为水平，不用校正)则进行校正变换；
S33：若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新定位出ROI手指部位；
S4、用局部自适应阈值(Local Adaptive Threshold)进行手指二值图像的静脉特征提取，获取静脉二值图像；
获取的静脉二值图像的静脉部分灰度值是255(白色)，背景部分为0(黑色)；
S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；
具体步骤如下：
S51：为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值图像压缩为原来的1/3；
压缩步骤如下：
对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图，其中均值范围在0～85在灰度图中标识为0,86～170为125,171～255为255，这样构造一个为原来图像大小的1/3的静脉二值图像；
S52：计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x,y)与I(x,y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x,y)处的灰度值，w,h是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，cw与ch分别是在水平方向与垂直方向上移动的距离范围，注册静脉二值图像R(x,y)的有效矩形区域为:左上角的是R(cw，ch),右下角是R(w-cw，h-ch)；
误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域之间的相似程度，计算公式为：其中φ(P1,P2)为：当|P1-P2|＝255时为1，否则为0；
最小误匹配系数为两幅静脉二值图像的距离表示如下：
其中t0与s0是最小匹配值时的s与t。
S6、利用K近邻算法计算识别结果；
具体过程如下：
S61、每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进行按照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个数，判断该k个手指静脉二值图像所在类别出现的频率；
S62、返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个阈值，则匹配失败；
S63、显示识别结果。
本发明用于基于K近邻的改进的手指静脉模板匹配识别方法在基于手指静脉的唯一身份管理系统的应用。
本发明可广泛应用于使用手指静脉身份认证与识别的场景。一个典型的应用就是基于手指静脉的生物特征识别在金融安全领域的金融交易。假设某银行采用了基于K近邻的改进的手指静脉模板匹配识别的身份管理系统。银行管理人员为王某进行注册采集到5张手指静脉图片，当以后王某进行金融交易时，无需输入密码，直接扫描手指。免除因密码忘记，以及被人盗走账号密码等风险。大大增强了个人的财产安全。对于基于本发明开发的系统，首先采集到手指静脉图像，然后进行一系列的图像预处理，获得二值特征图像，将特征图像进行空间压缩，再计算输入图像与数据库中的注册图像之间的匹配距离，最后根据K近邻算法获取识别结果，完成识别。最后验证王某能否进行交易。
针对本发明的手指静脉识别方法验证。如图3-6所示，本次实验采用工业CCD相机，拍摄图片大小为500*500的RGB图。本发明的实验采集手指图像690张，共138个手指，每个手指是5张。在实验中，选取一张为待测图像其他689张为模板数据库图像。因此共匹配了475410(690*689)次。实验结果表明FAR(认假率)为0，FRR(拒真率)为0.76％。获得较高的识别率。实验证明基于K近邻的改进的手指静脉模板匹配识别方法具有较高的实用价值。
如图7所示，实验验证K近邻算法计算同一手指与不同手指之间的匹配距离分布，横坐标是每个图的索引号，共690张图。其中“◆”点为正确的匹配手指，“+”点为错误的匹配手指，根据图像，选取匹配分数为0.17这样低于0.17的可以认为是正确的匹配，高于则认为是错误的匹配。
本发明通过引入旋转矫正过程，使算法能够在干扰较为剧烈(如手指旋转，平移等)的情况下准确的获取识别结果，鲁棒性大为提高。同时通过引入k近邻方法对模板匹配与识别过程进行了改进，使得算法的识别准确率与鲁棒性也得到提高。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种手指静脉识别方法，其特征在于，包括如下步骤：
S1、采集近红外光下的手指图像；
S2、对采集到的手指图像进行预处理与去噪，再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位，获取手指二值图像；
S3、判断手指二值图像是否有旋转扭曲干扰，若存在则进行校正变换；
S4、用局部自适应阈值进行手指二值图像的静脉特征提取，获取静脉二值图像；
S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离；
S6、利用K近邻算法计算识别结果；
步骤S5中，具体步骤如下：
S51：为了建立匹配数据，对静脉二值图像进行空间压缩与重新标识，将静脉二值图像压缩为原来的1/3；
S52：计算输入静脉二值图像与注册静脉二值图像之间的匹配距离，假设R(x,y)与I(x,y)为数据库中的注册静脉二值图像与处理好的输入静脉二值图像在(x,y)处的灰度值，w,h是静脉二值图像的宽度与高度，两幅静脉二值图像大小都是一样的，cw与ch分别是在水平方向与垂直方向上移动的距离范围，注册静脉二值图像R(x,y)的有效矩形区域为:左上角的是R(cw，ch),右下角是R(w-cw，h-ch)；
误匹配系数表示注册静脉二值图像的有效区域与输入静脉二值图像的某个区域之间的相似程度，计算公式为：
其中φ(P1,P2)为：当|P1-P2|＝255时为1，否则为0；
最小误匹配系数为两幅静脉二值图像的距离表示如下：
其中t0与s0是最小匹配值时的s与t。
2.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S2中，对采集到的手指图像进行预处理与去噪时包括图像大小归一化、滤波去噪、灰度归一化。
3.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S3中，具体过程如下：
S31：遍历手指二值图像的上下边缘，获得这些点的坐标，根据这些坐标拟合直线，计算该直线的斜率，即倾斜角度；
S32：判断倾斜角度大小，如果大于某一个值则进行校正变换；
S33：若倾斜角度大于上述的某个值，采用仿射变换进行图像的旋转校正，并重新定位出ROI手指部位。
4.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S4中，获取的静脉二值图像的静脉部分灰度值是255即白色、背景部分为0即黑色。
5.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S51中，压缩步骤如下：
对静脉二值图像的非重叠的8邻域求均值，将求得的均值映射为另外一个灰度图，其中均值范围在0～85在灰度图中标识为0,86～170为125,171～255为255，这样构造一个为原来图像大小的1/3的静脉二值图像。
6.根据权利要求1所述的手指静脉识别方法，其特征在于，步骤S6中，具体过程如下：
S61、每个手指的注册静脉二值图像为5张，计算了所有的相似度之后，对相似度进行按照从小到大排序，选取排序之后的前k个静脉二值图像，k小于注册静脉二值图像的个数，判断该k个手指静脉二值图像所在类别出现的频率；
S62、返回频率最高的手指类别作为识别手指，若该识别类别距离的均值大于一个阈值，则匹配失败；
S63、显示识别结果。
CN201610457524.2A 2016-06-20 2016-06-20 一种手指静脉识别方法 Active CN106096569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610457524.2A CN106096569B (zh) 2016-06-20 2016-06-20 一种手指静脉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610457524.2A CN106096569B (zh) 2016-06-20 2016-06-20 一种手指静脉识别方法

Publications (2)

Publication Number Publication Date
CN106096569A CN106096569A (zh) 2016-11-09
CN106096569B true CN106096569B (zh) 2019-07-09

Family

ID=57237420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610457524.2A Active CN106096569B (zh) 2016-06-20 2016-06-20 一种手指静脉识别方法

Country Status (1)

Country Link
CN (1) CN106096569B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121943B (zh) * 2016-11-30 2022-05-06 阿里巴巴集团控股有限公司 基于图片的判别方法及装置和计算设备
CN107688597B (zh) * 2017-06-16 2021-12-21 湖北民族大学 一种大型真菌识别方法
CN107729820B (zh) * 2017-09-27 2020-07-21 五邑大学 一种基于多尺度hog的手指静脉识别方法
CN109784174A (zh) * 2018-12-14 2019-05-21 深圳壹账通智能科技有限公司 一种用户账户的登录方法及设备
CN110348289B (zh) * 2019-05-27 2023-04-07 广州中国科学院先进技术研究所 一种基于二值图的手指静脉识别方法
CN110472479B (zh) * 2019-06-28 2022-11-22 广州中国科学院先进技术研究所 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
CN111209851B (zh) * 2020-01-04 2023-06-20 圣点世纪科技股份有限公司 一种基于指腹静脉和指背静脉深度融合的指静脉识别方法
CN111652088B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种基于视频选优机制的指静脉注册方法及注册装置
CN111639555B (zh) * 2020-05-15 2023-06-20 圣点世纪科技股份有限公司 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置
CN111931786B (zh) * 2020-06-23 2022-02-01 联宝(合肥)电子科技有限公司 一种图像处理方法、装置及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697228A (zh) * 2009-10-15 2010-04-21 东莞市步步高教育电子产品有限公司 一种文本图像处理方法
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
CN103886282A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉图像采集方法
CN104297439A (zh) * 2014-10-21 2015-01-21 南京农业大学 一种基于计算机视觉的双黄鸭蛋自动识别检测方法
CN104751147A (zh) * 2015-04-16 2015-07-01 成都汇智远景科技有限公司 一种图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697228A (zh) * 2009-10-15 2010-04-21 东莞市步步高教育电子产品有限公司 一种文本图像处理方法
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
CN103886282A (zh) * 2014-02-26 2014-06-25 中国船舶重工集团公司第七一〇研究所 一种手指静脉图像采集方法
CN104297439A (zh) * 2014-10-21 2015-01-21 南京农业大学 一种基于计算机视觉的双黄鸭蛋自动识别检测方法
CN104751147A (zh) * 2015-04-16 2015-07-01 成都汇智远景科技有限公司 一种图像识别方法

Also Published As

Publication number Publication date
CN106096569A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106096569B (zh) 一种手指静脉识别方法
Han et al. Palm vein recognition using adaptive Gabor filter
Qin et al. Finger-vein verification based on the curvature in Radon space
Yang et al. Comparative competitive coding for personal identification by using finger vein and finger dorsal texture fusion
CN105956579A (zh) 融合模糊模板和点特征的手指静脉快速识别方法
Wang et al. Hand vein recognition based on multiple keypoints sets
Lu et al. Finger vein identification using polydirectional local line binary pattern
Patil et al. A novel approach for fingerprint matching using minutiae
Uriarte-Antonio et al. Vascular biometrics based on a minutiae extraction approach
Mokni et al. Pre-processing and extraction of the ROIs steps for palmprints recognition system
Zhichao et al. Two modality-based bi-finger vein verification system
Huang et al. Noise removal and impainting model for iris image
Rane et al. Multimodal system using Radon-Gabor transform
Ribarić et al. Personal recognition based on the Gabor features of colour palmprint images
Roy et al. A Personal Biometric Identification technique based on iris recognition
Krishnan et al. Finger vein recognition based on anatomical features of vein patterns
Cao et al. Fingerprint image enhancement and minutiae extraction algorithm
Jose et al. Towards building a better biometric system based on vein patterns in human beings
Kumar et al. Finger vein based human identification and recognition using gabor filter
Zhang et al. Finger-vein recognition based on gradient distribution and self-adaptive recovery model
Sharma et al. Improved human identification using finger vein images
Biradar Personal identification using palmprint biometrics based on principal line approach
KR20170087755A (ko) 퍼지 추론 기반 지정맥 영상 추출 방법 및 그 장치
Li et al. Verifying fingerprint match by local correlation methods
Vasilopoulos et al. A novel finger vein recognition system based on enhanced maximum curvature points

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