CN106503609B - 指纹纹线点的识别方法及装置 - Google Patents

指纹纹线点的识别方法及装置 Download PDF

Info

Publication number
CN106503609B
CN106503609B CN201510566721.3A CN201510566721A CN106503609B CN 106503609 B CN106503609 B CN 106503609B CN 201510566721 A CN201510566721 A CN 201510566721A CN 106503609 B CN106503609 B CN 106503609B
Authority
CN
China
Prior art keywords
pixel
row
fingerprint
target pixel
pixel points
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
CN201510566721.3A
Other languages
English (en)
Other versions
CN106503609A (zh
Inventor
王红法
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201510566721.3A priority Critical patent/CN106503609B/zh
Priority to JP2017558410A priority patent/JP6487576B2/ja
Priority to EP16843427.2A priority patent/EP3349140B1/en
Priority to PCT/CN2016/079584 priority patent/WO2017041488A1/zh
Priority to KR1020177035024A priority patent/KR101939936B1/ko
Publication of CN106503609A publication Critical patent/CN106503609A/zh
Priority to US15/841,055 priority patent/US10558841B2/en
Application granted granted Critical
Publication of CN106503609B publication Critical patent/CN106503609B/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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • G06V40/1353—Extracting features related to minutiae or pores
    • 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
    • G06V40/1376—Matching features related to ridge properties or fingerprint texture

Landscapes

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

Abstract

本发明实施例公开了一种指纹纹线点的识别方法，包括：接收输入的指纹图像，对所述指纹图像进行方向场估计；遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。本发明还公开了一种指纹纹线点的识别装置。本发明中指纹纹线点的识别方法及装置可以提高识别的准确性。

Description

指纹纹线点的识别方法及装置
技术领域
本发明涉及图像识别技术领域，尤其涉及一种指纹纹线点的识别方法及装置。
背景技术
指纹由于其具有终身不变性、唯一性和方便性，已几乎成为生物特征识别的代名词。指纹识别的发展经历了数百年的历史，是身份鉴别最重要的一种技术。指纹，英文名称为fingerprint，是指人的手指末端正面皮肤上凸凹不平产生的纹线，两枚指纹经常会具有相同的总体特征，但它们的细节特征，却不可能完全相同。指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或转折。这些断点、分叉点和转折点就称为"特征点"。指纹识别，即指通过比较不同指纹的特征点来进行身份鉴别的一种技术。
传统技术中，指纹识别中的特征点检测依赖于指纹纹线，也就是通过对指纹纹线进行分析得到特征点。而在根据采集的指纹图像得到指纹纹线的过程中，是经过将指纹图像二值化实现的，即将指纹纹线点使用黑色像素，而将指纹纹线两边的背景区域使用白色像素，从而利于指纹特征点的识别。
传统技术中的常见的二值化方法通常有基于Gabor滤波，自适应局部二值化等方法。使用Gabor滤波的方法，需要准确计算局部方向以及纹线频率，这在某些低质量指纹图像的预处理中是比较难以做到的，因此往往撸棒性偏低，而影响最终的识别性能，从而造成指纹识别的准确率比较低。
发明内容
基于此，为解决上述提到的传统技术中基于Gabor滤波进行指纹图像的二值化的方法造成的二值化图像的撸棒性偏低，造成的指纹识别的准确率比较低的技术问题，特提供了一种指纹纹线点的识别方法。
一种指纹纹线点的识别方法，包括：
接收输入的指纹图像，对所述指纹图像进行方向场估计；
遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；
以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；
计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
此外，为解决上述提到的传统技术中基于Gabor滤波进行指纹图像的二值化的方法造成的二值化图像的撸棒性偏低，造成的指纹识别的准确率比较低的技术问题，特提供了一种指纹纹线点的识别装置。
一种指纹纹线点的识别装置，包括：
指纹图像接收模块，用于接收输入的指纹图像，对所述指纹图像进行方向场估计；
像素点方向获取模块，用于遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；
参考像素点选取模块，用于以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；
指纹纹线点判定模块，用于计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
实施本发明实施例，将具有如下有益效果：
采用了上述指纹纹线点的识别方法及装置之后，在对指纹图像进行二值化时，遍历指纹图像中的像素点，以遍历到的像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行，然后计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。和传统技术中采用滤波或阈值过滤的方式相比，不仅参考了遍历到的像素点的灰度值，还参考了与遍历到的像素点相邻位置上的像素点的灰度值，从而有效地去除了误判的噪点，提高了识别地准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中一种指纹纹线点的识别方法的流程图；
图2为一个实施例中以目标像素点为中心划定矩形区域的示意图；
图3为一个实施例中矩形区域中的像素点行中各像素点的灰度值的示意图；
图4为一个实施例中接收的指纹图像的示意图；
图5为一个实施例中二值化后的指纹纹线图像示意图；
图6为一个实施例中纹线距离定义的示意图；
图7为一个实施例中计算加权和作为像素点行中像素点的灰度值之和的过程的流程图；
图8为一个实施例中指纹纹线点的识别装置的示意图；
图9为一个实施例中运行前述指纹纹线点的识别方法的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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作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。
为解决上述提到的传统技术中基于Gabor滤波进行指纹图像的二值化的方法造成的二值化图像的撸棒性偏低，造成的指纹识别的准确率比较低的技术问题，在一个实施例中，提供了一种指纹纹线点的识别方法，该方法可依赖于计算机实现，可运行于基于冯诺依曼体系的计算机系统上。该计算机程序可以是指纹识别程序。该计算机系统可以是安装有指纹传感器的智能手机、平板电脑、掌上电脑，笔记本电脑或个人电脑等终端设备。
具体的，如图1所示，该方法包括：
步骤S102：接收输入的指纹图像，对所述指纹图像进行方向场估计。
步骤S104：遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向。
在本实施例中，可通过摄像头采集指纹图像。用户将手指按压在指纹传感器的玻璃板上，位于玻璃板下方的图像采集装置即可得到该手指的指纹图像。在另一个实施例中，也可接收其他设备已经拍摄完成的指纹图像，对已经得到的指纹图像进行指纹识别。
优选的，在采集了指纹图像之后，还可先对指纹图像进行光照归一化。光照归一化的目的是去除在采集指纹图像时，光照对指纹图像的影响。也就是说，在采集指纹图像时，由于光源位置或光照强度的不同，会造成采集的指纹图像中某些区域较亮而另一些区域较暗，或者整体上偏亮或者偏暗。经过光照归一化之后则可将偏亮或偏暗的区域修正，从而去除光照对采集的指纹图像的影响。在本实施例中，可采用基于特征子空间的方法或者基于直方图均衡的修正方法实现光照归一化。
对指纹图像的方向场估计即为获取指纹图像中经过每一个像素点的纹线(又叫脊线)的方向信息。在本实施例中，可基于像素点灰度值的梯度分布计算每个点的方向信息。例如，若像素点左侧和右侧相邻的像素点的灰度值与像素点的灰度值的差值较小，而像素点上侧和下侧的像素点的灰度值与像素点的灰度值的差值较大，则纹线方向即为像素点的左侧到右侧的水平方向，与纹线方向垂直的法线方向即为像素点的上侧到下侧的垂直方向。
步骤S106：以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行。
如图2所示，指纹图像中包含有多个像素点，当遍历到像素点A时，即将像素点A作为目标像素点。像素点A1、A2、A、A3、A4连成的方向即为通过对像素点A的方向场估计得到的像素点A的纹线方向，E、D、C、B、F、G、H、I连成的方向即为通过对像素点A的方向场估计得到的像素点A的法线方向，且像素点A的纹线方向和法线方向垂直正交。
在本实施例中，以像素点A为中心点划定的矩形区域即为以E1、E4、I4、I1为顶点构成的矩形区域，该矩形区域的四条边分别为：以像素点E1、D1、C1、B1、F1、G1、H1、I1的连线构成的长侧边、以像素点E1、E2、E、E3、E4的连线构成的短侧边、以像素点E4、D4、C4、B4、F4、G4、H4、I4的连线构成的长侧边、以及以像素点I1、I2、E、I3、I4的连线构成的短侧边。
由图2可知，该矩形(E1，E4，I4，I1)中沿像素点A的法线方向排列有多个像素点行，包括：
第一像素点行：E1、E2、E、E3、E4；
第二像素点行：D1、D2、D、D3、D4；
第三像素点行：C1、C2、C、C3、C4；
……
第九像素点行：I1、I2、I、I3、I4。
步骤S108：计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
如图3所示，图3展示了图2中矩形(E1，E4，I4，I1)中包含的各个像素点的灰度值，可求得每个像素点行的灰度值之和：
第一像素点行E1、E2、E、E3、E4的灰度值之和为79+45+83+84+51＝342；
第二像素点行D1、D2、D、D3、D4的灰度值之和为42+80+49+97+96＝364；
第三像素点行C1、C2、C、C3、C4的灰度值之和为43+46+88+50+58＝285；
……
第五像素点行A1、A2、A、A3、A4的灰度值之和为12+11+7+23+4＝57；
……
第九像素点行I1、I2、I、I3、I4的灰度值之和为98+54+48+49+53＝302。
通过比较，可知，第五像素点行中的像素点的灰度值之和为57，且第五像素点中包含目标像素点A，即，包含目标像素点A的像素点行对应的灰度值之和为所有像素点行各自对应的灰度值之和中的最小值，因此可判定目标像素点A为指纹纹线点。
第五像素点行中的像素点A1、A2、A3、A4均为处于目标像素点A纹线方向的像素点。而其他像素点行中的像素点，例如第四像素点行B1、B2、B、B3、B4，为同样在该纹线方向上，与第五像素点行沿法线方向相邻并列的像素点行。若第五像素点行中的像素点的灰度值之和小于第四像素点行中的像素点的灰度值之和，则意味着第五像素点行中的像素点的颜色整体上比第四像素点行中的像素点的颜色更深，更加符合指纹纹线的特征。因此，若要在第五像素点行构成的候选指纹纹线和第四像素点行构成的候选指纹纹线之中选择一条作为指纹纹线，则必然会选择第五像素点行构成的候选指纹纹线，那么目标像素点A即可被判定为该指纹纹线中的指纹纹线点。
另外，在本实施例中，划定了矩形区域，并计算各个像素点行的灰度值之和进行比较，可使得在判定指纹纹线点时，不仅使用目标像素点A的灰度值作为评判依据，还参考了目标像素点A的纹线方向上相邻的像素点的灰度值。例如，若目标像素点的灰度值较大，但A1、A2、A3、A4的灰度值较小，使得第五像素点行中整体的灰度值之和较小，则意味着目标像素点A可能为噪声点，仍然可以将目标像素点判定为指纹纹线点，从而排除了噪声点的干扰，提高了识别的准确度。
如前所述，依次执行步骤S104至步骤S108直至遍历完整个指纹图像中的像素点之后，即可确定指纹图像中包含的指纹纹线点，将这些指纹纹线点的灰度值设置为较大值(例如255)，将指纹图像中非指纹纹线点的像素点的灰度值设置为较小值(例如0)，则将指纹图像二值化，从而利于后续对指纹图像中包含的特征的识别过程。例如，如图4和图5所示，图4展示了输入的指纹图像，图5为遍历了输入的指纹图像中所有的像素点生成的二值化的图像，其中指纹纹线点的灰度值为255，非指纹纹线点的灰度值为0(即经过了反色处理)。
进一步的，在本实施例中，矩形的长侧边的长度可预先进行设定，具体的，以所述目标像素点为中心点划定矩形区域的步骤为：计算指纹图像的平均纹线距离，根据平均纹线距离设置所述像素点行的第一数量。
如图6所示，通常，指纹中脊线与相临谷线的间距被定义为指纹纹线距离。从技术实现的角度来考虑，一般通过计算脊线中心到谷线中心的长度作为纹线距离。设指纹图像中有n条宽度分别为w1,…,wn的脊线，被n-1条宽度为v1,…,vn的谷线分隔，如图6所示.则纹线距离计算如下:
ri＝wi/2+vi+wi+1/2
指纹图像的平均纹线距离(下文简称纹线距离)则是指一定区域内纹线距离的平均值。一般来讲，纹线距离的大小取决于指纹本身的结构和图像采集的分辨率。在指纹图像中，纹线距离越大，表明该处纹线越稀疏；反之，纹线距离越小，表明该处纹线越密集。也可以通过估算纹线频率得到平均纹线距离。纹线距离估计的方法可包括几何法和谱分析法。也可以使用尹义龙提出的基于统计窗的纹线距离估计方法，或者祝恩提出的将各局部区域在一条穿过该区域中心并且各点切线方向都和纹线走向垂直的曲线上投影，据此计算出整个图像的平均纹线距离的方法。
在本实施例中，在估算得到了平均纹线距离(可以像素点的数量标识平均纹线距离)之后，根据平均纹线距离设置所述像素点行的第一数量可具体为：将像素点行的第一数量设置为小于平均纹线距离对应的像素点的数量。
参考图2、图3和图6所示，若将像素点行的第一数量设置的较大，则划定的矩形区域在目标像素点A的法线方向延展较大，有可能会跨越两条纹线，使得并列的指纹脊线上的像素点到影响到了对目标像素点A的判定。将像素点行的第一数量设置为平均纹线距离对应的像素点的数量之后，划定的矩形区域在目标像素点A的法线方向上则不会覆盖多条纹线，因此排除了其他纹线的干扰，从而提高了二值化图像的精确度。
相应的，在本实施例中，根据所述纹线间隔长度设置所述像素点行的个数的步骤之后还可根据所述像素点行的个数设置各个所述像素点行中包含的像素点的第二数量；所述第二数量的取值为所述第一数量的1/3到2/3。
也就是说，在根据目标像素点划定矩形区域时，沿目标像素点的纹线方向选取的像素点可少于沿目标像素点的法线方向选取的像素点，即矩形区域沿目标像素点的法线方向延展的侧边为矩形区域的长边，矩形区域沿目标像素点的纹线方向延展的侧边为矩形区域的短边。且短边的长度选为长边的长度的1/3到2/3之间。
若第二数量设置较大，则在遇到指纹纹线尖锐弯曲的部分的目标像素点时，对其的判定容易受到弯折的纹线上其他指纹纹线点的干扰。若第二数量设置较小，则对于被误采集为噪声点的目标像素点的判断所依赖的相邻的参考像素点的数量下降，容易较忽略被误采集为噪声点的目标像素点。将第二数量的取值设置为第一数量的1/3到2/3，则可让两者得到平衡，使得二值化的准确率得到提升。
优选的，在计算各个所述像素点行中像素点的灰度值之和时，可不采用代数和的方式计算得到像素点行中像素点的灰度值之和，而是为像素点行中每个像素点设置相应的权重系数，然后根据权重系数计算加权和作为像素点行中像素点的灰度值之和，具体的，如图7所示，包括：
步骤S202：遍历各个像素点行，获取遍历到的像素点行作为目标像素点行。
步骤S204：获取遍历到的像素点行作为目标像素点行中各个像素点的灰度值以及对应的权重系数。
步骤S206：将遍历到的像素点行中各个像素点的灰度值乘以相应的权重系数后相加得到加权和。
例如，如图3所示，对于第一像素点行E1、E2、E、E3、E4，若E1和E4对应的权重系数为b1，E2和E3对应的权重系数为b2，E对应的权重系数为b3，则第一像素点行E1、E2、E、E3、E4的灰度值之和为：
79×b1+45×b2+83×b3+84×b2+51×b1；
预先为像素点行中每个位置的像素点设置好合理的权重系数，可使得计算得到的像素点行的灰度值之和中各个像素点的灰度值所占的比例产生变化，从而使得像素点行中部分位置的像素点对整个像素点行的灰度值之和产生更大的影响。
优选的，目标像素点行中各个像素点的权重系数随着与所述目标像素点行中的中心像素点的距离递减。
如上例中，由于E2和E3相对于E1和E4对判定E是否为指纹纹线点的影响较大，因此，对于E1和E4对应的权重系数为b1则可设置为小于E2和E3对应的权重系数为b2。而由于E的灰度值相对于E2和E3对判定E是否为指纹纹线点的影响较大，因此，对于E2和E3对应的权重系数为b2则可设置为小于E对应的权重系数为b3。
以到目标像素点行中的中心像素点的距离递减的方式设置目标像素点行中每个像素点的权重系数，可使得与目标像素点行中的中心像素点(即与目标像素点均处于目标像素点的法线方向上的像素点)的距离较近的像素点的灰度值对目标像素点行的灰度值之和的影响较大，与目标像素点行中的中心像素点的距离较远的像素点的灰度值对目标像素点行的灰度值之和的影响较小，从而提高了判定的准确性。
优选的，遍历指纹图像中的像素点作为目标像素点的步骤之后还可获取目标像素点的灰度值，判断目标像素点的灰度值的是否大于阈值，若是，则判定目标像素点为非指纹纹线点。
也就是说，可对指纹图像进行预估计，将灰度值明显较高的像素点直接判定为非指纹纹线点，从而省略了划定矩阵区域的步骤，提高了识别的速度。
为解决上述提到的传统技术中基于Gabor滤波进行指纹图像的二值化的方法造成的二值化图像的撸棒性偏低，造成的指纹识别的准确率比较低的技术问题，在一个实施例中，如图8所示，还提供了一种指纹纹线点的识别装置，包括指纹图像接收模块102、像素点方向获取模块104、参考像素点选取模块106和指纹纹线点判定模块108，其中：
指纹图像接收模块102，用于接收输入的指纹图像，对所述指纹图像进行方向场估计；
像素点方向获取模块104，用于遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；
参考像素点选取模块106，用于以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；
指纹纹线点判定模块108，用于计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
在本实施例中，参考像素点选取模块106还用于计算所述指纹图像的平均纹线距离，根据所述平均纹线距离设置所述像素点行的第一数量。
在本实施例中，参考像素点选取模块106还用于根据所述像素点行的个数设置各个所述像素点行中包含的像素点的第二数量；所述第二数量的取值为所述第一数量的1/3到2/3。
在本实施例中，指纹纹线点判定模块108还用于遍历各个像素点行，获取遍历到的像素点行作为目标像素点行；获取遍历到的像素点行作为目标像素点行中各个像素点的灰度值以及对应的权重系数；将遍历到的像素点行中各个像素点的灰度值乘以相应的权重系数后相加得到加权和。
在本实施例中，如图8所示，指纹纹线点的识别装置还包括预过滤模块110，用于获取所述目标像素点的灰度值，判断所述目标像素点的灰度值的是否大于阈值，若是，则判定所述目标像素点为非指纹纹线点。
实施本发明实施例，将具有如下有益效果：
采用了上述指纹纹线点的识别方法及装置之后，在对指纹图像进行二值化时，遍历指纹图像中的像素点，以遍历到的像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行，然后计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。和传统技术中采用滤波或阈值过滤的方式相比，不仅参考了遍历到的像素点的灰度值，还参考了与遍历到的像素点相邻位置上的像素点的灰度值，从而有效地去除了误判的噪点，提高了识别地准确度。
在一个实施例中，如图9所示，图9展示了一种运行上述向用户列表中的多个用户群发消息的方法的基于冯诺依曼体系的计算机系统10。该计算机系统10可以是智能手机、平板电脑、掌上电脑，笔记本电脑或个人电脑等终端设备。具体的，可包括通过系统总线连接的外部输入接口1001、处理器1002、存储器1003和输出接口1004。其中，外部输入接口1001可选的可包括鼠标10012、键盘10014、触摸板10016或网络接口10018中的至少一个。存储器1003可包括外存储器10032(例如硬盘、光盘或软盘等)和内存储器10034。输出接口1004可包括显示屏10042和音响/喇叭10044等设备。
在本实施例中，本方法的运行基于计算机程序，该计算机程序的程序文件存储于前述基于冯诺依曼体系的计算机系统10的外存储器10032中，在运行时被加载到内存储器10034中，然后被编译为机器码之后传递至处理器1002中执行，从而使得基于冯诺依曼体系的计算机系统10中形成逻辑上的指令接收模块102、第一目标属性参数获取模块104、群组创建模块106以及群聊模块108。且在上述向用户列表中的多个用户群发消息的方法执行过程中，输入的参数均通过外部输入接口1001接收，并传递至存储器1003中缓存，然后输入到处理器1002中进行处理，处理的结果数据或缓存于存储器1003中进行后续地处理，或被传递至输出接口1004进行输出。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (11)

1.一种指纹纹线点的识别方法，其特征在于，包括：
接收输入的指纹图像，对所述指纹图像进行方向场估计；
遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；
以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；每个像素点行包括至少一个像素点；
计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
2.根据权利要求1所述的指纹纹线点的识别方法，其特征在于，所述以所述目标像素点为中心点划定矩形区域的步骤还包括：
计算所述指纹图像的平均纹线距离，根据所述平均纹线距离设置所述像素点行的第一数量。
3.根据权利要求2所述的指纹纹线点的识别方法，其特征在于，所述计算所述指纹图像的平均纹线距离，根据所述平均纹线距离设置所述像素点行的第一数量的步骤之后还包括：
根据所述像素点行的个数设置各个所述像素点行中包含的像素点的第二数量；
所述第二数量的取值为所述第一数量的1/3到2/3。
4.根据权利要求1所述的指纹纹线点的识别方法，其特征在于，所述计算各个所述像素点行中像素点的灰度值之和的步骤为：
遍历各个像素点行，获取遍历到的像素点行作为目标像素点行；
获取所述目标像素点行中各像素点的灰度值以及对应的权重系数；
将所述目标像素点行中各个像素点的灰度值乘以相应的权重系数后相加得到加权和。
5.根据权利要求4所述的指纹纹线点的识别方法，其特征在于，所述目标像素点行中各个像素点的权重系数随着与所述目标像素点行中的中心像素点的距离递减。
6.根据权利要求1至5任一项所述的指纹纹线点的识别方法，其特征在于，所述遍历所述指纹图像中的像素点作为目标像素点的步骤之后还包括：
获取所述目标像素点的灰度值，判断所述目标像素点的灰度值是否大于阈值，若是，则判定所述目标像素点为非指纹纹线点。
7.一种指纹纹线点的识别装置，其特征在于，包括：
指纹图像接收模块，用于接收输入的指纹图像，对所述指纹图像进行方向场估计；
像素点方向获取模块，用于遍历所述指纹图像中的像素点作为目标像素点，获取根据方向场估计得到的所述目标像素点的纹线方向以及与所述纹线方向垂直的法线方向；
参考像素点选取模块，用于以所述目标像素点为中心点划定矩形区域，且所述矩形区域的长和宽的延展方向分别对应所述目标像素点的纹线方向和法线方向，所述矩形区域包含沿所述法线方向排列的多个像素点行；每个像素点行包括至少一个像素点；
指纹纹线点判定模块，用于计算各个所述像素点行中像素点的灰度值之和，在包含所述目标像素点的像素点行对应的灰度值之和为最小值时，判定所述目标像素点为指纹纹线点。
8.根据权利要求7所述的指纹纹线点的识别装置，其特征在于，所述参考像素点选取模块还用于计算所述指纹图像的平均纹线距离，根据所述平均纹线距离设置所述像素点行的第一数量。
9.根据权利要求8所述的指纹纹线点的识别装置，其特征在于，所述参考像素点选取模块还用于根据所述像素点行的个数设置各个所述像素点行中包含的像素点的第二数量；所述第二数量的取值为所述第一数量的1/3到2/3。
10.根据权利要求7所述的指纹纹线点的识别装置，其特征在于，所述指纹纹线点判定模块还用于遍历各个像素点行，获取遍历到的像素点行作为目标像素点行；获取所述目标像素点行中各像素点的灰度值以及对应的权重系数；将所述目标像素点行中各个像素点的灰度值乘以相应的权重系数后相加得到加权和。
11.根据权利要求7至10任一项所述的指纹纹线点的识别装置，其特征在于，所述装置还包括预过滤模块，用于获取所述目标像素点的灰度值，判断所述目标像素点的灰度值是否大于阈值，若是，则判定所述目标像素点为非指纹纹线点。
CN201510566721.3A 2015-09-08 2015-09-08 指纹纹线点的识别方法及装置 Active CN106503609B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201510566721.3A CN106503609B (zh) 2015-09-08 2015-09-08 指纹纹线点的识别方法及装置
JP2017558410A JP6487576B2 (ja) 2015-09-08 2016-04-18 指紋隆線点認識方法および装置
EP16843427.2A EP3349140B1 (en) 2015-09-08 2016-04-18 Fingerprint ridge point recognition method and apparatus
PCT/CN2016/079584 WO2017041488A1 (zh) 2015-09-08 2016-04-18 指纹纹线点的识别方法及装置
KR1020177035024A KR101939936B1 (ko) 2015-09-08 2016-04-18 지문 융기부 지점 인식 방법 및 장치
US15/841,055 US10558841B2 (en) 2015-09-08 2017-12-13 Method and apparatus for recognizing fingerprint ridge point

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510566721.3A CN106503609B (zh) 2015-09-08 2015-09-08 指纹纹线点的识别方法及装置

Publications (2)

Publication Number Publication Date
CN106503609A CN106503609A (zh) 2017-03-15
CN106503609B true CN106503609B (zh) 2019-07-16

Family

ID=58239186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510566721.3A Active CN106503609B (zh) 2015-09-08 2015-09-08 指纹纹线点的识别方法及装置

Country Status (6)

Country Link
US (1) US10558841B2 (zh)
EP (1) EP3349140B1 (zh)
JP (1) JP6487576B2 (zh)
KR (1) KR101939936B1 (zh)
CN (1) CN106503609B (zh)
WO (1) WO2017041488A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341482B (zh) * 2017-07-13 2020-07-10 海信视像科技股份有限公司 指纹识别方法、装置及计算机可读存储介质
CN109426795A (zh) * 2017-09-05 2019-03-05 比亚迪股份有限公司 指纹识别方法和装置
JP7384157B2 (ja) * 2018-06-19 2023-11-21 ソニーグループ株式会社 情報処理装置、ウエアラブル機器、情報処理方法及びプログラム
CN109976615B (zh) * 2019-03-28 2021-03-12 Oppo广东移动通信有限公司 指纹图像处理方法及相关装置
KR102223320B1 (ko) * 2019-08-13 2021-03-05 숭실대학교산학협력단 인접 그레이스케일 비교에 기초한 차량 led 조명 상태 판단 방법 및 장치
JP6927611B1 (ja) * 2020-03-16 2021-09-01 Ｎｅｃプラットフォームズ株式会社 特徴量抽出装置、特徴量抽出方法、及び、プログラム
CN113408416B (zh) * 2021-06-18 2023-04-07 展讯通信（上海）有限公司 指纹频率估计方法及装置、指纹信息提取方法及装置
CN113361448A (zh) * 2021-06-23 2021-09-07 浙江中正智能科技有限公司 一种指纹图像中干扰直线的检测方法
KR102614078B1 (ko) * 2021-12-22 2023-12-15 주식회사 라이프사이언스테크놀로지 생체 신호를 이용한 개인 인증 장치 및 방법
CN114445867B (zh) * 2022-02-21 2024-07-23 厦门天马微电子有限公司 一种指纹识别器及显示装置
CN116935493B (zh) * 2023-09-13 2024-01-02 成都市青羊大数据有限责任公司 一种教育管理系统
CN117496560B (zh) * 2023-12-29 2024-04-19 深圳市魔力信息技术有限公司 一种基于多维向量的指纹纹线识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100391182B1 (ko) * 2000-09-25 2003-07-16 주식회사 디토정보기술 직접 골 추적을 이용한 지문 특징 추출방법
CN101079102A (zh) * 2007-06-28 2007-11-28 中南大学 基于统计方法的指纹识别方法
CN101145198A (zh) * 2007-09-21 2008-03-19 清华大学 指纹识别中确定性编码方法与系统
EP2104059B1 (en) * 2008-03-14 2011-01-12 NEC Corporation Apparatus and method for processing image
CN101996321A (zh) * 2009-08-24 2011-03-30 北京易创科技有限公司 一种指纹识别预处理的方法及装置
CN102510330A (zh) * 2011-11-02 2012-06-20 杭州电子科技大学 一种基于指纹特征数据与匹配算法的新型模糊金库方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2833313B2 (ja) * 1992-01-10 1998-12-09 富士通株式会社 指紋特徴点の真偽判定装置
JP2725599B2 (ja) * 1994-06-21 1998-03-11 日本電気株式会社 隆線方向抽出装置
US6233348B1 (en) * 1997-10-20 2001-05-15 Fujitsu Limited Fingerprint registering apparatus, fingerprint identifying apparatus, and fingerprint identifying method
US7142718B2 (en) * 2002-10-28 2006-11-28 Lee Shih-Jong J Fast pattern searching
JP3952293B2 (ja) * 2003-01-06 2007-08-01 ソニー株式会社 指紋照合装置および方法、記録媒体、並びに、プログラム
JP4020202B2 (ja) * 2003-06-16 2007-12-12 三菱電機株式会社 縞状パターン抽出システムおよび縞状パターン抽出方法
US7426020B2 (en) * 2003-06-17 2008-09-16 Cross Match Technologies, Inc. System for print imaging with prism illumination optics
KR20050094228A (ko) * 2004-03-22 2005-09-27 엘지전자 주식회사 지문 인식 방법
JP4403513B2 (ja) * 2005-08-09 2010-01-27 日本電気株式会社 指紋隆線認識装置、指紋隆線認識方法、及びプログラム
JP5273801B2 (ja) * 2009-05-13 2013-08-28 Ｎｅｃソフト株式会社 指紋特徴点決定システム、指紋特徴点決定方法、指紋特徴点決定プログラム
US9542585B2 (en) * 2013-06-06 2017-01-10 Apple Inc. Efficient machine-readable object detection and tracking
US9104940B2 (en) * 2013-08-30 2015-08-11 Konica Minolta Laboratory U.S.A., Inc. Line segmentation method applicable to document images containing handwriting and printed text characters or skewed text lines
CN105205802B (zh) * 2015-02-13 2017-04-12 比亚迪股份有限公司 纹线距离的计算方法和装置
WO2016159052A1 (ja) * 2015-03-31 2016-10-06 日本電気株式会社 生体パターン情報処理装置、生体パターン情報処理方法、およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100391182B1 (ko) * 2000-09-25 2003-07-16 주식회사 디토정보기술 직접 골 추적을 이용한 지문 특징 추출방법
CN101079102A (zh) * 2007-06-28 2007-11-28 中南大学 基于统计方法的指纹识别方法
CN101145198A (zh) * 2007-09-21 2008-03-19 清华大学 指纹识别中确定性编码方法与系统
EP2104059B1 (en) * 2008-03-14 2011-01-12 NEC Corporation Apparatus and method for processing image
CN101996321A (zh) * 2009-08-24 2011-03-30 北京易创科技有限公司 一种指纹识别预处理的方法及装置
CN102510330A (zh) * 2011-11-02 2012-06-20 杭州电子科技大学 一种基于指纹特征数据与匹配算法的新型模糊金库方法

Also Published As

Publication number Publication date
EP3349140A1 (en) 2018-07-18
EP3349140A4 (en) 2019-04-24
KR101939936B1 (ko) 2019-01-17
CN106503609A (zh) 2017-03-15
US10558841B2 (en) 2020-02-11
JP2018524663A (ja) 2018-08-30
WO2017041488A1 (zh) 2017-03-16
EP3349140B1 (en) 2023-06-28
JP6487576B2 (ja) 2019-03-20
US20180101710A1 (en) 2018-04-12
KR20180003595A (ko) 2018-01-09

Similar Documents

Publication Publication Date Title
CN106503609B (zh) 指纹纹线点的识别方法及装置
US10679146B2 (en) Touch classification
CN110516577B (zh) 图像处理方法、装置、电子设备及存储介质
WO2017174010A1 (zh) 一种指纹解锁的方法及终端
Frucci et al. WIRE: Watershed based iris recognition
CN104915944B (zh) 一种用于确定视频的黑边位置信息的方法与设备
Shu et al. Face spoofing detection based on chromatic ED-LBP texture feature
CN110796250A (zh) 应用于卷积神经网络的卷积处理方法、系统及相关组件
CN109766818A (zh) 瞳孔中心定位方法及系统、计算机设备及可读存储介质
CN111401219A (zh) 一种手掌关键点检测方法和装置
Dong et al. Detecting soft shadows in a single outdoor image: From local edge-based models to global constraints
CN113240606A (zh) 中医望诊图像颜色校正方法及系统
KR102335907B1 (ko) 지문 이미지들에 적용가능한 이미지들을 개선하는 방법
CN110909601A (zh) 一种基于深度学习的美瞳识别方法及系统
CN102722701B (zh) 指纹采集过程中的视觉监控方法及其设备
CN110473224A (zh) 一种基于kl熵的rsf水平集图像自动分割方法
WO2018082498A1 (en) Mid-air finger pointing detection for device interaction
JP4991278B2 (ja) 画像処理装置
Indrawan et al. Parallel processing for fingerprint feature extraction
TW201909021A (zh) 電子裝置與其指紋辨識方法
Ibrahim Design and implementation of an automated system for analyzing brushstrokes to distinguish between Van Gogh and his contemporaries by using swarm intelligent method
EP3639177B1 (fr) Procédé et dispositif de validation de code d'authentification
Guo Oil painting art style extraction method based on image data recognition
Watier Measures of angularity in digital images
CN113516035B (zh) 一种多接口融合的指纹图像前处理方法

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
GR01 Patent grant
GR01 Patent grant