CN106611168A - 基于细化图像和方向场图的指静脉快速识别方法 - Google Patents
基于细化图像和方向场图的指静脉快速识别方法 Download PDFInfo
- Publication number
- CN106611168A CN106611168A CN201611243975.2A CN201611243975A CN106611168A CN 106611168 A CN106611168 A CN 106611168A CN 201611243975 A CN201611243975 A CN 201611243975A CN 106611168 A CN106611168 A CN 106611168A
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- template
- field
- refined
- 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.)
- Granted
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
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于细化图像和方向场图的指静脉快速识别方法。本发明针对目前的指静脉识别算法在低质量图像下识别率低,在大规模用户下识别速度慢等问题,首先利用静脉细化图像的纵向延伸特性和拓扑结构的不变性,初步区分静脉图像是否来自相同手指,然后提取静脉图像的方向场图,利用静脉图像方向场图稳定性精确识别。方向场图识别方法的识别率明显高于传统识别方法,而且在大规模用户数下1:N匹配识别,本发明提出的分步识别所用时间远小于一步识别所用时间。因此,本发明提出的方法不但可以实现大规模用户下的快速识别,而且识别率高,是一种高速有效的识别方法,在实际中可推广使用。
Description
技术领域
本发明属于手指静脉识别技术领域,具体涉及一种在大规模用户数下基于细化图像和方向场图的指静脉快速识别方法。
背景技术
手指静脉识别技术作为最先进的生物活体识别技术之一,与传统的生物识别技术相比具有安全性高、稳定性高、普适性强且信息来源丰富和采集图像所需的采集装置体积小等优点,因此对手指静脉识别技术的研究在近些年也逐渐成为热门。但是目前手指静脉识别技术也存在一些问题,比如采集图像设备稳定性差,识别率低,1:N识别速度慢等缺点。
目前,手指静脉识别算法的研究主要Wanga Lingyu等人提出利用静脉图像特征点(端点和交叉点)的Hausdorff距离认证识别,但是识别结果受提取特征点的准确性影响很大。王科俊等人提出采用修正的Hausdorff距离(modified Hausdorff distance,MHD)进行指静脉认证识别,在一定程度上减小了伪静脉的影响,但是MHD算法对静脉平移很敏感且计算量大,1:N识别耗时长,在大规模用户下实际应用可行性差。林春漪等人提出了基于静脉图像梯度相关的认证识别算法,该算法在计算矩阵的相关系数时,无法克服平移的影响。王科俊等提出相对距离和角度的识别匹配算法,对细化图像和特征点的精度要求特别高,抗伪特征点能力差,识别率较低。杨金锋等人在研究指静脉图像的平移时,都是根据手指的轮廓,在提取手指静脉图像感兴趣区域(region of interest,ROI)时纠正左右平移,但由于细化图像是单像素图像,在提取细化图像时会产生左右偏移。
如上所述,目前的指静脉识别算法受平移影响较大,而且在1:N识别时,识别率其且识别时间长。因此需要对手指静脉识别算法进行改进,提出了一种基于静脉图像方向场和细化图像的快速识别方法。首先,根据手指静脉细化图像粗略区分同类(同一手指)静脉图像和不同类(不同手指)静脉图像;然后,利用静脉图像的方向场图精确识别,在大规模用户时实现1:N快速匹配识别。该方法识别率高且1:N识别时间短,是一种高速有效的识别方法。
发明内容
为解决现有手指静脉识别方法在大规模用户数下,识别率低且耗时长的问题,本发明提供一种基于细化图像和方向场图的指静脉快速识别方法。
本发明方法首先提取指静脉图像的细化图像和方向场图,然后利用细化图像初步区分是否是同类指静脉图像,最后利用方向场图精确识别是否是同类指静脉图像。
本发明所采用的技术方案具体步骤:
步骤1、提取采集到的指静脉图像的感兴趣区域(ROI)。
步骤2、将步骤1提取的感兴趣区域,用双线性插值技术尺度归一化成160*64大小,并进行灰度归一化,尺度归一化后指静脉图像是I′(i,j),灰度归一化后的指静脉图像I(i,j),将尺度归一化后指静脉图像灰度级从[G1,G2]拉伸到[0,255],增加图像的对比度,公式为:
其中I′(i,j)是尺度归一化后指静脉图像,I(i,j)是灰度归一化后的指静脉图像,G1、G2分别是尺度归一化后指静脉图像的最小灰度级和最大灰度级。
步骤3、对步骤2灰度归一化后的指静脉图像I(i,j)用方向滤波器组增强图像;
步骤4、对增强后的指静脉图像用NIBLACK算法二值化;
步骤5、对二值化后的指静脉图像用中值滤波和标记连通区域的方法滤除因噪声引起的白斑或黑洞,从而得到静脉纹路图像;
步骤6、对步骤5处理后的静脉纹路图像骨骼化成单像素宽静脉纹路,并去除毛刺,得到细化图像。
步骤7、对步骤3增强后的指静脉图像用邻域模板法提取方向场图,具体实现如下:
将像素点根据ROI的分辨率选用9*9的邻域窗口模板,将9*9的邻域模板的方向划分为8个方向,且第i个方向和第i+4个互相垂直(i=1,2,3,4)。为了确定像素点的方向,设计一组与像素点方向有关的方向组滤波器。
7-1.将像素点p(m,n)对应的邻域Sp分别和方向组滤波器模板Ti卷积的到卷积值gi(i=1,2,...8),并计算均值即:
gi=Ti*Sp
7-2.将8个方向按两两垂直分成4组,分别计算每组卷积值的差的绝对值,并求最大值,即:
Δgk=max(|gk-gk+4|)(k=1,2,3,4)
其中k和k+4互相垂直的两个方向可能是像素点p(m,n)静脉纹路的方向;
7-3.取gk、gk+4中和相近的值的方向为静脉纹路的方向,即:
7-4.遍历增强后的指静脉图像中的所有像素点,即可得到灰度图像的方向场图。
步骤8、用细化图像估计两幅指静脉图像间的相对平移量,具体步骤:
假设两幅指静脉图像之间存在的左右平移范围是[-a,a],两幅指静脉图像的估计通过待识别细化图像和模板细化图像实现;
8-1.删除待识别细化图像和模板细化图像中同一行连着的静脉像素点,只保留纵向静脉像素点;
8-2.记录模板细化图像中第i个静脉像素点的位置坐标(ri,ci);
8-3.在待识别细化图像中搜索在水平方向距离坐标(ri,ci)l个像素点的坐标,并判断该坐标(ri,ci+l)是否是静脉像素点,并统计是静脉像素点的个数Mτ;
8-4.重复步骤8-2和8-3,从而遍历模板细化图像的所有静脉像素点;
8-5.重复步骤8-3和8-4,让l从-a到a以1个像素步进;
8-6.取Mτ中最大值Max对应的l,则l就是待识别图像和模板图像存在的相对平移量;其中τ=1,2,...2×a+1;
步骤9、对两幅指静脉图像的方向场图进行匹配识别,具体步骤如下:
9-1.计算待识别静脉图像的方向场图和模板静脉图像的方向场图差值即:ΔD=abs(D-Dn)
9-2.修正方向场图差值即:ΔD′=4-ΔD;
9-3.计算修正后方向场图差值的均值,并将该均值作为两幅指静脉图像的相似度即:
α=mean(mean(ΔD'))
9-4.对相似度进行匹配:
其中T为实验得出的两幅静脉图像的相似度阈值。小于T认为是同类静脉图像,否则认为是非同类静脉图像。
步骤10、结合步骤8和步骤9,在大规模用户数下,假设数据库中注册的指静脉图像有N组,待识别指静脉图像和注册库中模板指静脉图像进行1:N快速识别匹配,识别具体实现步骤为:
10-1.将待识别指静脉图像和注册库中模板指静脉图像按照步骤1-7处理后保存成细化图像和方向场图像。
10-2.利用步骤8估计一个待识别指静脉图像和所有模板指静脉图像的平移量,并统计在校正平移后,计算该待识别细化图像和所有模板细化图像重合的像素点数Mi(i=1,2,...,N),以及该待识别细化图像和其对应的所有模板细化图像间的相对平移量Li(i=1,2,...,N);
10-3.由于重合的像素点数表示两个指静脉图像的静脉结构的相似度,因此按照静脉结构的相似度从大到小排序Mi(i=1,2,...,N),取前n个对应的模板指静脉图像的方向场图,1:N识别精简成变成1:n识别;
10-4.根据步骤10-2中得到的相对平移量Li对待识别图像校正平移后,按照步骤9中的方向场图识别算法,统计和模板指静脉图像的方向场图的相似度αi;
步骤10-5.重复步骤10-4,直到和n个模板方向场图匹配结束。
步骤10-6.统计最小的匹配度t=min(αi)。
若t<T,则认为待识别静脉图像和t所对应的静脉图像是同类,否则认为图像库中有没有待识别静脉图像的模板。其中T是门限,通过仿真得到。
本发明有益效果如下:
在大规模用户数下,本发明提出了一种分步识别的思想,实现基于静脉纹路结构和方向场图的快速识别,解决了传统指静脉基于特征点识别方法对噪声引起的伪静脉和伪特征点很敏感,对于静脉图像的平移敏感,在大规模用户数下识别率低、耗时长等问题。本发明方法利用静脉纹路纵向拓扑结构的稳定性估计图像的平移,并根据静脉纹路结构的相似性初步区分是都是同类手指,然后校正图像平移,用静脉图像的方向场图精确识别,省去了提取静脉特征点步骤,方向场图相对于静脉特征点具有更丰富的信息。因此本发明所提出的方法复杂度低,识别速度快且识别率高,具有较高的实用价值。
附图说明
图1是邻域模板方向划分。
图2是方向滤波器组模板。
图3是采集的指静脉图像感兴趣区域。
图4是尺度和灰度归一化后图像。
图5是去噪声后二值化图像。
图6是去除毛刺后细化图像。
图7是提取的方向场图像。
图8是1:N识别快速识别算法流程图。
图9是合法匹配和非法匹配曲线。
图10是快速识别算法的识别率曲线。
具体实施方式
结合以下具体实施例和附图,对本发明进一步的详细说明。
本发明的提出了一种在规模用户数下基于细化图像和方向场图的指静脉快速识别方法。
本发明方法首先提取手指静脉纹路的细化图像和方向场图,然后利用分步识别的思想,先用静脉纹路结构的相似性初步识别,然后利用静脉图像的方向场图精确识别。
本发明实现过程具体包括以下步骤:
以下将一幅静脉图像作为实例,结合附图对本发明的具体实施过程作进一步的说明。
步骤1、提取采集到的指静脉图像的感兴趣区域(ROI),如图3所示。
步骤2、将步骤1提取的感兴趣区域,用双线性插值技术尺度归一化成160*64大小,并进行灰度归一化,尺度归一化后指静脉图像I′(i,j),灰度归一化后的指静脉图像I(i,j),将灰度级从[G1,G2]拉伸到[0,255],增加图像的对比度,尺度和灰度归一化后的图像如图4所示,公式为:
其中I′(i,j)是尺度归一化后指静脉图像,I(i,j)是灰度归一化后的指静脉图像,G1、G2分别是尺度归一化后指静脉图像的最小灰度级和最大灰度级。
步骤3、对步骤2灰度归一化后的指静脉图像I(i,j)用方向滤波器组增强图像;
步骤4、对增强后的指静脉图像用NIBLACK算法二值化;
步骤5、对二值化后的指静脉图像用中值滤波和标记连通区域的方法滤除因噪声引起的白斑或黑洞,从而得到静脉纹路图像,如图5所示;
步骤6、对步骤5处理后的静脉纹路图像骨骼化成单像素宽静脉纹路,并去除毛刺,得到细化图像,如图6所示。
步骤7、对步骤3增强后的指静脉图像用邻域模板法提取方向场图,具体实现如下:
将像素点根据ROI的分辨率选用9*9的邻域窗口模板,将9*9的邻域模板的方向划分为8个方向,且第i个方向和第i+4个互相垂直(i=1,2,3,4)如图1所示。为了确定像素点的方向,设计一组与像素点方向有关的方向组滤波器,方向组滤波器模板如图2。
7-1.将像素点p(m,n)对应的邻域Sp分别和方向组滤波器模板Ti卷积的到卷积值gi(i=1,2,...8),并计算均值即:
gi=Ti*Sp
7-2.将8个方向按两两垂直分成4组,分别计算每组卷积值的差的绝对值,并求最大值,即:
Δgk=max(|gk-gk+4|)(k=1,2,3,4)
其中k和k+4互相垂直的两个方向可能是像素点p(m,n)的静脉的纹路的方向;
7-3.取gk、gk+4中和相近的值的方向为静脉纹路的方向,即:
7-4.遍历增强后的指静脉图像中的所有像素点,即可得到灰度图像的方向场图,如图7所示。
步骤8、用细化图像估计两幅指静脉图像间的相对平移量,具体步骤:
假设两幅指静脉图像之间存在的左右平移范围是[-20,20],两幅指静脉图像的估计通过待识别细化图像和模板细化图像实现;
8-1.删除待识别细化图像和模板细化图像中同一行连着的静脉像素点,只保留纵向静脉像素点;
8-2.记录模板细化图像中第i个静脉像素点的位置坐标(ri,ci);
8-3.在待识别细化图像中搜索在水平方向距离坐标(ri,ci)l个像素点的坐标,并判断该坐标(ri,ci+l)是否是静脉像素点,并统计是静脉像素点的个数Mτ;
8-4.重复步骤8-2和8-3,从而遍历模板细化图像的所有静脉像素点;
8-5.重复步骤8-3和8-4,让l从-a到a以1个像素步进;
8-6.取Mτ中最大值Max对应的l,则l就是待识别图像和模板图像存在的相对平移量;其中τ=1,2,...2×a+1;
步骤9、对两幅指静脉图像的方向场图进行匹配识别,具体步骤如下:
9-1.计算待识别静脉图像的方向场图和模板静脉图像的方向场图差值即:ΔD=abs(D-Dn)
9-2.修正方向场图差值即:ΔD′=4-ΔD;
9-3.计算修正后方向场图差值的均值,并将该均值作为两幅指静脉图像的相似度即:
α=mean(mean(ΔD'))
9-4.对相似度进行匹配:
其中T为实验得出的两幅静脉图像的相似度阈值。小于T认为是同类静脉图像,否则认为是非同类静脉图像。
步骤10、结合步骤8和步骤9,在大规模用户数下,假设数据库中注册的指静脉图像有1000组,待识别指静脉图像和注册库中模板指静脉图像进行1:1000快速识别匹配,快速识别算法的流程图如图8所示,具体实现步骤为:
10-1.将待识别指静脉图像和注册库中模板指静脉图像按照步骤1-7处理后保存成细化图像和方向场图像。
10-2.利用步骤8估计一个待识别指静脉图像和所有模板指静脉图像的平移量,并统计在校正平移后,计算该待识别细化图像和所有模板细化图像重合的像素点数Mi(i=1,2,...,N),以及该待识别细化图像和其对应的所有模板细化图像间的相对平移量Li(i=1,2,...,N);
10-3.由于重合的像素点数表示两个指静脉图像的静脉结构的相似度,因此按照静脉结构的相似度从大到小排序Mi(i=1,2,...,N),取前300个对应的模板指静脉图像的方向场图,1:1000识别精简成变成1:300识别;
10-4.根据步骤10-2中得到的相对平移量Li对待识别图像校正平移后,按照步骤9中的方向场图识别算法,统计和模板指静脉图像的方向场图的相似度αi;
步骤10-5.重复步骤10-4,直到和300个模板方向场图匹配结束。
步骤10-6.统计最小的匹配度t=min(αi)。
若t<T,T=1.42则认为待识别静脉图像和t所对应的静脉图像是同类,否则认为图像库中有没有待识别静脉图像的模板。其中T是门限,通过仿真得到。
在1:1000匹配识别时,在本发明提出分步识别的思想下先1:1000后1:300的结构模式下和传统一次性匹配的计算量对比:
本发明方法:计算量=1000次静脉结构匹配估计平移量+300次平移校正+300次方向场图识别
传统方法:计算量=1000次静脉结构匹配估计平移量+1000次平移校正+1000次方向场图识别
随着N的增大,本发明提出的方法明显比传统方法耗时短。
仿真本发明提出的快速识别方法的合法曲线和非法曲线,如图9所示。
仿真本发明提出的快速识别方法的识别率与误识率关系曲线,如图10所示。
由图9可以看出合法匹配和非法匹配曲线重合区域很少,因此本发明提出是手指静脉识别方法可以有效的区分是否是同类手指静脉图像。
由图10可以看出即使在大规模用户数下,本发明提出的快速识别方法具有很高的识别率。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出得各种变化,也应视为本发明的保护范围。
Claims (6)
1.基于细化图像和方向场图的指静脉快速识别方法,其特征在于首先提取指静脉图像的细化图像和方向场图,然后利用细化图像初步区分是否是同类图像,最后利用方向场图精确识别是否是同类图像。
2.根据权利要求1所述的基于细化图像和方向场图的指静脉快速识别方法,其特征在于具体包括如下步骤:
步骤1、提取采集到的指静脉图像的感兴趣区域;
步骤2、将步骤1提取的感兴趣区域,用双线性插值技术尺度归一化成160*64大小的尺度归一化后指静脉图像I′(i,j),并进行灰度归一化后的指静脉图像I(i,j),将灰度级从[G1,G2]拉伸到[0,255],增加图像的对比度,公式为:
其中I′(i,j)是尺度归一化后指静脉图像,I(i,j)是灰度归一化后的指静脉图像,G1、G2分别是尺度归一化后指静脉图像的最小灰度级和最大灰度级;
步骤3、对步骤2灰度归一化后的指静脉图像I(i,j)用方向滤波器组增强图像;
步骤4、对增强后的指静脉图像用NIBLACK算法二值化;
步骤5、对二值化后的指静脉图像用中值滤波和标记连通区域的方法滤除因噪声引起的白斑或黑洞,从而得到静脉纹路图像;
步骤6、对步骤5处理后的静脉纹路图像骨骼化成单像素宽静脉纹路,并去除毛刺,得到细化图像;
步骤7、对步骤3增强后的指静脉图像用邻域模板法提取方向场图;
步骤8、用细化图像估计两幅指静脉图像间的相对平移量;
步骤9、对两幅指静脉图像的方向场图进行匹配识别;
步骤10、结合步骤8和步骤9,在大规模用户数下,假设数据库中注册的指静脉图像有N组,待识别指静脉图像和注册库中模板指静脉图像进行1:N快速识别匹配。
3.根据权利要求2所述的基于细化图像和方向场图的指静脉快速识别方法,其特征在于步骤7所述的对步骤3增强后的指静脉图像用邻域模板法提取方向场图,具体实现如下:
将像素点根据ROI的分辨率选用9*9的邻域窗口模板,将9*9的邻域模板的方向划分为8个方向,且第i个方向和第i+4个互相垂直i=1、2、3、4;为了确定像素点的方向,设计一组与像素点方向有关的方向组滤波器;
7-1.将像素点p(m,n)对应的邻域Sp分别和方向组滤波器模板Ti卷积的到卷积值gi(i=1,2,...8),并计算均值即:
gi=Ti*Sp
7-2.将8个方向按两两垂直分成4组,分别计算每组卷积值的差的绝对值,并求最大值,即:
Δgk=max(|gl-gl+4|)(l=1,2,3,4)
其中k和k+4互相垂直的两个方向可能是像素点p(m,n)的静脉的纹路的方向;
7-3.取gk、gk+4中和相近的值的方向为静脉纹路的方向,即:
7-4.遍历增强后的指静脉图像中的所有像素点,即可得到灰度图像的方向场图。
4.根据权利要求3所述的基于细化图像和方向场图的指静脉快速识别方法,其特征在于步骤8所述的用细化图像估计两幅指静脉图像间的相对平移量,具体步骤:
假设两幅指静脉图像之间存在的左右平移范围是[-a,a],两幅指静脉图像的估计通过待识别细化图像和模板细化图像实现;
8-1.删除待识别细化图像和模板细化图像中同一行连着的静脉像素点,只保留纵向静脉像素点;
8-2.记录模板细化图像中第i个静脉像素点的位置坐标(ri,ci);
8-3.在待识别细化图像中搜索在水平方向距离坐标(ri,ci)l个像素点的坐标,并判断该坐标(ri,ci+l)是否是静脉像素点,并统计是静脉像素点的个数Mτ;
8-4.重复步骤8-2和8-3,从而遍历模板细化图像的所有静脉像素点;
8-5.重复步骤8-3和8-4,让l从-a到a以1个像素步进;
8-6.取Mτ中最大值Max对应的l,则l就是待识别图像和模板图像存在的相对平移量;其中τ=1,2,...2×a+1。
5.根据权利要求4所述的基于细化图像和方向场图的指静脉快速识别方法,其特征在于步骤9所述的对两幅指静脉图像的方向场图进行匹配识别,具体步骤如下:
9-1.计算待识别静脉图像的方向场图和模板静脉图像的方向场图差值即:ΔD=abs(D-Dn)
9-2.修正方向场图差值即:ΔD′=4-ΔD;
9-3.计算修正后方向场图差值的均值,并将该均值作为两幅指静脉图像的相似度即:
α=mean(mean(ΔD'))
9-4.对相似度进行匹配:
其中T为实验得出的两幅静脉图像的相似度阈值;小于T认为是同类静脉图像,否则认为是非同类静脉图像。
6.根据权利要求5所述的基于细化图像和方向场图的指静脉快速识别方法,其特征在于步骤10所述的结合步骤8和步骤9,在大规模用户数下,假设数据库中注册的指静脉图像有N组,待识别指静脉图像和注册库中模板指静脉图像进行1:N快速识别匹配,识别具体实现步骤为:
10-1.将待识别指静脉图像和注册库中模板指静脉图像按照步骤1-7处理后保存成细化图像和方向场图像;
10-2.利用步骤8估计一个待识别指静脉图像和所有模板指静脉图像的平移量,并统计在校正平移后,计算该待识别细化图像和所有模板细化图像重合的像素点数Mi(i=1,2,...,N),以及该待识别细化图像和其对应的所有模板细化图像间的相对平移量Li,其中,i=1,2,...,N;
10-3.由于重合的像素点数表示两个指静脉图像的静脉结构的相似度,因此按照静脉结构的相似度从大到小排序Mi,其中,i=1,2,...,N,取前n个对应的模板指静脉图像的方向场图,1:N识别精简成变成1:n识别;
10-4.根据步骤10-2中得到的相对平移量Li对待识别图像校正平移后,按照步骤7中的方向场图识别算法,统计和模板指静脉图像的方向场图的相似度αi;
步骤10-5.重复步骤10-4,直到和n个模板方向场图匹配结束;
步骤10-6.统计最小的匹配度t=min(αi);
若t<T,则认为待识别静脉图像和t所对应的静脉图像是同类,否则认为图像库中有没有待识别静脉图像的模板;其中T是门限,通过仿真得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611243975.2A CN106611168B (zh) | 2016-12-29 | 2016-12-29 | 基于细化图像和方向场图的指静脉快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611243975.2A CN106611168B (zh) | 2016-12-29 | 2016-12-29 | 基于细化图像和方向场图的指静脉快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106611168A true CN106611168A (zh) | 2017-05-03 |
CN106611168B CN106611168B (zh) | 2019-06-18 |
Family
ID=58636351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611243975.2A Active CN106611168B (zh) | 2016-12-29 | 2016-12-29 | 基于细化图像和方向场图的指静脉快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611168B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944366A (zh) * | 2017-11-16 | 2018-04-20 | 山东财经大学 | 一种基于属性学习的手指静脉识别方法及装置 |
CN108256456A (zh) * | 2018-01-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于多特征阈值融合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 |
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112287147A (zh) * | 2020-10-30 | 2021-01-29 | 华盛通(无锡)影像科技有限公司 | 一种基于冒泡排序的多模板指静脉特征搜索算法 |
CN112562227A (zh) * | 2020-12-09 | 2021-03-26 | 深圳市索威尔科技开发有限公司 | 分布式智能收费终端方法 |
CN113269029A (zh) * | 2021-04-07 | 2021-08-17 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
Citations (6)
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 |
CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
CN101419704A (zh) * | 2008-10-08 | 2009-04-29 | 华南理工大学 | 一种静脉图像分割方法 |
CN101667137A (zh) * | 2009-10-12 | 2010-03-10 | 哈尔滨工程大学 | 使用方向滤波技术的手指静脉纹路提取方法 |
CN101770567A (zh) * | 2008-12-31 | 2010-07-07 | 杭州中正生物认证技术有限公司 | 一种识别生物特征的方法及系统 |
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 |
-
2016
- 2016-12-29 CN CN201611243975.2A patent/CN106611168B/zh active Active
Patent Citations (6)
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 |
CN101162504A (zh) * | 2007-11-27 | 2008-04-16 | 重庆工学院 | 手指静脉认证系统的静脉特征提取方法 |
CN101419704A (zh) * | 2008-10-08 | 2009-04-29 | 华南理工大学 | 一种静脉图像分割方法 |
CN101770567A (zh) * | 2008-12-31 | 2010-07-07 | 杭州中正生物认证技术有限公司 | 一种识别生物特征的方法及系统 |
CN101667137A (zh) * | 2009-10-12 | 2010-03-10 | 哈尔滨工程大学 | 使用方向滤波技术的手指静脉纹路提取方法 |
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 |
Non-Patent Citations (2)
Title |
---|
庞晓红: "指静脉身份识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王科俊等: "使用方向滤波技术的手指静脉纹路提取方法", 《中国图象图形学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944366B (zh) * | 2017-11-16 | 2020-04-17 | 山东财经大学 | 一种基于属性学习的手指静脉识别方法及装置 |
CN107944366A (zh) * | 2017-11-16 | 2018-04-20 | 山东财经大学 | 一种基于属性学习的手指静脉识别方法及装置 |
CN108256456A (zh) * | 2018-01-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于多特征阈值融合的手指静脉识别方法 |
CN108256456B (zh) * | 2018-01-08 | 2020-04-07 | 杭州电子科技大学 | 一种基于多特征阈值融合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 |
CN110532851B (zh) * | 2019-07-04 | 2022-04-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
WO2021227331A1 (zh) * | 2020-05-15 | 2021-11-18 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN111639559B (zh) * | 2020-05-15 | 2022-07-05 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112287147A (zh) * | 2020-10-30 | 2021-01-29 | 华盛通(无锡)影像科技有限公司 | 一种基于冒泡排序的多模板指静脉特征搜索算法 |
CN112562227A (zh) * | 2020-12-09 | 2021-03-26 | 深圳市索威尔科技开发有限公司 | 分布式智能收费终端方法 |
CN113269029A (zh) * | 2021-04-07 | 2021-08-17 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
CN113269029B (zh) * | 2021-04-07 | 2022-09-13 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106611168B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106611168A (zh) | 基于细化图像和方向场图的指静脉快速识别方法 | |
CN100514352C (zh) | 手指静脉认证系统的静脉特征提取方法 | |
CN106203294B (zh) | 基于人脸属性分析的人证合一身份验证方法 | |
CN104899600B (zh) | 一种基于深度图的手部特征点检测方法 | |
CN102043961B (zh) | 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN103049758B (zh) | 融合步态光流图和头肩均值形状的远距离身份验证方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN105139039A (zh) | 视频序列中人脸微表情的识别方法 | |
CN107909059A (zh) | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 | |
CN106056046B (zh) | 从图像中提取特征的方法和装置 | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
CN103268483A (zh) | 开放式环境非接触采集下的掌纹识别方法 | |
CN103268497A (zh) | 一种人脸姿态检测方法与在人脸识别中的应用 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及系统 | |
CN103198330B (zh) | 基于深度视频流的实时人脸姿态估计方法 | |
CN104794449A (zh) | 基于人体hog特征的步态能量图获取及身份识别方法 | |
CN105426890A (zh) | 一种字符扭曲粘连的图形验证码识别方法 | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN107229899A (zh) | 一种基于二维高斯最大曲率的手指静脉识别方法 | |
CN102819754B (zh) | 一种基于Sigmoid扩展的指纹分数融合系统及方法 | |
CN104036494B (zh) | 一种用于水果图像的快速匹配计算方法 | |
Zhichao et al. | Two modality-based bi-finger vein verification system | |
CN104680152B (zh) | 一种柱面商标识别方法及装置 | |
CN101593275A (zh) | 手指静脉身份识别系统的静脉特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |