CN107229899B - 一种基于二维高斯最大曲率的手指静脉识别方法 - Google Patents
一种基于二维高斯最大曲率的手指静脉识别方法 Download PDFInfo
- Publication number
- CN107229899B CN107229899B CN201710182280.6A CN201710182280A CN107229899B CN 107229899 B CN107229899 B CN 107229899B CN 201710182280 A CN201710182280 A CN 201710182280A CN 107229899 B CN107229899 B CN 107229899B
- Authority
- CN
- China
- Prior art keywords
- curvature
- vein
- finger vein
- value
- image
- 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
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
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于二维高斯最大曲率的手指静脉识别方法。本发明首先利用基于二维高斯函数的最大曲率算法,提取手指静脉图像的静脉纹路和曲率空间场,然后利用手指静脉图像的曲率空间场匹配识别。实验表明,基于高斯曲率空间场的提取静脉纹路的准确性更高,基于曲率空间场的识别算法,在误识率一定情况下,识别性能明显高于传统的MHD识别算法。对于低质量手指静脉图像,本发明提出从8个方向上提取静脉特征,相比于原始的最大曲率法从4个方向提取静脉特征,能够更清晰的提取静脉信息。本发明提出的基于静脉图像曲率空间场的识别算法性能下降不明显。能够更好地表征该手指静脉的信息。
Description
技术领域
本发明属于生物特征识别及信息安全技术领域,特别涉及一种基于二维高斯最大曲率的手指静脉识别方法。
背景技术
手指静脉识别技术是一种新的生物特征识别技术,它利用手指静脉识别技术作为最先进的新兴的第二代生物识别技术之一,因其安全等级高,稳定性高,普适性强及采集设备便捷成为国内外诸多学者的研究热点。手指静脉识别技术主要包括采集手指静脉图像,图像预处理,提取特征和匹配识别。目前,在采集手指静脉图像时采集设备不稳定,在低温环境下手指中的静脉收缩,以及部分女生手指静脉比较细等因素,都会造成采集的静脉图像质量不够理想。低质量静脉图像导致准确提取指静脉特征和匹配识别比较困难。因此,如何精确提取低质量指静脉图像的特征,如何提高指静脉图像的识别率成为目前的研究难点。
王保生等人提出利用Garbor滤波器提取静脉图像的静脉纹路,王科俊等人提出利用方向滤波器组提取静脉图像的静脉纹路,无论是Garbor滤波器还是方向组滤波器对于低质量静脉图像提取的静脉纹路精确相对较差。Dubuisson等人提出的修正的Hausdorff距离(modified Hausdorffdistance,MHD)进行指静脉认证识别,首先,将通过各种方法提取静脉纹路的单像素宽的静脉拓扑结构,然后,提取静脉纹路拓扑结构的特征点(端点和交叉点),最后,利用MHD识别算法进行认证识别。
目前广泛应用的MHD匹配算法是利用静脉纹路拓扑结构,提取细化图像的特征点,根据特征点的空间距离识别图像。对于低质量图像,由于伪静脉的存在,产生伪特征点,特征点往往不能表征图像,且MHD识别算法对伪特征点比较敏感。同时MHD识别算法仅仅利用了静脉纹路的特征,完全忽略了静脉图像的背景信息,这导致了基于特征点MHD算法识别率低且容易产生误识。
由于每个手指的厚度和组织结构不同,透射光线的能力不同,因此不同手指的静脉图像即使同是背景区域,他们的灰度分布特征不同,同时相同手指的静脉图像静脉区域和背景区域的灰度分布特征都是相对稳定的。因此,静脉图像的静脉纹路和背景共同决定了静脉图像的特性。
近年来,一些学者开始研究基于整幅静脉图像的识别算法,如林春漪等人提出了基于手指静脉图像梯度相关的认证识别算法,徐天杨等人提出基于小波灰度曲面的手指静脉识别算法。其中基于手指静脉图像梯度相关的认证识别算法,首先,提取利用改进的匹配滤波器提取静脉图像的梯度图,然后,计算不同静脉图像梯度图之间的互相关系数,将互相关系数作为判决是否为同类静脉图像(相同手指采集的静脉图像)的依据。虽然处理过程简单耗时短,但梯度是静脉度图像灰度值的差分,静脉图像的梯度图直接受灰度值影响,不稳定。基于小波灰度曲面的手指静脉识别算法利用静脉图像空间分布成灰度曲面特征,通过小波分解降维,提取降维后不同分别率下静脉图像,然后融合成一幅特征图像,最后把将静脉图像的特征图像做差得到灰度曲面,计算灰度曲面的方差,并将其作为判决是否是同类静脉图像的依据,充分利用了整幅静脉图像的所有信息,但提取特征图像的处理复杂、耗时长。
发明内容
对于低质量指静脉图像,为解决现有Garbor滤波器、方向组滤波器和最大曲率算法提取的静脉纹路准确性差问题,本发明提供了一种基于二维高斯最大曲率识别手指静脉的方法。
本发明解决其技术问题所采用的技术方案包括以下步骤:
S2、根据步骤S1构造的二维高斯函数G(x,y),分别求出二维高斯函数水平方向一阶导数Gx(x,y)、垂直方向的一阶导数Gy(x,y)、水平方向二阶偏导数Gxx(x,y)、垂直方向二阶偏导数Gyy(x,y)和二阶混合偏导数Gxy(x,y)。如公式2-6所示:
S3、利用步骤S2得出的结果,求出二维高斯函数8个方向的一阶方向导数Gθ(x,y)、二阶方向导数Gθθ(x,y),如公式7-8所示,其中x∈[-w,w],y∈[-w,w],θ∈[0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°]
Gθ(x,y)=Gx(x,y)cosθ+Gy(x,y)sinθ (7)
S4、对像素大小为M×N的预处理后的手指静脉图像,按边界像素值进行边界扩充,扩充后的手指静脉图像的大小为(M+2w)×(N+2w)。
所述的预处理包括对原始手指静脉图像进行灰度归一化、尺寸归一化、图像增强、图像平滑等处理;
S5、根据曲率公式求出8个方向的曲率模板,其中x∈[-w,w],y∈[-w,w],θ∈[0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°]。
S6、将步骤S5得出的8个方向的曲率模板,分别与步骤S4得出的扩充后的手指静脉图像上对应的窗口进行卷积,得到的卷积值记为ql(i,j),ql(i,j)表示第l个方向位于两个窗口中心点的曲率值,即曲率模板窗口与对应的手指静脉图像窗口中心处的曲率,其中l=1,2,3…8。然后选取出q1,q2…q8中的最大曲率值,将该最大曲率值存入一个M×N的二维矩阵Ⅰ,计算如公式10所示;同时将最大曲率值对应的是第几个方向存入一个M×N的二维矩阵Ⅱ;从而得到位于该窗口中心点的最大曲率和方向场值。
Ⅰ(i,j)=max[q1(i,j),q2(i,j),q3(i,j)…q8(i,j)] (10)
所述的二维矩阵Ⅰ与原始手指静脉图像大小对应,最大曲率值在二维矩阵Ⅰ存入的位置与该最大曲率值对应的中心点位置相同;
所述的二维矩阵Ⅱ与原始手指静脉图像大小对应,最大曲率值对应的是第几个方向在二维矩阵Ⅱ存入的位置,与该最大曲率值对应的中心点位置相同;
S7、根据步骤S6所述以8个方向的曲率模板为一次遍历,对扩充后的手指静脉图像进行整个遍历,得到大小为M×N的手指静脉图像曲率空间场图,其的方向场值为1至8;同时得到大小为M×N的最大曲率图像。
S8、将S7得到的手指静脉图像曲率空间场图中每个点的值扩大10倍,使得其的方向场值10至80。
S9、计算待识别手指静脉图像的曲率空间场和数据库中模板的曲率空间场的差值,即:
ΔD(m,n)=abs(D(m,n)-Di(m,n)) (11)
S10、修正方向差能够减小步骤S9计算出的两幅手指静脉图像曲率空间场差值的误差,因此对差值进行修正,即:
S11、将修正方向差后的均值作为两幅手指静脉图像的相似度即:
S12、匹配识别,其中T为实验得出的两幅手指静脉图像的相似度阈值。小于T认为是同类手指静脉图像,否则认为是非同类手指静脉图像。
本发明有益效果如下:
相比于其他的手指静脉识别算法,基于二维高斯最大曲率方法提取出的静脉曲率空间场图和曲率值图像能够更好地表征该手指静脉的信息。
对于低质量手指静脉图像,本发明提出从8个方向上提取静脉特征,相比于原始的最大曲率法从4个方向提取静脉特征,能够更清晰的提取静脉信息。
基于高斯曲率空间场的提取静脉纹路的准确性更高,基于曲率空间场的识别算法,在误识率一定情况下,识别性能明显高于传统的MHD识别算法。特别地,对于低质量静脉图像数据库,基于特征点的MHD算法性能明显下降,本发明提出的基于静脉图像曲率空间场的识别算法性能下降不明显。因此,基于手指静脉曲率空间场的识别算法是一种有效的识别算法。
附图说明
图1为一幅预处理后的手指静脉图像;
图2为图1提取出的曲率空间场图像;
图3为一幅质量正常预处理后的手指静脉图像;
图4为图3基于最大曲率提取出的纹路;
图5为图3基于二维高斯的最大曲率算法提取出的纹路;
图6为图3基于方向组滤波提取出的纹路;
图7为图3基于Garbor滤波器提取出的纹路;
图8为一幅低质量预处理后的手指静脉图像;
图9为图8基于最大曲率提取出的纹路;
图10为图8基于二维高斯的最大曲率算法提取出的纹路;
图11为图8基于方向组滤波提取出的纹路;
图12为图8基于Garbor滤波器提取出的纹路;
图13为曲率空间场识别静脉的合法匹配与非法匹配分布图;
图14为方向组滤波器MHD识别静脉的合法匹配与非法匹配分布图;
图15为识别低质量静脉数据库不同算法ROC曲线;
图16为识别正常静脉数据库不同算法ROC曲线;
具体实施方式
下面结合附图对本发明的具体实施例作进一步的说明。
本实施例的手指静脉快速识别方法,包括以下步骤:
S1、构造一个(2×8+1)×(2×8+1)的窗口的二维高斯函数模板G(x,y),式2中x∈[-8,8],y∈[-8,8],σ=2,w=8。
S2、根据步骤S1构造的高斯函数G(x,y),分别求出二维高斯函数水平方向一阶导数Gx(x,y)、垂直方向的一阶导数Gy(x,y)、水平方向二阶偏导数Gxx(x,y)、垂直方向二阶偏导数Gyy(x,y)和二阶混合偏导数Gxy(x,y)。
S3、利用步骤S2得出的结果,求出二维高斯函数8个方向的一阶方向导数Gθ(x,y)、二阶方向导数Gθθ(x,y)。
S4、对像素大小为160×64的预处理后的图像(如图1所示),按边界值进行边界扩充,扩充后的像素为176×80。
S5、根据离散点的曲率公式,求出8个方向的曲率模板。
S6、将步骤S5得出的8个方向的曲率模板,分别在步骤S4得出的扩充的图像上依次划过,并计算两个窗口的卷积值,记为ql,ql表示第l个方向位于该窗口中心处的曲率,其中l=1,2,3…8。然后选取出q1,q2…q8中的最大值存入该点,并存下最大值对应的是第几个方向,这样就得到位于该窗口中心点的最大曲率,和方向场值。
S7、遍历整个静脉图像,得到一幅大小为160×64的静脉图像曲率空间场图,其值为1至8。一幅大小为160×64的静脉图像最大曲率值。
S8、将S7得到的静脉图像曲率空间场图,图中的每点的值扩大10倍,其值为10至80,如图2所示。
以下对本发明的方法与其他的方法的效果作比较:
用采集设备在实验内采集静脉图像建立低质量静脉图像数据库和正常静脉图像数据库。其中低质量静脉图像数据库,包含在低温环境下采集的静脉图像和女生静脉比较细的静脉图像,共600组每组3幅图像,1-2作为待匹配静脉图像,第3幅图像作为模板。正常静脉图像数据库共400组静脉图像,每组4幅静脉图像,其中1-3作为待匹配静脉图像,第4幅静脉图像作为模板。采集的图像经过预处理后保存大小为160×64的特征点图和曲率空间场,仿真实验用Matlab 2012b软件编程,在内存4G,CPU主频4GHZ的Window 7平台上进行。
1、不同算法提取静脉纹路效果比较
最大曲率算法、方向组滤波器、Garbor滤波器和基于二维高斯的最大曲率算法分别提取正常静脉图像图3的静脉纹路,各个算法提取的静脉纹路如图4至图7所示。从图4至图7可以看出Garbor滤波器提取的静脉纹路不准确,一些背景区域被分割成静脉,而且出现静脉纹路的断裂现象,方向组滤波器和最大曲率算法提取的静脉纹路相对比较准确,但是也存在静脉断裂现象,本发明提取的二维高斯最大曲率算法提取的静脉纹路不但可以准确提取低对比度区域的静脉纹路,而且提取的静脉纹路连续性好。
利用不同静脉纹路提取算法提取低质量静脉图像的静脉纹路,低质量静脉图像如图8所示,各个算法提取的静脉纹路如图9至图12所示。从图9至图12可以看出,Garbor滤波器提取的静脉纹路出现大量的伪静脉,完全淹没了图像的静脉纹路。方向组滤波器滤波器提取的静脉纹路虽然比Garbor滤波器较好一些,但是对于图像上部的模糊区域出现很多伪静脉,而且存在静脉断裂的现象。最大曲率算法提取的静脉纹路伪静脉相对较少,但一些静脉的关键点(交叉点)出现断裂现象。本发明提出的基于二维高斯函数的曲率算法,对模糊区域的提取效果很好,伪静脉比较少,而且提取的静脉连续性好没有出现断裂现象。
2、不同算法识别性能比较
图13给出了低质量静脉图像数据库曲率空间场识别算法的合法匹配曲线和非法匹配曲线,从图13可以看出,合法曲线和非法曲线交叉部分极少,主峰相距较远,是否是同类静脉图像有明显的区分度。方向组滤波器提取低质量静脉数据库静脉纹路,然后提取静脉纹路特征,利用MHD算法识别的合法匹配与非法匹配曲线如图14,从图14可以看出,合法匹配曲线和非法匹配曲线交叉部分较多,主峰相聚交近,同类静脉图像和非同类静脉图像的区分度不够明显。结合图13,图14可以看出曲率空间场识别算法的合法匹配与非法匹配曲线的交叉部分明显小于MHD识别算法。因此,本发明提出的基于曲率空间场识别算法可以用于区分是否是同类静脉图像的效果明显优于MHD识别算法。
方向组滤波器和基于二维高斯的最大曲率算法分别提取静脉图像的静脉纹路,然后提取特征点,进行MHD识别。提取静脉图像的曲率空间场,利用本发明提出的基于曲率空间场识别算法进行认证识别。对于低质量静脉数据库不同识别算法的ROC曲线如图15,对于正常静脉数据库,不同算法的ROC曲线如图15所示。
结合图15和图16可以看出无论是低质量静脉数据库还是正常静脉数据库,在误识率相同时,二维高斯曲率提取的静脉纹路进行MHD识别的拒识率都小于方向组滤波器提取静脉纹路MHD识别算法。说明本发明提出的基于二维高斯最大曲率算法提取静脉纹路更准确。本发明提出基于曲率空间场的识别算法的拒识率明显小于MHD识别算法,说明本发明提出基于曲率空间场的识别算法性能明显优于MHD识别算法。在误识率一定情况下,从正常静脉数据到低质量静脉数据库,MHD识别算法拒识率明显提高,但本发明提出算法拒识率增加很少,因此MHD识别算法对于低质量静脉图像识别性能比较差,而本发明提出的基于静脉图像曲率空间场的识别算法即使是低质量静脉图像识别性能仍是比较好。
本发明提出一种基于指静脉曲率空间场的识别算法,首先利用改进的基于二维高斯函数的最大曲率算法,提取手指静脉图像的静脉纹路和曲率空间场,然后利用手指静脉图像的曲率空间场匹配识别。实验表明,基于高斯曲率空间场的提取静脉纹路的准确性更高,基于曲率空间场的识别算法,在误识率一定情况下,识别性能明显高于传统的MHD识别算法。而且对于低质量静脉图像数据库,基于特征点的MHD算法性能明显下降,本发明提出的基于静脉图像曲率空间场的识别算法性能下降很少。因此,基于手指静脉曲率空间场的识别算法是一种有效的识别算法。
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 (7)
1.一种基于二维高斯最大曲率识别手指静脉的方法,其特征在于包括如下步骤:
S2、根据步骤S1构造的二维高斯函数G(x,y),分别求出二维高斯函数水平方向一阶导数Gx(x,y)、垂直方向的一阶导数Gy(x,y)、水平方向二阶偏导数Gxx(x,y)、垂直方向二阶偏导数Gyy(x,y)和二阶混合偏导数Gxy(x,y);
S3、利用步骤S2得出的结果,求出二维高斯函数8个方向的一阶方向导数Gθ(x,y)、二阶方向导数Gθθ(x,y),
S4、对像素大小为M×N的预处理后的手指静脉图像,按边界像素值进行边界扩充,扩充后的手指静脉图像的大小为(M+2w)×(N+2w);
S5、根据曲率公式求出8个方向的曲率模板;
S6、将步骤S5得出的8个方向的曲率模板,分别与步骤S4得出的扩充后的手指静脉图像上对应的窗口进行卷积,得到的卷积值记为ql,ql表示第l个方向两个窗口中心点的曲率值,即曲率模板窗口与对应的手指静脉图像窗口中心处的曲率;其中l=1,2,3…8;然后选取出q1,q2…q8中的最大曲率值,将该最大曲率值存入一个M×N的二维矩阵Ⅰ;同时将最大曲率值对应的是第几个方向存入一个M×N的二维矩阵Ⅱ;从而得到位于曲率模板窗口与对应的手指静脉图像窗口中心点的最大曲率和方向场值;
S7、根据步骤S6以8个方向的曲率模板为一次遍历,对扩充后的手指静脉图像进行整个遍历,得到大小为M×N的手指静脉图像曲率空间场图,其的方向场值为1至8;同时得到大小为M×N的最大曲率图像;
S8、将S7得到的手指静脉图像曲率空间场图中每个点的值扩大10倍,使得其的方向场值10至80;
S9、计算待识别手指静脉图像的曲率空间场和数据库中模板的曲率空间场的差值;
S10、修正方向差能够减小步骤S9计算出的两幅手指静脉图像曲率空间场差值的误差,因此对差值进行修正;
S11、将修正方向差后的均值作为两幅手指静脉图像的相似度;
S12、匹配识别,其中T为实验得出的两幅手指静脉图像的相似度阈值;小于T认为是同类手指静脉图像,否则认为是非同类手指静脉图像;
步骤S5所述的根据曲率公式求出8个方向的曲率模板如下,其中x∈[-w,w],y∈[-w,w],θ∈[0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°];
4.根据权利要求1所述的一种基于二维高斯最大曲率识别手指静脉的方法,其特征在于步骤S6所述的二维矩阵Ⅰ与原始手指静脉图像大小对应,最大曲率值在二维矩阵Ⅰ存入的位置与该最大曲率值对应的中心点位置相同,矩阵Ⅰ的存入值如式10所示;所述的二维矩阵Ⅱ与原始手指静脉图像大小对应,最大曲率值对应的是第几个方向在二维矩阵Ⅱ存入的位置,与该最大曲率值对应的中心点位置相同
Ⅰ(i,j)=max[q1(i,j),q2(i,j),q3(i,j)…q8(i,j)] (10)。
5.根据权利要求1所述的一种基于二维高斯最大曲率识别手指静脉的方法,其特征在于步骤S9所述的差值计算如下:
ΔD(m,n)=abs(D(m,n)-Di(m,n)) (11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710182280.6A CN107229899B (zh) | 2017-03-24 | 2017-03-24 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710182280.6A CN107229899B (zh) | 2017-03-24 | 2017-03-24 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229899A CN107229899A (zh) | 2017-10-03 |
CN107229899B true CN107229899B (zh) | 2020-07-24 |
Family
ID=59933074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710182280.6A Active CN107229899B (zh) | 2017-03-24 | 2017-03-24 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229899B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271966B (zh) * | 2018-10-15 | 2021-10-26 | 广州广电运通金融电子股份有限公司 | 一种基于指静脉的身份认证方法、装置及设备 |
CN110751029B (zh) * | 2019-09-12 | 2022-08-02 | 南京邮电大学 | 基于最大曲率自适应指静脉纹路提取方法 |
CN111612083B (zh) * | 2020-05-26 | 2023-05-12 | 济南博观智能科技有限公司 | 一种手指静脉识别方法、装置及设备 |
CN112101319B (zh) * | 2020-11-17 | 2021-03-16 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104239769A (zh) * | 2014-09-18 | 2014-12-24 | 北京智慧眼科技发展有限公司 | 基于手指静脉特征的身份识别方法及系统 |
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
JP5951817B1 (ja) * | 2015-02-09 | 2016-07-13 | コリセン カンパニー リミテッドKorecen Co.,Ltd. | 指静脈認証システム |
CN105975905A (zh) * | 2016-04-26 | 2016-09-28 | 山西圣点世纪科技股份有限公司 | 一种手指静脉快速识别方法 |
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040239480A1 (en) * | 2001-07-10 | 2004-12-02 | American Express Travel Related Services Company, Inc. | Method for biometric security using a transponder |
JP4748199B2 (ja) * | 2008-09-30 | 2011-08-17 | ソニー株式会社 | 静脈撮像装置および静脈撮像方法 |
KR101017798B1 (ko) * | 2008-11-03 | 2011-03-02 | 서울대학교산학협력단 | 평균 곡률을 이용하는 지정맥 인증 방법 및 장치 |
-
2017
- 2017-03-24 CN CN201710182280.6A patent/CN107229899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104239769A (zh) * | 2014-09-18 | 2014-12-24 | 北京智慧眼科技发展有限公司 | 基于手指静脉特征的身份识别方法及系统 |
CN104408453A (zh) * | 2014-09-29 | 2015-03-11 | 北京理工大学 | 基于多特征聚类的近红外皮下静脉分割方法 |
JP5951817B1 (ja) * | 2015-02-09 | 2016-07-13 | コリセン カンパニー リミテッドKorecen Co.,Ltd. | 指静脈認証システム |
CN105975905A (zh) * | 2016-04-26 | 2016-09-28 | 山西圣点世纪科技股份有限公司 | 一种手指静脉快速识别方法 |
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
A low cost finger vein authentication system, using maximum curvature points;Fotios T.等;《2015 International Conference on Applied Electronics (AE)》;20151026;第1-4页 * |
使用方向滤波技术的手指静脉纹路提取方法;王科俊 等;《中国图象图形学报》;20110731;第16卷(第7期);第1206-1212页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107229899A (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256456B (zh) | 一种基于多特征阈值融合的手指静脉识别方法 | |
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN107229899B (zh) | 一种基于二维高斯最大曲率的手指静脉识别方法 | |
Zhang et al. | Fingerprint classification based on extraction and analysis of singularities and pseudo ridges | |
CN102663426B (zh) | 一种基于小波多尺度分析和局部三值模式的人脸识别方法 | |
CN105956579A (zh) | 融合模糊模板和点特征的手指静脉快速识别方法 | |
WO2021227331A1 (zh) | 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 | |
Wang et al. | Hand vein recognition based on multiple keypoints sets | |
CN111507206B (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN107066969A (zh) | 一种人脸识别方法 | |
CN111639560A (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
Huvanandana et al. | Reliable and fast fingerprint identification for security applications | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
CN114782715B (zh) | 一种基于统计信息的静脉识别方法 | |
CN105184272B (zh) | 基于曲线匹配的手背静脉识别方法 | |
El_Tokhy | Robust multimodal biometric authentication algorithms using fingerprint, iris and voice features fusion | |
Hu et al. | A composite fingerprint segmentation based on log-gabor filter and orientation reliability | |
Li et al. | A face recognition algorithm based on LBP-EHMM | |
Zeng et al. | Local feature descriptor based rapid 3D ear recognition | |
Yu et al. | Shape recognition using curve segment hausdorff distance | |
CN111191624B (zh) | 一种基于法向量信息的指静脉特征提取方法 | |
CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
Deepamalar et al. | An enhanced palm vein recognition system using multi-level fusion of multimodal features and adaptive resonance theory | |
CN110502996B (zh) | 一种面向模糊指静脉图像的动态识别方法 | |
CN114973307A (zh) | 生成对抗和余弦三元损失函数的指静脉识别方法及系统 |
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 |