CN107657209A - 一种基于手指静脉图像质量的模板图像注册机制 - Google Patents

一种基于手指静脉图像质量的模板图像注册机制 Download PDF

Info

Publication number
CN107657209A
CN107657209A CN201710550909.8A CN201710550909A CN107657209A CN 107657209 A CN107657209 A CN 107657209A CN 201710550909 A CN201710550909 A CN 201710550909A CN 107657209 A CN107657209 A CN 107657209A
Authority
CN
China
Prior art keywords
image
vein
mrow
vein image
finger
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
Application number
CN201710550909.8A
Other languages
English (en)
Other versions
CN107657209B (zh
Inventor
沈雷
李小刚
张严严
蓝师伟
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710550909.8A priority Critical patent/CN107657209B/zh
Publication of CN107657209A publication Critical patent/CN107657209A/zh
Application granted granted Critical
Publication of CN107657209B publication Critical patent/CN107657209B/zh
Expired - Fee Related 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (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手指静脉图像质量的模板注册机制。本发明只有同时满足三个判决条件的图像，方可在数据库中注册：一是判决是否为曝光过度或不足的图像；二是判决是否为静脉清晰但静脉稀疏的图像；三是判决是否为静脉图像模糊不清晰的图像；具体的：首先由采集设备采集到手指静脉注册模板图像，经过预处理后，依次对图像进行曝光程度判别、稀疏程度判别和静脉模糊程度判别，若判决为低质量图像，则由系统拒绝下一步操作并语音提醒采集失败，需重新采集，只有同时满足图像曝光程度判别、模糊程度判别和静脉稀疏程度判别条件，才被允许进行接下来的注册操作。本发明能够更好的控制低质量图像被注册为模板图像，提高系统的识别性能。

Description

一种基于手指静脉图像质量的模板图像注册机制
技术领域
本发明属于生物特征识别及信息安全技术领域，特别涉及一种手指静脉识别系统的模板图像的注册机制。
背景技术
在信息安全领域中，生物特征识别技术逐渐成为信息安全领域重要的研究方向，生物特征识别技术包括指纹识别技术、虹膜识别技术、人脸识别技术、DNA识别技术与手指静脉识别技术等。而手指静脉识别技术凭借其静脉为活体特征、具有高防伪性、非接触式、设备轻巧等特征，逐渐得到了业内众多专家学者的研究，手指静脉产品也广泛的用于银行ATM机、社保局、部队、监狱及办公楼的门禁与保险系统。
随着相关产品在实际环境中的推广与应用，手指静脉识别技术面临着诸多挑战，在采集图像的过程中会受到各种环境的干扰，如外界温度，手指出汗、采集环境光照变化、采集者血管不清晰、曝光过度或不足、图像边缘模糊、手指放置不当或用力按压等，这些都会导致采集到的手指静脉图像质量低下。手指静脉识别系统一般由图像采集模块，图像处理模块与匹配识别模块组成，首先由图像采集模块采集到静脉图像，然后由图像处理模块提取出静脉的特征信息，最后由特征存储与匹配模块将该信息存入数据库中或与已存数据库进行比对。当数据库中某一根手指的注册模板图像质量较低时，会一直影响到该手指匹配识别性能，即使待识别的静脉图像质量较高，也会影响到该手指的匹配识别性能。因此保证注册模板图像质量，是提高识别率和控制误识率的前提保障。
目前，国内外专家学者对如何评价图像质量进行初步的研究与探讨。Duagman利用傅里叶频谱高频能量来判断虹膜图像是否具有较高的清晰度；Zhang等通过分析瞳孔、虹膜之间的边界梯度判断图像是否清晰；胡庆杨等提出了一种根据人脸位置、图像对比度、图像清晰度、图像明亮度来综合评价人脸图像质量的方法；Bofle等人通过计算纹像素块的有方向区域和无方向区域的面积作为图像质量的指标；熊新炎对指纹和手背静脉图像的整体质量进行了评价；崔建江[8]等人研究了图像信息容量、能量谱-熵、伪信噪比，以及每种方法所适用的场合，推导出图像质量与LED电流之间的关系，其图像质量评价效果较好。
但是，目前针对手指静脉图像质量的评估方法还是寥寥无几。王科俊等人采用对比度、位置偏移、有效区域、方向模糊度、信息熵5 个评价图像的物理参数，将其加权融合，建立了手指静脉图像的质量评价函数，作为评价手指静脉图像的标准。该融合方法的判决机制对手指静脉图像具有良好的评判，但是通过计算图像的均方差，即灰度差异的大小，并不能有效得对模糊图像进行判别，即对曝光问题的静脉图像判决较差。
发明内容
为了保证手指静脉识别系统注册图像的质量，本发明提供了一种基于手指静脉图像质量的模板注册机制。
本发明只有同时满足三个判决条件的图像，方可在数据库中注册，三个条件具体为：
一是判决是否为曝光过度或不足的图像；
二是判决是否为静脉清晰但静脉稀疏的图像；
三是判决是否为静脉图像模糊不清晰的图像。
具体的：首先由采集设备采集到手指静脉注册模板图像，经过预处理后，依次对图像进行曝光程度判别、稀疏程度判别和静脉模糊程度判别，若判决为低质量图像，则由系统拒绝下一步操作并语音提醒采集失败，需重新采集，只有同时满足图像曝光程度判别、模糊程度判别和静脉稀疏程度判别条件，才被允许进行接下来的系统操作。
本发明解决其技术问题所采用的技术方案如下：
一种基于手指静脉图像质量的模板图像注册机制，包括以下步骤：
步骤1、对采集到的手指静脉原始图像像素进行变换，变换后的静脉图像大小为160*64。
步骤2、通过灰度等级直方图法，判别静脉图像的曝光程度：
2-1、将0～255灰阶分成32等份，每个等份有8个灰度；
2-2、计算经过步骤1变换后的该静脉图像处于前2等份(像素范围0～15)的像素点个数，当像素点个数超过420则判决该静脉图像为曝光不足的静脉图像，拒绝注册；
2-3、计算经过步骤1变换后的该静脉图像处于后8等份(像素范围192-255)的像素点个数，当像素点个数超过500则判决该静脉图像为曝光过度的静脉图像，拒绝注册。
步骤3、通过计算横截面各点灰度斜率的方差，判别静脉图像的模糊程度：
3-1、取出经过步骤1后的静脉图像处于第30行、70行、100行、 130行的像素点的像素值，每一行为64个像素值，存入大小为4*64 的矩阵M1中；
3-2、删除矩阵M1中每行前10像素点和后10像素点，从而除去两端的畸变点,得到大小为4*34的矩阵M2；
3-3、计算矩阵M2每行像素值变化的斜率，存入大小为4*34的矩阵M3中；
3-4、计算矩阵M3每行斜率值的方差，并将得到的4个方差值分别除以1000再求平均，若平均值小于2.5则判决该静脉图像为模糊图像，拒绝注册；
步骤4、通过提取手指图像主静脉，判别静脉图像是静脉稀疏程度
4-1、构造8个大小为9×9方向模板算子，将0°到180°按逆时针方向等间隔的分成8个方向，每个方向差22.5°，方向模板算子只有在一个方向上存在非零数。
4-2、将步骤4-1构造的8个方向模板算子分别与步骤1得出的静脉图像做卷积运算，并将卷积值作为该邻域中心处的像素值；方向模板算子的大小与静脉图像选取出的邻域大小相同；
4-3、将8个方向模板算子窗口分别遍历步骤1的静脉图像，得到8个不同方向上的手指静脉图像的灰度矩阵Gi，其中
i＝1,2,3,4,5,6,7,8分别表示
0°,22.5°,45°,67.5°,90°,112.5°,135.5°,157.5°；
4-4、将Gi进行Niblack分割得到8个方向手指静脉纹路走势图矩阵，并记为Ii；
4-5、对8个方向手指静脉纹路走势图矩阵进行加权处理，即：
其中，矩阵ISUM中元素的值介于0和8之间；
4-6、通过门限阈值T将步骤S13得到的ISUM再次进行二值化，即：
式中，IT为二值化后的静脉图像主静脉；
4-7、计算主静脉(非0像素点)占有率，若占有率低于0.040 则判别该静脉图像为静脉稀疏图像。
本发明有益效果如下：
本发明提出的基于手指静脉图像质量的模板注册机制，该机制采用三种方法保证注册模板图像的质量，一是判决是否为曝光过度或不足的图像，二是判决是否为静脉清晰但静脉稀疏的图像，三是判决是否为静脉图像模糊不清晰的图像。相比于其他的图像质量判决标准，该方法能够更好的控制低质量图像被注册为模板图像，从而提高系统的识别性能。
附图说明
图1为本发明的图像注册机制的流程图；
图2为本发明实施例像素大小变换后的手指静脉图像；
图3为图1选取的4个横截面；
图4位图1以图2截取4截面的灰度变化曲线；
图5为经本发明实施例步骤S8构造的8方向模板算子；
图6为图1经过S11得到的静脉纹路图；
图7为经过S12步骤后得到的细化后的主静脉拓扑结构；
图8(a)、(b)、(c)、(d)为100张曝光问题图像和100 张正常图像不同方法的分布图对比；
图9(a)、(b)为100张静脉模糊图像和100张正常图像不同方法的分布图对比；
图10为不同处理操作得到的数据库ROC曲线对比；
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说明。
本实施例的手指静脉快速识别方法，包括以下步骤：
S1、将采集到的手指静脉图像进行像素变换，使其大小为160ⅹ 64的大小。得到的如图1所示。
S2、将0～255灰阶分成32等份，每个等份有8个灰度；
S3、利用直方图方法，计算S1步骤出后的图像处于前2等份(像素范围0～15)的像素点个数和处于后8等份(像素范围192-255)的像素点个数，计算结果为前2等份的个数为0，后8等份的个数为0, 则判决为非曝光过度图像；
S4、取出S1步骤得到的图1处于第30行，70行，100行，130 行的像素点的像素值，每一行为64个像素值，存入大小为4ⅹ64的矩阵M1中，选取方式如图2所示，得到的4个截面的像素变化曲线如图3所示；
S5、去掉S4步骤得到矩阵M1的每行前10像素点和后10像素点，以去除两端的畸变点,从而得到大小为4ⅹ34的矩阵M2；
S6、计算步骤S6得到的M2每行像素值变化的斜率，存入大小为 4ⅹ34的矩阵M3中；
S7、计算步骤S7得到的M3的每行斜率值的方差，并将得到的方差值除以1000，结果为[3.87，8.51，6.76，8.77]，其平均值大于 2.50，因此判决为非模糊图像；
S8、构造8个如图4所示大小为9×9模板算子T，将0°到180°按逆时针方向等间隔的分成8个方向，每个方向差22.5°，方向模板算子只有在一个方向上存在非零数。
S9、将步骤S8构造的8个模板算子分别与S1得出的静脉图像做卷积运算(模板的大小与静脉图像选取出的邻域大小相同)，卷积值作为该邻域中心处的像素值；
S10、将8个模板算子窗口分别遍历整个手指静脉图像，得到8 个不同方向上的手指静脉图像的灰度矩阵Gi(i＝1,2,3,4,5,6,7,8分别表示0°,22.5°,45°,67.5°,90°,112.5°,135.5°,157.5°)；
S11、将Gi进行Niblack分割得到8个方向手指静脉纹路走势图，其矩阵记为Ii，处理得出的8个方向上的静脉纹路图如图5所示。
S12、利用公式(1)加权8个方向手指静脉纹路矩阵，然后通过门限阈值T＝2将得到的ISUM再次进行二值化，即：
得到的主静脉图像如图6所示；
S13、计算主静脉(非0像素点)占有率，图5由461个非0像素点组成，其静脉占有率为45‰，因此判决为非静脉稀疏图像；
针对静脉图像曝光程度判别，王科俊等人提出的通过计算图像的对比度的方法并不能有效的区分曝光问题图像与正常图像，本发明提出灰度等级直方图法可以有效的区分。两者的区分对比试验如下。图 8(a)显示了本发明方法统计正常质量与曝光过度的手指静脉图像处于后8等份的像素点个数分布图，8(b)显示了本发明方法统计正常质量与曝光不足的手指静脉图像处于前2等份的像素点个数分布图。图 8(c)和(d)分别显示了利用计算图像对比度的方法，得出的正常质量与曝光过度的手指静脉图像的对比度分布图，正常质量与曝光不足的手指静脉图像对比度分布图。对比图(a)和(c)可以看出：图(a)中的曝光过度图像与正常图像的后8等份的像素点个数区分较明显，曝光过度的手指处于后8等份的像素点个数比较大，大部分处于图像的上方，而正常质量手指静脉图像处于前8等份的像素点个数相对较小，大部分处于图像的下方，两者像素点个数的区分介于[500,700]范围内。对比图(b)和(d)可以看出：图(b)中的曝光不足图像与正常图像的前2等份的像素点个数区分相当明显，当前2等份的像素点个数超过420时，则可以判别该静脉图像为曝光不足图像，而采用对比度方法，得出的曝光不足图像与正常图像的区分度不明显，分布重叠较多。
针对静脉图像模糊程度判别，王科俊等人提出的通过计算图像的信息熵的方法并不能有效的区分曝光问题图像与正常图像，本发明提出计算横截面各点灰度斜率的方差可以有效的区分。图8(a)显示了100张正常质量的手指静脉图像和100张手指静脉模糊的图像，4 个截面所有灰度变化曲线斜率的方差的平均值分布图，图8(b)显示了信息熵的方法的区分分布图。从图中可以看出：静脉模糊的图像的4个截面灰度变化曲线斜率的方差的平均值相对较小，大部分处于图10的下方；而正常质量手指静脉图像的4个截面灰度变化曲线斜率的方差的平均值相对较大，大部分处于图10上方。两者方差值的区分介于[2,3]之间。而静脉模糊图像和正常图像的信息熵分布杂乱无章，重叠较多，并不能有效的区分两者图像。
采集实验室50根手指，每根手指采集20个手指静脉图像样本，共1000幅原始静脉图像，记为数据库D1。此设备采用波长为850nm 的近红外光源和型号为MT9V034的摄像头。
将D1数据库中的静脉图像进行静脉稀疏程度判别。提取出每幅图像的主静脉(式2中T＝2)并计算出主静脉占有率，取阈值Q1＝0.042，将主静脉占有率小于Q1的静脉图像滤除，保留主静脉占有率大于Q1 的静脉图像，最终得到947幅图像记为数据库D2。
将D1数据库中的静脉图像进行图像模糊程度判别。计算每幅图像4个截面灰度变化曲线斜率的方差的平均值，取阈值Q2＝2.5，将方差的平均值小于Q2的静脉图像滤除，保留方差平均值大于Q2的静脉图像，最终得到693幅图像记为数据库D3。
将D1数据库中的静脉图像进行图像曝光程度判别。利用灰度等级直方图的方法，统计处于前2等份的像素点个数，阈值Q3＝420，将个数大于Q3的静脉图像滤除；统计处于后8等份的像素点个数，阈值 Q4＝600，将个数小于Q4的静脉图像滤除，最终得到812幅图像记为数据库D4。
将D1数据库中的静脉图像先后进行图像曝光程度判别，稀疏程度判别，模糊程度判别(如图1框图所示的顺序)，每步滤除的阈值与上述保持不变，最终得到672幅图像记为数据库D5。
在1:1的验证模式下，将一根手指的静脉样本图像和该手指的其他的静脉样本图像进行组内匹配识别，称为合法匹配；将一根手指静脉样本图像和不同手指静脉样本图像进行组间匹配识别，称为非法匹配。采用MHD(Modify Hausdorff Distance)算法对静脉的细化纹路图进行组内和组间匹配识别，得到合法匹配与非法匹配的数据。通过修改阈值得出拒识率(False Reject Rate,FRR)和误识率(False Accept Rate,FAR)之间的关系曲线，即ROC曲线。图9显示了采用 MHD算法对数据库D1、D2、D3和D4的静脉纹路识别的ROC曲线。从图中可以看出，相比于D1数据库的ROC曲线，拒识率一定时滤除静脉稀疏图像后和滤除曝光图像的误识率有所降低；误识率一定时滤除模糊图像后的拒识率有所下降。通过三步滤除得到的数据库D5，相比于D1数据库的ROC，在提高识别率方面和控制误识率方面有着明显效果。
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 (2)

1.一种基于手指静脉图像质量的模板注册机制，其特征在于只有同时满足三个判决条件的图像，方可在数据库中注册，三个条件具体为：
一是判决是否为曝光过度或不足的图像；
二是判决是否为静脉清晰但静脉稀疏的图像；
三是判决是否为静脉图像模糊不清晰的图像；
具体的：首先由采集设备采集到手指静脉注册模板图像，经过预处理后，依次对图像进行曝光程度判别、稀疏程度判别和静脉模糊程度判别，若判决为低质量图像，则由系统拒绝下一步操作并语音提醒采集失败，需重新采集，只有同时满足图像曝光程度判别、模糊程度判别和静脉稀疏程度判别条件，才被允许进行接下来的注册操作。
2.根据权利要求1所述的一种基于手指静脉图像质量的模板注册机制，其特征在于具体包括以下步骤：
步骤1、对采集到的手指静脉原始图像像素进行变换，变换后的静脉图像大小为160*64；
步骤2、通过灰度等级直方图法，判别静脉图像的曝光程度：
2-1、将0～255灰阶分成32等份，每个等份有8个灰度；
2-2、计算经过步骤1变换后的该静脉图像处于前2等份的像素点个数，当像素点个数超过420则判决该静脉图像为曝光不足的静脉图像，拒绝注册；
2-3、计算经过步骤1变换后的该静脉图像处于后8等份的像素点个数，当像素点个数超过500则判决该静脉图像为曝光过度的静脉图像，拒绝注册；
步骤3、通过计算横截面各点灰度斜率的方差，判别静脉图像的模糊程度：
3-1、取出经过步骤1后的静脉图像处于第30行、70行、100行、130行的像素点的像素值，每一行为64个像素值，存入大小为4*64的矩阵M1中；
3-2、删除矩阵M1中每行前10像素点和后10像素点，从而除去两端的畸变点,得到大小为4*34的矩阵M2；
3-3、计算矩阵M2每行像素值变化的斜率，存入大小为4*34的矩阵M3中；
3-4、计算矩阵M3每行斜率值的方差，并将得到的4个方差值分别除以1000再求平均，若平均值小于2.5则判决该静脉图像为模糊图像，拒绝注册；
步骤4、通过提取手指图像主静脉，判别静脉图像是静脉稀疏程度
4-1、构造8个大小为9×9方向模板算子，将0°到180°按逆时针方向等间隔的分成8个方向，每个方向差22.5°，方向模板算子只有在一个方向上存在非零数；
4-2、将步骤4-1构造的8个方向模板算子分别与步骤1得出的静脉图像做卷积运算，并将卷积值作为该邻域中心处的像素值；方向模板算子的大小与静脉图像选取出的邻域大小相同；
4-3、将8个方向模板算子窗口分别遍历步骤1的静脉图像，得到8个不同方向上的手指静脉图像的灰度矩阵Gi，其中i＝1,2,3,4,5,6,7,8分别表示0°,22.5°,45°,67.5°,90°,112.5°,135.5°,157.5°；
4-4、将Gi进行Niblack分割得到8个方向手指静脉纹路走势图矩阵，并记为Ii；
4-5、对8个方向手指静脉纹路走势图矩阵进行加权处理，即：
<mrow> <msub> <mi>I</mi> <mrow> <mi>S</mi> <mi>U</mi> <mi>M</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>8</mn> </munderover> <msub> <mi>I</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，矩阵ISUM中元素的值介于0和8之间；
4-6、通过门限阈值T将步骤S13得到的ISUM再次进行二值化，即：
<mrow> <msub> <mi>I</mi> <mi>T</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>I</mi> <mrow> <mi>S</mi> <mi>U</mi> <mi>M</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mi>T</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>I</mi> <mrow> <mi>S</mi> <mi>U</mi> <mi>M</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <mi>T</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
式中，IT为二值化后的静脉图像主静脉；
4-7、计算主静脉占有率，若占有率低于0.040则判别该静脉图像为静脉稀疏图像。
CN201710550909.8A 2017-07-07 2017-07-07 一种基于手指静脉图像质量的模板图像注册机制 Expired - Fee Related CN107657209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710550909.8A CN107657209B (zh) 2017-07-07 2017-07-07 一种基于手指静脉图像质量的模板图像注册机制

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710550909.8A CN107657209B (zh) 2017-07-07 2017-07-07 一种基于手指静脉图像质量的模板图像注册机制

Publications (2)

Publication Number Publication Date
CN107657209A true CN107657209A (zh) 2018-02-02
CN107657209B CN107657209B (zh) 2020-07-28

Family

ID=61126667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710550909.8A Expired - Fee Related CN107657209B (zh) 2017-07-07 2017-07-07 一种基于手指静脉图像质量的模板图像注册机制

Country Status (1)

Country Link
CN (1) CN107657209B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460766A (zh) * 2018-04-12 2018-08-28 四川和生视界医药技术开发有限公司 一种视网膜图像清晰度评估方法以及评估装置
CN108846368A (zh) * 2018-06-25 2018-11-20 黎剑鸣 一种手指静脉识别系统
CN110110635A (zh) * 2019-04-28 2019-08-09 上海芯灵科技有限公司 非接触式指静脉识别装置及其识别方法
CN110473180A (zh) * 2019-07-31 2019-11-19 南方医科大学南方医院 胸部呼吸运动的识别方法、系统及存储介质
CN110502996A (zh) * 2019-07-22 2019-11-26 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN111368780A (zh) * 2020-03-13 2020-07-03 浙江大华技术股份有限公司 一种基于指纹和指静脉的联合识别处理方法及系统
CN111652088A (zh) * 2020-05-15 2020-09-11 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2169612A1 (en) * 2007-07-20 2010-03-31 Sony Corporation Vein authentication device, vein authentication imaging device, and vein illuminating method
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
CN102214297A (zh) * 2011-06-14 2011-10-12 中国人民解放军国防科学技术大学 用于特征提取的静脉图像质量检测方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2169612A1 (en) * 2007-07-20 2010-03-31 Sony Corporation Vein authentication device, vein authentication imaging device, and vein illuminating method
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
CN102214297A (zh) * 2011-06-14 2011-10-12 中国人民解放军国防科学技术大学 用于特征提取的静脉图像质量检测方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460766A (zh) * 2018-04-12 2018-08-28 四川和生视界医药技术开发有限公司 一种视网膜图像清晰度评估方法以及评估装置
CN108460766B (zh) * 2018-04-12 2022-02-25 四川和生视界医药技术开发有限公司 一种视网膜图像清晰度评估方法以及评估装置
CN108846368A (zh) * 2018-06-25 2018-11-20 黎剑鸣 一种手指静脉识别系统
CN110110635A (zh) * 2019-04-28 2019-08-09 上海芯灵科技有限公司 非接触式指静脉识别装置及其识别方法
CN110502996A (zh) * 2019-07-22 2019-11-26 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN110502996B (zh) * 2019-07-22 2022-03-15 杭州电子科技大学 一种面向模糊指静脉图像的动态识别方法
CN110473180A (zh) * 2019-07-31 2019-11-19 南方医科大学南方医院 胸部呼吸运动的识别方法、系统及存储介质
CN111368780A (zh) * 2020-03-13 2020-07-03 浙江大华技术股份有限公司 一种基于指纹和指静脉的联合识别处理方法及系统
CN111368780B (zh) * 2020-03-13 2024-01-30 浙江大华技术股份有限公司 一种基于指纹和指静脉的联合识别处理方法及系统
CN111652088A (zh) * 2020-05-15 2020-09-11 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
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

Also Published As

Publication number Publication date
CN107657209B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN107657209A (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN107977609B (zh) 一种基于cnn的指静脉身份验证方法
Zhao et al. Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction
CN107392082B (zh) 一种基于深度学习的小面积指纹比对方法
US8379961B2 (en) Mitotic figure detector and counter system and method for detecting and counting mitotic figures
Ryu et al. Enhancement of feature extraction for low-quality fingerprint images using stochastic resonance
Yoon et al. LFIQ: Latent fingerprint image quality
CN106250821A (zh) 一种聚类再分类的人脸识别方法
CN107066942A (zh) 一种活体人脸识别方法及系统
Qing et al. Automated detection and identification of white-backed planthoppers in paddy fields using image processing
CN102156887A (zh) 一种基于局部特征学习的人脸识别方法
CN106650669A (zh) 一种鉴别仿冒照片欺骗的人脸识别方法
CN101561867A (zh) 一种基于高斯形状特征的人体检测方法
CN108960185A (zh) 基于YOLOv2的车辆目标检测方法及系统
CN107481374A (zh) 一种智能终端指纹解锁开门装置
CN106548176A (zh) 基于自适应引导滤波的指静脉图像增强方法
CN114973307B (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
Hilles et al. Adaptive latent fingerprint image segmentation and matching using Chan-Vese technique based on EDTV model
CN107194393A (zh) 一种检测临时车牌的方法及装置
CN106339665A (zh) 一种人脸的快速检测方法
Al-Tamimi et al. Finger vein recognition based on PCA and fusion convolutional neural network
CN107122710B (zh) 一种基于散射卷积网络的手指静脉特征提取方法
Bhanu et al. Learned templates for feature extraction in fingerprint images
CN107657201A (zh) Next系列产品图像特征识别系统及其识别方法
CN103839051B (zh) 基于2dpca和分区lbp的单样本静脉识别的方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200728

CF01 Termination of patent right due to non-payment of annual fee