CN107729820A - 一种基于多尺度hog的手指静脉识别方法 - Google Patents
一种基于多尺度hog的手指静脉识别方法 Download PDFInfo
- Publication number
- CN107729820A CN107729820A CN201710888184.3A CN201710888184A CN107729820A CN 107729820 A CN107729820 A CN 107729820A CN 201710888184 A CN201710888184 A CN 201710888184A CN 107729820 A CN107729820 A CN 107729820A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- finger
- multiple dimensioned
- method based
- 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
-
- 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
Abstract
本发明涉及指静脉识别技术领域,更具体地,涉及一种基于多尺度HOG的手指静脉识别方法,包括如下步骤:对采集到的两幅原始手指静脉图像分别依次进行感兴趣区域提取、感兴趣区域的预处理、图像分割及图像匹配处理,并将图像匹配结果与设置的阈值相比较,若图像匹配结果小于阈值,则直接根据图像匹配结果计算相似度,若图像匹配结果大于阈值,则进行多尺度的HOG特征提取,将提取到的特征向量结合图像匹配结果计算相似度。本发明一种基于多尺度HOG的手指静脉识别方法,能减少计算复杂度和硬件损耗,且识别精度高、速度快。
Description
技术领域
本发明涉及指静脉识别技术领域,更具体地,涉及一种基于多尺度HOG的手指静脉识别方法。
背景技术
指静脉识别方法,主要用于识别两幅指静脉图像是否是取自同一个人的。相对于传统的生物特征识别技术,指静脉识别是利用外部看不到的生物内部特征来进行认证的技术,其作为具有高防伪性的第二代生物认证技术备受瞩目。现有的指静脉识别方法主要包括以下两种:
一种是利用传统的图像处理方法来进行指静脉识别,在图像分割后要进行静脉的特征提取,一种方法是对分割后的静脉进行细化,然后提取细节点作为特征向量,在具体提取细节点时又有很多的实施方法,但这类方法在识别精度和速度上并非最佳;
另一种是利用卷积神经网络来进行指静脉识别,直接将采集的静脉图像样本当作训练集来训练一个计算相似度或可分类的网络模型,然后将待匹配的图像输入到训练好的网络模型中即可,而此时网络的每一层输出都可看作不同层次的特征提取;这种方法的关键就是训练网络,而训练网络要求有大量的数据集、GPU等硬件支持、训练周期较长。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多尺度HOG的手指静脉识别方法,能减少计算复杂度和硬件损耗,且识别精度高、速度快。
为解决上述技术问题,本发明采用的技术方案是:
提供一种基于多尺度HOG的手指静脉识别方法,用于识别两幅原始手指静脉图像是否取自同一人,其特征在于,包括如下步骤:
S1.采集两幅原始手指静脉图像;
S2.对两幅原始手指静脉图像分别进行感兴趣区域提取,并对感兴趣区域进行预处理,以减弱背景信息得到预处理后的图像F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S3.对经过预处理后的两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2;
S4.对图像P1及P2进行图像匹配处理,获得最大匹配响应值maxValue,设置阈值T;
若maxValue<T,利用匹配结果计算两幅图像的相似度S,S=maxValue2;
若maxValue>T,对图像P1及P2分别进行相同的多种尺度变换处理,分别对每种尺度变换后的图像提取HOG特征,并将与图像P1及P2对应的HOG特征分别串联起来得到相应的特征向量X及Y,计算两个特征向量的相似度T(X,Y),并计算两幅图像的相似度S,S=T(X,Y)×maxValue。
上述方案中,对采集到的两幅原始手指静脉图像分别依次进行感兴趣区域提取、感兴趣区域的预处理、图像分割及图像匹配处理,并将图像匹配结果与设置的阈值相比较,若图像匹配结果小于阈值,则直接根据图像匹配结果计算相似度,若图像匹配结果大于阈值,则进行多尺度的HOG特征提取,将提取到的特征向量结合图像匹配结果计算相似度。本发明一种基于多尺度HOG的手指静脉识别方法,能减少计算复杂度和硬件损耗,且识别精度高、速度快。
优选地,步骤S2中感兴趣区域提取及对提取的感兴趣区域的预处理包括如下步骤:
S21.对两幅原始手指静脉图像分别进行边缘检测处理,并根据边缘图像完成手指倾斜检测及校正处理;
S22.对经过边缘检测处理、手指倾斜检测处理及校正处理后的两幅图像分别截取感兴趣区域ROI,其中ROI为包含手指静脉信息的图像;
S23.对两个ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理,以得到图像F1及F2。
感兴趣区域提取及对提取的感兴趣区域的预处理使得图像中的背景信息减弱,手指静脉信息增强,便于提高识别精度。
优选地,步骤S21中使用扩展的水平边缘检测方法对两幅原始手指静脉图像分别进行边缘检测处理。
优选地,步骤S3中使用静脉特征提取和多阈值模糊增强算法相结合的分割方法对两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2。多阈值模糊增强处理使得手指静脉结构更清晰,便于提高识别精度。
进一步优选地,步骤S3中的图像分割处理包括如下步骤:
S31.提取静脉特征图像;对于经过预处理后的两幅图像F1及F2中的每个像素,在以该像素为中心的9x9的窗口内,分别计算与之对应的8个方向上算子的卷积响应,然后以这8个方向上的最大卷积响应作为该点新的像素值,以获取与两幅图像F1及F2对应的静脉特征图像;
S32.模糊增强处理;对于每个静脉特征图像,先定义一个隶属度函数,计算静脉特征图像的隶属度以获得隶属度矩阵,然后以隶属度矩阵的邻域均值作为阈值,调整隶属度,获得新的隶属度矩阵,最后根据隶属度函数,对新的隶属度矩阵进行逆变换,以获得增强后的图像P1及P2;其中选取不同的邻域时,邻域均值不同。
优选地,步骤S4中,使用归一化相关系数匹配法对图像P1及P2进行图像匹配处理。
优选地,步骤S4中,阈值T为0.7。
优选地,步骤S4中,对图像P1及P2分别进行五种尺度变换处理。进一步优选地,当图像P1及P2的尺寸为A*B时,五种尺度分别为A*B、A/2*B/2、A/4*B/4、A*B/2、A/2*B。
与现有技术相比,本发明的有益效果是:
本发明一种基于多尺度HOG的手指静脉识别方法,对采集到的两幅原始手指静脉图像分别依次进行感兴趣区域提取、感兴趣区域的预处理、图像分割及图像匹配处理,并将图像匹配结果与设置的阈值相比较,若图像匹配结果小于阈值,则直接根据图像匹配结果计算相似度,若图像匹配结果大于阈值,则进行多尺度的HOG特征提取,将提取到的特征向量结合图像匹配结果计算相似度,该识别方法能减少计算复杂度和硬件损耗,且识别精度高、速度快。
附图说明
图1为本实施例一种基于多尺度HOG的手指静脉识别方法的流程图。
图2为原始手指静脉图像的示意图。
图3为经过边缘检测处理后手指静脉图像的示意图。
图4为截取的感兴趣区域ROI的示意图。
图5为感兴趣区域ROI经过归一化及滤波处理后的图像的示意图。
图6为经过模糊增强处理后的图像的示意图。
其中,图2至图6的尺寸关系为:(图2=图3)>图4>(图5=图6)。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例
本实施例一种基于多尺度HOG的手指静脉识别方法,用于识别两幅原始手指静脉图像是否取自同一人,其流程图如图1所示,包括如下步骤:
S1.采集两幅原始手指静脉图像;其示意图如图2所示;
S2.对两幅原始手指静脉图像分别进行感兴趣区域提取,并对感兴趣区域进行预处理,以减弱背景信息得到预处理后的图像F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S3.对经过预处理后的两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2;
S4.对图像P1及P2进行图像匹配处理,获得最大匹配响应值maxValue,设置阈值T;
若maxValue<T,利用匹配结果计算两幅图像的相似度S,S=maxValue2;
若maxValue>T,对图像P1及P2分别进行相同的多种尺度变换处理,分别对每种尺度变换后的图像提取HOG特征,并将与图像P1及P2对应的HOG特征分别串联起来得到相应的特征向量X及Y,计算两个特征向量的相似度T(X,Y),并计算两幅图像的相似度S,S=T(X,Y)×maxValue。
其中,步骤S2中感兴趣区域提取及对提取的感兴趣区域的预处理包括如下步骤:
S21.对两幅原始手指静脉图像分别进行边缘检测处理,并根据边缘图像完成手指倾斜检测及校正处理;图3为经过边缘检测处理后手指静脉图像的示意图;
S22.对经过边缘检测处理、手指倾斜检测处理及校正处理后的两幅图像分别截取感兴趣区域ROI,其中ROI为包含手指静脉信息的图像;图4为截取的感兴趣区域ROI的示意图;
S23.对两个ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理,以得到图像F1及F2。图5为感兴趣区域ROI经过归一化及滤波处理后的图像的示意图。
感兴趣区域提取及对提取的感兴趣区域的预处理使得图像中的背景信息减弱,手指静脉信息增强,便于提高识别精度。
另外,步骤S21中使用扩展的水平边缘检测方法对两幅原始手指静脉图像分别进行边缘检测处理。
其中,步骤S3中使用静脉特征提取和多阈值模糊增强算法相结合的分割方法对两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2。图6为经过模糊增强处理后的图像的示意图,多阈值模糊增强处理使得手指静脉结构更清晰,便于提高识别精度。
本实施例中,步骤S3中的图像分割处理包括如下步骤:
S31.提取静脉特征图像;对于经过预处理后的两幅图像F1及F2中的每个像素,在以该像素为中心的9x9的窗口内,分别计算与之对应的8个方向上算子的卷积响应,然后以这8个方向上的最大卷积响应作为该点新的像素值,以获取与两幅图像F1及F2对应的静脉特征图像;
S32.模糊增强处理;对于每个静脉特征图像,先定义一个隶属度函数,计算静脉特征图像的隶属度以获得隶属度矩阵,然后以隶属度矩阵的邻域均值作为阈值,调整隶属度,获得新的隶属度矩阵,最后根据隶属度函数,对新的隶属度矩阵进行逆变换,以获得增强后的图像P1及P2;其中选取不同的邻域时,邻域均值不同。
另外,步骤S4中,使用归一化相关系数匹配法对图像P1及P2进行图像匹配处理。
其中,步骤S4中,阈值T为0.7。合适的阈值能提高识别精度,该阈值是经多次实验得到的结果。
另外,步骤S4中,对图像P1及P2分别进行五种尺度变换处理。
其中,当图像P1及P2的尺寸为A*B时,五种尺度分别为A*B、A/2*B/2、A/4*B/4、A*B/2、A/2*B。本实施例中,图像P1及P2的尺寸为64*128,即图像的高度为64,宽度为128。
本发明一种基于多尺度HOG的手指静脉识别方法,首先对采集到的原始手指静脉图像进行边缘检测并根据边缘图像完成手指倾斜检测及校正,在此基础上实现基于滑动窗口的感兴趣区域提取;其次,对感兴趣区域进行预处理,包括尺寸归一化、灰度归一化及高斯滤波等;再次,为实现手指静脉纹路的分割,根据手指静脉纹路具有比较清晰的方向场这一特点设计算子提取静脉纹路,并采用多阈值模糊增强算法来剔除伪静脉特征和降低噪声;最后,对提取到的静脉纹路图像应用图像匹配算法计算最大匹配响应值并设置阈值,若最大匹配响应值小于阈值则直接根据最大匹配响应值计算相似度,反之,需进一步地对静脉纹路图像提取多尺度HOG特征,并结合最大匹配响应值计算相似度;其中相似度越高说明进行比较的两幅原始手指静脉图像越可能是同一个人的,该识别方法能减少计算复杂度和硬件损耗,且识别精度高、速度快,防止将不同人的手指静脉图像错认为是一个人的。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于多尺度HOG的手指静脉识别方法,用于识别两幅原始手指静脉图像是否取自同一人,其特征在于,包括如下步骤:
S1.采集两幅原始手指静脉图像;
S2.对两幅原始手指静脉图像分别进行感兴趣区域提取,并对感兴趣区域进行预处理,以减弱背景信息得到预处理后的图像F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S3.对经过预处理后的两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2;
S4.对图像P1及P2进行图像匹配处理,获得最大匹配响应值maxValue,设置阈值T;
若maxValue<T,利用匹配结果计算两幅图像的相似度S,S=maxValue2;
若maxValue>T,对图像P1及P2分别进行相同的多种尺度变换处理,分别对每种尺度变换后的图像提取HOG特征,并将与图像P1及P2对应的HOG特征分别串联起来得到相应的特征向量X及Y,计算两个特征向量的相似度T(X,Y),并计算两幅图像的相似度S,S=T(X,Y)×maxValue。
2.根据权利要求1所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S2中感兴趣区域提取及对提取的感兴趣区域的预处理包括如下步骤:
S21.对两幅原始手指静脉图像分别进行边缘检测处理,并根据边缘图像完成手指倾斜检测及校正处理;
S22.对经过边缘检测处理、手指倾斜检测处理及校正处理后的两幅图像分别截取感兴趣区域ROI;
S23.对两个ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理,以得到图像F1及F2。
3.根据权利要求2所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S21中使用扩展的水平边缘检测方法对两幅原始手指静脉图像分别进行边缘检测处理。
4.根据权利要求1所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S3中使用静脉特征提取和多阈值模糊增强算法相结合的分割方法对两幅图像F1及F2分别进行图像分割处理得到增强后的图像P1及P2。
5.根据权利要求4所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S3中的图像分割处理包括如下步骤:
S31.提取静脉特征图像;对于经过预处理后的两幅图像F1及F2中的每个像素,在以该像素为中心的9x9的窗口内,分别计算与之对应的8个方向上算子的卷积响应,然后以这8个方向上的最大卷积响应作为该点新的像素值,以获取与两幅图像F1及F2对应的静脉特征图像;
S32.模糊增强处理;对于每个静脉特征图像,先定义一个隶属度函数,计算静脉特征图像的隶属度以获得隶属度矩阵,然后以隶属度矩阵的邻域均值作为阈值,调整隶属度,获得新的隶属度矩阵,最后根据隶属度函数,对新的隶属度矩阵进行逆变换,以获得增强后的图像P1及P2;其中选取不同的邻域时,邻域均值不同。
6.根据权利要求1所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S4中,使用归一化相关系数匹配法对图像P1及P2进行图像匹配处理。
7.根据权利要求1所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S4中,阈值T为0.7。
8.根据权利要求1至7任一项所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,步骤S4中,对图像P1及P2分别进行五种尺度变换处理。
9.根据权利要求8所述的一种基于多尺度HOG的手指静脉识别方法,其特征在于,当图像P1及P2的尺寸为A*B时,五种尺度分别为A*B、A/2*B/2、A/4*B/4、A*B/2、A/2*B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888184.3A CN107729820B (zh) | 2017-09-27 | 2017-09-27 | 一种基于多尺度hog的手指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888184.3A CN107729820B (zh) | 2017-09-27 | 2017-09-27 | 一种基于多尺度hog的手指静脉识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729820A true CN107729820A (zh) | 2018-02-23 |
CN107729820B CN107729820B (zh) | 2020-07-21 |
Family
ID=61206470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710888184.3A Active CN107729820B (zh) | 2017-09-27 | 2017-09-27 | 一种基于多尺度hog的手指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729820B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN109376602A (zh) * | 2018-09-21 | 2019-02-22 | 厦门中控智慧信息技术有限公司 | 一种指静脉识别方法、装置及终端设备 |
CN110084298A (zh) * | 2019-04-23 | 2019-08-02 | 北京百度网讯科技有限公司 | 用于检测图像相似度的方法及装置 |
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 |
CN110717372A (zh) * | 2019-08-13 | 2020-01-21 | 平安科技(深圳)有限公司 | 基于指静脉识别的身份验证方法和装置 |
CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
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 |
CN113361412A (zh) * | 2021-06-08 | 2021-09-07 | 西南科技大学 | 一种基于ulbp和surf的特征递进的手指静脉图像精确匹配方法 |
CN113420690A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于感兴趣区域的静脉识别方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
-
2017
- 2017-09-27 CN CN201710888184.3A patent/CN107729820B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
Non-Patent Citations (2)
Title |
---|
陈玉琼: ""手指静脉图像的识别算法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
韩拓: ""基于Gabor多方向融合的多尺度HOG特征提取的手背静脉识别算法研究"", 《万方数据 知识服务平台》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN109376602A (zh) * | 2018-09-21 | 2019-02-22 | 厦门中控智慧信息技术有限公司 | 一种指静脉识别方法、装置及终端设备 |
CN110084298B (zh) * | 2019-04-23 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于检测图像相似度的方法及装置 |
CN110084298A (zh) * | 2019-04-23 | 2019-08-02 | 北京百度网讯科技有限公司 | 用于检测图像相似度的方法及装置 |
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 |
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 |
CN110717372A (zh) * | 2019-08-13 | 2020-01-21 | 平安科技(深圳)有限公司 | 基于指静脉识别的身份验证方法和装置 |
CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
CN111046738B (zh) * | 2019-11-14 | 2023-03-17 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
CN111310688B (zh) * | 2020-02-25 | 2023-04-21 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
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 |
CN113361412A (zh) * | 2021-06-08 | 2021-09-07 | 西南科技大学 | 一种基于ulbp和surf的特征递进的手指静脉图像精确匹配方法 |
CN113361412B (zh) * | 2021-06-08 | 2022-03-01 | 西南科技大学 | 一种基于ulbp和surf的特征递进的手指静脉图像精确匹配方法 |
CN113420690A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于感兴趣区域的静脉识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107729820B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
Yang et al. | FV-GAN: Finger vein representation using generative adversarial networks | |
CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
CN109614922A (zh) | 一种动静态手势识别方法和系统 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
Fahmy et al. | A fingerprint segmentation technique based on morphological processing | |
CN107292250A (zh) | 一种基于深度神经网络的步态识别方法 | |
CN103902978B (zh) | 人脸检测及识别方法 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN104091145B (zh) | 人体掌脉特征图像采集方法 | |
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 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
Bruno et al. | Palmprint principal lines extraction | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
Ghoualmi et al. | A multi-objective optimization approach for palm vein feature selection based on the discrete PSO | |
CN105373781A (zh) | 用于身份认证的二值图像处理方法 |
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 |