CN108009472A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108009472A CN108009472A CN201711006993.3A CN201711006993A CN108009472A CN 108009472 A CN108009472 A CN 108009472A CN 201711006993 A CN201711006993 A CN 201711006993A CN 108009472 A CN108009472 A CN 108009472A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- finger
- edge
- arthrosis
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本发明涉及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,通过训练样本中的每张指背图像进行指型分割、边缘检测处理,并通过矩形窗口提取指背关节纹图像,然后将指背关节纹图像输入到卷积神经网络模型中进行训练,得到训练好的指背关节纹识别卷积神经网络模型,并将提取的指背关节纹图像的图像特征向量输入到贝叶斯分类器中进行训练得到训练好的贝叶斯模型,最后将待检测的指背图像输入到指背关节纹识别卷积神经网络模型中提取图像特征,将图像特征输入训练好的贝叶斯分类器中,得到识别结果;本发明具有识别精度高,检测速度快的优点,通过卷积神经网络模型和贝叶斯分类器,从而避免了曲度变化、光照变化对识别性能的影响。
Description
技术领域
本发明涉及一种生物特征识别技术领域,尤其是一种卷积神经网络和贝叶斯分类器的指背关节纹识别方法。
背景技术
基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用,信息的安全性和隐私的保密性在信息化时代已经成为人们关注的焦点,自动身份识别技术的需求与日俱增,现在大部分生物特征识别技术,如人脸识别、虹膜识别、声音识别都已发展成熟,由于指纹、掌纹、手型、静脉和指关节识别(FKP---finger-Knuckle-print)平时较少接触刚性物体,具有易隐藏、不易磨损与伪造的优点,具有良好的发展和应用前景。
传统技术主要是通过手指表面的3D特征进行身份的识别,但是由于手指表面的3D数据处理耗时长,实际应用效果不强;
lin Zhang研究了指背关节纹理的高效获取装置与ROI(region of interest)定位方法,提出了采用Gabor方向和Gabor幅度特征的方法,实现了基于手指外表面关节纹理的实时识别系统,但是获取到的ROI存在因为扰动问题、光照变化等问题,导致识别的鲁棒性和准确性较低。
lin Zhang提出了结合局部Gabor方向特征和全局傅里叶系数特征的融合识别方法,以及基于相位一致性模型的多特征融合识别方法,这两种方法较之前的方法在性能上取得了一定的进展,Morales等提出采用方向增强特征来提高FKP身份鉴别性能,但是上述方法对仿射变换和非弹性变形的鲁棒性不高,上述的FKP识别主要是通过提取出ROI的方向、相位、幅度信息特征,再对特征进行度量匹配完成识别,当手指弯曲度、光照发生变化时,同一个人的上述的三种特征会发生变化,导致识别的鲁棒性不高等问题。
发明内容
针对现有技术的不足,本发明提供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。
本发明的技术方案为: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,包括以下步骤:
S1)、通过梯度卷积算子对获取的训练样本中的每张指背图像进行指型分割处理,除去图像背景与噪音对指背图像的影响;
S2)、通过Canny算子对指型分割后的指背图像进行指型边缘检测处理;
S3)并通过一定大小的矩形窗口遍历整幅指型边缘检测处理后的指背图像,找出含边缘点数最多的窗口,提取出该窗口作为指背关节纹图像(ROI);
S4)、将S3)中提取的指背关节纹图像(ROI)输入到卷积神经网络模型中进行训练,得到训练好的指背关节纹识别卷积神经网络模型;
S5)、将步骤S3)中的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn);
S6)、将步骤S5)中提取的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn)输入到贝叶斯分类器模型中进行训练,并统计各类别yj下的特征属性ai的条件概率P(ai|yj),由于特征属性为连续值,假定其值服从高斯分布,即从而得到从而得到该类别下相应特征的均值和标准差,从而得到训练好的指背关节纹识别贝叶斯模型;
S7、按照步骤S1)-S3)对测试图像进行预处理,得到测试图像的指背关节纹图像(ROI),然后将测试图像的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量B=(b1,b2,....bm),然后将相应的图像特征向量输入到训练好的指背关节纹识别贝叶斯模型中进行分类,通过P(yk|B)=max{P(y1|B),P(y2|B).....P(yn|B)},计算该图像特征向量B在各个类别下的概率值,通过比较各个类别下的概率P(yk|B)与预设阈值的大小,若类别yk下的概率P(yk|B)大于给定阈值,则判定测试图像属于第k人,否则输出查无此人,实现对指背关节纹的识别。
上述技术方案中,步骤S1)中,所述的指型分割包括以下步骤:
S101)、通过MATLAB得到指背图像的像素集M;
S102)、通过梯度卷积算子计算每个像素点的梯度值,从而得到梯度值矩阵B;
S103)、将梯度值矩阵B中的每个梯度值与预设值比较大小,若梯度值大于预设值,则将该相应的梯度值置为1,该点为边缘点,否则置为0,从而得到图像边缘集C;
S104)、将图像边缘集C中的每个元素与像素集M中的相应的像素点相乘,得到指背图像的指型边缘;
S105)、对步骤S104)中提取的指背图像的指型边缘进行膨胀、高斯平滑、细化处理,并删除多余的装置边缘线,然后对指型边缘进行补线处理,使指型边缘封闭,并通过imfill函数填充封闭的指型边缘,得到指型图像边缘集D;
S106)、将指型图像边缘集D中的每个元素与像素集M中相应的像素点相乘,得到指型分割图像。
上述技术方案中,步骤S2)中,所述的指型边缘检测包括以下步骤:
S201)、利用高斯滤波器对指型分割后的指背图像f(x,y)进行高斯平滑滤波处理,得到平滑后的图像消除噪声对梯度计算的影响;
其中,为高斯核函数,σ为高斯核函数在x,y方向的标准偏差;
S202)、通过Sobel算子计算经平滑处理后图像的梯度幅度值M(x,y)和方向角θ(x,y),即
θ(x,y)=arctan(Gx(x,y)/Gy(x,y))
其中,梯度幅度值M(x,y)反映了图像的边缘强度,方向角θ(x,y)反映了边缘的方向,Gx、Gy为平滑图像的g(x,y)一阶偏导,即
S203)、进行非极大值抑制,遍历梯度幅值图像上的每一像素点C,计算当前像素点C在两个梯度方向上的梯度幅值,通过判断像素点C与其梯度方向上的两个梯度幅值的大小,确定像素点C的灰度值在其8-邻域内是否为最大,若该像素点C的梯度幅值大于等于相邻两个像素的梯度幅值,则当前像素点可能为边缘像素,否则像素点C为非局部极大值点,那么则排除C点为边缘,并将非极大值点所对应的灰度值置为0,将边缘的局部极大值点的灰度值设置为128,得到图像非极大值抑制图像;
S204)、对非极大值抑制图像进行双阈值检测和边缘连接,用高阈值th1和低阈值th2来提取边缘,其中,th2=0.4th1,遍历非极大值抑制图像,分别用高阈值th1和低阈值th2进行边缘检测得到对应的边缘图像T1和边缘图像T2,其中,T1为强边缘,可能存在间断,T2为弱边缘,检测边缘图像T1,若检测到边缘图像T1的边缘间断,则在边缘图像T2中相应位置的8-邻域中搜寻边缘点来连接边缘图像T1的边缘间断,从而将边缘图像T1的边缘间断都连接起来,完成指背图像的边缘检测。
上述技术方案中,步骤S3)中,通过矩形窗口提取指背关节纹图像(ROI),具体包括以下步骤:
S301)、将矩形窗从图像最上端开始向下滑动,并统计位于矩形窗内部的边缘点数;
S302)、记录边缘点数最多的矩形窗的位置,并计算此时矩形窗内边缘点数集的中心坐标(a,b),该中心坐标(a,b)使得最小,得到
S303)、分别提取中心点(a,b)上下分别为220和110像素之间的部分,作为指背关节纹图像(ROI)。
本发明的有益效果为:本方法通过使用卷积神经网络模型提取图像的特征,从而进一步提高了图像特征的准确,以及提取图像特征效率,从而避免了由于手指弯曲度变化、光照变化对识别性能的影响,从而提高识别系统的准确性和鲁棒性,另外通过卷积神经网络模型自动学习图像的具有的特征,从而提高识别的准确性,并且由于贝叶斯分类器具有最小错误率的概率、计算简单、易于训练的优点,通过将先将待识别的图像输入卷积神经网络模型中提取图像特征,然后再将提取的特征输入到贝叶斯分离器中进行识别,从而在很大程度上提高指背关节纹的识别准确度。
附图说明
图1为本发明的流程示意图;
图2为指背图像的分割示意图,其中a指型分割图像,b为指型边缘检测处理后图像,c
为通过矩形窗口提取的指背关节纹图像(ROI);
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,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,包括以下步骤:
S1)、通过梯度卷积算子对获取的训练样本中的每张指背图像进行指型分割处理,除去图像背景与噪音对指背图像的影响,具体包括以下步骤:
S101)、通过MATLAB得到指背图像的像素集M;
S102)、通过梯度卷积算子计算每个像素点的梯度值,从而得到梯度值矩阵B;
S103)、将梯度值矩阵B中的每个梯度值与预设值比较大小,若梯度值大于预设值,则将该相应的梯度值置为1,该点为边缘点,否则置为0,从而得到图像边缘集C;
S104)、将图像边缘集C中的每个元素与像素集M中的相应的像素点相乘,得到指背图像的指型边缘;
S105)、对步骤S104)中提取的指背图像的指型边缘进行膨胀、高斯平滑、细化处理,并删除多余的装置边缘线,然后对指型边缘进行补线处理,使指型边缘封闭,并通过imfill函数填充封闭的指型边缘,得到指型图像边缘集D;
S106)、将指型图像边缘集D中的每个元素与像素集M中相应的像素点相乘,得到指型分割图像;
S2)、通过Canny算子对指型分割后的指背图像进行指型边缘检测处理,具体包括以下步骤:
S201)、利用高斯滤波器对指型分割后的指背图像f(x,y)进行高斯平滑滤波处理,得到平滑后的图像消除噪声对梯度计算的影响;
其中,为高斯核函数,σ为高斯核函数在x,y方向的标准偏差;
S202)、通过Sobel算子计算经平滑处理后图像的梯度幅度值M(x,y)和方向角θ(x,y),即
θ(x,y)=arctan(Gx(x,y)/Gy(x,y))
其中,梯度幅度值M(x,y)反映了图像的边缘强度,方向角θ(x,y)反映了边缘的方向,Gx、Gy为平滑图像的g(x,y)一阶偏导,即
S203)、进行非极大值抑制,遍历梯度幅值图像上的每一像素点C,计算当前像素点C在两个梯度方向上的梯度幅值,通过判断像素点C与其梯度方向上的两个梯度幅值的大小,确定像素点C的灰度值在其8-邻域内是否为最大,若该像素点C的梯度幅值大于等于相邻两个像素的梯度幅值,则当前像素点可能为边缘像素,否则像素点C为非局部极大值点,那么则排除C点为边缘,并将非极大值点所对应的灰度值置为0,将边缘的局部极大值点的灰度值设置为128,得到图像非极大值抑制图像;
S204)、对非极大值抑制图像进行双阈值检测和边缘连接,用高阈值th1和低阈值th2来提取边缘,其中,th2=0.4th1,遍历非极大值抑制图像,分别用高阈值th1和低阈值th2进行边缘检测得到对应的边缘图像T1和边缘图像T2,其中,T1为强边缘,可能存在间断,T2为弱边缘,检测边缘图像T1,若检测到边缘图像T1的边缘间断,则在边缘图像T2中相应位置的8-邻域中搜寻边缘点来连接边缘图像T1的边缘间断,从而将边缘图像T1的边缘间断都连接起来,完成指背图像的边缘检测;
S3)并通过一定大小的矩形窗口遍历整幅指型边缘检测处理后的指背图像,找出含边缘点数最多的窗口,提取出该窗口作为指背关节纹图像(ROI),具体为:
S301)、将矩形窗从图像最上端开始向下滑动,并统计位于矩形窗内部的边缘点数;
S302)、记录边缘点数最多的矩形窗的位置,并计算此时矩形窗内边缘点数集的中心坐标(a,b),该中心坐标(a,b)使得最小,得到
S303)、并提取中心点(a,b)上下分别为220和110像素之间的部分,作为指背关节纹图像(ROI),其大小为220×110;
S4)、将步骤S3)中提取的指背关节纹图像(ROI)随机裁切为一定大小,如110×110,然后输入到卷积神经网络模型中进行训练,在全连接层可以得到图片特征,得到训练好的指背关节纹识别卷积神经网络模型;
S5)、将步骤S3)中的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn);
S6)、将步骤S5)中提取的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn)输入到贝叶斯分类器模型中进行训练,并统计各类别yj下的特征属性ai的条件概率P(ai|yj),由于特征属性为连续值,假定其值服从高斯分布,即从而得到从而得到该类别下相应特征的均值和标准差,从而得到训练好的指背关节纹识别贝叶斯模型;
S7、按照步骤S1)-S3)对测试图像进行预处理,得到测试图像的指背关节纹图像(ROI),然后将测试图像的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量B=(b1,b2,....bm),然后将相应的图像特征向量输入到训练好的指背关节纹识别贝叶斯模型中进行分类,通过P(yk|B)=max{P(y1|B),P(y2|B).....P(yn|B)},计算该图像特征向量B在各个类别下的概率值,通过比较各个类别下的概率P(yk|B)与预设阈值的大小,若类别yk下的概率P(yk|B)大于给定阈值,则判定测试图像属于第k人,否则输出查无此人,实现对指背关节纹的识别。
本发明中训练样本的指背应用香港理工大学lin Zhang等人创建的数据库,该数据库包含660个人的31680张指背图片,其中,每个人有48张图像(左食指、左中指、右食指、右中指各12张)。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (4)
1.一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,包括以下步骤:
S1)、通过梯度卷积算子对获取的训练样本中的每张指背图像进行指型分割处理,除去图像背景与噪音对指背图像的影响;
S2)、通过Canny算子对指型分割后的指背图像进行指型边缘检测处理;
S3)并通过一定大小的矩形窗口遍历整幅指型边缘检测处理后的指背图像,找出含边缘点数最多的窗口,提取出该窗口作为指背关节纹图像(ROI);
S4)、将S3)中提取的指背关节纹图像(ROI)输入到卷积神经网络模型中进行训练,得到训练好的指背关节纹识别卷积神经网络模型;
S5)、将步骤S3)中的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn);
S6)、将步骤S5)中提取的图像特征向量A=(a1,a2,....am),以及类别集合C=(y1,y2,....yn)输入到贝叶斯分类器模型中进行训练,并统计各类别yj下的特征属性ai的条件概率P(ai|yj),由于特征属性为连续值,假定其值服从高斯分布,即从而得到从而得到该类别下相应特征的均值和标准差,从而得到训练好的指背关节纹识别贝叶斯模型;
S7、按照步骤S1)-S3)对测试图像进行预处理,得到测试图像的指背关节纹图像(ROI),然后将测试图像的指背关节纹图像(ROI)输入到训练好的指背关节纹识别卷积神经网络模型中,提取相应的图像特征向量B=(b1,b2,....bm),然后将相应的图像特征向量输入到训练好的指背关节纹识别贝叶斯模型中进行分类,通过P(yk|B)=max{P(y1|B),P(y2|B).....P(yn|B)},计算该图像特征向量B在各个类别下的概率值,通过比较各个类别下的概率P(yk|B)与预设阈值的大小,若类别yk下的概率P(yk|B)大于给定阈值,则判定测试图像属于第k人,否则输出查无此人,实现对指背关节纹的识别。
2.根据权利要求1所述的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,其特征在于:步骤S1)中,所述的指型分割包括以下步骤:
S101)、通过MATLAB得到指背图像的像素集M;
S102)、通过梯度卷积算子计算每个像素点的梯度值,从而得到梯度值矩阵B;
S103)、将梯度值矩阵B中的每个梯度值与预设值比较大小,若梯度值大于预设值,则将该相应的梯度值置为1,该点为边缘点,否则置为0,从而得到图像边缘集C;
S104)、将图像边缘集C中的每个元素与像素集M中的相应的像素点相乘,得到指背图像的指型边缘;
S105)、对步骤S104)中提取的指背图像的指型边缘进行膨胀、高斯平滑、细化处理,并删除多余的装置边缘线,然后对指型边缘进行补线处理,使指型边缘封闭,并通过imfill函数填充封闭的指型边缘,得到指型图像边缘集D;
S106)、将指型图像边缘集D中的每个元素与像素集M中相应的像素点相乘,得到指型分割图像。
3.根据权利要求1所述的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,其特征在于:步骤S2)中,所述的指型边缘检测包括以下步骤:
S201)、利用高斯滤波器对指型分割后的指背图像f(x,y)进行高斯平滑滤波处理,得到平滑后的图像消除噪声对梯度计算的影响;
其中,为高斯核函数,σ为高斯核函数在x,y方向的标准偏差;
S202)、通过Sobel算子计算经平滑处理后图像的梯度幅度值M(x,y)和方向角θ(x,y),即
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
θ(x,y)=arctan(Gx(x,y)/Gy(x,y))
其中,梯度幅度值M(x,y)反映了图像的边缘强度,方向角θ(x,y)反映了边缘的方向,Gx、Gy为平滑图像的g(x,y)一阶偏导,即
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</mfrac>
<mo>;</mo>
</mrow>
S203)、进行非极大值抑制,遍历梯度幅值图像上的每一像素点C,计算当前像素点C在两个梯度方向上的梯度幅值,通过判断像素点C与其梯度方向上的两个梯度幅值的大小,确定像素点C的灰度值在其8-邻域内是否为最大,若该像素点C的梯度幅值大于等于相邻两个像素的梯度幅值,则当前像素点可能为边缘像素,否则像素点C为非局部极大值点,那么则排除C点为边缘,并将非极大值点所对应的灰度值置为0,将可能为边缘的局部极大值点的灰度值设置为128,得到图像非极大值抑制图像;
S204)、对非极大值抑制图像进行双阈值检测和边缘连接,用高阈值th1和低阈值th2来提取边缘,其中,th2=0.4th1,遍历非极大值抑制图像,分别用高阈值th1和低阈值th2进行边缘检测得到对应的边缘图像T1和边缘图像T2,其中,T1为强边缘,可能存在间断,T2为弱边缘,检测边缘图像T1,若检测到边缘图像T1的边缘间断,则在边缘图像T2中相应位置的8-邻域中搜寻边缘点来连接边缘图像T1的边缘间断,从而将边缘图像T1的边缘间断都连接起来,完成指背图像的边缘检测。
4.根据权利要求1所述的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,其特征在于:步骤S3)中,通过矩形窗口提取指背关节纹图像(ROI),具体包括以下步骤:
S301)、将矩形窗从图像最上端开始向下滑动,并统计位于矩形窗内部的边缘点数;
S302)、记录边缘点数最多的矩形窗的位置,并计算此时矩形窗内边缘点数集的中心坐标(a,b),该中心坐标(a,b)使得最小,得到
<mrow>
<mi>a</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>,</mo>
<mi>b</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>;</mo>
</mrow>
S303)、分别提取中心点(a,b)上下分别为220和110像素之间的部分,作为指背关节纹图像(ROI)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711006993.3A CN108009472B (zh) | 2017-10-25 | 2017-10-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711006993.3A CN108009472B (zh) | 2017-10-25 | 2017-10-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009472A true CN108009472A (zh) | 2018-05-08 |
CN108009472B CN108009472B (zh) | 2020-07-21 |
Family
ID=62051042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711006993.3A Active CN108009472B (zh) | 2017-10-25 | 2017-10-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009472B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960168A (zh) * | 2018-07-11 | 2018-12-07 | 天津工业大学 | 一种应用于三维工件模型分类的多层感知神经网络方法 |
CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
CN109522807A (zh) * | 2018-10-22 | 2019-03-26 | 深圳先进技术研究院 | 基于自生成特征的卫星影像识别系统、方法及电子设备 |
CN109598205A (zh) * | 2018-11-09 | 2019-04-09 | 国网山东省电力公司淄博供电公司 | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
CN109697347A (zh) * | 2018-12-04 | 2019-04-30 | 云天瀚科技发展有限公司 | 基于指静脉和指形特征的用户特征认证方法及其装置 |
CN110008902A (zh) * | 2019-04-04 | 2019-07-12 | 山东财经大学 | 一种融合基本特征和形变特征的手指静脉识别方法及系统 |
CN111432396A (zh) * | 2020-03-09 | 2020-07-17 | 安徽继远软件有限公司 | 保障NB-IoT可靠性的eSIM卡网络的配置方法、系统及存储介质 |
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
KR20200145924A (ko) * | 2019-06-20 | 2020-12-31 | 동국대학교 산학협력단 | 딥 러닝 기반 손가락 주름 인식 장치 및 방법 |
CN112700383A (zh) * | 2020-12-30 | 2021-04-23 | 南京齿贝犀科技有限公司 | 一种基于贝叶斯估计滤波的牙齿图像增强方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1438604A (zh) * | 2002-12-23 | 2003-08-27 | 北京邮电大学 | 基于贝叶斯分类器的文字字体判断设备及其方法 |
CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
CN105012057A (zh) * | 2015-07-30 | 2015-11-04 | 沈阳工业大学 | 基于双臂肌电、姿态信息采集的智能假肢及运动分类方法 |
CN105631414A (zh) * | 2015-12-23 | 2016-06-01 | 上海理工大学 | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 |
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN105809201A (zh) * | 2016-03-11 | 2016-07-27 | 中国科学院自动化研究所 | 一种生物启发式自主提取图像语义概念的识别方法及装置 |
CN106919910A (zh) * | 2016-05-12 | 2017-07-04 | 江苏科技大学 | 一种基于hog‑cth组合特征的交通标志识别方法 |
-
2017
- 2017-10-25 CN CN201711006993.3A patent/CN108009472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1438604A (zh) * | 2002-12-23 | 2003-08-27 | 北京邮电大学 | 基于贝叶斯分类器的文字字体判断设备及其方法 |
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
CN104992191A (zh) * | 2015-07-23 | 2015-10-21 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
CN105012057A (zh) * | 2015-07-30 | 2015-11-04 | 沈阳工业大学 | 基于双臂肌电、姿态信息采集的智能假肢及运动分类方法 |
CN105631414A (zh) * | 2015-12-23 | 2016-06-01 | 上海理工大学 | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 |
CN105809201A (zh) * | 2016-03-11 | 2016-07-27 | 中国科学院自动化研究所 | 一种生物启发式自主提取图像语义概念的识别方法及装置 |
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN106919910A (zh) * | 2016-05-12 | 2017-07-04 | 江苏科技大学 | 一种基于hog‑cth组合特征的交通标志识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
CN108960168A (zh) * | 2018-07-11 | 2018-12-07 | 天津工业大学 | 一种应用于三维工件模型分类的多层感知神经网络方法 |
CN109522807A (zh) * | 2018-10-22 | 2019-03-26 | 深圳先进技术研究院 | 基于自生成特征的卫星影像识别系统、方法及电子设备 |
CN109598205A (zh) * | 2018-11-09 | 2019-04-09 | 国网山东省电力公司淄博供电公司 | 基于Gabor变换的指纹特征提取与压缩编码的方法 |
CN109697347A (zh) * | 2018-12-04 | 2019-04-30 | 云天瀚科技发展有限公司 | 基于指静脉和指形特征的用户特征认证方法及其装置 |
CN110008902A (zh) * | 2019-04-04 | 2019-07-12 | 山东财经大学 | 一种融合基本特征和形变特征的手指静脉识别方法及系统 |
KR20200145924A (ko) * | 2019-06-20 | 2020-12-31 | 동국대학교 산학협력단 | 딥 러닝 기반 손가락 주름 인식 장치 및 방법 |
KR102206205B1 (ko) * | 2019-06-20 | 2021-01-25 | 동국대학교 산학협력단 | 딥 러닝 기반 손가락 주름 인식 장치 및 방법 |
CN111432396A (zh) * | 2020-03-09 | 2020-07-17 | 安徽继远软件有限公司 | 保障NB-IoT可靠性的eSIM卡网络的配置方法、系统及存储介质 |
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
CN111860689B (zh) * | 2020-07-31 | 2023-11-03 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
CN112700383A (zh) * | 2020-12-30 | 2021-04-23 | 南京齿贝犀科技有限公司 | 一种基于贝叶斯估计滤波的牙齿图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108009472B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN102419819B (zh) | 人脸图像识别方法和系统 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
CN105760842A (zh) | 一种基于边缘和纹理特征结合的台标识别方法 | |
CN103902978B (zh) | 人脸检测及识别方法 | |
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 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN110263920A (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
CN105809089A (zh) | 复杂背景下的多人脸检测方法及装置 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN107392105A (zh) | 一种基于反向协同显著区域特征的表情识别方法 | |
CN105975955B (zh) | 一种图像中文本区域的检测方法 | |
Feng et al. | Iris localization with dual coarse-to-fine strategy | |
Cao et al. | Automatic latent value determination | |
Ayoub et al. | Visual saliency detection based on color frequency features under Bayesian framework | |
CN112069898A (zh) | 基于迁移学习人脸族群属性的识别方法及装置 | |
CN116665258A (zh) | 一种手掌图像指缝分割方法 | |
Hsiao et al. | Iris location and recognition by deep-learning networks based design for biometric authorization | |
CN106056076A (zh) | 一种确定复杂光照人脸图像的光照不变量的方法 | |
Zafar et al. | Novel iris segmentation and recognition system for human identification | |
CN107874760A (zh) | 一种医学影像中的导丝追踪方法、装置、设备及存储介质 |
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 |