CN108520214A - 一种基于多尺度hog和svm的手指静脉识别方法 - Google Patents
一种基于多尺度hog和svm的手指静脉识别方法 Download PDFInfo
- Publication number
- CN108520214A CN108520214A CN201810261693.8A CN201810261693A CN108520214A CN 108520214 A CN108520214 A CN 108520214A CN 201810261693 A CN201810261693 A CN 201810261693A CN 108520214 A CN108520214 A CN 108520214A
- Authority
- CN
- China
- Prior art keywords
- image
- finger
- svm
- 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.)
- Pending
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
- G06F18/21—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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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,具体涉及一种基于多尺度HOG和SVM的手指静脉识别方法,包括如下步骤:采集多个人的多幅原始手指静脉图像并将其划分为训练集和测试集;对训练集和测试集中的所有图像依次分别进行感兴趣区域提取、预处理、及图像增强处理以获取手指静脉纹路信息,然后对纹路信息提取多尺度HOG特征,其次将从训练集图像提取到的多尺度HOG特征送至SVM多类分类器进行训练得到一个训练好的SVM多类分类器,最后再将从测试集图像提取到的多尺度HOG特征送至已训练好的SVM多类分类器进行识别,以得出匹配结果。本发明一种基于多尺度HOG和SVM的手指静脉识别方法,将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来,以对手指静脉进行精确的特征表达,识别精度高、鲁棒性强。
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和SVM的手指静脉识别方法。
背景技术
现有的手指静脉识别方法可分为两类,即非纹路方法和基于纹路的方法。非纹路方法在手指静脉图像的整个感兴趣区域提取特征,不区分纹路区域和非纹路区域。而基于纹路的方法,首先在感兴趣区域中提取静脉纹路,然后利用提取的纹路信息进行相似度度量。常用的非纹路方法包括LBP、细节点、主成分分析及超像素特征等,这些特征在匹配时由于利用了非纹路区域的信息,容易增加异源图像的相似性,导致错误接受,识别性能较差。像线性跟踪、最大曲率点、Gabor滤波器及平均曲率等基于纹路的方法虽然仅使用了静脉区域的信息,但其识别性能仍然不理想,主要原因是提取纹路不完整并带有噪声,同时匹配方法也不鲁棒。
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和SVM的手指静脉识别方法,识别精度高、鲁棒性强。
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和SVM的手指静脉识别方法,用于识别待定的原始手指静脉图像属于哪个人,包括如下步骤:
S1.获取训练集和测试集:分别采集多个人的多幅原始手指静脉图像,将每个人的一部分幅原始手指静脉图像作为训练集,每个人的另一部分幅原始手指静脉图像作为测试集,其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像;
S2.多尺度HOG特征提取阶段,包括如下步骤:
S21.对训练集和测试集中的所有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集F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2;
S23.对图像集P1及P2中的每幅图像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,并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X;将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2;
S3.训练阶段:将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器;
S4测试阶段:将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别,得出匹配结果。
上述方案中,首先依次对图像进行感兴趣区域提取、预处理及图像增强处理以获取手指静脉纹路信息,然后对纹路信息提取多尺度HOG特征,其次将从训练集图像提取到的多尺度HOG特征集合起来作为训练特征向量集送至SVM多类分类器进行训练,得到一个训练好的SVM多类分类器,最后再将从测试集图像提取到的多尺度HOG特征集合起来作为测试特征向量集送至已训练好的SVM多类分类器进行识别,以得出匹配结果。本发明将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来,以对手指静脉进行精确的特征表达,且将多尺度HOG特征与SVM多类分类器结合起来以对特征进行训练和识别,识别精度高、鲁棒性强。
优选地,步骤S21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:
S211.对训练集和测试集中的所有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;
S212.对经过边缘检测处理、手指倾斜检测处理及校正处理后的图像分别截取感兴趣区域ROI;
S213.对ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理。
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;尺寸归一化便于后续的处理,灰度归一化便于提高图像的清晰度,高斯滤波能对图像去燥。
进一步优选地,步骤S212中截取感兴趣区域ROI时根据手指两边界的内切边确定感兴趣区域ROI的高度,根据手指关节位置确定感兴趣区域ROI的宽度。这样设置能采集到精确的感兴趣区域ROI,防止感兴趣区域ROI过大导致的异源图像相似性的增加情况,和防止感兴趣区域ROI过小导致的提取的纹路特征不完整情况。
优选地,步骤S211中使用扩展的水平边缘检测算子对所有原始手指静脉图像分别进行边缘检测处理。因为手指静脉图像中手指边界近似水平,所以使用水平边缘检测算子能得到更精确的手指边缘图像。
优选地,步骤S22中使用静脉纹路提取和多阈值模糊增强算法相结合的增强方法对图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集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S22中的图像增强处理包括如下步骤:
S221.提取静脉特征图像;对于经过预处理后的每幅图像中的每个像素,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,以获取与每幅图像对应的静脉特征图像;
Gray(m,n)=Max(Fgray(i)) i=1,2,···,8 式(1)
S222.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;其中选取不同的邻域时,邻域均值不同;
计算隶属度,即
新的隶属度矩阵,即
逆变换,即Gray(m,n)'=(K-1)u'mn 式(4)
其中,K为灰度级,为隶属度矩阵的邻域均值。
模糊增强处理能剔除图像中的伪静脉信息,降低图像的噪声。
优选地,步骤S23中,对图像集P1及P2中的每幅图像分别进行五种尺度变换处理。进一步优选地,当图像的尺寸为W*H时,五种尺度分别为W*H、W/2*H/2、W/4*H/4、W*H/2、W/2*H。
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和SVM的手指静脉识别方法,首先依次对图像进行感兴趣区域提取、预处理及图像增强处理以获取手指静脉纹路信息,然后对纹路信息提取多尺度HOG特征,其次将从训练集图像提取到的多尺度HOG特征集合起来作为训练特征向量集送至SVM多类分类器进行训练,得到一个训练好的SVM多类分类器,最后再将从测试集图像提取到的多尺度HOG特征集合起来作为测试特征向量集送至已训练好的SVM多类分类器进行识别,以得出匹配结果,本发明将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来,以对手指静脉进行精确的特征表达,且将多尺度HOG特征与SVM多类分类器结合起来以对特征进行训练和识别,识别精度高、鲁棒性强。
附图说明
图1为本实施例一种基于多尺度HOG和SVM的手指静脉识别方法的流程图。
图2为本实施例中感兴趣区域提取的流程图。
图3为本实施例中提取感兴趣区域时中间的处理结果图,其中每一列从上至下依次为原始手指静脉图像、手指边缘图像、校正的手指静脉图像、校正的手指边缘图像及截取的感兴趣区域,(a)所在列、(b)所在列及(c)所在列分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像的中间处理结果图。
图4为本实施例中提取的感兴趣区域经过预处理后的图像,其中(a)、(b)及(c)分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像经预处理后的手指图像。
图5为本实施例中提取到的静脉特征图像,其中(a)、(b)及(c)分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像提取到的静脉特征图像。
图6为为本实施例中经模糊增强处理后的图像,其中(a)、(b)及(c)分别为高质量手指静脉图像、旋转图像及低质量手指静脉图像经模糊增强处理后的图像。
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和SVM的手指静脉识别方法,用于识别待定的原始手指静脉图像属于哪个人,其流程图如图1所示,包括如下步骤:
S1.获取训练集和测试集:分别采集多个人的多幅原始手指静脉图像,将每个人的一部分幅原始手指静脉图像作为训练集,每个人的另一部分幅原始手指静脉图像作为测试集,其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像;
S2.多尺度HOG特征提取阶段,包括如下步骤:
S21.对训练集和测试集中的所有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集F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2;
S23.对图像集P1及P2中的每幅图像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,并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X;将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2;
S3.训练阶段:将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器;
S4测试阶段:将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别,得出匹配结果。
本实施例中,训练集中每个人的原始手指静脉图像的幅数多于测试集中每个人的原始手指静脉图像的幅数,且相对而言训练集中每个人的原始手指静脉图像的幅数越多,测试集的识别精度越高。
本发明一种基于多尺度HOG和SVM的手指静脉识别方法,首先依次对图像进行感兴趣区域提取、预处理及图像增强处理以获取手指静脉纹路信息,然后对纹路信息提取多尺度HOG特征,其次将从训练集图像提取到的多尺度HOG特征集合起来作为训练特征向量集送至SVM多类分类器进行训练,得到一个训练好的SVM多类分类器,最后再将从测试集图像提取到的多尺度HOG特征集合起来作为测试特征向量集送至已训练好的SVM多类分类器进行识别,以得出匹配结果。本发明将基于纹路的手指静脉识别方法与基于非纹路的手指静脉识别方法结合起来,以对手指静脉进行精确的特征表达,且将多尺度HOG特征与SVM多类分类器结合起来以对特征进行训练和识别,识别精度高、鲁棒性强。
其中,步骤S21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:
S211.对训练集和测试集中的所有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;
S212.对经过边缘检测处理、手指倾斜检测处理及校正处理后的图像分别截取感兴趣区域ROI;
S213.对ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理。
图2所示为感兴趣区域提取的流程图;为了说明本发明的手指静脉识别方法的有效性,对高质量手指静脉图像、旋转图像及低质量手指静脉图像分别进行感兴趣区域提取的测试,图3即为提取感兴趣区域时中间的处理结果图;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;尺寸归一化便于后续的处理,灰度归一化便于提高图像的清晰度,高斯滤波能对图像去燥,图4为提取的感兴趣区域经过预处理后的图像。
本实施例中,步骤S212中截取感兴趣区域ROI时根据手指两边界的内切边确定感兴趣区域ROI的高度,根据手指关节位置确定感兴趣区域ROI的宽度。这样设置能采集到精确的感兴趣区域ROI,防止感兴趣区域ROI过大导致的异源图像相似性的增加情况,和防止感兴趣区域ROI过小导致的提取的纹路特征不完整情况。
另外,步骤S211中使用扩展的水平边缘检测算子对所有原始手指静脉图像分别进行边缘检测处理。因为手指静脉图像中手指边界近似水平,所以使用水平边缘检测算子能得到更精确的手指边缘图像。
其中,步骤S22中使用静脉纹路提取和多阈值模糊增强算法相结合的增强方法对图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集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。
本实施例中,步骤S22中的图像增强处理包括如下步骤:
S221.提取静脉特征图像;对于经过预处理后的每幅图像中的每个像素,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,以获取与每幅图像对应的静脉特征图像,如图5所示;
Gray(m,n)=Max(Fgray(i)) i=1,2,···,8 式(1)
S222.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,如图6所示;其中选取不同的邻域时,邻域均值不同;
计算隶属度,即
新的隶属度矩阵,即
逆变换,即Gray(m,n)'=(K-1)u'mn 式(4)
其中,K为灰度级,为隶属度矩阵的邻域均值。
模糊增强处理能剔除图像中的伪静脉信息,降低图像的噪声。
另外,步骤S23中,对图像集P1及P2中的每幅图像分别进行五种尺度变换处理。具体地,当图像的尺寸为W*H时,五种尺度分别为W*H、W/2*H/2、W/4*H/4、W*H/2、W/2*H。
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 (8)
1.一种基于多尺度HOG和SVM的手指静脉识别方法,用于识别待定的原始手指静脉图像属于哪个人,其特征在于,包括如下步骤:
S1.获取训练集和测试集:分别采集多个人的多幅原始手指静脉图像,将每个人的一部分幅原始手指静脉图像作为训练集,每个人的另一部分幅原始手指静脉图像作为测试集,其中测试集中的每幅原始手指静脉图像即为待定的原始手指静脉图像;
S2.多尺度HOG特征提取阶段,包括如下步骤:
S21.对训练集和测试集中的所有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集F1及F2,其中感兴趣区域为包含手指静脉信息的图像;
S22.对经过预处理后的图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2;
S23.对图像集P1及P2中的每幅图像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,并将与每幅图像对应的HOG特征串联起来得到该图像相应的特征向量X;将与图像集P1及P2中图像对应的所有特征向量X分别集合起来作为训练特征向量集Y1及测试特征向量集Y2;
S3.训练阶段:将训练特征向量集Y1输入SVM多类分类器中进行训练以得到训练好的SVM多类分类器;
S4测试阶段:将测试特征向量集Y2输入已训练好的SVM多类分类器中进行识别,得出匹配结果。
2.根据权利要求1所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S21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:
S211.对训练集和测试集中的所有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;
S212.对经过边缘检测处理、手指倾斜检测处理及校正处理后的图像分别截取感兴趣区域ROI;
S213.对ROI区域进行尺寸归一化、灰度归一化及高斯滤波处理。
3.根据权利要求2所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S212中截取感兴趣区域ROI时根据手指两边界的内切边确定感兴趣区域ROI的高度,根据手指关节位置确定感兴趣区域ROI的宽度。
4.根据权利要求2所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S211中使用扩展的水平边缘检测算子对所有原始手指静脉图像分别进行边缘检测处理。
5.根据权利要求1所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S22中使用静脉纹路提取和多阈值模糊增强算法相结合的增强方法对图像集F1及F2中的每幅图像分别进行图像增强处理得到增强后的图像集P1及P2。
6.根据权利要求5所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S22中的图像增强处理包括如下步骤:
S221.提取静脉特征图像;对于经过预处理后的每幅图像中的每个像素,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,以获取与每幅图像对应的静脉特征图像;
Gray(m,n)=Max(Fgray(i))i=1,2,…,8 式(1)
S222.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;其中选取不同的邻域时,邻域均值不同;
计算隶属度,即
新的隶属度矩阵,即
逆变换,即Gray(m,n)'=(K-1)u'mn 式(4)
其中,K为灰度级,为隶属度矩阵的邻域均值。
7.根据权利要求1至6任一项所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,步骤S23中,对图像集P1及P2中的每幅图像分别进行五种尺度变换处理。
8.根据权利要求7所述的一种基于多尺度HOG和SVM的手指静脉识别方法,其特征在于,当图像的尺寸为W*H时,五种尺度分别为W*H、W/2*H/2、W/4*H/4、W*H/2、W/2*H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261693.8A CN108520214A (zh) | 2018-03-28 | 2018-03-28 | 一种基于多尺度hog和svm的手指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261693.8A CN108520214A (zh) | 2018-03-28 | 2018-03-28 | 一种基于多尺度hog和svm的手指静脉识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520214A true CN108520214A (zh) | 2018-09-11 |
Family
ID=63434386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810261693.8A Pending CN108520214A (zh) | 2018-03-28 | 2018-03-28 | 一种基于多尺度hog和svm的手指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520214A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110647794A (zh) * | 2019-07-12 | 2020-01-03 | 五邑大学 | 基于注意力机制的多尺度sar图像识别方法及装置 |
CN111178453A (zh) * | 2020-01-06 | 2020-05-19 | 佛山科学技术学院 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
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 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111639555A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
CN112163576A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 静脉区域的检测方法、装置和设备 |
CN112700427A (zh) * | 2021-01-07 | 2021-04-23 | 哈尔滨晓芯科技有限公司 | 髋关节x光自动评估方法 |
CN113516096A (zh) * | 2021-07-29 | 2021-10-19 | 中国工商银行股份有限公司 | 指静脉roi区域提取方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170014522A (ko) * | 2015-07-30 | 2017-02-08 | 고하준 | 휴대용 지정맥 리더기 및 그것을 이용한 생체 인증 방법 |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
-
2018
- 2018-03-28 CN CN201810261693.8A patent/CN108520214A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170014522A (ko) * | 2015-07-30 | 2017-02-08 | 고하준 | 휴대용 지정맥 리더기 및 그것을 이용한 생체 인증 방법 |
CN107292230A (zh) * | 2017-05-09 | 2017-10-24 | 华南理工大学 | 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法 |
CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
Non-Patent Citations (1)
Title |
---|
陈朋等: "基于散射卷积网络的手指静脉识别方法研究", 《浙江工业大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
WO2021003938A1 (zh) * | 2019-07-05 | 2021-01-14 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110427970B (zh) * | 2019-07-05 | 2023-08-01 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110647794A (zh) * | 2019-07-12 | 2020-01-03 | 五邑大学 | 基于注意力机制的多尺度sar图像识别方法及装置 |
CN110647794B (zh) * | 2019-07-12 | 2023-01-03 | 五邑大学 | 基于注意力机制的多尺度sar图像识别方法及装置 |
CN111178453A (zh) * | 2020-01-06 | 2020-05-19 | 佛山科学技术学院 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
CN111178453B (zh) * | 2020-01-06 | 2023-06-02 | 佛山科学技术学院 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
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 |
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 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN111639555A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
CN112163576A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 静脉区域的检测方法、装置和设备 |
CN112700427A (zh) * | 2021-01-07 | 2021-04-23 | 哈尔滨晓芯科技有限公司 | 髋关节x光自动评估方法 |
CN112700427B (zh) * | 2021-01-07 | 2024-04-16 | 哈尔滨晓芯科技有限公司 | 髋关节x光自动评估方法 |
CN113516096A (zh) * | 2021-07-29 | 2021-10-19 | 中国工商银行股份有限公司 | 指静脉roi区域提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
Adeyanju et al. | Machine learning methods for sign language recognition: A critical review and analysis | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN107135664B (zh) | 一种人脸识别的方法以及人脸识别装置 | |
CN108765465B (zh) | 一种无监督sar图像变化检测方法 | |
CN109614922A (zh) | 一种动静态手势识别方法和系统 | |
WO2021027364A1 (zh) | 基于指静脉识别的身份验证方法和装置 | |
CN109544564A (zh) | 一种医疗图像分割方法 | |
CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN103632137A (zh) | 一种人眼虹膜图像分割方法 | |
CN104239872A (zh) | 异态汉字识别方法 | |
CN110348289A (zh) | 一种基于二值图的手指静脉识别方法 | |
CN112036382A (zh) | 一种基于地形点分类的指静脉特征提取及识别方法和装置 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
Mukherjee et al. | Morphological feature based maturity level identification of Kalmegh and Tulsi leaves | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
Aithal | Two Dimensional Clipping Based Segmentation Algorithm for Grayscale Fingerprint Images | |
Pukhrambam et al. | A smart study on medicinal plants identification and classification using image processing techniques | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
He et al. | Structure-preserving texture smoothing via scale-aware bilateral total variation | |
Lin et al. | Multi-scale contour detection model based on fixational eye movement mechanism |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180911 |