CN108764127A - 纹理识别方法及其装置 - Google Patents

纹理识别方法及其装置 Download PDF

Info

Publication number
CN108764127A
CN108764127A CN201810515928.1A CN201810515928A CN108764127A CN 108764127 A CN108764127 A CN 108764127A CN 201810515928 A CN201810515928 A CN 201810515928A CN 108764127 A CN108764127 A CN 108764127A
Authority
CN
China
Prior art keywords
side grain
feature
biology
image
texture
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
Application number
CN201810515928.1A
Other languages
English (en)
Inventor
宋洁
古宏刚
元淼
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.)
BOE Technology Group Co Ltd
Hefei BOE Optoelectronics Technology Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Hefei BOE Optoelectronics Technology Co Ltd
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 BOE Technology Group Co Ltd, Hefei BOE Optoelectronics Technology Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201810515928.1A priority Critical patent/CN108764127A/zh
Publication of CN108764127A publication Critical patent/CN108764127A/zh
Priority to US16/203,942 priority patent/US11170515B2/en
Pending legal-status Critical Current

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
    • G06V40/13—Sensors therefor
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V40/107—Static hand or arm
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种纹理识别方法及其装置，属于生物特征识别领域。该方法包括：对于待识别生物，采集生物的指定关节的侧面纹理图像；提取侧面纹理图像中的侧面纹理特征；基于提取的侧面纹理特征对指定关节的侧面纹理进行识别。本申请解决了现有技术中提取纹理特征的准确度较低，纹理识别的准确度也较低的问题。本申请用于生物特征识别。

Description

纹理识别方法及其装置
技术领域
本申请涉及一种生物特征识别领域，特别涉及一种纹理识别方法及其装置。
背景技术
近年来，随着全球经济和信息技术的不断发展，信息安全问题逐渐被人们重视，越来越多的领域需要人们进行可靠的身份鉴别。
目前通常采用指纹识别的方式来进行身份鉴别，例如采集指纹的纹理特征，采用该纹理特征与预设的纹理特征比较，以识别该纹理特征。
但是由于指纹较为平滑，纹理较浅，其立体感较弱，导致提取纹理特征的准确度较低，纹理识别的准确度也较低。
发明内容
本申请提供一种纹理识别方法及其装置，能够解决现有技术中提取纹理特征的准确度较低，纹理识别的准确度也较低的问题。所述技术方案如下：
第一方面，提供了一种纹理识别方法，包括：
对于待识别生物，采集生物的指定关节的侧面纹理图像；
提取所述侧面纹理图像中的侧面纹理特征；
基于提取的侧面纹理特征对所述指定关节的侧面纹理进行识别。
可选的，在提取所述侧面纹理图像中的侧面纹理特征之前，所述方法还包括：
对所述侧面纹理图像进行预处理。
可选的，所述生物为人体，所述指定关节为指关节，所述侧面纹理包括：半环状纹线和条状纹线。
可选的，基于提取的所述侧面纹理特征对所述指定关节的侧面纹理进行识别，包括：
将所述提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较，其中，所述特征库中存储有至少一个生物的指定关节的侧面纹理特征；
当所述特征库中存在匹配纹理特征时，确定所述提取的侧面纹理特征和所述匹配纹理特征为同一生物的特征，所述匹配纹理特征与所述提取的侧面纹理特征的匹配度大于匹配度阈值。
可选的，在所述基于提取的所述侧面纹理特征对所述指定关节的侧面纹理进行识别之前，所述方法还包括：
对于所述至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征；
将采集到的所述至少一个生物的指定关节的侧面纹理特征存储在所述特征库。
可选的，所述对于待识别生物，采集生物的指定关节的侧面纹理图像，包括：
在预设的多个安全级别中，确定当前的安全级别，所述多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数的多少正相关；
对于所述待识别生物，采集与所述当前的安全级别对应个数的指定关节的侧面纹理图像。
可选的，所述侧面纹理特征少于指纹图像中的纹理特征。
第二方面，提供了一种纹理识别装置包括：采集组件和处理器，
所述采集组件用于对于待识别生物，采集生物的指定关节的侧面纹理图像；
所述处理器用于提取所述侧面纹理图像中的侧面纹理特征；
所述处理器还用于基于提取的侧面纹理特征对所述指定关节的侧面纹理进行识别。
可选的，所述处理器还用于对所述侧面纹理图像进行预处理。
可选的，所述生物为人体，所述指定关节为指关节。
可选的，所述处理器还用于：
将所述提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较，其中，所述特征库中存储有至少一个生物的指定关节的侧面纹理特征；
当所述特征库中存在匹配纹理特征时，确定所述提取的侧面纹理特征和所述匹配纹理特征为同一生物的特征，所述匹配纹理特征与所述提取的侧面纹理特征的匹配度大于匹配度阈值。
可选的，所述纹理识别装置还包括：存储器，
所述采集组件还用于对于所述至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征；
所述存储器用于将所述采集组件采集到的所述至少一个生物的指定关节的侧面纹理特征存储在所述特征库。
可选的，所述采集组件还用于：
在预设的多个安全级别中，确定当前的安全级别，所述多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数的多少正相关；
对于所述待识别生物，采集与所述当前的安全级别对应个数的指定关节的侧面纹理图像。
可选的，所述侧面纹理特征少于指纹图像中的纹理特征。
第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述可读存储介质在处理组件上运行时，使得处理组件执行第一方面所述纹理识别方法。
本申请实施例提供了一种纹理识别方法及装置，在该纹理识别方法中，采集了生物指定关节的侧面纹理图像，并基于该侧面纹理图像进行了侧面纹理特征的提取和纹理识别。由于该指定关节的侧面纹理的凹凸感较强、纹理较深和立体感较强，因此，提取得到的侧面纹理特征的准确度较高，基于该侧面纹理特征进行纹理识别的准确度也较高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚地说明本公开的实施例，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种纹理识别方法的流程图；
图2是根据一示例性实施例示出的另一种纹理识别方法的流程图；
图3是根据一示例性实施例示出的一种指关节示意图；
图4是根据一示例性实施例示出的另一种指关节示意图；
图5是根据一示例性实施例示出的一种对侧面纹理图像进行预处理的流程图；
图6是根据一示例性实施例示出的一种侧面纹理图像的处理过程示意图；
图7是根据一示例性实施例示出的另一种侧面纹理图像的处理过程示意图；
图8是根据一示例性实施例示出的一种纹理识别装置的结构示意图；
图9是根据一示例性实施例示出的另一种纹理识别装置的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部份实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
近年来，通常采用指纹识别的方式来进行身份鉴别。但是指纹较为平滑，纹理较浅，立体感较弱，导致提取纹理特征的准确度较低，纹理识别的准确度也较低。本发明实施例提供了一种纹理识别方法，该指纹识别方法能够提取到较高准确度的纹理特征，且具有较高纹理识别准确度。
图1为本发明实施例提供一种纹理识别方法的流程图，该纹理识别方法可以用于纹理识别装置，如图1所示，该方法可以包括：
步骤101、对于待识别生物，采集生物的指定关节的侧面纹理图像。
步骤102、提取所述侧面纹理图像中的侧面纹理特征。
步骤103、基于提取的侧面纹理特征对所述指定关节的侧面纹理进行识别。
综上所述，本发明实施例提供的纹理识别方法中，采集了生物指定关节的侧面纹理图像，并基于该侧面纹理图像进行了侧面纹理特征的提取和纹理识别。由于该指定关节的侧面纹理的凹凸感较强、纹理较深和立体感较强，因此，提取得到的侧面纹理特征的准确度较高，基于该侧面纹理特征进行纹理识别的准确度也较高。
图2为本发明实施例提供的另一种纹理识别方法的流程图，该纹理识别方法可以用于纹理识别装置，如图2所示，该方法可以包括：
步骤201、对于至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征。执行步骤202。
可选的，该生物为人体，该指定关节为指关节。示例的，如图3所示，人体的一只手可以包括五个手指，大拇指包括一个指关节，而除大拇指之外的其他手指均具有两个指关节。手掌具有相对的背面和掌心面，手指的侧面连接该背面和掌心面。每个指关节具有两个侧面，如食指中靠近手掌的指关节的侧面分别为侧面A1和侧面A2。大拇指共具有指关节的两个侧面纹理，而该其他手指均具有指关节的四个侧面纹理。示例的，关节的侧面纹理可以如图4所示，图4中共示出了两个关节中每个关节的一个侧面纹理。每个侧面纹理可以包括：半环状纹线B1以及条状纹线B2。
需要说明的是，每个生物的指关节中可以存在一个或多个指定关节，也即，对于每个生物，纹理识别装置可以采集该生物的一个或多个指定关节的侧面纹理特征。本发明实施例以人体一只手中的所有指关节均为指定关节为例。纹理识别装置在采集每个指定关节的侧面纹理特征时，均可以首先获取该指定关节的侧面纹理图像，然后对该侧面纹理图像进行处理，以得到侧面纹理特征。
步骤202、将采集到的至少一个生物的指定关节的侧面纹理特征存储在特征库。执行步骤203。
纹理识别装置在每采集到每个生物的一个侧面纹理特征后，就可以将该生物的该侧面纹理特征存储在特征库中，便于后续对纹理识别时使用。需要说明的是，该特征库中不仅存储了多个侧面纹理特征，该特征库中还标记有每个侧面纹理特征对应的生物。
步骤203、对于待识别生物，采集生物的指定关节的侧面纹理图像。执行步骤204。
可选的，在采集待识别生物的侧面纹理图像前，纹理识别装置可以先获取预设的多个安全级别。需要说明的是，该预设的多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数多少正相关。示例的，安全级别与采集个数的对应关系可以如表1所示，安全级别1对应的采集个数为3，安全级别2对应的采集个数为2，安全级别3对应的采集个数为1。
表1
安全级别 采集个数
1 3
2 2
3 1
可选的，本发明实施例中仅以安全级别与采集个数的对应关系为表1所示的对应关系为例，该对应关系还可以与表1所示的对应关系不同，如安全级别1对应的采集个数还可以为4等，本发明实施例对此不作限定。
在获取到预设的多个安全级别后，指纹识别装置可以在该多个安全级别中确定当前的安全级别。示例的，指纹识别装置可以根据用户触发的选择指令，在该多个安全级别中选择当前的安全级别。
在采集待识别生物的侧面纹理图像前，纹理识别装置可以获取当前的安全级别对应的采集个数，并采集该采集个数的侧面纹理图像(指定关节的侧面纹理图像)。示例的，如表1所示，当纹理识别装置确定的当前的安全级别为安全级别1时，纹理识别装置可以采集3个侧面纹理图像。需要说明的是，在步骤203中纹理识别装置采集到的侧面纹理图像可以包括至少一个指定关节的侧面纹理图像。
步骤204、对侧面纹理图像进行预处理。执行步骤205。
纹理识别装置在采集到侧面纹理图像后，可以对每个侧面纹理图像进行预处理。需要说明的是，该预处理的方式有多种，本发明实施例以图5所示的预处理方式为例进行说明，如图5所示，对侧面纹理图像进行预处理可以包括：
步骤2041、对侧面纹理图像进行归一化处理。
需要说明的是，纹理识别装置对侧面纹理图像进行归一化处理是指：将该侧面纹理图像的灰度调整到预设灰度范围内，以及将该侧面纹理图像的对比度调整到预设对比度范围内。
可选的，纹理识别装置对侧面纹理图像进行归一化处理时，可以选择对侧面纹理图像进行分块归一化处理，也可以选择对侧面纹理图像进行整体归一化处理。示例的，本发明实施例中以纹理识别装置对侧面纹理图像进行整体归一化处理为例进行说明。
在对侧面纹理图像进行整体归一化处理时，可以通过灰度均值公式求出侧面纹理图像的灰度均值M，以及通过方差公式求出侧面纹理图像的方差δ2。
其中，灰度均值公式为：方差公式为：m为侧面纹理图像的长，n为侧面纹理图像的宽，i表示侧面纹理图像中像素点在侧面纹理图像的长度方向上的坐标，j表示侧面纹理图像中像素点在侧面纹理图像的宽度方向上的坐标。
在得到侧面纹理图像的灰度均值M和方差δ2之后，可以根据该灰度均值M和方差δ2，计算该侧面纹理图像中每个像素点的归一化值。示例的，可以采用归一化公式计算每个像素点(i，j)的归一化值，该归一化公式为：
其中，G代表加博(英文：Gabor)函数，M0为预设的固定灰度均值，δ0 2为预设的固定方差。
在得到每个计算该侧面纹理图像中每个像素点的归一化值后，可以根据每个像素点的归一化值，得到归一化处理后的侧面纹理图像。且该归一化处理后的侧面纹理图像中每个像素点的像素值为其归一化值。
步骤2042、对归一化处理后的侧面纹理图像进行滤波增强处理。
由于纹理识别装置在对侧面纹理图像进行采集的过程中，采集到的侧面纹理图像可能受外界影响的因素较大，如指关节的侧面纹理会沾上灰尘或者液体，这样就使采集到的侧面纹理图像噪声较多。此时，纹理识别装置就要对归一化处理后的侧面纹理图像进行滤波增强处理，滤除图像中多余的噪声，以提高侧面纹理图像的的清晰度，为后续提取侧面纹理特征提供保障。
对归一化处理后的侧面纹理图像进行滤波增强处理的方法有多种，示例的，本发明实施例中可以通过预设函数(如Gabor函数)对侧面纹理图像进行滤波增强处理。在通过预设函数对侧面纹理图像进行滤波增强处理时，纹理识别装置可以将归一化处理后的侧面纹理图像中纹理的走向和密集程度作为预设函数的参数，其中，纹理的频率与纹理的间隔大小和疏密程度相关。然后，纹理识别装置可以把预设函数与侧面纹理图像进行卷积，即可达到对归一化处理后的侧面纹理图像进行滤波增强处理的目的。
需要说明的是，在对侧面纹理图像进行滤波增强处理后，可以有效的消除归一化处理后的侧面纹理图像中的多余噪声，突出该侧面纹理图像中纹理固有的特征，如图6、图7所示的纹线终结点和纹线分叉点。
步骤2043、对滤波增强处理后的侧面纹理图像进行二值化处理。
对滤波增强处理后的侧面纹理图像进行二值化处理可以包括：将该侧面纹理图像中的像素点的灰度值设置为0或255，从而将侧面纹理图像变为仅呈现出明显的黑和白的视觉效果。二值化处理的方式可以包括：全局二值化处理的方式以及局部二值化处理的方式。本发明实施例以局部二值化处理的方式为例。
示例的，在采用局部二值化处理的方式对侧面纹理图像进行二值化处理时，纹理识别装置可以将侧面纹理图像划分为a*a个图像块，a大于等于2。然后，对每个图像块进行二值化处理。
在对每个图像块进行二值化处理时，纹理识别装置首先可以计算该图像块中所有像素点的灰度平均值。然后，纹理识别装置可以比较该图像块中每个像素点的灰度值与该灰度平均值的大小；当某一像素点的灰度值大于该灰度平均值时，纹理识别装置可以将该像素点的灰度值设置为255；当某一像素点的灰度值小于或等于该灰度平均值时，纹理识别装置可以将该像素点的灰度值设置为0。这样，就把该图像块中每个像素点的灰度值设置为0或255。
在将所有图像块的灰度值设置为0或255后，就得到了二值化处理后的侧面纹理图像。
步骤2044、对二值化处理后的侧面纹理图像进行细化处理。
纹理识别装置对二值化处理后的侧面纹理图像进行细化处理是指：删除纹线所在的像素中位于边缘的部分像素，以使得删除部分像素后的纹线的宽度为一个像素。
在依次对侧面纹理图像进行归一化处理、滤波增强处理、二值化处理和细化处理后，就完成了对该侧面纹理图像的预处理，以使得处理后的侧面纹理图像中的侧面纹理特征更容易提取，减少后续提取侧面纹理特征的复杂度。
步骤205、提取侧面纹理图像中的侧面纹理特征。执行步骤206。
在纹理识别装置对侧面纹理图像进行预处理后，预处理后的侧面纹理图像为灰度图像。纹理识别装置可以基于该灰度图像，通过算法提取侧面纹理图像中的侧面纹理特征。
示例的，侧面纹理图像中的侧面纹理特征可以包括侧面纹理图像中的纹线，且纹线与纹线终结点和纹线分叉点相关。纹理识别装置可以基于纹线终结点和纹线分叉点，确定侧面纹理图像中的多个纹线，并将多个纹线提取出来。
可选的，纹理识别装置确定纹线终结点和纹线分叉点的方式有多种。示例的，纹理识别装置在确定纹线终结点时，可以采用第一算法确定侧面纹理图像中的纹线终结点；纹理识别装置在确定纹线分叉点时，可以采用第二算法确定侧面纹理图像中的纹线分叉点。
需要说明的是，第一算法可以为8领域算法、主成分分析(英文：principalcomponent analysis；简称：PCA)算法和多维标度分析(英文：multidimensional scaling；简称：MDS)算法中的任一种；第二算法也可以为8领域算法、PCA算法和MDS算法中的任一种。第一算法与第二算法可以相同，也可以不同，本发明实施例对此不作限定。
示例的，本申请以第一算法和第二算法均为8领域算法为例。如图5和图6所示，在查找侧面纹理图像中的纹线终结点和纹线分叉点时，可以依次判断每个像素点是否为纹线终结点或纹线分叉点。
其中，纹理识别装置在对每个像素点进行判断时，可以获取该像素点对应的多个灰度等价值，该多个灰度等价值包括：该像素点的灰度等价值，以及该像素的相邻像素的灰度等价值。需要说明的是，当某一像素点的灰度为0时，该像素点的灰度等价值为0，当某一像素点的灰度为255时，该像素点的灰度等价值为1。通常位于图像内部的像素具有八个相邻像素，而位于图像边缘的像素具有的相邻像素个数少于八。
纹理识别装置在获取到每个像素点对应的灰度值后，可以判断该像素点对应的灰度等价值是否满足纹线终结点条件，以及纹线分叉点条件。在像素点对应的灰度等价值满足纹线终结点条件时，纹理识别装置可以确定该像素点为纹线终结点；在像素点对应的灰度等价值满足纹线分叉点条件时，纹理识别装置可以确定该像素点为纹线分叉点。
其中，纹线终结点条件包括：像素点对应的灰度等价值之和小于或等于2。纹线分叉点条件包括：需要说明的是，可以对每个像素点的相邻像素点进行编号，pi表示第i个相邻像素点，pi+1表示第i+1个相邻像素点，i≥1，且i小于或等于像素点的相邻像素点总数。
例如，图6示出了第一像素点及其八个相邻像素点，其中，第一像素点的灰度等价值为1，该八个相邻像素点中，一个相邻像素点的灰度等价值为1，其他相邻像素点的灰度等价值为0。该第一像素点对应的灰度等价值之和为1，也即该第一像素点对应的灰度等价值之和小于或等于2，因此，可以得出该第一像素点满足纹线终结点条件，纹理识别装置可以确定该第一像素点为纹线终结点。
图7示出了第二像素点及其八个相邻像素点，其中，第二像素点的灰度等价值为1，该八个相邻像素点中，三个相邻像素点的灰度等价值为1，其他相邻像素点的灰度等价值为0。该第二像素点对应的灰度等价值满足公式因此，纹理识别装置可以确定该第二像素点为纹线分叉点。
需要说明的是，通常指关节的侧面纹理特征少于指纹图像中的纹理特征。因此，纹理识别装置从侧面纹理图像中提取侧面纹理特征所需的时间较短，这样就可以很好的缩短侧面纹理特征提取的时间。
另外，步骤201中对采集的侧面纹理图像进行处理得到侧面纹理特征的过程，可以参考相关技术中从图像中提取特征的过程，也可以参考步骤204和步骤205中的过程，本发明实施例在此不做赘述。
步骤206、将提取的侧面纹理特征与特征库中的侧面纹理特征进行比较。执行步骤207。
纹理识别装置在提取得到侧面纹理特征后，可以将该侧面纹理特征与步骤202中得到的特征库中的侧面纹理特征进行比较，以确定该特征库中是否存在提取的侧面纹理特征的匹配纹理特征，该匹配纹理特征与提取的侧面纹理特征的匹配度大于匹配度阈值。
可选的，纹理识别装置将提取的侧面纹理特征与特征库中的侧面纹理特征进行比较的方法可以有多种，示例的，本申请以其中的两种方法为例进行说明。
在第一种比较方法中，纹理识别装置可以将采集的侧面纹理特征依次与特征库中的多个侧面纹理特征进行比较。
在第二种比较方法中，纹理识别装置可以将特征库中的多个侧面纹理特征划分为至少一组纹理特征，每组纹理特征包括至少两个侧面纹理特征。在将提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较时，纹理识别装置可以将提取的侧面纹理特征依次与该至少一组纹理特征进行比较，且提取的纹理特征与每组纹理特征中的该至少两个侧面纹理特征的比较是同时进行的。
步骤207、判断特征库中是否存在匹配纹理特征。若特征库中存在匹配纹理特征，则执行步骤208；若特征库中不存在匹配纹理特征，则执行步骤209。
步骤208、确定提取的侧面纹理特征和匹配纹理特征为同一生物的特征。
当特征库中存在匹配纹理特征时，纹理识别装置就可以确定该匹配纹理特征与提取的侧面纹理特征为同一生物的特征。可选的，该纹理识别装置还可以确定该提取的侧面纹理特征对应的生物为：特征库中该匹配纹理特征对应的生物。
步骤209、纹理识别失败。
需要说明的是，本发明实施例提供的纹理识别方法步骤的先后顺序可以进行适当调整，例如步骤201和步骤202可以位于步骤203至步骤206中任一步骤之前，也可以不执行步骤204。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
综上所述，本发明实施例提供的纹理识别方法中，采集了生物指定关节的侧面纹理图像，并基于该侧面纹理图像进行了侧面纹理特征的提取和纹理识别。由于该指定关节的侧面纹理的凹凸感较强、纹理较深和立体感较强，因此，提取得到的侧面纹理特征的准确度较高，基于该侧面纹理特征进行纹理识别的准确度也较高。
另外，由于本发明实施例中提取的纹理特征为指定关节的侧面纹理特征，且生物的指定关节的侧面纹理通常不是直接裸露在外的，因此，该侧面纹理的窃取难度较大，该侧面纹理的安全性较高。
图8为本发明实施例提供的一种纹理识别装置的结构示意图，如图7所示，该纹理识别装置80可以包括：采集组件801和处理器802。
采集组件801用于对于待识别生物，采集生物的指定关节的侧面纹理图像；
处理器802用于提取侧面纹理图像中的侧面纹理特征；
处理器802还用于基于提取的侧面纹理特征对指定关节的侧面纹理进行识别。
综上所述，本发明实施例提供的纹理识别装置中，采集组件采集了生物指定关节的侧面纹理图像，处理器基于该侧面纹理图像进行了侧面纹理特征的提取和纹理识别。由于该指定关节的侧面纹理的凹凸感较强、纹理较深和立体感较强，因此，提取得到的侧面纹理特征的准确度较高，基于该侧面纹理特征进行纹理识别的准确度也较高。
可选的，处理器802还用于对侧面纹理图像进行预处理。
可选的，生物为人体，指定关节为指关节。
可选的，处理器802还用于：
将提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较，其中，特征库中存储有至少一个生物的指定关节的侧面纹理特征；
当特征库中存在匹配纹理特征时，确定提取的侧面纹理特征和匹配纹理特征为同一生物的特征，匹配纹理特征与提取的侧面纹理特征的匹配度大于匹配度阈值。
可选的，图9为本发明实施例提供的另一种纹理识别装置的结构示意图，如图9所示，在图8的基础上，该纹理识别装置80还可以包括：存储器803。
采集组件801还用于对于至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征；
存储器803用于将采集组件采集到的至少一个生物的指定关节的侧面纹理特征存储在特征库。
可选的，采集组件801还用于：
在预设的多个安全级别中，确定当前的安全级别，多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数的多少正相关；
对于待识别生物，采集与当前的安全级别对应个数的指定关节的侧面纹理图像。
可选的，侧面纹理特征少于指纹图像中的纹理特征。
综上所述，本发明实施例提供的纹理识别装置中，采集组件采集了生物指定关节的侧面纹理图像，处理器基于该侧面纹理图像进行了侧面纹理特征的提取和纹理识别。由于该指定关节的侧面纹理的凹凸感较强、纹理较深和立体感较强，因此，提取得到的侧面纹理特征的准确度较高，基于该侧面纹理特征进行纹理识别的准确度也较高。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当可读存储介质在处理组件上运行时，使得处理组件执行上述纹理识别方法。
本发明实施例提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述纹理识别方法。
需要说明的是，本发明实施例提供的方法实施例能够与相应的装置实施例相互参考，本发明实施例对此不做限定。本发明实施例提供的方法实施例步骤的先后顺序能够进行适当调整，步骤也能够根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (15)

1.一种纹理识别方法，其特征在于，包括：
对于待识别生物，采集生物的指定关节的侧面纹理图像；
提取所述侧面纹理图像中的侧面纹理特征；
基于提取的侧面纹理特征对所述指定关节的侧面纹理进行识别。
2.根据权利要求1所述的方法，其特征在于，在提取所述侧面纹理图像中的侧面纹理特征之前，所述方法还包括：
对所述侧面纹理图像进行预处理。
3.根据权利要求1所述的方法，其特征在于，
所述生物为人体，所述指定关节为指关节，所述侧面纹理包括：半环状纹线和条状纹线。
4.根据权利要求1至3任一所述的方法，其特征在于，基于提取的所述侧面纹理特征对所述指定关节的侧面纹理进行识别，包括：
将所述提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较，其中，所述特征库中存储有至少一个生物的指定关节的侧面纹理特征；
当所述特征库中存在匹配纹理特征时，确定所述提取的侧面纹理特征和所述匹配纹理特征为同一生物的特征，所述匹配纹理特征与所述提取的侧面纹理特征的匹配度大于匹配度阈值。
5.根据权利要求4所述的方法，其特征在于，在所述基于提取的所述侧面纹理特征对所述指定关节的侧面纹理进行识别之前，所述方法还包括：
对于所述至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征；
将采集到的所述至少一个生物的指定关节的侧面纹理特征存储在所述特征库。
6.根据权利要求4所述的方法，其特征在于，
所述对于待识别生物，采集生物的指定关节的侧面纹理图像，包括：
在预设的多个安全级别中，确定当前的安全级别，所述多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数的多少正相关；
对于所述待识别生物，采集与所述当前的安全级别对应个数的指定关节的侧面纹理图像。
7.根据权利要求1所述的方法，其特征在于，
所述侧面纹理特征少于指纹图像中的纹理特征。
8.一种纹理识别装置，其特征在于，包括：采集组件和处理器，
所述采集组件用于对于待识别生物，采集生物的指定关节的侧面纹理图像；
所述处理器用于提取所述侧面纹理图像中的侧面纹理特征；
所述处理器还用于基于提取的侧面纹理特征对所述指定关节的侧面纹理进行识别。
9.根据权利要求8所述的纹理识别装置，其特征在于，
所述处理器还用于对所述侧面纹理图像进行预处理。
10.根据权利要求8所述的纹理识别装置，其特征在于，
所述生物为人体，所述指定关节为指关节。
11.根据权利要求8至10任一所述的纹理识别装置，其特征在于，所述处理器还用于：
将所述提取的侧面纹理特征与指定的特征库中的侧面纹理特征进行比较，其中，所述特征库中存储有至少一个生物的指定关节的侧面纹理特征；
当所述特征库中存在匹配纹理特征时，确定所述提取的侧面纹理特征和所述匹配纹理特征为同一生物的特征，所述匹配纹理特征与所述提取的侧面纹理特征的匹配度大于匹配度阈值。
12.根据权利要求11所述的纹理识别装置，其特征在于，所述纹理识别装置还包括：存储器，
所述采集组件还用于对于所述至少一个生物中的每个生物，采集生物的指定关节的侧面纹理特征；
所述存储器用于将所述采集组件采集到的所述至少一个生物的指定关节的侧面纹理特征存储在所述特征库。
13.根据权利要求11所述的纹理识别装置，其特征在于，所述采集组件还用于：
在预设的多个安全级别中，确定当前的安全级别，所述多个安全级别与多个采集个数一一对应，且安全级别的高低与采集个数的多少正相关；
对于所述待识别生物，采集与所述当前的安全级别对应个数的指定关节的侧面纹理图像。
14.根据权利要求8所述的纹理识别装置，其特征在于，
所述侧面纹理特征少于指纹图像中的纹理特征。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述可读存储介质在处理组件上运行时，使得处理组件执行如权利要求1至7任一所述纹理识别方法。
CN201810515928.1A 2018-05-25 2018-05-25 纹理识别方法及其装置 Pending CN108764127A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810515928.1A CN108764127A (zh) 2018-05-25 2018-05-25 纹理识别方法及其装置
US16/203,942 US11170515B2 (en) 2018-05-25 2018-11-29 Texture recognition method and apparatus, and computer-readable storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810515928.1A CN108764127A (zh) 2018-05-25 2018-05-25 纹理识别方法及其装置

Publications (1)

Publication Number Publication Date
CN108764127A true CN108764127A (zh) 2018-11-06

Family

ID=64006526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810515928.1A Pending CN108764127A (zh) 2018-05-25 2018-05-25 纹理识别方法及其装置

Country Status (2)

Country Link
US (1) US11170515B2 (zh)
CN (1) CN108764127A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272604A1 (zh) * 2021-06-30 2023-01-05 东莞市小精灵教育软件有限公司 基于生物特征识别的定位方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179265B (zh) * 2020-01-10 2023-04-18 敦泰电子（深圳）有限公司 基于图像的指纹质量评估方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754503A (zh) * 2004-10-01 2006-04-05 三菱电机株式会社 指纹图像摄像装置
US20080101663A1 (en) * 2006-10-31 2008-05-01 Motorola, Inc. Methods for gray-level ridge feature extraction and associated print matching
CN101464945A (zh) * 2008-11-14 2009-06-24 清华大学深圳研究生院 基于指背关节纹理的身份特征识别方法
CN104820828A (zh) * 2015-04-30 2015-08-05 武汉大学 一种基于双内指节纹多方向混合特征的身份认证方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659626A (en) * 1994-10-20 1997-08-19 Calspan Corporation Fingerprint identification system
US7072523B2 (en) * 2000-09-01 2006-07-04 Lenovo (Singapore) Pte. Ltd. System and method for fingerprint image enhancement using partitioned least-squared filters
US20090116706A1 (en) 2005-05-13 2009-05-07 Rudolf Hauke Device and procedure for the recording of lines of the fingers respectively the hand
SE530514C2 (sv) * 2006-09-07 2008-06-24 Innitor Ab En metod, en apparat och en datorprogramprodukt inom fingeravtrycksmatchning
US20080101662A1 (en) * 2006-10-31 2008-05-01 Motorola, Inc. Print matching method and apparatus using pseudo-ridges
JP5061645B2 (ja) * 2007-02-26 2012-10-31 ソニー株式会社 情報抽出方法、情報抽出装置、プログラム、登録装置及び照合装置
KR101082626B1 (ko) * 2007-11-09 2011-11-10 후지쯔 가부시끼가이샤 생체 정보 판독 장치, 생체 정보 판독 방법 및 생체 정보 판독 프로그램을 기록한 컴퓨터 판독가능한 기록 매체
JP5403699B2 (ja) * 2008-06-04 2014-01-29 国立大学法人 筑波大学 手指形状推定装置、手指形状の推定方法及びプログラム
CN100590644C (zh) * 2008-06-27 2010-02-17 哈尔滨工业大学 点线结合的指纹识别方法
US8208692B2 (en) 2009-01-15 2012-06-26 The Hong Kong Polytechnic University Method and system for identifying a person using their finger-joint print
JP5023193B2 (ja) * 2010-06-28 2012-09-12 株式会社東芝 情報処理装置
CN105447436B (zh) 2014-12-19 2017-08-04 比亚迪股份有限公司 指纹识别系统及指纹识别方法及电子设备
US10915728B2 (en) * 2015-03-31 2021-02-09 Nec Corporation Biological pattern information processing device, biological pattern information processing method and program
CN109923581B (zh) * 2016-10-31 2022-12-02 株式会社Dds 皮肤信息处理方法及皮肤信息处理装置
WO2018079852A1 (ja) * 2016-10-31 2018-05-03 株式会社ディー・ディー・エス 皮膚情報処理プログラム及び皮膚情報処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754503A (zh) * 2004-10-01 2006-04-05 三菱电机株式会社 指纹图像摄像装置
US20080101663A1 (en) * 2006-10-31 2008-05-01 Motorola, Inc. Methods for gray-level ridge feature extraction and associated print matching
CN101464945A (zh) * 2008-11-14 2009-06-24 清华大学深圳研究生院 基于指背关节纹理的身份特征识别方法
CN104820828A (zh) * 2015-04-30 2015-08-05 武汉大学 一种基于双内指节纹多方向混合特征的身份认证方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹建农: "《图像分割方法研究》", 31 August 2006, 西安地图出版社 *
苏曙光: "《嵌入式系统原理与设计》", 31 July 2011 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272604A1 (zh) * 2021-06-30 2023-01-05 东莞市小精灵教育软件有限公司 基于生物特征识别的定位方法及装置

Also Published As

Publication number Publication date
US11170515B2 (en) 2021-11-09
US20190362509A1 (en) 2019-11-28

Similar Documents

Publication Publication Date Title
JP5107045B2 (ja) 目に関して取得される画像中の虹彩を表す画素を特定する方法
Zhang et al. Fingerprint classification based on extraction and analysis of singularities and pseudo ridges
Deng et al. Differentiation-based edge detection using the logarithmic image processing model
CN107748877A (zh) 一种基于细节点和纹理特征的指纹图像识别方法
Wang et al. Multiscale curvature-based shape representation using B-spline wavelets
JP2009523265A (ja) 画像中の虹彩の特徴を抽出する方法
CN108681737B (zh) 一种复杂光照下图像特征提取方法
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
CN113723309A (zh) 身份识别方法、身份识别装置、设备及存储介质
CN110232390A (zh) 一种变化光照下图像特征提取方法
CN108764127A (zh) 纹理识别方法及其装置
CN112801031A (zh) 静脉图像识别方法、装置、电子设备及可读存储介质
Sivakumar et al. A brief study of image segmentation using Thresholding Technique on a Noisy Image
Farahanipad et al. GAN-based face reconstruction for masked-face
Tahir et al. An accurate and fast method for eyelid detection
Deshpande et al. Iris recognition system using block based approach with DWT and DCT
Jiang et al. Model-based automated extraction of microtubules from electron tomography volume
Tan et al. A novel weighted hausdorff distance for face localization
Bartunek et al. Improved adaptive fingerprint binarization
Varghese et al. Hexagonal image enhancement using Hex-Gabor filter for machine vision applications
Wu et al. Adaptive ultrasound image matching for automatic liver disease diagnosis using generalized Hough transform
Sebri et al. Automated breast cancer diagnosis based on GVF-snake segmentation, wavelet features extraction and neural network classification
Guo et al. Texture image segmentation using reduced gabor filter set and mean shift clustering
CN104091160B (zh) 一种人脸检测方法
Ramesha et al. Template based mole detection for face recognition

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

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication