CN108830158A - 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 - Google Patents
手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 Download PDFInfo
- Publication number
- CN108830158A CN108830158A CN201810469622.7A CN201810469622A CN108830158A CN 108830158 A CN108830158 A CN 108830158A CN 201810469622 A CN201810469622 A CN 201810469622A CN 108830158 A CN108830158 A CN 108830158A
- Authority
- CN
- China
- Prior art keywords
- finger
- image
- gradient
- contours
- joint position
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/70—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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
本发明属于图像处理领域,为提出一种用于提取手指静脉感兴趣区域的方法,为后续手指静脉的特征提取与识别提供可靠性保证。为此,本发明采用的技术方案是,手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法,利用手指静脉的成像原理以及指间关节对近红外线吸收率低的特性,采用手指轮廓矫正手指旋转、梯度分布定位指间关节位置,进而自动的提取出具有静脉信息的感兴趣区域ROI。本发明主要应用于图像处理场合。
Description
技术领域
本发明属于图像处理领域,特别涉及手指静脉图像预处理方法。具体讲,涉及手指轮廓和梯度分布相融合手指静脉感兴趣区域提取方法。
背景技术
手指静脉识别技术作为一种新兴的生物识别手段,与指纹识别、掌纹识别、人脸识别等传统的生物识别技术相比具有更为独特的优势:(1)非接触式;(2)活体检测;(3)高安全性;(4)便携性。因此,手指静脉识别技术具有更广泛的发展空间和应用前景。
手指静脉图像的ROI(感兴趣区域)提取作为手指静脉识别的首要步骤,对手指静脉的特征提取和识别起到至关重要的作用。手指静脉成像原理是利用静脉血液中的血红蛋白对近红外光线的吸收特性实现的,而手指的近端、远端关节对近红外光线的吸收率较低,在图像中可以呈现出较为明亮的矩形区域。因此,可以通过定位两个关节的位置来自动的提取出手指静脉的ROI。
然而,通过定位关节位置来提取手指静脉ROI仍面临较大的挑战,主要有以下几个方面:
1.手指静脉采用非接触式进行采集,手指在水平方向易产生位移,在轴向易产生旋转;
2.受不均匀光照的影响,采集到的手指静脉图像质量不高,对比度较差;
3.受光照、手指位移或旋转的影响,手指静脉图像中易产生阴影区域。
上述的几种因素对指间关节的定位造成了很大的困难,以至于不能够可靠地提取出ROI。所以,本发明提供了一种采用手指轮廓矫正旋转、梯度分布定位指间关节,进而有效提取ROI 的方法,能够可靠并准确的提取出ROI,对不均匀光照、手指的平移与旋转有较强的鲁棒性。
发明内容
为克服现有技术的不足,本发明旨在提出一种用于提取手指静脉感兴趣区域的方法,为后续手指静脉的特征提取与识别提供可靠性保证。为此,本发明采用的技术方案是,手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法,利用手指静脉的成像原理以及指间关节对近红外线吸收率低的特性,采用手指轮廓矫正手指旋转、梯度分布定位指间关节位置,进而自动的提取出具有静脉信息的感兴趣区域ROI。
具体步骤细化如下:
步骤1提取手指轮廓信息:
1)采用OTSU(最大内间方差法)算法对指静脉图像做二值化操作,得到二值化图像;
2)采用Sobel边缘检测算子提取手指轮廓图像;
3)将二值化图像与手指轮廓图像对应像素相减,得到差值图像;
4)提取差值图像的最大连通区域;
5)将最大连通区与手指图像相乘,去除手指周围无效信息,最终提取出完整的手指图像。
步骤2利用手指轮廓旋转矫正:
采用最小二乘直线拟合方法矫正手指位置;
步骤3利用手指轮廓提取子区域:
利用手指轮廓的边界信息截取出最大有效矩形区域;
步骤4对子区域滤波去噪:
采用高斯低通滤波器,滤除子区域图像中的噪声,以保证后续梯度计算的鲁棒性;
步骤5生成梯度图像:
利用梯度公式,对子区域做梯度运算生成梯度图像,为定位关节位置提供基础支撑;
步骤6定位关节位置:
对生成的梯度图像做行像素求和操作,选取两个波峰点的位置作为关节位置;
步骤7提取ROI:
步骤5生成梯度图像进一步具体步骤如下:
设子区域图像为I(i,j),其中i∈[1,h],j∈[1,w],h为子区域图像的高度,w为子区域图像的宽度,梯度在水平与垂直的计算方向梯度计算公式如下:
Grd(i,j)=I(i+1,j)-I(i,j),i∈[1,h],j∈[1,w] (1)
根据公式(1)生成子区域的梯度图像Grd(i,j),为定位关节位置提供基础支撑。
步骤6定位指间关节位置:
对梯度图像Grd(i,j)每一行的像素值求和,得到梯度图像行像素和的灰度分布曲线,梯度图行像素和的灰度分布曲线在指间关节位置呈现波峰状态,通过定位该曲线的波峰位置定位手指静脉图像的关节位置,梯度分布曲线的计算公式如下:
其中Si为某一行像素值的和,定位指间关节位置的计算公式如下:
其中d1和d2即为指间关节的位置。
本发明的特点及有益效果是:
为了验证本发明方法的有效性,测试集选取156个人的936幅手指静脉图像(每人2个手指,每个手指3幅图像)进行验证,图像质量参差不齐,包含了光照不均匀、手指存在旋转、平移等各种因素。在上述因素的影响下,本发明方法提取手指静脉感兴趣区域的有效率达到99.32%(有效率为正确提取手指静脉感兴趣区域的数量与测试集样本总数的比值)。实验结果表明,本发明方法具有较强的泛化能力,对不同质量的手指静脉图像,包括光照不均匀、手指平移、旋转等都具有较强的鲁棒性。
此外,为了进一步验证本发明方法对手指静脉识别的有益性,针对手指静脉的识别率做如下实验:
1.采用AHE(自适应直方图均衡化)算法增强手指静脉图像的对比度;
2.采用OTSU算法二值化增强之后的图像;
3.采用Template Matching(模版匹配)的方法对153幅手指静脉图像分别进行1:1及1:N 识别。
通过对936幅手指静脉图像分别进行1:1及1:N识别,得到其EER(等误率)为2.87%。上述实验结果表明本发明方法不但可以有效的提取手指静脉的ROI,而且对后续手指静脉的识别率有所改善,也间接说明提取ROI对后续手指静脉研究的重要性。
附图说明:
图1提取ROI流程图。
图2手指轮廓提取流程图:(a)原始手指静脉图像;(b)差值图像;(c)手指轮廓图像。 (d)手指轮廓图像相减得到差值图像,(e)完整的手指区域,(f)手指轮廓曲线图。
图3手指矫正流程图:(a)完整手指图像;(b)矫正后手指图像;(c)提取子区域图像。
图4梯度定位提取ROI流程图:(a)手指静脉子区域图像;(b)生成的梯度图像;(c)ROI图像。
图5梯度计算示意图:(a)梯度计算的方向示意图;(b)定位指间关节位置示意图。
图6梯度图像灰度分布图。
图7-10为实验结果图:
图7:(a)正常手指静脉图;(b)子区域图像;(c)定位指间关节位置图像;(d)子区域图像(b)的梯度图像灰度分布图。
图8:(a)非正常手指静脉图(阴影);(b)到(d)同图7。
图9:(a)非正常手指静脉图(手指旋转及光照不均匀);(b)到(d)同图7。
图10:(a)非正常手指静脉图(手指平移及光照不均匀);(b)到(d)同图7。
具体实施方式
本发明利用手指静脉的成像原理以及指间关节对近红外线吸收率低的特性,采用手指轮廓矫正手指旋转、梯度分布定位指间关节位置,进而自动的提取出具有丰富静脉信息的ROI,为后续手指静脉的特征提取与识别提供可靠性保证。因此,本发明采用的技术方案是基于手指轮廓和梯度分布相融合的手指静脉ROI提取方法,方案步骤如下。
步骤1提取手指轮廓信息:
1)采用OTSU(最大内间方差法)算法对指静脉图像做二值化操作,得到二值化图像;
2)采用Sobel边缘检测算子提取手指轮廓图像;
3)将二值化图像与手指轮廓图像对应像素相减,得到差值图像;
4)提取差值图像的最大连通区域;
5)将最大连通区与手指图像相乘,去除手指周围无效信息,最终提取出完整的手指图像。
步骤2利用手指轮廓旋转矫正:
采用最小二乘直线拟合方法矫正手指位置;
步骤3利用手指轮廓提取子区域:
利用手指轮廓的边界信息截取出最大有效矩形区域,保留最为丰富的静脉信息,并在一定程度上滤除掉边缘的干扰信息;
步骤4对子区域滤波去噪:
采用高斯低通滤波器,滤除子区域图像中的噪声,以保证后续梯度计算的鲁棒性;
步骤5生成梯度图像:
利用梯度公式,对子区域做梯度运算生成梯度图像,为定位关节位置提供基础支撑;
步骤6定位关节位置:
对生成的梯度图像做行像素求和操作,选取两个波峰点的位置作为关节位置;
步骤7提取ROI:
根据定位的关节位置提取出手指静脉图像的ROI。
为了克服手指旋转与光照不均匀对提取手指静脉ROI的影响,本发明提出了一种基于手指轮廓和梯度分布相融合的ROI提取方法。本发明通过手指轮廓信息矫正手指方向,削弱手指旋转对定位ROI的影响;此外,采用梯度分布准确定位指间关节的位置,有效抑制不均匀光照对定位指间关节的影响,从而提取出可靠的手指静脉ROI,为后续的手指静脉特征提取与识别提供有力的支撑与保证。
基于手指轮廓和梯度分布相融合的ROI提取方法主要包括以下步骤:
步骤1提取手指轮廓信息:
1)由于采集到的手指静脉图像手指区域与背景区域灰度分布存在较大差异,因此采用 OTSU算法对整幅图像进行二值化操作,此时可以大致得到手指边缘轮廓图,如图2(b)所示;
2)由于图像采集时受光照以及手指姿态的影响,1)得到的二值化图像中,手指边缘轮廓与背景区域存在一定的重叠,导致手指轮廓不能很好的闭合。因此采用Sobel边缘检测算子对手指静脉图像进行边缘检测,得到闭合的手指轮廓图,如图2(c)所示;
3)为了更清晰的分割手指与背景区域,将二值图像与2)中的手指轮廓图像相减得到差值图像,如图2(d)所示;
4)由于3)中得到的差值图像存在一定的噪声点,采用形态学方法提取差值图像的最大联通区域即可得到完整的手指区域,如图2(e)所示;
5)利用图2(e)中完整的手指区域,可以确定手指轮廓曲线图,如图2(f)所示。
步骤2利用手指轮廓旋转矫正:
1)将2(e)中完整的手指区域与手指图像相乘,去除手指周围无效信息,最终提取出完整的手指图像,如图3(a)所示;
2)以手指轮廓图为基础,采用最小二乘法对手指图像进行偏移校正,消除图像采集过程中存在的平移与旋转的干扰,为后续ROI的提取支持。矫正后的手指静脉图像如图3(b)所示。
步骤3利用手指轮廓提取子区域:
为保证后续梯度运算始终在手指内部进行,利用手指轮廓的边界信息提取手指静脉最大有效区域(子区域),以保证梯度计算的可靠性,以及最大程度的保留静脉信息,提取子区域图像如图3(c)中红色矩形框所示。
步骤4对子区域滤波去噪:
由于梯度运算对噪声点比较敏感,为了保证梯度计算的准确性,须对子区域图像滤波。创建尺度为7×7,标准差为3的高斯低通滤波器,滤除子区域图像中的噪声,保证梯度计算的鲁棒性。
步骤5生成梯度图像:
设子区域图像为I(i,j),其中i∈[1,h],j∈[1,w],h为子区域图像的高度,w为子区域图像的宽度,梯度在水平与垂直的计算方向如图5(a)所示。其梯度计算公式如下:
Grd(i,j)=I(i+1,j)-I(i,j),i∈[1,h],j∈[1,w] (1)
根据公式(1)可以生成子区域的梯度图像Grd(i,j),为定位关节位置提供基础支撑,梯度图像如图4(b)和5(b)所示。
步骤6定位指间关节位置:
由于指间关节位置对近红外线吸收率较低,与周边位置灰度值形成较强对比,因此,梯度值会在指间关节附近形成局部极大值,通过定位局部极大值即可定位指间关节位置。对梯度图像Grd(i,j)每一行的像素值求和,可得到梯度图像行像素和的灰度分布曲线。如图6所示,梯度图行像素和的灰度分布曲线在指间关节位置呈现波峰状态,通过定位该曲线的波峰位置即可定位手指静脉图像的关节位置。梯度分布曲线的计算公式如下:
其中Si为某一行像素值的和。定位指间关节位置的计算公式如下:
其中d1和d2即为指间关节的位置。
步骤7提取ROI:
根据定位的关节位置d1和d2,可以在子区域中自动的提取出手指静脉图像的ROI。
本发明利用手指静脉的成像原理以及指间关节对近红外线吸收率低的特性,采用手指轮廓矫正手指旋转、梯度分布定位指间关节位置,进而自动的提取出具有丰富静脉信息的ROI,为后续手指静脉的特征提取与识别提供可靠性保证。
为了验证本发明方法的有效性,测试集选取156个人的936幅手指静脉图像(每人2个手指,每个手指3幅图像)进行验证,其中包含了光照不均匀、手指旋转、平移等各种因素。在上述干扰下,本发明方法提取手指静脉感兴趣区域的有效率达到99.32%。
此外,为了进一步验证本发明方法有助于改进后续手指静脉识别的准确率,对936幅手指静脉图像进行1:1及1:N的识别测试。
通过上述识别测试,得到其EER(等误率)为2.87%。实验结果表明本发明方法不但可以有效的提取手指静脉的ROI,而且对后续手指静脉的识别率有所改善,也间接说明提取ROI 对后续手指静脉研究的重要性,部分测试结果如图7-10所示。
Claims (3)
1.一种手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法,其特征是,利用手指静脉的成像原理以及指间关节对近红外线吸收率低的特性,采用手指轮廓矫正手指旋转、梯度分布定位指间关节位置,进而自动的提取出具有静脉信息的感兴趣区域ROI。
2.如权利要求1所述的手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法,其特征是,具体步骤细化如下:
步骤1提取手指轮廓信息:
1)采用最大内间方差法OTSU对指静脉图像做二值化操作,得到二值化图像;
2)采用Sobel边缘检测算子提取手指轮廓图像;
3)将二值化图像与手指轮廓图像对应像素相减,得到差值图像;
4)提取差值图像的最大连通区域;
5)将最大连通区与手指图像相乘,去除手指周围无效信息,最终提取出完整的手指图像;
步骤2利用手指轮廓旋转矫正:
采用最小二乘直线拟合方法矫正手指位置;
步骤3利用手指轮廓提取子区域:
利用手指轮廓的边界信息截取出最大有效矩形区域;
步骤4对子区域滤波去噪:
采用高斯低通滤波器,滤除子区域图像中的噪声,以保证后续梯度计算的鲁棒性;
步骤5生成梯度图像:
利用梯度公式,对子区域做梯度运算生成梯度图像,为定位关节位置提供基础支撑;
步骤6定位关节位置:
对生成的梯度图像做行像素求和操作,选取两个波峰点的位置作为关节位置;
步骤7提取ROI。
3.如权利要求1所述的手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法,其特征是,步骤5生成梯度图像进一步具体步骤如下:
设子区域图像为I(i,j),其中i∈[1,h],j∈[1,w],h为子区域图像的高度,w为子区域图像的宽度,梯度在水平与垂直的计算方向梯度计算公式如下:
Grd(i,j)=I(i+1,j)-I(i,j),i∈[1,h],j∈[1,w] (1)
根据公式(1)生成子区域的梯度图像Grd(i,j),为定位关节位置提供基础支撑;
步骤6定位指间关节位置:
对梯度图像Grd(i,j)每一行的像素值求和,得到梯度图像行像素和的灰度分布曲线,梯度图行像素和的灰度分布曲线在指间关节位置呈现波峰状态,通过定位该曲线的波峰位置定位手指静脉图像的关节位置,梯度分布曲线的计算公式如下:
其中Si为某一行像素值的和,定位指间关节位置的计算公式如下:
其中d1和d2即为指间关节的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469622.7A CN108830158A (zh) | 2018-05-16 | 2018-05-16 | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810469622.7A CN108830158A (zh) | 2018-05-16 | 2018-05-16 | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830158A true CN108830158A (zh) | 2018-11-16 |
Family
ID=64148125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810469622.7A Pending CN108830158A (zh) | 2018-05-16 | 2018-05-16 | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830158A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111797828A (zh) * | 2020-06-19 | 2020-10-20 | 智慧眼科技股份有限公司 | 指静脉图像的roi区域的获取方法、装置及相关设备 |
CN112926516A (zh) * | 2021-03-26 | 2021-06-08 | 长春工业大学 | 一种鲁棒的手指静脉图像感兴趣区域提取方法 |
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 |
CN114782478A (zh) * | 2022-06-22 | 2022-07-22 | 北京圣点云信息技术有限公司 | 一种手掌图像分割方法及装置 |
CN114882539A (zh) * | 2022-07-11 | 2022-08-09 | 山东圣点世纪科技有限公司 | 一种静脉图像roi提取方法及装置 |
CN114898413A (zh) * | 2022-07-15 | 2022-08-12 | 山东圣点世纪科技有限公司 | 一种复杂背景下的基于图像轮廓方向场的静脉识别方法 |
CN115223211A (zh) * | 2022-09-20 | 2022-10-21 | 山东圣点世纪科技有限公司 | 一种将静脉图像转化为指纹图像的识别方法 |
CN116778172A (zh) * | 2023-08-18 | 2023-09-19 | 江苏圣点世纪科技有限公司 | 一种指背静脉图像增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103310196A (zh) * | 2013-06-13 | 2013-09-18 | 黑龙江大学 | 感兴趣区域与方向元素的手指静脉识别方法 |
CN105844610A (zh) * | 2016-01-23 | 2016-08-10 | 重庆布委科技有限公司 | 基于机器视觉的植物叶片锈斑自动检测系统及方法 |
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 |
-
2018
- 2018-05-16 CN CN201810469622.7A patent/CN108830158A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
CN103310196A (zh) * | 2013-06-13 | 2013-09-18 | 黑龙江大学 | 感兴趣区域与方向元素的手指静脉识别方法 |
CN105844610A (zh) * | 2016-01-23 | 2016-08-10 | 重庆布委科技有限公司 | 基于机器视觉的植物叶片锈斑自动检测系统及方法 |
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 |
Non-Patent Citations (2)
Title |
---|
尹静: "结合手指折痕的手指静脉图像处理方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
徐光柱,雷帮军: "《实用性目标检测与跟踪算法原理及应用》", 30 April 2015 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021027364A1 (zh) * | 2019-08-13 | 2021-02-18 | 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 |
CN111797828A (zh) * | 2020-06-19 | 2020-10-20 | 智慧眼科技股份有限公司 | 指静脉图像的roi区域的获取方法、装置及相关设备 |
CN112926516A (zh) * | 2021-03-26 | 2021-06-08 | 长春工业大学 | 一种鲁棒的手指静脉图像感兴趣区域提取方法 |
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 |
CN114782478A (zh) * | 2022-06-22 | 2022-07-22 | 北京圣点云信息技术有限公司 | 一种手掌图像分割方法及装置 |
CN114882539A (zh) * | 2022-07-11 | 2022-08-09 | 山东圣点世纪科技有限公司 | 一种静脉图像roi提取方法及装置 |
CN114882539B (zh) * | 2022-07-11 | 2022-09-30 | 山东圣点世纪科技有限公司 | 一种静脉图像roi提取方法及装置 |
CN114898413A (zh) * | 2022-07-15 | 2022-08-12 | 山东圣点世纪科技有限公司 | 一种复杂背景下的基于图像轮廓方向场的静脉识别方法 |
CN114898413B (zh) * | 2022-07-15 | 2022-09-13 | 山东圣点世纪科技有限公司 | 一种复杂背景下的基于图像轮廓方向场的静脉识别方法 |
CN115223211A (zh) * | 2022-09-20 | 2022-10-21 | 山东圣点世纪科技有限公司 | 一种将静脉图像转化为指纹图像的识别方法 |
CN116778172A (zh) * | 2023-08-18 | 2023-09-19 | 江苏圣点世纪科技有限公司 | 一种指背静脉图像增强方法 |
CN116778172B (zh) * | 2023-08-18 | 2023-11-07 | 江苏圣点世纪科技有限公司 | 一种指背静脉图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830158A (zh) | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 | |
CN108960068B (zh) | 用于采集手指静脉图像的光源亮度调节装置及方法 | |
CN109785316B (zh) | 一种芯片表观缺陷检测方法 | |
Alkassar et al. | Robust sclera recognition system with novel sclera segmentation and validation techniques | |
Zhao et al. | Extracting hand vein patterns from low-quality images: a new biometric technique using low-cost devices | |
CN108520211A (zh) | 基于手指折痕的手指静脉图像特征的提取方法 | |
CN106096569B (zh) | 一种手指静脉识别方法 | |
US8149393B2 (en) | Personal identification system | |
CN110909631B (zh) | 一种手指静脉图像roi提取和增强方法 | |
CN109409181B (zh) | 一种用于低质量指静脉图像的手指上下边缘独立检测方法 | |
CA2188394A1 (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
CN110097006A (zh) | 一种基于手部掌纹掌脉特征融合的非接触式生物识别方法 | |
US8384885B2 (en) | Personal identification system | |
CN113936307A (zh) | 一种基于薄膜传感器的静脉图像识别方法及装置 | |
CN101866420B (zh) | 一种用于光学体全息虹膜识别的图像前处理方法 | |
CN110569815B (zh) | 基于改进灰度不均匀矫正的指静脉图像特征提取算法 | |
CN112926516B (zh) | 一种鲁棒的手指静脉图像感兴趣区域提取方法 | |
CN114882539B (zh) | 一种静脉图像roi提取方法及装置 | |
CN112651957A (zh) | 人眼闭眼程度检测装置 | |
CN115082972B (zh) | 一种基于rgb图像和静脉灰度图像的活体检测方法 | |
CN114782478B (zh) | 一种手掌图像分割方法及装置 | |
Huang et al. | Noise removal and impainting model for iris image | |
CN110652660A (zh) | 一种患者摆位检测方法和系统 | |
CN107392170A (zh) | 一种符合自然生长规律的掌纹主线提取方法 | |
Herry et al. | Segmentation and landmark identification in infrared images of the human body |
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: 20181116 |