CN109376602A - 一种指静脉识别方法、装置及终端设备 - Google Patents

一种指静脉识别方法、装置及终端设备 Download PDF

Info

Publication number
CN109376602A
CN109376602A CN201811112295.6A CN201811112295A CN109376602A CN 109376602 A CN109376602 A CN 109376602A CN 201811112295 A CN201811112295 A CN 201811112295A CN 109376602 A CN109376602 A CN 109376602A
Authority
CN
China
Prior art keywords
feature
vein
referring
image
concentric
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
CN201811112295.6A
Other languages
English (en)
Inventor
杨奇
陈书楷
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.)
Xiamen Central Intelligent Information Technology Co Ltd
ZKTeco Co Ltd
Original Assignee
Xiamen Central Intelligent Information Technology Co Ltd
ZKTeco 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 Xiamen Central Intelligent Information Technology Co Ltd, ZKTeco Co Ltd filed Critical Xiamen Central Intelligent Information Technology Co Ltd
Priority to CN201811112295.6A priority Critical patent/CN109376602A/zh
Publication of CN109376602A publication Critical patent/CN109376602A/zh
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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种指静脉识别方法、装置及终端设备，所述方法包括：获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。本申请可以解决现有的各种指静脉特征提取算法提取的特征信息不够丰富，难以通过指静脉特征进行真假指静脉识别的问题。

Description

一种指静脉识别方法、装置及终端设备
技术领域
本申请属于数据处理技术领域，尤其涉及一种指静脉识别方法、装置及终端设备。
背景技术
随着科技的发展，越来越多的生物识别技术进入人们的生活，人们可以利用各种各样的生物特征对待识别对象的身份进行识别，指静脉识别正是其中一种生物识别技术。
指静脉识别技术中可通过近红外光线照射和CCD摄像头获取个人手指静脉的分布图，通过专用算法提取手指静脉分布图的特征值，将提取的特征值与数据库中的特征值进行比对，根据比对结果识别判断待识别对象的身份。
但是，当前的指静脉识别装置难以区分假手指的假指静脉与真人的真指静脉的区别，安全性不高。因此，在进行指静脉的特征比对之前，需要先通过指静脉的特征进行真假指静脉的识别，识别真假指静脉要求提取的指静脉特征具备足够丰富的特征信息，而当前的各类特征提取算法提取的特征难以达到要求。
综上所述，当前的各种指静脉特征提取算法提取的特征信息不够丰富，难以通过指静脉特征进行真假指静脉识别。
发明内容
有鉴于此，本申请实施例提供了一种指静脉识别方法、装置及终端设备，以解决现有技术中各种指静脉特征提取算法提取的特征信息不够丰富，难以通过指静脉特征进行真假指静脉识别的问题。
本申请实施例的第一方面提供了一种指静脉识别方法，包括：
获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
本申请实施例的第二方面提供了一种指静脉识别装置，包括：
特征提取模块，用于获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
特征组合模块，用于将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
阈值判断模块，用于将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
真假识别模块，用于当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本申请实施例的第四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存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请的指静脉识别方法中，将同心双十字交叉模式DCP特征和方向梯度直方图HOG特征进行组合得到DH特征，由于同心双十字交叉模式DCP特征可以刻画图像4个方向的纹理信息，方向梯度直方图HOG特征可以刻画图像的局部梯度方向和梯度强度分布，描述物体局部外观和形状，两者可以起到信息互补的作用，提高两者组合得到的DH特征的丰富度，通过DH特征进行真假指静脉识别可以得到更为准确的识别结果，解决了现有技术中各种指静脉特征提取算法提取的特征信息不够丰富，难以通过指静脉特征进行真假指静脉识别的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种指静脉识别方法的实现流程示意图；
图2是本申请实施例提供的一种指静脉识别装置的示意图；
图3是本申请实施例提供的终端设备的示意图；
图4为本申请实施例提供的真指静脉图像的第一示例图；
图5为本申请实施例提供的真指静脉图像的第二示例图；
图6为本申请实施例提供的假指静脉图像的第一示例图；
图7为本申请实施例提供的假指静脉图像的第二示例图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：
下面对本申请实施例一提供的一种指静脉识别方法进行描述，请参阅附图1，本申请实施例一中的指静脉识别方法包括：
步骤S101、获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
同心双十字交叉模式(英文全称：Dual-Cross Patterns，英文缩写：DCP)特征是在局部二值模式(英文全称：Local Binary Patterns，英文缩写：LBP)特征的基础上改进而来的，先把单圆8领域变成双圆各8领域采样，再按水平、垂直和对角线方向，分别按照局部四进制编码的方式，提取2组相同维数的子DCP特征，最后连接而成，即为DCP特征。
方向梯度直方图(Histogram of Oriented Gradient，英文缩写：HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成HOG特征。
在对待识别的指静脉图像进行之前，可先获取原始的指静脉图像，将原始的指静脉图像缩放至第一预置尺寸得到待识别的指静脉图像，或者，将原始的指静脉图像缩放至第二预置尺寸，再采用中心裁剪的方式对缩放后的原始指静脉图像进行裁剪，得到第一预置尺寸的待识别的指静脉图像。
此外，在获取待识别的指静脉图像之前，还可以通过其他传感数据快速判断是否进行指静脉识别，例如，检测用户输入指静脉图像时手指的温度，判断所述温度是否大于或等于预置温度阈值；当所述温度大于或等于所述预置温度阈值时，获取用户的输入的指静脉图像。由于人的手指都具备一定的温度，因此，当用户将手指放在指静脉门禁机等指静脉识别装置进行指静脉识别时，可以通过红外检测等方式对用户手指的温度进行检测，判断用户手指的温度是否大于等于预置温度阈值，如果用户手指的温度小于预置温度阈值，则判定用户使用假手指等指静脉伪装工具进行指静脉识别，不对其进行后续的指静脉特征比对，提高指静脉图像真伪识别的速度，如果用户手指的温度大于或等于预置温度阈值，则获取用户输入的指静脉图像进行精细化识别，提高指静脉图像真伪识别的准确性。
步骤S102、将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
同心双十字交叉模式DCP特征可以刻画图像4个方向的纹理信息，方向梯度直方图HOG特征可以刻画图像的局部梯度方向和梯度强度分布，描述物体局部外观和形状，两者可以起到信息互补的作用，使得两者组合得到DH特征具备更为丰富的特征信息，DH特征的表达式为：
DH＝(DCP，HOG)
步骤S103、将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
SVM的全称是Support Vector Machine，即支持向量机，主要用于解决模式识别领域中的数据分类问题，属于有监督学习算法的一种，通过SVM算法可以训练生成SVM分类器，SVM分类器是一个二分类的分类器。
将DH特征输入经过训练的SVM分类器，可以根据SVM分类器的输出值是否大于预置阈值判断指静脉的真假。
步骤S104、当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
当输出值大于预置阈值时，可判定待识别的指静脉图像为真指静脉图像。
预置阈值可以根据需要进行设置，例如，预置阈值可以设置为0，当输出值大于0时，认为待识别的指静脉图像为真的指静脉图像。
真假指静脉图像可以参阅图4至图7，图4和图5为真指静脉图像的示例图，图6和图7为假指静脉图像的示例图，通过上述方法可以准确识别真指静脉图像和假指静脉图像。
本实施例的指静脉识别方法中，DH特征由同心双十字交叉模式DCP特征和方向梯度直方图HOG特征组合得到，可以刻画4个方向的纹理信息、图像的局部梯度方向和梯度强度分布，描述物体的整体纹理以及局部外观和形状，使用DH特征进行真假指静脉图像的识别可以提高识别的准确性。
进一步地，所述经过训练的SVM分类器通过以下方法训练得到：
A1、获取指静脉样本图像，提取所述指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
在训练SVM分类器的过程中，需要先获取指静脉样本图像，提取指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征。
获取指静脉样本图像之后，可以采用加入椒盐噪声、亮度调整、过曝光处理、图像翻转、图像旋转和截图中的一种或多种预处理方式对指静脉图像进行预处理，通过预处理的方式扩充指静脉样本图像的数量，提高SVM分类器在识别指静脉图像过程中对各种人为干扰因素和环境干扰因素的适应性。
A2、分别将各个所述指静脉样本图像的所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到各个所述指静脉样本图像的DH特征；
将指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征组合可得到该指静脉图像对应的DH特征。
A3、将各个所述指静脉样本图像的所述DH特征和样本标识输入初始的SVM分类器进行训练，得到所述经过训练的SVM分类器，其中，所述样本标识包括正样本标识和负样本标识。
将各个指静脉样本图像的DH特征和样本标识输入初始的SVM分类器中，SVM分类器可以通过SVM算法对各个指静脉样本图像的DH特征和样本标识进行学习训练，得到经过训练的SVM分类器。
样本标识包括正样本标识和负样本标识，正样本标识表明该指静脉样本图像为真的指静脉图像，负样本标识表明该指静脉样本图像为假的指静脉图像。
进一步地，在所述将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征之前还包括：
对所述同心双十字交叉模式DCP特征和/或所述方向梯度直方图HOG特征进行向量单位化处理。
为了便于训练SVM分类器，可对同心双十字交叉模式DCP特征和/或方向梯度直方图HOG特征进行向量单位化处理，向量单位化处理过程中，可以只对其中一种特征进行向量单位化处理，也可以对两种特征都进行向量单位化处理，下面以梯度直方图HOG特征为例描述向量单位化处理的过程：
提取梯度直方图HOG特征的过程中，会将图像划分为多个block，每个block当中包含了多个cell，每个cell沿不同的梯度方向有不同的特征分量，因此梯度直方图HOG特征的向量单位化是将各个block的特征向量的长度变成1，向量单位化的计算公式如下：
fHOG＝(fij)i＝1,2,…,num,j＝1,2,…,len
fij＝hij/sumi
其中，fHOG为向量单位化后的梯度直方图HOG特征，hij为第i个block的第j个特征分量，fij为向量单位化后的第i个block的第j个特征分量，num为block的数量，len为block中特征分量的数量，ε是一个极小的数，可以取0.000001。
对同心双十字交叉模式DCP特征的向量单位化的处理过程与梯度直方图HOG特征的向量单位化的处理过程一致，将两个维数相同的子DCP特征的向量长度变成1。
进一步地，所述方向梯度直方图HOG特征的梯度方向数为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18。
方向梯度直方图HOG特征的梯度方向数可以取为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18，为了提高运算速度可将π取近似值3.1415926，即梯度方向为0.1745、0.8727、1.5708、2.2689和2.9671。
当梯度方向数取为5时，与传统的梯度方向数为9的方向梯度直方图HOG特征提取方法相比，可以大幅提高运算速度，同时运算结果与梯度方向数为9的方向梯度直方图HOG特征提取方法相近，即提高了运算速度，又保证了运算的准确性。
对于每个block的特征向量的维度(特征分量的数量)，可根据每个block内cell的数量和梯度方向数进行计算，假设每个block中包含2*2的cell，则每个block的特征向量的维度为2*2*5等于20维。
通过不同的指静脉数据库对本实施例提供的指静脉识别方法进行测试，其准确性分别为：99.0082％(13876/14015)、99.1437％(2663/2686)、99.1831％(3278/3305)和99.0514％(5012/5060)，括号内的分母为指静脉数据库中指静脉测试图像的数量，分子为通过本实施例的指静脉识别方法进行识别，正确识别的指静脉测试图像的数量，在指静脉门禁机上该方法的运行速度为170ms，说明本实施例的指静脉识别方法运行速度快，识别结果准确性高。
本实施例一提供的指静脉识别方法中，将同心双十字交叉模式DCP特征和方向梯度直方图HOG特征组合得到DH特征，由于同心双十字交叉模式DCP特征可以刻画图像4个方向的纹理信息，方向梯度直方图HOG特征可以刻画图像的局部梯度方向和梯度强度分布，描述物体局部外观和形状，两者可以起到信息互补的作用，提高两者组合得到的DH特征的丰富度，通过DH特征进行真假指静脉识别可以得到更为准确的识别结果。
用于识别真假指静脉图像的SVM分类器可通过提取了DH特征和标注了样本标识的指静脉样本图像训练得到，训练过程中，可通过预处理的方式对指静脉样本图像进行在线扩增，提高SVM分类器在识别指静脉图像过程中对各种人为干扰因素和环境干扰因素的适应性。
为了便于训练SVM分类器，可对同心双十字交叉模式DCP特征和/或方向梯度直方图HOG特征进行向量单位化处理，处理之后可以提高SVM分类器的训练速度。
此外，提取方向梯度直方图HOG特征的过程中，梯度方向数可以设置为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18，与9梯度方向的提取方式相比，在保证运算结果准确性的基础上，极大地提高了运算的速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
本申请实施例二提供了一种指静脉识别装置，为便于说明，仅示出与本申请相关的部分，如图2所示，指静脉识别装置包括，
特征提取模块201，用于获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
特征组合模块202，用于将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
阈值判断模块203，用于将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
真假识别模块204，用于当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
进一步地，所述装置还包括：
样本特征模块，用于获取指静脉样本图像，提取所述指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
样本组合模块，用于分别将各个所述指静脉样本图像的所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到各个所述指静脉样本图像的DH特征；
样本训练模块，用于将各个所述指静脉样本图像的所述DH特征和样本标识输入初始的SVM分类器进行训练，得到所述经过训练的SVM分类器，其中，所述样本标识包括正样本标识和负样本标识。
进一步地，所述装置还包括：
单位化模块，用于对所述同心双十字交叉模式DCP特征和/或所述方向梯度直方图HOG特征进行向量单位化处理。
进一步地，所述方向梯度直方图HOG特征的梯度方向数为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图3是本申请实施例三提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述指静脉识别方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成特征提取模块、特征组合模块、阈值判断模块以及真假识别模块，各模块具体功能如下：
获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种指静脉识别方法，其特征在于，包括：
获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
2.如权利要求1所述的指静脉识别方法，其特征在于，所述经过训练的SVM分类器通过以下方法训练得到：
获取指静脉样本图像，提取所述指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
分别将各个所述指静脉样本图像的所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到各个所述指静脉样本图像的DH特征；
将各个所述指静脉样本图像的所述DH特征和样本标识输入初始的SVM分类器进行训练，得到所述经过训练的SVM分类器，其中，所述样本标识包括正样本标识和负样本标识。
3.如权利要求1所述的指静脉识别方法，其特征在于，在所述将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征之前还包括：
对所述同心双十字交叉模式DCP特征和/或所述方向梯度直方图HOG特征进行向量单位化处理。
4.根据权利要求1所述的指静脉识别方法，其特征在于，所述方向梯度直方图HOG特征的梯度方向数为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18。
5.一种指静脉识别装置，其特征在于，包括：
特征提取模块，用于获取待识别的指静脉图像，提取所述指静脉图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
特征组合模块，用于将所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到DH特征；
阈值判断模块，用于将所述DH特征输入经过训练的SVM分类器，判断SVM分类器的输出值是否大于预置阈值；
真假识别模块，用于当所述输出值大于所述预置阈值时，判定所述待识别的指静脉图像为真指静脉图像。
6.如权利要求5所述的指静脉识别装置，其特征在于，所述装置还包括：
样本特征模块，用于获取指静脉样本图像，提取所述指静脉样本图像的同心双十字交叉模式DCP特征和方向梯度直方图HOG特征；
样本组合模块，用于分别将各个所述指静脉样本图像的所述同心双十字交叉模式DCP特征和所述方向梯度直方图HOG特征组合得到各个所述指静脉样本图像的DH特征；
样本训练模块，用于将各个所述指静脉样本图像的所述DH特征和样本标识输入初始的SVM分类器进行训练，得到所述经过训练的SVM分类器，其中，所述样本标识包括正样本标识和负样本标识。
7.如权利要求5所述的指静脉识别装置，其特征在于，所述装置还包括：
单位化模块，用于对所述同心双十字交叉模式DCP特征和/或所述方向梯度直方图HOG特征进行向量单位化处理。
8.根据权利要求5所述的指静脉识别装置，其特征在于，所述方向梯度直方图HOG特征的梯度方向数为5，梯度方向取π/18、5π/18、9π/18、13π/18和17π/18。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201811112295.6A 2018-09-21 2018-09-21 一种指静脉识别方法、装置及终端设备 Pending CN109376602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811112295.6A CN109376602A (zh) 2018-09-21 2018-09-21 一种指静脉识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811112295.6A CN109376602A (zh) 2018-09-21 2018-09-21 一种指静脉识别方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN109376602A true CN109376602A (zh) 2019-02-22

Family

ID=65401623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811112295.6A Pending CN109376602A (zh) 2018-09-21 2018-09-21 一种指静脉识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN109376602A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147732A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 指静脉识别方法、装置、计算机设备及存储介质
CN110266942A (zh) * 2019-06-03 2019-09-20 Oppo（重庆）智能科技有限公司 图片的合成方法及相关产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279504A (zh) * 2015-11-30 2016-01-27 南昌欧菲生物识别技术有限公司 指纹识别装置、指纹识别方法及其终端设备
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
CN108171223A (zh) * 2018-02-27 2018-06-15 北京中晟信达科技有限公司 一种基于多模型多通道的人脸识别方法及系统
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279504A (zh) * 2015-11-30 2016-01-27 南昌欧菲生物识别技术有限公司 指纹识别装置、指纹识别方法及其终端设备
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
CN108171223A (zh) * 2018-02-27 2018-06-15 北京中晟信达科技有限公司 一种基于多模型多通道的人脸识别方法及系统
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
W.SYLVIA LILLY JEBARANI等: ""Robust Face Recognition and Classification System"", 《2017 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL (12C2)》 *
徐光柱，雷帮军: "《实用性目标检测与跟踪算法原理与应用》", 30 June 2015, 《北京：国防工业出版社》 *
欧珠著: "《藏语模式识别技术及工程实践》", 31 March 2015 *
王炼红，张倩: ""利用双倍二元模式进行手指静脉识别"", 《小型微型训计算机系统》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147732A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 指静脉识别方法、装置、计算机设备及存储介质
CN110266942A (zh) * 2019-06-03 2019-09-20 Oppo（重庆）智能科技有限公司 图片的合成方法及相关产品
CN110266942B (zh) * 2019-06-03 2021-04-09 Oppo（重庆）智能科技有限公司 图片的合成方法及相关产品

Similar Documents

Publication Publication Date Title
CN110188194B (zh) 一种基于多任务学习模型的假新闻检测方法及系统
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN107633204A (zh) 人脸遮挡检测方法、装置及存储介质
CN108961279A (zh) 图像处理方法、装置及移动终端
CN109214002A (zh) 一种文本对比方法、装置及其计算机存储介质
CN107992596A (zh) 一种文本聚类方法、装置、服务器和存储介质
CN109345553A (zh) 一种手掌及其关键点检测方法、装置和终端设备
CN109471944A (zh) 文本分类模型的训练方法、装置及可读存储介质
CN109117879A (zh) 图像分类方法、装置及系统
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN110222780A (zh) 物体检测方法、装置、设备和存储介质
CN111695354A (zh) 基于命名实体的文本问答方法、装置及可读存储介质
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
CN108898082A (zh) 图片处理方法、图片处理装置及终端设备
CN109214333A (zh) 卷积神经网络结构、人脸属性识别方法、装置及终端设备
CN111666766A (zh) 数据处理方法、装置和设备
Cheng et al. A global and local context integration DCNN for adult image classification
CN116168038B (zh) 一种图像翻拍检测的方法、装置、电子设备及存储介质
CN107944366B (zh) 一种基于属性学习的手指静脉识别方法及装置
CN109376602A (zh) 一种指静脉识别方法、装置及终端设备
JP2022126678A (ja) 画像を検索するための方法、装置、システム、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
Younis et al. A new parallel bat algorithm for musical note recognition.
CN110263817A (zh) 一种基于用户账号的风险等级划分方法及装置
Zhang et al. Intelligent classroom teaching assessment system based on deep learning model face recognition technology
CN108985215A (zh) 一种图片处理方法、图片处理装置及终端设备

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
CB02 Change of applicant information

Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province

Applicant after: Xiamen Entropy Technology Co., Ltd

Applicant after: Entropy Technology Co., Ltd

Address before: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001

Applicant before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd.

Applicant before: Zhongkong Smart Technology Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222

RJ01 Rejection of invention patent application after publication