CN109583398A - 基于手形和掌纹的多模态生物识别方法 - Google Patents
基于手形和掌纹的多模态生物识别方法 Download PDFInfo
- Publication number
- CN109583398A CN109583398A CN201811480987.6A CN201811480987A CN109583398A CN 109583398 A CN109583398 A CN 109583398A CN 201811480987 A CN201811480987 A CN 201811480987A CN 109583398 A CN109583398 A CN 109583398A
- Authority
- CN
- China
- Prior art keywords
- palmmprint
- point
- hand shape
- image
- finger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 210000003811 finger Anatomy 0.000 claims description 60
- 210000004932 little finger Anatomy 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 26
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013519 translation Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本分案申请公开了一种基于手形和掌纹的多模态生物识别方法，属于掌纹识别领域,为了解决现有的掌纹识别识别过程中，掌纹分割所具有的基于正方形的定位分割方法中定位点不易确定和同类图像ROI提取偏移度较大问题,手形识别包括手形轮廓提取、特征点定位，掌纹识别包括掌纹提取，其中掌纹提取中具有掌纹分割的步骤，效果是：图像分割算法降低了图像采集时图像旋转和平移的影响。
Description
本发明是申请号201610409033.0，申请日2016-06-08，发明名称“掌纹识别中的掌纹ROI分割方法”的分案申请。
技术领域
本发明属于掌纹识别领域，涉及一种掌纹识别中的掌纹ROI分割方法。
背景技术
随着社会的发展和科技水平的提高，人民的安全意识不断增强，信息的安全受到越来越的关注，因此在现实生活中，每个人都经常面对身份的鉴别问题。传统的身份认证经常采用密码、口令、证件等，这些传统的鉴别方法存在很大的弊端。生物特征识别技术因其固有安全等级高的优点，正在慢慢的取代传统的身份认证方法，经常采用指纹、人脸、虹膜、步态、笔迹、手形、掌纹等人体特征。目前,单个生物特征有其固有的局限性,还没有一种单独的生物特征识别技术可以满足实际的需求。多模态生物特征识别技术通过多生物特征融合的方法,来提高识别的准确率和扩大应用范围,以满足实际的需求。由于手部图像采集方便、用户接受度高、包含信息量大、识别准确率较高等，目前被广泛应用。
掌纹识别一般包括掌纹提取、掌纹信息分析等几个主要部分，其中掌纹提取中，会涉及掌纹分割的步骤，现有技术的基于正方形的定位分割方法中，定位点不易确定、且同类图像ROI提取偏移度较大。
发明内容
为了解决现有的掌纹识别识别过程中，掌纹分割所具有的基于正方形的定位分割方法中定位点不易确定和同类图像ROI提取偏移度较大问题，本发明提出了一种掌纹识别中的掌纹ROI分割方法，以更容易实现对于正方形的定位分割方法中定位点的确定，并且可以减小图像ROI提取偏移度，为了实现上述目的，本发明的技术方案是：
一种掌纹识别中的掌纹ROI分割方法，包括如下步骤：
S1.选取拟合直线；
S2.图像矫正和掌纹的ROI分割。
进一步的，在图像中选取一条稳定的直线作为ROI分割的参考方向，针对轮廓图第一象限的边缘点采用最小二乘法拟合出一条直线。
进一步，确定ROI的中心点，以谷点M1为固定点，在点M2所在行上寻找使直线M1M2与拟合直线L成固定角度的点M2′，取线段M1M2′的中点O，做直线M1M2′的垂直平分线，并在垂直平分线的右侧区域找到固定长度R的点O1，则点O1就在手掌的中心区域内，最后以点O1为ROI的中心点，截取128×128的正方形区域作为图像的ROI，所述所述正方形的其中两条边平行于拟合直线L。
进一步的，拟合直线的步骤是：
设直线的方程表达式为：
y＝kx+b (1)
根据手掌边缘轮廓的测量值求出直线在y轴上的截距b和直线斜率k，(xi,yi)为手掌边缘轮廓的测量值的坐标，b0、k0为b、k的近似值，令：
b＝b0+δb
k＝k0+δk
其中，δb和δk是斜率和截距的偏差；
以y作为因变量，以x为自变量,误差方程为：
误差方程的矩阵表达式为：
AδX＝L+V
其中
由最小二乘法准则
VTV＝min
即
其最小二乘解为：
以此得出k、b的值，带入公式1即得拟合方程和拟合直线。
有益效果：算法解决了基于正方形的定位分割方法中定位点不易确定和同类图像ROI提取偏移度较大问题，这种图像分割算法还降低了图像采集时图像旋转和平移的影响。算法是用简单方法解决复杂问题，与现有的其他方法相比达到相同效果的情况下，算法不仅节约时间而且更易于实现，且提取的ROI偏移度更小，算法可靠，更具有实用性。
附图说明
图1是本发明处理的手形图像及手型特征点位置示意图；
图2是本发明圆盘算法原理图；
图3是本发明手形局部分块示意图；
图4是掌纹图像及ROI分割图。
具体实施方式
实施例1：掌纹识别中最重要的步骤就是掌纹感兴趣区(ROI)的分割，针对原有算法的缺陷，提出一种基于特定部位直线拟合的ROI分割方法。手掌的轮廓线会随着手指张开的程度变化，而手掌小拇指一侧的边缘区域的轮廓线不会随手指张开程度的变化而变化。根据这一特点，针对手掌轮廓特定的边缘点采用最小二乘法拟合出一条直线L。以直线L为基准，以图4(a)中两指谷点M1、M2为参考点，分别做两条平行于直线L的直线ab和直线cd；以点M1、M2的中点做平行于直线L的直线OO1，通过点M1做垂直于L的直线，该直线于直线cd交点为M2′，于直线OO1交点为O1，以点O为基准，确定某一长度在直线OO1上截取，确定点O1。以点O1为中心，确定截取长度，分别在平行于和垂直于直线L的方向对图像进行分隔，获得掌纹ROI，如图4(a)所示。本实施例记载了一种掌纹识别过程中的掌纹ROI分割方法，包括如下步骤：
1)选取拟合直线
首先在图像中选取一条稳定的直线作为ROI分割的参考方向。通过对图像的分析发现，在采集图像时，虽然存在手指张开的随意性，但手掌小拇指一侧的后边缘区域的轮廓线变化很小，根据这一特点，针对轮廓图第一象限的边缘点采用最小二乘法拟合出一条直线。
设直线的方程表达式为：
y＝kx+b (1)
根据手掌边缘轮廓的测量值求出最佳的b(直线在y轴上的截距)和k(直线斜率)。(xi,yi)为手掌边缘轮廓的测量值的坐标，b0、k0为b、k的近似值。令：
b＝b0+δb
k＝k0+δk
以y作为因变量，以x为自变量,误差方程为：
其中，δb和δk是斜率和截距的偏差；
误差方程的矩阵表达式为：
AδX＝L+V
其中
由最小二乘法准则(min代表最小值)
VTV＝min
即
其最小二乘解为：
从而得出a、b的值，带入公式1即得拟合方程，如图4(a)中直线L就是所求拟合直线。
2)图像校正和掌纹的ROI分割
对掌纹图像进行以上处理后，开始确定ROI的中心点。为减小同一个人图像中心点的偏移问题采用如下方法。如图4(a)所示，以谷点M1为固定点，在点M2所在行上寻找使直线M1M2与拟合直线L成固定角度(实验中取的90度)的点M2′。取线段M1M2′的中点O，做直线M1M2′的垂直平分线，并在垂直平分线的右侧区域找到固定长度R(其中)的点O1，则点O1就在手掌的中心区域内，最后以点O1为ROI的中心点，截取128×128的正方形(其中两条边平行于拟合直线L)区域作为图像的ROI。图4(b)是改进算法对特殊图像的分割的实验仿真图。
本实施例针对现有方法中的不足提出了一种新的定位分割算法，算法解决了基于正方形的定位分割方法中定位点不易确定和同类图像ROI提取偏移度较大问题，这种图像分割算法还降低了图像采集时图像旋转和平移的影响。算法是用简单方法解决复杂问题，与现有的其他方法相比达到相同效果的情况下，算法不仅节约时间而且更易于实现，且提取的ROI偏移度更小，算法可靠，更具有实用性。
实施例2：本实施例公开了一种基于手形和掌纹的多模态生物识别方法，其中，手形识别包括手形轮廓提取、特征点定位、特征量分析等几个主要部分。而掌纹识别一般包括掌纹提取、掌纹信息分析等几个主要部分，其中掌纹提取中，会涉及掌纹分割的步骤。对于掌纹的部分，如实施例1中技术方案的记载，而对于手形部分的记载，请参见下述方案。此外，所述的手形部分的记载，可以为掌纹部分记载的上级步骤或下级步骤，作为掌纹ROI分割方法的一部分。
对手形图像做灰度处理，进行灰度增强；确定分割阈值，对图像进行二值化；通过边界跟踪，提取手形轮廓如图1所示。通过对图2的分析，以轮廓线上某点为圆心，以R为半径，圆内既有属于目标区域像素点也有属于背景区域像素点。可以看出当圆盘在直线上移动时，在圆盘内有些目标区域和背景区域的点在圆心的上方，有些在圆心的下方。而当圆盘转到上凸区域的拐点时，在圆盘内目标区域的所有点都在圆心点的下方，当圆盘转到下凸区域的拐点时，在圆盘内背景区域的所有点都在圆心点的上方。基于以上理论提出了圆盘极值算法，手形轮廓线内部为目标区域，外部为背景区域，通过分析手形轮廓图(图1)可以看出，假设圆盘中心在某一手指指峰处的点T，则在点T的周围的邻域内的点都在它的下方或者同一行，对于指谷也有着相似的特点，唯一不同的是邻域内的点在指谷点的上方或者同一行，而且只有指峰和指谷特征点有这一特征，从而确定手指指峰点和指谷点的位置。
在图3(a)中，确定中指指峰点所在较小区域，利用圆盘极值法确定中指指峰点T2，以T2所在列将手形图像分割成两部分，图3(b)为无名指小拇指所在区域子图，图3(c)为食指所在区域子图。在图3(b)中确定小拇指与无名指间指谷点所在区域，利用圆盘极值法确定该指谷点T7。针对图3(c)，确定分割参数，将其割成食指与中指间指谷点区域子图3(d)和食指指峰点区域子图3(e)。在图3(d)图3(e)的较小的区域内利用圆盘极值法分别确定食指与中指间指谷点T5和食指指峰点T1。进一步确定分割参数，将图3(b)分割成中指与无名指间指谷点区域子图3(f)、无名指指峰点区域子图3(g)和小拇指间指峰点区域子图3(h)。在图3(f)中较小的区域内利用圆盘极值法确定中指与无名指间指谷点T6，在图3(g)和图3(h)中较小的区域内利用圆盘极值法分别无名指指峰点T3和小拇指指峰点T4。
将手形图像做灰度化处理，绘制灰度图像的直方图，找出像素灰度集中范围，进行灰度增强，使图像更加清晰。采用局部阈值二值化，对二值化后的图像再采用半径为1的圆盘进行腐蚀膨胀运算,剔除小区域，之后可以进行特征定位，
在特征定位的步骤中，本实施例提出一种手形识别中特征点固定定位顺序的方法，对本方法中技术术语作出如下定义：子图b是无名指小拇指所在区域子图，子图c是食指所在区域子图，子图e是食指指峰点所在区域子图，子图f是中指与无名指间指谷点区域子图，子图g是无名指指峰点区域子图，子图h是小拇指间指峰点区域子图；
所述方法包括如下步骤：
S1.创建7个空数组Si[]用来存放满足条件的属于同一根手指的指峰或指谷的特征点，其中：i＝1,…,7；
S2.对原图a进行由上向下、由左向右的扫描，搜索扫描线与手指的首次交点，以此点为基准，利用圆盘极值法确定轮廓线全部在圆心下方的点存入数组S1中，数组S1的中间点就是中指指峰点T2；
S3.根据中指指峰点T2将原图分为子图b和子图c，对子图由下向上、由左到右扫描,当扫描线与轮廓线首次出现多个交点时，以该行除与左侧边缘轮廓线的交点之外的其它交点为基准点，利用圆盘极值法确定轮廓线全部在圆心下方的点存数组S2中，数组S2的中间点就是小拇指与无名指的指谷点T7；
S4.计算其中x2、x7为T2、T7的横坐标，对子图c以n3为左边界即是子图e的区域，对子图e进行由上向下、由左向右的扫描，搜索扫描线与手指的首次交点，以此点为基准，利用圆盘极值法确定轮廓线全部在圆心下方的点存入数组S3中，数组S3的中间点就是中指指峰点T2；
S5.计算x1为T1的横坐标，对子图d，行由y7向上，列由x2到n4的区域进行扫描，搜索扫描线与手指的首次交点，以此点为基准，利用圆盘极值法确定轮廓线全部在圆心下方的点存入数组S4中，数组S4的中间点就是食指与中指间的指谷点T5，其中y7是点T7的纵坐标；
S6.计算x5为T5的横坐标，对子图f，行由y7向上，列由n5到x2的区域进行扫描，搜索扫描线与手指的首次交点，以此点为基准，利用圆盘极值法确定轮廓线全部在圆心下方的点存入数组S5中，数组S5的中间点就是中指与无名指间的指谷点T6；
S7.计算对子图b以n6为右边界即是子图g的区域,对子图g进行由上向下、由左向右的扫描，搜索扫描线与手指的首次交点，以此点为基准，利用圆盘极值法确定轮廓线全部在圆心下方的点存入数组S6中，数组S6的中间点就是无名指指峰点T3；
S8.根据已确定的点计算ymax＝MAX(y1,y3)，ymin＝MIN(y1,y3)，a3＝|y2-ymin|，对子图h,行由(ymax+a3)向下，列以n6为右边界的区域进行扫描，记录交点首次大于2的行数，将满足|ni-ni+1|≥2的交点存入数组S7中，数组S7的中间点就是小拇指指峰点的特征点T4。
其中：
子图b是无名指小拇指所在区域子图，子图c是食指所在区域子图，子图e是食指指峰点所在区域子图，子图f是中指与无名指间指谷点区域子图，子图g是无名指指峰点区域子图，子图h是小拇指间指峰点区域子图；
n3食指指峰点子图分割参数、n4食指和中指间指谷点子图分割参数、n5中指和无名指间指谷点子图分割参数、n6无名指指峰点子图分割参数。
y1，y2，y3分别为特征点T1、T2和T3的纵坐标，ymax为y1和y3的最大值，ymin为y1和y3的最小值。
上述掌纹识别中的掌纹ROI分割方法，因为采用了特定区域直线拟合及固定特征点定位技术，能够快速有效地提取掌纹ROI。克服了原有算法的不足，降低了图像采集时图像旋转和平移的影响。与原有算法相比在计算效率与准确率方面都有较大优势，计算时间大大缩短，而且更易于实现，为基于掌纹的身份认证系统的实现提供了理论和实验依据。该算法不仅准确率高、速度快、算法简单而且解决了传统方法扫面范围大、圆盘阈值和半径难以确定的难题，特征定位效果显著提高，算法还降低了对图像采集的要求，同时提高了用户的舒适性，对被采集者手指张开程度没有苛刻要求，对手指有缺陷(弯曲、部分缺失)的用户也适合此算法。
此外，上述方案涉及的手形识别中特征点固定定位顺序的方法，采用了手形图像分块技术，利用圆盘极值算法，可以快速准确的提取手型特征点，该算法不仅准确率高、速度快、算法简单而且解决了传统方法扫面范围大、圆盘阈值和半径难以确定的难题，特征定位效果显著提高，算法还降低了对图像采集的要求，同时提高了用户的舒适性，对被采集者手指张开程度没有苛刻要求，对手指有缺陷(弯曲、部分缺失)的用户也适合此算法。
以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。
Claims (4)
1.一种基于手形和掌纹的多模态生物识别方法，其中，手形识别包括手形轮廓提取、特征点定位，掌纹识别包括掌纹提取，其中掌纹提取中具有掌纹分割的步骤。
2.如权利要求1所述的基于手形和掌纹的多模态生物识别方法，其特征在于，掌纹识别中的掌纹ROI分割方法，其特征在于：包括如下步骤：
S1.选取拟合直线；
S2.图像矫正和掌纹的ROI分割。
3.如权利要求1所述的基于手形和掌纹的多模态生物识别方法，其特征在于，首先在图像中选取一条稳定的直线作为ROI分割的参考方向，通过对图像的分析发现，在采集图像时，虽然存在手指张开的随意性，但手掌小拇指一侧的后边缘区域的轮廓线变化很小，根据这一特点，针对轮廓图第一象限的边缘点采用最小二乘法拟合出一条直线。
4.如权利要求1所述的基于手形和掌纹的多模态生物识别方法，其特征在于，手形轮廓提取的步骤如下：对手形图像做灰度处理，进行灰度增强；确定分割阈值，对图像进行二值化；通过边界跟踪，提取手形轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811480987.6A CN109583398B (zh) | 2016-06-08 | 2016-06-08 | 基于手形和掌纹的多模态生物识别方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811480987.6A CN109583398B (zh) | 2016-06-08 | 2016-06-08 | 基于手形和掌纹的多模态生物识别方法 |
| CN201610409033.0A CN105938549B (zh) | 2016-06-08 | 2016-06-08 | 掌纹识别中的掌纹roi分割方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610409033.0A Division CN105938549B (zh) | 2016-06-08 | 2016-06-08 | 掌纹识别中的掌纹roi分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583398A true CN109583398A (zh) | 2019-04-05 |
| CN109583398B CN109583398B (zh) | 2022-11-15 |
Family
ID=57152692
Family Applications (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610409033.0A Expired - Fee Related CN105938549B (zh) | 2016-06-08 | 2016-06-08 | 掌纹识别中的掌纹roi分割方法 |
| CN201811482024.XA Expired - Fee Related CN109376708B (zh) | 2016-06-08 | 2016-06-08 | 提取roi的方法 |
| CN201811480987.6A Expired - Fee Related CN109583398B (zh) | 2016-06-08 | 2016-06-08 | 基于手形和掌纹的多模态生物识别方法 |
| CN201811480982.3A Expired - Fee Related CN109460746B (zh) | 2016-06-08 | 2016-06-08 | 掌纹roi的分隔方法 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610409033.0A Expired - Fee Related CN105938549B (zh) | 2016-06-08 | 2016-06-08 | 掌纹识别中的掌纹roi分割方法 |
| CN201811482024.XA Expired - Fee Related CN109376708B (zh) | 2016-06-08 | 2016-06-08 | 提取roi的方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811480982.3A Expired - Fee Related CN109460746B (zh) | 2016-06-08 | 2016-06-08 | 掌纹roi的分隔方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (4) | CN105938549B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052154B (zh) * | 2019-12-26 | 2024-07-02 | 京东方科技集团股份有限公司 | 皮肤纹理数据的采集装置及其采集方法和显示装置 |
| CN106991380A (zh) * | 2017-03-10 | 2017-07-28 | 电子科技大学 | 一种基于掌静脉图像的预处理方法 |
| CN106980828B (zh) * | 2017-03-17 | 2020-06-19 | 深圳市魔眼科技有限公司 | 在手势识别中确定手掌区域的方法、装置及设备 |
| CN107704846A (zh) * | 2017-10-27 | 2018-02-16 | 济南大学 | 基于二值方向共生向量和bloom滤波器的掌纹识别方法 |
| CN110147730B (zh) * | 2019-04-15 | 2023-10-31 | 平安科技（深圳）有限公司 | 一种掌纹识别方法、装置及终端设备 |
| CN111339932B (zh) * | 2020-02-25 | 2022-10-14 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
| TWI781459B (zh) * | 2020-10-08 | 2022-10-21 | 國立中興大學 | 手掌靜脈特徵辨識系統及其方法 |
| CN113780201B (zh) * | 2021-09-15 | 2022-06-10 | 墨奇科技（北京）有限公司 | 手部图像的处理方法及装置、设备和介质 |
| CN114511885B (zh) * | 2022-02-10 | 2024-05-10 | 支付宝(杭州)信息技术有限公司 | 手掌感兴趣区域提取系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470800A (zh) * | 2007-12-30 | 2009-07-01 | 沈阳工业大学 | 手形识别方法 |
| CN102073843A (zh) * | 2010-11-05 | 2011-05-25 | 沈阳工业大学 | 非接触式快速人手多模态信息融合识别方法 |
| CN104951940A (zh) * | 2015-06-05 | 2015-09-30 | 西安理工大学 | 一种基于掌纹识别的移动支付验证方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043961B (zh) * | 2010-12-02 | 2013-12-11 | 北京交通大学 | 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法 |
| CN102163282B (zh) * | 2011-05-05 | 2013-02-20 | 汉王科技股份有限公司 | 掌纹图像感兴趣区域的获取方法及装置 |
| CN103268483B (zh) * | 2013-05-31 | 2017-08-04 | 沈阳工业大学 | 开放式环境非接触采集下的掌纹识别方法 |
| CN103593660B (zh) * | 2013-11-27 | 2016-08-17 | 青岛大学 | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 |
| CN103886303A (zh) * | 2014-03-28 | 2014-06-25 | 上海云享科技有限公司 | 一种掌纹识别方法及装置 |
| CN103955674B (zh) * | 2014-04-30 | 2017-05-10 | 广东瑞德智能科技股份有限公司 | 掌纹图像采集装置及掌纹图像定位与分割方法 |
| CN104123537B (zh) * | 2014-07-04 | 2017-06-20 | 西安理工大学 | 一种基于手形和掌纹识别的快速身份验证方法 |
| CN104392455B (zh) * | 2014-12-09 | 2017-03-29 | 西安电子科技大学 | 基于方向检测的在线掌纹有效区域快速分割方法 |
| CN104809446B (zh) * | 2015-05-07 | 2018-05-04 | 西安电子科技大学 | 基于校正手掌方向的掌纹感兴趣区域快速提取方法 |
| CN104951774B (zh) * | 2015-07-10 | 2019-11-05 | 浙江工业大学 | 基于两种子空间相融合的掌静脉特征提取和匹配方法 |
| WO2017088109A1 (zh) * | 2015-11-24 | 2017-06-01 | 厦门中控生物识别信息技术有限公司 | 一种掌静脉识别的方法和掌静脉识别装置 |
-
2016
- 2016-06-08 CN CN201610409033.0A patent/CN105938549B/zh not_active Expired - Fee Related
- 2016-06-08 CN CN201811482024.XA patent/CN109376708B/zh not_active Expired - Fee Related
- 2016-06-08 CN CN201811480987.6A patent/CN109583398B/zh not_active Expired - Fee Related
- 2016-06-08 CN CN201811480982.3A patent/CN109460746B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470800A (zh) * | 2007-12-30 | 2009-07-01 | 沈阳工业大学 | 手形识别方法 |
| CN102073843A (zh) * | 2010-11-05 | 2011-05-25 | 沈阳工业大学 | 非接触式快速人手多模态信息融合识别方法 |
| CN104951940A (zh) * | 2015-06-05 | 2015-09-30 | 西安理工大学 | 一种基于掌纹识别的移动支付验证方法 |
Non-Patent Citations (3)
| Title |
|---|
| YANXIA WANG等: "An improved square-based palmprint segmentation method", 《2007 INTERNATIONAL SYMPOSIUM ON INTELLIGENT SIGNAL PROCESSING AND COMMUNICATION SYSTEMS》 * |
| 丁克良 等: "整体最小二乘法直线拟合", 《辽宁工程技术大学学报（自然科学版）》 * |
| 王艳霞 等: "一种掌纹纹线结构特征的描述和匹配方法", 《电子与信息学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105938549A (zh) | 2016-09-14 |
| CN105938549B (zh) | 2019-02-12 |
| CN109460746A (zh) | 2019-03-12 |
| CN109460746B (zh) | 2021-11-26 |
| CN109583398B (zh) | 2022-11-15 |
| CN109376708B (zh) | 2021-11-26 |
| CN109376708A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105938549B (zh) | 掌纹识别中的掌纹roi分割方法 | |
| CN105956578B (zh) | 一种基于身份证件信息的人脸验证方法 | |
| CN104123537B (zh) | 一种基于手形和掌纹识别的快速身份验证方法 | |
| CN103268483B (zh) | 开放式环境非接触采集下的掌纹识别方法 | |
| CN101246544B (zh) | 一种基于边界点搜索和最小核值相似区边缘检测的虹膜定位方法 | |
| CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
| CN1912889A (zh) | 基于局部三角结构特征集的形变指纹识别方法 | |
| CN109583279A (zh) | 一种指纹和指静脉联合识别算法 | |
| Malathi et al. | An efficient method for partial fingerprint recognition based on local binary pattern | |
| Garg et al. | Biometric authentication using finger nail surface | |
| CN109815780A (zh) | 一种基于图像处理的高精度指纹识别方法及系统 | |
| Carneiro et al. | Techniques of binarization, thinning and feature extraction applied to a fingerprint system | |
| Zhao et al. | Latent fingerprint matching: Utility of level 3 features | |
| CN113642385B (zh) | 基于深度学习的脸部痣识别方法及系统 | |
| CN106096541B (zh) | 手形识别中特征点固定定位顺序的方法 | |
| Daramola et al. | Algorithm for fingerprint verification system | |
| KR20170088721A (ko) | 지문인식을 위한 그래프 기반 블록-특징 표현 방법 및 이를 이용한 지문인식 시스템 | |
| CN109753912A (zh) | 一种基于张量的多光谱掌纹匹配方法 | |
| Shukla et al. | A Hybrid Model of Multimodal Biometrics System using Fingerprint and Face as Traits | |
| Palanikumar et al. | Advanced palmprint recognition using unsharp masking and histogram equalization | |
| Rajab | Human Identification Based on SIFT Features of Hand Image | |
| Donida Labati et al. | Fingerprint | |
| Ogundepo et al. | Development of a real time fingerprint authentication/identification system for students’ record | |
| Chen et al. | An AFIS Using Fingerprint Classification | |
| Syam et al. | Determining the standard value of acquisition distortion of fingerprint images based on image quality |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221115 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |