CN109800702B - 指静脉识别的快速比对方法及计算机可读取的存储介质 - Google Patents

指静脉识别的快速比对方法及计算机可读取的存储介质 Download PDF

Info

Publication number
CN109800702B
CN109800702B CN201910040065.1A CN201910040065A CN109800702B CN 109800702 B CN109800702 B CN 109800702B CN 201910040065 A CN201910040065 A CN 201910040065A CN 109800702 B CN109800702 B CN 109800702B
Authority
CN
China
Prior art keywords
vector
similarity
comparison
gabor
feature
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.)
Active
Application number
CN201910040065.1A
Other languages
English (en)
Other versions
CN109800702A (zh
Inventor
刘永松
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.)
Athena Eyes Co Ltd
Original Assignee
Athena Eyes 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 Athena Eyes Co Ltd filed Critical Athena Eyes Co Ltd
Priority to CN201910040065.1A priority Critical patent/CN109800702B/zh
Publication of CN109800702A publication Critical patent/CN109800702A/zh
Application granted granted Critical
Publication of CN109800702B publication Critical patent/CN109800702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种指静脉识别的快速比对方法,包括以下步骤:步骤S1:建立Gabor滤波模板;步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标,再依次采用中等精度匹配策略和高精度匹配策略将测试目标详细特征向量与一期候选目标的详细特征向量进行相似度比对。本发明的指静脉识别的快速比对方法,采用多级串联比对方法,具有比对速度快、比对准确度高的优点。

Description

指静脉识别的快速比对方法及计算机可读取的存储介质
技术领域
本发明涉及指静脉识别技术领域,特别地,涉及一种指静脉识别的快速比对方法及计算机可读取的存储介质。
背景技术
近年来随着指静脉识别技术逐渐趋于成熟,基于指静脉技术的应用项目在各行业中呈现一种即将爆发式增长的趋势,可预期的是将来项目中处理的数据量会成倍增长。兼之前些年来在中、小项目上的积累,指静脉识别项目中的数据已经达到了一定规模,因此早期比对中采用的一比一的比对策略已不能满足系统的实效性要求。
因此,在目前的一些指静脉识别项目中采用了一对多的比对策略,其直接将比对特征进行降维处理,通过缩短特征数据维度,减少特征匹配的计算步骤,从而可以节省了一定的处理时间。但是采用降维处理的方式可以节省的时间有限,仍然无法满足指静脉快速识别的需求,并且由于不同描述特征呈现不同的特性,并不是所有的特征都适合进行降维处理,而导致识别准确度较低。因此,现有的指静脉识别在进行一对多比对识别时存在比对时间长、比对结果准确度低的问题。
发明内容
本发明提供了一种指静脉识别的快速比对方法及计算机可读取的存储介质,以解决现有的指静脉识别在进行一对多比对识别时存在的比对时间长、比对结果准确度低的技术问题。
根据本发明的一个方面,提供一种指静脉识别的快速比对方法,
包括以下步骤:
步骤S1:建立Gabor滤波模板;
步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;
步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及
步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标;采用中等精度匹配策略,将一期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以筛选出中期候选目标;再采用高精度匹配策略,将中期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以得到查找目标。
进一步地,所述Gabor滤波模板采用7个频率参数和16个方向参数。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:获取测试目标的手指透射成像区,对图像进行缩小处理;及
步骤S22:在手指指向方向上和手指垂直方向上分别采取步进方案扫描缩小后的图像,以每个扫描点为中心,分别与112个模板做卷积运算以得到原始Gabor特征。
进一步地,所述步骤S21中对图像进行缩小处理具体为
沿手指方向将手指透射成像区的两端分别缩减像素,然后按照比例对缩减后的整体图像进行缩小。
进一步地,所述步骤S21中在对图像进行缩放处理前还执行以下步骤:
计算图像主方向角并根据所述主方向角对图像进行旋转角度校正,采用曲率公式对图像有效数据区域进行增强以加大静脉区和非静脉区的灰度差。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:将频率参数1下的原始Gabor特征拷贝到特征向量中,余下的2,4,6频率参数下的Gabor特征作为偶特征队列,3,5,7频率参数下的Gabor特征作为奇特征队列,将奇偶队列的对应位进行比较,较大者保留,并依序存入特征向量中频率参数1所占空间的后续位置中;
步骤S32:将特征向量以16个方向参数为指导分为8个组,对每个组中两列的对应位置处的系数计算平均值以生成8个新的系数队列,将8个新的系数队列串接形成测试目标的详细特征向量;
步骤S33:将测试目标的详细特征向量与比对库中所有图像的平均特征向量做按位点乘运算以获得相似度向量;
步骤S34:选取相似度向量中若干频率参数对应系数部分以组成相似度评价向量;及
步骤S35:对相似度评价向量进行PCA转换映射以获得测试目标的粗略特征向量。
进一步地,频率参数1~3对应的相似度向量部分系数表征的是静脉的细节分布情况,频率参数4~7对应的相似度向量部分系数表征的是静脉的概貌分布情况;
所述步骤S34中选取频率参数4~7对应的相似度向量部分系数组成相似度评价向量。
进一步地,所述步骤S35中利用PCA模型对相似度评价向量进行转换映射,所述PCA模型按照以下步骤得到:
步骤S351:提取比对库中所有图像的详细Gabor特征;
步骤S352:将所有的详细Gabor特征与平均特征做点乘运算以获得相似度向量;
步骤S353:截取相似度向量的若干频率区域系数部分组成相似度评价向量;及
步骤S354:以单一图像的评价特征为列向量组成特征矩阵,对此特征矩阵进行主成分分析,取分析结果中特征值和总量的95%分量对应的特征向量作为映射矩阵组成PCA模型。
进一步地,所述步骤S4中通过计算测试目标特征向量与比对库中所有目标模板特征向量的余弦距离来进行相似度比较。
本发明还提供一种计算机可读取的存储介质,其用于存储进行指静脉识别快速比对的计算机程序,该计算机程序在计算机上运行时执行以下步骤:
步骤S1:建立Gabor滤波模板;
步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;
步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及
步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标;采用中等精度匹配策略,将一期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以筛选出中期候选目标;再采用高精度匹配策略,将中期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以得到查找目标。
本发明具有以下有益效果:
本发明的指静脉识别的快速比对方法,采用多级串联比对方法,将1对多比对分为三个阶段,1阶段采用粗略特征进行快速比对,排除大量的非候选目标,仅将与测试目标相似度较大的少量目标加入后续处理队列;2阶段则对一期候选目标进行中等精度特征比对,获得中期候选目标;3阶段采用详细特征对中期候选目标进行高精度比对,保障比对的精确性。本发明的指静脉识别的快速比对方法既避免了单特征降低维度所造成信息缺失,同时也避免了两级比对由于跨度较大所带来识别结果准确度低的问题,利用不同的描述特征通过逐层递进的方法,在不同层级将算法侧重点分别放在速度、精度上,通过它们的协调执行最终在很短的时间内获得准确的识别结果。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的指静脉识别的快速比对方法的流程示意图。
图2是本发明优选实施例的图1中的步骤S2的子流程示意图。
图3是本发明优选实施例的图1中的步骤S3的子流程示意图。
图4是本发明优选实施例的获取图3中的步骤S35中的PCA模型的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种指静脉识别的快速比对方法,用于在指静脉识别过程中进行单一目标与众多目标的快速比对识别,可以大幅度减少指静脉识别算法的计算步骤,提高了指静脉识别的识别速度,而且具有良好的识别准确度。所述指静脉识别的快速比对方法包括以下步骤:
步骤S1:建立Gabor滤波模板;
步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;
步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及
步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标;采用中等精度匹配策略,将一期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以筛选出中期候选目标;再采用高精度匹配策略,将中期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以得到查找目标。
可以理解,在所述步骤S1中,本专利的指静脉算法采用的是Gabor特征,为了捕获更丰富的指静脉纹理分布特性,利用Gabor函数表达式,采用了7个频率参数和16个方向参数来建立112个滤波模板,特征分类更加优化。由于Gabor滤波模板的频率和方向参数是固定的,因此这112个模板可以提前生成,在系统初始化时可以一次性加载到系统内存中,操作十分方便。
本发明的Gabor滤波模板采用了7个频率参数和16个方向参数,特征分类更加细化,从而指静脉识别的准确度更高,但是一张图像的数据处理量会比较大,例如,一张相对分辨率为320*240的指静脉灰度图像,在不做任何处理的情况下,它的总特征数据长度将达到8.2M(320*240*7*16),处理这个量级的特征显然需要耗费很长时间。因此,本发明的快速比对方法利用步骤S2和步骤S3来进行运算加速。
具体地,所述步骤S2具体包括以下步骤:
步骤S21:获取测试目标的手指透射成像区,对图像进行缩小处理;及
步骤S22:在手指指向方向上和手指垂直方向上分别采取步进方案扫描缩小后的图像,以每个扫描点为中心,分别与112个模板做卷积运算以得到原始Gabor特征。
由于指静脉图像的大多数区域相邻像素之间的灰度变化是比较缓慢的,静脉区通常只占据图像中的一小部分区域,而且只有静脉区周边才会呈现比较大的灰度跳变,在理想情况下其它非静脉区的灰度变化十分缓慢甚至呈现一致分布。可以理解,在所述步骤S21中,利用了指静脉图像的这种高度数据冗余特性,本发明的快速比对方法对图像进行缩小处理以减少特征数量。具体地,沿手指方向将手指透射成像区的两端分别缩减像素,然后按照比例对缩减后的整体图像进行缩小。例如,考虑到手指指向两端的图像干扰,将手指两端的图像部分各缩减20像素,从而将分辨率为320*240的图像缩减至280*240分辨率,然后再将280*240的分辨率按照比例缩小成140*120。在具体实施过程中分辨率140*120的图像既可以减少冗余特征,又可以确保识别准确度。在本发明的其它实施例中,也可以根据实际需要调整缩减像素的数量和整体图像缩小比例,在此不做限定。
可以理解,作为优选的,所述步骤S21中在对图像进行缩放处理前还执行以下步骤:
计算图像主方向角并根据所述主方向角对图像进行旋转角度校正,采用曲率公式对图像有效数据区域进行增强以加大静脉区和非静脉区的灰度差。
计算得到手指透射成像区的主方向角并根据得到的主方向角对图像进行旋转角度校正,即以主要静脉的分布方向为准进行旋转校正,从而提高指静脉识别的准确度,然后采用曲率公式对图像有效数据区域进行增强以加大静脉区和非静脉区的灰度差,从而可以明显地区别静脉区和非静脉区,提高了识别速度和识别准确度,其中所述图像有效数据区域包括静脉区域以及与静脉区域相邻的区域。
虽然利用步骤S21可以在一定程度上降低指静脉图像中像素灰度分布的冗余度,但是指静脉图像的冗余度还是很高,因此,在步骤S22中采取了步进方案来进一步降低邻近特征间的数据冗余度。考虑到手指中主要静脉的分布大体与手指指向方向一致,在手指指向方向上以采取6进方案和在指向垂直方向上采取5进方案对缩小后的图像进行扫描,以每个扫描点为中心,分别与112个滤波模板做卷积运算,从而得到测试目标的全部原始Gabor特征。本发明的快速比对方法,采用在手指指向方向上以采取6进方案和在指向垂直方向上采取5进方案对缩小后的图像进行扫描,可以使滤波卷积运算的计算量降低至原始的三十分之一,大大减少了运算量,同时也降低了邻近特征之间的数据冗余度。
可以理解,所述步骤S3具体包括以下步骤:
步骤S31:将频率参数1下的原始Gabor特征拷贝到特征向量中,余下的2,4,6频率参数下的Gabor特征作为偶特征队列,3,5,7频率参数下的Gabor特征作为奇特征队列,将奇偶队列的对应位进行比较,较大者保留,并依序存入特征向量中频率参数1所占空间的后续位置中;
步骤S32:将特征向量以16个方向参数为指导分为8个组,对每个组中两列的对应位置处的系数计算平均值以生成8个新的系数队列,将8个新的系数队列串接形成测试目标的详细特征向量;
步骤S33:将测试目标的详细特征向量与比对库中所有图像的平均特征向量做按位点乘运算以获得相似度向量;
步骤S34:选取相似度向量中若干频率参数对应系数部分以组成相似度评价向量;及
步骤S35:对相似度评价向量进行PCA转换映射以获得测试目标的粗略特征向量。
可以理解,所述Gabor滤波模板采用频率参数1、频率参数2、频率参数3、频率参数4、频率参数5、频率参数6和频率参数7,其中频率参数1~3对应系数表征的是指静脉图像中静脉的细节分布状况,频率参数4~7对应系数表征的是指静脉图像中静脉的概貌分布状况。
可以理解,在所述步骤S31中,将原始Gabor特征按照频率参数拆分为奇偶两部分,然后按照顺序比较奇偶两部分的对应位,将较大者存入到特征向量中,从而可以进一步地对冗余数据进行裁剪,提升了识别速度。
可以理解,在所述步骤S32中,将步骤S31中得到的特征向量按照Gabor滤波模板的16个方向参数为指导分成8个组,由小至大,将相邻两个方向参数分为一组,例如,方向参数1和2下的Gabor系数作为一组,方向参数3和4下的Gabor系数作为一组,…,方向参数15和16下的Gabor系数作为一组。因此,每个组中的依据所属方向参数可以分为奇偶列,对每组中奇偶列的相应位置处系数计算平均值,从而可以生成8个新的系数队列,然后将新生成的8个系数队列串接形成新的特征向量,该新的特征向量即为测试目标的详细特征向量。
可以理解,在所述步骤S33中,比对库中所有图像的平均特征向量同样也是通过执行步骤S2、步骤S31和步骤S32来提取它们的详细Gabor特征,然后再对详细Gabor特征计算特征分量的均值,从而得到平均特征向量。
可以理解,考虑到频率参数1~3对应的相似度向量部分系数表征的是静脉的细节分布情况,频率参数4~7对应的相似度向量部分系数表征的是静脉的概貌分布情况,因此,所述步骤S34中选取频率参数4~7对应的相似度向量部分系数组成相似度评价向量,利用静脉的概貌信息来进行粗略比对,从而可以大幅度提升指静脉识别的比对速度。
可以理解,在所述步骤S35中,利用PCA(Principal Components Analysis主成分分析)模型对相似度评价向量进行转换映射,其中所述PCA模型是通过以下步骤得到的:
步骤S351:提取比对库中所有图像的详细Gabor特征;
步骤S352:将所有的详细Gabor特征与平均特征做点乘运算以获得相似度向量;
步骤S353:截取相似度向量的若干频率参数下的系数组成相似度评价向量;及
步骤S354:以单一图像的评价特征为列向量组成特征矩阵,对此特征矩阵进行主成分分析,取分析结果中特征值和总量的95%分量对应的特征向量作为映射矩阵组成PCA模型。
可以理解,其中步骤S351中的详细Gabor特征也是通过上述步骤S2、步骤S31和步骤S32得到的,步骤S352中的平均特征是通过所有的详细Gabor特征计算得到的。
可以理解,在所述步骤S353中可以截取频率参数4~7对应的相似度向量部分系数作为相似度评价向量,也可以截取频率参数1~3相应的相似度向量部分系数作为相似度评价向量,考虑到数据处理量太大,优选采用截取频率参数4~7对应的相似度向量部分系数作为相似度评价向量,从而可以提升工作效率。
本发明的快速比对方法,通过利用PCA模型对向量进行转换映射,从而获得降维的粗略特征向量,粗略特征向量保留了详细特征向量的关键成分,但是维度却大幅降低,从而大幅度提升了比对速度,而且具有良好的比对准确度。
可以理解,在所述步骤S4中,通过计算测试目标特征向量与比对库所有目标模板特征向量的余弦距离来进行相似度比较。通过粗略特征比对将绝大部分相似度差距较大的目标排除掉,剩下少量与比对目标相似度值较大者作为一期候选目标,因为粗略特征是详细特征的粗略表达,其特征长度相比详细特征长度大大地缩短了,所以粗略特征上的余弦相似度计算是非常快速的,同时因为粗略特征保留了详细特征的主要成分信息,所以通过粗略特征向量比对得到的相似度值相对于通过详细特征向量比对得到的相似度值是存在一定的参考意义的。具体地,对粗略特征计算的相似度值根据由高至低的方式排序,保留队列中前面4%~6%的查找目标为一期候选目标,其它94%以上的目标被丢弃,因为它们与测试目标的粗略相似度较小,没有再进行详细比对的必要。可以理解,保留的查找目标的数量可以根据比对库目标的规模而定,规模越大取值越小。
对一期候选目标,利用它们的详细特征向量,采取中精度匹配策略,逐一与测试目标的详细特征向量进行比对以计算它们之间的相似度,获得测试目标与各一期候选目标的比对相似度值,排序得分队列,并将一定比率得分高者选为中期候选目标。例如,保留队列中前面3%~5%作为中期候选目标,本阶段的得分与真实得分是高度相关的,选择5%以内作为后续处理目标,完全能把真实目标覆盖在内。
对中期候选目标,利用它们的详细特征向量,采用高精度匹配策略,逐一与测试目标的详细特征向量进行比对以计算它们之间的相似度,获得测试目标与各中期候选目标的比对相似度得分,排序得分队列,最高得分者可能就是期望的查找目标。可以理解,此阶段中所采用的详细特征与中期比对阶段所采用的详细特征是相同的,两者仅存在比对策略上的不同。还可以理解,结合相似度阈值,如果最高相似度值高于了阈值,那么就可以对比对库中选中的该目标与测试目标做同一身份认定,即指静脉识别成功,如果最高相似度值小于阈值,则意味着指静脉识别失败,比对库中没有存储与该测试目标相匹配的指静脉图像。
由于GABOR特征是基于图像区域提取的,它有很强的位置相关性,而且因为不同时段对同一手指静脉图像的采集是无法做到姿势、位移完全一致的,所以在中精度匹配策略和高精度匹配策略中的详细GABOR特征的比对必须是基于特征点对齐之后的比对。在步骤S4中,特征对齐采用的是由粗到精的位置配准策略,例如定义[X,Y,mX,mY]为迭代因子,其中X为当前迭代下水平方向的位移增量,Y为垂直方向的位移增量,mX为搜索子窗水平方向调整步长,mY为搜索子窗垂直方向调整步长;在进行特征比对时,我们先取测试目标固定区域GABOR特征为标准量,接着以该区域中心坐标为基准,采用迭代因子中的[X,Y]对其进行规划以获得查询目标图中的匹配搜索区,然后以[mX,mY]为步长,在搜索区域的固定子窗中比对测试、查询目标间的匹配度,经多次迭代,其中全图匹配度总和最高时的位移就是查询目标相对测试目标的最佳特征配准区位置偏移量。由于图像的宽、高是固定的,迭代因子的不同自然会导致匹配搜索时间不一样,大的参数配置消耗较少的匹配时间,获得次等精度的比对结果,小的配置参数则消耗较长的匹配时间,但获得更精确的比对结果,步骤S4通过对迭代因子设置不同的参数,从而可以形成多种精度对齐策略。在某一具体实现中,我们取[[7,9,4,4],[4,6,3,3],[2,3,1,1]]作为中等精度比对因子序列,取[[6,8,4,4],[4,6,3,3],[3,5,2,2],[2,3,1,1]]作为高精度比对因子序列,其中,中等精度比对因子序列含3个因子,高精度比对因子序列含4个因子。中等精度比对因子序列中因子的各参数取值相对较大,高精度因子比对序列中因子的参数相对较小,且中等精度比对因子序列的长度也比高精度比对因子序列的长度短,相应的迭代次数较少,这样使中等精度比对能在相对短的时间内完成。
本发明的指静脉识别的快速比对方法,采用多级串联比对方法,将1对多比对分为三个阶段,1阶段采用粗略特征进行快速比对,排除大量的非候选目标,仅将与测试目标相似度较大的少量目标加入后续处理队列;2阶段则对一期候选目标进行中等精度特征比对,获得中期候选目标;3阶段采用详细特征对中期候选目标进行高精度比对,保障比对的精确性。本发明的指静脉识别的快速比对方法既避免了单特征降低维度所造成信息缺失,同时也避免了两级比对由于跨度较大所带来识别结果准确度低的问题,利用不同的描述特征通过逐层递进的方法,在不同层级将算法侧重点分别放在速度、精度上,通过它们的协调执行最终在很短的时间内获得准确的识别结果。
由于耗时的详细特征比对仅在有限目标间进行,相对全员的详细特征比对,自然节省了大量的时间;以CPU 2.9G WINDOWS平台上比对10万目标为例,以1对1比对全员查找需要20秒,而本发明的指静脉识别的快速比对方法查找少于0.5秒,极大降低了比对计算消耗,大幅度提升了比对效率,而且具有良好的比对准确度。
可以理解,本发明的另一实施例还提供一种计算机可读的存储介质,其用于存储进行指静脉识别快速比对的计算机程序,该计算机程序在计算机上运行时执行以下步骤:
步骤S1:建立Gabor滤波模板;
步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;
步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及
步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标;采用中等精度匹配策略,将一期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以筛选出中期候选目标;再采用高精度匹配策略,将中期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以得到查找目标。
一般计算机可读取介质的形式包括:软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其余的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种指静脉识别的快速比对方法,其特征在于,
包括以下步骤:
步骤S1:建立Gabor滤波模板,所述Gabor滤波模板采用7个频率参数和16个方向参数;
步骤S2:利用Gabor滤波模板提取测试目标的原始Gabor特征;
步骤S3:对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量;及
步骤S4:将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标;采用中等精度匹配策略,将一期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以筛选出中期候选目标;再采用高精度匹配策略,将中期候选目标的详细特征向量逐一与测试目标的详细特征向量进行相似度比对以得到查找目标;
所述步骤S3具体包括以下步骤:
步骤S31:将频率参数1下的原始Gabor特征拷贝到特征向量中,余下的2,4,6频率参数下的Gabor特征作为偶特征队列,3,5,7频率参数下的Gabor特征作为奇特征队列,将奇偶队列的对应位进行比较,较大者保留,并依序存入特征向量中频率参数1所占空间的后续位置中;
步骤S32:将特征向量以16个方向参数为指导分为8个组,对每个组中两列的对应位置处的系数计算平均值以生成8个新的系数队列,将8个新的系数队列串接形成测试目标的详细特征向量;
步骤S33:将测试目标的详细特征向量与比对库中所有图像的平均特征向量做按位点乘运算以获得相似度向量;
步骤S34:选取相似度向量中若干频率参数对应系数部分以组成相似度评价向量;及
步骤S35:对相似度评价向量进行PCA转换映射以获得测试目标的粗略特征向量。
2.如权利要求1所述的快速比对方法,其特征在于,
所述步骤S2具体包括以下步骤:
步骤S21:获取测试目标的手指透射成像区,对图像进行缩小处理;及
步骤S22:在手指指向方向上和手指垂直方向上分别采取步进方案扫描缩小后的图像,以每个扫描点为中心,分别与112个模板做卷积运算以得到原始Gabor特征。
3.如权利要求2所述的快速比对方法,其特征在于,
所述步骤S21中对图像进行缩小处理具体为
沿手指方向将手指透射成像区的两端分别缩减像素,然后按照比例对缩减后的整体图像进行缩小。
4.如权利要求2所述的快速比对方法,其特征在于,
所述步骤S21中在对图像进行缩小处理前还执行以下步骤:
计算图像主方向角并根据所述主方向角对图像进行旋转角度校正,采用曲率公式对图像有效数据区域进行增强以加大静脉区和非静脉区的灰度差。
5.如权利要求1所述的快速比对方法,其特征在于,
频率参数1~3对应的相似度向量部分系数表征的是静脉的细节分布情况,频率参数4~7对应的相似度向量部分系数表征的是静脉的概貌分布情况;
所述步骤S34中选取频率参数4~7对应的相似度向量部分系数组成相似度评价向量。
6.如权利要求1所述的快速比对方法,其特征在于,
所述步骤S35中利用PCA模型对相似度评价向量进行转换映射,所述PCA模型按照以下步骤得到:
步骤S351:提取比对库中所有图像的详细Gabor特征;
步骤S352:将所有的详细Gabor特征与平均特征做点乘运算以获得相似度向量;
步骤S353:截取相似度向量的若干频率区域系数部分组成相似度评价向量;及
步骤S354:以单一图像的评价特征为列向量组成特征矩阵,对此特征矩阵进行主成分分析,取分析结果中特征值和总量的95%分量对应的特征向量作为映射矩阵组成PCA模型。
7.如权利要求1所述的快速比对方法,其特征在于,
所述步骤S4中通过计算测试目标特征向量与比对库中所有目标模板特征向量的余弦距离来进行相似度比较。
8.一种计算机可读取的存储介质,其用于存储进行指静脉识别快速比对的计算机程序,其特征在于:该计算机程序在计算机上运行时执行如权利要求1所述的指静脉识别的快速比对方法的步骤。
CN201910040065.1A 2019-01-16 2019-01-16 指静脉识别的快速比对方法及计算机可读取的存储介质 Active CN109800702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910040065.1A CN109800702B (zh) 2019-01-16 2019-01-16 指静脉识别的快速比对方法及计算机可读取的存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910040065.1A CN109800702B (zh) 2019-01-16 2019-01-16 指静脉识别的快速比对方法及计算机可读取的存储介质

Publications (2)

Publication Number Publication Date
CN109800702A CN109800702A (zh) 2019-05-24
CN109800702B true CN109800702B (zh) 2021-01-26

Family

ID=66559459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910040065.1A Active CN109800702B (zh) 2019-01-16 2019-01-16 指静脉识别的快速比对方法及计算机可读取的存储介质

Country Status (1)

Country Link
CN (1) CN109800702B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298261B (zh) * 2019-06-06 2021-06-01 Oppo广东移动通信有限公司 静脉识别方法及相关产品
CN113722692B (zh) * 2021-09-07 2022-09-02 墨奇科技(北京)有限公司 身份识别的装置及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789076A (zh) * 2010-01-27 2010-07-28 哈尔滨工程大学 一种提取相位及方向特征的手指静脉识别方法
WO2014017697A1 (ko) * 2012-07-25 2014-01-30 전북대학교산학협력단 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치
CN103870808A (zh) * 2014-02-27 2014-06-18 中国船舶重工集团公司第七一〇研究所 一种手指静脉识别方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN108182399A (zh) * 2017-12-27 2018-06-19 北京智慧眼科技股份有限公司 指静脉特征比对方法、装置、存储介质和处理器
CN108509927A (zh) * 2018-04-09 2018-09-07 中国民航大学 一种基于局部对称图结构的手指静脉图像识别方法
CN108664859A (zh) * 2017-03-31 2018-10-16 上海云从企业发展有限公司 指静脉识别方法及系统
CN108681722A (zh) * 2018-05-24 2018-10-19 辽宁工程技术大学 一种基于纹理的手指静脉特征匹配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789076A (zh) * 2010-01-27 2010-07-28 哈尔滨工程大学 一种提取相位及方向特征的手指静脉识别方法
WO2014017697A1 (ko) * 2012-07-25 2014-01-30 전북대학교산학협력단 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치
CN103870808A (zh) * 2014-02-27 2014-06-18 中国船舶重工集团公司第七一〇研究所 一种手指静脉识别方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN108664859A (zh) * 2017-03-31 2018-10-16 上海云从企业发展有限公司 指静脉识别方法及系统
CN108182399A (zh) * 2017-12-27 2018-06-19 北京智慧眼科技股份有限公司 指静脉特征比对方法、装置、存储介质和处理器
CN108509927A (zh) * 2018-04-09 2018-09-07 中国民航大学 一种基于局部对称图结构的手指静脉图像识别方法
CN108681722A (zh) * 2018-05-24 2018-10-19 辽宁工程技术大学 一种基于纹理的手指静脉特征匹配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spatial Circular Granulation Method Based on Multimodal Finger Feature;Jinfeng Yang 等;《Journal of Electrical and Computer Engineering》;20160413;1-7 *
基于几何形状和小波矩的静脉特征提取与匹配;崔建江 等;《东北大学学报(自然科学版)》;20090930;第30卷(第9期);第1236-1240页,摘要,第2-3节 *
提取相位和方向特征的手指静脉识别方法;王科俊 等;《中南大学学报(自然科学版)》;20110930;第42卷;794-799 *

Also Published As

Publication number Publication date
CN109800702A (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
JP4618098B2 (ja) 画像処理システム
US7711156B2 (en) Apparatus and method for generating shape model of object and apparatus and method for automatically searching for feature points of object employing the same
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US6128410A (en) Pattern matching apparatus and method that considers distance and direction
US20070047777A1 (en) Image collation method and apparatus and recording medium storing image collation program
US20080260254A1 (en) Automatic 3-D Object Detection
CN112613575B (zh) 一种图像分类模型的数据集扩充方法、训练方法及装置
CN113327272B (zh) 一种基于相关滤波的鲁棒性长时跟踪方法
JP3121717B2 (ja) テキスト中の未知テキスト要素を識別する方法およびテキスト中のキーワードの所在を突き止める方法
CN109800702B (zh) 指静脉识别的快速比对方法及计算机可读取的存储介质
EP1760636B1 (en) Ridge direction extraction device, ridge direction extraction method, ridge direction extraction program
CN112329784A (zh) 一种基于时空感知及多峰响应的相关滤波跟踪方法
CN113743443A (zh) 一种图像证据分类和识别方法及装置
CN112149052B (zh) 一种基于plr-dtw的日负荷曲线聚类方法
WO2015068417A1 (ja) 画像照合システム、画像照合方法およびプログラム
CN111931757A (zh) 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置
CN117011655A (zh) 基于自适应区域选择特征融合方法、目标跟踪方法及系统
Jena et al. Elitist TLBO for identification and verification of plant diseases
US20240104890A1 (en) Image processing device, recording medium, and image processing method
JP3454335B2 (ja) オンライン手書き文字認識方法及びその装置
KR101937859B1 (ko) 360도 이미지에서의 공통 객체 탐색 시스템 및 방법
CN111461130A (zh) 一种高精度图像语义分割算法模型及分割方法
Xu et al. Decomposition and matching: Towards efficient automatic Chinese character stroke extraction
CN117409275B (zh) 一种多角度雷达图像处理方法

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: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province

Applicant after: Wisdom Eye Technology Co.,Ltd.

Address before: 100193 Zhongguancun Military-Civil Integration Industrial Park, 51 Kunming Hunan Road, Haidian District, Beijing, Block C 207

Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Fast comparison method of finger vein recognition and computer readable storage medium

Effective date of registration: 20221205

Granted publication date: 20210126

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231220

Granted publication date: 20210126

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PC01 Cancellation of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province

Patentee before: Wisdom Eye Technology Co.,Ltd.

CP03 Change of name, title or address