CN109815869A - 一种基于fcn全卷积网络的指静脉识别方法 - Google Patents
一种基于fcn全卷积网络的指静脉识别方法 Download PDFInfo
- Publication number
- CN109815869A CN109815869A CN201910040172.4A CN201910040172A CN109815869A CN 109815869 A CN109815869 A CN 109815869A CN 201910040172 A CN201910040172 A CN 201910040172A CN 109815869 A CN109815869 A CN 109815869A
- Authority
- CN
- China
- Prior art keywords
- image
- fcn
- vein
- finger
- point
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001990 intravenous administration Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 241000905957 Channa melasoma Species 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 210000001145 finger joint Anatomy 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003475 lamination Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FCN全卷积网络的指静脉识别方法,其中指静脉识别方法包括:采集指静脉图像;对指静脉图像进行预处理,获得预处理后的指静脉图像;对预处理后的指静脉图像进行边缘检测、最小二乘法线性拟合以及方向矫正,并在此基础上提取指静脉最丰富的中节ROI指静脉图像;采用训练好的FCN全卷积网络对提取的ROI指静脉图像提取特征并对每个像素点进行分类获得已区分静脉点和背景点的待注册/识别指静脉图像;收集待注册指静脉图像并构建注册后的指静脉数据库,将待识别指静脉图像在指静脉数据库中进行检索识别,获得匹配识别结果。在本发明实施例中,可以获得更清晰的指静脉图像,并且匹配识别效率更快,更准确。
Description
技术领域
本发明涉及生物特征识别技术、图像识别、深度学习领域,尤其涉及一种基于FCN全卷积网络的指静脉识别方法。
背景技术
基于生物特征的身份认证技术的研究和应用日益广泛;当前社会对于搞安全和更友好的身份认证的需求使得对生物识别技术提出了更高的要求;而指静脉具有活体性和唯一性,不会产生特征重复的情况并且允许非接触式的识别,因此成为生物识别领域内较受关注的一类。
目前的指静脉识别方法大多为基于领域内知识,设计图像处理、滤波等;当采集设备的成像质量较低,人为的设计特征算法来描述指静脉区域难度较大,从而会影响后续的提取特征以及识别;部分学者提出基于传统的神经网络实现指静脉身份识别,也有新的研究提出基于无监督学习的身份认证系统。然而在指静脉识别中还有大量关键性问题需要解决;
目前亟待解决的问题有:识别成功率依赖于指静脉图像成像质量,指静脉区域与背景区域难以分离,精准鲁棒的特征难以提取等。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于FCN全卷积网络的指静脉识别方法,提取更深层的指静脉特征,实现像素级的分类,能够更有效、更准确地描绘出指静脉图像中的静脉点和背景点,从而提升识别的效率和精度。
为了解决上述技术问题,本发明提供了一种基于FCN全卷积网络的指静脉识别方法,所述指静脉识别方法包括:
A、连接指静脉采集设备,图像采集;
B、通过预处理减少图像数据的噪声;
C、提取预处理后的图像的ROI感兴趣区域;
D、FCN全卷积网络检测ROI图像的静脉点和背景点;
D1、读取参数文件,解析FCN全卷积网络模型,加载模型参数;
D2、将C中提取的ROI图像输入FCN网络层,进行卷积、池化和反卷积交替处理,输出原图大小的特征图;
D3、特征图包含了FCN对图像进行像素级的分类,输出特征图上的每个元素包含一个二维向量对该向量做softmax计算,记为分别表示该像素点为静脉点和背景点的概率;
D4、取特征图的每个中概率最大的分类作为该像素点的类别,并用像素值255表示静脉点,像素值0表示背景点描绘在输入图像上,记为
E、将FCN检测后的图像在指静脉数据库中进行检索识别;
上述方法中,可选地:所述步骤A,其包括:
A1、通过数据线连接客户机与指静脉采集设备,并在客户机上安装相应的驱动程序,扫描并连通客户机和指静脉采集设备;
A2、指静脉采集设备根据指令采集手指静脉的近红外图像;
A3、记手指指尖的方向为x轴正方向,指关节方向为y轴方向。
上述方法中,可选地:所述步骤B,其包括:
B1、利用对比度受限的自适应直方图均衡化对指静脉图像进行初步的图像增强,增加静脉与背景的对比度;
B2、利用中值滤波和均值滤波对增强后的图像进行滤波减少噪声对图像的影响。
上述方法中,可选地:所述步骤C,其包括:
C1、通过两个对称的边缘检测算子检测预处理后的图像中手指的轮廓边缘点,利用最小二乘法分别对左边缘点和右边缘点进行直线拟合,得到两条手指的边缘线;
C2、对C1中所述的两条边缘线取均值,得到手指骨线。手指骨线与x轴正方向之间的夹角记为手指偏转的角度α,将图像旋转α可以将图像矫正至水平;
C3、去除两条边缘线以外的数据,只截取保留两条边缘线中间的手指图像区域;
C4、遍历x轴方向,统计对应y轴上所有像素值的和。y轴上和最大对应的x坐标为手指关节的位置,记为
C5、截取往x轴正方向240像素点的区域并尺度归一化到同一大小作为所要提取的ROI感兴趣区域。
上述方法中,可选地:所述步骤D,其包括:
D1、FCN网络将传统CNN的第6层和第7层4096维的一维向量,第8层1000维的一维向量转换成卷积层。卷积核的大小(通道数,宽,高)分别为(4096,1,1)、(4096,1,1)、(1000,1,1)。前5层卷积层和中间的池化层保持不变。经过5次卷积(和pooling)以后,图像的分辨率依次缩小了2,4,8,16,32倍。对于最后一层卷积的输出图像,需要进行32倍的上采样,得到原图一样的大小。这个上采样是通过反卷积(deconvolution)实现的。但是这样得到的结果不够精确,一些细节无法恢复。再将第4层的输出和第3层的输出也依次反卷积,分别需要16倍和8倍上采样,结合这三层的特征图得到跟原图一样大小的指静脉特征图。
D2、训练模型时,采用公开的指静脉数据集和自己采集的经过C步骤预处理过的数据集一起作为训练集和验证集。对于训练集进行数据增强和数据扩展,来训练FCN网络。并设置初始学习率为0.001,学习率的值随训练次数成指数下降,设置batch size大小为128。当损失降到0.002时,停止训练网络模型。最后将训练好的模型保存为.pb文件。
D3、加载FCN全卷积网络,读取训练好的参数文件,即.pb文件。包括各个网络层的权重值。将权重值导入FCN网络。再将C步骤得到的ROI图像输入已经加载完了的FCN模型,输出原图大小的特征图。特征图包含了FCN对图像进行像素级的分类,输出特征图上的每个元素包含一个二维向量对该向量做softmax计算,记为分别表示该像素点为静脉点和背景点的概率;
D4、取特征图的每个中的两个概率值,最大的值作为该像素点的类别,并用像素值255表示静脉点,像素值0表示背景点得到静脉图像的二值图。记为
上述方法中,可选地:所述步骤E,其包括:
E1、在注册阶段,通过A采集指静脉图像,并进一步用B、C、D提取输出图像录入数据库完成注册;
E2、在识别阶段,通过A、B、C、D提取待识别指静脉的特征图并在数据库中已注册的特征图模板库中进行匹配,取相似度最高且超过一定阈值的作为识别结果;
E3、模板匹配的相似度采用待识别图像和模板图像的匹配分数表示,由于和的尺寸是相同的,遍历所有点,其中任意一点(x,y)在和中均为背景点,则匹配分数增加w0,若该点均为静脉点,则匹配分数增加w1,否则不增加匹配分数。
与现有技术相比,本发明具有的有益效果(优点、意义)是:与现有技术相比,本发明采用了FCN全卷积网络对指静脉图像进行像素级的分类,使得到的静脉特征图更加接近真实的静脉图,从而会有更高的精度和准确度。如果使用传统的阈值分割对指静脉预处理图进行静脉点和背景点分割,技术难点是,无法选取一个适当的阈值。这样就会产生伪静脉点,将背景点判断为静脉点,不能得到真实的静脉纹路,在识别匹配时会产生极大的误识。而FCN全卷积网络能解决分割静脉点和背景点的复杂问题。FCN采用反卷积层对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测,我们根据这个预测结果就可以较准确的区分静脉点和背景点。指静脉的识别难点在于,如何使静脉的特征图更好的接近原图像,尽可能的还原真实。而FCN网络跟传统方式比能得到更接近真实图像的静脉特征图。
附图说明
图1是本方法的步骤图;
图2是对指静脉图像预处理的流程图;
图B-1是对比度受限的自适应直方图均衡化示意图;
图3是对预处理后的图像提取ROI区域的流程图;
图C-1是指静脉分布示意图;
图C-2是边缘检测以及方向矫正示意图;
图C-3是方向矫正后的指静脉图;
图C-4是截取指关节区域示意图;
图4是检测ROI图像的FCN全卷积网络结构图;
图5是待识别指静脉在数据库中检索识别的流程图。
具体实施方式
以下结合附图和具体实施对本发明进行详细描述,但不作为对本发明的限定。
如图1,本方法的实施步骤如下:
A、连接指静脉采集设备,图像采集
利用指静脉采集设备附带的数据线,将客户机与设备相连接,并在客户机上安装设备所需要的驱动程序。将手指按照采集设备要求放置在相应的位置,等待设备采集指静脉图像。
B、通过预处理减少图像数据的噪声
在上一步我们通过指静脉采集设备获取到了手指的静脉图像。通过对比度受限的自适应直方图均衡化对静脉图像初步的增强。将图像分成若干个子块,并对每个子块统计得到的直方图进行裁剪,使其幅值低于某个上限,如图B-1所示。将峰值处的像素值均匀的分布在整个灰度区间上,以保证直方图总面积不变。经过对比度增强后的图像存在噪声,而这些噪声大部分是点状似的单独的散落在图像的各处,通过中值滤波以及均值滤波等方式能够过滤掉图像中类似于孤岛状的噪声,从而减少将噪声、背景误判为静脉点的可能性。本步骤的流程图如图2所示。
C、提取预处理后的图像的ROI感兴趣区域
静脉在手指中的分布是不均匀的,如图C-1所示,分为近节(离手掌较近的一节),中节,远节。在中节的静脉分布最丰富,远节以及近节的静脉分布较少,因此步骤C的目的即为截取静脉最丰富的中节这一部分用于后续操作,如图3所示。首先通过两个堆成的边缘算子检测图像中手指的边缘点,如图C-2中虚线所示,然后利用最小二乘法对这些边缘点分别进行线性拟合,得到两条边缘直线,如图C-2中直线(a,b)所示。然后取这两条直线的平均线如图C-2中直线(L),该线与x轴正方向之间的夹角记为α,将图像旋转α矫正至水平如图C-3所示。下一步截取手指图像,根据中节与近节之间的指关节在红外光照射下高亮的特性,如图C-4(a)所示,遍历x轴方向,统计对应y轴上所有像素值的和。y轴上和最大所对应的x坐标为手指关节的位置,记为如图C-4(b)所示。截取往x轴正方向240像素点的区域如图C-4(a)中虚线矩形区域所示,并尺度归一化到统一大小作为ROI感兴趣区域。
D、FCN全卷积网络检测ROI图像的静脉点和背景点
提取的ROI图像已被初步增强,并且噪声也在一定程度上被减少,但仍然无法区分静脉点和背景点。通过训练FCN网络结构模型,可以较精确的区分图像中的静脉点和背景点。FCN网络结构模型如图4所示,由传统CNN的第6层和第7层4096维的一维向量,第8层1000维的一维向量转换成卷积层。卷积核的大小(通道数,宽,高)分别为(4096,1,1)、(4096,1,1)、(1000,1,1)。前5层卷积层和中间的池化层保持不变。经过5次卷积(和pooling)以后,图像的分辨率依次缩小了2,4,8,16,32倍。最后一层卷积输出图像,需要进行32倍的上采样,得到原图一样的大小。这个上采样是通过反卷积(deconvolution)实现的。但是这样得到的结果不够精确,一些细节无法恢复。再将第4层的输出和第3层的输出也依次反卷积,分别需要16倍和8倍上采样,结合这三层的特征图得到跟原图一样大小的指静脉特征图。训练模型,采用公开的指静脉数据集和自己采集的经过C步骤预处理过的数据集一起作为训练集和验证集。对于训练集进行数据增强和数据扩展,来训练FCN网络。并设置初始学习率为0.001,学习率的值随训练次数成指数下降,设置batch size大小为128。当损失降到0.002时,停止训练网络模型。将训练好的模型保存为.pb文件。通过读取参数文件(.pb文件)并解析构建的FCN网络结构。将上一步中提取到的ROI区域输入到该网络中,输出与原图大小一致的特征图,图中每个点包含一个二维向量用于预测原图中对应点的分类。该二维向量采用softmax计算,代表为静脉点和为背景点的概率,取概率值最大的分类最为该像素点的类别。如代表该点有70%的可能为静脉点,30%为背景点,因此该点可认为是静脉点。通过该方式可以获知图像中每个像素点的分类,并用像素值255表示静脉点,像素值0表示背景点,得到FCN特征图
E、将FCN检测后的图像在指静脉数据库中进行检索识别
如图5所示,待识别图像在指静脉数据库中的检索识别分为采集、算法处理、注册、识别4个步骤。首先通过所述的A采集手指的静脉图像,并进一步的根据B、C、D所述算法对图像进行处理并提取特征图在注册阶段,将写入到数据库中。在识别阶段,按顺序取出的所有静脉模板,并与一一计算相似度,相似度最高的静脉模板作为识别结果输出。在匹配阶段,设任意像素点对应位置的像素点并初始化匹配分数s=0。若与r均为背景点,则s+=w0,若与r均为静脉点则s+=w1。遍历所有像素点,匹配分数s的最终值作为相似度。去相似度的静脉模板作为最终的匹配结果。
Claims (5)
1.一种基于FCN全卷积网络的指静脉识别方法,其特征在于包括如下步骤:
A、连接指静脉采集设备,进行图像采集;
B、通过预处理减少图像数据的噪声;
C、提取预处理后的图像的ROI感兴趣区域;
C1、通过两个对称的边缘检测算子检测预处理后的图像中手指的轮廓边缘点,利用最小二乘法分别对左边缘点和右边缘点进行直线拟合,得到两条手指的边缘线;
C2、对C1中所述的两条边缘线取均值,得到手指骨线;手指骨线与x轴正方向之间的夹角记为手指偏转的角度α,将图像旋转α将图像矫正至水平;
C3、去除两条边缘线以外的数据,只截取保留两条边缘线中间的手指图像区域;
C4、遍历x轴方向,统计对应的y轴上所有像素值的和,y轴上像素值的和最大处对应的x坐标为手指关节的位置,记为
C5、截取往x轴正方向240像素点的区域并尺度归一化到同一大小作为所要提取的ROI感兴趣区域;
D、FCN全卷积网络检测ROI图像的静脉点和背景点;
D1、读取参数文件,解析FCN全卷积网络模型,加载模型参数;
D2、将C中提取的ROI图像输入FCN网络层,进行卷积、池化和反卷积交替处理,输出原图大小的特征图;
D3、特征图包含了FCN对图像进行像素级的分类,输出特征图上的每个元素包含一个二维向量对该向量做softmax计算,记为分别表示该像素点为静脉点和背景点的概率;
D4、取特征图的每个中概率最大的分类作为该像素点的类别,并用像素值255表示静脉点,像素值0表示背景点描绘在输入图像上,记为
E、将FCN检测后的图像在指静脉数据库中进行检索识别。
2.根据权利要求1所述的基于FCN全卷积网络的指静脉识别方法,其特征在于:所述的步骤A包括:
A1、通过数据线连接客户机与指静脉采集设备,扫描并连通客户机和指静脉采集设备;
A2、指静脉采集设备采集手指静脉的近红外图像;
A3、近红外图像中,记手指指尖的方向为x轴正方向,指关节方向为y轴方向。
3.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法,其特征在于:所述步骤B包括:
B1、利用对比度受限的自适应直方图均衡化对指静脉图像进行初步的图像增强,增加静脉与背景的对比度;
B2、利用中值滤波和均值滤波对增强后的图像进行滤波减少噪声对图像的影响。
4.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法,其特征在于:所述步骤D具体为:
D1、FCN网络将CNN的第6层和第7层4096维的一维向量,第8层1000维的一维向量转换成卷积层,卷积核的大小分别为(4096,1,1)、(4096,1,1)、(1000,1,1);前5层卷积层和中间的池化层保持不变;经过5次卷积和pooling以后,图像的分辨率依次缩小了2,4,8,16,32倍;对于最后一层卷积的输出图像,进行32倍的上采样,得到原图一样的大小;所述上采样是通过反卷积实现;再将第4层的输出和第3层的输出也依次反卷积,分别需要16倍和8倍上采样,结合这三层的特征图得到跟原图一样大小的指静脉特征图;
D2、训练模型时,采用公开的指静脉数据集和采集的经过C步骤预处理过的数据集一起作为训练集和验证集;对于训练集进行数据增强和数据扩展,来训练FCN网络,并设置初始学习率为0.001,学习率的值随训练次数成指数下降,设置batch size大小为128;当损失降到0.002时,停止训练网络模型,最后将训练好的模型保存为.pb文件;
D3、加载FCN全卷积网络,读取训练好的参数文件,即.pb文件,包括各个网络层的权重值,将权重值导入FCN网络,再将C步骤得到的ROI图像输入已经加载完了的FCN模型,输出原图大小的特征图,特征图包含了FCN对图像进行像素级的分类,输出特征图上的每个元素包含一个二维向量对该向量做softmax计算,记为分别表示该像素点为静脉点和背景点的概率;
D4、取特征图的每个中的两个概率值,最大的值作为该像素点的类别,并用像素值255表示静脉点,像素值0表示背景点得到静脉图像的二值图。
5.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法,其特征在于:所述步骤E包括:
E1、在注册阶段,通过步骤A采集指静脉图像,并进一步用步骤B、C、D提取输出图像录入数据库完成注册;
E2、在识别阶段,通过步骤A、B、C、D提取待识别指静脉的特征图并在数据库中已注册的特征图模板库中进行匹配,取相似度最高且超过一定阈值的作为识别结果;
E3、模板匹配的相似度采用待识别图像和模板图像的匹配分数表示,由于和的尺寸是相同的,遍历所有点,其中任意一点(x,y)在和中均为背景点,则匹配分数增加w0,若该点均为静脉点,则匹配分数增加w1,否则不增加匹配分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040172.4A CN109815869A (zh) | 2019-01-16 | 2019-01-16 | 一种基于fcn全卷积网络的指静脉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040172.4A CN109815869A (zh) | 2019-01-16 | 2019-01-16 | 一种基于fcn全卷积网络的指静脉识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815869A true CN109815869A (zh) | 2019-05-28 |
Family
ID=66604313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910040172.4A Pending CN109815869A (zh) | 2019-01-16 | 2019-01-16 | 一种基于fcn全卷积网络的指静脉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815869A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543822A (zh) * | 2019-07-29 | 2019-12-06 | 浙江理工大学 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
CN110555380A (zh) * | 2019-07-30 | 2019-12-10 | 浙江理工大学 | 基于Center Loss损失函数的指静脉识别方法 |
CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
CN110569815A (zh) * | 2019-09-12 | 2019-12-13 | 南京邮电大学 | 基于改进灰度不均匀矫正的指静脉图像特征提取算法 |
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 |
CN110751059A (zh) * | 2019-09-27 | 2020-02-04 | 五邑大学 | 基于最小二乘法的指静脉roi提取的方法、装置及存储介质 |
CN110765856A (zh) * | 2019-09-12 | 2020-02-07 | 南京邮电大学 | 基于卷积的低质量手指静脉图像边缘检测算法 |
CN111639557A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像智能注册反馈方法 |
CN111898527A (zh) * | 2020-07-29 | 2020-11-06 | 南京邮电大学 | 面向低质量指静脉图像的特征提取方法 |
CN111950454A (zh) * | 2020-08-12 | 2020-11-17 | 辽宁工程技术大学 | 一种基于双向特征提取的手指静脉识别方法 |
CN112036383A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于手静脉的身份识别方法及装置 |
CN112163576A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 静脉区域的检测方法、装置和设备 |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN112949570A (zh) * | 2021-03-26 | 2021-06-11 | 长春工业大学 | 一种基于残差注意力机制的指静脉识别方法 |
CN113269080A (zh) * | 2021-05-20 | 2021-08-17 | 南京邮电大学 | 基于多通道卷积神经网络的掌静脉识别方法 |
CN113887373A (zh) * | 2021-09-27 | 2022-01-04 | 中关村科学城城市大脑股份有限公司 | 基于城市智慧体育的并行融合网络的姿态识别方法和系统 |
CN114283366A (zh) * | 2021-12-24 | 2022-04-05 | 东北农业大学 | 一种奶牛个体身份识别方法和装置、存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959707A (zh) * | 2006-12-07 | 2007-05-09 | 北京航空航天大学 | 基于像素跳跃的图像匹配方法 |
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 |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN108256566A (zh) * | 2018-01-10 | 2018-07-06 | 广东工业大学 | 一种基于余弦相似度的自适应模版匹配方法及装置 |
CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
WO2018189550A1 (en) * | 2017-04-12 | 2018-10-18 | Kheiron Medical Technologies Ltd | Segmentation of anatomical regions and lesions |
-
2019
- 2019-01-16 CN CN201910040172.4A patent/CN109815869A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959707A (zh) * | 2006-12-07 | 2007-05-09 | 北京航空航天大学 | 基于像素跳跃的图像匹配方法 |
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 |
CN105975951A (zh) * | 2016-05-27 | 2016-09-28 | 国创科视科技股份有限公司 | 手指中段指静脉指纹融合识别方法 |
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
WO2018189550A1 (en) * | 2017-04-12 | 2018-10-18 | Kheiron Medical Technologies Ltd | Segmentation of anatomical regions and lesions |
CN107832684A (zh) * | 2017-10-26 | 2018-03-23 | 通华科技(大连)有限公司 | 一种具有自主学习能力的智能静脉认证方法和系统 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN108256566A (zh) * | 2018-01-10 | 2018-07-06 | 广东工业大学 | 一种基于余弦相似度的自适应模版匹配方法及装置 |
CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
Non-Patent Citations (3)
Title |
---|
E. SHELHAMER,ET AL: "《Fully Convolutional Networks for Semantic Segmentation》", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
吴超,等: "《基于深度学习的指静脉识别研究》", 《计算机技术与发展》 * |
张晋阳,等: "《手背静脉图像骨架特征提取的算法》", 《计算机应用》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543822A (zh) * | 2019-07-29 | 2019-12-06 | 浙江理工大学 | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 |
CN110555380A (zh) * | 2019-07-30 | 2019-12-10 | 浙江理工大学 | 基于Center Loss损失函数的指静脉识别方法 |
CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
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 |
CN110765856A (zh) * | 2019-09-12 | 2020-02-07 | 南京邮电大学 | 基于卷积的低质量手指静脉图像边缘检测算法 |
CN110765856B (zh) * | 2019-09-12 | 2022-08-12 | 南京邮电大学 | 基于卷积的低质量手指静脉图像边缘检测算法 |
CN110569815A (zh) * | 2019-09-12 | 2019-12-13 | 南京邮电大学 | 基于改进灰度不均匀矫正的指静脉图像特征提取算法 |
CN110751059A (zh) * | 2019-09-27 | 2020-02-04 | 五邑大学 | 基于最小二乘法的指静脉roi提取的方法、装置及存储介质 |
CN110751059B (zh) * | 2019-09-27 | 2024-02-20 | 深圳万知达技术转移中心有限公司 | 基于最小二乘法的指静脉roi提取的方法、装置及存储介质 |
CN111639557A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像智能注册反馈方法 |
CN111898527A (zh) * | 2020-07-29 | 2020-11-06 | 南京邮电大学 | 面向低质量指静脉图像的特征提取方法 |
CN111950454A (zh) * | 2020-08-12 | 2020-11-17 | 辽宁工程技术大学 | 一种基于双向特征提取的手指静脉识别方法 |
CN111950454B (zh) * | 2020-08-12 | 2024-04-02 | 辽宁工程技术大学 | 一种基于双向特征提取的手指静脉识别方法 |
CN112163576A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 静脉区域的检测方法、装置和设备 |
CN112036383A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于手静脉的身份识别方法及装置 |
CN112036383B (zh) * | 2020-11-04 | 2021-02-19 | 北京圣点云信息技术有限公司 | 一种基于手静脉的身份识别方法及装置 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN112784837B (zh) * | 2021-01-26 | 2024-01-30 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN112949570A (zh) * | 2021-03-26 | 2021-06-11 | 长春工业大学 | 一种基于残差注意力机制的指静脉识别方法 |
CN113269080B (zh) * | 2021-05-20 | 2022-07-12 | 南京邮电大学 | 基于多通道卷积神经网络的掌静脉识别方法 |
CN113269080A (zh) * | 2021-05-20 | 2021-08-17 | 南京邮电大学 | 基于多通道卷积神经网络的掌静脉识别方法 |
CN113887373A (zh) * | 2021-09-27 | 2022-01-04 | 中关村科学城城市大脑股份有限公司 | 基于城市智慧体育的并行融合网络的姿态识别方法和系统 |
CN114283366A (zh) * | 2021-12-24 | 2022-04-05 | 东北农业大学 | 一种奶牛个体身份识别方法和装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815869A (zh) | 一种基于fcn全卷积网络的指静脉识别方法 | |
Sun et al. | Faster R-CNN based table detection combining corner locating | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN104504383B (zh) | 一种基于肤色和Adaboost算法的人脸检测方法 | |
CN107748877A (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
CN110390282A (zh) | 一种基于余弦中心损失的指静脉识别方法及系统 | |
CN102043961A (zh) | 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 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN112036382A (zh) | 一种基于地形点分类的指静脉特征提取及识别方法和装置 | |
CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
CN110674822A (zh) | 一种基于特征降维的手写数字识别方法 | |
CN106056041A (zh) | 近红外手掌静脉图像的识别方法 | |
Aravinda et al. | An approach for signature recognition using contours based technique | |
Van Phan et al. | Collecting handwritten nom character patterns from historical document pages | |
Weng et al. | Finger vein recognition based on deep convolutional neural networks | |
CN115601843A (zh) | 基于双流网络的多模态签名笔迹鉴别系统及方法 | |
CN114913610A (zh) | 一种基于指纹和指静脉的多模态识别方法 | |
Antony et al. | Segmentation and recognition of characters on Tulu palm leaf manuscripts | |
Muhamad et al. | Signature recognition based on discrete wavelet transform | |
Liu et al. | Design of Handwritten Numeral Recognition System Based on BP Neural Network | |
Sun et al. | Research on palm vein recognition algorithm based on improved convolutional neural network | |
Zong | Handwritten number recognition system based on Image processing | |
CN116824597B (zh) | 动态图像分割及并行学习手写身份证数字及身份识别方法 | |
Aktaruzzaman et al. | Improved low-cost recognition system for handwritten Bengali numerals | |
Gao et al. | Fingerprint feature matching using CNNs |
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: 20190528 |