CN109886089A - 掌纹识别方法、装置和计算机设备 - Google Patents
掌纹识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109886089A CN109886089A CN201910011876.9A CN201910011876A CN109886089A CN 109886089 A CN109886089 A CN 109886089A CN 201910011876 A CN201910011876 A CN 201910011876A CN 109886089 A CN109886089 A CN 109886089A
- Authority
- CN
- China
- Prior art keywords
- identified
- feature vector
- palmprint image
- characteristic point
- module
- 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
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请提出了一种掌纹识别方法、装置和计算机设备,其中,上述掌纹识别方法包括:获取用户输入的待识别的掌纹图像;从所述待识别的掌纹图像中提取特征点;对所述特征点进行聚类;计算聚类获得的每个聚簇的中心点,以所述中心点作为视觉词;计算所述特征点与每个视觉词的距离,选择距离最近的视觉词作为所述特征点所属的视觉词;根据所述特征点所属的视觉词构建所述待识别的掌纹图像的特征向量;在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量;如果存在,则获取匹配的特征向量对应的用户身份信息。本申请可以实现对掌纹图像进行识别,进而可以根据掌纹识别结果对用户身份进行识别。
Description
【技术领域】
本申请涉及人工智能中的图像识别技术领域,尤其涉及一种掌纹识别方法、装置和计算机设备。
【背景技术】
随着信息技术的飞速发展,信息安全在人们的生活中显得越发的重要。而生物特征作为一种特殊的身份认证方式,因其具有明显的唯一与不变性,越来越成为个人身份认证和识别的一种重要方式。目前个人身份认证和识别所采用的生物特征主要分为两类:一类是生理特征,例如:指纹、掌纹、虹膜和/或人脸等;另一类是行为特征,例如:签名或声音等。
现有相关技术中,人脸识别和指纹识别已经在大部分设备中部署完成,但掌纹识别因为与指纹相比,掌纹所占面积较大,不适合在便携式的设备中部署;与人脸相比,由于人脸特征明显,而掌纹的特征需要较特殊的采集装置或者较高分辨率的摄像头才能收集到,并未得到大量部署。
现有相关技术中提供的掌纹识别方案存在识别效率和识别准确度较低的问题,无法快速、准确地获得掌纹的识别结果。
【发明内容】
本申请实施例提供了一种掌纹识别方法、装置和计算机设备,以实现对掌纹图像进行识别,并且提高掌纹识别的效率和准确度。
第一方面,本申请实施例提供了一种掌纹识别方法,包括:获取用户输入的待识别的掌纹图像;从所述待识别的掌纹图像中提取特征点;对所述特征点进行聚类;计算聚类获得的每个聚簇的中心点,以所述中心点作为视觉词;计算所述特征点与每个视觉词的距离,选择距离最近的视觉词作为所述特征点所属的视觉词;根据所述特征点所属的视觉词构建所述待识别的掌纹图像的特征向量;在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量;如果存在,则获取匹配的特征向量对应的用户身份信息。
其中在一种具体的实现方式中,所述在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量包括:计算所述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离;判断所述欧氏距离是否小于或等于预定阈值。
其中在一种具体的实现方式中,所述获取匹配的特征向量对应的用户身份信息包括:如果所述欧氏距离小于或等于预定阈值,则获取匹配的特征向量对应的用户身份信息。
其中在一种具体的实现方式中,所述从所述待识别的掌纹图像中提取特征点包括:通过特征点提取算法从所述待识别的掌纹图像中提取特征点;或者,通过局部特征提取算法计算所述待识别的掌纹图像的特征分量,以所述待识别的掌纹图像的特征分量作为所述特征点。
第二方面,本申请实施例提供一种掌纹识别装置,包括:获取模块,用于获取用户输入的待识别的掌纹图像;提取模块,用于从所述获取模块获取的待识别的掌纹图像中提取特征点;聚类模块,用于对所述提取模块提取的特征点进行聚类;计算模块,用于计算所述聚类模块聚类获得的每个聚簇的中心点,以所述中心点作为视觉词;以及计算所述特征点与每个视觉词的距离;选择模块,用于选择距离最近的视觉词作为所述特征点所属的视觉词;构建模块,用于根据所述特征点所属的视觉词构建所述待识别的掌纹图像的特征向量;查找模块,用于在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量;所述获取模块,还用于当所述预先保存的掌纹图像的特征向量中存在与所述待识别的掌纹图像的特征向量匹配的特征向量时,获取匹配的特征向量对应的用户身份信息。
其中在一种具体的实现方式中,所述查找模块,具体用于计算所述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离;判断所述欧氏距离是否小于或等于预定阈值。
其中在一种具体的实现方式中,所述获取模块,具体用于当所述欧氏距离小于或等于预定阈值时,获取匹配的特征向量对应的用户身份信息。
其中在一种具体的实现方式中,所述提取模块,具体用于通过特征点提取算法从所述待识别的掌纹图像中提取特征点;或者,通过局部特征提取算法计算所述待识别的掌纹图像的特征分量,以所述待识别的掌纹图像的特征分量作为所述特征点。
第三方面,本申请实施例提供一种计算机设备,包括存储器、处理器及存储在所述存储器上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,实现如上所述的方法。
第四方面,本申请实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
以上技术方案中,获取用户输入的待识别的掌纹图像,从上述待识别的掌纹图像中提取特征点,然后对上述特征点进行聚类,计算聚类获得的每个聚簇的中心点,以上述中心点作为视觉词,计算上述特征点与每个视觉词的距离,选择距离最近的视觉词作为上述特征点所属的视觉词,根据上述特征点所属的视觉词构建上述待识别的掌纹图像的特征向量,然后在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量,如果存在,则获取匹配的特征向量对应的用户身份信息,从而可以实现对掌纹图像进行识别,进而可以根据掌纹识别结果对用户身份进行识别。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本申请掌纹识别方法一个实施例的流程图;
图2为本申请掌纹识别方法另一个实施例的流程图;
图3为本申请掌纹识别方法再一个实施例的流程图;
图4为本申请掌纹识别装置一个实施例的结构示意图;
图5为本申请计算机设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1为本申请掌纹识别方法一个实施例的流程图,如图1所示,上述掌纹识别方法可以包括:
步骤101,获取用户输入的待识别的掌纹图像。
其中,用户输入的待识别的掌纹图像可以为:用户使用照相机或摄像头等摄影装置拍摄掌纹图像,然后输入拍摄的掌纹图像;或者,用户将自己的手掌与掌纹识别装置中的掌纹录入模块相接触,通过上述掌纹录入模块输入的待识别的掌纹图像。当然,用户还可以通过其他方式输入待识别的掌纹图像,本实施例对此不作限定。
其中,上述掌纹识别装置可以为通过掌纹对用户进行身份识别的设备,例如:掌纹门禁设备或者掌纹考勤设备等。
步骤102,从上述待识别的掌纹图像中提取特征点。
步骤103,对上述特征点进行聚类。
步骤104,计算聚类获得的每个聚簇的中心点,以上述中心点作为视觉词。
步骤105,计算上述特征点与每个视觉词的距离,选择距离最近的视觉词作为上述特征点所属的视觉词。
步骤106,根据上述特征点所属的视觉词构建上述待识别的掌纹图像的特征向量。
本实施例中,根据上述特征点,构建上述待识别的掌纹图像的特征向量时,采用的是词袋(Bag of Word;以下简称:BOW)模型。
在具体实现时,可以用K均值(K-means)算法对上述特征点进行聚类,设定聚类需要聚成的聚簇的个数k,这样,在k-means收敛之后,可以获得k个聚簇,并且可以获得每个聚簇的中心点,然后可以将这k个中心点作为视觉词。
接下来,可以先初始化一个具有k个视觉词的初始值为0的直方图。再次计算从待识别的掌纹图像中提取的特征点与每个视觉词的距离,看看每个特征点距离哪一个视觉词最近,选择距离最近的视觉词作为上述特征点所属的视觉词,将上述直方图中所属的视觉词对应的值加1,然后计算完上述待识别的掌纹图像所有的特征点之后,就得到了一个容量为k的直方图,然后进行归一化,用这个k维的向量来表示上述待识别的掌纹图像,至此上述待识别的掌纹图像的特征向量构建完成。
步骤107,在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量。
如果存在,则执行步骤108;如果预先保存的掌纹图像的特征向量中不存在与上述待识别的掌纹图像的特征向量匹配的特征向量,则执行步骤109。
步骤108,获取匹配的特征向量对应的用户身份信息。
具体地,预先保存的掌纹图像可以预先按照步骤101~步骤106提供的方式构建并保存,这样,构建待识别的掌纹图像的特征向量之后,可以在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量,如果存在,则可以获取匹配的特征向量对应的用户身份信息,上述用户身份信息可以包括:上述用户的面部图像、姓名和/或性别等,这样,根据获取的用户身份信息可以对输入待识别的掌纹图像的用户身份的合法性进行确认。
步骤109,确定输入待识别的掌纹图像的用户的身份不合法。
具体地,如果预先保存的掌纹图像的特征向量中不存在与上述待识别的掌纹图像的特征向量匹配的特征向量,则可以确定输入待识别的掌纹图像的用户的身份不合法。
上述掌纹识别方法中,获取用户输入的待识别的掌纹图像,从上述待识别的掌纹图像中提取特征点,然后对上述特征点进行聚类,计算聚类获得的每个聚簇的中心点,以上述中心点作为视觉词,计算上述特征点与每个视觉词的距离,选择距离最近的视觉词作为上述特征点所属的视觉词,根据上述特征点所属的视觉词构建上述待识别的掌纹图像的特征向量,然后在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量,如果存在,则获取匹配的特征向量对应的用户身份信息,从而可以实现对掌纹图像进行识别,进而可以根据掌纹识别结果对用户身份进行识别。
图2为本申请掌纹识别方法再一个实施例的流程图,如图2所示,本申请图1所示实施例中,步骤107可以包括:
步骤201,计算上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离。
也就是说,本实施例中,通过欧氏距离来度量上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的差异。
欧氏距离,即欧几里得度量(euclidean metric)是一个经常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
在具体实现时,假设上述待识别的掌纹图像的特征向量可以表示为a(x11,x12,…,x1n),预先保存的每个掌纹图像的特征向量可以表示为b(x21,x22,…,x2n),那么可以采用式(1)所示的公式计算上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离d。
步骤202,判断上述欧氏距离是否小于或等于预定阈值。
这样,如果上述欧氏距离小于或等于预定阈值,则执行步骤108;而如果上述欧氏距离大于预定阈值,则执行步骤109。
其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
本实施例中,通过欧氏距离来度量上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的差异,不需考虑特征点的个数,简化了距离度量过程,可以提高掌纹识别的效率。
图3为本申请掌纹识别方法再一个实施例的流程图,如图3所示,本申请图1所示实施例中,步骤102可以包括:
步骤301,通过特征点提取算法从上述待识别的掌纹图像中提取特征点;或者,通过局部特征提取算法计算所述待识别的掌纹图像的特征分量,以上述待识别的掌纹图像的特征分量作为上述特征点。
在具体实现时,上述特征点提取算法可以采用以下之一或组合:尺度不变特征变换(Scale Invariant Feature Transform;以下简称:SIFT)、角点检测算法(Featuresfrom Accelerated Segment Test;以下简称:FAST)和ORB(Oriented FAST and RotatedBRIEF),其中BRIEF是Binary Robust Independent Elementary Features的缩写。ORB是一种快速特征点提取和描述的算法,ORB算法分为两部分,分别是特征点提取和特征点描述,特征提取是由FAST发展来的,特征点描述是根据BRIEF特征描述算法改进的。
上述局部特征提取算法可以采用以下之一或组合:局部二值模式(Local BinaryPatterns;以下简称:LBP)、方向梯度直方图(Histogram of Oriented Gradient;以下简称:HOG)、Gabor和卷积神经网络(Convolutional Neural Network;以下简称:CNN)。其中,Gabor变换属于加窗傅立叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。
本实施例中所采用的特征提取方法与特征点或者特征分量的位置无关,因此提取的特征点具有旋转和尺度不变性,从而可以提高掌纹识别的准确度。
图4为本申请掌纹识别装置一个实施例的结构示意图,本实施例中的掌纹识别装置可以实现本申请实施例提供的掌纹识别方法。如图4所示,上述掌纹识别装置可以包括:获取模块41、提取模块42、聚类模块43、计算模块44、选择模块45、构建模块46和查找模块47;
具体地,获取模块41,用于获取用户输入的待识别的掌纹图像;
其中,用户输入的待识别的掌纹图像可以为:用户使用照相机或摄像头等摄影装置拍摄掌纹图像,然后输入拍摄的掌纹图像;或者,用户将自己的手掌与掌纹识别装置中的掌纹录入模块相接触,通过上述掌纹录入模块输入的待识别的掌纹图像。当然,用户还可以通过其他方式输入待识别的掌纹图像,本实施例对此不作限定。
其中,上述掌纹识别装置可以为通过掌纹对用户进行身份识别的设备,例如:掌纹门禁设备或者掌纹考勤设备等。
提取模块42,用于从获取模块41获取的待识别的掌纹图像中提取特征点;
聚类模块43,用于对上述特征点进行聚类;
计算模块44,用于计算聚类模块43聚类获得的每个聚簇的中心点,以上述中心点作为视觉词;以及计算上述特征点与每个视觉词的距离;
选择模块45,用于选择距离最近的视觉词作为上述特征点所属的视觉词,以构建上述待识别的掌纹图像的特征向量。
构建模块46,用于根据上述特征点所属的视觉词构建上述待识别的掌纹图像的特征向量。
本实施例中,根据上述特征点,构建上述待识别的掌纹图像的特征向量时,采用的是词袋(Bag of Word;以下简称:BOW)模型。
在具体实现时,聚类模块43可以用K均值(K-means)算法对上述特征点进行聚类,设定聚类需要聚成的聚簇的个数k,这样,在k-means收敛之后,可以获得k个聚簇,并且可以获得每个聚簇的中心点,然后可以将这k个中心点作为视觉词。
接下来,可以先初始化一个具有k个视觉词的初始值为0的直方图。计算模块44再次计算从待识别的掌纹图像中提取的特征点与每个视觉词的距离,看看每个特征点离哪一个视觉词最近,选择模块45选择距离最近的视觉词作为上述特征点所属的视觉词,将上述直方图中所属的视觉词对应的值加1,然后计算完上述待识别的掌纹图像所有的特征点之后,就得到了一个容量为k的直方图,然后进行归一化,用这个k维的向量来表示上述待识别的掌纹图像,至此上述待识别的掌纹图像的特征向量构建完成。
查找模块47,用于在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量;
获取模块41,还用于当上述预先保存的掌纹图像的特征向量中存在与上述待识别的掌纹图像的特征向量匹配的特征向量时,获取匹配的特征向量对应的用户身份信息。
具体地,预先保存的掌纹图像可以预先按照本申请图1所示实施例中步骤101~步骤106提供的方式构建并保存,这样,构建待识别的掌纹图像的特征向量之后,查找模块47可以在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量,如果存在,则获取模块41可以获取匹配的特征向量对应的用户身份信息,上述用户身份信息可以包括:上述用户的面部图像、姓名和/或性别等,这样,根据获取的用户身份信息可以对输入待识别的掌纹图像的用户身份的合法性进行确认。
进一步地,如果预先保存的掌纹图像的特征向量中不存在与上述待识别的掌纹图像的特征向量匹配的特征向量,则可以确定输入待识别的掌纹图像的用户的身份不合法。
上述掌纹识别装置中,获取模块41获取用户输入的待识别的掌纹图像,提取模块42从上述待识别的掌纹图像中提取特征点,然后聚类模块43对上述特征点进行聚类,计算模块44计算聚类获得的每个聚簇的中心点,以上述中心点作为视觉词,计算上述特征点与每个视觉词的距离,选择模块45选择距离最近的视觉词作为上述特征点所属的视觉词,然后构建模块46根据上述特征点所属的视觉词构建上述待识别的掌纹图像的特征向量,查找模块47在预先保存的掌纹图像的特征向量中查找是否存在与上述待识别的掌纹图像的特征向量匹配的特征向量,如果存在,则获取模块41获取匹配的特征向量对应的用户身份信息,从而可以实现对掌纹图像进行识别,进而可以根据掌纹识别结果对用户身份进行识别,并且在提取特征点时,未考虑特征点的位置,因此提取的特征点具有旋转和尺度不变性,从而可以提高掌纹识别的准确度;另外,在对掌纹图像进行识别时,不需考虑特征点的个数,简化了特征向量的对比过程,从而可以提高掌纹识别的效率。
本申请图4所示的掌纹识别装置中,查找模块47,具体用于计算上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离;判断上述欧氏距离是否小于或等于预定阈值。
也就是说,本实施例中,通过欧氏距离来度量上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的差异。
欧氏距离,即欧几里得度量(euclidean metric)是一个经常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
在具体实现时,假设上述待识别的掌纹图像的特征向量可以表示为a(x11,x12,…,x1n),预先保存的每个掌纹图像的特征向量可以表示为b(x21,x22,…,x2n),那么可以采用式(1)所示的公式计算上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离d。
其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
本实施例中,获取模块41,具体用于当上述欧氏距离小于或等于预定阈值时,获取匹配的特征向量对应的用户身份信息。
本实施例中,通过欧氏距离来度量上述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的差异,不需考虑特征点的个数,简化了距离度量过程,可以提高掌纹识别的效率。
本实施例中,提取模块42,具体用于通过特征点提取算法从上述待识别的掌纹图像中提取特征点;或者,通过局部特征提取算法计算上述待识别的掌纹图像的特征分量,以上述待识别的掌纹图像的特征分量作为上述特征点。
在具体实现时,上述特征点提取算法可以采用以下之一或组合:SIFT、FAST和ORB(Oriented FAST and Rotated BRIEF),其中BRIEF是Binary Robust IndependentElementary Features的缩写。ORB是一种快速特征点提取和描述的算法,ORB算法分为两部分,分别是特征点提取和特征点描述,特征提取是由FAST发展来的,特征点描述是根据BRIEF特征描述算法改进的。
上述局部特征提取算法可以采用以下之一或组合:LBP、HOG、Gabor和CNN。其中,Gabor变换属于加窗傅立叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。
本实施例中,提取模块42所采用的特征提取方法与特征点或者特征分量的位置无关,因此提取模块42提取的特征点具有旋转和尺度不变性,从而可以提高掌纹识别的准确度。
图5为本申请计算机设备一个实施例的结构示意图,上述计算机设备可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时,可以实现本申请实施例提供的掌纹识别方法。
其中,上述计算机设备可以为服务器,例如:云服务器,也可以为电子设备,例如:智能手机、智能手表或平板电脑等智能电子设备,本实施例对上述计算机设备的具体形态不作限定。
图5示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例提供的掌纹识别方法。
本申请实施例还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时可以实现本申请实施例提供的掌纹识别方法。
上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network;以下简称:LAN)或广域网(Wide Area Network;以下简称:WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本申请实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种掌纹识别方法,其特征在于,包括:
获取用户输入的待识别的掌纹图像;
从所述待识别的掌纹图像中提取特征点;
对所述特征点进行聚类;
计算聚类获得的每个聚簇的中心点,以所述中心点作为视觉词;
计算所述特征点与每个视觉词的距离,选择距离最近的视觉词作为所述特征点所属的视觉词;
根据所述特征点所属的视觉词构建所述待识别的掌纹图像的特征向量;
在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量;
如果存在,则获取匹配的特征向量对应的用户身份信息。
2.根据权利要求1所述的方法,其特征在于,所述在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量包括:
计算所述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离;
判断所述欧氏距离是否小于或等于预定阈值。
3.根据权利要求2所述的方法,其特征在于,所述获取匹配的特征向量对应的用户身份信息包括:
如果所述欧氏距离小于或等于预定阈值,则获取匹配的特征向量对应的用户身份信息。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述从所述待识别的掌纹图像中提取特征点包括:
通过特征点提取算法从所述待识别的掌纹图像中提取特征点;或者,
通过局部特征提取算法计算所述待识别的掌纹图像的特征分量,以所述待识别的掌纹图像的特征分量作为所述特征点。
5.一种掌纹识别装置,其特征在于,包括:
获取模块,用于获取用户输入的待识别的掌纹图像;
提取模块,用于从所述获取模块获取的待识别的掌纹图像中提取特征点;
聚类模块,用于对所述提取模块提取的特征点进行聚类;
计算模块,用于计算所述聚类模块聚类获得的每个聚簇的中心点,以所述中心点作为视觉词;以及计算所述特征点与每个视觉词的距离;
选择模块,用于选择距离最近的视觉词作为所述特征点所属的视觉词;
构建模块,用于根据所述特征点所属的视觉词构建所述待识别的掌纹图像的特征向量;
查找模块,用于在预先保存的掌纹图像的特征向量中查找是否存在与所述待识别的掌纹图像的特征向量匹配的特征向量;
所述获取模块,还用于当所述预先保存的掌纹图像的特征向量中存在与所述待识别的掌纹图像的特征向量匹配的特征向量时,获取匹配的特征向量对应的用户身份信息。
6.根据权利要求5所述的装置,其特征在于,
所述查找模块,具体用于计算所述待识别的掌纹图像的特征向量与预先保存的每个掌纹图像的特征向量之间的欧氏距离;判断所述欧氏距离是否小于或等于预定阈值。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块,具体用于当所述欧氏距离小于或等于预定阈值时,获取匹配的特征向量对应的用户身份信息。
8.根据权利要求5-7任意一项所述的装置,其特征在于,
所述提取模块,具体用于通过特征点提取算法从所述待识别的掌纹图像中提取特征点;或者,通过局部特征提取算法计算所述待识别的掌纹图像的特征分量,以所述待识别的掌纹图像的特征分量作为所述特征点。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上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,实现如权利要求1-4中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910011876.9A CN109886089A (zh) | 2019-01-07 | 2019-01-07 | 掌纹识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910011876.9A CN109886089A (zh) | 2019-01-07 | 2019-01-07 | 掌纹识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886089A true CN109886089A (zh) | 2019-06-14 |
Family
ID=66925614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910011876.9A Pending CN109886089A (zh) | 2019-01-07 | 2019-01-07 | 掌纹识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886089A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310608A (zh) * | 2020-01-22 | 2020-06-19 | Oppo广东移动通信有限公司 | 用户识别方法、用户识别装置、存储介质与头戴式设备 |
WO2021212874A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819631A (zh) * | 2010-04-16 | 2010-09-01 | 深圳大学 | 一种身份识别方法和身份识别系统 |
CN102332093A (zh) * | 2011-09-19 | 2012-01-25 | 汉王科技股份有限公司 | 一种掌纹和人脸融合识别的身份认证方法及装置 |
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN107944356A (zh) * | 2017-11-13 | 2018-04-20 | 湖南商学院 | 综合多类型特征的层次主题模型掌纹图像识别的身份认证方法 |
CN108509925A (zh) * | 2018-04-08 | 2018-09-07 | 东北大学 | 一种基于视觉词袋模型的行人重识别方法 |
-
2019
- 2019-01-07 CN CN201910011876.9A patent/CN109886089A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819631A (zh) * | 2010-04-16 | 2010-09-01 | 深圳大学 | 一种身份识别方法和身份识别系统 |
CN102332093A (zh) * | 2011-09-19 | 2012-01-25 | 汉王科技股份有限公司 | 一种掌纹和人脸融合识别的身份认证方法及装置 |
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN107944356A (zh) * | 2017-11-13 | 2018-04-20 | 湖南商学院 | 综合多类型特征的层次主题模型掌纹图像识别的身份认证方法 |
CN108509925A (zh) * | 2018-04-08 | 2018-09-07 | 东北大学 | 一种基于视觉词袋模型的行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
张祯伟 等: "改进视觉词袋模型的快速图像检索方法", 计算机系统应用, vol. 25, no. 12, pages 126 - 131 * |
董坤 等: "基于视觉词袋模型的人耳识别", 计算机系统应用, vol. 23, no. 12, pages 176 - 181 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310608A (zh) * | 2020-01-22 | 2020-06-19 | Oppo广东移动通信有限公司 | 用户识别方法、用户识别装置、存储介质与头戴式设备 |
WO2021212874A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 掌纹的误匹配点剔除方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Finger vein verification using a Siamese CNN | |
KR101481225B1 (ko) | 안면 특징 벡터 구성 | |
CN109284675B (zh) | 一种用户的识别方法、装置及设备 | |
CN111639535A (zh) | 基于深度学习的人脸识别方法及装置 | |
CN110188223A (zh) | 图像处理方法、装置及计算机设备 | |
CN111783882B (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
Guo et al. | Point-wise saliency detection on 3D point clouds via covariance descriptors | |
CN111931592A (zh) | 对象识别方法、装置及存储介质 | |
CN113515988B (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN110866469A (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
CN109886089A (zh) | 掌纹识别方法、装置和计算机设备 | |
CN113569607A (zh) | 动作识别方法、装置、设备以及存储介质 | |
CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
Lin et al. | Curve matching from the view of manifold for sign language recognition | |
CN109829383A (zh) | 掌纹识别方法、装置和计算机设备 | |
CN115705694A (zh) | 用于分割任务的无监督学习的系统和方法 | |
CN110070016A (zh) | 一种机器人控制方法、装置及存储介质 | |
Liu et al. | High discriminative SIFT feature and feature pair selection to improve the bag of visual words model | |
CN108647640A (zh) | 人脸识别的方法及电子设备 | |
Jiang et al. | Discriminating features learning in hand gesture classification | |
Wu et al. | A vision-based indoor positioning method with high accuracy and efficiency based on self-optimized-ordered visual vocabulary | |
CN115222047A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
Shi et al. | Contour descriptor based on space symmetry and its matching technique | |
Su et al. | Learning low-dimensional temporal representations with latent alignments |
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 |