CN109886220A - 一种指静脉图像的特征值提取和对比算法 - Google Patents
一种指静脉图像的特征值提取和对比算法 Download PDFInfo
- Publication number
- CN109886220A CN109886220A CN201910142714.9A CN201910142714A CN109886220A CN 109886220 A CN109886220 A CN 109886220A CN 201910142714 A CN201910142714 A CN 201910142714A CN 109886220 A CN109886220 A CN 109886220A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- gabor
- finger
- backbone
- 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
Abstract
本发明公开了的指静脉图像的特征值提取和对比算法,包括以下步骤:步骤1、ROI图提取:将指静脉采集装置拍摄的待识别的指静脉图像剔除背景后获得ROI图;步骤2、GABOR滤波:将步骤1中得到的ROI图进行GABOR滤波处理获得GABOR图;步骤3、LBP纹理特征提取:将步骤2中的GABOR图进行LBP滤波处理获得LBP图;步骤4、生成骨干图:将步骤3中的LBP图进行归一化、二值化处理获得骨干图;步骤5、特征值匹配:重复步骤1至步骤4,获取两张骨干图,将获取的两张骨干图进行特征值匹配获得指静脉图片,该方法可以精确的提取手指静脉特征和实现手指静脉特征的匹配。
Description
技术领域
本发明涉及指静脉图像处理,具体涉及一种指静脉图像的特征值提取和对比算法。
背景技术
生物特征识别技术是利用人体生物特征或者行为特征进行个人身份认证,身体特征如指纹、掌型、虹漠视、人体气味、脸型等,行为特征如签名、语音、步态等。在这些生物特征识别技术中,由于指纹识别具有很强的唯一性、稳定性、易用性等特点,应用极为广泛。但是,指纹是一种外在的生物特征,在指纹识别中,要求使用者在录入指纹时保持手指洁净、光滑、任何存在于指纹上的脏东西或者污点都能给识别带来困难,且指纹易于伪造,甚至出现一种用硅树脂制造的克隆指纹,导致指纹识别技术的安全系数比较低。
根据社会需求,近年来出现了一种新的生物特征识别技术---静脉识别。由于静脉特征是流动血液的纹路,因此,静脉识别是一种本质的“活体识别”生物特征识别方法,也就是说被识别对象必须是活着的人,才能满足身份识别中获取静脉血管纹路,很难伪造或是手术改变,安全系数较高。静脉识别主要包括手背静脉识别、手掌静脉识别以及手指静脉识别。其中,手指静脉和指纹一样,具有很强的普遍性和唯一性,因此,手指静脉识别成为近年来生物识别技术开辟的新领域。
在手指静脉识别过程中,通常利用透射光或者反射光两种方式获取手指静脉图像,然后从手指静脉图像中提取静脉特征,进行特征匹配,实现了手指静脉识别,确认使用者身份。
但目前手指静脉识别技术的成熟度和准确率低于指纹识别,主要原因在于,现有手指静脉图像的静脉特征提取和匹配的效率都较低,因此,如何提取手指静脉特征和实现匹配是手指静脉特征中的研究课题之一。
发明内容
发明针对以上问题的提出,而研究设计一种指静脉图像的特征值提取和对比算法,本发明采用的技术手段如下:
一种指静脉图像的特征值提取和对比算法,包括以下步骤:步骤1、ROI图提取:将指静脉采集装置拍摄的待识别的指静脉图像剔除背景后获得ROI图;步骤2、GABOR滤波:将步骤1中得到的ROI图进行GABOR滤波处理获得GABOR图;步骤3、LBP纹理特征提取:将步骤2中的GABOR图进行LBP滤波处理获得LBP图;步骤4、生成骨干图:将步骤3中的LBP图进行归一化、二值化处理获得骨干图;步骤5、特征值匹配:重复步骤1至步骤4,获取两张骨干图,将获取的两张骨干图进行特征值匹配获得指静脉图片,该方法可以精确的提取手指静脉特征和实现手指静脉特征的匹配。
进一步地,所述步骤1中ROI图提取包括以下步骤:
步骤1.1、读取原图:读取指静脉终端设备采集到的原始指静脉图像;
步骤1.2、转灰度图:将读取的原始指静脉图像转换成单通道灰度图;
步骤1.3、提取轮廓:对单通道灰度图提取手指边缘轮廓,生成手指上下两条轮廓包络线;
步骤1.4、计算和旋转角度:计算手指边缘轮廓线的中心线和图像纵向中心线的夹角,并将手指轮廓线进行旋转,使得手指边缘轮廓线的中心线与图像纵向中心线重合;
步骤1.5、计算平移位置:对旋转后的手指轮廓线进行平移,使得手指轮廓线的中心与图像的中心重合;
步骤1.6、计算缩放比例:对手指轮廓线的进行缩放,使得手指轮廓线与图像采集窗口相适应;
步骤1.7、生成ROI矩阵:用设定的窗口对步骤1.6中的图像进行截取,并生成ROI图像矩阵;
步骤1.8、生成返回值。
进一步地,所述步骤2中GABOR滤波采用OpenCV库中的GABOR滤波器,其包括以下步骤:步骤2.1、对滤波器进行参数设置:对OpenCV库中的GABOR滤波器进行参数设置,设置的参数包括滤波器尺寸、带宽、弧度以及波长;步骤2.2、滤波器内核的初始化:将步骤2.1中设置完参数的GABOR滤波器的内核进行初始化设置;步骤2.3、循环滤波:利用GABOR滤波器对ROI图像进行多个方向的滤波分别得到对应方向的滤波后的图像,并将多个对应方向滤波后的图像进行比较,获得具有最小值的滤波图像矩阵;步骤2.4、归一化:将步骤2.3中获得的具有最小值的滤波图像矩阵进行归一化处理获得归一化图像矩阵。
进一步地,所述步骤3中LBP滤波采用OpenCV库中的LBP滤波器,其包括以下步骤:
步骤3.1、转换32位浮点数:将GABOR滤波后获得的灰度图矩阵进行32位浮点数类型转换,获得浮点型图像矩阵;
步骤3.2、构建垂直方向滤波因子:构建的垂直方向滤波因子为
其中,M为GABOR图的行数;
步骤3.3、利用垂直滤波因子滤波:利用步骤3.2中构建的垂直方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得垂直滤波后的图像矩阵;
步骤3.4、水平方向滤波因子:构建的水平方向滤波因子为
其中,M为GABOR图的行数;
步骤3.5、利用水平滤波因子滤波:利用步骤3.4中构建的水平方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得水平滤波后的图像矩阵;
步骤3.6、滤波结果求和:对步骤3.3中获得的垂直滤波后的图像矩阵与步骤3.5中的水平滤波后的图像矩阵相加求和;
步骤3.7、计算幅值向量:对步骤3.6中相加求和后的图像矩阵进行幅值向量计算;
步骤3.8、归一化:利用步骤3.7中计算的幅值向量对步骤3.6中相加求和后的图像矩阵进行归一化处理;
步骤3.9、生成灰度图。
进一步地,所述步骤4中生成骨干图包括以下步骤:步骤4.1、阀值二值化:对LBP滤波后的图像进行二值化处理生成二值化图像矩阵;步骤4.2、去除上下两边噪声影响:将步骤4.1中的二值化图像矩阵中开始的多行和最后的多行数据去除,以减少噪声影响;步骤4.3、去除小面积区域:计算二值化图像中连通区域的大小,图像中连通区域小于设定阈值的区域为小面积区域图像,删除小面积区域图像,以减小噪声影响;步骤4.4、生成灰度图:将去除上下两边噪声和小面积区域的图像进行灰度图转换,生成灰度图。
进一步地,所述步骤5中特征值匹配包括以下步骤:步骤5.1、等比例缩小:将获取到的两张骨干图等比例缩小获得缩小后的骨干图;步骤5.2、以两张缩小后的骨干图中任意相同坐标点为中心,周围5X5个像素点区域,进行对比,统计相似点的数量,如果,相似点的数量大于设定阈值,则两个指静脉图像为相同图像,否则为不同图像。
与现有技术比较,本发明所述的指静脉图像的特征值提取和对比算法具有以下有益效果:
通过对指静脉装置采集的指静脉图像进行ROI图提取、GABOR滤波、LBP滤波、生成骨干图以及特征值匹配处理后,能够有效提取手指静脉识别特征,以进行手指静脉识别。
附图说明
图1为本发明公开的指静脉图像的特征值提取和对比算法的流程图;
图2为ROI图提取步骤的流程图;
图3为GABOR滤波的流程图;
图4为LBP滤波的流程图;
图5为生成骨干图的流程图;
图6为特征值匹配的流程图;
图7为提取的指静脉图像进行骨干图处理时的图片。
具体实施方式
如图1所示为本发明公开的指静脉图像的特征值提取和对比算法,包括以下步骤:步骤1、ROI图提取:将指静脉采集装置拍摄的待识别的指静脉图像剔除背景后获得ROI图;
步骤2、GABOR滤波:将步骤1中得到的ROI图进行GABOR滤波处理获得增强后的指静脉图像,即GABOR图;
步骤3、LBP纹理特征提取:将步骤2中的GABOR图进行LBP滤波处理获得指静脉纹理特征图,即LBP图;
步骤4、生成骨干图:将步骤3中的LBP图进行归一化、二值化处理获得的二值指静脉特征图,即骨干图;
步骤5、特征值匹配:重复步骤1至步骤4,获取两张骨干图,将获取的两张骨干图进行特征值匹配获得指静脉图片,该方法可以精确的提取手指静脉特征和实现手指静脉特征的匹配。
具体地,如图2所示为ROI图提取的流程图,其包括以下步骤:
步骤1.1、读取原图:读取指静脉终端设备采集到的原始指静脉图像;
步骤1.2、转灰度图:将读取的原始指静脉图像转换成单通道灰度图;
步骤1.3、提取轮廓:对单通道灰度图提取手指边缘轮廓,生成手指上下两条轮廓包络线;
步骤1.4、计算和旋转角度:计算手指边缘轮廓线的中心线和图像纵向中心线的夹角,并将手指轮廓线进行旋转,使得手指边缘轮廓线的中心线与图像纵向中心线重合;
步骤1.5、计算平移位置:对旋转后的手指轮廓线进行平移,使得手指轮廓线的中心与图像的中心重合;
步骤1.6、计算缩放比例:对手指轮廓线的进行缩放,使得手指轮廓线与图像采集窗口相适应;
步骤1.7、生成ROI矩阵:用设定的窗口对步骤1.6中的图像进行截取,并生成ROI图像矩阵;
步骤1.8、生成返回值。
如图3所示,步骤2中GABOR滤波采用OpenCV库中的GABOR滤波器,其包括以下步骤:
步骤2.1、对滤波器进行参数设置:对OpenCV库中的GABOR滤波器进行参数设置,设置的参数包括滤波器尺寸、带宽、弧度以及波长;
步骤2.2、滤波器内核的初始化:将步骤2.1中设置完参数的GABOR滤波器的内核进行初始化设置;
步骤2.3、循环滤波:利用GABOR滤波器对ROI图像进行多个方向的滤波分别得到对应方向的滤波后的图像,并将多个对应方向滤波后的图像进行比较,获得具有最小值的滤波图像矩阵;
步骤2.4、归一化:将步骤2.3中获得的具有最小值的滤波图像矩阵进行归一化处理获得归一化图像矩阵。
如图4所示,所述步骤3中LBP滤波采用OpenCV库中的LBP滤波器,其包括以下步骤:
步骤3.1、转换32位浮点数:将GABOR滤波后获得的灰度图矩阵进行32位浮点数类型转换,获得浮点型图像矩阵;
步骤3.2、构建垂直方向滤波因子:构建的垂直方向滤波因子为
其中,M为GABOR图的行数;
步骤3.3、利用垂直滤波因子滤波:利用步骤3.2中构建的垂直方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得垂直滤波后的图像矩阵;
步骤3.4、水平方向滤波因子:构建的水平方向滤波因子为
其中,M为GABOR图的行数;
步骤3.5、利用水平滤波因子滤波:利用步骤3.4中构建的水平方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得水平滤波后的图像矩阵;
步骤3.6、滤波结果求和:对步骤3.3中获得的垂直滤波后的图像矩阵与步骤3.5中的水平滤波后的图像矩阵相加求和;
步骤3.7、计算幅值向量:对步骤3.6中相加求和后的图像矩阵进行幅值向量计算;
步骤3.8、归一化:利用步骤3.7中计算的幅值向量对步骤3.6中相加求和后的图像矩阵进行归一化处理;
步骤3.9、生成灰度图。
如图5所示,所述步骤4中生成骨干图包括以下步骤:
步骤4.1、阀值二值化:对LBP滤波后的图像进行二值化处理生成二值化图像矩阵;
步骤4.2、去除上下两边噪声影响:将步骤4.1中的二值化图像矩阵中开始的多行和最后的多行数据去除,以减少噪声影响,如图7中图片所示,去除了图片中下边沿处的多行数据,以减少噪声影响;
步骤4.3、去除小面积区域:计算二值化图像中连通区域的大小,图像中连通区域小于设定阈值的区域为小面积区域图像,删除小面积区域图像,以减小噪声影响,如图7所示的图片中连通区域小于一定值的区域被删除(图中圆圈圈出的部分被删除),可以减少噪声影响,同时降低运算量。
步骤4.4、生成灰度图:将去除上下两边噪声和小面积区域的图像进行灰度图转换,生成灰度图。
进一步地,所述步骤5中特征值匹配包括以下步骤:
步骤5.1、等比例缩小:将获取到的两张骨干图等比例缩小获得缩小后的骨干图;
步骤5.2、以两张缩小后的骨干图中任意相同坐标点为中心,周围5X5个像素点区域,进行对比,统计相似点的数量,如果,相似点的数量大于设定阈值,则两个指静脉图像为相同图像,否则为不同图像。
通过以上步骤可以精确的提取手指静脉特征和实现手指静脉特征的匹配。
以上所述,仅为本发明较佳的具体实施方式,但本发明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揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种指静脉图像的特征值提取和对比算法,其特征在于:包括以下步骤:
步骤1、ROI图提取:将指静脉采集装置拍摄的待识别的指静脉图像剔除背景后获得ROI图;
步骤2、GABOR滤波:将步骤1中得到的ROI图进行GABOR滤波处理获得GABOR图;
步骤3、LBP纹理特征提取:将步骤2中的GABOR图进行LBP滤波处理获得LBP图;
步骤4、生成骨干图:将步骤3中的LBP图进行归一化、二值化处理获得骨干图;
步骤5、特征值匹配:重复步骤1至步骤4,获取两张骨干图,将获取的两张骨干图进行特征值匹配获得指静脉图片,该方法可以精确的提取手指静脉特征和实现手指静脉特征的匹配。
2.根据权利要求1所述的指静脉图像的特征值提取和对比算法,其特征在于:所述步骤1中ROI图提取包括以下步骤:
步骤1.1、读取原图:读取指静脉终端设备采集到的原始指静脉图像;
步骤1.2、转灰度图:将读取的原始指静脉图像转换成单通道灰度图;
步骤1.3、提取轮廓:对单通道灰度图提取手指边缘轮廓,生成手指上下两条轮廓包络线;
步骤1.4、计算和旋转角度:计算手指边缘轮廓线的中心线和图像纵向中心线的夹角,并将手指轮廓线进行旋转,使得手指边缘轮廓线的中心线与图像纵向中心线重合;
步骤1.5、计算平移位置:对旋转后的手指轮廓线进行平移,使得手指轮廓线的中心与图像的中心重合;
步骤1.6、计算缩放比例:对手指轮廓线的进行缩放,使得手指轮廓线与图像采集窗口相适应;
步骤1.7、生成ROI矩阵:用设定的窗口对步骤1.6中的图像进行截取,并生成ROI图像矩阵;
步骤1.8、生成返回值。
3.根据权利要求1所述的指静脉图像的特征值提取和对比算法,其特征在于:所述步骤2中GABOR滤波采用OpenCV库中的GABOR滤波器,其包括以下步骤:
步骤2.1、对滤波器进行参数设置:对OpenCV库中的GABOR滤波器进行参数设置,设置的参数包括滤波器尺寸、带宽、弧度以及波长;
步骤2.2、滤波器内核的初始化:将步骤2.1中设置完参数的GABOR滤波器的内核进行初始化设置;
步骤2.3、循环滤波:利用GABOR滤波器对ROI图像进行多个方向的滤波分别得到对应方向的滤波后的图像,并将多个对应方向滤波后的图像进行比较,获得具有最小值的滤波图像矩阵;
步骤2.4、归一化:将步骤2.3中获得的具有最小值的滤波图像矩阵进行归一化处理获得归一化图像矩阵。
4.根据权利要求1所述的指静脉图像的特征值提取和对比算法,其特征在于:所述步骤3中LBP滤波采用OpenCV库中的LBP滤波器,其包括以下步骤:
步骤3.1、转换32位浮点数:将GABOR滤波后获得的灰度图矩阵进行32位浮点数类型转换,获得浮点型图像矩阵;
步骤3.2、构建垂直方向滤波因子:构建的垂直方向滤波因子为
其中,M为GABOR图的行数;
步骤3.3、利用垂直滤波因子滤波:利用步骤3.2中构建的垂直方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得垂直滤波后的图像矩阵;
步骤3.4、水平方向滤波因子:构建的水平方向滤波因子为
其中,M为GABOR图的行数;
步骤3.5、利用水平滤波因子滤波:利用步骤3.4中构建的水平方向滤波因子对步骤3.1中的浮点型图像矩阵进行滤波获得水平滤波后的图像矩阵;
步骤3.6、滤波结果求和:对步骤3.3中获得的垂直滤波后的图像矩阵与步骤3.5中的水平滤波后的图像矩阵相加求和;
步骤3.7、计算幅值向量:对步骤3.6中相加求和后的图像矩阵进行幅值向量计算;
步骤3.8、归一化:利用步骤3.7中计算的幅值向量对步骤3.6中相加求和后的图像矩阵进行归一化处理;
步骤3.9、生成灰度图。
5.根据权利要求1所述的指静脉图像的特征值提取和对比算法,其特征在于:所述步骤4中生成骨干图包括以下步骤:
步骤4.1、阀值二值化:对LBP滤波后的图像进行二值化处理生成二值化图像矩阵;
步骤4.2、去除上下两边噪声影响:将步骤4.1中的二值化图像矩阵中开始的多行和最后的多行数据去除,以减少噪声影响;
步骤4.3、去除小面积区域:计算二值化图像中连通区域的大小,图像中连通区域小于设定阈值的区域为小面积区域图像,删除小面积区域图像,以减小噪声影响;
步骤4.4、生成灰度图:将去除上下两边噪声和小面积区域的图像进行灰度图转换,生成灰度图。
6.根据权利要求1所述的指静脉图像的特征值提取和对比算法,其特征在于:所述步骤5中特征值匹配包括以下步骤:
步骤5.1、等比例缩小:将获取到的两张骨干图等比例缩小获得缩小后的骨干图;
步骤5.2、以两张缩小后的骨干图中任意相同坐标点为中心,周围5X5个像素点区域,进行对比,统计相似点的数量,如果,相似点的数量大于设定阈值,则两个指静脉图像为相同图像,否则为不同图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142714.9A CN109886220A (zh) | 2019-02-26 | 2019-02-26 | 一种指静脉图像的特征值提取和对比算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142714.9A CN109886220A (zh) | 2019-02-26 | 2019-02-26 | 一种指静脉图像的特征值提取和对比算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886220A true CN109886220A (zh) | 2019-06-14 |
Family
ID=66929548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142714.9A Pending CN109886220A (zh) | 2019-02-26 | 2019-02-26 | 一种指静脉图像的特征值提取和对比算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886220A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
CN110599436A (zh) * | 2019-09-24 | 2019-12-20 | 北京凌云天润智能科技有限公司 | 一种双目图像拼接融合算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
CN107041729A (zh) * | 2016-12-30 | 2017-08-15 | 西安中科微光影像技术有限公司 | 双目近红外成像系统及血管识别方法 |
CN107644198A (zh) * | 2017-08-18 | 2018-01-30 | 郑州云海信息技术有限公司 | 一种基于Gabor滤波器和LBP算子的手掌静脉识别方法及系统 |
-
2019
- 2019-02-26 CN CN201910142714.9A patent/CN109886220A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095880A (zh) * | 2015-08-20 | 2015-11-25 | 中国民航大学 | 一种基于lgbp编码的手指多模态特征融合方法 |
CN107041729A (zh) * | 2016-12-30 | 2017-08-15 | 西安中科微光影像技术有限公司 | 双目近红外成像系统及血管识别方法 |
CN107644198A (zh) * | 2017-08-18 | 2018-01-30 | 郑州云海信息技术有限公司 | 一种基于Gabor滤波器和LBP算子的手掌静脉识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
BAKHTIAR AFFENDI ROSDI ET AL: "Finger Vein Recognition Using Local Line Binary Pattern", 《SENSORS》 * |
彭加亮: "基于手指多模态生物特征的身份认证关键问题研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110532851B (zh) * | 2019-07-04 | 2022-04-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
CN110599436A (zh) * | 2019-09-24 | 2019-12-20 | 北京凌云天润智能科技有限公司 | 一种双目图像拼接融合算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
Yang et al. | Finger-vein segmentation based on multi-channel even-symmetric Gabor filters | |
CN109886220A (zh) | 一种指静脉图像的特征值提取和对比算法 | |
CN107832739A (zh) | 一种基于orb特征提取的掌静脉识别系统及方法 | |
CN106096569B (zh) | 一种手指静脉识别方法 | |
CN106156754A (zh) | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 | |
Wang et al. | Hand vein recognition based on multiple keypoints sets | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及系统 | |
Kang et al. | The biometric recognition on contactless multi-spectrum finger images | |
CN105760841A (zh) | 一种身份识别方法及系统 | |
Tagkalakis et al. | A novel approach to finger vein authentication | |
Prabhakar et al. | Finger vein identification based on minutiae feature extraction with spurious minutiae removal | |
Cho et al. | Palm-vein verification using images from the visible spectrum | |
Zhao et al. | Biometric identification based on low-quality hand vein pattern images | |
Sun et al. | A DSP-based finger vein authentication system | |
Fairuz et al. | Convolutional neural network-based finger vein recognition using near infrared images | |
Kumar et al. | Enhancement in Footprint Image using Diverse Filtering Technique | |
CN114782478B (zh) | 一种手掌图像分割方法及装置 | |
Yusoff et al. | Review on vein enhancement methods for biometric system | |
KR101767051B1 (ko) | 퍼지 추론 기반 지정맥 영상 추출 방법 및 그 장치 | |
Prasad et al. | Hand vein authentication system using dynamic ROI | |
Chihaoui et al. | Human identification system based on the detection of optical Disc Ring in retinal images | |
Malutan et al. | Dorsal hand vein recognition based on Riesz Wavelet Transform and Local Line Binary Pattern | |
Kim et al. | Non-contact finger vein acquisition system using NIR laser | |
Jose et al. | Towards building a better biometric system based on vein patterns in human beings |
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: 20190614 |