CN110008825A - 掌纹识别方法、装置、计算机设备和存储介质 - Google Patents

掌纹识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110008825A
CN110008825A CN201910127576.7A CN201910127576A CN110008825A CN 110008825 A CN110008825 A CN 110008825A CN 201910127576 A CN201910127576 A CN 201910127576A CN 110008825 A CN110008825 A CN 110008825A
Authority
CN
China
Prior art keywords
palmmprint
palm area
palm
annular
area
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
Application number
CN201910127576.7A
Other languages
English (en)
Inventor
惠慧
王福晴
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910127576.7A priority Critical patent/CN110008825A/zh
Publication of CN110008825A publication Critical patent/CN110008825A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V40/1365—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例涉及一种掌纹识别方法、装置、计算机设备和存储介质，所述方法包括：获取待识别的手部图像；确定所述手部图像中的手掌区域；基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；对掌纹增强处理后的手掌区域进行掌纹识别。本发明实施例能够避免或减少因有些人的掌纹纹路不清晰或者掌纹图像质量差所导致掌纹图像的特征提取比较困难的情况发生，提高掌纹识别的准确性和匹配度。

Description

掌纹识别方法、装置、计算机设备和存储介质
技术领域
本发明涉及掌纹识别技术领域，特别是涉及一种掌纹识别方法、装置、计算机设备和存储介质。
背景技术
掌纹是手掌皮肤上所有纹路的统称，主要包括乳突纹、主线和皱褶。掌纹具有唯一性，即不同的人的掌纹千差万别，没有任何两个手掌是完全相同的。基于掌纹的这一特点，可以进行身份鉴别。
目前，掌纹识别有接触式掌纹识别和非接触式掌纹识别，这两种都是通过采集掌纹的图像来进行身份识别。其中的非接触式掌纹识别因具有操作方便简单、干净卫生等优势成为了掌纹识别研究的一个热点。在对相关技术研究过程中，发明人发现：由于有些人的掌纹纹路不清晰或者掌纹图像质量差，导致掌纹图像的特征提取比较困难，影响掌纹识别的准确度。
发明内容
本申请实施例提供一种掌纹识别方法、装置、计算机设备和存储介质，能够提高掌纹识别的准确性。
本申请实施例提供一种掌纹识别方法，包括：
获取待识别的手部图像；
确定所述手部图像中的手掌区域；
基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
对掌纹增强处理后的手掌区域进行掌纹识别。
在一些实施例中，所述确定所述手部图像中的手掌区域，包括：
确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；
根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。
在一些实施例中，所述基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理，包括：
采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
在一些实施例中，所述环形Gabor滤波器的定义公式包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率。
在一些实施例中，所述二维高斯函数的定义公式包括：
式中，σ为所述二维高斯函数的标准方差。
在一些实施例中，对掌纹增强处理后的手掌区域进行掌纹识别，包括：
确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；
根据所述余弦相似度，确定掌纹增强处理后的手掌区域是否识别成功。
本申请实施例提供一种掌纹识别装置，所述装置包括
图像获取模块，用于获取待识别的手部图像；
区域确定模块，用于确定所述手部图像中的手掌区域；
掌纹增强模块，用于基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
掌纹识别模块，用于对掌纹增强处理后的手掌区域进行掌纹识别。
本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述掌纹识别方法的步骤。
本申请实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述掌纹识别方法的步骤。
本申请实施例提供的掌纹识别方法、装置、计算机设备和存储介质，在对手掌区域进行掌纹识别之前，基于环形Gabor滤波器对手掌区域进行掌纹增强处理，得到手掌区域中的纹理信息，在此过程中滤除了手掌区域中的光照和其他噪声，从而抑制了手掌区域中不感兴趣的特征，增强掌纹纹路与背景的对比度，避免或减少因有些人的掌纹纹路不清晰或者掌纹图像质量差所导致掌纹图像的特征提取比较困难的情况发生，提高掌纹识别的准确性和匹配度。
附图说明
图1为一个实施例中计算机设备的内部结构框图；
图2为一个实施例中掌纹识别方法的流程图；
图3为一个实施例中图像采集模块采集到的图像的示意图；
图4为一个实施例中确定所述手部图像中的手掌区域的流程示意图；
图5为一个实施例中手部图像的示意图；
图6为一个实施例中手部图像的示意图；
图7为一个实施例中对掌纹增强处理后的手掌区域进行掌纹识别的流程示意图；
图8为一个实施例中掌纹识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
图1为本申请一个实施例中计算机设备的结构示意图。如图1所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种掌纹识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种掌纹识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出一种掌纹识别方法，该掌纹识别方法可以应用于图1所示出的计算机设备中。
本实施例提供的掌纹识别方法的具体应用场景有多种，计算机设备的具体形式也有多种。例如，某公司采用的是非接触式掌纹识别的门禁设备，该公司的员工在上下班时需要在门禁设备上进行身份识别。此时，门禁设备作为一种计算机设备可以采用本实施例提供的掌纹识别方法进行掌纹识别，进而实现身份识别。
参考图2，本实施例提供的掌纹识别方法具体可以包括以下步骤：
S21、获取待识别的手部图像；
该步骤的触发方式有多种，例如，当人们需要进行身份识别时，触发计算机设备上的按键，或者进行某种手势操作，以触发图像采集模块(例如，摄像头)进行图像采集。这样，计算机设备中的处理器可以对图像采集模块采集到的图像进行检测。其中，图像采集模块可以为计算机设备的一部分，也可以独立于计算机设备而设置。
在实际中，计算机设备中的处理器具体可以采用目标检测算法(Single ShotMultiBox Detector，简称SSD)对图像采集模块采集的图像进行检测，定位手部所在区域，进而得到手部图像。例如，在如图3所示，在图像采集模块采集的图像31中检测到手部所在区域32，进而将手部所在区域32作为手部图像，这样可以减少其他区域对掌纹识别造成干扰，同时，采用目标检测算法便于检测出完整的手部图像，不完整的手部图像会被过滤掉，从而保证手部图像包含指尖、指根和手掌。
S22、确定所述手部图像中的手掌区域；
可理解的是，手掌区域是手部图像中主要体现掌纹信息的区域。
在实际应用中，确定所述手部图像中手掌区域的方式有多种，下面参考图4介绍其中一种：
S41、确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；
可理解的是，上述除大拇指之外的任意一手指的指尖位置，可以为食指指尖位置、中指指尖位置、无名指指尖位置或小指指尖位置。
本步骤中可以采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置。以中指指尖位置为例，对其具体识别过程进行说明：对Cascade卷积神经网络模型进行训练，训练数据集中包括若干张已经标注过食指指根位置、小指指根位置和中指指尖位置的手部图像。在对Cascade卷积神经网络模型训练完成之后，利用该模型对新输入的手部图像进行关键点提取，便可以得到食指指根位置、小指指根位置和中指指尖位置。
S42、根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
在实际应用中，可以根据需要对手掌区域的形状进行设置，例如，可以设置成圆形、椭圆形、正方形、长方形等任意形状。
例如，如图5所示，将手掌区域设置为一个以所述食指指根位置A和所述小指指根位置B之间的连线AB为一条边的正方形区域51，且所述正方形区域51的中心位于所述连线远离所述指尖位置D的一侧。由于所述食指指根位置A和所述小指指根位置B之间的连线AB可以把手掌区域分割为两部分：一部分主要是除大拇指之外的四个手指所在的区域，该区域为上述连线AB靠近上述指尖位置D的一侧；另一部分主要是大拇指及手掌所在的区域，该区域为上述连线AB远离上述指尖位置D的一侧。上述正方形区域51对其一条边和中心所在大致方位进行限定，从而可以确定唯一的一个正方形区域作为手掌区域。
步骤S41和S42提供了一种比较简单的确定手掌区域的方法，当然，也可以采用下面的方法确定手掌区域：
首先，依据S41提取出手部图像中的食指指根位置A、小指指根位置B和中指指尖位置D。为方便计算，可根据食指指根位置A和小指指根位置B的连线AB、连线AB与中指指尖位置D的上下关系，确定手的倾斜角度，根据倾斜角度对手部图像进行旋转，直至连线AB旋转到水平方向，且手指向上。
然后，确定手掌区域的中心和一条边，进而确定手掌区域。具体为：如图6所示，设置连线AB的中垂线CE，E点位于连线AB的中点，且中垂线CE的长度length为连线AB的长度的一半，将点C作为正方形区域的中点，且以连线AB作为正方形区域的一条边，形成一个正方形区域，将该正方形区域作为手掌区域。该手掌区域的四个顶点分别为p1(C.x-length,C.y-length)、p2(C.x+length,C.y-length)、p3(C.x-length,C.y+length)和p4(C.x+length,C.y+length)。
S23、基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
可理解的是，上述环形Gabor滤波器，即CircularGaborFilter，简称CGF。环形Gabor滤波器具有旋转不变性。
在实际应用中，基于环形Gabor滤波器对所述手掌区域进行掌纹增强处理的方式有多种，这里介绍其中一种：采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
通过第一公式，可以得到图像的纹理信息，即上述P。
其中，所述环形Gabor滤波器的定义公式可以包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率，例如，F取值为1/256；x和y为图像坐标系中的横坐标和纵坐标。
其中，上述二维高斯函数的定义公式可以包括：
式中，σ为所述二维高斯函数的标准方差，例如，σ取4。
S24、对掌纹增强处理后的手掌区域进行掌纹识别。
在实际应用中，对掌纹增强处理后的手掌区域进行掌纹识别的方式有多种，下面参考图7介绍其中一种：
S71、确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；
可理解的是，特征向量为掌纹增强处理后的手掌区域的多个掌纹特征所组成的向量。具体可以采用机器学习模型(例如，轻量化卷积神经网络MobileNet)从手掌区域中提取特征向量。
可理解的是，余弦相似度是通过计算两个特征向量的夹角余弦值来评估两个特征向量的相似度，进而得知掌纹增强处理后的手掌区域与预先存储的掌纹图像之间的相似度。
S72、根据所述余弦相似度，确定所述掌纹增强处理后的手掌区域是否识别成功。
例如，掌纹增强处理后的手掌区域的特征向量与预先存储的一个掌纹图像的特征向量之间的余弦相似度高于预设阈值，则认为掌纹增强处理后的手掌区域与预先存储的这个掌纹图像足够相似，两者匹配成功，即掌纹增强处理后的手掌区域识别成功。
这里，采用余弦相似度评价掌纹增强处理后的手掌区域与预先存储的掌纹图像的相似度，具有计算简单、易实现的优点。当然，还可以采用其他的指标来评价两者的相似度。
本实施例提供的掌纹识别方法，在对手掌区域进行掌纹识别之前，基于环形Gabor滤波器对手掌区域进行掌纹增强处理，得到手掌区域中的纹理信息，在此过程中滤除了手掌区域中的光照和其他噪声，从而抑制了手掌区域中不感兴趣的特征，增强掌纹纹路与背景的对比度，避免或减少因有些人的掌纹纹路不清晰或者掌纹图像质量差所导致掌纹图像的特征提取比较困难的情况发生，提高掌纹识别的准确性和匹配度。由于环形Gabor滤波器具有旋转不变性，使得掌纹增强处理后的手掌区域不会失真，故有利于后续的掌纹识别。
如图8所示，在一个实施例中，提供了一种掌纹识别装置80，该掌纹识别装置80可以集成于上述的计算机设备中，具体可以包括：
图像获取模块81，用于获取待识别的手部图像；
区域确定模块82，用于确定所述手部图像中的手掌区域；
掌纹增强模块83，用于基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
掌纹识别模块84，用于对掌纹增强处理后的手掌区域进行掌纹识别。
在一些实施例中，区域确定模块82包括：
第一确定单元，用于确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；
第二确定单元，用于根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。
在一些实施例中，掌纹增强模块83具体用于：采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
在一些实施例中，所述环形Gabor滤波器的定义公式包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率。
在一些实施例中，二维高斯函数的定义公式包括：
式中，σ为所述二维高斯函数的标准方差。
在一些实施例中，掌纹识别模块84具体用于：确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定掌纹增强处理后的手掌区域是否识别成功。
本申请提供的掌纹识别装置，掌纹识别模块在对手掌区域进行掌纹识别之前，掌纹增强模块基于环形Gabor滤波器对手掌区域进行掌纹增强处理，得到手掌区域中的纹理信息，在此过程中滤除了手掌区域中的光照和其他噪声，从而抑制了手掌区域中不感兴趣的特征，增强掌纹纹路与背景的对比度，避免或减少因有些人的掌纹纹路不清晰或者掌纹图像质量差所导致掌纹图像的特征提取比较困难的情况发生，提高掌纹识别的准确性和匹配度。
在一些实施例中，提出了一种计算机设备，所述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以下步骤：获取待识别的手部图像；确定所述手部图像中的手掌区域；基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；对掌纹增强处理后的手掌区域进行掌纹识别。
在一些实施例中，所述处理器所执行的确定所述手部图像中的手掌区域的步骤包括：确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。
在一些实施例中，所述处理器所执行的基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理的步骤包括：采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
在一些实施例中，所述环形Gabor滤波器的定义公式包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率。
在一些实施例中，二维高斯函数的定义公式包括：
式中，σ为所述二维高斯函数的标准方差。
在一些实施例中，所述处理器所执行的对掌纹增强处理后的手掌区域进行掌纹识别的步骤包括：确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定掌纹增强处理后的手掌区域是否识别成功。
本申请提供的计算机设备的有益效果与上述掌纹识别方法和装置相同，这里不再赘述。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取待识别的手部图像；确定所述手部图像中的手掌区域；基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；对掌纹增强处理后的手掌区域进行掌纹识别。
在一些实施例中，一个或多个处理器执行的步骤确定所述手部图像中的手掌区域，具体包括：确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。
在一些实施例中，一个或多个处理器执行的步骤基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理，包括：
采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
在一些实施例中，所述环形Gabor滤波器的定义公式包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率。
在一些实施例中，所述二维高斯函数的定义公式包括：
式中，σ为所述二维高斯函数的标准方差。
在一些实施例中，一个或多个处理器执行的步骤对掌纹增强处理后的手掌区域进行掌纹识别，包括：确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定所述掌纹增强处理后的手掌区域是否识别成功。
本申请提供的存储介质的有益效果与上述掌纹识别方法和装置相同，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种掌纹识别方法，其特征在于，所述方法包括：
获取待识别的手部图像；
确定所述手部图像中的手掌区域；
基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
对掌纹增强处理后的手掌区域进行掌纹识别。
2.根据权利要求1所述的方法，其特征在于，确定所述手部图像中的手掌区域，包括：
确定所述手部图像中食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置；
根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。
3.根据权利要求2所述的方法，其特征在于，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。
4.根据权利要求1所述的方法，其特征在于，所述基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理，包括：
采用第一公式将所述环形Gabor滤波器与所述手掌区域进行卷积，得到掌纹增强处理后的手掌区域；所述第一公式包括：
P＝∫∫I(x，y)(Zr(x，y)-Zi(x，y)i)dxdy
式中，I(x，y)为所述手掌区域中坐标(x，y)处的像素数据，I(x，y)为所述环形Gabor滤波器的实数部分，Zi(x，y)为所述环形Gabor滤波器的虚数部分，P为掌纹增强处理后的手掌区域的像素数据。
5.根据权利要求4所述的方法，其特征在于，所述环形Gabor滤波器的定义公式包括：
式中，G(x，y)为所述环形Gabor滤波器，x和y为图像坐标系中横坐标和纵坐标，g(x，y)为各向同性的二维高斯函数，F为所述环形Gabor滤波器的中心频率。
6.根据权利要求5所述的方法，其特征在于，所述二维高斯函数的定义公式包括：
式中，σ为所述二维高斯函数的标准方差。
7.根据权利要求1～6任一项所述的方法，其特征在于，对掌纹增强处理后的手掌区域进行掌纹识别，包括：
确定掌纹增强处理后的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；
根据所述余弦相似度，确定掌纹增强处理后的手掌区域是否识别成功。
8.一种掌纹识别装置，其特征在于，所述装置包括
图像获取模块，用于获取待识别的手部图像；
区域确定模块，用于确定所述手部图像中的手掌区域；
掌纹增强模块，用于基于环形Gabor滤波器，对所述手掌区域进行掌纹增强处理；
掌纹识别模块，用于对掌纹增强处理后的手掌区域进行掌纹识别。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。
CN201910127576.7A 2019-02-20 2019-02-20 掌纹识别方法、装置、计算机设备和存储介质 Pending CN110008825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910127576.7A CN110008825A (zh) 2019-02-20 2019-02-20 掌纹识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910127576.7A CN110008825A (zh) 2019-02-20 2019-02-20 掌纹识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110008825A true CN110008825A (zh) 2019-07-12

Family

ID=67165755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910127576.7A Pending CN110008825A (zh) 2019-02-20 2019-02-20 掌纹识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110008825A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852216A (zh) * 2019-10-30 2020-02-28 平安科技（深圳）有限公司 一种掌纹验证方法、装置、计算机设备及可读存储介质
CN111178310A (zh) * 2019-12-31 2020-05-19 广东灵机文化传播有限公司 手掌特征识别方法、装置、计算机设备和存储介质
CN111382712A (zh) * 2020-03-12 2020-07-07 厦门中控智慧信息技术有限公司 一种手掌图像识别方法、系统及设备
CN114511885A (zh) * 2022-02-10 2022-05-17 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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004029862A1 (en) * 2002-09-25 2004-04-08 The Hong Kong Polytechnic University Method and apparatus for palmprint identification
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
CN103793705A (zh) * 2014-03-11 2014-05-14 哈尔滨工业大学 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法
CN104123537A (zh) * 2014-07-04 2014-10-29 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
CN108960003A (zh) * 2017-05-18 2018-12-07 济南大学 基于Gabor和混沌映射的掌纹特征生成及认证方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004029862A1 (en) * 2002-09-25 2004-04-08 The Hong Kong Polytechnic University Method and apparatus for palmprint identification
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
CN103793705A (zh) * 2014-03-11 2014-05-14 哈尔滨工业大学 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法
CN104123537A (zh) * 2014-07-04 2014-10-29 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
CN108960003A (zh) * 2017-05-18 2018-12-07 济南大学 基于Gabor和混沌映射的掌纹特征生成及认证方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852216A (zh) * 2019-10-30 2020-02-28 平安科技（深圳）有限公司 一种掌纹验证方法、装置、计算机设备及可读存储介质
CN111178310A (zh) * 2019-12-31 2020-05-19 广东灵机文化传播有限公司 手掌特征识别方法、装置、计算机设备和存储介质
CN111382712A (zh) * 2020-03-12 2020-07-07 厦门中控智慧信息技术有限公司 一种手掌图像识别方法、系统及设备
CN114511885A (zh) * 2022-02-10 2022-05-17 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
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

Similar Documents

Publication Publication Date Title
US11188734B2 (en) Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
Yang et al. Comparative competitive coding for personal identification by using finger vein and finger dorsal texture fusion
CN110008825A (zh) 掌纹识别方法、装置、计算机设备和存储介质
Raghavendra et al. Scaling-robust fingerprint verification with smartphone camera in real-life scenarios
Liang et al. A novel multicamera system for high-speed touchless palm recognition
KR20190094352A (ko) 모바일 디바이스를 사용하여 캡처된 화상을 사용하여 지문 기반 사용자 인증을 수행하기 위한 시스템 및 방법
US9076026B2 (en) Biometric information processing apparatus and biometric information processing method
CN110008824A (zh) 掌纹识别方法、装置、计算机设备和存储介质
Lee et al. Dorsal hand vein recognition based on 2D Gabor filters
Lee et al. Dorsal hand vein recognition based on directional filter bank
CN107169479A (zh) 基于指纹验证的智能移动设备敏感数据防护方法
Huang et al. A novel iris segmentation using radial-suppression edge detection
Trabelsi et al. A new multimodal biometric system based on finger vein and hand vein recognition
Fischer et al. A novel palm vein recognition approach based on enhanced local Gabor binary patterns histogram sequence
CN103324921B (zh) 一种基于内指横纹的移动识别方法及其移动识别设备
Soh et al. A review: Personal identification based on palm vein infrared pattern
KR20170003361A (ko) 지문 인식 방법 및 장치
Methani et al. Pose invariant palmprint recognition
Wang et al. A gradient based weighted averaging method for estimation of fingerprint orientation fields
Shen et al. Iritrack: Face presentation attack detection using iris tracking
Oldal et al. Biometric Authentication System based on Hand Geometry and Palmprint Features.
Meng et al. Palm-dorsal vein recognition method based on histogram of local gabor phase xor pattern with second identification
KR101037759B1 (ko) 활성형상모델과 가버 특징 벡터를 이용한 얼굴 인식 방법
Méndez-Llanes et al. On the use of local fixations and quality measures for deep face recognition
Biradar Personal identification using palmprint biometrics based on principal line approach

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