CN110008902A - 一种融合基本特征和形变特征的手指静脉识别方法及系统 - Google Patents

一种融合基本特征和形变特征的手指静脉识别方法及系统 Download PDF

Info

Publication number
CN110008902A
CN110008902A CN201910271724.2A CN201910271724A CN110008902A CN 110008902 A CN110008902 A CN 110008902A CN 201910271724 A CN201910271724 A CN 201910271724A CN 110008902 A CN110008902 A CN 110008902A
Authority
CN
China
Prior art keywords
essential characteristic
image
deformation
finger
deformation characteristics
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.)
Granted
Application number
CN201910271724.2A
Other languages
English (en)
Other versions
CN110008902B (zh
Inventor
孟宪静
袭肖明
杨璐
耿蕾蕾
尹义龙
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.)
Shandong University of Finance and Economics
Original Assignee
Shandong University of Finance and Economics
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 Shandong University of Finance and Economics filed Critical Shandong University of Finance and Economics
Priority to CN201910271724.2A priority Critical patent/CN110008902B/zh
Publication of CN110008902A publication Critical patent/CN110008902A/zh
Application granted granted Critical
Publication of CN110008902B publication Critical patent/CN110008902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开提出了一种融合基本特征和形变特征的手指静脉识别方法及系统，识别方法的主要步骤为：图像预处理，基本特征提取、构建目标函数优化匹配、形变信息提取、基本特征和形变特征的融合。该方法在识别的过程中，不仅利用了形变信息，还考虑了获取形变特征时所需的基本特征和匹配分等信息，构建了融合基本特征和形变特征的手指静脉识别框架。该方法克服了使用单一特征时，特征表征能力不足的问题，提高了手指静脉识别的准确性和鲁棒性，保证了识别的效率。

Description

一种融合基本特征和形变特征的手指静脉识别方法及系统
技术领域
本公开涉及生物特征识别相关技术领域，具体的说，是涉及一种融合基本特征和形变特征的手指静脉识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
在众多的生物特征识别技术中，手指静脉识别因其方便性和安全性受到了研究者的广泛关注。它利用手指内的静脉分布图像来进行身份识别，将得到的手指静脉特征信息与事先注册的手指静脉特征进行比对，从而确认登录者的身份。手指静脉是指分布于手指内部的静脉血管，利用血红蛋白对近红外光的吸收作用可以成像。手指是三维的非刚体结构，不同的拍摄角度、姿态均会影响观察的效果，因此，拍摄的手指静脉图像也会产生相关变化。形变是一个相对的概念，本公开将二维手指静脉图像因手指的姿态、拍摄角度等变化所产生的不同定义为形变。在这个基础上，同一根手指的两幅图像之间的不同，可以认为是手指发生某种形变(姿态、拍摄角度等)产生。同源图像由于三维形变造成的识别效果不理想问题，主要体现在手指中各位置的对应不理想，本公开将其定义为形变问题。除了手指本身产生的形变问题，受采集设备参数、采集环境、人体血流状态等影响，手指静脉图像在灰度、清晰度、对比度等方面会有明显的不同，即图像质量的不同。综上所述，在手指静脉识别中，图像形变问题和质量问题是影响识别性能最主要的两个问题。
在上述两个问题中，图像质量问题可以通过图像增强等方法解决。但图像形变问题比较复杂、难以解决，是影响识别性能较为核心的问题，也是手指静脉识别需要攻克的难点问题之一。现有技术往往采用单一的特征进行识别，识别的准确性较低。
发明内容
本公开为了解决上述问题，提出了一种融合基本特征和形变特征的手指静脉识别方法，该方法在识别的过程中，不仅利用了形变信息，还考虑了获取形变特征时所需的基本特征和匹配分等信息，构建了融合基本特征和形变特征的手指静脉识别框架。该方法克服了使用单一特征时，特征表征能力不足的问题，提高了手指静脉识别的准确性和鲁棒性，保证了识别的效率。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了一种融合基本特征和形变特征的手指静脉识别方法，包括如下步骤：
步骤1：采集待识别用户的手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；
步骤2：提取预处理后的图像的基本特征，计算基于基本特征的基本特征匹配分；
步骤3：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
步骤4：根据获得的形变矩阵提取形变特征；
步骤5：将基本特征匹配分、目标函数值和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。
进一步地，所述步骤1中，对采集的手指静脉图像进行预处理，包括：
11)提取手指图像的感兴趣区域；
12)对感兴趣区域进行图像增强处理获得预处理后的图像。
进一步地，步骤2中提取预处理后的图像的基本特征，包括：
采用数值卷积算法提取每一像素的特征向量；
对特征向量进行二值化处理，得到图像的基本特征矩阵。
进一步地，步骤3中目标函数具体为：
其中，α＝0.5,d＝2，lgp1和lgp2分别代表来自待识别的手指静脉图像和标准手指静脉图像(i,j)点处的基本特征向量，p＝(x,y)是形变矩阵D中的元素，元素p＝(x,y)的位移为d(p)＝(Δx(p),Δy(p))，β为位移项的权重。
进一步地，根据形变矩阵提取形变特征具体为提取图像的纹理特征，提取的形变特征包括平滑性、一致性、均值和标准偏差。
进一步地，输入通过融合特征进行训练的支持向量机模型进行识别处理，具体为：将融合参数输入支持向量机，获得融合参数匹配分；设定融合参数匹配分的阈值，如果大于设定的阈值，待识别用户的身份正确，否则身份错误。
进一步地，通过融合特征训练支持向量机模型的训练步骤包括：
步骤(1)：采集待训练用户的手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；
步骤(2)：提取预处理后的图像的基本特征，计算基于基本特征匹配分；
步骤(3)：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
步骤(4)：根据获得的形变矩阵提取形变特征；
步骤(5)：将获得的融合特征采用支持向量机进行训练，获得融合参数，根据融合参数建立支持向量机模型。
一种融合基本特征和形变特征的手指静脉识别系统，包括：
图像采集模块：采集待识别用户的手指静脉图像；
预处理模块：对手指静脉图像进行预处理，获得预处理后的图像；
基本特征提取模块：提取预处理后的图像的基本特征；
匹配分计算模块：计算基于基本特征的基本特征匹配分；
目标函数构建模块：构建匹配目标函数；
目标函数值和形变矩阵获取模块：利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
形变特征提取模块：根据获得的形变矩阵提取形变特征；
身份识别模块：将基本特征匹配分、目标函数值和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开针对手指静脉的形变问题，设计了融合基本特征和形变特征的手指静脉识别方法。该方法不仅利用了形变信息，还考虑了获取形变特征时所需的基本特征和匹配分等信息，构建了融合基本特征和形变特征的手指静脉识别框架。该方法克服了使用单一特征时，特征表征能力不足的问题，提高了手指静脉识别的准确性和鲁棒性，保证了识别的效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。
图1是本公开第一个实施例的流程图；
图2是本公开第二个实施例的系统功能模块图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例一
在一个或多个实施方式中公开的技术方案中，如图1所示，一种融合基本特征和形变特征的手指静脉识别方法，包括如下步骤：
步骤1：获取手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；所述手指静脉图像是指包括待识别的手指静脉图像和标准手指静脉图像，标准手指静脉图像可以为事先注册的手指静脉图像,可以是从系统的存储设备中直接调取。
所述步骤1中，对采集的手指静脉图像进行预处理包括如下步骤：
11)提取手指图像的感兴趣区域；
12)对感兴趣区域进行图像增强处理获得预处理后的图像；
其中，提取手指图像的感兴趣区域的方法可以为：利用Sobel算子对手指的边缘进行检测，然后找出手指边缘的内切线，获得手指区域；根据手指区域的灰度变化确定手指的关节位置，从而确定手指静脉信息丰富的区域，手指静脉信息丰富的区域为感兴趣区域。图像增强处理的方法可以为将所获得的感兴趣区域的尺寸归一化至96×64、灰度归一化至0～255；图像增强处理后的图像为预处理后的图像。
步骤2：提取预处理后的图像的基本特征，获得基于基本特征的手指静脉识别的匹配分。在预处理后的图像上提取基本特征为像素级别的特征，提取预处理后的图像的基本特征可以为采用数值卷积算法提取每一像素的特征向量，并对特征向量进行二值化处理，得到的二值化特征，得到图像的基本特征矩阵，本公开中将二值化特征定义为局部梯度模式(Local Gradient Pattern,LGP)特征。
根据获得的基本特征直接匹配，将待识别的手指静脉图像提取的基本特征与标准手指静脉图像提取的基本特征进行匹配，获得基于基本特征的手指静脉识别的匹配分Scorelgp。
本实施例的基本特征可以为12维的特征向量，每一维的特征可以看作由表1的特征提取模板卷积获得。
表1特征提取模板
其中，模板共分为三组：第一组为边缘特征，分别为水平方向、竖直方向、45°方向和135°方向；第二组为四个方向的二阶梯度；第三组为四个方向的一阶梯度特征。根据上述卷积算法，为每个像素提取12维的特征向量，可以根据向量中各维和0的关系，将该特征向量二值化。
基于基本特征的手指静脉识别的匹配分Scorelgp通过如下公式计算：
其中，待识别的手指静脉图像定义为图像1，标准手指静脉图像定义为图像2，LGP1代表待识别的手指静脉图像1的基本特征矩阵,LGP2代表标准手指静脉图像2的基本特征矩阵；lgp1和lgp2分别代表各图像位置(i,j)处的基本特征向量，match()函数是特征向量的匹配函数，统计两个特征向量中二值化特征相同的数目，可以用异或函数xnor()实现。h和w分别代表图像在竖直和水平方向的像素数目。本公开的实施例中的所述两幅图像是指待识别的手指静脉图像和标准手指静脉图像，标准手指静脉图像为进行识别的参照图像，可以为事先注册的手指静脉图像。
步骤3：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取形变信息。所述形变信息包括目标函数的优化值和各个像素的形变组成的形变矩阵D。
图像之间的形变由每个像素的形变组成，即每个像素的位移和方向。每个像素的位移和方向可以用像素在水平和竖直方向的位移表示。将两幅图像之间的形变矩阵定义为D，则D中的某元素p＝(x,y)的位移为d(p)＝(Δx(p),Δy(p))，当无位移时，d＝(0,0)。所述形变信息包括目标函数的优化值和各个像素的形变组成的形变矩阵D，构建的目标函数可以定义如下：
该目标函数由三部分组成，分别为：数据项(3-1)，用来衡量位移之后两幅图像特征的差异；位移项(3-2)，用来约束所估计的形变，形变在特征匹配的基础上，应该尽量的小；平滑项(3-3)，用来约束相邻像素位移之间的关系，相邻像素之间的位移应当尽量相近。其中，数据项中特征的相似度用L1范数进行约束；位移项计算了位移的欧式距离，β为位移项的权重，可以根据经验设置，本实施例中设置为300；在平滑约束项中，ε代表搜索的区域，该方法选用了以当前像素为中心的9×9区域。为了增强稳定性，该方法设计了带有阈值的L1范数约束，其中α＝0.5,d＝2。
该方法在优化的过程中，使用了双层循环置信传播。在优化完成之后，可以获得目标函数的优化值E(d)和各个像素的形变组成的形变矩阵D。目标函数的优化值E(d)具有一定的区分性，通过目标函数的优化值E(d)可以判断是同源图像还是异源图像。同源图像之间特征相似度大，形变偏小，目标函数的优化值较小；同理，异源图像的目标函数的优化值较大。
步骤4：根据获得的形变矩阵提取形变特征。形变特征可以包括平滑性、一致性、均值和标准偏差等特征。图像的特征包括纹理特征、密度特征集和形态学特征，本实施例提取图像的纹理特征来确定两幅图像形变的变化规律，具体的方法如下：
提取的竖直方向和水平方向的形变矩阵D＝(DX,DY)上提取纹理特征，来描述形变的规律。p(x)为形变矩阵x的直方图，提取的特征如下：
m＝∑xip(xi) (4-1)
R＝1-1/(1+σ2) (4-3)
U＝∑p2(xi) (4-4)
提取的特征包括平移均值m(公式4-1)、平移标准偏差σ(公式4-2)、平滑度R(公式4-3)、一致性U(公式4-4)。其中，均值度量了位移的平均值，同源图像的位移偏小；标准偏差平均对比度，同源的形变对比度要小一些；平滑度测量了形变的相对平滑度，同源匹配中的形变较为平滑；一致性在位移值较集中时，值越大，同源匹配中形变一致性越大。在形变矩阵(DX,DY)上分别提取这四类特征作为识别用特征作为形变特征的度量，故形变特征共有八维。
步骤5：基本特征匹配分Score、目标函数值E(d)和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。设计基于SVM的融合算法，利用SVM获取各个特征融合的参数，得到最终的匹配分。通过将得到的匹配分股份设定的阈值进行比较，是从而识别用户的身份信息。
支持向量机模型通过采集待训练用户的手指静脉信息建立训练样本集，训练样本集的数据包括基本特征匹配分Score、目标函数值E(d)和形变特征，融合特征的获得方法与前述步骤1到步骤4的方法相同，采集待训练用户的手指静脉图像中选取其中两两图像进行匹配计算获得融合特征，将融合特征和身份实际情况输入至支持向量机，计算向量机的参数从而得到支持向量机模型。具体的，支持向量机模型的训练方法如下：
步骤(1)：采集待训练用户的手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；
步骤(2)：提取预处理后的图像的基本特征，计算基于基本特征匹配分；
步骤(3)：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
步骤(4)：根据获得的形变矩阵提取形变特征；
步骤(5)、将获得的融合特征采用支持向量机进行训练，获得融合参数，根据融合参数建立支持向量机模型。
步骤(5)可以具体为：将获得的融合特征即基本特征匹配分Score、目标函数值E(d)和形变特征，进行最终的融合匹配。在该部分，使用机器学习模型支持向量机(SupportVector Machine,SVM)对提取的融合特征进行训练，学习融合参数。设融合参数为W＝{ωi,i＝1,…,10}，融合特征为x＝{xi，i＝1，…，10}。则SVM超平面方程为：
WTx+b＝0 (5)
其中，b为偏移项。利用拉格朗日乘子法构建目标函数和迭代优化解决该优化问题。利用部分数据进行训练，得到融合参数的值，从而建立支持向量机模型，根据融合参数可以获取最终的融合匹配分值。
采用支持向量机对待测用户进行识别计算最终的融合匹配分sf可以通过如下公式计算：
sf＝WTx (6)
WT是融合参数转置矩阵，x是输入的特征，sf为最终的匹配分。
根据匹配分的阈值，做出最终的判断，得到识别结果。
实施例二
本实施例提供了一种融合基本特征和形变特征的手指静脉识别系统，包括：
图像采集模块：采集待识别用户的手指静脉图像；
预处理模块：对手指静脉图像进行预处理，获得预处理后的图像；
基本特征提取模块：提取预处理后的图像的基本特征；
匹配分计算模块：计算基于基本特征匹配分；
目标函数构建模块：构建匹配目标函数；
目标函数值和形变矩阵获取模块：利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
形变特征提取模块：根据获得的形变矩阵提取形变特征；
身份识别模块：将基本特征匹配分、目标函数值和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。
实施例三
本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一个实施例中方法的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一个实施例中方法的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种融合基本特征和形变特征的手指静脉识别方法，其特征是，包括如下步骤：
步骤1：采集待识别用户的手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；
步骤2：提取预处理后的图像的基本特征，计算基于基本特征的基本特征匹配分；
步骤3：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
步骤4：根据获得的形变矩阵提取形变特征；
步骤5：将基本特征匹配分、目标函数值和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。
2.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是：所述步骤1中，对采集的手指静脉图像进行预处理，包括：
11)提取手指图像的感兴趣区域；
12)对感兴趣区域进行图像增强处理获得预处理后的图像。
3.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是：步骤2中提取预处理后的图像的基本特征，包括：
采用数值卷积算法提取每一像素的特征向量；
对特征向量进行二值化处理，得到图像的基本特征矩阵。
4.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是，步骤3中目标函数具体为：
其中，α＝0.5,d＝2，lgp1和lgp2分别代表来自待识别的手指静脉图像和标准手指静脉图像(i,j)点处的基本特征向量，p＝(x,y)是形变矩阵D中的元素，元素p＝(x,y)的位移为d(p)＝(Δx(p),Δy(p))，β为位移项的权重。
5.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是，根据形变矩阵提取形变特征具体为提取图像的纹理特征，提取的形变特征包括平滑性、一致性、均值和标准偏差。
6.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是，输入通过融合特征进行训练的支持向量机模型进行识别处理，具体为：将融合参数输入支持向量机，获得融合参数匹配分；设定融合参数匹配分的阈值，如果大于设定的阈值，待识别用户的身份正确，否则身份错误。
7.如权利要求1所述的一种融合基本特征和形变特征的手指静脉识别方法，其特征是，通过融合特征进行训练的支持向量机模型的训练步骤包括：
步骤(1)：采集待训练用户的手指静脉图像，对手指静脉图像进行预处理，获得预处理后的图像；
步骤(2)：提取预处理后的图像的基本特征，计算基于基本特征匹配分；
步骤(3)：构建匹配目标函数，利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
步骤(4)：根据获得的形变矩阵提取形变特征；
步骤(5)、将获得的融合特征采用支持向量机进行训练，获得融合参数，根据融合参数建立支持向量机模型。
8.一种融合基本特征和形变特征的手指静脉识别系统，其特征是，包括：
图像采集模块：采集待识别用户的手指静脉图像；
预处理模块：对手指静脉图像进行预处理，获得预处理后的图像；
基本特征提取模块：提取预处理后的图像的基本特征；
匹配分计算模块：计算基于基本特征匹配分；
目标函数构建模块：构建匹配目标函数；
目标函数值和形变矩阵获取模块：利用图像的基本特征矩阵进行优化匹配，获取目标函数值和形变矩阵；
形变特征提取模块：根据获得的形变矩阵提取形变特征；
身份识别模块：将基本特征匹配分、目标函数值和形变特征作为融合特征，输入通过融合特征进行训练的支持向量机模型进行识别处理，识别所述待识别用户的身份信息。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
CN201910271724.2A 2019-04-04 2019-04-04 一种融合基本特征和形变特征的手指静脉识别方法及系统 Active CN110008902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271724.2A CN110008902B (zh) 2019-04-04 2019-04-04 一种融合基本特征和形变特征的手指静脉识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271724.2A CN110008902B (zh) 2019-04-04 2019-04-04 一种融合基本特征和形变特征的手指静脉识别方法及系统

Publications (2)

Publication Number Publication Date
CN110008902A true CN110008902A (zh) 2019-07-12
CN110008902B CN110008902B (zh) 2020-11-17

Family

ID=67169977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271724.2A Active CN110008902B (zh) 2019-04-04 2019-04-04 一种融合基本特征和形变特征的手指静脉识别方法及系统

Country Status (1)

Country Link
CN (1) CN110008902B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738144A (zh) * 2019-09-27 2020-01-31 五邑大学 基于神经网络的手指静脉验证方法、装置和存储介质
CN112560710A (zh) * 2020-12-18 2021-03-26 北京曙光易通技术有限公司 一种用于构建指静脉识别系统的方法及指静脉识别系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110304720A1 (en) * 2010-06-10 2011-12-15 The Hong Kong Polytechnic University Method and apparatus for personal identification using finger imaging
CN104239769A (zh) * 2014-09-18 2014-12-24 北京智慧眼科技发展有限公司 基于手指静脉特征的身份识别方法及系统
CN104537648A (zh) * 2014-12-15 2015-04-22 深圳云派思科技有限公司 一种指静脉仿生纹理特征和线状纹理特征的融合及编码方法
CN107766776A (zh) * 2016-08-17 2018-03-06 广州广电运通金融电子股份有限公司 一种手指静脉识别方法及装置
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
CN108009472A (zh) * 2017-10-25 2018-05-08 五邑大学 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法
CN108256456A (zh) * 2018-01-08 2018-07-06 杭州电子科技大学 一种基于多特征阈值融合的手指静脉识别方法
CN108520214A (zh) * 2018-03-28 2018-09-11 五邑大学 一种基于多尺度hog和svm的手指静脉识别方法
CN109190566A (zh) * 2018-09-10 2019-01-11 中国民航大学 一种融合局部编码与cnn模型手指静脉识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110304720A1 (en) * 2010-06-10 2011-12-15 The Hong Kong Polytechnic University Method and apparatus for personal identification using finger imaging
CN104239769A (zh) * 2014-09-18 2014-12-24 北京智慧眼科技发展有限公司 基于手指静脉特征的身份识别方法及系统
CN104537648A (zh) * 2014-12-15 2015-04-22 深圳云派思科技有限公司 一种指静脉仿生纹理特征和线状纹理特征的融合及编码方法
CN107766776A (zh) * 2016-08-17 2018-03-06 广州广电运通金融电子股份有限公司 一种手指静脉识别方法及装置
CN108009472A (zh) * 2017-10-25 2018-05-08 五邑大学 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法
CN107967462A (zh) * 2017-12-12 2018-04-27 天津津航计算技术研究所 一种基于指静脉生物特征的身份识别方法
CN108256456A (zh) * 2018-01-08 2018-07-06 杭州电子科技大学 一种基于多特征阈值融合的手指静脉识别方法
CN108520214A (zh) * 2018-03-28 2018-09-11 五邑大学 一种基于多尺度hog和svm的手指静脉识别方法
CN109190566A (zh) * 2018-09-10 2019-01-11 中国民航大学 一种融合局部编码与cnn模型手指静脉识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KANG RYOUNG PARK: "Finger Vein Recognition by Combining Global and Local Features based on SVM", 《COMPUTING AND INFORMATICS,》 *
XIANJING MENG ET AL.: "Finger vein recognition based on deformation information", 《SCIENCE CHINA INFORMATION SCIENCES》 *
孟宪静: "血管类图像分割与识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
杨颖 等: "融合局部特征和全局特征的手指静脉识别方法", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738144A (zh) * 2019-09-27 2020-01-31 五邑大学 基于神经网络的手指静脉验证方法、装置和存储介质
CN112560710A (zh) * 2020-12-18 2021-03-26 北京曙光易通技术有限公司 一种用于构建指静脉识别系统的方法及指静脉识别系统
CN112560710B (zh) * 2020-12-18 2024-03-01 北京曙光易通技术有限公司 一种用于构建指静脉识别系统的方法及指静脉识别系统

Also Published As

Publication number Publication date
CN110008902B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN111126272B (zh) 姿态获取方法、关键点坐标定位模型的训练方法和装置
CN105447441B (zh) 人脸认证方法和装置
Jiang et al. Optic disc and cup segmentation based on deep convolutional generative adversarial networks
CN102682302B (zh) 一种基于关键帧的多特征融合的人体姿态识别方法
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN101398886B (zh) 一种基于双目被动立体视觉的快速三维人脸识别方法
Ibragimov et al. A game-theoretic framework for landmark-based image segmentation
CN114998934B (zh) 基于多模态智能感知和融合的换衣行人重识别和检索方法
Deng et al. Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images
CN107563323A (zh) 一种视频人脸特征点定位方法
CN104298995A (zh) 基于三维点云的三维人脸识别装置及方法
CN109447175A (zh) 结合深度学习与度量学习的行人再识别方法
CN112330813A (zh) 一种基于单目深度摄像头的着装下三维人体模型重建方法
Zuo et al. An embedded multi-branch 3D convolution neural network for false positive reduction in lung nodule detection
CN111507184B (zh) 基于并联空洞卷积和身体结构约束的人体姿态检测方法
CN110334566A (zh) 一种基于三维全卷积神经网络的oct内外指纹提取方法
CN110008902A (zh) 一种融合基本特征和形变特征的手指静脉识别方法及系统
CN105701486B (zh) 一种在摄像机内实现人脸信息分析及提取的方法
Oliveira et al. Simultaneous detection of prominent points on breast cancer conservative treatment images
CN108230313A (zh) 基于部件自适应选择与判别模型的sar图像目标检测方法
Che et al. Dgr-net: Deep groupwise registration of multispectral images
Wang et al. Common visual pattern discovery via nonlinear mean shift clustering
Hsu A hybrid approach for brain image registration with local constraints
Cui et al. Eye detection with faster R-CNN

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
GR01 Patent grant
GR01 Patent grant