CN110334597A - 基于Gabor神经网络的指静脉识别方法及系统 - Google Patents

基于Gabor神经网络的指静脉识别方法及系统 Download PDF

Info

Publication number
CN110334597A
CN110334597A CN201910465037.4A CN201910465037A CN110334597A CN 110334597 A CN110334597 A CN 110334597A CN 201910465037 A CN201910465037 A CN 201910465037A CN 110334597 A CN110334597 A CN 110334597A
Authority
CN
China
Prior art keywords
gabor
edge
vein
point
finger
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
CN201910465037.4A
Other languages
English (en)
Inventor
黄田野
张科定
程卓
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910465037.4A priority Critical patent/CN110334597A/zh
Publication of CN110334597A publication Critical patent/CN110334597A/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V40/14—Vascular patterns

Landscapes

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

Abstract

本发明公开了基于Gabor神经网络的指静脉识别方法及系统，包括：确定手指区域的上下边缘点集，细化边缘到一个像素宽度；从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；根据获得像素点坐标，对手指的旋转进行矫正，并将背景灰度值置0；获得ROI，宽度选择为原始图像0.73倍，上边缘截取时选择最下面的边缘坐标，下边缘截取时选择最上面的边缘坐标进行高度截取；对总计3816张636类静脉图像提取ROI后调整尺寸到同一的尺寸并进行保存；本发明中使用80*80的尺寸；使用Gabor神经网络进行静脉特征提取，Gabor神经网络即使用一组多方向的Gabor滤波器对网络中的卷积核进行调制，使用SoftMax分类器进行静脉图像的分类，K‑折交叉验证得到网络的平均准确率。

Description

基于Gabor神经网络的指静脉识别方法及系统
技术领域
本发明涉及机器学习、图像处理以及生物特征识别技术领域，具体涉及基于Gabor神经网络的指静脉识别方法及系统。
背景技术
指静脉识别是生物特征识别技术的一种，指静脉识别技术是依据血液流动可以吸收特点波长关系的特性，使用近红外光线照射手指，可以拍摄到侵袭的指静脉图像。由于指静脉特征难以被复制，并且每个人的指静脉特征都不相同，同时随年龄增长几乎不会发生变化，因此指静脉识别技术具有活体识别、安全性高、唯一性等特点，在公司门禁、酒店管理、政府机构、监狱门禁、医学鉴定等方面有着巨大的应用前景。
在指静脉识别或者验证过程中，采集静脉图像时由于光照不稳定，手指的旋转可能导致采集的图像质量参差不齐，所以需要一种对于光照以及手指旋转带来的误差比较鲁棒的算法使得指静脉识别能够在实际生活中应用。
卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器(hierarchical classifier)，也可以在精细分类识别(fine-grained recognition)中用于提取图像的判别特征以供其它分类器进行学习。Gabor滤波器其最主要的优势体现在对物体纹理特征的提取上以及对于图像的亮度和对比度变化上有较强的鲁棒性，并且它表达的是图像的局部特征。
发明内容
本发明要解决的技术问题在于，针对目前指静脉识别算法的不足，提供了基于Gabor神经网络的指静脉识别方法及系统来解决上述问题。
基于Gabor神经网络的指静脉识别方法，包括：
S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；
S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；
S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；
S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；
S5、对静脉感兴趣区域ROI进行resize，待匹配使用；
S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；
S7、特征提取使用Gabor卷积神经网络(GCN)，每个卷积核(即神经网络的权重)需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类。
S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。
进一步的，步骤S1具体包括：
S11、获得边缘点集a，当前像素点灰度值与其上方距离2个坐标的像素点灰度值相差超过33则认定该像素点为边缘点；
S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点；
S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点；
S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。
进一步的，步骤S2中，在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1)有一个灰度值为255，则把这个相邻点设置为边缘点，继续向左扩展，若没有一个灰度值为255，则取这三个坐标在S1中计算出的梯度最大的点作为边缘点，通过不断地扩展获得完整手指轮廓。
进一步的，步骤S3中，在0.23宽度和0.77宽度处选择四个边缘点(x1，y1),(x2，y1),(x3，y2),(x4，y2)，计算手指旋转的角度：根据计算出的旋转角度将图像旋转至水平，并把背景灰度值置0。
进一步的，步骤S4具体包括：
S41、使用宽度为30的矩形窗，从静脉的中间坐标开始往右移动，每移动一个坐标计算窗口灰度平均值，返回灰度平均值最大的5个窗口坐标，从这5个中选择坐标最小的作为纵坐标基线，往左截取原始图像0.73倍宽度的静脉感兴趣区域ROI；
S42、宽度截取完成后进行高度截取，图像上边缘点集选择最下面的边缘坐标，下边缘点集选择最上面的边缘坐标进行高度截取，获得静脉感兴趣区域ROI。
进一步的，步骤S7具体包括：
S71、Gabor滤波器由生成，其中 其中v＝0,…,V；u＝0,…,U，v代表频率，u代表方向，σ＝2π；
S72、采用一组多方向的Gabor滤波器对卷积核(权重)进行调制，以四方向Gabor滤波器为例，首先对输入图像进行维度扩张，增加一个维度，如1*80*80扩张到1*4*80*80，卷积核初始化之后，当前向传播到卷积层时，将卷积核和S71产生的四方向Gabor滤波器进行点乘，产生Gabor调制的卷积核；
S73、传播到最后一个卷积层，并且经过批归一化层以及激活层之后，取四方向Gabor调制的卷积核中每个对应索引位置数值最大的值作为输出，将扩张的维度减小一个维度；
S74、反向传播时采用Adam作为优化算法，计算梯度时采用未使用Gabor滤波器调制的卷积核权重；
S75、使用分类器输出分类结果。
基于Gabor神经网络的指静脉识别系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～6所述的任意一种基于Gabor神经网络的指静脉识别方法。
本发明的有益效果在于：本手指静脉识别方法采用边缘扩展的方式，能够十分准确地提取到静脉图案的ROI，同时对图像采集过程中手指可能产生的旋转进行了矫正，采用了Gabor滤波器调制的卷积神经网络，对光照、旋转具有很强的鲁棒性，能够很好地提取静脉特征，并且网络层数较少，适合实际应用。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明基于Gabor神经网络的指静脉识别方法的ROI提取流程图；
图2为本发明基于Gabor神经网络的指静脉识别方法的网络结构图；
图3为本发明基于Gabor神经网络的指静脉识别方法的ROI提取时静脉图像的变化过程；
图4为本发明基于Gabor神经网络的指静脉识别方法的K-折交叉验证结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
基于Gabor神经网络的指静脉识别方法，如图1所示，包括：
S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；
具体过程如下：
S11、获得边缘点集a，当前像素点灰度值与其上方距离2个像素点的灰度值相差超过33则认定该像素点为边缘点。
S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点。
S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点。
S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。
S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；
具体过程如下：
在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1)有一个灰度值为255，则把这个相邻点设置为边缘点，继续向左扩展，若没有一个灰度值为255，则取这三个坐标在S1中计算出的梯度最大的点作为边缘点，通过不断地扩展获得完整手指轮廓。
S3、为减少采集图像时手指旋转导致匹配时准确率下降的可能性，对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；
具体过程如下：
在0.23宽度和0.77宽度处选择四个边缘点(x1，y1),(x2，y1),(x3，y2),(x4，y2)，计算手指旋转的角度：根据计算出的旋转角度将图像旋转至水平。并把背景灰度值置0。
S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；
具体过程如下：
S41、使用宽度为30的矩形窗，从静脉的中间坐标开始往右移动，每移动一个坐标计算窗口灰度平均值，返回灰度平均值最大的5个窗口坐标，从这5个中选择坐标最小的作为纵坐标基线，往左截取原始图像0.73倍宽度的ROI。
S42、宽度截取完成后进行高度截取，图像上边缘点集选择最下面的边缘坐标，下边缘点集选择最上面的边缘坐标进行高度截取，获得静脉感兴趣区域(ROI)。
S5、对静脉感兴趣区域ROI进行resize，待匹配使用；
S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；
S7、特征提取使用Gabor卷积神经网络(GCN)，每个卷积核(即神经网络的权重)需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类。
具体过程如下：
S71、Gabor滤波器由生成，其中 其中v＝0,…,V；u＝0,…,U，v代表频率，u代表方向，σ＝2π。
S72、采用一组多方向的Gabor滤波器对卷积核(权重)进行调制，以四方向Gabor滤波器为例，首先对输入图像进行维度扩张，增加一个维度，如1*80*80扩张到1*4*80*80，卷积核初始化之后，当前向传播到卷积层时，将卷积核和S71产生的四方向Gabor滤波器进行点乘，产生Gabor调制的卷积核。
S73、传播到最后一个卷积层，并且经过批归一化层以及激活层之后，取四方向Gabor调制的卷积核中每个对应索引位置数值最大的值作为输出，将扩张的维度减小一个维度。
S74、反向传播时采用Adam作为优化算法，计算梯度时采用未使用Gabor滤波器调制的卷积核权重。
S75、使用分类器输出分类结果，如SoftMax分类器。
本发明的网络结构如图2所示，标注了各个缩写代表的意义，以及展示了一张图片在网络中传播时维度的变化。
如图3所示，3.1-3.9为ROI提取时图像变换过程，3.1代表原图，3.2代表提取出的点集a，3.3代表提取出的点集b，3.4代表点集a和点集b的交集，3.5代表扩展的边缘，3.6代表将背景灰度值置0的静脉图像，3.7代表矫正手指旋转后的静脉图像，3.8代表提取出的静脉感兴趣区域ROI，3.9代表resize之后的静脉感兴趣区域ROI。
如图4所示，代表了K-折交叉验证不同训练集情况下的分类准确率。
本发明提出的一种基于Gabor神经网络的指静脉识别方法及系统，针对目前指静脉识别算法的不足，采用了根据手指轮廓的ROI提取方式，同时增加了手指的旋转矫正操作，增强了图像采集时对手指偏移旋转的鲁棒性，对总计3816张636类静脉图像提取ROI后进行保存；使用Gabor神经网络进行静脉特征提取，Gabor神经网络即使用一组多方向的Gabor滤波器对网络中的卷积核进行调制，使用SoftMax分类器进行静脉图像的分类，K-折交叉验证得到网络的平均准确率。本发明在山东大学公开的手指静脉数据库上进行了验证，得到98.4％左右的准确率，由于该数据库的静脉图像质量较低，因此在静脉图像采集设备较好的情况下，可以到达更高的准确率，在身份认证识别方面可以得到广泛应用。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.基于Gabor神经网络的指静脉识别方法，其特征在于，包括：
S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；
S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；
S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；
S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；
S5、对静脉感兴趣区域ROI进行resize，待匹配使用；
S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；
S7、特征提取使用Gabor卷积神经网络，每个卷积核需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类；
S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。
2.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S1具体包括：
S11、获得边缘点集a，当前像素点灰度值与其上方距离2个坐标的像素点灰度值相差超过33则认定该像素点为边缘点；
S12、获得边缘点集b，使用Sobel算子计算整幅图像的梯度，当前像素点梯度超过梯度方向相邻两个像素梯度值时则认定该像素点为边缘点；
S13、对边缘点集a和边缘点集b做交集运算，获得所需的边缘点集，但是只保留横坐标频数前15的像素点，对边缘进行细化，即每个纵坐标下至多只有一个上边缘点和一个下边缘点；
S14、边缘点集在图像中表示为厚度不均匀的横向曲线，对其进行细化处理，将边缘细化至一个像素宽度。
3.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S2中，在上下边缘点集中分别选择一个纵坐标最接近中心的点作为起始点扩展边缘，设该点(x，y)，向该点左边扩展时若相邻的三个坐标(x-1，y-1)，(x-1，y)，(x-1，y+1)有一个灰度值为255，则把这个相邻点设置为边缘点，继续向左扩展，若没有一个灰度值为255，则取这三个坐标在S1中计算出的梯度最大的点作为边缘点，通过不断地扩展获得完整手指轮廓。
4.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S3中，在0.23宽度和0.77宽度处选择四个边缘点(x1，y1),(x2，y1),(x3，y2),(x4，y2)，计算手指旋转的角度：根据计算出的旋转角度将图像旋转至水平，并把背景灰度值置0。
5.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S4具体包括：
S41、使用宽度为30的矩形窗，从静脉的中间坐标开始往右移动，每移动一个坐标计算窗口灰度平均值，返回灰度平均值最大的5个窗口坐标，从这5个中选择坐标最小的作为纵坐标基线，往左截取原始图像0.73倍宽度的静脉感兴趣区域ROI；
S42、宽度截取完成后进行高度截取，图像上边缘点集选择最下面的边缘坐标，下边缘点集选择最上面的边缘坐标进行高度截取，获得静脉感兴趣区域ROI。
6.根据权利要求1所述的基于Gabor神经网络的指静脉识别方法，其特征在于，步骤S7具体包括：
S71、Gabor滤波器由生成，其中 其中v=0,…,V；u=0,…,U，v代表频率，u代表方向，σ＝2π；
S72、采用一组多方向的Gabor滤波器对卷积核进行调制，以四方向Gabor滤波器为例，首先对输入图像进行维度扩张，增加一个维度，如1*80*80扩张到1*4*80*80，卷积核初始化之后，当前向传播到卷积层时，将卷积核和S71产生的四方向Gabor滤波器进行点乘，产生Gabor调制的卷积核；
S73、传播到最后一个卷积层，并且经过批归一化层以及激活层之后，取四方向Gabor调制的卷积核中每一个对应索引位置数值最大的值作为输出，将扩张的维度减小一个维度；
S74、反向传播时采用Adam作为优化算法，计算梯度时采用未使用Gabor滤波器调制的卷积核权重；
S75、使用分类器输出分类结果。
7.基于Gabor神经网络的指静脉识别系统，其特征在于，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～6所述的任意一种基于Gabor神经网络的指静脉识别方法。
CN201910465037.4A 2019-05-30 2019-05-30 基于Gabor神经网络的指静脉识别方法及系统 Pending CN110334597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465037.4A CN110334597A (zh) 2019-05-30 2019-05-30 基于Gabor神经网络的指静脉识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465037.4A CN110334597A (zh) 2019-05-30 2019-05-30 基于Gabor神经网络的指静脉识别方法及系统

Publications (1)

Publication Number Publication Date
CN110334597A true CN110334597A (zh) 2019-10-15

Family

ID=68140492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465037.4A Pending CN110334597A (zh) 2019-05-30 2019-05-30 基于Gabor神经网络的指静脉识别方法及系统

Country Status (1)

Country Link
CN (1) CN110334597A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310703A (zh) * 2020-02-26 2020-06-19 深圳市巨星网络技术有限公司 基于卷积神经网络的身份识别方法、装置、设备及介质
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
CN113408386A (zh) * 2021-06-10 2021-09-17 重庆医药高等专科学校 一种基于静脉分割和角点检测的指尖采血点定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529468A (zh) * 2016-11-07 2017-03-22 重庆工商大学 一种基于卷积神经网络的手指静脉识别方法及系统
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107292230A (zh) * 2017-05-09 2017-10-24 华南理工大学 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法
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
CN109543580A (zh) * 2018-11-15 2019-03-29 北京智慧眼科技股份有限公司 指静脉特征提取方法、比对方法、存储介质及处理器
CN109766934A (zh) * 2018-12-26 2019-05-17 北京航空航天大学 一种基于深度Gabor网络的图像目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529468A (zh) * 2016-11-07 2017-03-22 重庆工商大学 一种基于卷积神经网络的手指静脉识别方法及系统
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107292230A (zh) * 2017-05-09 2017-10-24 华南理工大学 基于卷积神经网络且具备仿冒检测能力的嵌入式指静脉识别方法
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
CN109543580A (zh) * 2018-11-15 2019-03-29 北京智慧眼科技股份有限公司 指静脉特征提取方法、比对方法、存储介质及处理器
CN109766934A (zh) * 2018-12-26 2019-05-17 北京航空航天大学 一种基于深度Gabor网络的图像目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHANGZHEN LUAN ET AL: "Gabor Convolutional Networks", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
程申前: "手指静脉识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310703A (zh) * 2020-02-26 2020-06-19 深圳市巨星网络技术有限公司 基于卷积神经网络的身份识别方法、装置、设备及介质
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
CN113408386A (zh) * 2021-06-10 2021-09-17 重庆医药高等专科学校 一种基于静脉分割和角点检测的指尖采血点定位方法

Similar Documents

Publication Publication Date Title
Adeyanju et al. Machine learning methods for sign language recognition: A critical review and analysis
JP6255463B2 (ja) バイオメトリック認証のための特徴抽出およびマッチングおよびテンプレート更新
CN110163119A (zh) 一种手指静脉识别方法及系统
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
CN103914676B (zh) 一种在人脸识别中使用的方法和装置
CN110334597A (zh) 基于Gabor神经网络的指静脉识别方法及系统
Farokhian et al. Automatic parameters selection of Gabor filters with the imperialism competitive algorithm with application to retinal vessel segmentation
Tao et al. Mesh saliency via ranking unsalient patches in a descriptor space
CN108520214A (zh) 一种基于多尺度hog和svm的手指静脉识别方法
Shahamat et al. Face recognition under large illumination variations using homomorphic filtering in spatial domain
CN108154147A (zh) 基于视觉注意模型的感兴趣区域检测方法
CN104794693B (zh) 一种人脸关键区域自动检测蒙版的人像优化方法
CN109948467A (zh) 人脸识别的方法、装置、计算机设备和存储介质
CN110390282A (zh) 一种基于余弦中心损失的指静脉识别方法及系统
CN107392114A (zh) 一种基于神经网络模型的手指静脉识别方法及系统
Gonçalves et al. Texture descriptor based on partially self-avoiding deterministic walker on networks
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
Cheng et al. Multiscale principal contour direction for varying lighting face recognition
Ramya et al. Certain investigation on iris image recognition using hybrid approach of Fourier transform and Bernstein polynomials
Guo et al. Multifeature extracting CNN with concatenation for image denoising
CN108182399A (zh) 指静脉特征比对方法、装置、存储介质和处理器
Choraś Retina recognition for biometrics
Albadarneh et al. Iris recognition system for secure authentication based on texture and shape features
Gino Sophia et al. Zadeh max–min composition fuzzy rule for dominated pixel values in iris localization
Hu et al. Resolution-Aware 3D Morphable Model.

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: 20191015