CN110717372A - 基于指静脉识别的身份验证方法和装置 - Google Patents
基于指静脉识别的身份验证方法和装置 Download PDFInfo
- Publication number
- CN110717372A CN110717372A CN201910744258.5A CN201910744258A CN110717372A CN 110717372 A CN110717372 A CN 110717372A CN 201910744258 A CN201910744258 A CN 201910744258A CN 110717372 A CN110717372 A CN 110717372A
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- finger
- target
- target user
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012795 verification Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000005520 cutting process Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 210000001145 finger joint Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 22
- 239000000523 sample Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 210000001503 joint Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000036548 skin texture Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 244000060701 Kaempferia pandurata Species 0.000 description 1
- 235000016390 Uvaria chamae Nutrition 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明实施例提供了一种基于指静脉识别的身份验证方法和装置。本发明涉及人工智能领域，该方法包括：获取目标用户的指静脉图像；采用目标卷积核对目标用户的指静脉图像进行滤波处理；提取滤波处理后目标用户的指静脉图像的ROI区域，得到目标区域图像；从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；获取预设数据库中存储的所有指静脉特征向量；分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；如果多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定目标用户的身份验证成功。本发明实施例提供的技术方案能够解决基于指静脉图像的身份验证准确度低的问题。
Description
【技术领域】
本发明涉及人工智能领域，尤其涉及一种基于指静脉识别的身份验证方法和装置。
【背景技术】
指静脉识别技术利用手指静脉血管的纹理进行身份验证，对人体无害，具有不易被盗取、伪造等特点。该识别技术可广泛应用于银行金融、政府、教育等领域的门禁系统。
目前，指静脉识别技术存在的问题是：由于指静脉存在于表皮下，指静脉图像匹配过程中容易受表皮纹理干扰，导致指静脉图像匹配的准确度低，继而导致基于指静脉图像的身份验证准确度低。
【发明内容】
有鉴于此，本发明实施例提供了一种基于指静脉识别的身份验证方法和装置，用以解决基于指静脉图像的身份验证准确度低的问题。
本发明实施例提供了一种基于指静脉识别的身份验证方法，所述方法包括：获取指静脉宽度参数；根据所述指静脉宽度参数构建目标卷积核；获取目标用户的指静脉图像；采用所述目标卷积核对所述目标用户的指静脉图像进行滤波处理；提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像；从所述目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；获取预设数据库中存储的所有指静脉特征向量，所述预设数据库中存储了用户与指静脉特征向量之间的关联关系；分别计算所述目标指静脉特征向量与所述预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；如果所述多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定所述目标用户的身份验证成功；如果所述多个相似度均小于所述预设相似度阈值，则确定所述目标用户的身份验证失败。
进一步地，所述提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像，包括：对所述目标用户的指静脉图像进行超像素分割，得到第一图像；对所述目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；将所述第一图像与所述第二图像进行比较，得到多个第一像素点，其中，所述第一像素点为所述第一图像与所述第二图像重叠的像素点；根据所述第一像素点确定第二像素点，所述第二像素点为所述多个第一像素点中的一个；根据所述第二像素点对所述第一图像进行边缘追踪，得到第三图像，所述第三图像为完整的手指边缘图像；对所述第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到所述目标区域图像。
进一步地，所述对所述第三图像进行角度校正、高度裁剪、宽度裁剪，包括：根据手指中线对所述第三图像进行角度校正，得到角度校正后的第三图像；根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
进一步地，所述提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像，包括：从所述目标用户的指静脉图像中提取完整的手指图像；根据手指轮廓的边界信息从所述完整的手指图像中截取出最大矩形区域；对所述最大矩形区域进行梯度运算，生成梯度图像；根据所述梯度图像定位关节位置；根据所述关节位置确定所述目标区域图像。
进一步地，所述根据所述梯度图像定位关节位置，包括：对所述梯度图像进行行像素求和操作，得到所述梯度图像行像素和的灰度分布曲线；将所述灰度分布曲线的波峰点的位置作为所述关节位置。
本发明实施例提供了一种基于指静脉识别的身份验证装置，所述装置包括：第一获取单元，用于获取指静脉宽度参数；构建单元，用于根据所述指静脉宽度参数构建目标卷积核；第二获取单元，用于获取目标用户的指静脉图像；滤波单元，用于采用所述目标卷积核对所述目标用户的指静脉图像进行滤波处理；第一提取单元，用于提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像；第二提取单元，用于从所述目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；第三获取单元，用于获取预设数据库中存储的所有指静脉特征向量，所述预设数据库中存储了用户与指静脉特征向量之间的关联关系；计算单元，用于分别计算所述目标指静脉特征向量与所述预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；第一确定单元，用于如果所述多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定所述目标用户的身份验证成功；第二确定单元，用于如果所述多个相似度均小于所述预设相似度阈值，则确定所述目标用户的身份验证失败。
进一步地，所述第一提取单元包括：分割子单元，用于对所述目标用户的指静脉图像进行超像素分割，得到第一图像；边缘检测子单元，用于对所述目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；比较子单元，用于将所述第一图像与所述第二图像进行比较，得到多个第一像素点，其中，所述第一像素点为所述第一图像与所述第二图像重叠的像素点；第一确定子单元，用于根据所述第一像素点确定第二像素点，所述第二像素点为所述多个第一像素点中的一个；边缘追踪子单元，用于根据所述第二像素点对所述第一图像进行边缘追踪，得到第三图像，所述第三图像为完整的手指边缘图像；处理子单元，用于对所述第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到所述目标区域图像。
进一步地，所述处理子单元包括：角度校正模块，用于根据手指中线对所述第三图像进行角度校正，得到角度校正后的第三图像；高度裁剪模块，用于根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；宽度裁剪模块，用于根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
进一步地，所述第一提取单元包括：提取子单元，用于从所述目标用户的指静脉图像中提取完整的手指图像；截取子单元，用于根据手指轮廓的边界信息从所述完整的手指图像中截取出最大矩形区域；梯度运算子单元，用于对所述最大矩形区域进行梯度运算，生成梯度图像；定位子单元，用于根据所述梯度图像定位关节位置；第二确定子单元，用于根据所述关节位置确定所述目标区域图像。
进一步地，所述定位子单元包括：求和模块，用于对所述梯度图像进行行像素求和操作，得到所述梯度图像行像素和的灰度分布曲线；确定模块，用于将所述灰度分布曲线的波峰点的位置作为所述关节位置。
在本发明实施例中，根据指静脉的特征参数构建目标卷积核，采用目标卷积核对指静脉图像进行滤波处理，有效避免了表皮纹理干扰，提高了指静脉图像匹配的准确度，从而解决了现有技术中基于指静脉图像的身份验证准确度低的问题，达到了提高基于指静脉图像的身份验证准确度的效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是根据本发明实施例一种可选的基于指静脉识别的身份验证方法的流程图；
图2是根据本发明实施例一种可选的基于指静脉识别的身份验证装置的示意图；
图3是本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明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。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例提供了一种基于指静脉识别的身份验证方法，如图1所示，该方法包括：
步骤S100，获取指静脉宽度参数。
步骤S101，根据指静脉宽度参数构建目标卷积核。
步骤S102，获取目标用户的指静脉图像。
步骤S103，采用目标卷积核对目标用户的指静脉图像进行滤波处理。
步骤S104，提取滤波处理后目标用户的指静脉图像的ROI区域，得到目标区域图像。
步骤S105，从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量。
步骤S106，获取预设数据库中存储的所有指静脉特征向量，预设数据库中存储了用户与指静脉特征向量之间的关联关系。
步骤S107，分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度。
步骤S108，如果多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定目标用户的身份验证成功。
步骤S109，如果多个相似度均小于预设相似度阈值，则确定目标用户的身份验证失败。
ROI(region of interest)，感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。
指静脉是指人体手指内部的静脉血管，指静脉识别就是利用该血管结构的特征来实现身份认证。在可见光下，指静脉是不可见的，只有在特殊的采集装置下才能获取。医学证明，人体手指静脉的血管结构在近红外光的照射下，能够穿透骨骼和肌肉，而流经静脉血管的血红蛋白容易吸收该波段的红外光而突显出静脉结构。通过专门的图像采集装置如红外CCD摄像机即可拍摄到指静脉图像，然后对指静脉图像进行分析处理，便可从中得到指静脉特征。不同人的指静脉结构是不同的，即使是双胞胎的各手指静脉也是不同的，而且成年人的指静脉结构不再变化，即指静脉具有唯一性，这就为指静脉识别提供了科学依据。
作为一种可选的实施方式，根据公式
计算两个指静脉特征向量之间的相似度，其中，A表示一个指静脉特征向量，B表示一个指静脉特征向量，Ai表示指静脉特征向量A的各个分量，Bi表示指静脉特征向量B的各个分量，n表示指静脉特征向量A和指静脉特征向量B包含的分量的数量(指静脉特征向量A和指静脉特征向量B包含的分量的数量相等)，Simi(A,B)表示指静脉特征向量A与指静脉特征向量B之间的相似度。
本发明实施例中的指静脉图像可以是指静脉近红外图像。指静脉图像可以通过近红外CCD或CMOS等图像采集模块拍摄完成。
卷积核：图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。卷积核具有的一个属性是局部性。即它只关注局部特征，局部的程度取决于卷积核的大小。
指静脉宽度参数是用来表示指静脉的宽度范围的参数。根据指静脉宽度参数确定目标卷积核的大小。由于卷积核具有局部性这个属性，局部的程度取决于卷积核的大小，因此，如果指静脉图像中需要关注的像素点较多，则卷积核的大小可以较大；如果指静脉图像中需要关注的像素点较少，则卷积核的大小可以较小。例如，假设静脉宽度参数表明指静脉的宽度覆盖了m个像素点，则目标卷积核的大小可以为m×m。
采用目标卷积核对指静脉图像进行滤波处理，即，将目标卷积核与指静脉图像进行卷积运算，具体地，使用目标卷积核对指静脉图像中的每个像素点进行一系列操作，例如，对于一个m×m的目标卷积核，该目标卷积核为一个m×m的矩阵，该矩阵包含m×m个元素，其中每个元素都有一个预设的权重值，在使用目标卷积核进行计算时，将目标卷积核的中心放置在指静脉图像中要计算的目标像素点上，计算目标卷积核中每个元素的权重值和其覆盖的图像像素点的像素值之间的乘积并求和，得到的结果即为目标像素点的新像素值。对于指静脉图中的全部像素点，都使用新像素值替换原来的像素值，就得到了滤波处理后的指静脉图像。通过采用目标卷积核对指静脉图像进行滤波处理，能够提取出指静脉图像的特征，实现对指静脉图像的增强效果，有效避免了表皮纹理干扰。
下面以3×3的目标卷积核为例，对目标卷积核与指静脉图像进行卷积运算的过程进行详细描述。指静脉图像中所有像素点的像素值构成一个矩阵，该矩阵的每个元素对应着一个像素点，元素的值即为像素点的像素值。假设指静脉图像中所有像素点的像素值构成的矩阵为矩阵M1。对于矩阵M1，在卷积运算之后，得到矩阵M2。使用下述公式(1)计算矩阵M2的各个元素的值：
公式(1)：
E2(P，Q)＝E1(P-1，Q-1)×W(1，1)+E1(P-1，Q)×W(1，2)+E1(P-1，Q+1)×W(1，3)+E1(P，Q-1)×W(2，1)+E1(P，Q)×W(2，2)+E1(P，Q+1)×W(2，3)+E1(P+1，Q-1)×W(3，1)+E1(P+1，Q)×W(3，2)+E1(P+1，Q+1)×W(3，3)。
其中，E1(P-1，Q-1)表示矩阵M1的第P-1行、第Q-1列的元素的值；E1(P-1，Q)表示矩阵M1的第P-1行、第Q列的元素的值；E1(P-1，Q+1)表示矩阵M1的第P-1行、第Q+1列的元素的值，其他同理。W(1，1)表示目标卷积核的第1行、第1列的元素的权重值；W(1，2)表示目标卷积核的第1行、第2列的元素的权重值；W(1，3)表示目标卷积核的第1行、第3列的元素的权重值，其他同理。E2(P，Q)表示矩阵M2的第P行、第Q列的元素的值。
为简便起见，假设目标卷积核的矩阵的每个元素的权重值均为10，则公式(1)简化为公式(2)：
E2(P，Q)＝E1(P-1，Q-1)×10+E1(P-1，Q)×10+E1(P-1，Q+1)×10+E1(P，Q-1)×10+E1(P，Q)×10+E1(P，Q+1)×10+E1(P+1，Q-1)×10+E1(P+1，Q)×10+E1(P+1，Q+1)×10
＝[E1(P-1，Q-1)+E1(P-1，Q)+E1(P-1，Q+1)+E1(P，Q-1)+E1(P，Q)+E1(P，Q+1)+E1(P+1，Q-1)+E1(P+1，Q)+E1(P+1，Q+1)]×10。
对于矩阵M1中的元素来说，该元素的数值越大，该元素周围的元素的数值越大，卷积运算之后，矩阵M2对应位置的元素的值越大。例如对于公式(2)来说，假设矩阵M1中的某个元素(假设为元素甲)为中心的相邻的九个元素的值的和为400，则卷积运算结束后，矩阵M2对应位置的元素的值为4000；假设矩阵M1中的某个元素(假设为元素乙)为中心的相邻的九个元素的值的和为70，则卷积运算结束后，矩阵M2对应位置的元素的值为700。在矩阵M1中，元素甲和元素乙的值的差值为400-70＝330；在矩阵M2中，元素甲的对应位置的元素和元素乙的对应位置的元素的值的差值为4000-700＝3300，由此可见，卷积运算能够起到加强重点区域(例如在本发明实施例中，指静脉所在的区域为重点区域)的作用，增大指静脉与表皮之间的像素差别，从而减轻表皮纹理干扰。
在本发明实施例中，根据指静脉的特征参数构建目标卷积核，采用目标卷积核对指静脉图像进行滤波处理，有效避免了表皮纹理干扰，提高了指静脉图像匹配的准确度，从而解决了现有技术中基于指静脉图像的身份验证准确度低的问题，达到了提高基于指静脉图像的身份验证准确度的效果。
本发明实施例提供了三种提取目标用户的指静脉图像的ROI区域，得到目标区域图像的方法。
第一种方法：对目标用户的指静脉图像进行超像素分割，得到第一图像；对目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；将第一图像与第二图像进行比较，得到多个第一像素点，其中，第一像素点为第一图像与第二图像重叠的像素点；根据第一像素点确定第二像素点，第二像素点为多个第一像素点中的一个；根据第二像素点对第一图像进行边缘追踪，得到第三图像，第三图像为完整的手指边缘图像；对第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到目标区域图像。
下面对第一种方法进行具体说明。
在计算机视觉领域，图像分割(Segmentation)指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。
图像分割的结果是图像上子区域的集合(这些子区域的全体覆盖了整个图像)，或是从图像中提取的轮廓线的集合(例如边缘检测)。一个子区域中的每个像素在某种特性的度量下都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。
根据第一像素点确定第二像素点的过程为：随机地选择第一图像和第二图像中手指长度三分之一到二分之一的重叠点中的一点作为第二像素点。
根据第二像素点对第一图像进行边缘追踪，包括：在第一图像中，将上下手指边缘的第二像素点分别向手指的指尖和指根方向追踪。
对第三图像进行角度校正、高度裁剪、宽度裁剪，包括：根据手指中线对第三图像进行角度校正，得到角度校正后的第三图像；根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
指静脉图像采集时，因光强、手指厚度、血液温度、手指倾斜度等条件不同，在不同时间采集到的指静脉图像在灰度分布上有较大差异，这会给以后的图像处理和匹配增加难度。因此对第三图像要进行归一化处理，包括尺寸归一化和灰度归一化。尺寸归一化处理的好处是：1.对于不同手指而言，尺寸大小不同对静脉的匹配结果无影响，即不会引起误识；但如果是同一手指，如果尺寸不一样，易引起误识，即自己认不出自己的情况。2.如果实际采集到的图像过大，进行图像处理的时间会很长，而归一化尺寸例如缩小到一定像素大小，在不影响识别结果的前提下，可以进一步缩短匹配时间，提高匹配效率。图像尺寸归一化实质上是一种图像的几何变换，一般采用从目标图像反方向影射实现。反向影射就是扫描目标图像的每个像素，按照给定的变换公式来确定目标像素对应的原像素。用这种方法来计算目标图像可以保证整个目标图像没有空像素，即得到的目标图像每个像素点上都有相应的灰度值。灰度归一化主要是为了增加图像的亮度，使图像的细节更加清楚，以减弱光线和光照强度的影响。
本发明实施例通过利用超高像素分割以及Sobel算子边缘检测追踪到完整的手指边缘，进而获取背景模糊化的手指静脉图，再进行角度校正、高度裁剪、宽度裁剪，由于超高像素的特性，该方法不仅可以对手指静脉图像进行正确分割，而且增强了图像对背景噪声的鲁棒性。
第二种方法：从目标用户的指静脉图像中提取完整的手指图像；根据手指轮廓的边界信息从完整的手指图像中截取出最大矩形区域；对最大矩形区域进行梯度运算，生成梯度图像；根据梯度图像定位关节位置；根据关节位置确定目标区域图像。
下面对第二种方法进行具体说明。
从目标用户的指静脉图像中提取完整的手指图像，具体步骤为：采用最大类间方差法对指静脉图像做二值化操作，得到二值化图像；采用Sobel边缘检测算子提取手指轮廓图像；将二值化图像与手指轮廓图像对应像素相减，得到差值图像；提取差值图像的最大连通区域；将最大连通区与手指图像相乘，去除手指周围无效信息，最终提取出完整的手指图像。
最大类间方差法是一种自适应阈值确定的方法，简称OTSU，是一种基于全局的二值化算法，它是根据图像的灰度特性，将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小。
根据梯度图像定位关节位置，包括：对梯度图像进行行像素求和操作，得到梯度图像行像素和的灰度分布曲线；将灰度分布曲线的波峰点的位置作为关节位置。
由于指间关节位置对近红外线吸收率较低，与周边位置灰度值形成较强对比，因此，梯度值会在指间关节附近形成局部极大值，通过定位局部极大值即可定位指间关节位置。对梯度图像每一行的像素值求和，可得到梯度图像行像素和的灰度分布曲线。梯度图行像素和的灰度分布曲线在指间关节位置呈现波峰状态，通过定位该曲线的波峰位置即可定位手指静脉图像的关节位置。
第三种方法：对指静脉红外样本图像进行滤波处理，滤除图像噪声；使用图像二值化对滤除图像噪声后的指静脉红外图像样本提取手指掩膜图；对指静脉样本图像进行反掩膜处理，获取感兴趣区域(ROI)。
从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量，可以是通过卷积神经网络实现的。在使用该卷积神经网络之前，需要先对该卷积神经网络进行训练。训练过程如下：对作为训练集的指静脉样本图像进行标注，区分出背景像素点和指静脉像素点，若干背景像素点和指静脉像素点组成训练样本集合；将训练样本集合输入卷积神经网络，训练样本集合中每一个像素点均会生成一个特征向量，所有的特征向量组成特征向量集合，特征向量集合为256维，即16*16的矩阵集合；将特征向量集合中两个同类图片和一个不同类图片组成triplets(三元组)，使用triplets loss作为损失函数进行训练，具体地，将triplets输入待训练的卷积神经网络进行训练，使用随机梯度下降算法，根据损失函数的值对卷积神经网络进行参数优化，当损失函数的值在预设阈值范围内时，训练结束。triplets的组成包含三类样本：anchor、positive、negative，其中，anchor是参考样本，positive是与anchor属于同一类的同类样本，negative是与anchor属于不同类的异类样本。
作为一种可选的实施方式，损失函数的计算公式为：
其中，只有括号内公式的值大于0时才进行计算，Loss表示损失函数，表示第i个参考样本的特征向量，
表示第i个同类样本的特征向量，
表示第i个异类样本的特征向量，α表示类间间隔参数，i表示当前对比的序列号，N表示用于对比的triplets的数量。
本发明实施例中，通过采集多个指静脉近红外样本图像，从采集的指静脉近红外样本图像中提取ROI区域，使用卷积神经网络从ROI区域中提取指静脉特征向量，得到目标指静脉特征向量，分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度，根据相似度判断身份验证是否通过，避免了使用基于细节点、纹理、统计特性等特征的传统算法导致的身份认证识别效率低下的问题，达到了提高身份认证识别效率的效果。
本发明实施例还提供了一种基于指静脉识别的身份验证装置，该装置用于执行上述基于指静脉识别的身份验证方法，如图2所示，该装置包括：第一获取单元10、构建单元11、第二获取单元12、滤波单元13、第一提取单元14、第二提取单元15、第三获取单元16、计算单元17、第一确定单元18、第二确定单元19。
第一获取单元10，用于获取指静脉宽度参数。
构建单元11，用于根据指静脉宽度参数构建目标卷积核。
第二获取单元12，用于获取目标用户的指静脉图像。
滤波单元13，用于采用目标卷积核对目标用户的指静脉图像进行滤波处理。
第一提取单元14，用于提取滤波处理后目标用户的指静脉图像的ROI区域，得到目标区域图像。
第二提取单元15，用于从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量。
第三获取单元16，用于获取预设数据库中存储的所有指静脉特征向量，预设数据库中存储了用户与指静脉特征向量之间的关联关系。
计算单元17，用于分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度。
第一确定单元18，用于如果多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定目标用户的身份验证成功。
第二确定单元19，用于如果多个相似度均小于预设相似度阈值，则确定目标用户的身份验证失败。
可选地，第一提取单元14包括：分割子单元、边缘检测子单元、比较子单元、第一确定子单元、边缘追踪子单元、处理子单元。分割子单元，用于对目标用户的指静脉图像进行超像素分割，得到第一图像。边缘检测子单元，用于对目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像。比较子单元，用于将第一图像与第二图像进行比较，得到多个第一像素点，其中，第一像素点为第一图像与第二图像重叠的像素点。第一确定子单元，用于根据第一像素点确定第二像素点，第二像素点为多个第一像素点中的一个。边缘追踪子单元，用于根据第二像素点对第一图像进行边缘追踪，得到第三图像，第三图像为完整的手指边缘图像。处理子单元，用于对第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到目标区域图像。
可选地，处理子单元包括：角度校正模块、高度裁剪模块、宽度裁剪模块。角度校正模块，用于根据手指中线对第三图像进行角度校正，得到角度校正后的第三图像。高度裁剪模块，用于根据手指关节的投影值对角度校正后的第三图像进行高度裁剪。宽度裁剪模块，用于根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
可选地，第一提取单元14包括：提取子单元、截取子单元、梯度运算子单元、定位子单元、第二确定子单元。提取子单元，用于从目标用户的指静脉图像中提取完整的手指图像。截取子单元，用于根据手指轮廓的边界信息从完整的手指图像中截取出最大矩形区域。梯度运算子单元，用于对最大矩形区域进行梯度运算，生成梯度图像。定位子单元，用于根据梯度图像定位关节位置。第二确定子单元，用于根据关节位置确定目标区域图像。
可选地，定位子单元包括：求和模块、确定模块。求和模块，用于对梯度图像进行行像素求和操作，得到梯度图像行像素和的灰度分布曲线。确定模块，用于将灰度分布曲线的波峰点的位置作为关节位置。
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以下步骤：获取指静脉宽度参数；根据指静脉宽度参数构建目标卷积核；获取目标用户的指静脉图像；采用目标卷积核对目标用户的指静脉图像进行滤波处理；提取滤波处理后目标用户的指静脉图像的ROI区域，得到目标区域图像；从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；获取预设数据库中存储的所有指静脉特征向量，预设数据库中存储了用户与指静脉特征向量之间的关联关系；分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；如果多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定目标用户的身份验证成功；如果多个相似度均小于预设相似度阈值，则确定目标用户的身份验证失败。
可选地，在程序运行时控制存储介质所在设备还执行以下步骤：对目标用户的指静脉图像进行超像素分割，得到第一图像；对目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；将第一图像与第二图像进行比较，得到多个第一像素点，其中，第一像素点为第一图像与第二图像重叠的像素点；根据第一像素点确定第二像素点，第二像素点为多个第一像素点中的一个；根据第二像素点对第一图像进行边缘追踪，得到第三图像，第三图像为完整的手指边缘图像；对第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到目标区域图像。
可选地，在程序运行时控制存储介质所在设备还执行以下步骤：根据手指中线对第三图像进行角度校正，得到角度校正后的第三图像；根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
可选地，在程序运行时控制存储介质所在设备还执行以下步骤：从目标用户的指静脉图像中提取完整的手指图像；根据手指轮廓的边界信息从完整的手指图像中截取出最大矩形区域；对最大矩形区域进行梯度运算，生成梯度图像；根据梯度图像定位关节位置；根据关节位置确定目标区域图像。
可选地，在程序运行时控制存储介质所在设备还执行以下步骤：对梯度图像进行行像素求和操作，得到梯度图像行像素和的灰度分布曲线；将灰度分布曲线的波峰点的位置作为关节位置。
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现以下步骤：获取指静脉宽度参数；根据指静脉宽度参数构建目标卷积核；获取目标用户的指静脉图像；采用目标卷积核对目标用户的指静脉图像进行滤波处理；提取滤波处理后目标用户的指静脉图像的ROI区域，得到目标区域图像；从目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；获取预设数据库中存储的所有指静脉特征向量，预设数据库中存储了用户与指静脉特征向量之间的关联关系；分别计算目标指静脉特征向量与预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；如果多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定目标用户的身份验证成功；如果多个相似度均小于预设相似度阈值，则确定目标用户的身份验证失败。
可选地，程序指令被处理器加载并执行时还实现以下步骤：对目标用户的指静脉图像进行超像素分割，得到第一图像；对目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；将第一图像与第二图像进行比较，得到多个第一像素点，其中，第一像素点为第一图像与第二图像重叠的像素点；根据第一像素点确定第二像素点，第二像素点为多个第一像素点中的一个；根据第二像素点对第一图像进行边缘追踪，得到第三图像，第三图像为完整的手指边缘图像；对第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到目标区域图像。
可选地，程序指令被处理器加载并执行时还实现以下步骤：根据手指中线对第三图像进行角度校正，得到角度校正后的第三图像；根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
可选地，程序指令被处理器加载并执行时还实现以下步骤：从目标用户的指静脉图像中提取完整的手指图像；根据手指轮廓的边界信息从完整的手指图像中截取出最大矩形区域；对最大矩形区域进行梯度运算，生成梯度图像；根据梯度图像定位关节位置；根据关节位置确定目标区域图像。
可选地，程序指令被处理器加载并执行时还实现以下步骤：对梯度图像进行行像素求和操作，得到梯度图像行像素和的灰度分布曲线；将灰度分布曲线的波峰点的位置作为关节位置。
图3是本发明实施例提供的一种计算机设备的示意图。如图3所示，该实施例的计算机设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，该计算机程序53被处理器51执行时实现实施例中的基于指静脉识别的身份验证方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器51执行时实现实施例中基于指静脉识别的身份验证装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图3仅仅是计算机设备50的示例，并不构成对计算机设备50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元，例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备，例如计算机设备50上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明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)执行本发明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，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于指静脉识别的身份验证方法，其特征在于，所述方法包括：
获取指静脉宽度参数；
根据所述指静脉宽度参数构建目标卷积核；
获取目标用户的指静脉图像；
采用所述目标卷积核对所述目标用户的指静脉图像进行滤波处理；
提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像；
从所述目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；
获取预设数据库中存储的所有指静脉特征向量，所述预设数据库中存储了用户与指静脉特征向量之间的关联关系；
分别计算所述目标指静脉特征向量与所述预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；
如果所述多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定所述目标用户的身份验证成功；
如果所述多个相似度均小于所述预设相似度阈值，则确定所述目标用户的身份验证失败。
2.根据权利要求1所述的方法，其特征在于，所述提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像，包括：
对所述目标用户的指静脉图像进行超像素分割，得到第一图像；
对所述目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；
将所述第一图像与所述第二图像进行比较，得到多个第一像素点，其中，所述第一像素点为所述第一图像与所述第二图像重叠的像素点；
根据所述第一像素点确定第二像素点，所述第二像素点为所述多个第一像素点中的一个；
根据所述第二像素点对所述第一图像进行边缘追踪，得到第三图像，所述第三图像为完整的手指边缘图像；
对所述第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到所述目标区域图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述第三图像进行角度校正、高度裁剪、宽度裁剪，包括：
根据手指中线对所述第三图像进行角度校正，得到角度校正后的第三图像；
根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；
根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
4.根据权利要求1所述的方法，其特征在于，所述提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像，包括：
从所述目标用户的指静脉图像中提取完整的手指图像；
根据手指轮廓的边界信息从所述完整的手指图像中截取出最大矩形区域；
对所述最大矩形区域进行梯度运算，生成梯度图像；
根据所述梯度图像定位关节位置；
根据所述关节位置确定所述目标区域图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述梯度图像定位关节位置，包括：
对所述梯度图像进行行像素求和操作，得到所述梯度图像行像素和的灰度分布曲线；
将所述灰度分布曲线的波峰点的位置作为所述关节位置。
6.一种基于指静脉识别的身份验证装置，其特征在于，所述装置包括：
第一获取单元，用于获取指静脉宽度参数；
构建单元，用于根据所述指静脉宽度参数构建目标卷积核；
第二获取单元，用于获取目标用户的指静脉图像；
滤波单元，用于采用所述目标卷积核对所述目标用户的指静脉图像进行滤波处理；
第一提取单元，用于提取滤波处理后所述目标用户的指静脉图像的ROI区域，得到目标区域图像；
第二提取单元，用于从所述目标区域图像中提取出指静脉特征向量，得到目标指静脉特征向量；
第三获取单元，用于获取预设数据库中存储的所有指静脉特征向量，所述预设数据库中存储了用户与指静脉特征向量之间的关联关系；
计算单元，用于分别计算所述目标指静脉特征向量与所述预设数据库中存储的所有指静脉特征向量之间的相似度，得到多个相似度；
第一确定单元，用于如果所述多个相似度中有至少一个相似度大于或等于预设相似度阈值，则确定所述目标用户的身份验证成功；
第二确定单元，用于如果所述多个相似度均小于所述预设相似度阈值，则确定所述目标用户的身份验证失败。
7.根据权利要求6所述的装置，其特征在于，所述第一提取单元包括：
分割子单元，用于对所述目标用户的指静脉图像进行超像素分割，得到第一图像；
边缘检测子单元，用于对所述目标用户的指静脉图像进行Sobel算子边缘检测，得到第二图像；
比较子单元，用于将所述第一图像与所述第二图像进行比较，得到多个第一像素点，其中，所述第一像素点为所述第一图像与所述第二图像重叠的像素点；
第一确定子单元，用于根据所述第一像素点确定第二像素点，所述第二像素点为所述多个第一像素点中的一个；
边缘追踪子单元，用于根据所述第二像素点对所述第一图像进行边缘追踪，得到第三图像，所述第三图像为完整的手指边缘图像；
处理子单元，用于对所述第三图像进行角度校正、高度裁剪、宽度裁剪和归一化，得到所述目标区域图像。
8.根据权利要求7所述的装置，其特征在于，所述处理子单元包括：
角度校正模块，用于根据手指中线对所述第三图像进行角度校正，得到角度校正后的第三图像；
高度裁剪模块，用于根据手指关节的投影值对角度校正后的第三图像进行高度裁剪；
宽度裁剪模块，用于根据手指边缘轮廓的内切线对高度裁剪后的第三图像进行宽度裁剪。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的基于指静脉识别的身份验证方法。
10.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于：所述程序指令被处理器加载并执行时实现权利要求1至5任意一项所述的基于指静脉识别的身份验证方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910744258.5A CN110717372A (zh) | 2019-08-13 | 2019-08-13 | 基于指静脉识别的身份验证方法和装置 |
| PCT/CN2020/093383 WO2021027364A1 (zh) | 2019-08-13 | 2020-05-29 | 基于指静脉识别的身份验证方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910744258.5A CN110717372A (zh) | 2019-08-13 | 2019-08-13 | 基于指静脉识别的身份验证方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110717372A true CN110717372A (zh) | 2020-01-21 |
Family
ID=69210157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910744258.5A Pending CN110717372A (zh) | 2019-08-13 | 2019-08-13 | 基于指静脉识别的身份验证方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110717372A (zh) |
| WO (1) | WO2021027364A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914616A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 指静脉识别与防伪一体化方法、装置、存储介质和设备 |
| WO2021027364A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技（深圳）有限公司 | 基于指静脉识别的身份验证方法和装置 |
| 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 |
| CN112711748A (zh) * | 2021-01-15 | 2021-04-27 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
| CN112801031A (zh) * | 2021-02-08 | 2021-05-14 | 电子科技大学中山学院 | 静脉图像识别方法、装置、电子设备及可读存储介质 |
| CN113516096A (zh) * | 2021-07-29 | 2021-10-19 | 中国工商银行股份有限公司 | 指静脉roi区域提取方法及装置 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883356B (zh) * | 2021-03-31 | 2024-04-23 | 中国工商银行股份有限公司 | 一种身份认证方法、装置及设备 |
| CN113505716B (zh) * | 2021-07-16 | 2022-07-01 | 重庆工商大学 | 静脉识别模型的训练方法、静脉图像的识别方法及装置 |
| CN116226822B (zh) * | 2023-05-05 | 2023-07-14 | 深圳市魔样科技有限公司 | 一种智能戒指身份数据采集方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477622A (zh) * | 2009-01-15 | 2009-07-08 | 山东大学 | 手指静脉识别系统 |
| CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
| 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 |
| CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
| CN108520211A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于手指折痕的手指静脉图像特征的提取方法 |
| CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
| CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技（深圳）有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
| CN108830158A (zh) * | 2018-05-16 | 2018-11-16 | 天津大学 | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN109934102A (zh) * | 2019-01-28 | 2019-06-25 | 浙江理工大学 | 一种基于图像超分辨率的指静脉识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101991028B1 (ko) * | 2017-08-04 | 2019-10-01 | 동국대학교 산학협력단 | 지정맥 인식 장치 및 방법 |
| CN109271966B (zh) * | 2018-10-15 | 2021-10-26 | 广州广电运通金融电子股份有限公司 | 一种基于指静脉的身份认证方法、装置及设备 |
| CN110717372A (zh) * | 2019-08-13 | 2020-01-21 | 平安科技（深圳）有限公司 | 基于指静脉识别的身份验证方法和装置 |
-
2019
- 2019-08-13 CN CN201910744258.5A patent/CN110717372A/zh active Pending
-
2020
- 2020-05-29 WO PCT/CN2020/093383 patent/WO2021027364A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477622A (zh) * | 2009-01-15 | 2009-07-08 | 山东大学 | 手指静脉识别系统 |
| CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
| 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 |
| CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
| CN108520211A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于手指折痕的手指静脉图像特征的提取方法 |
| CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
| CN108805023A (zh) * | 2018-04-28 | 2018-11-13 | 平安科技（深圳）有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
| CN108830158A (zh) * | 2018-05-16 | 2018-11-16 | 天津大学 | 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN109934102A (zh) * | 2019-01-28 | 2019-06-25 | 浙江理工大学 | 一种基于图像超分辨率的指静脉识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 唐溯: "基于深度学习的指静脉识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021027364A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技（深圳）有限公司 | 基于指静脉识别的身份验证方法和装置 |
| CN111914616A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 指静脉识别与防伪一体化方法、装置、存储介质和设备 |
| WO2021243926A1 (zh) * | 2020-06-05 | 2021-12-09 | 华南理工大学 | 指静脉识别与防伪一体化方法、装置、存储介质和设备 |
| AU2020432845B2 (en) * | 2020-06-05 | 2023-03-16 | South China University Of Technology | An integrated method for finger vein recognition and anti-spoofing, and device, storage medium and equipment therefor |
| CN111914616B (zh) * | 2020-06-05 | 2024-04-16 | 华南理工大学 | 指静脉识别与防伪一体化方法、装置、存储介质和设备 |
| 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 |
| CN112711748A (zh) * | 2021-01-15 | 2021-04-27 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
| CN112711748B (zh) * | 2021-01-15 | 2023-12-05 | 电子科技大学中山学院 | 一种指静脉身份认证方法、装置、电子设备及存储介质 |
| CN112801031A (zh) * | 2021-02-08 | 2021-05-14 | 电子科技大学中山学院 | 静脉图像识别方法、装置、电子设备及可读存储介质 |
| CN113516096A (zh) * | 2021-07-29 | 2021-10-19 | 中国工商银行股份有限公司 | 指静脉roi区域提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021027364A1 (zh) | 2021-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717372A (zh) | 基于指静脉识别的身份验证方法和装置 | |
| JP6599421B2 (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 | |
| Qiu et al. | Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer | |
| US10762366B2 (en) | Finger vein identification method and device | |
| Woodard et al. | On the fusion of periocular and iris biometrics in non-ideal imagery | |
| CN107980140B (zh) | 一种掌静脉的识别方法及装置 | |
| EP3347853A1 (en) | Image and feature quality, image enhancement and feature extraction for ocular-vascular and facial recognition, and fusing ocular-vascular with facial and/or sub-facial information for biometric systems | |
| CN111199230B (zh) | 目标检测的方法、装置、电子设备及计算机可读存储介质 | |
| CN109271966B (zh) | 一种基于指静脉的身份认证方法、装置及设备 | |
| Lee et al. | Dorsal hand vein recognition based on 2D Gabor filters | |
| Banerjee et al. | ARTeM: A new system for human authentication using finger vein images | |
| Johar et al. | Iris segmentation and normalization using Daugman’s rubber sheet model | |
| Vlachos et al. | Finger vein segmentation from infrared images based on a modified separable mumford shah model and local entropy thresholding | |
| CN110705341A (zh) | 基于指静脉图像的验证方法、装置、存储介质 | |
| CN111144413A (zh) | 虹膜定位方法及计算机可读存储介质 | |
| Kumar et al. | Iris recognition based on DWT and PCA | |
| Mokni et al. | Pre-processing and extraction of the ROIs steps for palmprints recognition system | |
| Radman et al. | Efficient iris segmentation based on eyelid detection | |
| CN111881789A (zh) | 肤色识别方法、装置、计算设备及计算机存储介质 | |
| Li et al. | Finger vein feature extraction based on improved maximum curvature description | |
| Zhang et al. | Reflection-type finger vein recognition for mobile applications | |
| Avey et al. | An FPGA-based hardware accelerator for iris segmentation | |
| Nigam et al. | Iris recognition using discrete cosine transform and relational measures | |
| de Christo et al. | Multimodal Biometric System for Identity Verification Based on Hand Geometry and Hand Palm's Veins. | |
| Vlachos et al. | Finger vein segmentation in infrared images using supervised and unsupervised clustering algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40017552 Country of ref document: HK |
|
| 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: 20200121 |