CN110751029A - 基于最大曲率自适应指静脉纹路提取方法 - Google Patents
基于最大曲率自适应指静脉纹路提取方法 Download PDFInfo
- Publication number
- CN110751029A CN110751029A CN201910864346.9A CN201910864346A CN110751029A CN 110751029 A CN110751029 A CN 110751029A CN 201910864346 A CN201910864346 A CN 201910864346A CN 110751029 A CN110751029 A CN 110751029A
- Authority
- CN
- China
- Prior art keywords
- vein
- value
- curvature
- gray
- image
- 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
Links
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
基于最大曲率自适应静脉提取方法,首先对读入含有指静脉信息的图像进行背景自适应弱化处理,用以解决在静脉提取过程中背景噪声带来的干扰问题;接着对经过背景自适应弱化处理的图像进行多方向的曲率值计算并确定中心点位置,然后进行中心点的自适应筛选剔除伪静脉中心点;最后在经过处理的静脉中心点位置处还原灰度值从而获得多张静脉纹路图,将多张静脉纹路图进行融合、后处理操作以及二值化操作,最终获得二值化静脉纹路图。本方法用以解决采集的源图片质量低、布光不均匀、图像模糊等情况下不能提取到良好的静脉纹路问题,以提高指静脉纹路的提取质量,提高指静脉识别系统的识别率。
Description
技术领域
本发明涉及基于最大曲率自适应指静脉纹路提取方法,属于图像 处理领域。
背景技术
近年来信息安全技术的飞速发展,人们对个人信息安全的重视程 序越来越高,传统的身份认证安全逐渐无法满足人们的需要。但是生 物特征识别技术在安全性和易用性上的出色表现,正逐渐被大众所熟 知例如指纹识别、人脸识别、语音识别等都成为主流的身份识别技术。 生物特征识别技术指的是利用人体固有的生理特征或行为特征来辨 别个人身份。目前已经比较成熟的生物特征识别技术有:指纹识别、 虹膜识别、人脸识别、步态识别、指静脉识别等。指静脉识别技术就 属于生物识别技术的一种,它是利用每个人的手指静脉的差异性作为 特征进行身份识别的。指静脉作为一种新兴的生物识别技术,也逐渐被大众所关注。经过对几种常见的生物识别特征技术指标的对比可以 发现,指静脉识别在多项指标中都有着良好的表现。与其他生物特征 类似,手指静脉识别的研究工作主要涉及图像采集、图像预处理、图 像质量评价、特征信息的提取、特征匹配等。目前在国际市场上手指 静脉识别产品主要以日本生产的为主,其质量水平和用户满意度也是 在行业内处于领先水平。国内由于起步的较晚,因此在大规模的商业 应用上还存在一定的距离。
指静脉纹路提取指在经过预处理的图像中将指静脉纹路提取出 来,经过后处理最终获得二值指静脉纹路图像,用于后续的特征信息 的提取。解剖学研究表明了指静脉具有方向性、连续性、宽度变化性 等特征。不同的人由于性别、基因、生长环境等多方面因素造成每个 人每个手指的指静脉都不相同,包括双胞胎,这就给指静脉识别奠定 了理论基础。在指静脉识别系统中影响图像采集质量的因素有很多比 如:采集环境气温低、采集设备性能不理想、手指位置、当时的环境 光照等等。指静脉个体间的差异性,比如说有的人静脉天生的比较细, 生长的密集;图像在预处理等环节上局限性;还有静脉提取环节的局 限性等等这些都会影响到指静脉系统的识别率或者误等率。因此在指 静脉提取环节能否准确的提取出静脉纹路在整个指静脉系统中起着 至关重要的作用。
目前用于静脉纹路提取的算法有,局部阈值分割、方向模板法、 基于方向谷形检测的静脉纹路分割、线性跟踪法等,但是识别性能不 够理想,尤其当处理采集图片质量较低情况时候提取纹路不完整且带 有噪声。本专利发明的基于最大曲率自适应指静脉纹路提取方法可以 克服上述问题,在处理低质量图片时可以获得良好的结果。
发明内容
本发明针对采集源图片质量情况较差情况下,能够有效提取指静 脉纹路信息,通过引入背景自适应弱化处理以此将降低背景信息的干 扰程度,解决了在指静脉纹路提取过程中误将背景信息判定为静脉信 息的问题;通过引入伪静脉判段过程,有效的解决了在静脉提取过程 中误将伪静脉信息判定为静脉信息的问题。
基于最大曲率自适应指静脉纹路提取方法,包括如下步骤:
步骤1:对读入含有静脉信息的灰度图像行预处理操作后进行背 景自适应弱化处理,静脉为提取的目标,背景则是没有静脉的较浅部 分;
步骤2:对经过背景自适应弱化处理的灰度值图像进行多方向的 曲率值计算,从而获得由曲率值组成的曲率值图;
步骤3:在曲率值图中进行静脉中心点位置的选取;在每个方向 的曲率值数列中存在由连续的正曲率值组成的区域,在这些局部区域 中选定最大曲率值的位置作为静脉中心点位置,从而获得由静脉中心 点构成的静脉中心点图;
步骤4:对静脉中心点图中的中心点进行自适应筛选,剔除曲率 值过大或过小的伪静脉中心点以及正曲率区域宽度和中心点曲率值 乘积过小的中心点,从而获得经过处理的静脉中心点图;
步骤5:根据经过处理的静脉中心点图的中心点位置还原灰度图 像在该点邻域(L×L)(L为奇数)处的灰度值,从而获得多张由灰 度值组成的静脉纹路图;
步骤6:将多个方向的静脉纹路图融合成一张静脉纹路图;
步骤7:对融合后的静脉纹路图进行剔除孤岛、填充空洞、闭运 算的后处理操作从而获得处理后的静脉纹路图;
步骤8:设定阈值T对静脉纹路图进行二值化操作,将大于等于 阈值T的灰度值设为1,小于阈值T的灰度值设为0,最终获得指静 脉纹路二值图。
进一步地,所述步骤1包括如下分步骤:
步骤1-1,对经过预处理操作含有静脉信息的灰度图像F0(x,y)进 行背景自适应弱化处理;需要对图像中的每一个像素点的灰度值进行 处理;首先使用公式(1)计算每一个像素点及其邻域所在内的灰度 均值:
其中,garymean表示某一像素点及其邻域内的灰度均值,f0(i,j) 表示在图像F0(x,y)的(i,j)像素位置处的灰度值,i和j表示的图像的某 点的像素坐标,M和N表示图像F0(x,y)的长和宽,m和n表示邻域 的长和宽,这里的K是比列系数,K值的大小决定了邻域的大小;
步骤1-2,获得某一像素点的邻域灰度均值garymean后,再对该 像素点的灰度值利用公式(3)进行重新计算处理:
其中,f0(x0,y0)表示在图像F0(x,y)的(x0,y0)像素位置处的灰度值, x0和y0表示的图像的某点的像素坐标,garymean表示在像素点 (x0,y0)位置处及其邻域所在内的灰度均值,f1(x0,y0)表示在像素点 (x0,y0)位置处经过重计算的灰度值。由经过重新计算的灰度值组成的 图像F1(x,y),F1(x,y)表示在经过背景弱化处理的灰度图。
进一步地,所述步骤2中,对经过背景弱化处理的灰度图F1(x,y) 进行多方向的曲率值计算,分别计算5个方向上灰度值曲线的曲率值, 利用公式(4)进行以下方向d1=0°、d2=30°、d3=60°、d4=120°、d5=150°的曲率值计算从而获得5张不同方向曲率值组成的曲率值 图 表示在点pj(j∈(0,n))处di(i∈{1,2,3,4,5})方向上 横切面的灰度值数列,在点pj处的曲率c(pj)由公式(4)计算可得:
进一步地,所述步骤3中,分别对曲率值图和的曲率值 进行筛选,即选灰度值数列中每一个连续正曲率区域内最大的 曲率值即局部曲率最大值,这些局部曲率最大值位置称为静脉中心点, 中心点的位置一般即为静脉所在的位置。将非静脉中心点的曲率值置 为零,保留静脉中心点的曲率值,从而获得由静脉中心点构成的静脉 中心点图
进一步地,所述步骤4中,对静脉中心点图中的中心点进行筛选, 剔除伪静脉点;利用公式(8)对静脉中心点图和的伪中心 点进行剔除,从而获得处理后的静脉中心点图
其中,和是判断是否剔除伪静脉点的上下限阈值,φ是判断 是否剔除伪静脉点的阈值,均由专家经验设置,表示灰度值数列 上局部连续正曲率区域的宽度,表示连续正曲率区域中最大 的曲率值,表示局部连续正曲率区域的宽度和最大曲 率值的乘积,定示静脉中心点图像中在像素 点(x,y)位置处的中心点,表示经过公式(8)伪静脉中心点剔 除的中心点,定示经过公式(9)伪静脉中心点剔除的中心点; 由经过伪静脉中心点剔除后的静脉中心点组成的图像 表示处理后的静脉中心点图。
进一步地,所述步骤5中,根据处理后的静脉中心点图的中心点位置,将预处理操作含有静脉信息的灰度图像F0(x,y)对应 位置处及其邻域(L×L)(L为奇数)范围内的灰度值保留,剔除其余 位置的灰度值,从而获得5张由灰度值组成的静脉纹路图
进一步地,所述步骤7中,对融合后的静脉图F7(x,y)进行后处理 包括:剔除孤岛、填充、闭运算操作,从而获得的处理后的静脉纹路 图F8(x,y)。
进一步地,所述步骤8中,利用公式(12)对处理后的静脉纹路 图F8(x,y)进行二值化操作,从而获得最终的静脉纹路图F9(x,y):
其中,T为二值化分割阈值根据专家经验设置,f8(x,y)表示在图 像F8(x,y)的(x,y)像素位置处的灰度值,f9(x,y)表示经过二值化计算 后的值,由经过二值化计算的值f9(x,y)组成图像的F9(x,y),F9(x,y) 表示最终的二值化静脉纹路图。
本发明突出了一种基于最大曲率自适应的静脉提取方法。在静脉 提取前进行背景自适应弱化处理,有效的减少背景信息的干扰。能够 有效的避免背景信息的被误认为静脉细信息。在静脉提取过程中,进 行为伪静脉点的剔除,减少提取指静脉过程中冗余信息过多的情况, 从而最大程度的从图像中获取指静脉信息。在该方法能够针对指静脉 图像质量较差情况下获取较为清晰的指静脉纹路,能够提高指静脉识 别系统的识别精度。
附图说明
图1为是方法流程图。
图2为某方向上像素点的曲率值。
图3为某方向上像素点的正曲率值示意图。
图4为某方向上静脉中心点曲率值折线图。
图5为某方向上中心点示意图。
图6为某方向上伪静脉中心点曲率值折线图。
图7为中心点曲率值和区域宽度的乘积示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
基于最大曲率自适应指静脉纹路提取方法,包括如下步骤:
步骤1:对读入含有静脉信息的灰度图像行预处理操作后进行背 景自适应弱化处理,静脉为提取的目标,背景则是没有静脉的较浅部 分。
所述步骤1包括如下分步骤:
步骤1-1,对经过预处理操作含有静脉信息的灰度图像F0(x,y)进 行背景自适应弱化处理;需要对图像中的每一个像素点的灰度值进行 处理;首先使用公式(1)计算每一个像素点及其邻域所在内的灰度 均值
其中,garymean表示某一像素点及其邻域内的灰度均值,f0(i,j) 表示在图像F0(x,y)的(i,j)像素位置处的灰度值,i和j表示的图像的某 点的像素坐标,M和N表示图像F0(x,y)的长和宽,m和n表示邻域 的长和宽,这里的K是比列系数,K值的大小决定了邻域的大小。这 里的邻域尺寸大小设定根据原图尺寸的大小按比例缩小设定,需要考 虑原图尺寸的大小,因此邻域尺寸不可过大或者过小。一般邻域设定 的长或者宽在20像素至30像素之间。
步骤1-2,获得某一像素点的邻域灰度均值garymean后,再对该 像素点的灰度值利用公式(3)进行重新计算处理。
其中,f0(x0,y0)表示在图像F0(x,y)的(x0,y0)像素位置处的灰度值, x0和y0表示的图像的某点的像素坐标,garymean表示在像素点 (x0,y0)位置处及其邻域所在内的灰度均值,f1(x0,y0)表示在像素点 (x0,y0)位置处经过重计算的灰度值。由经过重新计算的灰度值组成的 图像F1(x,y),F1(x,y)表示在经过背景弱化处理的灰度图。
步骤2:对经过背景自适应弱化处理的灰度值图像进行多方向的 曲率值计算,从而获得由曲率值组成的曲率值图。
所述步骤2中,对经过背景弱化处理的灰度图F1(x,y)进行多方向 的曲率值计算,分别计算5个方向上灰度值曲线的曲率值,利用公式 (4)进行以下方向d1=0°、d2=30°、d3=60°、d4=120°、d5=150° 的曲率值计算从而获得5张不同方向曲率值组成的曲率值图 表示在点pj(j∈(0,n))处di(i∈{1,2,3,4,5})方向上横切面的灰 度值数列,在点pj处的曲率c(pj)由公式(4)计算可得:
如图2是某方向某一行13个像素点的曲率值组成的数列。可以 发现像素点3至像素点11是连续的正曲率值组成的局部正曲率值区 间如图3所示。在局部正曲率区间中,可以找到局部最大值,由图4 可以发现像素点7是局部最大值。因此像素点7可以确定选为中心点 如图5所示。由此生成5张静脉中心点图
步骤3:在曲率值图中进行静脉中心点位置的选取;在每个方向 的曲率值数列中存在由连续的正曲率值组成的区域,在这些局部区域 中选定最大曲率值的位置作为静脉中心点位置,从而获得由静脉中心 点构成的静脉中心点图。
所述步骤3中,分别对曲率值图中的曲率值进行筛选, 即选灰度值数列中每一个连续正曲率区域内最大的曲率值即 局部曲率最大值,这些局部曲率最大值位置称为静脉中心点,中心点 的位置一般即为静脉所在的位置。将非静脉中心点的曲率值置为零, 保留静脉中心点的曲率值,从而获得由静脉中心点构成的静脉中心点 图
步骤4:对静脉中心点图中的中心点进行自适应筛选,剔除曲率 值过大或过小的伪静脉中心点以及正曲率区域宽度和中心点曲率值 乘积过小的中心点,从而获得经过处理的静脉中心点图。如图6所示 像素点6曲率值过小应当剔除。
其中,和是判断是否剔除伪静脉点的上下限阈值,φ是判断 是否剔除伪静脉点的阈值,均由专家经验设置,表示灰度值数列 上局部连续正曲率区域的宽度,表示连续正曲率区域中最大 的曲率值,表示局部连续正曲率区域的宽度和最大曲 率值的乘积,表示静脉中心点图像中在像素 点(x,y)位置处的中心点,表示经过公式(8)伪静脉中心点剔 除的中心点,表示经过公式(9)伪静脉中心点剔除的中心点; 由经过伪静脉中心点剔除后的静脉中心点组成的图像 表示处理后的静脉中心点图。
步骤5:根据经过处理的静脉中心点图的中心点位置还原灰度图 像在该点邻域(L×L)(L为奇数)处的灰度值,从而获得多张由灰 度值组成的静脉纹路图。
所述步骤5中,根据处理后的静脉中心点图的中心点位 置,将预处理操作含有静脉信息的灰度图像F0(x,y)对应位置处及其 邻域(L×L)(L为奇数)范围内的灰度值保留,剔除其余位置的灰度 值,从而获得5张由灰度值组成的静脉纹路图
步骤6:将多个方向的静脉纹路图融合成一张静脉纹路图。
所述步骤6中,根据公式(11)将静脉纹路图融合成一 张静脉纹路图F7(x,y)
步骤7:对融合后的静脉纹路图进行剔除孤岛、填充空洞、闭运 算的后处理操作从而获得处理后的静脉纹路图。
所述步骤7中,对融合后的静脉图F7(x,y)进行后处理包括:剔除 孤岛、填充、闭运算操作,从而获得的处理后的静脉纹路图F8(x,y)。
步骤8:设定阈值T对静脉纹路图进行二值化操作,将大于等于 阈值T的灰度值设为1,小于阈值T的灰度值设为0,最终获得指静 脉纹路二值图。
所述步骤8中,利用公式(12)对处理后的静脉纹路图F8(x,y) 进行二值化操作,从而获得最终的静脉纹路图F9(x,y)
其中,T为二值化分割阈值根据专家经验设置,f8(x,y)表示在图 像F8(x,y)的(x,y)像素位置处的灰度值,f9(x,y)表示经过二值化计算 后的值,由经过二值化计算的值f9(x,y)组成图像的F9(x,y),F9(x,y) 表示最终的二值化静脉纹路图。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以 上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容 所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (9)
1.基于最大曲率自适应指静脉纹路提取方法,其特征在于:包括如下步骤:
步骤1:对读入含有静脉信息的灰度图像行预处理操作后进行背景自适应弱化处理,静脉为提取的目标,背景则是没有静脉的较浅部分;
步骤2:对经过背景自适应弱化处理的灰度值图像进行多方向的曲率值计算,从而获得由曲率值组成的曲率值图;
步骤3:在曲率值图中进行静脉中心点位置的选取;在每个方向的曲率值数列中存在由连续的正曲率值组成的区域,在这些局部区域中选定最大曲率值的位置作为静脉中心点位置,从而获得由静脉中心点构成的静脉中心点图;
步骤4:对静脉中心点图中的中心点进行自适应筛选,剔除曲率值过大或过小的伪静脉中心点以及正曲率区域宽度和中心点曲率值乘积过小的中心点,从而获得经过处理的静脉中心点图;
步骤5:根据经过处理的静脉中心点图的中心点位置还原灰度图像在该点邻域(L×L)(L为奇数)处的灰度值,从而获得多张由灰度值组成的静脉纹路图;
步骤6:将多个方向的静脉纹路图融合成一张静脉纹路图;
步骤7:对融合后的静脉纹路图进行剔除孤岛、填充空洞、闭运算的后处理操作从而获得处理后的静脉纹路图;
步骤8:设定阈值T对静脉纹路图进行二值化操作,将大于等于阈值T的灰度值设为1,小于阈值T的灰度值设为0,最终获得指静脉纹路二值图。
2.根据权利要求1所述的基于最大曲率自适应指静脉纹路提取方法,其特征在于:所述步骤1包括如下分步骤:
步骤1-1,对经过预处理操作含有静脉信息的灰度图像F0(x,y)进行背景自适应弱化处理;需要对图像中的每一个像素点的灰度值进行处理;首先使用公式(1)计算每一个像素点及其邻域所在内的灰度均值:
其中,garymean表示某一像素点及其邻域内的灰度均值,f0(i,j)表示在图像F0(x,y)的(i,j)像素位置处的灰度值,i和j表示的图像的某点的像素坐标,M和N表示图像F0(x,y)的长和宽,m和n表示邻域的长和宽,这里的K是比列系数,K值的大小决定了邻域的大小;
步骤1-2,获得某一像素点的邻域灰度均值garymean后,再对该像素点的灰度值利用公式(3)进行重新计算处理:
其中,f0(x0,y0)表示在图像F0(x,y)的(x0,y0)像素位置处的灰度值,x0和y0表示的图像的某点的像素坐标,garymean表示在像素点(x0,y0)位置处及其邻域所在内的灰度均值,f1(x0,y0)表示在像素点(x0,y0)位置处经过重计算的灰度值。由经过重新计算的灰度值组成的图像F1(x,y),F1(x,y)表示在经过背景弱化处理的灰度图。
5.根据权利要求1所述的基于最大曲率自适应指静脉纹路提取方法,其特征在于:所述步骤4中,对静脉中心点图中的中心点进行筛选,剔除伪静脉点;利用公式(8)对静脉中心点图中的伪中心点进行剔除,从而获得处理后的静脉中心点图
8.根据权利要求1所述的基于最大曲率自适应指静脉纹路提取方法,其特征在于:所述步骤7中,对融合后的静脉图F7(x,y)进行后处理包括:剔除孤岛、填充、闭运算操作,从而获得的处理后的静脉纹路图F8(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910864346.9A CN110751029B (zh) | 2019-09-12 | 2019-09-12 | 基于最大曲率自适应指静脉纹路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910864346.9A CN110751029B (zh) | 2019-09-12 | 2019-09-12 | 基于最大曲率自适应指静脉纹路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751029A true CN110751029A (zh) | 2020-02-04 |
CN110751029B CN110751029B (zh) | 2022-08-02 |
Family
ID=69276403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910864346.9A Active CN110751029B (zh) | 2019-09-12 | 2019-09-12 | 基于最大曲率自适应指静脉纹路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751029B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639557A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像智能注册反馈方法 |
CN111639555A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN116778538A (zh) * | 2023-07-24 | 2023-09-19 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229899A (zh) * | 2017-03-24 | 2017-10-03 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
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 |
CN108334875A (zh) * | 2018-04-26 | 2018-07-27 | 南京邮电大学 | 基于自适应多阈值的静脉特征提取方法 |
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 |
-
2019
- 2019-09-12 CN CN201910864346.9A patent/CN110751029B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229899A (zh) * | 2017-03-24 | 2017-10-03 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
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 |
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 |
CN108334875A (zh) * | 2018-04-26 | 2018-07-27 | 南京邮电大学 | 基于自适应多阈值的静脉特征提取方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639557A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像智能注册反馈方法 |
CN111639555A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
CN111639557B (zh) * | 2020-05-15 | 2023-06-20 | 圣点世纪科技股份有限公司 | 一种指静脉图像智能注册反馈方法 |
CN112950665A (zh) * | 2021-02-01 | 2021-06-11 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN112950665B (zh) * | 2021-02-01 | 2022-09-02 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN116778538A (zh) * | 2023-07-24 | 2023-09-19 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及系统 |
CN116778538B (zh) * | 2023-07-24 | 2024-01-30 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110751029B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751029B (zh) | 基于最大曲率自适应指静脉纹路提取方法 | |
Zhao et al. | Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
JP2004086891A (ja) | デジタル画像におけるオブジェクト検出方法 | |
CN107657209B (zh) | 一种基于手指静脉图像质量的模板图像注册机制 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN106991380A (zh) | 一种基于掌静脉图像的预处理方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
Frucci et al. | Severe: Segmenting vessels in retina images | |
CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN109145704B (zh) | 一种基于人脸属性的人脸画像识别方法 | |
CN113822157A (zh) | 一种基于多分支网络和图像修复的戴口罩人脸识别方法 | |
CN115311746A (zh) | 一种基于多特征融合的离线签名真伪检测方法 | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
CN111209850A (zh) | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 | |
Zabihi et al. | Vessel extraction of conjunctival images using LBPs and ANFIS | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN111815591B (zh) | 基于ct图像的肺结节检测方法 | |
CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 |
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 |