CN110852280A - 一种指静脉设备镜面异物的检测算法 - Google Patents
一种指静脉设备镜面异物的检测算法 Download PDFInfo
- Publication number
- CN110852280A CN110852280A CN201911104899.0A CN201911104899A CN110852280A CN 110852280 A CN110852280 A CN 110852280A CN 201911104899 A CN201911104899 A CN 201911104899A CN 110852280 A CN110852280 A CN 110852280A
- Authority
- CN
- China
- Prior art keywords
- noise
- finger vein
- image
- binary image
- binary
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及生物特征识别及信息安全技术,具体是一种指静脉设备镜面异物的检测算法。本发明解决了指静脉设备的镜面上出现异物导致认假率提高的问题。一种指静脉设备镜面异物的检测算法,该算法是采用如下步骤实现的:步骤S1:采集指静脉图像;步骤S2:归一化处理;步骤S3:高斯滤波;步骤S4:得到噪声图像;步骤S5:得到二值图像;步骤S6:确定噪声水平;步骤S7:设定噪声阈值;步骤S8:将第一幅二值图像的噪声水平与噪声阈值进行比较;步骤S9:确定叠加得到的二值图像的噪声水平;步骤S10:将下一幅二值图像的噪声水平与噪声阈值进行比较;步骤S11:确定叠加得到的二值图像的噪声水平;步骤S12:循环执行步骤S10~步骤S11。本发明适用于安防领域。
Description
技术领域
本发明涉及生物特征识别及信息安全技术,具体是一种指静脉设备镜面异物的检测算法。
背景技术
指静脉识别技术是一种新兴的生物特征识别技术,其通过利用指静脉设备采集手指内的静脉分布图像来进行身份认证。在指静脉设备的使用过程中,由于用户长期不清洁或者不法分子蓄意攻击,指静脉设备的镜面上往往会出现异物,由此导致指静脉设备采集到的指静脉图像中包含固定噪声,从而导致指静脉设备的认假率提高,进而导致身份认证的安全风险提高。基于此,有必要发明一种指静脉设备镜面异物的检测算法,以解决指静脉设备的镜面上出现异物导致认假率提高的问题。
发明内容
本发明为了解决指静脉设备的镜面上出现异物导致认假率提高的问题,提供了一种指静脉设备镜面异物的检测算法。
本发明是采用如下技术方案实现的:
一种指静脉设备镜面异物的检测算法,该算法是采用如下步骤实现的:
步骤S1:利用指静脉设备采集用户的M幅指静脉图像;
步骤S2:对采集到的每幅指静脉图像进行归一化处理;
步骤S3:对归一化处理后的每幅指静脉图像进行多尺度的高斯滤波;
步骤S4:针对高斯滤波后的每幅指静脉图像,将相邻尺度的高斯滤波结果进行相减,由此得到每幅指静脉图像对应的N幅噪声图像,且N幅噪声图像包含的噪声尺寸各不相同;
步骤S5:对每幅噪声图像进行多方向滤波,由此得到滤除指静脉信息而保留噪声的二值图像;
步骤S6:按照噪声尺寸从小到大的顺序,对每幅指静脉图像对应的N幅二值图像进行排序,并检测每幅二值图像的白色像素点,然后根据检测结果确定每幅二值图像的噪声水平;
步骤S7:设定不同叠加图像的数量对应的噪声阈值;
步骤S8:将第一幅指静脉图像对应的第一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S9;
步骤S9:将下一幅指静脉图像对应的第一幅二值图像叠加于上一幅指静脉图像对应的第一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与第一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S10;
步骤S10:将第一幅指静脉图像对应的下一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S11;
步骤S11:将下一幅指静脉图像对应的下一幅二值图像叠加于上一幅指静脉图像对应的下一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与下一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S12;
步骤S12:循环执行步骤S10~步骤S11;当循环次数达到N次时,表明指静脉设备的镜面不存在任何异物,算法结束。
本发明所述的一种指静脉设备镜面异物的检测算法基于全新原理,实现了快速、准确地检测指静脉设备的镜面上的异物,由此有效消除了指静脉设备采集到的指静脉图像中包含的固定噪声,从而有效降低了指静脉设备的认假率,从而有效降低了身份认证的安全风险。
通过下述实验,可以有效验证本发明的有益效果:首先,设定不同叠加图像的数量对应的噪声阈值,如表1所示。然后,建立一组无异物的指静脉图像库和三组模拟不同噪声水平的指静脉图像库,如图6~图9所示,并利用MATLAB2016a进行本发明的仿真。然后,测试四组指静脉图像库在同一门限下的认假率,测试结果如表2所示,根据测试结果可知,指静脉设备的镜面上出现异物会导致认假率提高。然后,利用本发明对四组指静脉图像库进行异物检测,检测结果如表3所示,根据检测结果可知,本发明能够有效检测出指静脉设备的镜面上的异物。
表1
叠加图像的数量 | 噪声阈值 |
1 | 298 |
2 | 284 |
3 | 272 |
4 | 263 |
5 | 258 |
6 | 250 |
7 | 246 |
8 | 239 |
9 | 231 |
10 | 225 |
11 | 220 |
12 | 197 |
表2
指静脉图像库 | 噪声水平 | FAR |
E1 | 0 | 0.00 |
E2 | 1 | 0.000008 |
E3 | 2 | 0.000065 |
E4 | 3 | 0.0023 |
表3
指静脉图像库 | 噪声水平 | 异物检出率 |
E1 | 0 | 0.00999% |
E2 | 1 | 99.6% |
E3 | 2 | 99.98% |
E4 | 3 | 100% |
本发明有效解决了指静脉设备的镜面上出现异物导致认假率提高的问题,适用于安防领域。
附图说明
图1是本发明的算法流程图。
图2是本发明的步骤S1中指静脉设备采集到的指静脉图像。
图3是本发明的步骤S2中归一化处理后的指静脉图像。
图4是本发明的步骤S5中滤除指静脉信息而保留噪声的二值图像。
图5是本发明的步骤S9中叠加得到的二值图像。
图6是本发明的实验中一组无异物的指静脉图像库。
图7是本发明的实验中第一组模拟不同噪声水平的指静脉图像库。
图8是本发明的实验中第二组模拟不同噪声水平的指静脉图像库。
图9是本发明的实验中第三组模拟不同噪声水平的指静脉图像库。
具体实施方式
一种指静脉设备镜面异物的检测算法,该算法是采用如下步骤实现的:
步骤S1:利用指静脉设备采集用户的M幅指静脉图像;
步骤S2:对采集到的每幅指静脉图像进行归一化处理;
步骤S3:对归一化处理后的每幅指静脉图像进行多尺度的高斯滤波;
步骤S4:针对高斯滤波后的每幅指静脉图像,将相邻尺度的高斯滤波结果进行相减,由此得到每幅指静脉图像对应的N幅噪声图像,且N幅噪声图像包含的噪声尺寸各不相同;
步骤S5:对每幅噪声图像进行多方向滤波,由此得到滤除指静脉信息而保留噪声的二值图像;
步骤S6:按照噪声尺寸从小到大的顺序,对每幅指静脉图像对应的N幅二值图像进行排序,并检测每幅二值图像的白色像素点,然后根据检测结果确定每幅二值图像的噪声水平;
步骤S7:设定不同叠加图像的数量对应的噪声阈值;
步骤S8:将第一幅指静脉图像对应的第一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S9;
步骤S9:将下一幅指静脉图像对应的第一幅二值图像叠加于上一幅指静脉图像对应的第一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与第一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S10;
步骤S10:将第一幅指静脉图像对应的下一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S11;
步骤S11:将下一幅指静脉图像对应的下一幅二值图像叠加于上一幅指静脉图像对应的下一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与下一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S12;
步骤S12:循环执行步骤S10~步骤S11;当循环次数达到N次时,表明指静脉设备的镜面不存在任何异物,算法结束。
所述步骤S1中,归一化处理是利用双线性插值法实现的。
所述步骤S5中,多方向滤波包括如下步骤:
步骤S5.1:设定多方向滤波模板,并根据如下公式得到噪声图像在每个方向上滤波后的结果:
f(x,y)=∑I(x,y)*G(x,y);
式中:f(x,y)表示噪声图像在每个方向上滤波后的结果;I(x,y)表示原始噪声图像;G(x,y)表示多方向滤波模板;
步骤S5.2:统计噪声图像在每个方向上滤波后的结果均大的区域,由此初步确定噪声区域;
步骤S5.3:对初步确定的噪声区域进行多方向上横竖结果的比较,由此去除明显的横纹区域;
步骤S5.4:计算初步确定的噪声区域的方差,由此去除明显的边界点,从而最终确定噪声区域;
步骤S5.5:对最终确定的噪声区域进行采样,由此初步得到二值图像;
步骤S5.6:对初步得到的二值图像进行膨胀形态学处理,由此最终得到二值图像。
所述步骤S6、步骤S9中,二值图像的噪声水平是根据二值图像的白色像素点数量确定的。
所述步骤S9、步骤S11中,二值图像的叠加是指对二值图像中像素值为1的像素点进行同或运算,即保留每幅二值图像中相同位置的白色像素点,由此保留二值图像中固定位置的噪声。
Claims (5)
1.一种指静脉设备镜面异物的检测算法,其特征在于:该算法是采用如下步骤实现的:
步骤S1:利用指静脉设备采集用户的M幅指静脉图像;
步骤S2:对采集到的每幅指静脉图像进行归一化处理;
步骤S3:对归一化处理后的每幅指静脉图像进行多尺度的高斯滤波;
步骤S4:针对高斯滤波后的每幅指静脉图像,将相邻尺度的高斯滤波结果进行相减,由此得到每幅指静脉图像对应的N幅噪声图像,且N幅噪声图像包含的噪声尺寸各不相同;
步骤S5:对每幅噪声图像进行多方向滤波,由此得到滤除指静脉信息而保留噪声的二值图像;
步骤S6:按照噪声尺寸从小到大的顺序,对每幅指静脉图像对应的N幅二值图像进行排序,并检测每幅二值图像的白色像素点,然后根据检测结果确定每幅二值图像的噪声水平;
步骤S7:设定不同叠加图像的数量对应的噪声阈值;
步骤S8:将第一幅指静脉图像对应的第一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S9;
步骤S9:将下一幅指静脉图像对应的第一幅二值图像叠加于上一幅指静脉图像对应的第一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与第一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与第一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S10;
步骤S10:将第一幅指静脉图像对应的下一幅二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则执行步骤S11;
步骤S11:将下一幅指静脉图像对应的下一幅二值图像叠加于上一幅指静脉图像对应的下一幅二值图像上,并检测叠加得到的二值图像的白色像素点,然后根据检测结果确定叠加得到的二值图像的噪声水平;然后,将叠加得到的二值图像的噪声水平与当前叠加图像的数量对应的噪声阈值进行比较;若噪声水平大于噪声阈值,则表明指静脉设备的镜面存在与下一幅二值图像包含的噪声尺寸一致的异物,算法结束;若噪声水平小于噪声阈值,则循环执行本步骤;当循环次数达到M次时,表明指静脉设备的镜面不存在与下一幅二值图像包含的噪声尺寸一致的异物,此时终止执行本步骤,然后执行步骤S12;
步骤S12:循环执行步骤S10~步骤S11;当循环次数达到N次时,表明指静脉设备的镜面不存在任何异物,算法结束。
2.根据权利要求1所述的一种指静脉设备镜面异物的检测算法,其特征在于:所述步骤S1中,归一化处理是利用双线性插值法实现的。
3.根据权利要求1所述的一种指静脉设备镜面异物的检测算法,其特征在于:所述步骤S5中,多方向滤波包括如下步骤:
步骤S5.1:设定多方向滤波模板,并根据如下公式得到噪声图像在每个方向上滤波后的结果:
f(x,y)=∑I(x,y)*G(x,y);
式中:f(x,y)表示噪声图像在每个方向上滤波后的结果;I(x,y)表示原始噪声图像;G(x,y)表示多方向滤波模板;
步骤S5.2:统计噪声图像在每个方向上滤波后的结果均大的区域,由此初步确定噪声区域;
步骤S5.3:对初步确定的噪声区域进行多方向上横竖结果的比较,由此去除明显的横纹区域;
步骤S5.4:计算初步确定的噪声区域的方差,由此去除明显的边界点,从而最终确定噪声区域;
步骤S5.5:对最终确定的噪声区域进行采样,由此初步得到二值图像;
步骤S5.6:对初步得到的二值图像进行膨胀形态学处理,由此最终得到二值图像。
4.根据权利要求1所述的一种指静脉设备镜面异物的检测算法,其特征在于:所述步骤S6、步骤S9中,二值图像的噪声水平是根据二值图像的白色像素点数量确定的。
5.根据权利要求1所述的一种指静脉设备镜面异物的检测算法,其特征在于:所述步骤S9、步骤S11中,二值图像的叠加是指对二值图像中像素值为1的像素点进行同或运算,即保留每幅二值图像中相同位置的白色像素点,由此保留二值图像中固定位置的噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104899.0A CN110852280B (zh) | 2019-11-13 | 2019-11-13 | 一种指静脉设备镜面异物的检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104899.0A CN110852280B (zh) | 2019-11-13 | 2019-11-13 | 一种指静脉设备镜面异物的检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852280A true CN110852280A (zh) | 2020-02-28 |
CN110852280B CN110852280B (zh) | 2022-04-15 |
Family
ID=69601051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911104899.0A Active CN110852280B (zh) | 2019-11-13 | 2019-11-13 | 一种指静脉设备镜面异物的检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852280B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015225354A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社モフィリア | 生体認証装置、生体認証方法、生体認証プログラムおよび電子機器 |
CN106250842A (zh) * | 2016-07-28 | 2016-12-21 | 电子科技大学 | 一种基于脉向检测的指静脉识别技术 |
CN106372611A (zh) * | 2016-09-09 | 2017-02-01 | 康佳集团股份有限公司 | 基于手掌静脉特征的身份识别方法、系统及图像采集装置 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
-
2019
- 2019-11-13 CN CN201911104899.0A patent/CN110852280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015225354A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社モフィリア | 生体認証装置、生体認証方法、生体認証プログラムおよび電子機器 |
CN106250842A (zh) * | 2016-07-28 | 2016-12-21 | 电子科技大学 | 一种基于脉向检测的指静脉识别技术 |
CN106372611A (zh) * | 2016-09-09 | 2017-02-01 | 康佳集团股份有限公司 | 基于手掌静脉特征的身份识别方法、系统及图像采集装置 |
CN107862282A (zh) * | 2017-11-07 | 2018-03-30 | 深圳市金城保密技术有限公司 | 一种手指静脉识别与安全认证方法及其终端及系统 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
Non-Patent Citations (3)
Title |
---|
CHAOPING ZHU ET AL.: "Research on Denoising of Finger Vein Image Based on Deep Convolutional Neural Network", 《2019 14TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION (ICCSE)》 * |
吴超: "基于深度学习的指静脉识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
熊显名 等: "基于灰度变化方向的指静脉特征检测算法", 《现代电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110852280B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fingerprint enhancement in the singular point area | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
WO2014018482A2 (en) | Form recognition method and device | |
CN104282027B (zh) | 一种基于Hough变换的圆检测方法 | |
JP2012058787A (ja) | 情報処理装置、およびその処理方法 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
CN110852280B (zh) | 一种指静脉设备镜面异物的检测算法 | |
Aydi et al. | A fast and accurate eyelids and eyelashes detection approach for iris segmentation | |
Saparudin et al. | Segmentation of fingerprint image based on gradient magnitude and coherence | |
Bae et al. | Fingerprint image denoising and inpainting using convolutional neural network | |
CN112116658B (zh) | 扣件定位方法、装置及可读存储介质 | |
CN114862870A (zh) | 散斑图分区方法、装置、设备及介质 | |
Deshpande et al. | Iris recognition system using block based approach with DWT and DCT | |
Joshi et al. | A simple scheme for contour detection. | |
Kabacinski et al. | Human Vein Pattern Correlation-A Comparison of Segmentation Methods. | |
Attarchi et al. | A fast and accurate iris recognition method using the complex inversion map and 2DPCA | |
Roy et al. | Artifacts and skull stripping: An application towards the preprocessing for brain abnormalities detection from MRI | |
Misra et al. | A study report on finger print image enhancement methods | |
Tiwari et al. | Meandering energy potential to locate singular point of fingerprint | |
Fouad et al. | Automaticand accurate segmentation of gridded cDNA microarray images using different methods | |
Sojan et al. | Fingerprint Image Enhancement and Extraction of Minutiae and Orientation | |
Qu et al. | Contour detection improved by frequency domain filtering of gradient image | |
Chudasama et al. | Survey on Various Edge Detection Techniques on Noisy Images | |
Senel | Topological gradient operators for edge detection | |
Fouad¹ et al. | A fully automated method for noisy cDNA microarray image quantification |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A detection algorithm for mirror foreign objects in finger vein devices Granted publication date: 20220415 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |