CN110930562B - 一种智能锁及应用于该智能锁的掌静脉识别优化方法 - Google Patents
一种智能锁及应用于该智能锁的掌静脉识别优化方法 Download PDFInfo
- Publication number
- CN110930562B CN110930562B CN201911196853.6A CN201911196853A CN110930562B CN 110930562 B CN110930562 B CN 110930562B CN 201911196853 A CN201911196853 A CN 201911196853A CN 110930562 B CN110930562 B CN 110930562B
- Authority
- CN
- China
- Prior art keywords
- palm vein
- pixel points
- frame
- module
- feature
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能锁,包括电池及由电池进行供电的电路板;本发明还公开了一种智能锁应用于智能锁的掌静脉识别优化方法,包括以下步骤:通过掌静脉识别模块采集掌静脉图形并定义出掌静脉区域框;通过光栅规则产生二维阵列并具有多个光栅框;将掌静脉区域框与二维阵列相重合并保留掌静脉经过的光栅框,从而形成特征保留框;逐一对各特征保留框进行优化;在特征保留框内规则产生子二维阵列并将特征保留框分隔成多个子特征保留框,基于优化算法,构成特征细化框;将具有各特征细化框的掌静脉区域框返回至掌静脉识别模块。本发明具有以下优点和效果:可提高掌静脉识别的速度,实现快速响应。
Description
技术领域
本发明涉及智能锁技术领域,特别涉及一种智能锁及应用于该智能锁的掌静脉识别优化方法。
背景技术
智能锁是指区别于传统机械锁,在用户识别、安全性、管理性方面更加智能化的锁具;其中,智能锁是门禁系统中锁门的执行部件。
为了方便实用,现有的智能锁一般增加了掌静脉识别功能来方便用户快速解锁;然而现有的智能锁在掌静脉识别的过程中仍然存在响应速度慢,识别过程时间长的缺点。
发明内容
本发明的目的是提供一种智能锁及应用于该智能锁的掌静脉识别优化方法,来提高掌静脉识别的速度,实现快速响应。
为了达到上述目的,本发明提供了一种智能锁,包括电池及由电池进行供电的电路板,所述的电路板上设置有控制器以及分别与控制器相连的指纹识别模块、触摸屏、液晶显示屏、蓝牙模块、语音模块、读卡模块、状态指示灯、三轴检测模块、人脸识别模块、掌静脉识别模块、调试口、门锁驱动模块、电源管理模块以及电池电压检测模块。
本发明还提供了一种智能锁应用于智能锁的掌静脉识别优化方法,包括以下步骤:
步骤S1、通过掌静脉识别模块采集掌静脉图形,并基于所采集的掌静脉图形来定义出掌静脉区域框;
步骤S2、通过光栅所产生的扫描线来规则产生二维阵列,该二维阵列具有多个呈矩形的光栅框;
步骤S3、将步骤S1中的掌静脉区域框与步骤S2中的二维阵列相重合并进行筛选,从而快速的舍弃掌静脉区域内的掌静脉未经过的光栅框,保留掌静脉区域内的掌静脉经过的光栅框,从而形成特征保留框;
步骤S4、逐一对各特征保留框进行优化;
步骤S5、在特征保留框内规则产生子二维阵列,进而将特征保留框分隔成多个呈矩形的子特征保留框;基于优化算法,从特征保留框的边界开始逐渐优化像素点,通过优化,最终剩下的像素点组合构成特征细化框;
步骤S6、判断是否已经对提取的每一个特征保留框优化完毕;若否,则跳至步骤S5;若是,则跳至步骤S7;
步骤S7、将具有各特征细化框的掌静脉区域框返回至掌静脉识别模块。
进一步设置是,所述的步骤S5中的优化算法具体包括以下步骤:
步骤S51、初始化设定黑色像素点的层数为1,白色像素点的层数为0;
步骤S52、按从上到下,从左到右的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点 (x-1,y+1),(x-1,y),(x-1,y-1),(x,y-1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(1)所示:
F(x,y)=min(F(x-1,y+1),F(x-1,y),F(x-1,y-1),F(x,y-1))+1 (1);
步骤S53、按从下到上,从右到左的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点 (x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(2)所示:
G(x,y)=min(G(x+1,y-1),G(x+1,y),G(x+1,y+1),G(x,y+1))+1 (2);
步骤S54、将步骤S52和步骤S53进行扫描后的子特征保留框相匹配,并取同位置像素点的最小层数值;如下式(3)所示:
M(x,y)=min(F(x,y),G(x,y)) (3);
步骤S55、依次判断每个像素点(x,y)周围的八个方向内所有像素点的层数值,若该像素点(x,y)的层数值是周围的八个像素点中最大,即保留;若该像素点(x,y)的层数值在周围的八个像素点中并非最大,则舍弃;如下式(4)所示:
M(x,y)=max(M(x+i,y+j)|(-1≤i≤1,-1≤j≤1))?保留:舍弃 (4)。
本发明具有以下有益效果:
首先,通过光栅产生的二维阵列与掌静脉区域框的配对,来快速准确的筛选出掌静脉经过的光栅框,由此实现了第一步的筛选,不仅具有速度快的优点,更是能消除无关图像的干扰,简化了后续的处理步骤。然后,逐一对每一个特征保留框进行优化;在第一步的筛选之后,进行细节优化;由于每个人的掌静脉均不相同,因此如果能快速的找到掌静脉的特征点,可极大提高后续的配对速度;同时,由于传统算法中对于静脉特征的细化时间复杂度过高,因此在掌静脉识别会耗费大量时间;本发明针对上述情况,基于优化算法,可大幅度提高处理时间和响应时间。本发明采用逐层优化的方法,分别从两个维度上对每一个像素点进行优化,有效的保证结果准确性;进而通过相匹配的方式,来舍弃没有特征信息的像素点,保留具有特征的像素点,在实际应用中不仅具有处理速度快的优点,且准确性高,为智能锁的掌静脉解锁技术提供帮助。
附图说明
图1为实施例的原理框图;
图2为实施例的流程示意图;
图3为实施例中F(x,y)的求值参考图;
图4为实施例中G(x,y)的求值参考图;
图5为实施例中M(x,y)的求值参考图;
图6中a为优化前,b为优化后的特征保留框的示意图。
图中:11、控制器;12、指纹识别模块;13、触摸屏;14、液晶显示屏;15、蓝牙模块;16、语音模块;17、读卡模块;18、状态指示灯;19、人脸识别模块;20、掌静脉识别模块;21、调试口;22、门锁驱动模块;23、电源管理模块;24、电池电压检测模块;25、三轴检测模块。
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作进一步地详细描述,如图1至图3所示。
实施例1
如图1所示,为本发明实施例中,提出的一种智能锁,包括电池及由电池进行供电的电路板,所述的电路板上设置有控制器11以及分别与控制器11相连的指纹识别模块12、触摸屏13、液晶显示屏 14、蓝牙模块15、语音模块16、读卡模块17、状态指示灯18、三轴检测模块25、人脸识别模块19、掌静脉识别模块20、调试口21、门锁驱动模块22、电源管理模块23以及电池电压检测模块24。具体的,电池采用5V锂电池,电路板采用PCB电路板,控制器11采用STM32 单片机,指纹识别模块12、触摸屏13、液晶显示屏14、蓝牙模块15、语音模块16、读卡模块17、状态指示灯18、三轴检测模块25、人脸识别模块19、掌静脉识别模块20、调试口21、门锁驱动模块22、电源管理模块23以及电池电压检测模块24均作为成品模块,从市场上采购即可,此处不再加以阐述。
实施例2
如图2至图5所示,为本发明实施例中,提出的一种智能锁应用于智能锁的掌静脉识别优化方法,包括以下步骤:
步骤S1、通过掌静脉识别模块20采集掌静脉图形,并基于所采集的掌静脉图形来定义出掌静脉区域框;
步骤S2、通过光栅所产生的扫描线来规则产生二维阵列,该二维阵列具有多个呈矩形的光栅框;
步骤S3、将步骤S1中的掌静脉区域框与步骤S2中的二维阵列相重合并进行筛选,从而快速的舍弃掌静脉区域内的掌静脉未经过的光栅框,保留掌静脉区域内的掌静脉经过的光栅框,从而形成特征保留框;
步骤S4、逐一对各特征保留框进行优化;
步骤S5、在特征保留框内规则产生子二维阵列,进而将特征保留框分隔成多个呈矩形的子特征保留框;基于优化算法,从特征保留框的边界开始逐渐优化像素点,通过优化,最终剩下的像素点组合构成特征细化框;
步骤S6、判断是否已经对提取的每一个特征保留框优化完毕;若否,则跳至步骤S5;若是,则跳至步骤S7;
步骤S7、将具有各特征细化框的掌静脉区域框返回至掌静脉识别模块20。
进一步设置是步骤S5中的优化算法具体包括以下步骤:
步骤S51、初始化设定黑色像素点的层数为1,白色像素点的层数为0;
步骤S52、按从上到下,从左到右的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点 (x-1,y+1),(x-1,y),(x-1,y-1),(x,y-1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(1)所示:
F(x,y)=min(F(x-1,y+1),F(x-1,y),F(x-1,y-1),F(x,y-1))+1 (1);
步骤S53、按从下到上,从右到左的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点 (x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(2)所示:
G(x,y)=min(G(x+1,y-1),G(x+1,y),G(x+1,y+1),G(x,y+1))+1 (2);
步骤S54、将步骤S52和步骤S53进行扫描后的子特征保留框相匹配,并取同位置像素点的最小层数值;如下式(3)所示:
M(x,y)=min(F(x,y),G(x,y)) (3);
步骤S55、依次判断每个像素点(x,y)周围的八个方向内所有像素点的层数值,若该像素点(x,y)的层数值是周围的八个像素点中最大,即保留;若该像素点(x,y)的层数值在周围的八个像素点中并非最大,则舍弃;如下式(4)所示:
M(x,y)=max(M(x+i,y+j)|(-1≤i≤1,-1≤j≤1))?保留:舍弃 (4)。
如图6所示,为本实施例进行优化前和优化后的特征保留框的示意图。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种应用于智能锁的掌静脉识别优化方法,其特征在于,该智能锁包括电池及由电池进行供电的电路板,所述的电路板上设置有控制器(11)以及分别与控制器(11)相连的指纹识别模块(12)、触摸屏(13)、液晶显示屏(14)、蓝牙模块(15)、语音模块(16)、读卡模块(17)、状态指示灯(18)、三轴检测模块(25)、人脸识别模块(19)、掌静脉识别模块(20)、调试口(21)、门锁驱动模块(22)、电源管理模块(23)以及电池电压检测模块(24);
所述应用于智能锁的掌静脉识别优化方法包括以下步骤:
步骤S1、通过掌静脉识别模块(20)采集掌静脉图形,并基于所采集的掌静脉图形来定义出掌静脉区域框;
步骤S2、通过光栅所产生的扫描线来规则产生二维阵列,该二维阵列具有多个呈矩形的光栅框;
步骤S3、将步骤S1中的掌静脉区域框与步骤S2中的二维阵列相重合并进行筛选,从而快速的舍弃掌静脉区域内的掌静脉未经过的光栅框,保留掌静脉区域内的掌静脉经过的光栅框,从而形成特征保留框;
步骤S4、逐一对各特征保留框进行优化;
步骤S5、在特征保留框内规则产生子二维阵列,进而将特征保留框分隔成多个呈矩形的子特征保留框;基于优化算法,从特征保留框的边界开始逐渐优化像素点,通过优化,最终剩下的像素点组合构成特征细化框;
步骤S6、判断是否已经对提取的每一个特征保留框优化完毕;若否,则跳至步骤S5;若是,则跳至步骤S7;
步骤S7、将具有各特征细化框的掌静脉区域框返回至掌静脉识别模块(20);所述的步骤S5中的优化算法具体包括以下步骤:
步骤S51、初始化设定黑色像素点的层数为1,白色像素点的层数为0;
步骤S52、按从上到下,从左到右的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点(x-1,y+1),(x-1,y),(x-1,y-1),(x,y-1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(1)所示:
F(x,y)=min(F(x-1,y+1),F(x-1,y),F(x-1,y-1),F(x,y-1))+1 (1);
步骤S53、按从下到上,从右到左的顺序依次扫描每一个子特征保留框中的像素点,当像素点(x,y)为黑色时,判断周围的像素点(x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1)是否为黑色,如果该四个像素点均为黑色,则像素点(x,y)的层数值在周围四个像素点中最小层数值的基础上加1;如下式(2)所示:
G(x,y)=min(G(x+1,y-1),G(x+1,y),G(x+1,y+1),G(x,y+1))+1 (2);
步骤S54、将步骤S52和步骤S53进行扫描后的子特征保留框相匹配,并取同位置像素点的最小层数值;如下式(3)所示:
M(x,y)=min(F(x,y),G(x,y)) (3);
步骤S55、依次判断每个像素点(x,y)周围的八个方向内所有像素点的层数值,若该像素点(x,y)的层数值是周围的八个像素点中最大,即保留;若该像素点(x,y)的层数值在周围的八个像素点中并非最大,则舍弃;如下式(4)所示:
M(x,y)=max(M(x+i,y+j)|(-1≤i≤1,-1≤j≤1))?保留:舍弃 (4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911196853.6A CN110930562B (zh) | 2019-11-29 | 2019-11-29 | 一种智能锁及应用于该智能锁的掌静脉识别优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911196853.6A CN110930562B (zh) | 2019-11-29 | 2019-11-29 | 一种智能锁及应用于该智能锁的掌静脉识别优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930562A CN110930562A (zh) | 2020-03-27 |
CN110930562B true CN110930562B (zh) | 2021-07-13 |
Family
ID=69847769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911196853.6A Active CN110930562B (zh) | 2019-11-29 | 2019-11-29 | 一种智能锁及应用于该智能锁的掌静脉识别优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930562B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559489B (zh) * | 2013-11-19 | 2017-11-07 | 沈阳工业大学 | 一种非接触成像方式下手掌特征提取方法 |
CN105426821B (zh) * | 2015-11-04 | 2018-09-07 | 浙江工业大学 | 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法 |
CN106157419A (zh) * | 2016-08-12 | 2016-11-23 | 燕南国创科技(北京)有限公司 | 一种门锁 |
CN207008742U (zh) * | 2017-06-27 | 2018-02-13 | 泉州施米德智能科技有限公司 | 一种智能门系统 |
CN108399671A (zh) * | 2018-03-06 | 2018-08-14 | 江苏盛世华安智能科技股份有限公司 | 一种物联网掌静脉视频门禁集成系统 |
CN208506779U (zh) * | 2018-04-18 | 2019-02-15 | 青岛海泰新光科技股份有限公司 | 生物识别特征采集装置 |
-
2019
- 2019-11-29 CN CN201911196853.6A patent/CN110930562B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110930562A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bellon et al. | New improvements to range image segmentation by edge detection | |
CN104156693B (zh) | 一种基于多模态序列融合的动作识别方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN105740910A (zh) | 一种车辆物件检测方法及装置 | |
CN104517104A (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
Li et al. | Saliency based image segmentation | |
CN106648078A (zh) | 应用于智能机器人的多模态交互方法及系统 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN105095835A (zh) | 行人检测方法及系统 | |
CN111898410A (zh) | 无约束场景下的基于上下文推理的人脸检测方法 | |
Hua et al. | Pedestrian-and vehicle-detection algorithm based on improved aggregated channel features | |
KR100755800B1 (ko) | 얼굴색과 에이다부스트를 이용한 얼굴 검출기 및 검출방법 | |
CN108537143A (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
CN111553230A (zh) | 无约束场景下的基于特征强化的渐进式级联人脸检测方法 | |
CN115147936A (zh) | 一种活体检测方法、电子设备、存储介质及程序产品 | |
US9053383B2 (en) | Recognizing apparatus and method, program, and recording medium | |
CN107153806A (zh) | 一种人脸检测方法及装置 | |
CN110930562B (zh) | 一种智能锁及应用于该智能锁的掌静脉识别优化方法 | |
CN110909568A (zh) | 用于面部识别的图像检测方法、装置、电子设备及介质 | |
CN113139557A (zh) | 一种基于二维多元经验模态分解的特征提取方法 | |
CN116449947B (zh) | 一种基于tof相机的汽车座舱域手势识别系统及方法 | |
Azar et al. | Real time eye detection using edge detection and Euclidean distance | |
CN111860361A (zh) | 一种绿色通道货物扫描图像夹带自动识别器及识别方法 | |
TWI425429B (zh) | 影像紋理信號的萃取方法、影像識別方法與影像識別系統 | |
CN115908409A (zh) | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 |
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 |