CN111079551B - 基于奇异值分解的手指静脉识别方法、装置和存储介质 - Google Patents
基于奇异值分解的手指静脉识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111079551B CN111079551B CN201911162514.6A CN201911162514A CN111079551B CN 111079551 B CN111079551 B CN 111079551B CN 201911162514 A CN201911162514 A CN 201911162514A CN 111079551 B CN111079551 B CN 111079551B
- Authority
- CN
- China
- Prior art keywords
- minutiae
- matching
- finger vein
- image
- similarity
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003709 image segmentation Methods 0.000 abstract description 7
- DVMJYBCIQUOGGA-VABKMULXSA-N (2s)-2-[[(2s)-2-[[2-[[2-[[(2s)-2-amino-3-(4-hydroxyphenyl)propanoyl]amino]acetyl]amino]acetyl]amino]-3-(4-bromophenyl)propanoyl]amino]-4-methylpentanoic acid Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(O)=O)NC(=O)CNC(=O)CNC(=O)[C@@H](N)CC=1C=CC(O)=CC=1)C1=CC=C(Br)C=C1 DVMJYBCIQUOGGA-VABKMULXSA-N 0.000 description 10
- 108700004926 4'-bromo-Phe(4)- enkephalin-Leu Proteins 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于奇异值分解的手指静脉识别方法、装置和存储介质，通过对指静脉图像进行图像预处理、细节点提取、细节点特征生成以及细节点匹配来实现对手指静脉的识别，使得静脉纹路上的端点和交叉点携带的信息能够对静脉的纹路特征进行很好的表达，不需要将整个静脉特征用于图像匹配，从而在一定程度上避免了图像分割不准确对识别效果的影响，并且节省了大量的时间，从而克服了现有手指静脉识别方法的局限性。
Description
技术领域
本发明涉及生物特征识别技术领域，尤其是一种基于奇异值分解的手指静脉识别方法、装置和存储介质。
背景技术
近年来，随着人们对生物识别系统安全性和准确性的要求越来越高，生物特征识别技术得到越来越多的关注。手指静脉识别作为众多生物特征识别技术中的一种，由于具有非接触式采集、活体检测、不易伪造、成本较低等优点，成为当前研究的热点。
在实际应用中，大致有两类识别算法，第一类是基于整体ROI图像的识别方法，由于静脉图像中静脉区域占的比例并不是很大，在进行特征提取时，该类方法会提取到大量的非静脉区域信息，而非静脉信息往往含有很多噪声，不仅影响了识别效果，同时也降低了静脉特征的有效性；第二类是基于静脉纹路的方法，虽然通过图像分割等方式最大可能摒弃了非静脉信息，提高了静脉信息的有效性，但这类方法对图像分割算法要求较高，而现有的分割算法均具有一定的局限性，效果不够理想。
基于端点和交叉点的细节点算法具有其独特的优势。该类方法是将整幅静脉图像的信息高度浓缩到一些离散的点中，所以如何利用这些特征点进行有效的静脉图像匹配成为该类识别方法的关键。目前己有一些解决该类问题的方法但其性能并不理想，主要是因为存在下限制：第一，这些方法中的模式匹配算法通常是基于点集间Hausdorff距离的，在匹配过程中没有建立细节点之间的对应关系，故其对图像整体的旋转平移等变化及细节点位置的微小扰动非常敏感，极易受分割中引起的一些噪声点的影响，严重影响手指静脉的识别效果，并且搜索图像中最小Hausdorff距离过程本身具有很高的时间复杂度；第二，这些方法大多仅利用了细节点的坐标信息，忽略了细节点的邻域信息及空间拓扑等信息，而这些信息对细节点的有效表达起了重要的作用，并且能够有效的弥补坐标信息的不足。
发明内容
为解决上述问题，本发明的目的在于提供一种基于奇异值分解的手指静脉识别方法、装置和存储介质，静脉纹路上的端点和交叉点携带的信息能够对静脉的纹路特征进行很好的表达，不需要将整个静脉特征用于图像匹配，从而在一定程度上避免了图像分割不准确对识别效果的影响，并且节省了大量的时间，克服了现有手指静脉识别方法的局限性。
本发明解决其问题所采用的技术方案是：
第一方面，本发明实施例提出了一种基于奇异值分解的手指静脉识别方法，包括：
将采集的指静脉图像进行图像预处理；
将预处理后的指静脉图像进行细节点提取；
生成用于进行细节点匹配的特征；
生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配。
进一步，所述将采集的指静脉图像进行图像预处理中包括：将采集的指静脉图像进行灰度变换、ROI提取和归一化处理，目的在于突出静脉纹路丰富的区域，减少处理时间，增加精度。
进一步，所述将预处理后的指静脉图像进行细节点提取包括：将预处理后的指静脉图像按照像素值的差值出现的次数进行细节点提取。
进一步，所述生成用于进行细节点匹配的特征包括：通过综合LmBP和LdBP两种局部二值编码特征来得到细节点特征LEBP。
进一步，所述生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配包括：使用改进的SVD匹配算法对模板图像和输入指静脉图像中的细节点进行一一配对，得到细节点的初始匹配对集合，对每组初始匹配对计算其LEBP特征的相似度，通过设置阈值的方式去除伪匹配对，最终得到精确的细节点匹配对集合，利用精确匹配对集合中两幅图像细节点对的匹配得分和每幅图像的细节点所构造的拓扑结构相似度得分进行指静脉图像的匹配。
第二方面，本发明实施例还提出了一种基于奇异值分解的手指静脉识别装置，包括：
图像预处理模块，用于将采集的指静脉图像进行图像预处理；
细节点提取模块，用于将预处理后的指静脉图像进行细节点提取；
细节点特征生成模块，用于生成用于进行细节点匹配的特征；
细节点匹配模块，用于生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配。
第三方面，本发明实施例还提出了一种基于奇异值分解的手指静脉识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面，本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明提供的一种基于奇异值分解的手指静脉识别方法、装置和存储介质，通过对指静脉图像进行图像预处理、细节点提取、细节点特征生成以及细节点匹配来实现对手指静脉的识别。其中，细节点匹配包括细节点配对、伪匹配对去除和匹配得分计算三个步骤，细节点配对过程主要是通过使用SVD算法对加权相关邻接矩阵进行分解来实现的；伪匹配对去除的实现主要是基于LEBP特征，通过对初始点对的相似度评估来选择真实的细节点对，目的是为了增加细节点对的可靠性：匹配得分计算是为了获取输入图像和模板图像的匹配得分从而完成身份认证，这个过程主要是通过平均细节点对之间的相似度来实现的，使得静脉纹路上的端点和交叉点携带的信息能够对静脉的纹路特征进行很好的表达，不需要将整个静脉特征用于图像匹配，从而在一定程度上避免了图像分割不准确对识别效果的影响，并且节省了大量的时间，从而克服了现有手指静脉识别方法的局限性。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例中基于奇异值分解的手指静脉识别方法的流程简图；
图2是本发明第二实施例中基于奇异值分解的手指静脉识别装置的结构简图；
图3是本发明第三实施例中基于奇异值分解的手指静脉识别设备的结构简图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，本发明的第一实施例提供了一种基于奇异值分解的手指静脉识别方法，包括但不限于以下步骤：
S100:将采集的指静脉图像进行图像预处理；
S200:将预处理后的指静脉图像进行细节点提取；
S300:生成用于进行细节点匹配的特征；
S400:生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配。
在步骤S100中，将采集的指静脉图像进行灰度变换、ROI提取和归一化处理，目的在于突出静脉纹路丰富的区域，减少处理时间，增加精度。
在步骤S200中，将预处理后的指静脉图像按照像素值的差值出现的次数进行细节点提取。
在步骤S300中，通过综合LmBP和LdBP两种局部二值编码特征来得到细节点特征LEBP。
在步骤S400中，使用改进的SVD匹配算法对模板图像和输入指静脉图像中的细节点进行一一配对，得到细节点的初始匹配对集合，对每组初始匹配对计算其LEBP特征的相似度，通过设置阈值的方式去除伪匹配对，最终得到精确的细节点匹配对集合，利用精确匹配对集合中两幅图像细节点对的匹配得分和每幅图像的细节点所构造的拓扑结构相似度得分进行指静脉图像的匹配。
下面将更详细地描述基于奇异值分解的手指静脉识别方法。
本方法的实现包括图像预处理、细节点提取、细节点特征生成以及细节点匹配四部分。
为了减少各类噪声、尺寸不均一等的影响，获得有效的手指静脉特征，需要对采集后的原始图像进行预处理，本发明的图像预处理方法包括图像灰度处理、ROI提取、图像归一化等，为了减少计算复杂度，首先使用图像灰度处理将24位的图像处理成8位的图像；然后使用基于Sobel算子的边缘检测算法提取手指轮廓，根据手指轮廓的最大横坐标和最小横坐标的值来获得图像的ROI区域；由于不同手指的差异性，不同手指的ROI区域不同，故还需使用双线性插值法将所有的ROI大小归一化为统一尺寸；完成图像大小归一化后，再使用灰度归一化提高静脉与背景的对比度。
在细节点提取上，将预处理后的指静脉图像按照像素值的差值出现的次数进行细节点提取。
在计算特征描述符时，为了更好的利用细节点相关信息，获得更加高效可靠的识别效果，利用了一种信息丰富的细节点特征LEBP。它由LmBP和LdBP这两种不同的特征组合而成，原因在于LmBP和LdBP都是非常有效的特征描述符，而且它们有很好的互补性，前者描述的是局部层次特征，后者描述的是局部方向信息。
细节点匹配过程包括三个阶段：细节点配对、伪匹配对去除以及得分计算。
假设Ii为图像Img1中的第i个细节点，Ji为图像Img2中的第j个细节点，A和B分别表示以细节点为中心的两个局部像素矩阵，对A(B)内像素点的灰度平均值和方差进行计算作为两个细节点的特征，分别记为局部平均强度特征LAI和区域强度偏差特征LID，定义两幅手指静脉图像间的归一化相关度量C，定义为下式：
其中，ai(aj)为细节点的LAI特征，di(dj)为细节点的LID特征，Aμv(Bμv)分别为窗口A(B)中每个像素点的强度值，Cij取值范围为[-1,1]，分别代表两个细节点完全相关和完全不相关。
构建两幅手指静脉图像中细节点集合间的加权相关邻接矩阵G，公式如下：
α∈(0,1)，β>1控制着邻接矩阵中关联信息的控制比例。G可以看作是相关加权邻接矩阵，两点之间的距离越近，局部图像灰度相似度越高，则G的值就越大。
对相近性矩阵G行SVD分解，得到G＝UDVT，其中T和U分别是m维和n维的正交矩阵，D是非负对角矩阵。
构造匹配关系矩阵，获得细节点初始匹配集：端点匹配集和交叉点匹配集。
为了提高识别率，去除伪匹配对，需要使用具有良好区分度的特征描述符LEBP来评估这些初始的匹配对。假设Ii和lj分别表示两个细节点的LEBP特征，通过计算它们之间的海明距离来获得两个细节点的相似度，计算公式如下：
其中，⊕表示表示两个二进制向量间的布尔值，lsij即为Ii和lj的相似度值。通过设置阈值的方式可来判断该匹配对是否是伪匹配对。
图像匹配得分是通过计算细节点对之间的相似度的平均值来实现的，计算公式如下：
其中，r、a、d、ls分别表示两个细节点的各类特征的相似度，M和N分别表示两幅静脉图像中的细节点个数。如果Ms的值高于某个阈值，则表示两幅手指静脉图像来自同一个人的手指。
综上所述，与现有技术相比，本基于奇异值分解的手指静脉识别方法的优点在于：通过对指静脉图像进行图像预处理、细节点提取、细节点特征生成以及细节点匹配来实现对手指静脉的识别。其中，细节点匹配包括细节点配对、伪匹配对去除和匹配得分计算三个步骤，细节点配对过程主要是通过使用SVD算法对加权相关邻接矩阵进行分解来实现的；伪匹配对去除的实现主要是基于LEBP特征，通过对初始点对的相似度评估来选择真实的细节点对，目的是为了增加细节点对的可靠性：匹配得分计算是为了获取输入图像和模板图像的匹配得分从而完成身份认证，这个过程主要是通过平均细节点对之间的相似度来实现的，使得静脉纹路上的端点和交叉点携带的信息能够对静脉的纹路特征进行很好的表达，不需要将整个静脉特征用于图像匹配，从而在一定程度上避免了图像分割不准确对识别效果的影响，并且节省了大量的时间，从而克服了现有手指静脉识别方法的局限性。
另外，如图2所示，本发明的第二实施例提供了一种基于奇异值分解的手指静脉识别装置，包括：
图像预处理模块110，用于将采集的指静脉图像进行图像预处理；
细节点提取模块120，用于将预处理后的指静脉图像进行细节点提取；
细节点特征生成模块130，用于生成用于进行细节点匹配的特征；
细节点匹配模块140，用于生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配。
本实施例中的基于奇异值分解的手指静脉识别装置与第一实施例中的基于奇异值分解的手指静脉识别方法基于相同的发明构思，因此，本实施例中的基于奇异值分解的手指静脉识别系统具有相同的有益效果：通过对指静脉图像进行图像预处理、细节点提取、细节点特征生成以及细节点匹配来实现对手指静脉的识别。其中，细节点匹配包括细节点配对、伪匹配对去除和匹配得分计算三个步骤，细节点配对过程主要是通过使用SVD算法对加权相关邻接矩阵进行分解来实现的；伪匹配对去除的实现主要是基于LEBP特征，通过对初始点对的相似度评估来选择真实的细节点对，目的是为了增加细节点对的可靠性：匹配得分计算是为了获取输入图像和模板图像的匹配得分从而完成身份认证，这个过程主要是通过平均细节点对之间的相似度来实现的，使得静脉纹路上的端点和交叉点携带的信息能够对静脉的纹路特征进行很好的表达，不需要将整个静脉特征用于图像匹配，从而在一定程度上避免了图像分割不准确对识别效果的影响，并且节省了大量的时间，从而克服了现有手指静脉识别方法的局限性。
如图3所示，本发明的第三实施例还提供了一种基于奇异值分解的手指静脉识别设备，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一实施例中任意一种基于奇异值分解的手指静脉识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的虚拟影像控制方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行立体成像处理装置的各种功能应用以及数据处理，即实现上述任一方法实施例的基于奇异值分解的手指静脉识别方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据立体成像处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该立体投影装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的基于奇异值分解的手指静脉识别方法，例如第一实施例中的方法步骤S100至S400。
本发明的第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个处理器执行上述方法实施例中的一种基于奇异值分解的手指静脉识别方法，例如第一实施例中的方法步骤S100至S400。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于奇异值分解的手指静脉识别方法，其特征在于，包括：
将采集的指静脉图像进行图像预处理；
将预处理后的指静脉图像进行细节点提取；
生成用于进行细节点匹配的特征；
生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配；
其中，所述生成用于进行细节点匹配的特征包括：通过综合LmBP和LdBP两种局部二值编码特征来得到细节点特征LEBP；所述生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配包括：使用改进的SVD匹配算法对模板图像和输入指静脉图像中的细节点进行一一配对，得到细节点的初始匹配对集合，对每组初始匹配对计算其LEBP特征的相似度，通过设置阈值的方式去除伪匹配对，最终得到精确的细节点匹配对集合，利用精确匹配对集合中两幅图像细节点对的匹配得分和每幅图像的细节点所构造的拓扑结构相似度得分进行指静脉图像的匹配；其中，细节点匹配包括细节点配对、伪匹配对去除和匹配得分计算，细节点配对是通过使用SVD算法对加权相关邻接矩阵进行分解来实现的；伪匹配对去除的实现是基于LEBP特征，通过对初始点对的相似度评估来选择真实的细节点对：匹配得分计算是为了获取输入图像和模板图像的匹配得分从而完成身份认证，这个过程是通过平均细节点对之间的相似度来实现的。
2.根据权利要求1所述的一种基于奇异值分解的手指静脉识别方法，其特征在于，所述将采集的指静脉图像进行图像预处理中包括：将采集的指静脉图像进行灰度变换、ROI提取和归一化处理。
3.根据权利要求1所述的一种基于奇异值分解的手指静脉识别方法，其特征在于，所述将预处理后的指静脉图像进行细节点提取包括：将预处理后的指静脉图像按照像素值的差值出现的次数进行细节点提取。
4.一种基于奇异值分解的手指静脉识别装置，其特征在于，包括：
图像预处理模块，用于将采集的指静脉图像进行图像预处理；
细节点提取模块，用于将预处理后的指静脉图像进行细节点提取；
细节点特征生成模块，用于生成用于进行细节点匹配的特征；
细节点匹配模块，用于生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配
其中，所述生成用于进行细节点匹配的特征包括：通过综合LmBP和LdBP两种局部二值编码特征来得到细节点特征LEBP；所述生成细节点的初始匹配对集合，去除伪匹配对，计算相似度得分并进行指静脉图像匹配包括：使用改进的SVD匹配算法对模板图像和输入指静脉图像中的细节点进行一一配对，得到细节点的初始匹配对集合，对每组初始匹配对计算其LEBP特征的相似度，通过设置阈值的方式去除伪匹配对，最终得到精确的细节点匹配对集合，利用精确匹配对集合中两幅图像细节点对的匹配得分和每幅图像的细节点所构造的拓扑结构相似度得分进行指静脉图像的匹配；其中，细节点匹配包括细节点配对、伪匹配对去除和匹配得分计算，细节点配对是通过使用SVD算法对加权相关邻接矩阵进行分解来实现的；伪匹配对去除的实现是基于LEBP特征，通过对初始点对的相似度评估来选择真实的细节点对：匹配得分计算是为了获取输入图像和模板图像的匹配得分从而完成身份认证，这个过程是通过平均细节点对之间的相似度来实现的。
5.一种基于奇异值分解的手指静脉识别设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911162514.6A CN111079551B (zh) | 2019-11-25 | 2019-11-25 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911162514.6A CN111079551B (zh) | 2019-11-25 | 2019-11-25 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111079551A CN111079551A (zh) | 2020-04-28 |
| CN111079551B true CN111079551B (zh) | 2023-09-05 |
Family
ID=70311840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911162514.6A Active CN111079551B (zh) | 2019-11-25 | 2019-11-25 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079551B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022104552A1 (zh) * | 2020-11-17 | 2022-05-27 | 华北电力大学扬中智能电气研究中心 | 一种基于指静脉图像的认证方法、装置、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563293A (zh) * | 2017-08-03 | 2018-01-09 | 广州智慧城市发展研究院 | 一种新型的手指静脉预处理方法及系统 |
| 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 |
| CN109977909A (zh) * | 2019-04-04 | 2019-07-05 | 山东财经大学 | 基于细节点区域匹配的手指静脉识别方法及系统 |
| CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
-
2019
- 2019-11-25 CN CN201911162514.6A patent/CN111079551B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563293A (zh) * | 2017-08-03 | 2018-01-09 | 广州智慧城市发展研究院 | 一种新型的手指静脉预处理方法及系统 |
| 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 |
| CN109977909A (zh) * | 2019-04-04 | 2019-07-05 | 山东财经大学 | 基于细节点区域匹配的手指静脉识别方法及系统 |
| CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张丽萍 ; 李卫军 ; 宁欣 ; 董肖莉 ; 刘文杰 ; .一种基于2DHOL特征与(2D)~2FPCA结合的手指静脉识别方法.计算机辅助设计与图形学学报.2018,(02),第66-73页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111079551A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
| CN110659589B (zh) | 基于姿态和注意力机制的行人再识别方法、系统、装置 | |
| CN110705392A (zh) | 一种人脸图像检测方法及装置、存储介质 | |
| CN109376604B (zh) | 一种基于人体姿态的年龄识别方法和装置 | |
| CN105303173A (zh) | 一种降低误识别率的方法和装置 | |
| CN111696196B (zh) | 一种三维人脸模型重建方法及装置 | |
| KR102592551B1 (ko) | Ar장치를 위한 객체 인식 처리 장치 및 방법 | |
| CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
| KR101471814B1 (ko) | 홍채 인식에 의한 식별 | |
| CN113221086A (zh) | 离线人脸认证方法、装置、电子设备及存储介质 | |
| Rahman et al. | Human ear recognition using geometric features | |
| CN111079626B (zh) | 一种活体指纹识别方法、电子设备及计算机可读存储介质 | |
| WO2014188446A2 (en) | Method and apparatus for image matching | |
| CN111079551B (zh) | 基于奇异值分解的手指静脉识别方法、装置和存储介质 | |
| CN113361567B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN111612083B (zh) | 一种手指静脉识别方法、装置及设备 | |
| Huang et al. | Multi‐class obstacle detection and classification using stereovision and improved active contour models | |
| CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
| Indrawan et al. | Parallel processing for fingerprint feature extraction | |
| CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
| CN113591706A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
| Gong et al. | Human iris localization combined with ant colony and improved hough circle detection | |
| CN107844735B (zh) | 生物特征的认证方法和装置 | |
| Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
| CN106127679B (zh) | 一种指纹图像的转换方法及装置 |
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 |