CN111166070A - 一种基于指静脉认证的医疗储物柜及其管理方法 - Google Patents

一种基于指静脉认证的医疗储物柜及其管理方法 Download PDF

Info

Publication number
CN111166070A
CN111166070A CN201911302939.2A CN201911302939A CN111166070A CN 111166070 A CN111166070 A CN 111166070A CN 201911302939 A CN201911302939 A CN 201911302939A CN 111166070 A CN111166070 A CN 111166070A
Authority
CN
China
Prior art keywords
finger vein
image
finger
authentication
vein 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.)
Pending
Application number
CN201911302939.2A
Other languages
English (en)
Inventor
秦传波
吴海锋
姜晓伟
李旭华
曾军英
吴文骏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201911302939.2A priority Critical patent/CN111166070A/zh
Publication of CN111166070A publication Critical patent/CN111166070A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47B—TABLES; DESKS; OFFICE FURNITURE; CABINETS; DRAWERS; GENERAL DETAILS OF FURNITURE
    • A47B67/00—Chests; Dressing-tables; Medicine cabinets or the like; Cabinets characterised by the arrangement of drawers
    • A47B67/02—Cabinets for shaving tackle, medicines, or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47B—TABLES; DESKS; OFFICE FURNITURE; CABINETS; DRAWERS; GENERAL DETAILS OF FURNITURE
    • A47B67/00—Chests; Dressing-tables; Medicine cabinets or the like; Cabinets characterised by the arrangement of drawers
    • A47B67/02—Cabinets for shaving tackle, medicines, or the like
    • A47B2067/025—Cabinets for shaving tackle, medicines, or the like having safety means
    • 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

本发明公开了一种基于指静脉认证的医疗储物柜管理方法，其特征在于，包括：采集指静脉图像；对指静脉图像分割；将分割后指静脉图像信息输入指静脉认证的孪生神经网络，得到相似度；判断相似度，根据判断结果进行相应的开锁操作。其通过采集指静脉的方式进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性。

Description

一种基于指静脉认证的医疗储物柜及其管理方法
技术领域
本发明涉及静脉识别技术领域，尤其是一种基于指静脉认证的医疗储物柜及其管理方法。
背景技术
近年来，随着科技的不断发展，各医疗机构对于日常储物柜的要求不断提高，其中对于医疗储物柜的安全性、系统性提出了挑战。目前使用较多的是指纹医疗储物柜，存在着识别率低、识别环境要求高、指纹盗用风险高的情况。尤其是在紧急情况下，使用者无法快速地存取权限范围内的医疗物品，会造成医疗时机的耽误，影响了医疗储物柜的使用便利性以及医疗物品的安全性。
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指静脉认证的医疗储物柜及其管理方法，用以提高医疗储物柜的使用便利性以及医疗物品的安全性。
本发明解决其问题所采用的技术方案是：
本发明的第一方面，一种基于指静脉认证的医疗储物柜管理方法，其特征在于，包括：采集指静脉图像；对所述指静脉图像分割；将分割后所述指静脉图像输入指静脉认证的孪生神经网络，得到相似度；判断相似度，根据判断结果进行相应的开锁操作。
上述基于指静脉认证的医疗储物柜管理方法至少具有以下的有益效果：通过采集指静脉的方式进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性。
进一步，采集指静脉图像后还要对所述指静脉图像进行预处理，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。通过对指静脉图像进行预处理，消除指静脉图像中存在的像素噪点，降低像素噪点对指静脉纹路图像的分割造成影响，提高指静脉图像的辨识度。
进一步，所述控制计算机对指静脉纹理分割，包括：对指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到具有深层次抽象特征的整体纹路特征图；再经过四次类UNet上采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细特征图，最后获得指静脉分割的纹路图像。下采样和上采样部分使用轻量级卷积核及多尺度可分离卷积，提高指静脉纹路分割准确性和速度的同时，使指静脉纹路分割的神经网络模型参数大大降低，对硬件需求条件大大降低，使用多层次特征提取器进行特征提取，增强模型对指静脉纹路细节的分割精度。
进一步，建立所述指静脉认证的孪生神经网络包括：建立指静脉认证的孪生神经网络模型；构建指静脉训练数据集，收集用户的指静脉图像信息，形成孪生神经网络模型的训练数据集；训练指静脉孪生神经网络模型，使用构建的训练数据集训练孪生神经网络模型；进行指静脉识别，使用训练后的指静脉孪生神经网络模型对指静脉进行身份识别。
本发明的第二方面，一种基于指静脉认证的医疗储物柜，包括柜体，所述柜体设有柜门或抽屉，其特征在于，所述柜体还包括：指静脉采集装置，用于采集指静脉图像；控制计算机，被配置为：用于对所述指静脉图像分割；用于将分割后所述指静脉图像输入至指静脉认证的孪生神经网络，得到相似度；用于判断相似度，并根据判断结果是否发送开锁信号；智能锁，响应于开锁信号，进行开锁操作。
上述基于指静脉认证的医疗储物柜至少具有以下的有益效果：通过指静脉采集装置采集指静脉进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；控制计算机对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性；智能锁确保医疗储物柜的安全性。
进一步，所述控制计算机还用于预处理所述指静脉图像，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。通过对指静脉图像进行预处理，消除指静脉图像中存在的像素噪点，降低像素噪点对指静脉纹路图像的分割造成影响，突出静脉纹路丰富的区域，减少处理时间，增加精度。
进一步，所述控制计算机用于对所述指静脉图像分割，包括：对所述指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细的整体纹理特征图；再经过四次类UNet上采样过程，获得指静脉分割的纹路图像。下采样和上采样部分使用轻量级卷积核及多尺度可分离卷积，提高指静脉纹路分割准确性和速度的同时，使指静脉纹路分割的神经网络模型参数大大降低，对硬件需求条件大大降低，使用多层次特征提取器进行特征提取，增强模型对指静脉纹路细节的分割精度。
进一步，所述指静脉认证医疗储物柜设置有用于显示GUI界面的触控显示器，所述触控显示器能查看每个医疗储物柜状态，并进行查询操作。通过设置触控显示器，提供了用户操作的界面并进行查询操作，提高了医疗储物柜的使用便利性。
进一步，所述指静脉采集装置设置有红外光源模块和用于采集清晰的手指静脉图像的CMOS摄像头。通过设置红外光源模块，指静脉的纹理能更清晰地被CMOS摄像头捕捉，确保采集指静脉图像的完整性和清晰度。
本发明的第三方面，存储介质，其特征在于，所述存储介质存储有可执行指令，所述可执行指令用于使计算机执行如以上所述的基于指静脉认证的医疗储物柜管理方法。
上述一种基于指静脉认证的医疗储物柜及其管理方法的有益效果是：通过采集指静脉的方式进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例一种基于指静脉认证的医疗储物柜管理方法的流程图；
图2为图1中对指静脉图像进行预处理的流程图；
图3为图1中对指静脉图像分割的流程图；
图4为图1中指静脉认证的孪生神经网络建立的流程图；
图5为本发明实施例一种基于指静脉认证的医疗储物柜的结构图。
具体实施方式
参照图1，本发明实施例提供了一种基于指静脉认证的医疗储物柜管理方法，包括步骤S110、采集指静脉图像；步骤S120、对所述指静脉图像进行预处理；步骤S130、对指静脉图像分割；步骤S140、将分割后指静脉图像输入指静脉认证的孪生神经网络，得到相似度；步骤S150、判断相似度，根据判断结果进行相应的开锁操作。通过采集指静脉的方式进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性。
参照图2，另一个实施例，采集指静脉图像后还有步骤S120、对指静脉图像进行预处理，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。
在本实施方式中，指静脉图像预处理，具体流程如下：
步骤S121、边缘检测，在接收指静脉采集装置传来的指静脉图像，根据图像边缘定义，对图像灰度变化形成的阶跃变化及屋顶变化进行检测；
步骤S122、参考边缘检测图形成ROI区域，即选定指静脉图像的感兴趣区域，该区域仅存在指静脉纹路、轮廓相关信息，去除了外部信息如采集装置中手指周围环境的干扰；
由于指静脉采集装置的硬件条件限制，获取的ROI区域指静脉图像中存在像素噪点，像素噪点会对指静脉纹路图像的分割造成影响，针对该像素噪点问题，本具体实施方式采用算数均值滤波与高斯滤波处理ROI区域图像。
步骤S123、采用算数均值滤波处理ROI区域图像，因脉冲噪声的灰度级一般与周围像素的灰度级不相关，且亮度高出其他像素许多，算数均值滤波通过像素领域的平均灰度代替像素值得方法，大大消除了指静脉图像中的脉冲噪声，对均值滤波函数
Figure BDA0002322321010000071
可知，均值滤波结果A′(i,j)随着(滤波半径)取值的增大而变得模糊，图像对比度变小，经过均值处理之后，噪声部分被弱化到周围像素点上，所得到的结果是噪声幅度减小，但是噪声点的颗粒面积同时变大，所以污染面积反而增大，为了解决这个问题，可以通过设定阈值，比较噪声和邻域像素灰度，只有当差值超过一定阈值时，才被认为是噪声，根据这一准则对图像进行均值滤波；
步骤S124、采用算数高斯滤波处理ROI区域图像，经过线性平滑滤波，即高斯滤波，对指静脉图像进行加权平均，每一个像素值，都由其本身和领域内的其他像素值经过加权平均后得到，对整幅图像进行平滑减噪处理，高斯滤波过程如下：
根据高斯函数：
Figure BDA0002322321010000072
在构建卷积核后，对该卷积核归一化处理，也就是整个高斯卷积核中的值累加，并将卷积核中的每个值除以累加值，另外，高斯滤波处理并不一定都是对称的，即x方向的方差与y方向的方差可能会不同，应具体按照公式
Figure BDA0002322321010000073
使用。
参照图3，另一个实施例，步骤S130、控制计算机对指静脉纹理分割，包括：对指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到具有深层次抽象特征的特征图；再经过四次类UNet上采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细特征图，最后获得指静脉分割的纹路图像。
在本实施方式中，控制计算机对指静脉纹理分割，具体流程如下：
步骤S131、初级特征提取。输入指静脉图像经过初步特征提取进行第一次类UNet下采样，提取图像相对模糊的特征图一，特征图一供后续特征提取、整合使用。初级特征提取层包括5个conv层，5个bn层、2个跳转连接，其中conv层主要以3x3的深度可分离卷积核作为特征提取核，步长、padding可根据具体情况修改，主要围绕图像像素大小做出调整，如96*96；
步骤S132、关联特征提取。上层特征图一经过关联特征提取层进行类UNet第二次下采样，提取特征信息中具有关联语义的特征图二，特征图二供后续特征提取、整合使用。关联特征提取层包括7个conv层、7个bn层、1个pool层、2个跳转连接，其中conv层由3x1、1x3、1x1、5x1、1x5卷积核组成，经过多尺寸卷积核并行提取关联特征，如48*48；
步骤S133、抽象特征提取。上层特征图二经过抽象特征提取层进行类UNet第三次采样，提取得到的特征图三供后续特征特征提取、整合使用。抽象特征提取层包括9个conv层、9个bn层、1个pool层、3个跳转连接，其中conv层由3x3、3x1、1x3、1x1卷积核组成，使用多尺寸卷积核并行提取深层次抽象特征，如24*24。
步骤S134、深层次抽象特征提取。上层特征图三经过抽象特征提取层进行类UNet第四次采样，提取得到的特征图四供后续特征特征提取、整合使用。深层次抽象特征提取层包括9个conv层、9个bn层、1个pool层、3个跳转连接，其中conv层由3x3、3x1、1x3、1x1卷积核组成，再次使用多尺寸卷积核并行提取深层次抽象特征，如12*12。
步骤S135、经过四次类UNet下采样提取的特征图四再次经过特征提取采集深层次的特征图五。
步骤S136、深层次抽象特征整合提取。特征图五与经第四次下采样的特征图四进行特征整合，不同程度的抽象特征经过特征提取进行第一次类UNet上采样得到新的特征图六，特征图六供下次特征提取、整合使用。深层次抽象特征整合提取层主要包括1个转置卷积层、2个conv层、2个bn层、2个relu层、1个长连接，其中conv层由3x3深度可分离卷积组成，步长、padding为1，特征图六的特征大小为24*24。
步骤S137、抽象特征整合提取。特征图六与第三次下采样的特征图三特征整合，再次经过不同的关联特征整合提取层进行第二次类UNet上采样得到新的特征图七，特征图七供下次特征提取、整合使用。抽象特征整合提取层主要包括1个转置卷积层、2个conv层、2个bn层、2个relu层、1个长连接，其中conv层由3x3深度可分离卷积组成，步长、padding为1，特征图七的特征大小为48*48。
步骤S138、关联特征整合提取。与上述步骤类同经过多次特征整合及不同的特征整合提取层进行类Unet第三次上采样后，采集到特征图八，特征图八供下次特征提取、整合使用。关联特征整合提取层主要包括1个转置卷积层、2个conv层、2个bn层、2个relu层、1个长连接，其中conv层由3x3深度可分离卷积组成，步长、padding为1，特征图八的特征大小为96*96。
步骤S139、像素特征整合提取。与上述步骤类同经过多次特征整合及不同的特征整合提取层进行类Unet第四次上采样后，采集到精细特征图。像素特征整合提取层主要包括1个转置卷积层、2个conv层、2个bn层、2个relu层、1个长连接，其中conv层由3x3深度可分离卷积组成，步长、padding为1，精细特征图的特征大小为192*192。
至此图像特征提取完毕，图像特征经过sigmod层激活后，对特征像素进行像素分类，得到与方形patch大小相当的纹理分割图。
参照图4，另一个实施例，建立指静脉认证的孪生神经网络的过程包括：步骤S410、建立指静脉认证的孪生神经网络模型；步骤S420、构建指静脉训练数据集，收集用户的指静脉图像信息，形成孪生神经网络模型的训练数据集；步骤S430、训练指静脉孪生神经网络模型，使用构建的训练数据集训练孪生神经网络模型；步骤S440、进行指静脉识别，使用训练后的指静脉孪生神经网络模型对指静脉进行身份识别。
在本实施方式中，控制计算机通过录入用户的纹理分割图来构建指静脉认证的孪生神经网络的训练数据集；输入成对的纹理分割图和对应的身份信息，训练孪生神经网络模型；判断输入孪生神经网络模型的指静脉数据对(photo1，photo2)和指静脉photo1与photo2是否为同一个用户，进而得到相似度参数Z：若是，则Z＝1；若不是，则Z＝0。
在得到相似度参数Z＝1后，控制计算机通过对比指静脉用户数据库判定该用户是否拥有使用权限，若用户拥有操作相应柜门的权限，控制计算机对智能锁发出开门指令，智能锁收到开门指令后执行开锁操作；其他情况下智能锁不进行开锁操作。
参照图5，另一个实施例，一种基于指静脉认证的医疗储物柜，包括柜体，柜体设有柜门或抽屉，其特征在于，柜体还包括：指静脉采集装置510，用于采集指静脉图像；控制计算机520，被配置为：用于对指静脉图像分割；用于将分割后指静脉图像信息输入至指静脉数据库中进行对比，得到相似度；用于判断相似度，并根据判断结果是否发送开锁信号；智能锁530，响应于开锁信号，进行开锁操作。
另一个实施例，控制计算机520还用于预处理指静脉图像，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。
另一个实施例，控制计算机520，用于对指静脉图像分割，包括：对指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细的整体纹理特征图；再经过四次类UNet上采样过程，获得指静脉分割的纹路图像。
另一个实施例，指静脉认证医疗储物柜设置有用于显示GUI界面的触控显示器540，触控显示器540能查看每个医疗储物柜状态，并进行查询操作。通过设置触控显示器，提供了用户操作的界面并进行查询操作，提高了医疗储物柜的使用便利性。
另一个实施例，指静脉采集装置510设置有红外光源模块511和用于采集清晰的手指静脉图像的CMOS摄像头512。通过设置红外光源模块，指静脉的纹理能更清晰地被CMOS摄像头捕捉，确保采集指静脉图像的完整性和清晰度。
基于指静脉认证的医疗储物柜，在使用前，管理员通过指静脉采集装置采集用户的指静脉图像信息，并将其录入至控制计算机的指静脉数据库中，同时设置相应开柜权限；使用时，用户通过指静脉采集装置采集用户的指静脉图像信息，该图像将与身份识别系统中已录入的用户指静脉信息进行比对，判定该用户是否拥有使用权限；用户判定合法时，控制计算机通过指静脉数据库，调取该用户的使用权限，并显示在触控显示屏上，用户根据触控显示屏上的信息进行选择，经过点击后经过控制计算机向智能锁发送开柜指令，智能锁根据该指令打开对应的储物柜门，用户经过放取物品及关闭电控储物柜操作时，控制计算机通过智能锁使用情况，记录该用户使用电控储物柜的详细信息，如时间、对应储物柜编号。
从以上的描述可以看出，本发明的基于指静脉认证的医疗储物柜管理方法，通过采集指静脉的方式进行认证，不仅提高了医疗储物柜的采集用户信息的便利性，还大大地降低了信息盗用的可能性；对采集到的指静脉图像进行分割，提取模块提取结构特征，最后通过模式匹配得出相似度，确保相似度的准确性和可靠性。
以上，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

1.一种基于指静脉认证的医疗储物柜管理方法，其特征在于，包括：
采集指静脉图像；
对所述指静脉图像分割；
将分割后所述指静脉图像输入指静脉认证的孪生神经网络，得到相似度；
判断相似度，根据判断结果进行相应的开锁操作。
2.根据权利要求1所述的基于指静脉认证的医疗储物柜管理方法，其特征在于，采集指静脉图像后还有
对所述指静脉图像进行预处理，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。
3.根据权利要求2所述的基于指静脉认证的医疗储物柜管理方法，其特征在于，控制计算机对指静脉纹理分割，包括：对指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到具有深层次抽象特征的整体特征图；再经过四次类UNet上采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细特征图，最后获得指静脉分割的纹路图像。
4.根据权利要求1所述的基于指静脉认证的医疗储物柜管理方法，
其特征在于，建立所述指静脉认证的孪生神经网络包括：
建立指静脉认证的孪生神经网络模型；
构建指静脉训练数据集，收集用户的指静脉图像信息，形成孪生神经网络模型的训练数据集；
训练指静脉孪生神经网络模型，使用构建的训练数据集训练孪生神经网络模型；
进行指静脉识别，使用训练后的指静脉孪生神经网络模型对指静脉进行身份识别，得出相似度。
5.一种基于指静脉认证的医疗储物柜，包括柜体，所述柜体设有柜门或抽屉，其特征在于，所述柜体还包括：
指静脉采集装置，用于采集指静脉图像；
控制计算机，被配置为：用于对所述指静脉图像分割；用于将分割后所述指静脉图像输入至指静脉数据库中进行对比，得到相似度；用于判断相似度，并根据判断结果是否发送开锁信号；
智能锁，响应于开锁信号，进行开锁操作。
6.根据权利要求5所述的基于指静脉认证的医疗储物柜，其特征在于，所述控制计算机还用于预处理所述指静脉图像，包括：将经过指静脉采集装置获取的指静脉图像进行ROI特征提取、滤波处理。
7.根据权利要求6所述的基于指静脉认证的医疗储物柜，其特征在于，所述控制计算机，用于对所述指静脉图像分割，包括：对所述指静脉图像进行四次类UNet下采样过程，通过不同尺度的卷积核提取图像的不同尺度的特征图像，采集到精细的整体纹理特征图；再经过四次类UNet上采样过程，获得指静脉分割的纹路图像。
8.根据权利要求7所述的基于指静脉认证的医疗储物柜，其特征在于，所述指静脉认证医疗储物柜设置有用于显示GUI界面的触控显示器，所述触控显示器能查看每个医疗储物柜状态，并进行查询操作。
9.根据权利要求8所述的指静脉认证医疗储物柜，其特征在于，所述指静脉采集装置设置有红外光源模块和用于采集清晰的手指静脉图像的CMOS摄像头。
10.存储介质，其特征在于，所述存储介质存储有可执行指令，所述可执行指令用于使计算机执行如权利要求1至4任一项所述的基于指静脉认证的医疗储物柜管理方法。
CN201911302939.2A 2019-12-17 2019-12-17 一种基于指静脉认证的医疗储物柜及其管理方法 Pending CN111166070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911302939.2A CN111166070A (zh) 2019-12-17 2019-12-17 一种基于指静脉认证的医疗储物柜及其管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911302939.2A CN111166070A (zh) 2019-12-17 2019-12-17 一种基于指静脉认证的医疗储物柜及其管理方法

Publications (1)

Publication Number Publication Date
CN111166070A true CN111166070A (zh) 2020-05-19

Family

ID=70618066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911302939.2A Pending CN111166070A (zh) 2019-12-17 2019-12-17 一种基于指静脉认证的医疗储物柜及其管理方法

Country Status (1)

Country Link
CN (1) CN111166070A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051345A (zh) * 2006-04-03 2007-10-10 正修科技大学 个人身份鉴认的非接触式辨识装置
CN107392114A (zh) * 2017-06-29 2017-11-24 广州智慧城市发展研究院 一种基于神经网络模型的手指静脉识别方法及系统
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
CN108231203A (zh) * 2017-12-29 2018-06-29 重庆市职业病防治院（重庆市第六人民医院） 用于尘肺鉴定的患者档案管理系统和方法
CN109635862A (zh) * 2018-12-05 2019-04-16 合肥奥比斯科技有限公司 早产儿视网膜病plus病变分类方法
CN110147732A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 指静脉识别方法、装置、计算机设备及存储介质
CN110263724A (zh) * 2019-06-21 2019-09-20 腾讯科技（深圳）有限公司 图片识别方法、识别模型训练方法、装置及存储介质
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN110555399A (zh) * 2019-08-23 2019-12-10 北京智脉识别科技有限公司 手指静脉识别方法、装置、计算机设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051345A (zh) * 2006-04-03 2007-10-10 正修科技大学 个人身份鉴认的非接触式辨识装置
CN107392114A (zh) * 2017-06-29 2017-11-24 广州智慧城市发展研究院 一种基于神经网络模型的手指静脉识别方法及系统
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
CN108231203A (zh) * 2017-12-29 2018-06-29 重庆市职业病防治院（重庆市第六人民医院） 用于尘肺鉴定的患者档案管理系统和方法
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN109635862A (zh) * 2018-12-05 2019-04-16 合肥奥比斯科技有限公司 早产儿视网膜病plus病变分类方法
CN110147732A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 指静脉识别方法、装置、计算机设备及存储介质
CN110263724A (zh) * 2019-06-21 2019-09-20 腾讯科技（深圳）有限公司 图片识别方法、识别模型训练方法、装置及存储介质
CN110555399A (zh) * 2019-08-23 2019-12-10 北京智脉识别科技有限公司 手指静脉识别方法、装置、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
Wang et al. Hand-dorsa vein recognition based on partition local binary pattern
CN107729820B (zh) 一种基于多尺度hog的手指静脉识别方法
CN107657209B (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN101359365A (zh) 一种基于最大类间方差和灰度信息的虹膜定位方法
CN110443128A (zh) 一种基于surf特征点精确匹配的指静脉识别方法
Impedovo et al. Recent advances in offline signature identification
Jayaraman et al. An efficient color and texture based iris image retrieval technique
CN107784263A (zh) 基于改进加速鲁棒特征的平面旋转人脸检测的方法
Rasooli et al. Farsi license plate detection based on element analysis and characters recognition
Aleem et al. Fast and accurate retinal identification system: Using retinal blood vasculature landmarks
Velliangira et al. A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images
Khan et al. A new method to extract dorsal hand vein pattern using quadratic inference function
Kusban et al. Combination a skeleton filter and reduction dimension of kernel pca based on palmprint recognition
Mechria et al. Effect of denoising on performance of deep convolutional neural network for mammogram images classification
US11068693B1 (en) Liveness detection in fingerprint-based biometric systems
Onifade et al. Circular Gabor wavelet algorithm for fingerprint liveness detection
Widynski et al. A contrario edge detection with edgelets
Khan et al. A fast and accurate Iris segmentation method using an LoG filter and its zero-crossings
Zabihi et al. Vessel extraction of conjunctival images using LBPs and ANFIS
Ramkumar et al. A novel iris recognition algorithm
CN111166070A (zh) 一种基于指静脉认证的医疗储物柜及其管理方法
Patil et al. An approach of iris feature extraction for personal identification
CN114913607A (zh) 一种基于多特征融合的指静脉仿冒检测方法
Di Lillo et al. Texture classification based on discriminative features extracted in the frequency domain
Roy et al. An iris recognition method based on zigzag collarette area and asymmetrical support vector machines

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519