CN111199527A - 一种基于多方向自适应阈值的指静脉图像噪声检测方法 - Google Patents

一种基于多方向自适应阈值的指静脉图像噪声检测方法 Download PDF

Info

Publication number
CN111199527A
CN111199527A CN202010007627.5A CN202010007627A CN111199527A CN 111199527 A CN111199527 A CN 111199527A CN 202010007627 A CN202010007627 A CN 202010007627A CN 111199527 A CN111199527 A CN 111199527A
Authority
CN
China
Prior art keywords
average gray
noise
neighborhood
gray level
point
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
Application number
CN202010007627.5A
Other languages
English (en)
Other versions
CN111199527B (zh
Inventor
张烜
赵国栋
蓝师伟
李学双
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.)
Holy Point Century Technology Co Ltd
Original Assignee
Holy Point Century Technology Co Ltd
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 Holy Point Century Technology Co Ltd filed Critical Holy Point Century Technology Co Ltd
Priority to CN202010007627.5A priority Critical patent/CN111199527B/zh
Publication of CN111199527A publication Critical patent/CN111199527A/zh
Application granted granted Critical
Publication of CN111199527B publication Critical patent/CN111199527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多方向自适应阈值的指静脉图像噪声检测方法，其包括以下步骤：构造多个方向的增强谷型区域的滤波模板，得到多个方向的响应值；根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值；将各个方向的响应值与自适应阈值比较，若各方向的响应值均大于自适应阈值，则判定该点为疑似噪声区域；对疑似噪声区域进行边界点的剔除；对疑似噪声区域进行静脉纹路区域点的剔除；统计疑似噪声点的点数，比较噪声区域面积大小与阈值，判断图像质量。本发明可以实现对静脉图像中噪声区域的精确检测，在噪声达到一定量时防止包含噪声的指静脉图像注册为模板，引导用户注册正常干净指静脉图像为模板，提升使用体验。

Description

一种基于多方向自适应阈值的指静脉图像噪声检测方法
技术领域
本发明属于信息安全中的生物特征识别技术领域，尤其涉及一种基于多方向自适应阈值的指静脉图像噪声检测方法。
背景技术
手指静脉识别技术是第二代生物特征识别的代表性技术，它使用近红外光对手指进行照射，手指静脉血管中的血红蛋白对近红外光相比于骨骼肌肉等区域具有更高的吸收率，因此手指静脉血管纹路在指静脉图像中会形成低灰度区域。手指静脉纹路具有唯一性和稳定性，并且位于人体内部，具有高度的安全性和防伪性。因此可以利用指静脉图像进行个人的身份认证。
受当前指静脉图像采集设备工艺水平的影响，实际上所采集到的指静脉图像内低灰度区域除了静脉纹路外，通常还包含噪声，这些噪声来源于手指或者设备。比如手指沾染了泥土或者钢笔墨水、油污等，这种手指表面的脏污区域会导致近红外光在穿透手指时被吸收，在图像中形成低灰度区域，和静脉纹路区域难以区分。这种脏污区域不具备和手指静脉纹路一样的唯一性和稳定性，不具备稳定性会导致用户下次验证时成功率降低，而不具备唯一性则会导致认假的概率增加，因此该特征不能作为身份认证的依据，所以包含这种特征的指静脉图像不能被注册成为模板。由于噪声区域和手指静脉纹路具有相似性，即都是在指静脉图像中呈现为低灰度，并且形态各异，传统的噪声检测算法难以区分两者。
发明内容
本发明的目的在于针对传统的噪声检测算法难以区分噪声区域和手指静脉纹路而导致的无法准确判断图像质量的问题，提出一种基于多方向自适应阈值的指静脉图像噪声检测方法。
为了达到目的，本发明提供的技术方案为：
本发明涉及的一种基于多方向自适应阈值的指静脉图像噪声检测方法，其包括以下步骤：
1)构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值Ki；
2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T1；
3)将各个方向的响应值与自适应阈值T1比较，若各方向的响应值均大于自适应阈值T1，则判定该点为疑似噪声区域；
4)对疑似噪声区域进行边界点的剔除；
5)对疑似噪声区域进行静脉纹路区域点的剔除；
6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，判断图像质量。
优选地，所述步骤1)中构造四个滤波模板，滤波后得到四个响应值。
优选地，所述四个响应值分别为K1、K2、K3和K4，
K1＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；
K2＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；
K3＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；
K4＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；
式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向。
优选地，所述步骤2)中自适应阈值T1的计算方式为：
Figure BDA0002355891530000021
式中，r代表周围邻域的半径。
优选地，所述步骤3)中，采用公式对各方向的响应值与当前点的自适应阈值进行比较，其公式为
Figure BDA0002355891530000022
其中k为阈值系数；当所有方向的响应值均满足要求，则将该点标记为1，否则标记为0，其中，1为疑似噪声区域，即
Figure BDA0002355891530000023
优选地，所述步骤4)的具体步骤为：
4.1)计算疑似噪声点F1(x0，y0)的列方向左右两边的平均灰度，，左右两边的平均灰度分别用aveL和aveR表示，
Figure BDA0002355891530000024
4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，并剔除边界点，即
Figure BDA0002355891530000031
其中，公式(9)中的T2为边界点阈值，其计算公式如公式(10)所示：
T2＝μ×T1 (10)，
其中，μ为阈值系数。
优选地，所述步骤5)的具体步骤为：
5.1)分别计算中心邻域平均灰度TM、左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU和右下角邻域平均灰度TRD，
Figure BDA0002355891530000032
Figure BDA0002355891530000033
Figure BDA0002355891530000034
Figure BDA0002355891530000035
Figure BDA0002355891530000036
5.2)将中心邻域平均灰度TM与左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU、右下角邻域平均灰度TRD中的最小值进行比较，除掉中心邻域平均灰度TM高于四周四块邻域平均灰度TLU、TLD、TRU、TRD的点，即
Figure BDA0002355891530000037
式中，min(TLU,TLD,TRU,TRD)是指四个平均灰度的最小值。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
1、本发明首先利用多方向的滤波模板进行低灰度区域增强，然后再通过计算自适应阈值，提取出疑似噪声区域，再将疑似噪声区域进行边界点判断，静脉纹路区域判断，只保留噪声区域，去除掉少量边界点和静脉纹路区域，实现了对指静脉图像噪声区域的精确检测；
2、本发明采用了基于平均灰度的自适应阈值检测，对于指静脉图像不同亮度区域的噪声均可有效检测出来。
附图说明
图1为一幅指静脉灰度图像；
图2为提取出的疑似噪声区域图像；
图3为经过边界点判断后的疑似噪声区域图像；
图4为经过静脉纹路区域判断后的最终噪声区域图像；
图5是正常干净图像例举；
图6是包含噪声的图像例举；
图7是正常干净图的误检测概率和噪声图像的检测概率。
具体实施方式
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例涉及的基于多方向自适应阈值的指静脉图像噪声检测方法，包括以下步骤：
1)对于一幅手指静脉灰度原图f，如图1所示，图像大小为300×120，构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值Ki，本实施例中构造四个滤波模板，滤波后得到四个四个响应值，四个响应值分别用表示K1、K2、K3和K4，K1、K2、K3和K4的计算方式为：
K1＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；
K2＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；
K3＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；
K4＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；
式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向，由式1～4可知，当前点的灰度值越低，周围点的灰度值越高，滤波后的响应值就越大，实现了对低灰度区域的增强。
2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T1，自适应阈值T1的计算方式为：
Figure BDA0002355891530000041
式中，r代表周围邻域的半径，经过试验，r选定为2。
3)将各个方向的响应值与自适应阈值T1比较。由于正常静脉纹路区域响应值比较小，并且在静脉延伸方向上的响应值接近0；而对于噪声区域，由于其存在随机间断的特点，因此在其边界处会出现四个响应值都比较大的情况。因此，若各方向的响应值均大于自适应阈值T1，则判定该点为疑似噪声区域，其中，
Figure BDA0002355891530000051
式中，阈值系数k取0.05；
然后根据比较结果对当前点进行标记，若满足公式(6)，则当前点标记为1，若不满足公式(6)，则当前点标记为0，得到疑似噪声区域图像F1，如图2所示
Figure BDA0002355891530000052
其中，值为1的是疑似噪声区域，可见边界区域被检测出较多噪声，这是因为边界部分灰度值变化差异大。
4)对疑似噪声区域图像F1的值为1的点逐个进行边界点剔除，具体步骤为：
4.1)指静脉图像边界容易出现在手指横向区域，一个静脉图像采集设备的宽度是固定的，但是人的手指宽度却有大有小，因此对于细的手指，采集的指静脉图像容易出现边界线，在边界线两边的灰度差异非常明显，而噪声点两边的灰度差异较小，据此可以区分边界点和真实噪声点，计算疑似噪声点F1(x0，y0)的列方向左右两边的平均灰度，左右两边的平均灰度分别用aveL和aveR表示，
Figure BDA0002355891530000053
4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，当aveL和aveR相差不大时认为该点不是边界点，当aveL和aveR相差较大时认为该点为边界点，如公式(9)所示，
Figure BDA0002355891530000054
公式(9)中的T2为边界点阈值，其计算公式如公式(10)所示：
T2＝μ×T1 (10)，
其中，μ为阈值系数。
根据公式(9)的计算结果剔除边界点，得到疑似噪声区域图F2，如图3所示，可见边界区域基本上被剔除了。
5)对F2值为1的点逐个进行静脉纹路判断，并对疑似噪声区域进行静脉纹路区域点的剔除，其具体步骤为：
5.1)分别计算中心邻域平均灰度TM、左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU和右下角邻域平均灰度TRD；
中心邻域平均灰度TM、左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU和右下角邻域平均灰度TRD的计算公式如公式(11)～(15)：
Figure BDA0002355891530000061
Figure BDA0002355891530000062
Figure BDA0002355891530000063
Figure BDA0002355891530000064
Figure BDA0002355891530000065
5.2)将中心邻域平均灰度TM与左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU、右下角邻域平均灰度TRD中的最小值进行比较，通过公式(17)，除掉中心邻域平均灰度TM高于四周四块邻域平均灰度TLU、TLD、TRU、TRD的点，这些点是静脉纹路区域的概率更大。
Figure BDA0002355891530000066
式中，min(TLU,TLD,TRU,TRD)指的是四个平均灰度的最小值，得到最终的噪声区域图F，如图4所示。
6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，当其值为1的点数量超过ρ时认为是噪声过多，图像质量较差，不允许其注册为模板；
为了确定ρ的合适取值，对一批正常手指采集的干净图像进行了噪声检测和所提取的噪声区域图值为1的点数统计，如图5为6张正常干净图像库举例。同时为了验证本算法的有效性，对如图6所示的多种类型的包含噪声的图像库也进行了检测。其中正常干净图像库包含5000根手指，每根手指5幅图，多种类型的噪声图像库包含1000根手指，每根手指5幅图。不同ρ值对应的正常干净图像库误检测概率和噪声图像库检出概率如图7所示。根据图7综合考虑，确定ρ＝350，此时误检测概率为0.00％，而对于包含噪声的图像库，平均检测概率可以达到99.14％，说明本算法的检测精确而有效。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：其包括以下步骤：
1)构造多个方向的增强谷型区域的滤波模板，滤波后得到多个方向的响应值Ki；
2)根据当前点的灰度值和周围邻域的灰度值计算得到当前点的自适应阈值T1；
3)将各个方向的响应值与自适应阈值T1比较，若各方向的响应值均大于自适应阈值T1，则判定该点为疑似噪声区域；
4)对疑似噪声区域进行边界点的剔除；
5)对疑似噪声区域进行静脉纹路区域点的剔除；
6)设定一个阈值ρ，统计疑似噪声点的点数，得到噪声区域的面积大小，比较噪声区域面积大小与阈值ρ，判断图像质量。
2.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤1)中构造四个滤波模板，滤波后得到四个响应值。
3.根据权利要求2所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述四个响应值分别为K1、K2、K3和K4，
K1＝f(x,y-1)×2+f(x,y)×(-4)+f(x,y+1)×2 (1)；
K2＝f(x-1,y+1)×2+f(x,y)×(-4)+f(x+1,y-1)×2 (2)；
K3＝f(x-1,y)×2+f(x,y)×(-4)+f(x+1,y)×2 (3)；
K4＝f(x-1,y-1)×2+f(x,y)×(-4)+f(x+1,y+1)×2 (4)；
式中的f(x,y)指当前点的灰度值大小，x,y分别是图像矩阵的行坐标和列坐标，对应为手指的纵向和横向。
4.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤2)中自适应阈值T1的计算方式为：
Figure FDA0002355891520000011
式中，r代表周围邻域的半径。
5.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤3)中，采用公式对各方向的响应值与当前点的自适应阈值进行比较，其公式为
Figure FDA0002355891520000012
其中，k为阈值系数；当所有方向的响应值均满足要求，则将该点标记为1，否则标记为0，其中，1为疑似噪声区域，即
Figure FDA0002355891520000021
6.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤4)的具体步骤为：
4.1)计算疑似噪声点F1(x0，y0)的列方向左右两边的平均灰度，左右两边的平均灰度分别用aveL和aveR表示，
Figure FDA0002355891520000022
4.2)根据左右两侧平均灰度的差值判定该点是否为边界点，并剔除边界点，即
Figure FDA0002355891520000023
其中，公式(9)中的T2为边界点阈值，其计算公式如公式(10)所示：
T2＝μ×T1 (10)，
其中，μ为阈值系数。
7.根据权利要求1所述的基于多方向自适应阈值的指静脉图像噪声检测方法，其特征在于：所述步骤5)的具体步骤为：
5.1)分别计算中心邻域平均灰度TM、左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU和右下角邻域平均灰度TRD，
Figure FDA0002355891520000024
Figure FDA0002355891520000025
Figure FDA0002355891520000026
Figure FDA0002355891520000027
Figure FDA0002355891520000028
5.2)将中心邻域平均灰度TM与左上角邻域平均灰度TLU、左下角邻域平均灰度TLD、右上角邻域平均灰度TRU、右下角邻域平均灰度TRD中的最小值进行比较，除掉中心邻域平均灰度TM高于四周四块邻域平均灰度TLU、TLD、TRU、TRD的点，即
Figure FDA0002355891520000029
式中，min(TLU,TLD,TRU,TRD)是指四个平均灰度的最小值。
CN202010007627.5A 2020-01-04 2020-01-04 一种基于多方向自适应阈值的指静脉图像噪声检测方法 Active CN111199527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010007627.5A CN111199527B (zh) 2020-01-04 2020-01-04 一种基于多方向自适应阈值的指静脉图像噪声检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010007627.5A CN111199527B (zh) 2020-01-04 2020-01-04 一种基于多方向自适应阈值的指静脉图像噪声检测方法

Publications (2)

Publication Number Publication Date
CN111199527A true CN111199527A (zh) 2020-05-26
CN111199527B CN111199527B (zh) 2021-02-02

Family

ID=70746779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010007627.5A Active CN111199527B (zh) 2020-01-04 2020-01-04 一种基于多方向自适应阈值的指静脉图像噪声检测方法

Country Status (1)

Country Link
CN (1) CN111199527B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101595493A (zh) * 2006-11-03 2009-12-02 雪花科技公司 用于提取和匹配生物测定细节的方法和设备
CN101609500A (zh) * 2008-12-01 2009-12-23 公安部第一研究所 出入境数字人像相片质量评估方法
CN101667137A (zh) * 2009-10-12 2010-03-10 哈尔滨工程大学 使用方向滤波技术的手指静脉纹路提取方法
CN104614384A (zh) * 2015-02-06 2015-05-13 北京印刷学院 一种印品文字的质量检测方法
CN105069801A (zh) * 2015-08-17 2015-11-18 江苏物联网研究发展中心 基于图像质量诊断的视频图像预处理方法
CN105512656A (zh) * 2014-09-22 2016-04-20 郭进锋 采集手掌静脉图像的方法
CN108009996A (zh) * 2017-11-07 2018-05-08 深圳市金城保密技术有限公司 一种基于脊波变换的指静脉图像增强方法及其系统、产品
US20180125371A1 (en) * 2006-01-10 2018-05-10 Accuvein, Inc. Scanned Laser Vein Contrast Enhancer Imaging in an Alternating Frame Mode
CN108335319A (zh) * 2018-02-06 2018-07-27 中南林业科技大学 一种基于自适应阈值及ransac的图像角点匹配方法
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
CN110533605A (zh) * 2019-07-26 2019-12-03 遵义师范学院 一种精确噪点标定方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180125371A1 (en) * 2006-01-10 2018-05-10 Accuvein, Inc. Scanned Laser Vein Contrast Enhancer Imaging in an Alternating Frame Mode
CN101595493A (zh) * 2006-11-03 2009-12-02 雪花科技公司 用于提取和匹配生物测定细节的方法和设备
CN101609500A (zh) * 2008-12-01 2009-12-23 公安部第一研究所 出入境数字人像相片质量评估方法
CN101667137A (zh) * 2009-10-12 2010-03-10 哈尔滨工程大学 使用方向滤波技术的手指静脉纹路提取方法
CN105512656A (zh) * 2014-09-22 2016-04-20 郭进锋 采集手掌静脉图像的方法
CN104614384A (zh) * 2015-02-06 2015-05-13 北京印刷学院 一种印品文字的质量检测方法
CN105069801A (zh) * 2015-08-17 2015-11-18 江苏物联网研究发展中心 基于图像质量诊断的视频图像预处理方法
CN108009996A (zh) * 2017-11-07 2018-05-08 深圳市金城保密技术有限公司 一种基于脊波变换的指静脉图像增强方法及其系统、产品
CN108335319A (zh) * 2018-02-06 2018-07-27 中南林业科技大学 一种基于自适应阈值及ransac的图像角点匹配方法
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
CN110533605A (zh) * 2019-07-26 2019-12-03 遵义师范学院 一种精确噪点标定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法
CN115272684B (zh) * 2022-09-29 2022-12-27 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法

Also Published As

Publication number Publication date
CN111199527B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
Zhao et al. Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction
Ryu et al. Enhancement of feature extraction for low-quality fingerprint images using stochastic resonance
Raghavendra et al. Presentation attack detection algorithms for finger vein biometrics: A comprehensive study
Yang et al. Superpixel based finger vein ROI extraction with sensor interoperability
WO2002096181A2 (en) Fingerprint recognition system
US11475707B2 (en) Method for extracting image of face detection and device thereof
WO2007004537A1 (ja) 指紋画像背景検出装置及び検出方法
CN111507206A (zh) 一种基于多尺度局部特征融合的手指静脉识别方法
CN111199527B (zh) 一种基于多方向自适应阈值的指静脉图像噪声检测方法
CN108734069B (zh) 一种指静脉图像的质量分数计算方法及装置
CN103942526B (zh) 一种离散数据点集的线特征提取方法
Kulkarni et al. A novel authentication system based on hidden biometric trait
Liu et al. Palm-line detection
CN112102209B (zh) 一种异常静脉图像的修复方法及装置
CN113936303A (zh) 一种手部图像最大内接矩形确定方法及图像识别方法
US20050152586A1 (en) Print analysis
CN111639555B (zh) 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
CN112016565A (zh) 一种金融票据的账号处模糊数字的分割方法
CN115578781A (zh) 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质
CN110852280B (zh) 一种指静脉设备镜面异物的检测算法
CN116798077B (zh) 一种手掌照片检测方法
CN109165640B (zh) 基于比特位面内分块互信息的手背静脉识别方法及识别系统
CN112132036A (zh) 一种基于安全区域的大数据图像处理方法及系统
Wu et al. Dry fingerprint detection for multiple image resolutions using ridge features
CN111639557A (zh) 一种指静脉图像智能注册反馈方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A noise detection method of finger vein image based on multi-directional adaptive threshold

Effective date of registration: 20210812

Granted publication date: 20210202

Pledgee: Shanxi Financing Guarantee Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2021140000025

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20221028

Granted publication date: 20210202

Pledgee: Shanxi Financing Guarantee Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2021140000025

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200526

Assignee: Zhongguancun Technology Leasing Co.,Ltd.

Assignor: Holy Point Century Technology Co.,Ltd.

Contract record no.: X2023980038140

Denomination of invention: A noise detection method of Palmar digital veins image based on multi-directional adaptive threshold

Granted publication date: 20210202

License type: Exclusive License

Record date: 20230717

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A noise detection method of Palmar digital veins image based on multi-directional adaptive threshold

Effective date of registration: 20230719

Granted publication date: 20210202

Pledgee: Zhongguancun Technology Leasing Co.,Ltd.

Pledgor: Holy Point Century Technology Co.,Ltd.

Registration number: Y2023980048892