CN111612083B - 一种手指静脉识别方法、装置及设备 - Google Patents
一种手指静脉识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111612083B CN111612083B CN202010456162.1A CN202010456162A CN111612083B CN 111612083 B CN111612083 B CN 111612083B CN 202010456162 A CN202010456162 A CN 202010456162A CN 111612083 B CN111612083 B CN 111612083B
- Authority
- CN
- China
- Prior art keywords
- target
- finger
- image
- vein
- curvature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种手指静脉识别方法,包括:获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。由此可见,本发明保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。此外,本发明所提供的一种手指静脉识别装置及设备与上述方法对应。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种手指静脉识别方法、装置及设备。
背景技术
随着人工智能技术的发展,指纹识别和人脸识别也已经逐渐代替传统的密码、刷卡等身份认证模式。但是,指纹识别和人脸识别都存在漏洞,指纹伪造的案例越来越多,通过3D模型欺骗人脸识别算法也时有发生。所以,手指静脉识别技术作为生物识别技术中的一种,其利用个体手指内部的静脉结构进行认证识别,具有高可用性、活体识别、高准确率等特点,受到越来越多的关注。
手指静脉识别的过程包括图像采集、手指区域提取和特征提取等步骤,特征提取的效果是影响手指静脉识别结果的关键因素。现有技术中在对手指区域进行特征提取时,通常将手指静脉原图作为唯一输入,然后利用卷积神经网络完成手指静脉特征的提取。
但是,由于现有技术中仅将手指静脉原图作为唯一的数据输入源,则导致输入至卷积神经网络中的信息较为单一,提取出的特征无法全面地、详细地体现出手指静脉信息,从而影响了对手指静脉特征识别的效果,用户体验感较差。
发明内容
本发明的目的是提供一种手指静脉识别方法、装置及设备,能够将目标区域图像和多个目标曲率图作为多个数据源均输入至第一神经网络模型中,并对输出的多个静脉特征进行特征融合处理以获取到包含有多个数据源信息的目标静脉特征,从而保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。
为解决上述技术问题,本发明提供一种手指静脉识别方法,包括:
获取采集到的手指静脉图像,提取所述手指静脉图像中的目标区域图像;
根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图;
将所述目标区域图像及所述多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
对所述多个静脉特征进行特征融合处理以获取目标静脉特征,根据所述目标静脉特征和预先存储的参照静脉特征对所述手指静脉图像进行识别。
优选地,所述提取所述手指静脉图像中的目标区域图像具体包括:
对所述手指静脉图像进行边缘检测,并通过形态学开运算去除所述手指静脉图像中手指边缘处的噪点以得到第一目标图像;
计算所述第一目标图像的手指倾斜角,以所述手指倾斜角作为旋转角度将所述手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像;
根据窗口统计算法,确定所述第二目标图像中的关节部位及所述目标区域图像的宽度;
利用预先训练完成的第二神经网络模型,计算所述目标区域图像的长度;
根据所述关节部位位置、所述宽度和所述长度对所述第二目标图像进行截取以提取所述目标区域图像。
优选地,还包括:
对所述目标区域图像进行灰度拉伸以完成归一化操作。
优选地,所述计算所述第一目标图像的手指倾斜角具体包括:
根据所述第一目标图像中的信息,拟合出手指中线;
根据所述手指中线计算所述第一目标图像的手指倾斜角。
优选地,所述以所述手指倾斜角作为旋转角度将所述手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像之后,还包括:
按照所述第二目标图像中手指边缘的水平内切线对所述第二目标图像进行剪裁处理。
优选地,所述根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图具体包括:
将所述各曲率计算角度参数和所述各窗口尺度超参数进行排列组合以得到多个曲率计算超参数组;
分别计算在各所述曲率计算超参数组的条件下,所述目标区域图像对应的曲率图;
从多个所述曲率图中确定出预设数量的目标曲率图。
优选地,所述从多个所述曲率图中确定出预设数量的目标曲率图具体包括:
计算多个所述曲率图对应的HOG特征序列;
根据PCA主成分分析算法对各所述HOG特征序列进行主成分分析以确定出所述预设数量的所述目标曲率图。
优选地,所述对所述多个静脉特征进行特征融合处理以获取目标静脉特征具体包括:
将所述多个静脉特征作为源数据输入至基于注意力机制的神经网络中;
将唯一的输出静脉特征设定为所述目标静脉特征。
为解决上述技术问题,本发明还提供一种手指静脉识别装置,包括:
提取模块,用于获取采集到的手指静脉图像,提取所述手指静脉图像中的目标区域图像;
计算模块,用于根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图;
输入模块,用于将所述目标区域图像及所述多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
确定模块,用于对所述多个静脉特征进行特征融合处理以获取目标静脉特征,根据所述目标静脉特征和预先存储的参照静脉特征对所述手指静脉图像进行识别。
为解决上述技术问题,本发明还提供一种手指静脉识别设备,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的手指静脉识别方法的步骤。
本发明所提供的一种手指静脉识别方法,包括:获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。由此可见,本发明将目标区域图像和多个目标曲率图作为多个数据源均输入至第一神经网络模型中,并对输出的多个静脉特征进行特征融合处理以获取到包含有多个数据源信息的目标静脉特征,从而保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。
此外,本发明所提供的一种手指静脉识别装置及设备与上述方法对应,具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种手指静脉识别方法的流程图;
图2为本发明实施例提供的一种手指静脉图像中的目标区域图像的示意图;
图3为本发明实施例提供的一种手指静脉识别装置的结构图;
图4为本发明实施例提供的一种手指静脉识别设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种手指静脉识别方法、装置及设备,能够将目标区域图像和多个目标曲率图作为多个数据源均输入至第一神经网络模型中,并对输出的多个静脉特征进行特征融合处理以获取到包含有多个数据源信息的目标静脉特征,从而保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种手指静脉识别方法的流程图;如图1所示,本发明实施例提供的一种手指静脉识别方法,包括步骤S101-步骤S104:
步骤S101:获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;
在具体实施中,获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像。图2为本发明实施例提供的一种手指静脉图像中的目标区域图像的示意图,目标区域图像如图2所示。需要说明的是,通常在手指静脉识别时,仅需要手指的一段区域即可,将识别所用到的区域作为目标区域图像。例如,可将手指中段两个关节部位之间的手指区域作为目标区域图像。可以理解地是,本领域技术人员可根据实际应用情况确定手指静脉图像中的目标区域图像,本发明实施例不作限定。
在一个实施例中,提取手指静脉图像中的目标区域图像具体包括:
对手指静脉图像进行边缘检测,并通过形态学开运算去除手指静脉图像中手指边缘处的噪点以得到第一目标图像;
计算第一目标图像的手指倾斜角,以手指倾斜角作为旋转角度将手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像;
根据窗口统计算法,确定第二目标图像中的关节部位及关节部位的宽度;
利用预先训练完成的第二神经网络模型,计算关节部位的长度;
根据关节部位位置、宽度和长度对第二目标图像进行截取以提取目标区域图像。
具体地,可对手指静脉图像中的手指边缘进行检测,从而确定手指在图像中的位置。通过形态学开运算对手指静脉图像进行处理以去除到手指边缘处的噪点,从而得到第一目标图像。本领域技术人员可知,第一目标图像为经过边缘提取及去噪后得到的二值图像。一般情况下,用户在图像采集器上放置手指时,均会产生一定角度的手指倾斜。为便于手指静脉特征的识别,需首先将倾斜的手指位置矫正至水平方向。具体地,可计算第一目标图像的手指倾斜角,将确定出的手指倾斜角作为旋转角度使手指静脉图像中的手指位置向水平方向旋转,以得到矫正后的第二目标图像。可以理解地,第二目标图像为经过手指位置矫正处理后,得到的手指静脉图像。在一个实施例中,计算第一目标图像的手指倾斜角具体包括:
根据第一目标图像中的信息,拟合出手指中线;
根据手指中线计算第一目标图像的手指倾斜角。
本领域技术人员可知,手指倾斜角即为手指中线偏离水平方向的角度。因此,在计算第一目标图像的手指倾斜角时,需要先拟合出手指中线。具体地,以第一目标图像左上角的顶点作为原点建立图像空间坐标系,水平向右为x轴方向,垂直向下为y轴方向。从水平方向依次遍历,对于每个x坐标均计算其垂直方向所有y坐标的平均值,根据x坐标和对应的y坐标的平均值构成粗估手指中线,并利用最小二乘法拟合手指中线方程,手指中线方程中斜率k和截距b的计算公式如下:
其中,xi和yi分别代表的粗估手指中线中各像素的横、纵坐标,i用于表示粗估手指中线中的任一点。
在具体实施中,根据拟合出的手指中线,即可计算出第一目标图像中手指倾斜角,从而以手指倾斜角作为旋转角度将手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像。
进一步地,由于手指的关节区域与手指其它区域对于红外光线透过率存在差异,手指的关节区域透过红外光线时,可呈现出更高的亮度。因此,可根据第二目标图像呈现的亮度的不同,确定出手指两个关节部位之间的区域,并将其作为目标区域图像。具体地,根据窗口统计算法,在水平方向从左至右统计窗口中的平均亮度,获取统计值的峰值点作为关节部位的中点,以关节部位的中点为基准,沿竖直方向向两侧延长预设的固定距离作为目标区域图像的左右边界,左右边界之间的距离即为目标区域图像的宽度。可以理解地,预设的固定距离通常为手指宽度的一半。本领域技术人员可根据实际应用情况设定不同的固定距离,本发明实施例不作限定。
在一个实施例中,将手指静脉图像和预先存储的参照图像输入至预先训练完成的第二神经网络模型中,从而得到尺寸相同的第一特征图和第二特征图,对第一特征图和第二特征图均沿较长边等分为N份,N为正整数。对每一份特征图进行最大池化操作,从而得到两个特征向量序列分别为和计算E1、E2之间的相关度计算公式如下:
εi∈Ε1,εj∈Ε2
L*=arg min(L-imax,L-jmax)
其中,L为手指静脉图像的长度。分别以imax和jmax为起始,以长度L*裁剪手指静脉图像获得目标区域图像。由此可见,根据关节部位位置、确定的目标区域图像的宽度和目标区域图像的长度对第二目标图像进行截取以提取目标区域图像。并且,通过在相关度最大时计算目标区域图像的长度,完成了手指静脉图像和参照图像在最优对齐位置进行对齐的操作,确保了剪裁得到的目标区域图像为实现对齐后的图像。
在一个实施例中,在从手指静脉图像中提取出目标区域图像后,可对目标区域图像进行灰度拉伸从而完成归一化操作。
步骤S102:根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;
在一个实施例中,根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图具体包括:
将各曲率计算角度参数和各窗口尺度超参数进行排列组合以得到多个曲率计算超参数组;
分别计算在各曲率计算超参数组的条件下,目标区域图像对应的曲率图;
从多个曲率图中确定出预设数量的目标曲率图。
具体地、可通过等间隔采样法预先设置曲率计算角度参数θ和窗口尺度超参数,从而建立曲率计算角度参数组和窗口尺度超参数组。例如,对于曲率计算角参数来说,可预设采样间隔为5°,则在[0°,180°]区间内每间隔5°抽取一个数值作为计算角度参数;对于窗口尺度超参数来说,可在[1.0,W/100]区间内每隔0.5抽取一个数值作为窗口尺度超参数;其中,W为目标区域图像的宽度。曲率计算角度参数组和窗口尺度超参数组中的参数进行全排列组合构成曲率计算超参数组。
在具体实施中,计算各曲率计算超参数组对应的曲率图可通过基于多标准差融合的二维高斯模板来实现,具体包括:
根据预先建立的二维高斯核函数模板G(x,y)计算二维高斯核函数水平方向的一阶偏导数Gx(x,y)、垂直方向的一阶偏导数Gy(x,y),水平方向的二阶偏导数Gxx(x,y)、垂直方向的二阶偏导数Gyy(x,y)以及混合偏导数Gxy(x,y);其中,G(x,y)大小为(2w+1)×(2w+1),具体公式如下:
其中,w是高斯核函数的窗口半径,x∈[-w,w]、y∈[-w,w]分别为像素点在模板中的位置,σ为二维高斯核函数的标准差,w=λσ,λ为尺度系数,λ∈[0.5,1.5]。
根据二维高斯核函数的一阶方向导数与水平方向和垂直方向的一阶偏导数的关系,得到θ方向的一阶方向导数Gθ(x,y):
Gθ(x,y)=Gx(x,y)cosθ+Gy(x,y)sinθ
根据二维高斯核函数的水平方向的二阶偏导数、垂直方向的二阶偏导数以及混合偏导数的关系,计算得到二维高斯核函数的二阶方向导数Gθθ(x,y):
将二维高斯核函数的一阶、二阶方向导数分别与目标区域图像中的像素点(x,y)的窗口进行卷积运算,则得像素点(x,y)在θ方向的目标区域图像的一阶导数和二阶导数;根据曲率计算公式计算θ方向的曲率值;遍历目标区域图像,获得各曲率计算超参数组的条件下,目标区域图像对应的窗口半径为w、方向为θ的曲率图。按照预设数量,从多个曲率图中确定出各目标曲率图。
步骤S103:将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
在具体实施中,将目标区域图像与目标曲率图分别输入至第一神经网络模型中进行训练。需要说明的是,本发明提出的各卷积神经网络为孪生神经网络。所述第一神经网络模型中包含有目标区域图像及各目标曲率图对应的卷积神经网络,目标区域图像对应的卷积神经网络提取出目标区域图像对应的静脉特征,各目标曲率图对应的卷积神经网络可提取出各目标曲率图对应的静脉特征,从而得到多个静脉特征。
步骤S104:对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。
在一个实施例中,对多个静脉特征进行特征融合处理以获取目标静脉特征具体包括:
将多个静脉特征作为源数据输入至基于注意力机制的神经网络中;
将唯一的输出静脉特征设定为目标静脉特征。
本发明所提供的一种手指静脉识别方法,包括:获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。由此可见,本发明将目标区域图像和多个目标曲率图作为多个数据源均输入至第一神经网络模型中,并对输出的多个静脉特征进行特征融合处理以获取到包含有多个数据源信息的目标静脉特征,从而保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。
在一个实施例中,从多个曲率图中确定出预设数量的目标曲率图具体包括:
计算多个曲率图对应的HOG特征序列;
根据PCA主成分分析算法对各HOG特征序列进行主成分分析以确定出预设数量的目标曲率图。
具体地,计算多个曲率图对应的HOG特征序列,具体计算过程如下:
首先,利用伽马非线性化方法对各曲率图的图像全局归一化,计算归一化后每个曲率图中每个像素的水平方向梯度、垂直方向梯度、梯度的幅值和方向,计算公式如下:
Tx(x,y)=H(x+1,y)-H(x-1,y)
Ty(x,y)=H(x,y+1)-H(x,y-1)
其中,H(x,y)为曲率图中在像素点(x,y)处的像素值,Gx(x,y)、Gy(x,y)、G(x,y)和α(x,y)分别为曲率图中在像素点(x,y)处的水平方向梯度、垂直方向梯度、梯度的幅值和方向。
然后,将各曲率图划分为若干个方形的单元,将每个单元内的梯度方向分为若干个方向区间,以梯度方向为横轴,梯度幅值为纵轴,统计每个单元的梯度直方图,从而形成每个单元的特征向量。将K×K个单元串联组成一个单元块,其中,K为任意正整数。将单元块内每个单元的特征向量串联组成多维特征向量,并对该多维特征向量归一化即可得到该单元块的HOG特征。
最后,将曲率图中所有的单元块的HOG特征进行串联即可形成该曲率图对应的HOG特征序列。
在具体实施中,根据PCA主成分分析算法对各HOG特征序列进行主成分分析以确定出预设数量的目标曲率图具体包括:
对各曲率图对应的HOG特征序列进行去中心化处理,计算去中心化处理后的HOG特征序列的协方差矩阵,采用特征值分解法求协方差矩阵的特征值和特征向量,对各特征值从大到小进行排序,选取其中最大的M个特征值,M为正整数。将该M各特征值对应的曲率图像确定为目标曲率图像。需要说明的是,M具体为预设数量,本领域技术人员可根据实际应用情况,确定预设数量的数值,本发明实施例不作限定。
在一个实施例中,在以手指倾斜角作为旋转角度将手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像之后,还包括:
按照第二目标图像中手指边缘的水平内切线对第二目标图像进行剪裁处理。
具体地,为尽量减少目标图像中产生的环境信息,可在得到第二目标图像时,按照第二目标图像中手指边缘的水平内切线对第二目标图像进行剪裁处理,从而剪裁掉不必要的环境信息,避免了在手续手指静脉识别过程中,环境信息对识别结果产生的影响,有利于提高识别结果的准确度。
本发明还提供一种手指静脉识别装置和手指静脉识别设备对应的实施例。需要说明的是,本发明从两个角度对实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图3为本发明实施例提供的一种手指静脉识别装置的结构图;如图3所示,本发明实施例提供的一种手指静脉识别装置,包括:
提取模块10,用于获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;
计算模块11,用于根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;
输入模块12,用于将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
确定模块13,用于对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。
在一个实施例中,本发明提供的手指静脉识别装置,还包括:
拉伸模块,用于对目标区域图像进行灰度拉伸以完成归一化操作。
在一个实施例中,本发明提供的手指静脉识别装置,还包括:
剪裁模块,用于在以手指倾斜角作为旋转角度将手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像之后,按照第二目标图像中手指边缘的水平内切线对第二目标图像进行剪裁处理。
由于本部分的实施例与方法部分的实施例相互对应,因此本部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。本发明所提供的一种手指静脉识别装置,有益效果与提供的一种手指静脉识别方法的有益效果相同。
图4为本发明实施例提供的一种手指静脉识别设备的结构图。如图4所示,本发明实施例提供的一种手指静脉识别设备,包括存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述任一项的手指静脉识别方法的步骤。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的手指静脉识别方法中的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。
在一些实施例中,手指静脉识别设备还可包括有输入输出接口22、通信接口23、电源24以及通信总线25。
本领域技术人员可以理解,图4中示出的结构并不构成对手指静脉识别设备的限定,可以包括比图示更多或更少的组件。
由于本部分的实施例与方法部分的实施例相互对应,因此本部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。在本发明的一些实施例中,处理器和存储器可通过总线或其它方式连接。
本发明所提供的一种手指静脉识别设备,能够实现如下方法:获取采集到的手指静脉图像,提取手指静脉图像中的目标区域图像;根据预设的各曲率计算角度参数和各窗口尺度超参数,计算目标区域图像对应的多个目标曲率图;将目标区域图像及多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;对多个静脉特征进行特征融合处理以获取目标静脉特征,根据目标静脉特征和预先存储的参照静脉特征对手指静脉图像进行识别。由此可见,本发明将目标区域图像和多个目标曲率图作为多个数据源均输入至第一神经网络模型中,并对输出的多个静脉特征进行特征融合处理以获取到包含有多个数据源信息的目标静脉特征,从而保证了用于识别的目标静脉特征能够更丰富地、细致地体现出手指静脉信息,最终获得更好的手指静脉识别效果,提升用户体验感。
最后,本发明还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种手指静脉识别方法、装置及设备进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种手指静脉识别方法,其特征在于,包括:
获取采集到的手指静脉图像,提取所述手指静脉图像中的目标区域图像;
根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图;
将所述目标区域图像及所述多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
对所述多个静脉特征进行特征融合处理以获取目标静脉特征,根据所述目标静脉特征和预先存储的参照静脉特征对所述手指静脉图像进行识别;
其中,所述根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图具体包括:
通过等间隔采样法预先设置所述各曲率计算角度参数和所述各窗口尺度超参数,建立曲率计算角度参数组和窗口尺度超参数组;
对所述曲率计算角度参数组和所述窗口尺度超参数组中的参数进行排列组合,得到多个曲率计算超参数组;
基于多标准差融合的二维高斯模板分别计算在各所述曲率计算超参数组的条件下,所述目标区域图像对应的曲率图;
从多个所述曲率图中确定出预设数量的所述目标曲率图。
2.根据权利要求1所述的手指静脉识别方法,其特征在于,所述提取所述手指静脉图像中的目标区域图像具体包括:
对所述手指静脉图像进行边缘检测,并通过形态学开运算去除所述手指静脉图像中手指边缘处的噪点以得到第一目标图像;
计算所述第一目标图像的手指倾斜角,以所述手指倾斜角作为旋转角度将所述手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像;
根据窗口统计算法,确定所述第二目标图像中的关节部位及所述目标区域图像的宽度;
利用预先训练完成的第二神经网络模型,计算所述目标区域图像的长度;
根据所述关节部位位置、所述宽度和所述长度对所述第二目标图像进行截取以提取所述目标区域图像。
3.根据权利要求2中所述的手指静脉识别方法,其特征在于,还包括:
对所述目标区域图像进行灰度拉伸以完成归一化操作。
4.根据权利要求2所述的手指静脉识别方法,其特征在于,所述计算所述第一目标图像的手指倾斜角具体包括:
根据所述第一目标图像中的信息,拟合出手指中线;
根据所述手指中线计算所述第一目标图像的手指倾斜角。
5.根据权利要求2所述的手指静脉识别方法,其特征在于,所述以所述手指倾斜角作为旋转角度将所述手指静脉图像中的手指位置矫正至水平方向以得到第二目标图像之后,还包括:
按照所述第二目标图像中手指边缘的水平内切线对所述第二目标图像进行剪裁处理。
6.根据权利要求1所述的手指静脉识别方法,其特征在于,所述从多个所述曲率图中确定出预设数量的目标曲率图具体包括:
计算多个所述曲率图对应的HOG特征序列;
根据PCA主成分分析算法对各所述HOG特征序列进行主成分分析以确定出所述预设数量的所述目标曲率图。
7.根据权利要求1所述的手指静脉识别方法,其特征在于,所述对所述多个静脉特征进行特征融合处理以获取目标静脉特征具体包括:
将所述多个静脉特征作为源数据输入至基于注意力机制的神经网络中;
将唯一的输出静脉特征设定为所述目标静脉特征。
8.一种手指静脉识别装置,其特征在于,包括:
提取模块,用于获取采集到的手指静脉图像,提取所述手指静脉图像中的目标区域图像;
计算模块,用于根据预设的各曲率计算角度参数和各窗口尺度超参数,计算所述目标区域图像对应的多个目标曲率图;
输入模块,用于将所述目标区域图像及所述多个目标曲率图输入至第一神经网络模型中以提取出多个静脉特征;
确定模块,用于对所述多个静脉特征进行特征融合处理以获取目标静脉特征,根据所述目标静脉特征和预先存储的参照静脉特征对所述手指静脉图像进行识别;
其中,所述计算模块,包括:
曲率计算角度参数组和窗口尺度超参数组计算单元,用于通过等间隔采样法预先设置所述各曲率计算角度参数和所述各窗口尺度超参数,建立曲率计算角度参数组和窗口尺度超参数组;
曲率计算超参数组计算单元,用于对所述曲率计算角度参数组和所述窗口尺度超参数组中的参数进行排列组合,得到多个曲率计算超参数组;
曲率图计算单元,用于基于多标准差融合的二维高斯模板分别计算在各所述曲率计算超参数组的条件下,所述目标区域图像对应的曲率图;
目标曲率图计算单元,用于从多个所述曲率图中确定出预设数量的所述目标曲率图。
9.一种手指静脉识别设备,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的手指静脉识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456162.1A CN111612083B (zh) | 2020-05-26 | 2020-05-26 | 一种手指静脉识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456162.1A CN111612083B (zh) | 2020-05-26 | 2020-05-26 | 一种手指静脉识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612083A CN111612083A (zh) | 2020-09-01 |
CN111612083B true CN111612083B (zh) | 2023-05-12 |
Family
ID=72204915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456162.1A Active CN111612083B (zh) | 2020-05-26 | 2020-05-26 | 一种手指静脉识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612083B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861743B (zh) * | 2021-02-20 | 2023-07-14 | 厦门熵基科技有限公司 | 一种掌静脉图像防伪方法、装置和设备 |
CN113516096B (zh) * | 2021-07-29 | 2022-07-19 | 中国工商银行股份有限公司 | 指静脉roi区域提取方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246784B1 (en) * | 1997-08-19 | 2001-06-12 | The United States Of America As Represented By The Department Of Health And Human Services | Method for segmenting medical images and detecting surface anomalies in anatomical structures |
CN1667639A (zh) * | 2004-03-10 | 2005-09-14 | Lg电子有限公司 | 指纹图像的二进制编码方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620501B2 (en) * | 2004-05-06 | 2009-11-17 | Siemens Medical Solutions Usa, Inc. | Artery-vein separation and vessel modeling |
JP5951817B1 (ja) * | 2015-02-09 | 2016-07-13 | コリセン カンパニー リミテッドKorecen Co.,Ltd. | 指静脈認証システム |
CN106326886B (zh) * | 2016-11-07 | 2019-05-10 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法 |
CN107229899B (zh) * | 2017-03-24 | 2020-07-24 | 杭州电子科技大学 | 一种基于二维高斯最大曲率的手指静脉识别方法 |
CN107563294A (zh) * | 2017-08-03 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于自学习的指静脉特征提取方法及系统 |
CN108256456B (zh) * | 2018-01-08 | 2020-04-07 | 杭州电子科技大学 | 一种基于多特征阈值融合的手指静脉识别方法 |
CN108520211A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于手指折痕的手指静脉图像特征的提取方法 |
CN110084238B (zh) * | 2019-04-09 | 2023-01-03 | 五邑大学 | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 |
CN110135253B (zh) * | 2019-04-11 | 2022-05-20 | 重庆工商大学 | 一种基于长期递归卷积神经网络的手指静脉认证方法 |
CN110298273B (zh) * | 2019-06-17 | 2023-04-07 | 深圳大学 | 一种基于多光谱图像的3d指静脉提取方法及系统 |
-
2020
- 2020-05-26 CN CN202010456162.1A patent/CN111612083B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246784B1 (en) * | 1997-08-19 | 2001-06-12 | The United States Of America As Represented By The Department Of Health And Human Services | Method for segmenting medical images and detecting surface anomalies in anatomical structures |
CN1667639A (zh) * | 2004-03-10 | 2005-09-14 | Lg电子有限公司 | 指纹图像的二进制编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612083A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3047426B1 (en) | Feature extraction and matching and template update for biometric authentication | |
Tapia et al. | Gender classification from iris images using fusion of uniform local binary patterns | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
Zhang et al. | Graph fusion for finger multimodal biometrics | |
CN111612083B (zh) | 一种手指静脉识别方法、装置及设备 | |
CN107408195B (zh) | 一种虹膜识别方法及装置 | |
CN104036254A (zh) | 一种人脸识别方法 | |
CN114612941B (zh) | 一种基于掌静脉特征的多模式身份认证方法、装置及系统 | |
CN106529407A (zh) | 一种车载指纹识别方法 | |
CN111461654A (zh) | 一种基于深度学习算法的人脸识别签到方法及装置 | |
CN113673460A (zh) | 用于虹膜识别的方法及装置、终端设备、存储介质 | |
Ilankumaran et al. | Multi-biometric authentication system using finger vein and iris in cloud computing | |
Liu et al. | Iris recognition in visible spectrum based on multi-layer analogous convolution and collaborative representation | |
Shen et al. | CNN-based high-resolution fingerprint image enhancement for pore detection and matching | |
CN109035285B (zh) | 图像边界确定方法及装置、终端及存储介质 | |
Bharadi et al. | Multi-instance iris recognition | |
US7512256B1 (en) | System, method, and computer program product for ridge map formation | |
CN116342968B (zh) | 一种双通道人脸识别方法及装置 | |
Liu et al. | Finger-vein recognition with modified binary tree model | |
CN113516096B (zh) | 指静脉roi区域提取方法及装置 | |
CN106940786B (zh) | 一种基于lle和pso的使用虹膜模版的虹膜重构方法 | |
Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
CN112308044B (zh) | 针对掌静脉图像的图像增强处理方法和掌静脉识别方法 | |
CN109376746A (zh) | 一种图片识别方法及系统 | |
Yani et al. | A robust damaged fingerprint identification algorithm based on deep learning |
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 |