CN111639556B - 一种非均匀插值的手指轴旋转指静脉图像纠正方法 - Google Patents
一种非均匀插值的手指轴旋转指静脉图像纠正方法 Download PDFInfo
- Publication number
- CN111639556B CN111639556B CN202010414621.XA CN202010414621A CN111639556B CN 111639556 B CN111639556 B CN 111639556B CN 202010414621 A CN202010414621 A CN 202010414621A CN 111639556 B CN111639556 B CN 111639556B
- Authority
- CN
- China
- Prior art keywords
- finger vein
- vein image
- finger
- image
- value
- 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
- 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
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
- G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及非均匀插值的手指轴旋转指静脉图像纠正方法,包括以下步骤:采集手指在正常放置、向左轴旋转与向右轴旋转的指静脉图像;采用双边滤波对指静脉图像进行增强处理;计算双边滤波增强后的指静脉图像的最大曲率,确定指静脉中心线;垂直轴方向划分指静脉图像,并确定指静脉图像参考点;将指静脉图像划分为若干个区域、通过比较正常放置的指静脉图像参考点和左、右轴旋转的指静脉图像中各区域内参考点的位置,确定各个区域的纠正方向与计算轴旋转纠正补偿量;根据纠正方向和纠正轴旋转补偿量,对原图进行插值或采样,从而实现指静脉图像的分区纠正。本发明采用非均匀插值对手指轴旋转指静脉图像进行纠正,实现不同区域的不同变换,识别通过率明显提高。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种非均匀插值的手指轴旋转指静脉图像纠正方法。
背景技术
随着指静脉技术的不断发展,许多手指静脉图像处理技术被提出。比如,有关指静脉图像噪声评估与图像算法被提出,意在通过评估注册或验证的图像质量提高指静脉相关的识别性能;有关指静脉图像增强的算法被提出,意在强化指静脉图像中的静脉特征更有利于识别任务的进行;有关指静脉图像变换的算法被提出,意在使得变换后的指静脉图像适应不同的使用环境。上述的这些有关指静脉图像的处理算法,均是在不考虑手指放置角度不同因素下所提出及应用的。如果手指在每次放置的姿势与角度发生了变换,常见平面内手指位移的变换和手指的轴旋转变换,这些因素必定会给识别或验证任务带来十分不利的影响。
手指的轴旋转变换导致的指静脉图像变换较为常见。手指轴旋转亦是手指中3D分布的静脉的轴旋转,因此在通过近红外光照射后摄像头所采集到的指静脉图像必然发生变化,指静脉图像随着手指轴旋转的方向与幅度而呈现出不同的变化。因此,在识别与验证过程中导致了识别通过率不同程度降低。通过手指轴旋转指静脉图像纠正算法可以处理手指轴旋转状态下采集的图像,使处理后的图像更接近手指未发生轴旋转时的图像,从而有效降低手指轴旋转给识别带来的不利影响。
现有技术中,中国发明专利申请CN 109190517 A公开了一种手指静脉图像边缘提取及方向矫正方法,包括以下步骤,进行裁剪去除固有的一些设备干扰;使用sobel水平算子检测出手指的上下轮廓,得到上下边缘点的横纵坐标;检测出噪声/干扰的边缘,去除噪声;分别对上边缘点和下边缘点进行三次曲线拟合,对边缘缺失部分进行插值,得到上边缘曲线C1与下边缘曲线C2;通过C1和C2求解手指的轴向中心线L;根据图像中心线和L的交点确定旋转中心,根据图像中心线和L的角度确定旋转角度,根据旋转中心和角度对原图进行旋转矫正后获得图像处理结果。现有技术对因手指轴旋转导致的指静脉变化的处理过程,针对各图像的各个区域采用相同的算法,导致各个区域的方向变换是一致的,不能完全克服手指旋转带来的缺陷,通过上述纠正方式对图像进行纠正并对纠正后图像进行识别,通过率仍然较低,因此,针对手指放置姿势或角度相关的手指静脉图像的处理方法还有待进一步提升。
发明内容
本发明的目的在于为了解决现有技术中对因手指轴旋转导致的指静脉变化的处理,各区域采用相同的算法,导致方向整体的变换是一致的,图像纠正效果不佳的缺陷,提出一种非均匀插值的手指轴旋转指静脉图像纠正方法。
为了达到目的,本发明提供的技术方案为:
本发明涉及一种非均匀插值的手指轴旋转指静脉图像纠正方法,包括以下步骤:
1)采集手指在正常放置、向左轴旋转及向右轴旋转的指静脉图像;
2)采用双边滤波对指静脉图像进行增强处理;
3)计算双边滤波增强后的指静脉图像的最大曲率,确定指静脉中心线;
4)垂直轴方向划分指静脉图像,并确定指静脉图像参考点;
5)将指静脉图像均匀划分为若干个区域、通过比较正常放置的指静脉图像参考点与左、右轴旋转的指静脉图像中各区域内参考点的位置,确定各个区域的纠正方向与计算轴旋转纠正补偿量;
6)根据纠正方向与轴旋转纠正补偿量,对原图进行插值或采样,从而实现指静脉图像的纠正。
优选地,所述的步骤1)中,向左轴旋转和向右轴旋转的指静脉图像分别是与正常放置的指静脉图像相比,向左与向右轴旋转15°时的指静脉图像。
优选地,所述的步骤2)中采用双边滤波对指静脉图像进行增强处理的公式为:
其中,ID为已经滤波的图像,I(i,j)为对应坐标(i,j)位置的像素,I(k,l)为对应坐标(k,l)位置的像素,w(i,j,k,l)为权重和的归一化,w(i,j,k,l)的计算公式为:
其中,σd为空间平滑参数,σr分为像素平滑参数。
双边滤波能够实现低质量指静脉图像中静脉部分与非静脉部分边缘信息有效增强,既可以更好地从原本不清的静脉图像中区分指静脉,又能够滤除高斯噪声。双边滤波的核函数是空间域核与像素范围域核的综合结果,在图像的平坦区域,像素值变化很小,对应的像素范围域权重接近于1,此时空间域权重起主要作用,相当于进行高斯模糊;在图像的边缘区域,像素值变化很大,像素范围域权重变大,从而保持了边缘的信息。
优选地,所述的步骤3)计算双边滤波增强后的指静脉图像的最大曲率,确定指静脉中心线的具体步骤包括:
3.1)计算指静脉图像中轮廓曲率k(z),在指静脉图像轴向的每一个横截列中,指静脉处曲率值的变化曲线呈现下凹状态,下凹的两个边界对应图像中指静脉的两个边缘位置,指静脉图像中轮廓曲率k(z)的计算公式为:
其中,Pf(z)为静脉图像中的轴向横截列的像素值,z为图像中的对应位置;
3.2)设定阈值,根据阈值在曲率值中确定凹陷部分宽度,曲率凹陷的最值位置为该列静脉中心位置,经过膨胀腐蚀后细化到单像素细线,即指静脉的中点。
双边滤波能够实现低质量指静脉图像中静脉部分与非静脉部分边缘信息有效增强,计算所得图像曲率在静脉与非静脉相接处的值更大,通过这一特点将指静脉图像中静脉部分与非静脉部分区分开来;另外,图像中静脉部分向非静脉部分过度与非静脉部分向静脉部分过度时曲率值的变化趋势也存在着差异,从而可以由此判断出静脉的宽度范围,为指静脉两个边界的确定以及指静脉中线的检测提供了直接的依据,使得后续步骤中所检测的指静脉中心线更准确。
优选地,所述的步骤4)中,确定指静脉图像参考点的具体步骤是:分别针对正常放置、向左轴旋转及向右轴旋转的指静脉图像,采用m条垂直轴方向的分割线将指静脉图像均匀划分成m+1段,m条分割线分别与步骤3)中的中心线产生不同的交点,以这些交点作为判断手指是否旋转及手指旋转方向的指静脉图像参考点,m>2。
优选地,所述步骤5)中,确定纠正方向与计算纠正轴旋转的补偿量的具体步骤包括:
5.1)沿平行轴方向将指静脉图像均匀划分成若干份区域,统计每个区域中指静脉图像参考点,并根据这些参考点的左右轴旋转变换量,计算平均变换量,以该平均变换量作为该区进行插值或采样的依据,平均变换量为正值时进行插值,平均变换量为负值进行采样;
5.2)计算插值或采样的幅度:以处在某一确定区域内所有参考点的左右轴旋转变化量的均值为区域均值,以处在整幅指静脉图像区域内所有参考点的左右轴旋转变化量的均值为总体均值,以某一确定的区域均值与所有区域均值中的最大值与最小值之间差值的比值为归一化值,插值的幅度为区域均值减去总体均值的差值,采样的幅度为归一化值在总体均值中的占比,插值或采样的幅度即为轴旋转的补偿量。
优选地,所述步骤6)中,根据每块沿轴方向划分的区域的插值或采样补偿量,对相应的每一部分进行插值或采样,完成整幅指静脉图像中的非均匀插值操作。
优选地,所述步骤6)中,插值或采样的方式为最近邻元素法,保证了插值或采样后图像的尺寸不变。
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:
本发明将指静脉图像均匀划分为若干个区域、通过比较正常放置的指静脉图像参考点和左、右轴旋转的指静脉图像中各区域内参考点的位置,确定各个区域的纠正方向与计算纠正轴旋转的补偿量,根据各区域纠正方向与纠正轴旋转补偿量,对原图进行插值或采样,即采用非均匀插值对手指轴旋转指静脉图像进行纠正,实现全图中不同区域的不同变换,通过上述纠正方式对图像进行纠正并对纠正后图像进行识别,识别通过率明显提高。
附图说明
图1是非均匀插值的手指轴旋转指静脉图像纠正方法流程图;
图2是手指不同放置姿态示意图;
图3是静脉图像中心线及分割线示意图;
图4是手指轴旋转静脉图像纠正示意图。
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,但不用于限制本发明的范围。
实施例1
结合附图1所示,本发明涉及一种非均匀插值的手指轴旋转指静脉图像纠正方法,包括以下步骤:
1)采用手指左右双侧边相同强度照射近红外光的方式采集手指在正常放置、向左轴旋转与向右轴旋转的指静脉图像,采集指静脉图像时,手指不同放置姿态参照图2所示,其中,图2(a)为手指向左轴旋转放置示意图,图2(b)为手指正常无轴旋转放置示意图,图2(c)为手指向右轴旋转放置示意图,为确保指静脉图像的灰度不受双侧光强不一致带来不利影响,向左轴旋转与向右轴旋转的指静脉图像分别是跟正常放置的指静脉图像相比;向左与向右轴旋转15°时的指静脉图像,采集时可以采集多根手指的多组指静脉图像作为备用。
2)采用双边滤波对指静脉图像进行增强处理,计算公式为:
其中,ID为已经滤波的图像,I(i,j)为对应坐标(i,j)位置的像素,I(k,l)为对应坐标(k,l)位置的像素,w(i,j,k,l)为权重和的归一化,w(i,j,k,l)的计算公式为:
其中,σd为空间平滑参数,σr分为像素平滑参数;
双边滤波能够实现低质量指静脉图像中静脉部分与非静脉部分边缘信息有效增强,既可以更好地从原本不清的静脉图像中区分指静脉,又能够滤除高斯噪声。双边滤波的核函数是空间域核与像素范围域核的综合结果,在图像的平坦区域,像素值变化很小,对应的像素范围域权重接近于1,此时空间域权重起主要作用,相当于进行高斯模糊;在图像的边缘区域,像素值变化很大,像素范围域权重变大,从而保持了边缘的信息。
3)计算双边滤波增强后的指静脉图像的最大曲率,确定指静脉中心线,其具体步骤包括:
3.1)计算指静脉图像中轮廓曲率k(z),在指静脉图像轴向的每一个横截列中,指静脉处曲率值的变化曲线呈现下凹状态,下凹的两个边界对应图像中指静脉的两个边缘位置,指静脉图像中轮廓曲率k(z)的计算公式为:
其中,Pf(z)为静脉图像中的轴向横截列的像素值,z为图像中的对应位置;
3.2)设定阈值,根据阈值在曲率值中确定凹陷部分宽度,曲率凹陷的最值位置为该列静脉中心位置,经过膨胀腐蚀后细化到单像素细线,即指静脉的中点。
双边滤波能够实现低质量指静脉图像中静脉部分与非静脉部分边缘信息有效增强,计算所得图像曲率在静脉与非静脉相接处的值更大,通过这一特点将指静脉图像中静脉部分与非静脉部分区分开来;另外,图像中静脉部分向非静脉部分过度和非静脉部分向静脉部分过度时曲率值的变化趋势也存在着差异,从而可以由此判断出静脉的宽度范围,为指静脉两个边界的确定以及指静脉中线的检测提供了直接的依据,使得后续步骤中所检测的指静脉中心线更准确,手指静脉中心线示意图参照图3(a)。
4)垂直轴方向划分指静脉图像,具体是分别针对正常放置、向左轴旋转及向右轴旋转的指静脉图像,采用8条垂直轴方向的分割线将指静脉图像均匀划分成9段,如图3(c)所示,8条分割线分别与步骤3)中的中心线产生不同的交点,本实施例中,得到对应的交点坐标集合分别记为Pn(x,y)、Pl(x,y)和Pr(x,y),轴旋转过程中沿着轴方向的位置不发生变化并设定为y方向,Pl(x,y)和Pr(x,y)分别与Pn(x,y)中对应的点做差并归一化得到轴旋转后的位置变换量,分别记为Pl′(x,y)与Pr′(x,y),以这些交点作为判断手指是否旋转以及手指旋转方向的指静脉图像参考点。
5)将指静脉图像均匀划分为若干个区域、通过比较正常放置的指静脉图像参考点和左、右轴旋转的指静脉图像中各区域内参考点的位置,确定各个区域的纠正方向与计算轴旋转纠正补偿量,具体步骤包括:
5.1)如图3(b)所示,沿平行轴方向将指静脉图像均匀划分成若干份区域,分割区域示意图如图3(d)所示,统计每个区域中指静脉图像参考点,并根据这些参考点的左右轴旋转变换量,计算平均变换量,即为区域均值,以该平均变换量作为该区进行插值或采样的依据,平均变换量为正值时进行插值,平均变换量为负值进行采样;
5.2)计算插值或采样的幅度:以处在某一确定区域内所有参考点的左右轴旋转变化量的均值为区域均值,以处在整幅指静脉图像区域内所有参考点的左右轴旋转变化量的均值为总体均值,以某一确定的区域均值与所有区域均值中的最大值与最小值之间差值的比值为归一化值,插值的幅度为区域均值减去总体均值的差值,采样的幅度为归一化值在总体均值中的占比,插值或采样的幅度即为轴旋转的补偿量。
6)根据纠正方向与纠正轴旋转补偿量,对原图进行插值或采样,即根据每块沿轴方向划分的区域的插值或采样补偿量,对相应的每一部分进行插值或采样,完成整幅指静脉图像中的非均匀插值操作,从而实现指静脉图像的纠正。为降低因划分区域带来的区域边界差异过大问题,插值或采样的方式为最近邻元素法,保证了插值或采样后图像的尺寸不变,参照图4所示,图4(a)为手指向左轴旋转纠正前与纠正后静脉图像示意图,图4(b)为手指向右轴旋转纠正前与纠正后静脉图像示意图。
应用例
为说明本发明方案的可实施性与有效性,将结合具体实例实施进一步解释。首先,采集600根手指的图像,每一个手指采集一组包含手指正放,手指向左轴旋转15°和手指向右轴旋转15°的图像,并将这些图像分为三组:正常放置组、左旋放置组和右旋放置组。然后,采用本发明的手指轴旋转指静脉图像纠正方法分别处理左轴旋转组与右轴旋转组,得到分区纠正组;同时,采用整幅图统一补偿量的方法分别处理左轴旋转组与右轴旋转组,得到统一纠正组。目前共得到7组图像:正常放置组、左旋放置组纠正前、左旋放置组统一纠正、左旋放置组分区纠正、右旋放置组纠正前、右旋放置组统一纠正及右旋放置组分区纠正。最后,将其余6组分别与正常放置组进行比对。通过比对图中的静脉轮廓、静脉交叉点及静脉端点的相似性,来确定静脉图像为同一根手指,并统计比对通过率,纠正前后比对通过率见表1所示。
表1非均匀插值的手指轴旋转指静脉图像纠正方法比对结果
由表1数据可知,正常放置的图像的比对通过率为99.83%,纠正前的左旋放置图像和右旋放置图像的通过率分别为90.33%和91.83%,明显低于正常放置的图像的通过率。统一纠正后的左旋放置图像和右旋放置图像的通过率分别提升为92.67%和93.33%,通过率均比纠正前的图像的通过率略提升。分区纠正后的左旋放置图像和右旋放置图像的通过率分别提升为99.17%和99.67%,通过率接近于正常放置的图像的通过率。证明了通过本发明涉及的方法对手指轴旋转指静脉图像纠正,分区纠正后的图像几乎与正常放置的图像无差别,能够明显地提高识别通过率。
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 (6)
1.一种非均匀插值的手指轴旋转指静脉图像纠正方法,其特征在于:其包括以下步骤:
1)采集手指在正常放置、向左轴旋转与向右轴旋转的指静脉图像;
2)采用双边滤波对指静脉图像进行增强处理;
3)计算双边滤波增强后的指静脉图像的最大曲率,确定指静脉中心线;
4)垂直轴方向划分指静脉图像,并确定指静脉图像参考点;
5)将指静脉图像均匀划分为若干个区域、通过比较正常放置的指静脉图像参考点与左、右轴旋转的指静脉图像中各区域内参考点的位置,确定各个区域的纠正方向与计算纠正轴旋转的补偿量,具体步骤包括:
5.1)沿平行轴方向将指静脉图像均匀划分成若干份区域,统计每个区域中指静脉图像参考点,并根据这些参考点的左右轴旋转变换量,计算平均变换量,以该平均变换量作为该区进行插值或采样的依据,平均变换量为正值时进行插值,平均变换量为负值进行采样;
5.2)计算插值或采样的幅度:以处在某一确定区域内所有参考点的左右轴旋转变化量的均值为区域均值,以处在整幅指静脉图像区域内所有参考点的左右轴旋转变化量的均值为总体均值,以某一确定的区域均值与所有区域均值中的最大值与最小值之间差值的比值为归一化值,插值的幅度为区域均值减去总体均值的差值,采样的幅度为归一化值在总体均值中的占比,插值或采样的幅度即为轴旋转的补偿量;
6)根据纠正方向与轴旋转纠正补偿量,对原图进行插值或采样,即根据每块沿轴方向划分的区域的插值或采样补偿量,对相应的每一部分进行插值或采样,完成整幅指静脉图像中的非均匀插值操作,从而实现指静脉图像的纠正。
2.根据权利要求1所述的非均匀插值的手指轴旋转指静脉图像纠正方法,其特征在于:所述的步骤1)中,向左轴旋转与向右轴旋转的指静脉图像分别是跟正常放置的指静脉图像相比,向左与向右轴旋转15°时的指静脉图像。
5.根据权利要求1所述的非均匀插值的手指轴旋转指静脉图像纠正方法,其特征在于:所述的步骤4)中,确定指静脉图像参考点的具体步骤是:分别针对正常放置、向左轴旋转及向右轴旋转的指静脉图像,采用m条垂直轴方向的分割线将指静脉图像均匀划分成m+1段,m条分割线分别与步骤3)中的中心线产生不同的交点,以这些交点作为判断手指是否旋转以及手指旋转方向的指静脉图像参考点,m>2。
6.根据权利要求1所述的非均匀插值的手指轴旋转指静脉图像纠正方法,其特征在于:所述步骤6)中,插值或采样的方式为最近邻元素法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414621.XA CN111639556B (zh) | 2020-05-15 | 2020-05-15 | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414621.XA CN111639556B (zh) | 2020-05-15 | 2020-05-15 | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639556A CN111639556A (zh) | 2020-09-08 |
CN111639556B true CN111639556B (zh) | 2023-06-20 |
Family
ID=72330865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414621.XA Active CN111639556B (zh) | 2020-05-15 | 2020-05-15 | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639556B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560590A (zh) * | 2020-11-30 | 2021-03-26 | 安徽澄小光智能科技有限公司 | 利用腕静脉主动识别身份的智能穿戴设备 |
CN114882539B (zh) * | 2022-07-11 | 2022-09-30 | 山东圣点世纪科技有限公司 | 一种静脉图像roi提取方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114335A (zh) * | 2007-07-19 | 2008-01-30 | 南京大学 | 全角度快速指纹识别方法 |
JP2009223526A (ja) * | 2008-03-14 | 2009-10-01 | Ricoh Co Ltd | 画像入力装置及び個人認証装置 |
TWI599964B (zh) * | 2010-09-03 | 2017-09-21 | 國立台灣科技大學 | 手指靜脈辨識系統與方法 |
CN104834923B (zh) * | 2015-06-01 | 2018-05-04 | 西安电子科技大学 | 基于全局信息的指纹图像配准方法 |
CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
CN106156754B (zh) * | 2016-07-29 | 2019-05-31 | 浙江工业大学 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
CN106236016B (zh) * | 2016-08-18 | 2019-02-26 | 皖江新兴产业技术发展中心 | 一种用于静脉显像的原位投影方法 |
US10198782B1 (en) * | 2016-09-15 | 2019-02-05 | Digimarc Corporation | Detecting conflicts between multiple different encoded signals within imagery |
WO2018110558A1 (ja) * | 2016-12-12 | 2018-06-21 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN106919941B (zh) * | 2017-04-26 | 2018-10-09 | 华南理工大学 | 一种三维手指静脉识别方法及系统 |
CN107944379B (zh) * | 2017-11-20 | 2020-05-15 | 中国科学院自动化研究所 | 基于深度学习的眼白图像超分辨率重建与图像增强方法 |
CN109934102B (zh) * | 2019-01-28 | 2020-11-27 | 浙江理工大学 | 一种基于图像超分辨率的指静脉识别方法 |
CN110210297B (zh) * | 2019-04-25 | 2023-12-26 | 上海海事大学 | 报关单图像中文字定位与提取的方法 |
-
2020
- 2020-05-15 CN CN202010414621.XA patent/CN111639556B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN111639556A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428433B (zh) | 一种基于局部阈值的Canny边缘检测算法 | |
CN111639556B (zh) | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 | |
CN110992326B (zh) | 一种qfn芯片引脚图像快速倾斜校正方法 | |
WO2021227331A1 (zh) | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 | |
CN107169979A (zh) | 一种改进Canny算子的图像边缘检测方法 | |
CN109190517B (zh) | 一种手指静脉图像边缘提取及方向矫正方法 | |
CN110909631B (zh) | 一种手指静脉图像roi提取和增强方法 | |
CN102156996A (zh) | 一种图像边缘检测的方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN112837263B (zh) | 一种复杂背景下的身份证信息定位方法 | |
CN110032936B (zh) | 无参数手背静脉最大圆形区域提取方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN115127479A (zh) | 一种基于机器视觉的胶辊螺纹在线检测及修正方法 | |
CN110349094A (zh) | 基于统计离群和自适应双边混合滤波的3d点云去噪方法 | |
CN111524156A (zh) | 一种基于距离变换和角点检测的重叠柑橘分割方法 | |
CN108305268B (zh) | 一种图像分割方法及装置 | |
CN111639560A (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN115439523A (zh) | 一种半导体器件引脚尺寸检测方法、设备及存储介质 | |
CN114037657A (zh) | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN113570654A (zh) | 基于最小外接矩形的汽车表面缝隙尺寸检测方法及其应用 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN116665258A (zh) | 一种手掌图像指缝分割方法 | |
CN113936305B (zh) | 一种手掌识别过程中的中指位置确认方法及特征提取方法 |
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 |