CN111666807B - 一种基于卷积稀疏表示的多源指纹图像融合方法 - Google Patents

一种基于卷积稀疏表示的多源指纹图像融合方法 Download PDF

Info

Publication number
CN111666807B
CN111666807B CN202010309929.8A CN202010309929A CN111666807B CN 111666807 B CN111666807 B CN 111666807B CN 202010309929 A CN202010309929 A CN 202010309929A CN 111666807 B CN111666807 B CN 111666807B
Authority
CN
China
Prior art keywords
cartoon
fingerprint
texture
fingerprint image
components
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
Application number
CN202010309929.8A
Other languages
English (en)
Other versions
CN111666807A (zh
Inventor
王海霞
崔静静
梁荣华
陈朋
刘义鹏
蒋莉
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010309929.8A priority Critical patent/CN111666807B/zh
Publication of CN111666807A publication Critical patent/CN111666807A/zh
Application granted granted Critical
Publication of CN111666807B publication Critical patent/CN111666807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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
    • G06V40/1335—Combining adjacent partial images (e.g. slices) to create a composite input or reference pattern; Tracking a sweeping finger movement
    • 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
    • G06V10/513—Sparse representations
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

一种基于卷积稀疏表示的多源指纹图像融合方法，包括如下步骤：1)获取预先配准好内部和外部指纹图像，采用基于卷积稀疏的形态成分分析模型的稀疏编码得到指纹图像的卡通与纹理分量的稀疏系数图；2)根据指纹图像质量评价指标方向确定度的值，确定权重添加方式，将其添加至两种源指纹图像的卡通与纹理分量中；3)采用基于卷积稀疏表示的融合方法对两种源指纹图像的卡通与纹理分量分别进行融合，由加权平均规则获得卡通与纹理分量的融合系数图，对两种分量的融合系数图进行重建得到融合指纹图像。本发明算法能够保留更多的指纹细节、纹理、边缘信息，保存两种源指纹图像质量较好的区域，得到质量更高的融合指纹图像。

Description

一种基于卷积稀疏表示的多源指纹图像融合方法
技术领域
本发明涉及指纹识别领域，特别涉及一种基于卷积稀疏表示的多源指纹图像融合方法。
背景技术
因为指纹的唯一性、永久性以及便于采集等特性，指纹识别特征当前已经成为个人身份识别应用最广泛的生物识别特征；目前身份识别应用中使用最多的是表皮层指纹，也即人眼所能看到的指尖表皮的外部指纹，因为指尖皮肤存在于皮肤的表面，很容易受到外部环境的影响，当指尖表面皮肤受到污渍和汗水等污染或者遭受磨损和划伤等带来不可修复的损伤时，会破坏指纹的纹理结构，无法进行指纹识别任务，进而影响身份识别。此外，外部指纹图像的安全性不高，硅胶等材料就能获取到外部指纹，很容易受到指纹欺骗攻击。
内部指纹的获取和使用可以缓解外部指纹的缺点，实际上，手指表皮的指纹脊线是由手指内部结构产生的，皮肤从外到内分为三层：表皮、真皮以及皮下组织，真皮与表皮的交界处存在着乳头层(真皮乳头)，它是指纹结构的来源，其形状是由表皮组织向真皮组织收缩打皱形成的。外部指纹就是该层起伏特征的精确复制品。因此，乳头交界处和外部指纹具有相同的结构,也即内部指纹和外部指纹具有相同的结构。内部指纹是通过光学相干断层扫描(OCT)技术完成的。OCT用于扫描内部皮肤特征，仪器发出的光可以穿过角质层、表皮层直到乳头层，因此可以检测并提取到内部指纹。
外部指纹易磨损划伤，内部指纹位于皮下1-3毫米，不易受外界环境影响，可以很好的保持脊线、谷线的完整性和连续性，但外部指纹在未划伤区域具有更清晰的脊谷结构和相对较高的对比度。
发明内容
为了克服现有外部指纹磨损、划伤造成的指纹无法识别匹配的情况，本发明提出了一种基于卷积稀疏表示的多源指纹图像融合方法，通过融入指纹质量评估指标，将内部指纹和外部指纹的图像信息相结合，保存两种源指纹图像质量较好的区域，提高指纹图像的质量。
为了实现上述目的，本发明采用的技术方案为：
一种基于卷积稀疏表示的多源指纹图像融合方法，包括如下步骤：
1)采用基于卷积稀疏的形态成分分析模型的稀疏编码得到指纹图像的卡通分量和纹理分量的稀疏系数图；
2)根据两种源指纹图像质量评价指标方向确定度(Orientation CertaintyLevel)OCL的值，确定权重添加方式添加至两种源指纹图像的卡通分量和纹理分量中；
3)采用基于卷积稀疏表示的融合方法对源指纹图像的卡通分量和纹理分量分别进行融合，由加权平均规则获得卡通分量和纹理分量的融合系数图，然后根据卡通分量和纹理分量的融合系数图进行重建得到融合指纹图像。
进一步，所述步骤1)包括如下步骤：
(11)对指纹图像采用基于卷积稀疏表示的形态成分分析模型的稀疏编码，其中模型定义为：
Figure BDA0002457315420000021
其中，S是整幅图像，dm,c和dm,t分别代表卡通分量和纹理分量的稀疏表示(SR)的两组字典过滤器，它们是使用卷积稀疏表示(CSR)的字典学习方法从卡通图像和纹理图像中独立的预先学习得到的，*代表卷积运算符，xm,c和xm,w分别表示卡通分量和纹理分量的稀疏系数图，为待求值，nc和nw分别表示卡通分量与纹理分量字典过滤器的数量，使用l1-范数用于约束稀疏性，而λc和λw是正则化参数；
(12)让Ik，k∈{1,2}，其中I1和I2分别表示内部指纹图像与外部指纹图像，将式(1)表示的模型应用于源指纹图像，并将模型进行优化得到源指纹图像的卡通分量与纹理分量。
再进一步，所述步骤2)包括如下步骤：
(21)根据两种源指纹图像的方向确定度(Orientation Certainty Level)OCL值，其中OCL的值越小代表指纹图像的质量就越好，确定添加权重的方式，其中权重被定义如下：
Figure BDA0002457315420000031
其中W1和W2分别表示内部指纹与外部指纹在融合过程中所占的权重，OCL1和OCL2分别表示内部指纹与外部指纹的OCL值；
(22)添加OCL权重之后的待融合的源指纹图像的卡通分量和纹理分量分别被定义为：
Figure BDA0002457315420000032
Figure BDA0002457315420000033
其中
Figure BDA0002457315420000034
和/>
Figure BDA0002457315420000035
分别为内部指纹添加权重w1后的卡通分量和纹理分量，/>
Figure BDA0002457315420000036
和
Figure BDA0002457315420000037
为外部指纹添加权重w2后的卡通分量和纹理分量。
更进一步，所述步骤3)包括如下步骤：
(31)两种源指纹图像的初始活动级别映射
Figure BDA0002457315420000038
被定义如下：
Figure BDA0002457315420000039
为了简化符号，采用j(j∈{c,w})通用地表示卡通和纹理分量，
Figure BDA00024573154200000310
和
Figure BDA00024573154200000311
分别表示卡通分量和纹理分量的初始活动级别映射，/>
Figure BDA00024573154200000312
表示包含像素(x,y)处的/>
Figure BDA00024573154200000313
的稀疏的nj维向量；
基于窗口的策略用于提高对误配准和噪声的鲁棒性，最终的活动级别映射
Figure BDA0002457315420000041
被定义如下：
Figure BDA0002457315420000042
其中G为(2rn+1)*(2rn+1)的高斯核函数，
Figure BDA0002457315420000043
和/>
Figure BDA0002457315420000044
分别表示卡通分量和纹理分量的最终活动级别映射，rc和rw分别为卡通分量和纹理分量的窗口半径；
(32)融合系数映射定义为
Figure BDA0002457315420000045
使用加权平均规则得到融合系数映射的表达式如下：
Figure BDA0002457315420000046
其中，
Figure BDA0002457315420000047
和/>
Figure BDA0002457315420000048
分别为固定值0.7和0.3，/>
Figure BDA0002457315420000049
和/>
Figure BDA00024573154200000410
分别表示卡通和纹理的融合系数映射；
(33)将卡通融合系数映射
Figure BDA00024573154200000411
和纹理融合系数映射/>
Figure BDA00024573154200000412
进行重建得到最终的融合指纹图像，其中融合指纹图像定义如下：
Figure BDA00024573154200000413
If是最终的融合指纹图像。
本发明的有益效果为：通过融入指纹质量评估指标，将内部指纹和外部指纹的图像信息相结合，保存两种源指纹图像质量较好的区域，提高指纹图像的质量。
附图说明
图1是本发明算法的流程图；
图2是本发明算法融合得到的融合指纹效果图；其中a图表示本发明用到的光学全反射采集得到的外部指纹，b图表示本发明用到的光学相干断层扫描采集得到的内部指纹，c图表示本发明算法得到的融合指纹图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明：
参见图1和图2，一种基于卷积稀疏表示的多源指纹图像融合方法，包括如下步骤：
1)采用基于卷积稀疏的形态成分分析模型的稀疏编码得到指纹图像的卡通分量和纹理分量的稀疏系数图；包括如下步骤：
(11)采用基于卷积稀疏表示的形态成分分析模型的稀疏编码，其中模型定义为：
Figure BDA0002457315420000051
其中，S是整幅图像，dm,c和dm,t分别代表卡通分量和纹理分量的稀疏表示(SR)的两组字典过滤器，它们是使用卷积稀疏表示(CSR)的字典学习方法从卡通图像和纹理图像中独立的预先学习得到的，*代表卷积运算符，xm,c和xm,w分别表示卡通分量和纹理分量的稀疏系数图，为待求值，nc和nw分别表示卡通分量与纹理分量字典过滤器的数量，使用l1-范数用于约束稀疏性，而λc和λw是正则化参数；
(12)让Ik，k∈{1,2}，其中I1和I2分别表示两种源指纹内部指纹图像与外部指纹图像，将式(1)表示的模型应用于源指纹图像，并进行优化得到源指纹图像的卡通分量与纹理分量；
2)根据两种源指纹图像质量评价指标方向确定度(Orientation CertaintyLevel)OCL的值，确定权重添加方式并将其添加至两种源指纹图像的卡通分量和纹理分量中；包括如下步骤：
(21)根据两种源指纹图像的方向确定度(Orientation Certainty Level)OCL的值，其中OCL的值越小代表指纹图像的质量就越好，确定添加权重的方式，其中权重被定义如下：
Figure BDA0002457315420000061
其中W1和W2分别表示内部指纹与外部指纹在融合过程中所占的权重，OCL1和OCL2分别表示内部指纹与外部指纹的OCL值；
(22)添加OCL权重之后的待融合的源指纹图像的卡通分量和纹理分量分别被定义为：
Figure BDA0002457315420000062
Figure BDA0002457315420000063
其中，
Figure BDA0002457315420000064
和/>
Figure BDA0002457315420000065
分别为内部指纹添加权重w1后的卡通分量和纹理分量，/>
Figure BDA0002457315420000066
和
Figure BDA0002457315420000067
为外部指纹添加权重w2后的卡通分量和纹理分量；
3)采用基于卷积稀疏表示的融合方法对添加过权重的两种源指纹图像的卡通分量和纹理分量分别进行融合，由加权平均规则获得卡通分量和纹理分量的融合系数图；包括如下步骤：
(31)两种源指纹图像的初始活动级别映射
Figure BDA0002457315420000068
被定义如下：
Figure BDA0002457315420000069
为了简化符号，采用j(j∈{c,w})通用地表示卡通和纹理分量，
Figure BDA00024573154200000610
和
Figure BDA00024573154200000611
分别表示卡通分量和纹理分量的初始活动级别映射，/>
Figure BDA00024573154200000612
表示包含像素(x,y)处的/>
Figure BDA00024573154200000613
的稀疏的nj维向量；
基于窗口的策略用于提高对误配准和噪声的鲁棒性，最终的活动级别映射
Figure BDA00024573154200000614
被定义如下：
Figure BDA00024573154200000615
其中G为(2rn+1)*(2rn+1)的高斯核函数。
Figure BDA00024573154200000616
和/>
Figure BDA00024573154200000617
分别表示卡通分量和纹理分量的最终活动级别映射，rc和rw分别为卡通分量和纹理分量的窗口半径；
(32)融合系数映射定义为
Figure BDA0002457315420000071
使用加权平均规则得到融合系数映射的表达式如下：
Figure BDA0002457315420000072
其中，
Figure BDA0002457315420000073
和/>
Figure BDA0002457315420000074
分别为固定值0.7和0.3，/>
Figure BDA0002457315420000075
和/>
Figure BDA0002457315420000076
分别表示两种源指纹图像卡通和纹理的融合系数映射；
(33)将卡通融合系数映射
Figure BDA0002457315420000077
和纹理融合系数映射/>
Figure BDA0002457315420000078
进行重建得到最终的融合指纹图像，其中融合指纹图像定义如下：
Figure BDA0002457315420000079
If是最终的融合指纹图像。

Claims (4)

1.一种基于卷积稀疏表示的多源指纹图像融合方法，其特征在于，所述方法包括如下步骤：
1)采用基于卷积稀疏的形态成分分析模型的稀疏编码得到指纹图像的卡通分量和纹理分量的稀疏系数图；
2)根据两种源指纹图像质量评价指标方向确定度OCL的值，确定权重添加方式并将其添加至源指纹图像的卡通分量和纹理分量中；
3)采用基于卷积稀疏表示的融合方法对源指纹图像的卡通分量和纹理分量分别进行融合，由加权平均规则获得各分量的融合系数图，然后根据各分量的融合系数图进行重建得到融合指纹图像。
2.根据权利要求1所述的基于卷积稀疏表示的多源指纹图像融合方法，其特征在于，所述步骤1)包括如下步骤：
(11)采用基于卷积稀疏表示的形态成分分析模型的稀疏编码，其中模型定义为：
Figure FDA0004090680470000011
其中，S是整幅图像，dm,c和dm,w分别代表卡通分量和纹理分量的稀疏表示SR的两组字典过滤器，xm,c和xm,w分别表示卡通分量和纹理分量的稀疏系数图，nc和nw分别表示卡通分量与纹理分量字典过滤器的数量，λc和λw是正则化参数，该模型将图像分解成卡通分量与纹理分量；
(12)让Ik，k∈{1,2}，其中I1和I2分别表示内部指纹与外部指纹图像，将式(1)表示的模型应用于两种指纹图像，并将模型进行优化分别得到两种指纹图像的卡通分量与纹理分量。
3.根据权利要求1或2所述的基于卷积稀疏表示的多源指纹图像融合方法，其特征在于，所述步骤2)包括如下步骤：
(21)根据两种源指纹图像的方向确定度OCL的值，其中OCL的值越小代表指纹图像的质量就越好，确定添加权重的方式，其中权重被定义如下：
Figure FDA0004090680470000021
其中W1和W2分别表示内部与外部指纹在融合过程中所占的权重，OCL1和OCL2分别表示内部指纹与外部指纹的OCL值；
(22)添加OCL权重之后的待融合的源指纹图像的卡通分量和纹理分量分别被定义为：
Figure FDA0004090680470000022
Figure FDA0004090680470000023
其中，
Figure FDA0004090680470000024
和/>
Figure FDA0004090680470000025
分别为内部指纹的卡通分量和纹理分量，/>
Figure FDA0004090680470000026
和/>
Figure FDA0004090680470000027
为外部指纹的卡通分量和纹理分量，/>
Figure FDA0004090680470000028
和/>
Figure FDA0004090680470000029
分别为内部指纹添加权重w1后的卡通分量和纹理分量，
Figure FDA00040906804700000210
和/>
Figure FDA00040906804700000211
为外部指纹添加权重w2后的卡通分量和纹理分量。
4.根据权利要求1或2所述的基于卷积稀疏表示的多源指纹图像融合方法，其特征在于，所述步骤3)包括如下步骤：
(31)两种源指纹图像的初始活动级别映射
Figure FDA00040906804700000212
被定义如下：
Figure FDA00040906804700000213
其中，
Figure FDA00040906804700000214
表示包含像素(x,y)处的/>
Figure FDA00040906804700000215
的稀疏的nj维向量，j(j∈{c,w})表示卡通和纹理分量；
基于窗口的策略可用于提高对误配准和噪声的鲁棒性，最终的活动级别映射
Figure FDA00040906804700000216
被定义如下：
Figure FDA00040906804700000217
其中，G为(2rn+1)*(2rn+1)的高斯核函数；
(32)融合系数映射定义为
Figure FDA00040906804700000218
使用加权平均规则得到融合系数映射的表达式如下：
Figure FDA0004090680470000031
其中，wk*和w1-k*分别为固定值0.7和0.3，
Figure FDA0004090680470000032
和/>
Figure FDA0004090680470000033
分别表示卡通和纹理的融合系数映射；
(33)将卡通融合系数映射
Figure FDA0004090680470000034
和纹理融合系数映射/>
Figure FDA0004090680470000035
进行重建得到最终的融合指纹图像；
Figure FDA0004090680470000036
If是最终的融合指纹图像。
CN202010309929.8A 2020-04-20 2020-04-20 一种基于卷积稀疏表示的多源指纹图像融合方法 Active CN111666807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309929.8A CN111666807B (zh) 2020-04-20 2020-04-20 一种基于卷积稀疏表示的多源指纹图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309929.8A CN111666807B (zh) 2020-04-20 2020-04-20 一种基于卷积稀疏表示的多源指纹图像融合方法

Publications (2)

Publication Number Publication Date
CN111666807A CN111666807A (zh) 2020-09-15
CN111666807B true CN111666807B (zh) 2023-06-30

Family

ID=72382640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309929.8A Active CN111666807B (zh) 2020-04-20 2020-04-20 一种基于卷积稀疏表示的多源指纹图像融合方法

Country Status (1)

Country Link
CN (1) CN111666807B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560813B (zh) * 2021-02-19 2021-05-25 深圳阜时科技有限公司 窄条形指纹的识别方法、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007019687A (ja) * 2005-07-06 2007-01-25 Rikogaku Shinkokai Ｃｓｒｂｆを用いる画像処理方法
CN106960191A (zh) * 2017-03-23 2017-07-18 深圳汇通智能化科技有限公司 一种指纹识别系统
CN110555820A (zh) * 2019-08-28 2019-12-10 西北工业大学 基于卷积神经网络和动态引导滤波的图像融合方法
CN110706156A (zh) * 2019-09-16 2020-01-17 昆明理工大学 基于多成分分析和残差补偿的图像融合与超分辨率重建联合实现方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055063B2 (en) * 2016-05-02 2021-07-06 Marvell Asia Pte, Ltd. Systems and methods for deep learning processor
US10366322B2 (en) * 2017-10-06 2019-07-30 DeepCube LTD. System and method for compact and efficient sparse neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007019687A (ja) * 2005-07-06 2007-01-25 Rikogaku Shinkokai Ｃｓｒｂｆを用いる画像処理方法
CN106960191A (zh) * 2017-03-23 2017-07-18 深圳汇通智能化科技有限公司 一种指纹识别系统
CN110555820A (zh) * 2019-08-28 2019-12-10 西北工业大学 基于卷积神经网络和动态引导滤波的图像融合方法
CN110706156A (zh) * 2019-09-16 2020-01-17 昆明理工大学 基于多成分分析和残差补偿的图像融合与超分辨率重建联合实现方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐川 ; 端木春江 ; .基于卡通纹理分解和稀疏表示的图像超分辨率重建.软件工程.2016,(05),全文. *
李鑫翔 ; 张龙波 ; 王雷 ; 周晓宇 ; .基于CSR-MCA的图像融合方法.智能计算机与应用.2019,(06),全文. *
杨默远 ; 李凡 ; 谢明鸿 ; 张亚飞 ; 李华锋 ; .卷积稀疏表示图像融合与超分辨率联合实现.光学技术.2020,(02),全文. *
陈朋 ; 于洋 ; 马灵涛 ; 王海霞 ; 梁荣华 ; .自适应的OCT内外部指纹提取算法.计算机辅助设计与图形学学报.2019,(06),全文. *

Also Published As

Publication number Publication date
CN111666807A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
US9317761B2 (en) Method and an apparatus for determining vein patterns from a colour image
Bossen et al. Internal fingerprint identification with optical coherence tomography
Liu et al. Biometric mapping of fingertip eccrine glands with optical coherence tomography
CN102542281B (zh) 非接触式生物特征识别方法和系统
CN107862282A (zh) 一种手指静脉识别与安全认证方法及其终端及系统
US9384404B2 (en) Apparatus and method for capturing a vital vascular fingerprint
CN107123027A (zh) 一种基于深度学习的化妆品推荐方法及系统
CN107016326A (zh) 从生物材料的样品提取形态特征的方法
CN110298273B (zh) 一种基于多光谱图像的3d指静脉提取方法及系统
CN110334566B (zh) 一种基于三维全卷积神经网络的oct内外指纹提取方法
CN111666807B (zh) 一种基于卷积稀疏表示的多源指纹图像融合方法
CN112288645A (zh) 一种颅骨面貌复原模型构建方法及复原方法与系统
Wang et al. Acquisition and extraction of surface and internal fingerprints from optical coherence tomography through 3D fully convolutional network
Wang et al. External and internal fingerprint extraction based on optical coherence tomography
CN114529950A (zh) 指静脉识别方法、装置、计算机可读存储介质及设备
Liu et al. Layer segmentation of OCT fingerprints with an adaptive Gaussian prior guided transformer
Ding et al. End-to-end surface and internal fingerprint reconstruction from optical coherence tomography based on contour regression
Zhang et al. Sweat gland extraction from optical coherence tomography using convolutional neural network
Agarwal et al. A review on vein biometric recognition using geometric pattern matching techniques
CN110443217A (zh) 一种基于多光谱的指纹防伪方法及系统
Putri et al. Retracted: Implementation of Neural Network Classification for Diabetes Mellitus Prediction System through Iridology Image
CN114862696A (zh) 一种基于轮廓和语义引导的人脸图像修复方法
Jayabharathy et al. Detection and classification of malignant melanoma and benign skin lesion using CNN
CN114332278A (zh) 一种基于深度学习的octa图像运动矫正方法
da Costa et al. Biometric identification with 3D fingerprints acquired through optical coherence tomography.

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