CN112036382A - 一种基于地形点分类的指静脉特征提取及识别方法和装置 - Google Patents
一种基于地形点分类的指静脉特征提取及识别方法和装置 Download PDFInfo
- Publication number
- CN112036382A CN112036382A CN202011213000.1A CN202011213000A CN112036382A CN 112036382 A CN112036382 A CN 112036382A CN 202011213000 A CN202011213000 A CN 202011213000A CN 112036382 A CN112036382 A CN 112036382A
- Authority
- CN
- China
- Prior art keywords
- finger vein
- feature
- image
- vein image
- topographic
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
-
- 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
本发明涉及一种基于地形点分类的指静脉特征提取及识别方法和装置,该方法包括以下步骤:1)采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;2)分别对指静脉图像进行图像尺寸归一化处理;3)对指静脉图像进行边界裁剪;4)基于数字高程模型中的连接性值和曲率微分两个局部参数对指静脉图像进行地形特性点提取,对地形特性点进行分类,获取指静脉特征;5)对指静脉特征进行特征装配;6)对指静脉特征进行平移校准纠正;7)对注册指静脉特征和验证指静脉图像的重叠区域进行滑窗相似度计算,完成注册指静脉特征和验证指静脉图像的比对。本发明解决了现有指静脉技术对于低质量、存在缩放和旋转的指静脉图像的识别效果不佳的问题。
Description
技术领域
本发明属于图像识别及处理技术领域,尤其涉及一种基于地形点分类的指静脉特征提取及识别方法及装置。
背景技术
指静脉识别技术是一种新的生物特征识别技术,由于它具有极高的安全性,受到市场越来越多的关注。指静脉识别技术分为指静脉的特征提取技术和指静脉的特征比对技术。目前常用的指静脉特征提取技术包括:指静脉骨架线提取技术、指静脉特征点提取技术和指静脉二值化提取技术,这些特征提取技术对指静脉的图像质量有较高的要求,不能容忍指静脉图像较为模糊的低质量图像。目前常用的指静脉特征比对技术包括:指静脉骨架线比对技术、指静脉特征点比对技术和指静脉二值化比对技术,这些特征比对技术对指静脉图像的一致性有较高的要求,不能容忍指静脉图像有较大的缩放和旋转的情况。
现有指静脉特征提取和识别技术如专利号为CN101840511B公开的一种指静脉特征提取与匹配识别方法,包括通过红外图像采集装置获取指静脉图像,并对图像进行预处理,特征提取,识别分析步骤;所述预处理包括彩色图像进行灰度化、手指区域提取、采用方向滤波和增强、按照手指轮廓标记提取指静脉纹路并二值化、采用面积消除法去噪、将图像的大小标准化为统一的图像;特征提取的方法为:对指静脉纹路图进行子块划分,对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取;识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。
现有的指静脉图像提取技术中,所提取的静脉信息维度为1维或2维,对于低质量指静脉图像的识别效果不佳;现有的指静脉图像识别技术中,对注册指静脉图像和验证指静脉图像的一致性有一定的要求,对指静脉图像存在缩放和旋转情况下的识别性能差。
发明内容
本发明所要解决的技术问题提供一种基于地形点分类的指静脉特征提取及识别方法和装置,以解决现有指静脉图像提取技术中对于低质量指静脉图像的识别效果不佳、现有指静脉图像识别技术对指静脉图像存在缩放和旋转情况下的识别性能差等问题。
为了解决上述技术问题,本发明提供的技术方案为:
一种基于地形点分类的指静脉特征提取及识别方法,其包括以下步骤:
1)采集注册指静脉图像和验证指静脉图像,采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;
2)分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理;
3)分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪;
4)基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;
5)对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配;
6)对注册指静脉特征和验证指静脉特征进行平移校准纠正;
7)对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,当相似度大于设定的阈值时表示比对成功,否则表示比对失败。
优选地,所述步骤1)中采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息的计算公式为:
公式中,
PGk (i,j)为抽取的第k个高斯尺度下的指静脉图像数据;
P(i,j)为采集的指静脉图像数据,指静脉图像数据包括注册指静脉图像或验证指静脉图像数据;
Gk (x,y)为第k个高斯模板函数;
δk为第k个高斯模板函数的标准差;
(i,j)为像素坐标;
x为高斯模板x轴像素坐标;
y为高斯模板y轴像素坐标。
优选地,所述步骤2)中采用双线性插值方法进行尺寸归一化,计算公式为:
公式中,BPGk (m,n)为第k个高斯尺度下的指静脉图像的尺寸归一化后的图像数据。
优选地,所述步骤4)中进行地形特性点提取包括进行四连接和八连接的特性信息提取,四连接是指当前格网的周围四个方向相邻格点连接,八连接是指当前格网的周围八个方向相邻点连接,其具体步骤包括:
4.1)对输入的指静脉图像进行0值的边界扩充;
4.2)对指静脉图像进行四连接时的四向连接性值和曲率微分参数进行计算;
4.3)对指静脉图像进行八连接时的八向连接性值和曲率微分参数进行计算;
4.4)利用指静脉图像的四连接时的四向连接性值和曲率微分参数进行指静脉图像的四连接特征提取;
4.5)利用指静脉图像的八连接时的八向连接性值和曲率微分参数进行指静脉图像的八连接特征提取。
优选地,所述步骤4.2)中,四连接时的四向连接性值的计算公式为:
四连接时的曲率微分参数的计算公式为:
公式(4)和(5)中的m为中心点八向邻接格点中的某格点编号,CN[4,k] i,j为第k个高斯尺度下的指静脉图像的四连接时的四向连接性值,CC[4,k]i,j为第k个高斯尺度下的指静脉图像的四连接时的曲率微分,参数ym的计算方法如下:
设置四连接时的中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3 、H4 、H5 、H6 、H7 和H8,如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0;
所述步骤4.3)中,八连接时的八向连接性值的计算公式为:
八连接时的曲率微分参数的计算公式为:
公式(6)和(7)中m为中心点八向邻接格点中的某格点编号,为中心点八向邻接格
点中的第m个格点的参数值,CN[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的八
向连接性值,CC[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的曲率微分,参数ym
的计算方法如下:
设置中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3、H4、H5、H6 、H7 和H8,则如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0。
优选地,所述步骤4.4)中,四连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[4,k]1和T[4,k]2;
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山顶点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接洼地点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山脊点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山谷点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接上斜坡点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接下斜坡点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接鞍部点,
所述步骤4.5)中,八连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[8,k]1和T[8,k]2;
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山顶点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接洼地点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山脊点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山谷点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接上斜坡点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接下斜坡点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接鞍部点,
优选地,所述步骤5)中注册指静脉特征和验证指静脉特征进行特征装配的具体方式为:将不同高斯尺度下的指静脉图像的四连接地形点分类和八连接地形点分类进行叠加组合装配。
优选地,所述步骤6)中对注册指静脉特征和验证指静脉特征进行平移校准纠正的计算公式包括:
式中:
(rowoffset, coloffset)opt为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量rowoffset和验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量coloffset的最优计算结果;
Fun为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的目标函数;
i为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的行坐标;
j为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的列坐标;
x11~x77为验证指静脉特征featureA与注册指静脉特征featureB的相似度计算表similarTable的模型参数,且相似度计算表similarTable的模型参数具有如下的数学关系similarTable=similarTableT;
rowX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的行坐标搜索范围;
colX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的列坐标搜索范围;
H为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的行数,W为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的列数,picH为验证指静脉特征featureA与注册指静脉特征featureB的行数,picW为验证指静脉特征featureA与注册指静脉特征featureB的列数,rowoffset为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量,coloffset为验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量。
优选地,所述步骤7)中对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算的计算公式为:
式中,
iw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标;
jw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标;
score为验证特征featureA与注册特征featureB的相似度分数,featureAB为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征,Hw为滑窗统计的滑窗行数,Ww为滑窗统计的滑窗列数,Hs为滑窗统计的滑窗行方向的步长,Ws为滑窗统计的滑窗列方向的步长;
若滑窗相似度满足公式(32),则表示验证指静脉图像与注册指静脉图像比对成功,
若滑窗相似度满足公式(33),则表示验证指静脉图像与注册指静脉图像比对失败,
式中,T_S为设定的阈值。
本发明还涉及一种基于地形点分类的指静脉特征提取及识别装置,其包括:
图像采集抽取模块,用于采集注册指静脉图像和验证指静脉图像,采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;
归一化处理模块,用于分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理;
裁剪模块,用于分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪;
指静脉特征提取模块,用于基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;
特征装配模块,用于对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配;
校准纠正模块,用于对注册指静脉特征和验证指静脉特征进行平移校准纠正;
比对模块,用于对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,当相似度大于设定的阈值时表示比对成功,否则表示比对失败。
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、本发明针对现有指静脉技术对于低质量指静脉图像的识别效果不佳的问题,基于数字高程模型中的连接性值和曲率微分两个局部参数提取指静脉地形特性点,即四连接和八连接特征,并对四连接和八连接特征进行组合装配,该方案可提取出指静脉的70维信息量,相对现有指静脉特征提取技术有较大的优势。
2、本发明针对现有的指静脉图像识别技术对注册指静脉图像和验证指静脉图像的一致性有一定的要求,对指静脉图像存在旋转时的识别性能差的问题,基于数字高程模型中的连接性值和曲率微分两个局部参数提取指静脉的四连接和八连接特征,四连接和八连接特征均具有旋转不变性的特性,解决了指静脉识别技术对图像旋转时的适配问题,相对现有指静脉特征提取技术有较大的优势。
3、本发明针对现有的指静脉图像识别技术对注册指静脉图像和验证指静脉图像的一致性有一定的要求,对指静脉图像存在缩放时的识别性能差的问题,基于多尺度高斯滤波器抽取不同尺度的指静脉图像信息,大大提升了指静脉识别技术对图像缩放时的适应能力,相对现有指静脉特征提取技术有较大的优势。
附图说明
图1是本发明指静脉特征提取过程的流程图;
图2是本发明指静脉比对过程的流程图;
图3为本发明基于地形点分类的指静脉特征提取及识别装置的原理框图。
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,但不用来限制本发明的范围。
实施例1
本实施例涉及一种基于地形点分类的指静脉特征提取及识别方法,该方法包括指静脉特征提取和指静脉比对两部分组成,
参照附图1所述,指静脉特征提取包括以下步骤:
1)采集注册指静脉图像和验证指静脉图像,所采集到的图像大小为360*180,采用多尺度高斯滤波器(本实施例采用五尺度高斯滤波器)抽取不同尺度的指静脉图像信息,其计算公式为:
公式中,
PGk (i,j)为抽取的第k个高斯尺度下的指静脉图像数据;
P(i,j)为采集的指静脉图像数据,指静脉图像数据包括注册指静脉图像或验证指静脉图像数据;
Gk (x,y)为第k个高斯模板函数;
δk为第k个高斯模板函数的标准差;
(i,j)为像素坐标;
x为高斯模板x轴像素坐标;
y为高斯模板y轴像素坐标。
本实施例选取的第一尺度高斯滤波器的标准差δ1=1.0,高斯模板窗口Gw1=3;
本实施例选取的第二尺度高斯滤波器的标准差δ2=1.7,高斯模板窗口Gw2=5;
本实施例选取的第三尺度高斯滤波器的标准差δ3=2.5,高斯模板窗口Gw3=7;
本实施例选取的第四尺度高斯滤波器的标准差δ4=3.0,高斯模板窗口Gw4=9;
本实施例选取的第五尺度高斯滤波器的标准差δ5=3.7,高斯模板窗口Gw5=11。
2)分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理,本实施例采用双线性插值方法进行尺寸归一化,计算公式为:
公式中, BPGk (m,n)为第k个高斯尺度下的指静脉图像的尺寸归一化后的图像数据,图像归一化后的图像高度为picH+2Gwk,图像归一化后的图像宽度为picW+2Gwk;
本实施例选取的第一尺度高斯滤波器的标准差δ1=1.0,高斯模板窗口Gw1=3,归一化后的图像大小为126*66;
本实施例选取的第二尺度高斯滤波器的标准差δ2=1.7,高斯模板窗口Gw2=5,归一化后的图像大小为130*70;
本实施例选取的第三尺度高斯滤波器的标准差δ3=2.5,高斯模板窗口Gw3=7,归一化后的图像大小为134*74;
本实施例选取的第四尺度高斯滤波器的标准差δ4=3.0,高斯模板窗口Gw4=9,归一化后的图像大小为138*78;
本实施例选取的第五尺度高斯滤波器的标准差δ5=3.0,高斯模板窗口Gw5=11,归一化后的图像大小为142*82。
3)分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪,裁剪方案为:对归一化后的指静脉图像的四周进行裁剪,裁剪像素的高度和宽度均为Gwk,裁剪后的指静脉图像的高和宽分别为picH和picW;
本实施例选取裁剪后的指静脉图像的高度picH=120,宽度picH=60;
本实施例选取的第一尺度高斯滤波器的标准差δ1=1.0,高斯模板窗口Gw1=3,归一化后的图像大小为126*66,四周裁剪的像素高度和宽度均为3;
本实施例选取的第二尺度高斯滤波器的标准差δ2=1.7,高斯模板窗口Gw2=5,归一化后的图像大小为130*70,四周裁剪的像素高度和宽度均为5;
本实施例选取的第三尺度高斯滤波器的标准差δ3=2.5,高斯模板窗口Gw3=7,归一化后的图像大小为134*74,四周裁剪的像素高度和宽度均为7;
本实施例选取的第四尺度高斯滤波器的标准差δ4=3.0,高斯模板窗口Gw4=9,归一化后的图像大小为138*78,四周裁剪的像素高度和宽度均为9;
本实施例选取的第五尺度高斯滤波器的标准差δ5=3.0,高斯模板窗口Gw5=11,归一化后的图像大小为142*82,四周裁剪的像素高度和宽度均为11。
4)基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;
进行地形特性点提取包括进行四连接和八连接的特性信息提取,具体步骤为:
4.1)对输入的指静脉图像进行0值的边界扩充,扩充后的图像行数为picH+2,扩充后的图像列数为picW+2;
4.2)对指静脉图像进行四连接时的四向连接性值和曲率微分参数进行计算,四连接时的四向连接性值的计算公式为:
四连接时的曲率微分参数的计算公式为:
公式(4)和(5)中的m为中心点八向邻接格点中的某格点编号,CN[4,k] i,j为第k个高斯尺度下的指静脉图像的四连接时的四向连接性值,CC[4,k]i,j为第k个高斯尺度下的指静脉图像的四连接时的曲率微分,参数ym的计算方法如下:
设置四连接时的中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3 、H4 、H5 、H6 、H7 和H8,如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0;
4.3)对指静脉图像进行八连接时的八向连接性值和曲率微分参数进行计算,八连接时的八向连接性值的计算公式为:
八连接时的曲率微分参数的计算公式为:
公式(6)和(7)中m为中心点八向邻接格点中的某格点编号,为中心点八向邻接格
点中的第m个格点的参数值,CN[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的八
向连接性值,CC[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的曲率微分,参数ym
的计算方法如下:
设置中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3、H4、H5、H6 、H7 和H8,则如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0。
4.4)利用指静脉图像的四连接时的四向连接性值和曲率微分参数进行指静脉图像的四连接特征提取,四连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[4,k]1和T[4,k]2;
本实施例选取的第一尺度高斯滤波时的四连接曲率的阈值T[4,1]1=6和T[4,1]2=2;
本实施例选取的第二尺度高斯滤波时的四连接曲率的阈值T[4,2]1=6和T[4,2]2=2;
本实施例选取的第三尺度高斯滤波时的四连接曲率的阈值T[4,3]1=6和T[4,3]2=2;
本实施例选取的第四尺度高斯滤波时的四连接曲率的阈值T[4,4]1=6和T[4,4]2=2;
本实施例选取的第五尺度高斯滤波时的四连接曲率的阈值T[4,5]1=6和T[4,5]2=2;
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山顶点,则设置该点的四连接特征编码为0,即feature[4](i,j)=0,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接洼地点,则设置该点的四连接特征编码为1,即feature[4](i,j)=1,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山脊点,则设置该点的四连接特征编码为2,即feature[4](i,j)=2,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山谷点,则设置该点的四连接特征编码为3,即feature[4](i,j)=3,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接上斜坡点,则设置该点的四连接特征编码为4,即feature[4](i,j)=4,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接下斜坡点,则设置该点的四连接特征编码为5,即feature[4](i,j)=5,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接鞍部点,则设置该点的四连接特征编码为6,即feature[4](i,j)=6,
4.5)利用指静脉图像的八连接时的八向连接性值和曲率微分参数进行指静脉图像的八连接特征提取,八连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[8,k]1和T[8,k]2;
本实施例选取的第一尺度高斯滤波时的八连接曲率的阈值T[4,1]1=10和T[4,1]2=4;
本实施例选取的第二尺度高斯滤波时的八连接曲率的阈值T[4,2]1=10和T[4,2]2=4;
本实施例选取的第三尺度高斯滤波时的八连接曲率的阈值T[4,3]1=10和T[4,3]2=4;
本实施例选取的第四尺度高斯滤波时的八连接曲率的阈值T[4,4]1=10和T[4,4]2=4;
本实施例选取的第五尺度高斯滤波时的八连接曲率的阈值T[4,5]1=10和T[4,5]2=4;
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山顶点,则设置该点的八连接特征编码为0,即feature[8](i,j)=0,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接洼地点,则设置该点的八连接特征编码为1,即feature[8](i,j)=1,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山脊点,则设置该点的八连接特征编码为2,即feature[8](i,j)=2,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山谷点,则设置该点的八连接特征编码为3,即feature[8](i,j)=3,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接上斜坡点,则设置该点的八连接特征编码为4,即feature[8](i,j)=4,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接下斜坡点,则设置该点的八连接特征编码为5,即feature[8](i,j)=5,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接鞍部点,则设置该点的八连接特征编码为6,即feature[8](i,j)=6,
5)对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配,其具体方式如下:将五组不同尺度高斯滤波时得到的四连接地形点分类编码和八连接地形点分类编码进行叠加组合,即针对指静脉图像中的某一点像素的指静脉特征的描述信息维度为5×2×7,共计70维信息。
参照附图2所示,指静脉比对包括以下步骤:
6)对注册指静脉特征和验证指静脉特征进行平移校准纠正,平移校准纠正的计算公式包括:
式中:
(rowoffset, coloffset)opt为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量rowoffset和验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量coloffset的最优计算结果;
Fun为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的目标函数;
i为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的行坐标;
j为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的列坐标;
x11~x77为验证指静脉特征featureA与注册指静脉特征featureB的相似度计算表similarTable的模型参数,且相似度计算表similarTable的模型参数具有如下的数学关系similarTable=similarTableT;
rowX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的行坐标搜索范围;
colX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的列坐标搜索范围;
H为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的行数,W为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的列数,picH为验证指静脉特征featureA与注册指静脉特征featureB的行数,picW为验证指静脉特征featureA与注册指静脉特征featureB的列数。rowoffset为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量,本实施例所选取的取值范围为[-30,30];coloffset为验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量,本实施例所选取的取值范围为[-15,15];
similarTable为验证特征featureA与注册特征featureB的相似度计算表,本实施例选取的相似度计算表为:
7)对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,滑窗相似度计算的计算公式为:
式中,iw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标;
jw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标;
score为验证特征featureA与注册特征featureB的相似度分数,featureAB为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征;Hw为滑窗统计的滑窗行数,本实施例所选取的滑窗行数为40;Ww为滑窗统计的滑窗列数,本实施例所选取的滑窗列数为20;Hs为滑窗统计的滑窗行方向的步长,本实施例所选取的滑窗行方向的步长为2;Ws为滑窗统计的滑窗列方向的步长,本实施例选取的滑窗列方向的步长为1;
当相似度大于设定的阈值时表示比对成功,否则表示比对失败,具体方案如下:若滑窗相似度满足公式(32),则表示验证指静脉图像与注册指静脉图像比对成功,
若滑窗相似度满足公式(33),则表示验证指静脉图像与注册指静脉图像比对失败,
式中,TS为设定的阈值,该值可由采集到的指静脉图像库进行不同类比对测试计算得到,并根据实际应用的安全等级设置不同的阈值,本实施例选取的阈值为千万分之一误识率水平下的阈值,阈值为68。
验证例
本验证例选取的指静脉图像库大小为1万指*10幅/指,并基于同一图像库分别采用常规指静脉识别方法和本发明的基于地形点分类的指静脉特征提取及识别方法进行识别率对比。其中,所述的常规指静脉识别方法流程如下:1)指静脉图像尺寸归一化;2)指静脉图像二值化;3)指静脉特征点提取;4)利用指静脉图像二值化特征或指静脉特征点进行相似度计算。实验发现,常规指静脉识别方法的千万分之一误识率下的识别率为92.4%,而本专利所提出的一种基于地形点分类的指静脉特征提取与比对算法在千万分之一误识率下的识别率为99.8%,这充分体现了本发明所提出的一种基于地形点分类的指静脉特征提取与比对方法的巨大优势。
实施例2
参照附图3所示,本实施例涉及一种基于地形点分类的指静脉特征提取及识别装置,其包括:
图像采集抽取模块,用于采集注册指静脉图像和验证指静脉图像,采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;图像采集抽取模块用于实现实施例1步骤1)的功能。
归一化处理模块,用于分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理;归一化处理模块用于实现实施例1步骤2)的功能。
裁剪模块,用于分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪;裁剪模块用于实现实施例1步骤3)的功能。
指静脉特征提取模块,用于基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;指静脉特征提取模块用于实现实施例1步骤4)的功能。
特征装配模块,用于对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配;特征装配模块用于实现实施例1步骤5)的功能。
校准纠正模块,用于对注册指静脉特征和验证指静脉特征进行平移校准纠正;校准纠正模块用于实现实施例1步骤6)的功能。
比对模块,用于对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,当相似度大于设定的阈值时表示比对成功,否则表示比对失败;比对模块实现实施例1步骤7)的功能。
显然,本实施例的指静脉特征提取及识别装置可以作为上述实施例1的指静脉特征提取及识别方法的执行主体,因此能够实现该指静脉特征提取及识别方法所实现的功能。由于原理相同,本文不再赘述。
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 (10)
1.一种基于地形点分类的指静脉特征提取及识别方法,其特征在于:其包括以下步骤:
1)采集注册指静脉图像和验证指静脉图像,采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;
2)分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理;
3)分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪;
4)基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;
5)对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配;
6)对注册指静脉特征和验证指静脉特征进行平移校准纠正;
7)对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,当相似度大于设定的阈值时表示比对成功,否则表示比对失败。
4.根据权利要求1所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤4)中进行地形特性点提取包括进行四连接和八连接的特性信息提取,四连接是指当前格网的周围四个方向相邻格点连接,八连接是指当前格网的周围八个方向相邻格点连接,其具体步骤包括:
4.1)对输入的指静脉图像进行0值的边界扩充;
4.2)对指静脉图像进行四连接时的四向连接性值和曲率微分参数进行计算;
4.3)对指静脉图像进行八连接时的八向连接性值和曲率微分参数进行计算;
4.4)利用指静脉图像的四连接时的四向连接性值和曲率微分参数进行指静脉图像的四连接特征提取;
4.5)利用指静脉图像的八连接时的八向连接性值和曲率微分参数进行指静脉图像的八连接特征提取。
5.根据权利要求4所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤4.2)中,四连接时的四向连接性值的计算公式为:
四连接时的曲率微分参数的计算公式为:
公式(4)和(5)中的m为中心点八向邻接格点中的某格点编号,CN[4,k] i,j为第k个高斯尺度下的指静脉图像的四连接时的四向连接性值,CC[4,k]i,j为第k个高斯尺度下的指静脉图像的四连接时的曲率微分,参数ym的计算方法如下:
设置四连接时的中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3 、H4 、H5 、H6 、H7 和H8,如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0;
所述步骤4.3)中,八连接时的八向连接性值的计算公式为:
八连接时的曲率微分参数的计算公式为:
公式(6)和(7)中m为中心点八向邻接格点中的某格点编号,为中心点八向邻接格
点中的第m个格点的参数值,CN[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的八
向连接性值,CC[8,k]i,j为第k个高斯尺度下的指静脉图像的八连接时的曲率微分,参数ym
的计算方法如下:
设置中心格网单元的指静脉图像的灰度值H0,设其周围八个点的编号分别为H1、H2 、H3、H4、H5、H6 、H7 和H8,则如果Hm≥H0,则ym=1;如果Hm<H0,则ym=0。
6.根据权利要求5所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤4.4)中,四连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[4,k]1和T[4,k]2;
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山顶点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接洼地点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山脊点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接山谷点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接上斜坡点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接下斜坡点,
若四向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为四连接鞍部点,
所述步骤4.5)中,八连接特征提取的具体方式为:
由局部区域的曲率均值动态或全局区域的曲率均值计算第k个高斯尺度下的指静脉图像的四连接曲率的阈值T[8,k]1和T[8,k]2;
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山顶点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接洼地点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山脊点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接山谷点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接上斜坡点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接下斜坡点,
若八向连接性值和曲率微分参数满足以下条件,则表示指静脉图像的第i行和第j列所处的地形特征为八连接鞍部点,
7.根据权利要求4所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤5)中注册指静脉特征和验证指静脉特征进行特征装配的具体方式为:将不同高斯尺度下的指静脉图像的四连接地形点分类和八连接地形点分类进行叠加组合装配。
8.根据权利要求1所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤6)中对注册指静脉特征和验证指静脉特征进行平移校准纠正的计算公式包括:
式中:
(rowoffset, coloffset)opt为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量rowoffset和验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量coloffset的最优计算结果;
Fun为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的目标函数;
i为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的行坐标;
j为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域特征featureAB的相似度统计的列坐标;
x11~x77为验证指静脉特征featureA与注册指静脉特征featureB的相似度计算表similarTable的模型参数,且相似度计算表similarTable的模型参数具有如下的数学关系similarTable=similarTableT;
rowX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的行坐标搜索范围;
colX为验证指静脉特征featureA与注册指静脉特征featureB的平移校准纠正的列坐标搜索范围;
H为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的行数,W为验证指静脉特征featureA与注册指静脉特征featureB经平移校准纠正后的重叠区域的列数,picH为验证指静脉特征featureA与注册指静脉特征featureB的行数,picW为验证指静脉特征featureA与注册指静脉特征featureB的列数,rowoffset为验证指静脉特征featureA相对于注册指静脉特征featureB的行偏移量,coloffset为验证指静脉特征featureA相对于注册指静脉特征featureB的列偏移量。
9.根据权利要求8所述的基于地形点分类的指静脉特征提取及识别方法,其特征在于:所述步骤7)中对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算的计算公式为:
式中,
iw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的行坐标;
jw为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征featureAB的滑窗相似度统计的列坐标;
score为验证特征featureA与注册特征featureB的相似度分数,featureAB为验证特征featureA与注册特征featureB经平移校准纠正后的重叠区域特征,Hw为滑窗统计的滑窗行数,Ww为滑窗统计的滑窗列数,Hs为滑窗统计的滑窗行方向的步长,Ws为滑窗统计的滑窗列方向的步长;
若滑窗相似度满足公式(32),则表示验证指静脉图像与注册指静脉图像比对成功,
若滑窗相似度满足公式(33),则表示验证指静脉图像与注册指静脉图像比对失败,
式中,TS为设定的阈值。
10.一种基于地形点分类的指静脉特征提取及识别装置,其特征在于:其包括:
图像采集抽取模块,用于采集注册指静脉图像和验证指静脉图像,采用多尺度高斯滤波器抽取不同尺度的指静脉图像信息;
归一化处理模块,用于分别对抽取到的不同高斯尺度下的注册指静脉图像和验证指静脉图像进行图像尺寸归一化处理;
裁剪模块,用于分别对归一化处理后的注册指静脉图像和验证指静脉图像进行边界裁剪;
指静脉特征提取模块,用于基于数字高程模型中的连接性值和曲率微分两个局部参数对裁剪后的注册指静脉图像和验证指静脉图像进行地形特性点提取,对地形特性点进行分类,获取注册指静脉图像的注册指静脉特征和验证指静脉图像的验证指静脉特征;
特征装配模块,用于对不同高斯尺度下的注册指静脉特征和验证指静脉特征进行特征装配;
校准纠正模块,用于对注册指静脉特征和验证指静脉特征进行平移校准纠正;
比对模块,用于对校准纠正后的指静脉特征的重叠区域进行滑窗相似度计算,当相似度大于设定的阈值时表示比对成功,否则表示比对失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213000.1A CN112036382A (zh) | 2020-11-04 | 2020-11-04 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213000.1A CN112036382A (zh) | 2020-11-04 | 2020-11-04 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036382A true CN112036382A (zh) | 2020-12-04 |
Family
ID=73572756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011213000.1A Pending CN112036382A (zh) | 2020-11-04 | 2020-11-04 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036382A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639560A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 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 |
CN115311691A (zh) * | 2022-10-12 | 2022-11-08 | 山东圣点世纪科技有限公司 | 一种基于腕部静脉和腕部纹理的联合识别方法 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
CN108596951A (zh) * | 2018-03-30 | 2018-09-28 | 西安电子科技大学 | 一种融合特征的目标跟踪方法 |
CN108830237A (zh) * | 2018-06-21 | 2018-11-16 | 北京师范大学 | 一种人脸表情的识别方法 |
CN108960181A (zh) * | 2018-07-17 | 2018-12-07 | 东南大学 | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 |
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN111178369A (zh) * | 2019-12-11 | 2020-05-19 | 中国科学院苏州生物医学工程技术研究所 | 一种医学影像的识别方法及系统、电子设备、存储介质 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 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 |
-
2020
- 2020-11-04 CN CN202011213000.1A patent/CN112036382A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163283A (zh) * | 2011-05-25 | 2011-08-24 | 电子科技大学 | 一种基于局部三值模式的人脸特征提取方法 |
CN108596951A (zh) * | 2018-03-30 | 2018-09-28 | 西安电子科技大学 | 一种融合特征的目标跟踪方法 |
CN108830237A (zh) * | 2018-06-21 | 2018-11-16 | 北京师范大学 | 一种人脸表情的识别方法 |
CN108960181A (zh) * | 2018-07-17 | 2018-12-07 | 东南大学 | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 |
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN111178369A (zh) * | 2019-12-11 | 2020-05-19 | 中国科学院苏州生物医学工程技术研究所 | 一种医学影像的识别方法及系统、电子设备、存储介质 |
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 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 |
Non-Patent Citations (1)
Title |
---|
邓潇潇: "基于DEM的控制网的自动生成", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639560A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 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 |
CN115311691A (zh) * | 2022-10-12 | 2022-11-08 | 山东圣点世纪科技有限公司 | 一种基于腕部静脉和腕部纹理的联合识别方法 |
CN115311691B (zh) * | 2022-10-12 | 2023-02-28 | 山东圣点世纪科技有限公司 | 一种基于腕部静脉和腕部纹理的联合识别方法 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
CN115578760B (zh) * | 2022-11-15 | 2023-05-30 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639559B (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 | |
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN112036382A (zh) | 一种基于地形点分类的指静脉特征提取及识别方法和装置 | |
CN108694393A (zh) | 一种基于深度卷积的证件图像文本区域提取方法 | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN104156730B (zh) | 一种基于骨架的抗噪声汉字特征提取方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
WO2021135533A1 (zh) | 一种指静脉超大用户量下的高速检索算法及识别设备 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 | |
CN111639560B (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 | |
CN112101319B (zh) | 一种基于地形点分类的静脉图像分类方法及装置 | |
CN112132117A (zh) | 一种辅助胁迫检测的融合身份认证系统 | |
Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
CN109523484B (zh) | 一种基于分形特征的手指静脉血管网络修复方法 | |
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 | |
Zhang et al. | Locating Famous Tea's Picking Point Based on Shi-Tomasi Algorithm. | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN115439891A (zh) | 一种基于小指纹头、低算力和低存储芯片的指纹识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |