CN112085802A - 一种基于双目摄像头获取三维指静脉图像的方法 - Google Patents

一种基于双目摄像头获取三维指静脉图像的方法 Download PDF

Info

Publication number
CN112085802A
CN112085802A CN202010721463.2A CN202010721463A CN112085802A CN 112085802 A CN112085802 A CN 112085802A CN 202010721463 A CN202010721463 A CN 202010721463A CN 112085802 A CN112085802 A CN 112085802A
Authority
CN
China
Prior art keywords
image
finger vein
pixel
value
finger
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
Application number
CN202010721463.2A
Other languages
English (en)
Inventor
冯定忠
陈威慧
张烨
李衎
樊一超
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 CN202010721463.2A priority Critical patent/CN112085802A/zh
Publication of CN112085802A publication Critical patent/CN112085802A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种基于双目摄像头获取三维指静脉图像的方法，包括：步骤一，采集双目视觉下的指静脉图像，利用双目摄像头获取不同测试者的同一根手指的两幅指静脉图像；步骤二，预处理指静脉图像，对指静脉图像的预处理主要包括图像灰度化、图像双边滤波、图像增强、图像二值化以及图像指静脉纹路的细化；步骤三，对二维指静脉图像进行三维重构，包括：(1)使用张氏标定法，获取双目摄像机的内外参数；(2)利用旋转矩阵进行极线校正；(3)通过立体匹配获取视差图；(4)对指静脉图像进行三维重构。本发明减少了计算量，可快速、便捷得到精准、细致的视差图，能较好地用于指静脉识别。

Description

一种基于双目摄像头获取三维指静脉图像的方法
技术领域
本发明涉及一种基于双目摄像头获取三维指静脉图像的方法。
技术背景
目前市场上主要利用二维单目指静脉图像进行指静脉识别，这无形中对识别系统提出了较高要求，而且识别准确性难以保证，系统识别的拒真率、认假率往往也不够理想。此外，二维单目指静脉图像包含的信息往往没有三维指静脉图像的丰富，也不能给指静脉研究者提供具有真实感的视觉效果，不利于研究者对静脉血管三维形态的观察和理解。
发明内容
针对上述问题，本发明提出一种基于双目摄像头获取三维指静脉图像的方法。
本发明首先对双目视觉下的两幅指静脉图像进行采集，然后对指静脉图像进行图像灰度化、图像双边滤波、图像增强、图像二值化以及图像指静脉纹路的细化、细化后毛刺修剪等预处理，接着对预处理后的二维指静脉图像进行三维重构，即先使用张氏标定法获取双目摄像机的内外参数，接着利用旋转矩阵进行左右摄像机坐标系的极线校准，使得两幅指静脉图像平面实现完全共面行对准，再接着通过基于全局匹配的SGBM立体匹配算法获取指静脉图像对应点之间的视差图，最后利用三角测量原理获取指静脉血管的空间点云数据，并使用Origin 9.1处理点云数据，得到指静脉三维重构图。
为实现上述目的，本发明采用以下技术方案：
一种基于双目摄像头获取三维指静脉图像的方法，包括如下步骤：
步骤一，采集双目视觉下的指静脉图像；
利用双目摄像头获取不同测试者的同一根手指的两幅指静脉图像；
步骤二，预处理指静脉图像；
本发明对指静脉图像的预处理主要包括图像灰度化、图像双边滤波、图像增强、图像二值化以及图像指静脉纹路的细化；
(一)图像的灰度化；
利用加权平均值法对指静脉彩色图像进行灰度化处理；由于人眼对RGB三颜色的感应强弱各不相同，所以本发明对图像任一像素点(i,j)的RGB三颜色进行加权平均处理，即有：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
(二)图像的双边滤波处理；
为了在达到平滑图像的效果之余还能够较好地保护指静脉图像的纹路细节信息，本发明采用双边滤波对相邻像素集内像素进行加权平均来计算某一个像素点的新灰度值，从而降低非结构相似像素对目标像素的影响，即有：
Figure BDA0002600166030000021
其中，
Figure BDA0002600166030000022
Figure BDA0002600166030000023
式中，
Figure BDA0002600166030000024
是双边滤波后的目标像素值；
Figure BDA0002600166030000025
是任意像素q的权重；p是目标像素的位置；q是任意像素的位置；Ip和Iq分别表示p和q的像素值；σs和σr分别表示滤波半径和滤波模糊度；S是(2σs+1)2的相邻像素集大小；
Figure BDA0002600166030000026
是空间距离函数；
Figure BDA0002600166030000027
是像素值距离函数，均使用高斯递减函数来定义，即：
Figure BDA0002600166030000028
Figure BDA0002600166030000029
由此，空间距离||p-q||很小且像素值距离(即颜色距离)||Ip-Iq||很小时，双边滤波后的像素值受影响非常大，反之，空间距离很大的非结构相似像素输出值受影响极小。
(三)图像增强；
本发明利用限制对比度直方图均衡法增强指静脉纹理的对比度。
(四)图像的二值化；
指静脉灰度图经过增强处理后，图像的指静脉纹理特征得到进一步突显，但为了能提取出整个纹路结构、进一步消除图像背景及噪点，本发明利用Niblack动态阈值分割算法对图像增强后的指静脉图像进行二值化处理；
(五)指静脉纹路的细化；
本发明利用边缘点删除与内点保留相结合的迭代细化法对指静脉纹路进行细化，以规避外因素导致的二值化后指静脉纹路粗细不一的问题。
此外，细化后的指静脉图像可能存在一些代表着伪特征的“毛刺”，本发明利用跟踪搜索算法对毛刺进行修剪，以得到优化的指静脉纹路细化图。
步骤三，对二维指静脉图像进行三维重构；
本发明对二维指静脉图像的三维重构的具体流程如下：
(1)使用张氏标定法，获取双目摄像机的内外参数；
首先测量张氏标定板上各标定点的世界坐标，然后使用双目摄像机对标定板进行拍摄，同时测量指静脉图像上标定点像素坐标，接着根据指静脉图像平面和标定板平面的投影矩阵和约束条件建立标定点对应的世界坐标方程，最后结合所有标定点方程，求解双目摄像机的内外参数。
(2)利用旋转矩阵进行极线校正；
在对左右摄像机标定后，即可得到初始透视投影矩阵，本发明在此基础上，结合左右摄像机内参的平均值求得新的内参矩阵，计算出摄像机的投影中心位置以及新的旋转矩阵，完成对左右摄像机坐标系的极线校准。由此使得两幅指静脉图像平面实现完全共面行对准，即得到行对准的校正指静脉图像。
(3)通过立体匹配获取视差图；
本发明通过Python3.5利用OpenCV4.1.2基于全局匹配的StereoSGBM函数匹配行对准的校正指静脉图像的相同特征，得到对应点之间的视差图。
(4)对指静脉图像进行三维重构；
本发明在获得同一手指两幅指静脉图像的特征点之间的三角测量视差值之后，使用相似三角形原理计算指静脉图像深度值，得到指静脉深度图像，即通过两幅指静脉图像特征点之间的坐标和对应关系，得到特征点对的视差值，进而利用三角测量原理获取指静脉血管的空间点云数据，接着利用Origin 9.1处理点云数据，得到指静脉三维重构图。
优选地，步骤(四)所述的指静脉图像进行二值化处理，具体包括：
Niblack动态阈值分割算法利用M×N大小邻域中所有元素，计算出邻域内像素灰度值平均值：
Figure BDA0002600166030000031
标准方差：
Figure BDA0002600166030000032
然后将灰度值均值和标准方差进行权值相加处理，最后将所得灰度值作为判决阈值，进行二值化，得到手势图像的二值特征图；即有：
H(i,j)＝α×k(i,j)+β×s(i,j) (9)
其中，t(i,j)为综合滤波处理后M×N邻域中的像素灰度值；k(i,j)为灰度值平均值；s(i,j)为标准方差；H(i,j)为阈值；α和β为修正权值，且二者之和为1。
本发明的优点是：
本发明基于双目摄像头，提出了一种利用二维指静脉图像获取三维指静脉图像的方法，其突出特点有：其一，本发明利用二维指静脉细化图进行三维重构，减少了计算量，即在三维重构过程中不需要处理大量的空间散乱点云数据；其二，通过Python3.5利用OpenCV4.1.2基于全局匹配的StereoSGBM函数完成立体匹配，减少人为干预的同时可快速、便捷得到精准、细致的视差图；其三，得到的指静脉三维重构图能较好地用于指静脉识别，杜绝了传统二维指静脉图像识别算法适应性差、信息量过少、无法进行精准识别的问题。
附图说明
图1是本发明的流程图；
图2是本发明的双目摄像头角度呈90°的示意图；
具体实施方式
为了验证本发明提出的方法的可行性和优越性，现结合应用场景对本发明做进一步的阐述：
一种基于双目摄像头获取三维指静脉图像的方法，包括如下步骤：
步骤一，采集双目视觉下的指静脉图像；
利用双目摄像头获取不同测试者的同一根手指的两幅指静脉图像；
步骤二，预处理指静脉图像；
本发明对指静脉图像的预处理主要包括图像灰度化、图像双边滤波、图像增强、图像二值化以及图像指静脉纹路的细化；
(一)图像的灰度化；
利用加权平均值法对指静脉彩色图像进行灰度化处理；由于人眼对RGB三颜色的感应强弱各不相同，所以本发明对图像任一像素点(i,j)的RGB三颜色进行加权平均处理，即有：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
(二)图像的双边滤波处理；
为了在达到平滑图像的效果之余还能够较好地保护指静脉图像的纹路细节信息，本发明采用双边滤波对相邻像素集内像素进行加权平均来计算某一个像素点的新灰度值，从而降低非结构相似像素对目标像素的影响，即有：
Figure BDA0002600166030000041
其中，
Figure BDA0002600166030000042
Figure BDA0002600166030000051
式中，
Figure BDA0002600166030000052
是双边滤波后的目标像素值；
Figure BDA0002600166030000053
是任意像素q的权重；p是目标像素的位置；q是任意像素的位置；Ip和Iq分别表示p和q的像素值；σs和σr分别表示滤波半径和滤波模糊度；S是(2σs+1)2的相邻像素集大小；
Figure BDA0002600166030000054
是空间距离函数；
Figure BDA0002600166030000055
是像素值距离函数，均使用高斯递减函数来定义，即：
Figure BDA0002600166030000056
Figure BDA0002600166030000057
由此，空间距离||p-q||很小且像素值距离(即颜色距离)||Ip-Iq||很小时，双边滤波后的像素值受影响非常大，反之，空间距离很大的非结构相似像素输出值受影响极小。
(三)图像增强；
本发明利用限制对比度直方图均衡法增强指静脉纹理的对比度。
(四)图像的二值化；
指静脉灰度图经过增强处理后，图像的指静脉纹理特征得到进一步突显，但为了能提取出整个纹路结构、进一步消除图像背景及噪点，本发明利用Niblack动态阈值分割算法对图像增强后的指静脉图像进行二值化处理；
Niblack动态阈值分割算法利用M×N大小邻域中所有元素，计算出邻域内像素灰度值平均值：
Figure BDA0002600166030000058
标准方差：
Figure BDA0002600166030000059
然后将灰度值均值和标准方差进行权值相加处理，最后将所得灰度值作为判决阈值，进行二值化，得到手势图像的二值特征图；即有：
H(i,j)＝α×k(i,j)+β×s(i,j) (9)
其中，t(i,j)为综合滤波处理后M×N邻域中的像素灰度值；k(i,j)为灰度值平均值；s(i,j)为标准方差；H(i,j)为阈值；α和β为修正权值，且二者之和为1。
(五)指静脉纹路的细化；
本发明利用边缘点删除与内点保留相结合的迭代细化法对指静脉纹路进行细化，以规避外因素导致的二值化后指静脉纹路粗细不一的问题。
此外，细化后的指静脉图像可能存在一些代表着伪特征的“毛刺”，本发明利用跟踪搜索算法对毛刺进行修剪，以得到优化的指静脉纹路细化图。
步骤三，对二维指静脉图像进行三维重构；
本发明对二维指静脉图像的三维重构的具体流程如下：
(1)使用张氏标定法，获取双目摄像机的内外参数；
首先测量张氏标定板上各标定点的世界坐标，然后使用双目摄像机对标定板进行拍摄，同时测量指静脉图像上标定点像素坐标，接着根据指静脉图像平面和标定板平面的投影矩阵和约束条件建立标定点对应的世界坐标方程，最后结合所有标定点方程，求解双目摄像机的内外参数。
(2)利用旋转矩阵进行极线校正；
在对左右摄像机标定后，即可得到初始透视投影矩阵，本发明在此基础上，结合左右摄像机内参的平均值求得新的内参矩阵，计算出摄像机的投影中心位置以及新的旋转矩阵，完成对左右摄像机坐标系的极线校准。由此使得两幅指静脉图像平面实现完全共面行对准，即得到行对准的校正指静脉图像。
(3)通过立体匹配获取视差图；
本发明通过Python3.5利用OpenCV4.1.2基于全局匹配的StereoSGBM函数匹配行对准的校正指静脉图像的相同特征，得到对应点之间的视差图。
(4)对指静脉图像进行三维重构；
本发明在获得同一手指两幅指静脉图像的特征点之间的三角测量视差值之后，使用相似三角形原理计算指静脉图像深度值，得到指静脉深度图像，即通过两幅指静脉图像特征点之间的坐标和对应关系，得到特征点对的视差值，进而利用三角测量原理获取指静脉血管的空间点云数据，接着利用Origin 9.1处理点云数据，得到指静脉三维重构图。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种基于双目摄像头获取三维指静脉图像的方法，包括如下步骤：
步骤一，采集双目视觉下的指静脉图像；
利用双目摄像头获取不同测试者的同一根手指的两幅指静脉图像；
步骤二，预处理指静脉图像；
对指静脉图像的预处理包括图像灰度化、图像双边滤波、图像增强、图像二值化以及图像指静脉纹路的细化；
(一)图像的灰度化；
对图像任一像素点(i,j)的RGB三颜色进行加权平均处理，即有：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
(二)图像的双边滤波处理；
为了在达到平滑图像的效果之余还能够较好地保护指静脉图像的纹路细节信息，采用双边滤波对相邻像素集内像素进行加权平均来计算某一个像素点的新灰度值，从而降低非结构相似像素对目标像素的影响，即有：
Figure FDA0002600166020000011
其中，
Figure FDA0002600166020000012
Figure FDA0002600166020000013
式中，
Figure FDA0002600166020000014
是双边滤波后的目标像素值；
Figure FDA0002600166020000015
是任意像素q的权重；p是目标像素的位置；q是任意像素的位置；Ip和Iq分别表示p和q的像素值；σs和σr分别表示滤波半径和滤波模糊度；S是(2σs+1)2的相邻像素集大小；Gσs(||p-q||)是空间距离函数；Gσr(||Ip-Iq||)是像素值距离函数，均使用高斯递减函数来定义，即：
Figure FDA0002600166020000016
Figure FDA0002600166020000021
由此，空间距离||p-q||很小且像素值距离(即颜色距离)||Ip-Iq||很小时，双边滤波后的像素值受影响非常大，反之，空间距离很大的非结构相似像素输出值受影响极小；
(三)图像增强；
利用限制对比度直方图均衡法增强指静脉纹理的对比度；
(四)图像的二值化；
为了能提取出整个纹路结构、进一步消除图像背景及噪点，利用Niblack动态阈值分割算法对图像增强后的指静脉图像进行二值化处理；
(五)指静脉纹路的细化；
利用边缘点删除与内点保留相结合的迭代细化法对指静脉纹路进行细化，以规避外因素导致的二值化后指静脉纹路粗细不一的问题；
此外，细化后的指静脉图像可能存在一些代表着伪特征的“毛刺”，利用跟踪搜索算法对毛刺进行修剪，以得到优化的指静脉纹路细化图；
步骤三，对二维指静脉图像进行三维重构；具体包括：
(1)使用张氏标定法，获取双目摄像机的内外参数；
首先测量张氏标定板上各标定点的世界坐标，然后使用双目摄像机对标定板进行拍摄，同时测量指静脉图像上标定点像素坐标，接着根据指静脉图像平面和标定板平面的投影矩阵和约束条件建立标定点对应的世界坐标方程，最后结合所有标定点方程，求解双目摄像机的内外参数；
(2)利用旋转矩阵进行极线校正；
在对左右摄像机标定后，即可得到初始透视投影矩阵，此基础上，结合左右摄像机内参的平均值求得新的内参矩阵，计算出摄像机的投影中心位置以及新的旋转矩阵，完成对左右摄像机坐标系的极线校准。由此使得两幅指静脉图像平面实现完全共面行对准，即得到行对准的校正指静脉图像；
(3)通过立体匹配获取视差图；
通过Python3.5利用OpenCV4.1.2基于全局匹配的StereoSGBM函数匹配行对准的校正指静脉图像的相同特征，得到对应点之间的视差图；
(4)对指静脉图像进行三维重构；
在获得同一手指两幅指静脉图像的特征点之间的三角测量视差值之后，使用相似三角形原理计算指静脉图像深度值，得到指静脉深度图像，即通过两幅指静脉图像特征点之间的坐标和对应关系，得到特征点对的视差值，进而利用三角测量原理获取指静脉血管的空间点云数据，接着利用Origin 9.1处理点云数据，得到指静脉三维重构图。
2.如权利要求1所述的一种基于双目摄像头获取三维指静脉图像的方法，其特征在于：步骤(四)所述的指静脉图像进行二值化处理，具体包括：
Niblack动态阈值分割算法利用M×N大小邻域中所有元素，计算出邻域内像素灰度值平均值：
Figure FDA0002600166020000031
标准方差：
Figure FDA0002600166020000032
然后将灰度值均值和标准方差进行权值相加处理，最后将所得灰度值作为判决阈值，进行二值化，得到手势图像的二值特征图；即有：
H(i,j)＝α×k(i,j)+β×s(i,j) (9)
其中，t(i,j)为综合滤波处理后M×N邻域中的像素灰度值；k(i,j)为灰度值平均值；s(i,j)为标准方差；H(i,j)为阈值；α和β为修正权值，且二者之和为1。
CN202010721463.2A 2020-07-24 2020-07-24 一种基于双目摄像头获取三维指静脉图像的方法 Pending CN112085802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010721463.2A CN112085802A (zh) 2020-07-24 2020-07-24 一种基于双目摄像头获取三维指静脉图像的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010721463.2A CN112085802A (zh) 2020-07-24 2020-07-24 一种基于双目摄像头获取三维指静脉图像的方法

Publications (1)

Publication Number Publication Date
CN112085802A true CN112085802A (zh) 2020-12-15

Family

ID=73735588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010721463.2A Pending CN112085802A (zh) 2020-07-24 2020-07-24 一种基于双目摄像头获取三维指静脉图像的方法

Country Status (1)

Country Link
CN (1) CN112085802A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011333A (zh) * 2021-03-19 2021-06-22 哈尔滨工业大学 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法
CN113076921A (zh) * 2021-04-21 2021-07-06 华南理工大学 一种三维指部生物特征模型的多光谱纹理同步映射方法
CN113269029A (zh) * 2021-04-07 2021-08-17 张烨 一种多模态及多特征的指静脉图像识别方法
CN113658302A (zh) * 2021-08-23 2021-11-16 李帮音 一种三维动画数据处理方法及装置
CN114745533A (zh) * 2022-02-28 2022-07-12 杭州小伴熊科技有限公司 一种空间关键点数据采集极值定准方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868460A (zh) * 2014-03-13 2014-06-18 桂林电子科技大学 基于视差优化算法的双目立体视觉自动测量方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN109766836A (zh) * 2019-01-11 2019-05-17 防灾科技学院 一种指静脉识别解锁方法及系统
CN110751132A (zh) * 2019-11-22 2020-02-04 长春国科医工科技发展有限公司 一种基于双目视觉的手背静脉成像装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103868460A (zh) * 2014-03-13 2014-06-18 桂林电子科技大学 基于视差优化算法的双目立体视觉自动测量方法
CN105956579A (zh) * 2016-05-27 2016-09-21 国创科视科技股份有限公司 融合模糊模板和点特征的手指静脉快速识别方法
CN109766836A (zh) * 2019-01-11 2019-05-17 防灾科技学院 一种指静脉识别解锁方法及系统
CN110751132A (zh) * 2019-11-22 2020-02-04 长春国科医工科技发展有限公司 一种基于双目视觉的手背静脉成像装置及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张祺深: "基于三维点云匹配的手掌静脉识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, 15 July 2015 (2015-07-15), pages 11 - 26 *
朱道明 等: "《建筑安防技术》", 31 January 2013, 东华大学出版社, pages: 173 - 174 *
杨晨曦 等: "基于双目立体视觉的目标物测距研究", 《软件》, vol. 41, no. 1, 15 January 2020 (2020-01-15), pages 128 - 132 *
蓝畋 等: "基于立体标定件的双目视觉目标测量方法", 《软件》, vol. 41, no. 6, 15 June 2020 (2020-06-15), pages 91 - 95 *
谢伟: "《多帧影像超分辨率复原重建关键技术研究》", 31 January 2014, 武汉大学出版社, pages: 86 - 88 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011333A (zh) * 2021-03-19 2021-06-22 哈尔滨工业大学 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法
CN113011333B (zh) * 2021-03-19 2022-11-18 哈尔滨工业大学 基于近红外图像获取最佳静脉穿刺点和方向的系统及方法
CN113269029A (zh) * 2021-04-07 2021-08-17 张烨 一种多模态及多特征的指静脉图像识别方法
CN113269029B (zh) * 2021-04-07 2022-09-13 张烨 一种多模态及多特征的指静脉图像识别方法
CN113076921A (zh) * 2021-04-21 2021-07-06 华南理工大学 一种三维指部生物特征模型的多光谱纹理同步映射方法
CN113076921B (zh) * 2021-04-21 2022-11-18 华南理工大学 一种三维指部生物特征模型的多光谱纹理同步映射方法
CN113658302A (zh) * 2021-08-23 2021-11-16 李帮音 一种三维动画数据处理方法及装置
CN113658302B (zh) * 2021-08-23 2024-04-12 麦应俊 一种三维动画数据处理方法及装置
CN114745533A (zh) * 2022-02-28 2022-07-12 杭州小伴熊科技有限公司 一种空间关键点数据采集极值定准方法及系统
CN114745533B (zh) * 2022-02-28 2024-05-07 杭州小伴熊科技有限公司 一种空间关键点数据采集极值定准方法及系统

Similar Documents

Publication Publication Date Title
CN112085802A (zh) 一种基于双目摄像头获取三维指静脉图像的方法
CN111066065B (zh) 用于混合深度正则化的系统和方法
CN112115953B (zh) 一种基于rgb-d相机结合平面检测与随机抽样一致算法的优化orb算法
CN108596961B (zh) 基于三维卷积神经网络的点云配准方法
CN112381886B (zh) 基于多相机的三维场景重建方法、存储介质及电子设备
CN108510540B (zh) 立体视觉摄像机及其高度获取方法
WO2018171008A1 (zh) 一种基于光场图像的高光区域修复方法
CN110853151A (zh) 一种基于视频的三维立体点集恢复方法
CN111107337B (zh) 深度信息补全方法及其装置、监控系统和存储介质
CN108470178B (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
CN110910431B (zh) 一种基于单目相机多视点三维点集恢复方法
CN110189294A (zh) 基于深度可信度分析的rgb-d图像显著性检测方法
CN108010075B (zh) 一种基于多特征联合的局部立体匹配方法
CN110120013A (zh) 一种点云拼接方法及装置
CN111127556B (zh) 基于3d视觉的目标物体识别和位姿估算方法以及装置
CN110909571B (zh) 一种高精度面部识别空间定位方法
CN113225484B (zh) 快速获取屏蔽非目标前景的高清图片的方法及装置
CN113723432B (zh) 一种基于深度学习的智能识别、定位追踪的方法及系统
Abd Manap et al. Novel view synthesis based on depth map layers representation
Kim et al. Two-phase approach for multi-view object extraction
CN113963107B (zh) 一种基于双目视觉的大型目标三维重建方法及系统
Silva et al. Intrinsic images for dense stereo matching with occlusions
CN111783580B (zh) 基于人腿检测的行人识别方法
CN109493354B (zh) 一种基于多视角图像的目标二维几何外形重构方法
Li et al. The method of detecting nearest distance between obstacles and vehicle tail based on binocular vision system

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