CN112101332B - 一种基于3d指静脉的特征提取和比对方法及装置 - Google Patents

一种基于3d指静脉的特征提取和比对方法及装置 Download PDF

Info

Publication number
CN112101332B
CN112101332B CN202011318097.2A CN202011318097A CN112101332B CN 112101332 B CN112101332 B CN 112101332B CN 202011318097 A CN202011318097 A CN 202011318097A CN 112101332 B CN112101332 B CN 112101332B
Authority
CN
China
Prior art keywords
finger
image
finger vein
point
formula
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
CN202011318097.2A
Other languages
English (en)
Other versions
CN112101332A (zh
Inventor
赵国栋
邱盼盼
李学双
张烜
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.)
Jiangsu Shengdian Century Technology Co ltd
Original Assignee
Beijing Shengdian Cloud Information Technology Co ltd
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 Beijing Shengdian Cloud Information Technology Co ltd filed Critical Beijing Shengdian Cloud Information Technology Co ltd
Priority to CN202011318097.2A priority Critical patent/CN112101332B/zh
Publication of CN112101332A publication Critical patent/CN112101332A/zh
Application granted granted Critical
Publication of CN112101332B publication Critical patent/CN112101332B/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
    • 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
    • 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
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30196—Human being; Person
    • 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3D指静脉的特征提取和比对方法及装置，该特征提取和比对方法包括如下步骤：1）采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像；2）对采集到的指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；3）利用手指静脉的细线图进行指静脉图像三维重建；4）将三维重建之后的指静脉图像进行点云收集，将点云作为对应的手指特征；5）将待测指静脉图像与注册指静脉图像的手指特征进行比对。该方法采集的指静脉图片可以更全面的表示指静脉信息，利用三维重建提取指静脉特征，对手指旋转性能有很强的鲁棒性，提高了识别率，也提高了用户的体验效果。

Description

一种基于3D指静脉的特征提取和比对方法及装置
技术领域
本发明属于信息安全中的生物特征识别技术领域，尤其涉及一种基于3D指静脉的特征提取和比对方法及装置。
背景技术
手指静脉识别技术是第二代生物特征识别的代表性技术，它使用近红外光对手指进行照射，手指静脉血管中的血红蛋白对近红外光相比于骨骼肌肉等区域具有更高的吸收率，因此手指静脉血管纹路在指静脉图像中会形成低灰度区域。手指静脉纹路具有唯一性和稳定性，并且位于人体内部，具有高度的安全性和防伪性。因此可以利用指静脉图像进行个人的身份认证。
目前指静脉识别技术都是二维图像识别，而且在采集手指静脉时只用了一只摄像头，这种情况下采集的手指静脉多是片面的，不能很好的表示整个手指静脉的特征；同时在验证过程中，传统方法多为基于二值图的特征比对方法，如中国专利申请CN110348289A公开的一种基于二值图的手指静脉比对方法，包括：采集近红外光下的手指图像；对采集的手指图像进行预处理，以获取对应的手指静脉二值图；采用FAST算法对手指静脉二值图进行特征点提取；采用梯度直方图对提取的特征点进行向量化描述；基于向量化描述的特征点，计算手指静脉二值图与训练库中所有注册图像之间的匹配距离；通过比较手指静脉二值图与所有注册图像的匹配距离，得到识别结果。
上述比对方法对手指放置姿势要求特别高，特别是在验证时，手指稍微旋转一点，就会导致识别率特别低，有时甚至无法识别。
发明内容
本发明所要解决的技术问题提供一种基于3D指静脉的特征提取和比对方法及装置，以解决传统指静脉比对方法对手指放置姿势要求高和识别率的问题。
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种基于3D指静脉的特征提取和比对方法，其包括以下步骤：
1）采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像， 3D采集装置包括位于手指下方的第一摄像头、位于手指侧方的第二摄像头和位于手指前端的第三摄像头；第一摄像头和第二摄像头各采集一张图像，第三摄像头采集多张不同焦距的图像；
2）对采集到的指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；
3）利用手指静脉的细线图进行指静脉图像三维重建；
4）将三维重建之后的指静脉图像进行点云收集，将点云作为对应的手指特征；
5）将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。
优选地，步骤1）中采集m根手指，每根手指采集n次，每次第一摄像头和第二摄像头各采集一张图像，第三摄像头采集u张不同焦距的图像，从而总共得到m*n*（2 + u）张图像，其中m为大于200的整数，n为大于6的整数，u为大于5的整数；
所述的特征提取和比对方法还包括步骤4-5）的识别阈值确定步骤，具体包括：
4-5.1）划分注册模板和比对特征，即将每根手指的第一根手指特征作为注册模板，将每根手指剩余的n-1个特征作为比对特征；
4-5.2）采用迭代最近点（ICP，Iterative Closest Point）算法对m根手指进行不同类比对，即采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特征和其余手指注册模板对应的点云的距离，取所有距离中最小距离作为识别阈值。
优选地，步骤1）采集时，将手指置于x-y-z三维空间内，手指指尖指向的方向平行于y轴，第一摄像头采集的图像为image1，位于坐标xy平面上， y方向图像大小为L，x方向图像大小为W；第二摄像头采集的图像为image2，位于yz平面上， y方向图像大小为L，z方向图像大小为H；第三摄像头采集的u张图像为红色image3，位于xz平面上， x方向图像大小为W，z方向图像大小为H。
优选地，所述步骤2）获得手指静脉的细线图的具体步骤包括：
2.1）利用Sobel算子对图像在每个方向进行边缘检测，得到二值图B；
2.2）将二值图B与膨胀卷积因子进行卷积得到膨胀后的二值图Gxy；
2.3）对膨胀后的二值图进行细化；
2.4）对细化后的二值图进行去毛刺，即设置阈值T3，当细化后的二值图的分叉线和孤立线的长度小于等于阈值T3，则删除分叉线和孤立线；否则不做任何操作。
优选地，所述步骤2.1）中边缘检测的计算公式为：
Figure 97286DEST_PATH_IMAGE001
Figure 545585DEST_PATH_IMAGE002
Figure 859411DEST_PATH_IMAGE003
式中，A为待处理图像，T1为阈值，
Figure 785778DEST_PATH_IMAGE004
为得到的二值图B的像素值；
所述步骤2.2）中将二值图B与膨胀卷积因子进行卷积的公式为：
Figure 131309DEST_PATH_IMAGE005
式中，Gxy为膨胀后的二值图，设置阈值
Figure 688192DEST_PATH_IMAGE006
，如果
Figure 486384DEST_PATH_IMAGE007
大于等于阈值
Figure 482022DEST_PATH_IMAGE006
，则将此像素 的3*3邻域都填充为1，否则此像素的3*3邻域不做任何操作；
所述步骤2.3）中，对膨胀后的二值图进行细化的公式为：
Figure 682059DEST_PATH_IMAGE008
当二值图像素P 1 的3*3邻域满足公式（5）中的4个全部条件的，则删除该二值图像素P 1 ，式中，N(P 1 )是P 1 周围8个相邻点的值的和，T(P 1 )是P 1 周围8个点0、1轮换的次数，P 2 、P 4 、P 6 、P 8 分别为和P 1 相邻的正上方、右边、正下方、左边的点。
优选地，所述步骤3）利用手指静脉的细线图进行指静脉图像三维重建是以y方向为遍历方向，寻找每个y方向平面的点云，具体步骤包括：
3.1）当y=1时，在图像大小为L*W的图像image1上寻找x轴上面为1的像素，如果找 到a个为1的像素，记录为，
Figure 409844DEST_PATH_IMAGE009
;
3.2）在图像大小为L*H的图像image2上面寻找当y=1时，z轴上面为1的像素，如果 找到b个为1的像素，记录为
Figure 695331DEST_PATH_IMAGE010
；
3.3）在y方向的图像image3上存在
Figure 229081DEST_PATH_IMAGE011
个点，如果在image3上面对应的这
Figure 283625DEST_PATH_IMAGE011
的 点的值为1，则保存此点，否则不保存，进而在y=1的平面上就找到
Figure 244627DEST_PATH_IMAGE012
个点，
Figure 220674DEST_PATH_IMAGE013
，图像 image3通过式（6）计算选取：
Figure 26956DEST_PATH_IMAGE014
式中，L为指静脉图像在y方向的大小，
Figure 201585DEST_PATH_IMAGE015
为在y方向采集的图像张数，i为大于等于 1且小于等于
Figure 67910DEST_PATH_IMAGE015
的整数；
3.4）改变y的取值，y的取值每次增加1，重复步骤3.1）~3.3），直至y=L，在y方向的L 个平面上分别找出
Figure 593569DEST_PATH_IMAGE016
个点云。
优选地，所述步骤4）将三维重建之后的指静脉图进行点云收集，将点云作为对应 的手指特征的具体步骤是：将
Figure 203542DEST_PATH_IMAGE016
个点集聚集到一起，得到k个点组 成的点云，作为此手指的特征。
优选地，所述步骤4-5.2）具体包括：
4-5.2.1）设置阈值T，对注册模板点云中的任意一点，寻找待比对特征点云中和此点距离小于阈值T的点，这2个点称为对应点，从而找到num对对应点集，记作：
Figure 232678DEST_PATH_IMAGE017
Figure 738746DEST_PATH_IMAGE018
为注册模板点云中找到的对应点集，
Figure 217613DEST_PATH_IMAGE019
为待比对特征点云中找到的对应点集，
Figure 631277DEST_PATH_IMAGE020
~
Figure 780498DEST_PATH_IMAGE021
为注册模板特征点云中的
Figure 254205DEST_PATH_IMAGE022
个点，
Figure 223298DEST_PATH_IMAGE023
~
Figure 378336DEST_PATH_IMAGE024
为待比对特征点云中的
Figure 382064DEST_PATH_IMAGE022
个点；
4-5.2.2）通过最小二乘法，进行注册模板点云和待比对特征点云点集的配准，使公式（8）最小，
Figure 26672DEST_PATH_IMAGE025
式中，
Figure 748640DEST_PATH_IMAGE026
为配准最小值，
Figure 504107DEST_PATH_IMAGE027
为旋转矩阵，
Figure 300024DEST_PATH_IMAGE028
为平移矩阵，
Figure 115533DEST_PATH_IMAGE022
为式（7）选择出来的 对应点集对数，i为大于等于1且小于等于
Figure 59219DEST_PATH_IMAGE022
的整数，
Figure 883955DEST_PATH_IMAGE029
和
Figure 596696DEST_PATH_IMAGE030
为式（7）选择出来的点集；
旋转矩阵和平移矩阵的求解步骤为：
4-5.2.2.1）定义两组点的质心
Figure 520790DEST_PATH_IMAGE031
和
Figure 951771DEST_PATH_IMAGE032
，公式为，
Figure 314620DEST_PATH_IMAGE033
式中，i为大于等于1且小于等于
Figure 147446DEST_PATH_IMAGE022
的整数，
Figure 242441DEST_PATH_IMAGE031
为式（7）选择出来的点
Figure 163648DEST_PATH_IMAGE034
进 行求和并求平均的结果，
Figure 330188DEST_PATH_IMAGE032
为式（7）选择出来的点
Figure 955204DEST_PATH_IMAGE035
进行求和并求平均的结果；
4-5.2.2.2）计算两组点和质心的差值
Figure 283417DEST_PATH_IMAGE036
和
Figure 688991DEST_PATH_IMAGE037
，公式为：
Figure 393641DEST_PATH_IMAGE038
式中，
Figure 138744DEST_PATH_IMAGE029
和
Figure 637858DEST_PATH_IMAGE030
为式（7）选择出来的点，i为大于等于1且小于等于
Figure 530728DEST_PATH_IMAGE022
的整数，
Figure 773490DEST_PATH_IMAGE031
和
Figure 373099DEST_PATH_IMAGE032
为式（9）计算出来的结果；
4-5.2.2.3）计算得到旋转矩阵
Figure 308694DEST_PATH_IMAGE027
和平移矩阵
Figure 423280DEST_PATH_IMAGE028
，计算公式为：
Figure 407417DEST_PATH_IMAGE039
式中，
Figure 189428DEST_PATH_IMAGE027
和
Figure 30345DEST_PATH_IMAGE028
为式（8）中需要求解的旋转矩阵和平移矩阵，
Figure 835490DEST_PATH_IMAGE031
和
Figure 420055DEST_PATH_IMAGE032
为式（9）计算出来 的结果，
Figure 56573DEST_PATH_IMAGE040
矩阵为式（12）通过奇异值分解SVD方法分解得到，式（12）如下：
Figure 271654DEST_PATH_IMAGE041
式中，
Figure 95253DEST_PATH_IMAGE036
和
Figure 749088DEST_PATH_IMAGE037
为式（10）计算出来的结果
Figure 177796DEST_PATH_IMAGE042
i为1到
Figure 357586DEST_PATH_IMAGE022
的整数；
通过以上计算，即可计算出旋转矩阵
Figure 199640DEST_PATH_IMAGE027
和平移矩阵
Figure 126007DEST_PATH_IMAGE028
，从而计算出
Figure 409221DEST_PATH_IMAGE026
；
4-5.2.3）重复步骤4-5.2.1）和4-5.2.2)，通过多次迭代，找到众多
Figure 294001DEST_PATH_IMAGE026
中的最小 值，记作
Figure 92192DEST_PATH_IMAGE043
，
Figure 25513DEST_PATH_IMAGE043
为此次比对结果；
4-5.2.4）识别阈值
Figure 225550DEST_PATH_IMAGE044
的确定，通过m根手指不同类之间进行比对，每次比对重复 4-5.2.1）、4-5.2.2)、4-5.2.3），得到
Figure 15652DEST_PATH_IMAGE045
个
Figure 504402DEST_PATH_IMAGE043
结果，找到这些结果的最小值 作为阈值
Figure 772572DEST_PATH_IMAGE044
；
4-5.2.5）识别率跑批测试，将m根手指同类之间进行比对，每次比对重复4- 5.2.1）、4-5.2.2)、4-5.2.3），得到
Figure 92695DEST_PATH_IMAGE046
个
Figure 53698DEST_PATH_IMAGE043
比对结果，如果比对结果小于阈 值
Figure 764165DEST_PATH_IMAGE044
，则成功；否则，则失败；识别率=成功的个数/（
Figure 101605DEST_PATH_IMAGE046
）。
本发明还涉及一种基于3D指静脉的特征提取和比对装置，其包括：
1）采集模块，采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像， 3D采集装置包括位于手指下方的第一摄像头、位于手指侧方的第二摄像头和位于手指前端的第三摄像头；第一摄像头和第二摄像头各采集一张图像，第三摄像头采集多张不同焦距的图像；
2）图像处理模块，用于对采集到的所有指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；
3）三维重建模块，利用手指静脉的细线图进行指静脉图像三维重建；
4）手指特征提取模块，用于将三维重建之后的指静脉图进行点云收集，将点云作为对应的手指特征；
4-5）识别阈值确定模块，将手指特征提取模块得到的手指特征划分为注册模板和待比对特征，采用迭代最近点（ICP，Iterative Closest Point）算法对m根手指进行不同类比对，即采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特征和其余手指注册模板对应的点云的距离，取所有距离的最小距离作为识别阈值；
5）比对模块，将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。
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、本发明在采集手指装置上进行了创新，即采用x-y-z方向3个摄像头进行手指静脉图像的采集，同时，在y方向上的摄像头可以通过调节焦距，采集多张图片用于3D指静脉重建，用此设备采集的图片可以很全面的表示指静脉信息。
2、本发明在特征提取上进行了创新，利用三维重建提取指静脉特征，对手指旋转性能有很强的鲁棒性。
3、本发明在特征比对上进行了创新，即采用基于3D点云的迭代最近点（ICP，Iterative Closest Point）特征比对方法，此方法比对的指静脉特征非常全面，验证时，手指怎么放置都能很大程度上验证成功，从而提高了识别率，也提高了用户的体验效果。
附图说明
图1是3D指静脉的特征提取和识别的流程图；
图2是指静脉3D采集装置示意图；
图3是每根手指采集的（2+u）张图像示意图；
图4是每个y方向平面进行3D重建示意图；
图5指静脉图像三维重建结果示意图；
图6为3D指静脉的特征提取和比对装置的结构框图。
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
参照附图1所示，本发明涉及的基于3D指静脉的特征提取和比对方法，其包括以下步骤：
1）准备一台在x-y-z方向上各有一个摄像头的指静脉3D采集装置，该3D采集装置为在x，y，z方向上各有一个摄像头，如图2所示，手指放上去以后，手指指尖指向的方向平行于y轴，手指下方有一个第一摄像头（摄像头1），手指左侧有一个第二摄像头（摄像头2），手指前端也放有一个第三摄像头（摄像头3），红外灯位于手指上方，当手指放入采集装置时，红外灯亮，手指下方和手指左边的摄像头各拍一张指静脉图，手指顶端的摄像头通过自动变焦，拍摄u个不同焦距的图像，通过该3D采集装置采集m根手指的指静脉图像，m＞200，每根手指采集n次，n＞6，每次第一摄像头和第二摄像头各采集一张图像，第三摄像头采集u张不同焦距的图像，u为大于5的整数。
每次采集的（2+u）张指静脉图像如图3所示，位于手指下方的第一摄像头采集的图像为image1（即z方向的图像），位于坐标xy平面上，y方向图像大小为L，x方向图像大小为W；位于手指左边的摄像头采集的图像为image2（即x方向的图像），位于yz平面上， y方向图像大小为L，z方向图像大小为H；位于手指指尖前端的摄像头采集的u张图像为红色image3（即y方向的图像），位于xz平面上，x方向图像大小为W，z方向图像大小为H，此实施例中，u=10，L=500，W=200，H=200；此实施例中采集手指的数量m=500，每根手指采集n次，n=10，总共得到m*n*（2 + u）张图像。
2）对采集到的所有指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图，1为细线，0为背景，具体步骤如下：
2.1）利用Sobel算子对图像在每个方向进行边缘检测，得到二值图B，边缘检测的计算公式为：
Figure 276235DEST_PATH_IMAGE001
Figure 345822DEST_PATH_IMAGE002
Figure 605902DEST_PATH_IMAGE003
式中，A为待处理图像，T1为阈值，
Figure 481454DEST_PATH_IMAGE004
为得到的二值图B的像素值，本实施例中T1= 32；
2.2）将二值图B与膨胀卷积因子进行卷积得到膨胀后的二值图Gxy，公式为：
Figure 510590DEST_PATH_IMAGE005
式中，Gxy为膨胀后的二值图，设置阈值
Figure 751078DEST_PATH_IMAGE006
，如果
Figure 498455DEST_PATH_IMAGE007
大于等于阈值
Figure 180627DEST_PATH_IMAGE006
，本实施例中
Figure 64270DEST_PATH_IMAGE006
=2，则将此像素的3*3邻域都填充为1，否则此像素的3*3邻域不做任何操作；
2.3）对膨胀后的二值图进行细化，细化的公式为：
Figure 741239DEST_PATH_IMAGE008
当二值图像素P 1 的3*3邻域满足公式（5）中的4个全部条件的，则删除该二值图像素P 1 ，式中，N(P 1 )是P 1 周围8个相邻点的值的和，T(P 1 )是P 1 周围8个点0、1轮换的次数，P 2 、P 4 、P 6 、P 8 分别为和P 1 相邻的正上方、右边、正下方、左边的点；
2.4）对细化后的二值图进行去毛刺，即设置阈值T3，本实施例中，T3=10，当细化后的二值图的分叉线和孤立线的长度小于等于阈值T3，则删除分叉线和孤立线；否则不做任何操作。
3）利用手指静脉的细线图进行指静脉图像三维重建，该步骤是以y方向为遍历方向，寻找每个y方向平面的点云，具体步骤包括：
3.1）当y=1时，在图像大小为500*200的图像image1上寻找x轴上面为1的像素，如 果找到a个为1的像素，记录为，
Figure 710332DEST_PATH_IMAGE009
；
3.2）在图像大小为500*200的图像image2上面寻找当y=1时，z轴上面为1的像素， 如果找到b个为1的像素，记录为
Figure 927686DEST_PATH_IMAGE010
；
3.3）在y方向的图像（图像大小为200*200的图像image3）上存在
Figure 134677DEST_PATH_IMAGE011
个点，如图4 所示，如果在image3上面对应的这
Figure 513706DEST_PATH_IMAGE011
的点的值为1，则保存此点，否则不保存，进而在y=1 的平面上就找到
Figure 235674DEST_PATH_IMAGE012
个点，
Figure 991140DEST_PATH_IMAGE013
，因为image3图像有u张，图像image3通过式（6）计算选 取：
Figure 52637DEST_PATH_IMAGE014
式中，L为指静脉图像在y方向的大小，i为大于等于1且小于等于
Figure 868147DEST_PATH_IMAGE015
的整数；
3.4）改变y的取值，y的取值每次增加1，重复步骤3.1）~3.3），直至y=L，在y方向的L 个平面上分别找出
Figure 77411DEST_PATH_IMAGE016
个点云。指静脉图像三维重建结果示意图如 图5所示。
4）将三维重建之后的指静脉图进行点云收集，将点云作为对应的手指特征，具体 步骤是：将
Figure 574251DEST_PATH_IMAGE016
个点集聚集到一起，得到k个点组成的点云，作为此手 指的特征，进而可以得到500*10=5000个手指特征。
4-5.1）划分注册模板和比对特征，即将每根手指的第一个手指特征作为注册模板，总共500个模板，将每根手指剩余的n-1个特征作为待比对特征，总共500*9=4500个待比对特征。
4-5.2）采用迭代最近点（ICP，Iterative Closest Point）算法对500根手指进行 不同类比对，采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特 征和其余手指注册模板对应的点云的距离，取所有距离的最小距离作为识别阈值
Figure 286992DEST_PATH_IMAGE044
，即第 i根手指的9个比对特征和第i+1根到第500根手指的注册模板进行比对，
Figure 538982DEST_PATH_IMAGE047
；得到
Figure 969964DEST_PATH_IMAGE045
=1122750个结果，找到这些结果的最小值作为阈值
Figure 270495DEST_PATH_IMAGE044
，此实施例中
Figure 103322DEST_PATH_IMAGE044
=1.59， 迭代最近点ICP（Iterative Closest Point）算法具体步骤为：
4-5.2.1）设置阈值T，本实施例中，T=20，对注册模板点云中的任意一点，寻找待比对特征点云中和此点距离小于阈值T的点，这2个点称为对应点，从而找到num对对应点集，记作：
Figure 260634DEST_PATH_IMAGE017
Figure 382173DEST_PATH_IMAGE018
为注册模板点云中找到的对应点集，
Figure 283133DEST_PATH_IMAGE019
为待比对特征点云中找到的对应点集，
Figure 173729DEST_PATH_IMAGE020
~
Figure 501942DEST_PATH_IMAGE021
为注册模板特征点云中的
Figure 904586DEST_PATH_IMAGE022
个点，
Figure 609237DEST_PATH_IMAGE023
~
Figure 354339DEST_PATH_IMAGE024
为待比对特征点云中的
Figure 119033DEST_PATH_IMAGE022
个点；
4-5.2.2）通过最小二乘法，进行注册模板点云和待比对特征点云点集的配准，使公式（8）最小，
Figure 746323DEST_PATH_IMAGE025
式中，
Figure 926769DEST_PATH_IMAGE026
为配准最小值，
Figure 588694DEST_PATH_IMAGE027
为旋转矩阵，
Figure 524289DEST_PATH_IMAGE028
为平移矩阵，
Figure 638876DEST_PATH_IMAGE022
为式（7）选择出来的 对应点集对数，i为大于等于1且小于等于
Figure 623012DEST_PATH_IMAGE022
的整数，
Figure 405023DEST_PATH_IMAGE029
和
Figure 245940DEST_PATH_IMAGE030
为式（7）选择出来的点集；
旋转矩阵和平移矩阵的求解步骤为：
4-5.2.2.1）定义两组点的质心
Figure 51085DEST_PATH_IMAGE031
和
Figure 635650DEST_PATH_IMAGE032
，公式为，
Figure 272168DEST_PATH_IMAGE033
式中，i为大于等于1且小于等于
Figure 283986DEST_PATH_IMAGE022
的整数，
Figure 310848DEST_PATH_IMAGE031
为式（7）选择出来的点
Figure 699104DEST_PATH_IMAGE034
进 行求和并求平均的结果，
Figure 190129DEST_PATH_IMAGE032
为式（7）选择出来的点
Figure 576110DEST_PATH_IMAGE035
进行求和并求平均的结果；
4-5.2.2.2）计算两组点和质心的差值
Figure 152585DEST_PATH_IMAGE036
和
Figure 344532DEST_PATH_IMAGE037
，公式为：
Figure 627746DEST_PATH_IMAGE038
式中，
Figure 249876DEST_PATH_IMAGE029
和
Figure 313647DEST_PATH_IMAGE030
为式（7）选择出来的点，i为大于等于1且小于等于
Figure 778126DEST_PATH_IMAGE022
的整数，
Figure 181426DEST_PATH_IMAGE031
和
Figure 237106DEST_PATH_IMAGE032
为式（9）计算出来的结果；
4-5.2.2.3）计算得到旋转矩阵
Figure 257015DEST_PATH_IMAGE027
和平移矩阵
Figure 994027DEST_PATH_IMAGE028
，计算公式为：
Figure 314150DEST_PATH_IMAGE039
式中，
Figure 9573DEST_PATH_IMAGE027
和
Figure 985620DEST_PATH_IMAGE028
为式（8）中需要求解的旋转矩阵和平移矩阵，
Figure 57481DEST_PATH_IMAGE031
和
Figure 232110DEST_PATH_IMAGE032
为式（9）计算出来 的结果，
Figure 567277DEST_PATH_IMAGE040
矩阵为式（12）通过奇异值分解SVD方法分解得到，式（12）如下：
Figure 561777DEST_PATH_IMAGE041
式中，
Figure 702909DEST_PATH_IMAGE036
和
Figure 732045DEST_PATH_IMAGE037
为式（10）计算出来的结果
Figure 972533DEST_PATH_IMAGE042
i为大于等于1且小于等于
Figure 719909DEST_PATH_IMAGE022
的整数；
通过以上计算，即可计算出旋转矩阵
Figure 399152DEST_PATH_IMAGE027
和平移矩阵
Figure 282795DEST_PATH_IMAGE028
，从而计算出
Figure 694184DEST_PATH_IMAGE026
；
4-5.2.3）重复步骤4-5.2.1）和4-5.2.2)，通过多次迭代，找到众多
Figure 663277DEST_PATH_IMAGE026
中的最小 值，记作
Figure 166719DEST_PATH_IMAGE043
，
Figure 904868DEST_PATH_IMAGE043
为此次比对结果。
5）将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。
实验例1
识别率跑批测试，利用迭代最近点（ICP，Iterative Closest Point）比对算法，具 体方法详见步骤4-5.2.1）、4-5.2.2）、4-5.2.3），将500根手指进行同类之间比对，即第i根 手指的第j个比对特征和第i根手指的注册模板进行比对，其中，
Figure 752738DEST_PATH_IMAGE048
，
Figure 209127DEST_PATH_IMAGE049
；然后 得到
Figure 230173DEST_PATH_IMAGE050
=4500个
Figure 291670DEST_PATH_IMAGE043
比对结果，如果比对结果小于识别阈值
Figure 107179DEST_PATH_IMAGE044
=1.59，则成功；否 则，则失败；此实施例中，识别率=成功的个数/（
Figure 50865DEST_PATH_IMAGE046
）=4496/4500=99.9%。本实施例 还测试了一种基于二值图的二维图像指静脉比对方法，具体步骤在此不在赘述，得到识别 率为92.13%，所以，本发明特征提取和比对方法比传统方法识别率提高了7.77%。
实验例2
将此比对方法应用到真实场景，先注册手指，然后放置手指进行验证，小于识别阈 值
Figure 610022DEST_PATH_IMAGE044
=1.59，则验证成功；否则，验证失败。此实施例中，真实场景测试，成功率为99.5%。同 时本实施例也测试了一种基于二值图的二维图像指静脉比对方法的真实场景测试，具体步 骤不再赘述，成功率为91.04%，所以，本发明特征提取和比对方法比传统方法在真实场景中 提高了8.46%。
实施例2
参照附图6所示，本实施例涉及一种基于3D指静脉的特征提取和比对装置，其包括：
1）采集模块，采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像， 3D采集装置包括位于手指下方的第一摄像头、位于手指侧方的第二摄像头和位于手指前端的第三摄像头；第一摄像头和第二摄像头各采集一张图像，第三摄像头采集多张不同焦距的图像；采集模块用于实现实施例1步骤1）的功能。
2）图像处理模块，用于对采集到的所有指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；图像处理模块用于实现实施例1步骤2）的功能。
3）三维重建模块，利用手指静脉的细线图进行指静脉图像三维重建；三维重建模块用于实现实施例1步骤3）的功能。
4）手指特征提取模块，用于将三维重建之后的指静脉图进行点云收集，将点云作为对应的手指特征；手指特征提取模块用于实现实施例1步骤4）的功能。
4-5）识别阈值确定模块，将手指特征提取模块得到的手指特征划分为注册模板和待比对特征，采用迭代最近点（ICP，Iterative Closest Point）算法对m根手指进行不同类比对，即采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特征和其余手指各注册模板对应的点云的距离，取所有距离中最小距离作为识别阈值；识别阈值确定模块用于实现实施例1步骤4-5）的功能。
5）比对模块，将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。比对模块用于实现实施例1步骤5）的功能。
显然，本实施例的3D指静脉的特征提取和比对装置可以作为上述实施例1的3D指静脉的特征提取和比对方法的执行主体，因此能够实现3D指静脉的特征提取和比对方法所实现的功能。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 (9)

1.一种基于3D指静脉的特征提取和比对方法，其特征在于：其包括以下步骤：
1）采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像，3D采集装置包括位于手指下方的第一摄像头、位于手指侧方的第二摄像头和位于手指前端的第三摄像头；第一摄像头和第二摄像头各采集一张图像，第三摄像头采集多张不同焦距的图像；
2）对采集到的指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；
3）利用手指静脉的细线图进行指静脉图像三维重建；
4）将三维重建之后的指静脉图像进行点云收集，将点云作为对应的手指特征；
5）将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。
2.根据权利要求1所述的基于3D指静脉的特征提取和比对方法，其特征在于：步骤1）中采集m根手指，每根手指采集n次，每次第一摄像头和第二摄像头各采集一张图像，第三摄像头采集u张不同焦距的图像，从而总共得到m*n*（2 + u）张图像，其中m为大于200的整数，n为大于6的整数，u为大于5的整数；
所述的特征提取和比对方法还包括步骤4-5）的识别阈值确定步骤，具体包括：
4-5.1）划分注册模板和待比对特征，即将每根手指的第一根手指特征作为注册模板，将每根手指剩余的n-1个特征作为待比对特征；
4-5.2）采用迭代最近点算法对m根手指进行不同类比对，即采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特征和其余手指各注册模板对应的点云的距离，取所有距离中的最小距离作为识别阈值。
3.根据权利要求2所述的基于3D指静脉的特征提取和比对方法，其特征在于：步骤1）采集时，将手指置于x-y-z三维空间内，手指指尖指向的方向平行于y轴，第一摄像头采集的图像为image1，位于坐标xy平面上， y方向图像大小为L，x方向图像大小为W；第二摄像头采集的图像为image2，位于yz平面上， y方向图像大小为L，z方向图像大小为H；第三摄像头采集的u张图像为红色image3，位于xz平面上， x方向图像大小为W，z方向图像大小为H。
4.根据权利要求1所述的基于3D指静脉的特征提取和比对方法，其特征在于：所述步骤2）获得手指静脉的细线图的具体步骤包括：
2.1）利用Sobel算子对图像在每个方向进行边缘检测，得到二值图B；
2.2）将二值图B与膨胀卷积因子进行卷积得到膨胀后的二值图Gxy；
2.3）对膨胀后的二值图进行细化；
2.4）对细化后的二值图进行去毛刺，即设置阈值T3，当细化后的二值图的分叉线和孤立线的长度小于等于阈值T3，则删除分叉线和孤立线；否则不做任何操作。
5.根据权利要求4所述的基于3D指静脉的特征提取和比对方法，其特征在于：所述步骤2.1）中边缘检测的计算公式为：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
式中，A为待处理图像，T1为阈值，
Figure DEST_PATH_IMAGE004
为得到的二值图B的像素值；
所述步骤2.2）中将二值图B与膨胀卷积因子进行卷积的公式为：
Figure DEST_PATH_IMAGE005
式中，Gxy为膨胀后的二值图，设置阈值
Figure DEST_PATH_IMAGE006
，如果大于等于阈值
Figure 875905DEST_PATH_IMAGE006
，则将此像素的3*3邻域 都填充为1，否则此像素的3*3邻域不做任何操作；
所述步骤2.3）中，对膨胀后的二值图进行细化的公式为：
Figure DEST_PATH_IMAGE007
当二值图像素P 1 的3*3邻域满足公式（5）中的4个全部条件的，则删除该二值图像素P 1 ，式中，N(P 1 )是P 1 周围8个相邻点的值的和，T(P 1 )是P 1 周围8个点0、1轮换的次数，P 2 、P 4 、P 6 、P 8 分别为和P 1 相邻的正上方、右边、正下方、左边的点。
6.根据权利要求3所述的基于3D指静脉的特征提取和比对方法，其特征在于：所述步骤3）利用手指静脉的细线图进行指静脉图像三维重建是以y方向为遍历方向，寻找每个y方向平面的点云，具体步骤包括：
3.1）当y=1时，在图像大小为L*W的图像image1上寻找x轴上面为1的像素，如果找到a个 为1的像素，记录为，
Figure DEST_PATH_IMAGE008
；
3.2）在图像大小为L*H的图像image2上面寻找当y=1时，z轴上面为1的像素，如果找到b 个为1的像素，记录为
Figure DEST_PATH_IMAGE009
；
3.3）在y方向的图像image3上存在
Figure DEST_PATH_IMAGE010
个点，如果在image3上面对应的这
Figure 926907DEST_PATH_IMAGE010
的点的 值为1，则保存此点，否则不保存，进而在y=1的平面上就找到
Figure DEST_PATH_IMAGE011
个点，
Figure DEST_PATH_IMAGE012
，图像 image3通过式（6）计算选取：
Figure DEST_PATH_IMAGE013
式中，L为指静脉图像在y方向的大小，i为大于等于1且小于等于
Figure DEST_PATH_IMAGE014
的整数；
3.4）改变y的取值，y的取值每次增加1，重复步骤3.1）~3.3），直至y=L，在y方向的L个平 面上分别找出
Figure DEST_PATH_IMAGE015
个点云。
7.根据权利要求6所述的基于3D指静脉的特征提取和比对方法，其特征在于：所述步骤 4）将三维重建之后的指静脉图进行点云收集，将点云作为对应的手指特征的具体步骤是： 将
Figure 836219DEST_PATH_IMAGE015
个点集聚集到一起，得到L个点集组成的点云，作为此手指的 特征。
8.根据权利要求2所述的基于3D指静脉的特征提取和比对方法，其特征在于：所述步骤4-5.2）具体包括：
4-5.2.1）设置阈值T，对注册模板点云中的任意一点，寻找待比对特征点云中和此点距离小于阈值T的点，这2个点称为对应点，从而找到num对对应点集，记作：
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
为注册模板点云中找到的对应点集，
Figure DEST_PATH_IMAGE018
为待比对特征点云中找到的对应点集，
Figure DEST_PATH_IMAGE019
~
Figure DEST_PATH_IMAGE020
为注册模板特征点云中的
Figure DEST_PATH_IMAGE021
个点，
Figure DEST_PATH_IMAGE022
~
Figure DEST_PATH_IMAGE023
为待比对特征点云中的
Figure 97830DEST_PATH_IMAGE021
个点；
4-5.2.2）通过最小二乘法，进行注册模板点云和待比对特征点云点集的配准，使公式（8）最小，
Figure DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE025
为配准最小值，
Figure DEST_PATH_IMAGE026
为旋转矩阵，
Figure DEST_PATH_IMAGE027
为平移矩阵，
Figure 538432DEST_PATH_IMAGE021
为式（7）选择出来的对应 点集对数，i为大于等于1且小于等于
Figure 675015DEST_PATH_IMAGE021
的整数，
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
为式（7）选择出来的点集；
旋转矩阵和平移矩阵的求解步骤为：
4-5.2.2.1）定义两组点的质心
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
，公式为，
Figure DEST_PATH_IMAGE032
式中，i为大于等于1且小于等于
Figure 450553DEST_PATH_IMAGE021
的整数，
Figure 381600DEST_PATH_IMAGE030
为式（7）选择出来的点
Figure DEST_PATH_IMAGE033
进行求 和并求平均的结果，
Figure 994983DEST_PATH_IMAGE031
为式（7）选择出来的点
Figure DEST_PATH_IMAGE034
进行求和并求平均的结果；
4-5.2.2.2）计算两组点和质心的差值
Figure DEST_PATH_IMAGE035
和
Figure DEST_PATH_IMAGE036
，公式为：
Figure DEST_PATH_IMAGE037
式中，
Figure 905564DEST_PATH_IMAGE028
和
Figure 101053DEST_PATH_IMAGE029
为式（7）选择出来的点，i为大于等于1且小于等于
Figure 983427DEST_PATH_IMAGE021
的整数，
Figure 897157DEST_PATH_IMAGE030
和
Figure 627740DEST_PATH_IMAGE031
为式 （9）计算出来的结果；
4-5.2.2.3）计算得到旋转矩阵
Figure 208894DEST_PATH_IMAGE026
和平移矩阵
Figure 731011DEST_PATH_IMAGE027
，计算公式为：
Figure DEST_PATH_IMAGE038
式中，
Figure 584566DEST_PATH_IMAGE026
和
Figure 601064DEST_PATH_IMAGE027
为式（8）中需要求解的旋转矩阵和平移矩阵，
Figure 285992DEST_PATH_IMAGE030
和
Figure 729743DEST_PATH_IMAGE031
为式（9）计算出来的结 果，
Figure DEST_PATH_IMAGE039
矩阵为式（12）通过奇异值分解SVD方法分解得到，式（12）如下：
Figure DEST_PATH_IMAGE040
式中，
Figure 729316DEST_PATH_IMAGE035
和
Figure 798772DEST_PATH_IMAGE036
为式（10）计算出来的结果
Figure DEST_PATH_IMAGE041
i为大于等于1且小于等于
Figure 275890DEST_PATH_IMAGE021
的整数；
通过以上计算，即可计算出旋转矩阵
Figure 156121DEST_PATH_IMAGE026
和平移矩阵
Figure 772218DEST_PATH_IMAGE027
，从而计算出
Figure 130518DEST_PATH_IMAGE025
；
4-5.2.3）重复步骤4-5.2.1）和4-5.2.2)，通过多次迭代，找到众多
Figure 790038DEST_PATH_IMAGE025
中的最小值，记 作
Figure DEST_PATH_IMAGE042
，
Figure 28121DEST_PATH_IMAGE042
为此次比对结果；
4-5.2.4）识别阈值
Figure DEST_PATH_IMAGE043
的确定，通过m根手指不同类之间进行比对，每次比对重复4- 5.2.1）、4-5.2.2)、4-5.2.3），得到
Figure DEST_PATH_IMAGE044
个
Figure 281248DEST_PATH_IMAGE042
结果，找到这些结果的最小值作 为识别阈值
Figure 443239DEST_PATH_IMAGE043
；
4-5.2.5）识别率跑批测试，将m根手指同类之间进行比对，每次比对重复4-5.2.1）、4- 5.2.2)、4-5.2.3），得到
Figure DEST_PATH_IMAGE045
个
Figure 632300DEST_PATH_IMAGE042
比对结果，如果比对结果小于阈值
Figure 103601DEST_PATH_IMAGE043
，则成 功；否则，则失败；识别率=成功的个数/（
Figure 453811DEST_PATH_IMAGE045
）。
9.一种基于3D指静脉的特征提取和比对装置，其特征在于：其包括：
1）采集模块，采用3D采集装置采集手指的注册指静脉图像和待测指静脉图像， 3D采集装置包括位于手指下方的第一摄像头、位于手指侧方的第二摄像头和位于手指前端的第三摄像头；第一摄像头和第二摄像头各采集一张图像，第三摄像头采集多张不同焦距的图像；
2）图像处理模块，用于对采集到的所有指静脉图像依次进行边缘检测、膨胀、细化和去毛刺处理，得到手指静脉的细线图；
3）三维重建模块，利用手指静脉的细线图进行指静脉图像三维重建；
4）手指特征提取模块，用于将三维重建之后的指静脉图像进行点云收集，将点云作为对应的手指特征；
4-5）识别阈值确定模块，将手指特征提取模块得到的手指特征划分为注册模板和待比对特征，采用迭代最近点算法对m根手指进行不同类比对，即采用某根手指的待比对特征与其余手指的注册模板进行比对，计算待比对特征和各注册模板对应的点云的距离，取所有距离中最小距离作为识别阈值；
5）比对模块，将待测指静脉图像与注册指静脉图像的手指特征进行比对，计算手指特征的点云的距离，若比对结果小于识别阈值，则验证成功，否则，验证失败。
CN202011318097.2A 2020-11-23 2020-11-23 一种基于3d指静脉的特征提取和比对方法及装置 Active CN112101332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011318097.2A CN112101332B (zh) 2020-11-23 2020-11-23 一种基于3d指静脉的特征提取和比对方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011318097.2A CN112101332B (zh) 2020-11-23 2020-11-23 一种基于3d指静脉的特征提取和比对方法及装置

Publications (2)

Publication Number Publication Date
CN112101332A CN112101332A (zh) 2020-12-18
CN112101332B true CN112101332B (zh) 2021-02-19

Family

ID=73785303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011318097.2A Active CN112101332B (zh) 2020-11-23 2020-11-23 一种基于3d指静脉的特征提取和比对方法及装置

Country Status (1)

Country Link
CN (1) CN112101332B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919941A (zh) * 2017-04-26 2017-07-04 华南理工大学 一种三维手指静脉识别方法及系统
WO2019024321A1 (zh) * 2017-08-01 2019-02-07 南京东屋信息科技有限公司 手指静脉图像采集装置以及智能锁

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6165540B2 (ja) * 2013-07-26 2017-07-19 株式会社日立製作所 血管画像撮影装置及び端末
CN104966082A (zh) * 2015-06-11 2015-10-07 解山娟 基于多摄像头的手指静脉采集装置
JP6769626B2 (ja) * 2016-04-15 2020-10-14 オール イット トップ カンパニー リミテッドＡｌｌ Ｉｔ Ｔｏｐ Ｃｏ．， Ｌｔｄ． 指紋と指静脈を同時に認証する多面立体撮影装置
CN109190554A (zh) * 2018-08-30 2019-01-11 深圳大学 一种基于指纹和指静脉的3d识别系统及方法
CN109543535B (zh) * 2018-10-23 2021-12-21 华南理工大学 三维指静脉特征提取方法及其匹配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919941A (zh) * 2017-04-26 2017-07-04 华南理工大学 一种三维手指静脉识别方法及系统
WO2019024321A1 (zh) * 2017-08-01 2019-02-07 南京东屋信息科技有限公司 手指静脉图像采集装置以及智能锁

Also Published As

Publication number Publication date
CN112101332A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
Matsuda et al. Finger-vein authentication based on deformation-tolerant feature-point matching
EP3382644B1 (en) Method for 3d modelling based on structure from motion processing of sparse 2d images
CN109598709B (zh) 基于融合深度特征的乳腺辅助诊断系统及方法
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
Trulls et al. Dense segmentation-aware descriptors
Wang et al. Hand vein recognition based on multiple keypoints sets
CN107316031A (zh) 用于行人重识别的图像特征提取方法
KR101025666B1 (ko) 지정맥 특징점 추출 방법 및 장치
Hao et al. Efficient 2D-to-3D correspondence filtering for scalable 3D object recognition
CN108257155B (zh) 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
Ambeth Kumar et al. Exploration of an innovative geometric parameter based on performance enhancement for foot print recognition
Yang et al. Superpixel based finger vein ROI extraction with sensor interoperability
Ling et al. Image quality assessment for free viewpoint video based on mid-level contours feature
Baek et al. Multimodal camera-based gender recognition using human-body image with two-step reconstruction network
Vlachos et al. Finger vein segmentation from infrared images based on a modified separable mumford shah model and local entropy thresholding
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
Rathore et al. Efficient human recognition system using ear and profile face
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
Ma et al. Personal identification based on finger vein and contour point clouds matching
CN112101332B (zh) 一种基于3d指静脉的特征提取和比对方法及装置
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
Arjun et al. An efficient image retrieval system based on multi-scale shape features
CN107874760B (zh) 一种医学影像中的导丝追踪方法、装置、设备及存储介质
Saha et al. Retinal image registration using log-polar transform and robust description of bifurcation points

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210422

Address after: 030032 room 0906, 9 / F, block C, clean control innovation base, No. 529, South Central Street, Taiyuan Xuefu Park, comprehensive reform demonstration zone, Taiyuan City, Shanxi Province

Patentee after: Holy Point Century Technology Co.,Ltd.

Address before: 101400 Beijing city Huairou District Yanqi Park Economic Development Zone No. 17 Street 2

Patentee before: Beijing ShengDian cloud Information Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230411

Address after: Room 2309, 23rd Floor, Qidi Building, No. 99, South Tiancheng Road, High Speed Rail New Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215000 - Work Station A029 (cluster registration)

Patentee after: Jiangsu Shengdian Century Technology Co.,Ltd.

Address before: 030032 room 0906, floor 9, building C, qingkong innovation base, No. 529, South Central Street, Taiyuan Xuefu Park, comprehensive reform demonstration zone, Taiyuan, Shanxi Province

Patentee before: Holy Point Century Technology Co.,Ltd.