CN112183504A - 一种基于非接触式手掌静脉图像的视频注册方法及装置 - Google Patents

一种基于非接触式手掌静脉图像的视频注册方法及装置 Download PDF

Info

Publication number
CN112183504A
CN112183504A CN202011358877.XA CN202011358877A CN112183504A CN 112183504 A CN112183504 A CN 112183504A CN 202011358877 A CN202011358877 A CN 202011358877A CN 112183504 A CN112183504 A CN 112183504A
Authority
CN
China
Prior art keywords
palm
template
templates
training
registration
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.)
Granted
Application number
CN202011358877.XA
Other languages
English (en)
Other versions
CN112183504B (zh
Inventor
赵国栋
朱晓芳
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.)
Beijing Shengdian Cloud Information 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 CN202011358877.XA priority Critical patent/CN112183504B/zh
Publication of CN112183504A publication Critical patent/CN112183504A/zh
Application granted granted Critical
Publication of CN112183504B publication Critical patent/CN112183504B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V40/107—Static hand or arm
    • G06V40/11—Hand-related biometrics; Hand pose recognition
    • 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非接触式手掌静脉图像的视频注册方法及装置，所述的视频注册方法包括以下步骤：1）使用非接触设备采集时长为t秒的手掌静脉视频；2）定位手掌和手掌ROI位置并裁剪对应图像；3）对手掌区域A进行手掌异常检测；4）对手掌ROI区域B进行成像质量判断；5）提取手掌ROI区域B的512维特征向量；6）计算相邻两个一级模板间的余弦相似度；7）比较t秒视频结束后采集到的一级模板的数量与阈值M的大小；8）基于改进的K‑Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选。本发明涉及的视频注册方法在注册阶段，对手掌区域进行手掌异常检测，能够有效预防有遮挡的掌静脉注册，极大提升掌静脉注册的安全性。

Description

一种基于非接触式手掌静脉图像的视频注册方法及装置
技术领域
本发明属于生物特征识别与信息安全技术领域，尤其涉及一种基于非接触式手掌静脉图像的视频注册方法及装置。
背景技术
手掌静脉是体内一种稳定、唯一、丰富的生物活体特征，本身具有防伪特性。用掌静脉特征进行生物识别，具有很高的安全性。
随着掌静脉识别技术的研究与应用，该项技术对安全性能要求高，且应用环境复杂，不乏存在一些恶意攻击者，让异常情况下的手掌静脉进行掌静脉注册，若注册成功，容易和恶意攻击者发生误识别，从而泄露账户导致财产损失等不良后果；异常情况有：带有多种手套，受伤有包扎，有大面积污渍，手掌ROI不完整等多种情况。所以提升掌静脉注册时的安全性和识别率，都是重要的研究内容。
目前，掌静脉图像的注册方法中关于异常情况的检测内容很少；相比之下，指静脉、人脸注册等情况中提到异常检测较多；一般分为两大类：一类基于灰度、纹理等特征；该类对于环境光照等外部因素稳定性要求较高。另一类基于神经网络特征进行分类的；该类对于多种异常情况有较好的泛化性能，鲁棒性较强。关于静脉注册的内容如公开号为CN107657209A的中国专利公开的一种基于手指静脉图像质量的模板图像注册机制，提出了基于图像质量判断的注册机制，提出了只有同时满足三个判决条件的图像，方可在数据库中注册：一是判决是否为曝光过度或不足的图像；二是判决是否为静脉清晰但静脉稀疏的图像；三是判决是否为静脉图像模糊不清晰的图像，进而剔除不合格图像。
但上述专利并没有对手掌异常进行检测，对于识别率还有提升空间。
发明内容
本发明所要解决的技术问题提供一种基于非接触式手掌静脉图像的视频注册方法及装置，以解决掌静脉注册无法进行手掌异常检测以及识别率低的问题。
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非接触式手掌静脉的视频注册方法，其包括以下步骤：
1）使用非接触设备采集时长为t秒的手掌静脉视频；
2）定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；
3）对手掌区域A进行手掌异常检测，输出检测结果，若检测结果为异常，返回步骤2），若检测结果为正常，进入步骤4）；
4）对手掌ROI区域B进行成像质量判断，输出判断结果，若判断结果为不合格，返回步骤2），若判断结果为合格，进入步骤5）；
5）对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；
6）重复步骤2）~5），每隔2帧定位一次，进而提取若干一级模板，设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度，若计算所得的余弦相似度大于等于余弦相似度阈值T3，则进入下一步继续注册，反之，注册失败，结束本次注册；
7）设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小，若采集到的一级模板的数量大于或等于阈值M，进入步骤8），反之，则注册失败，结束本次注册；
8）改进K-Means聚类算法，基于改进的K-Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，然后将k个二级模板融合成一个三级的注册模板，登记到模板数据库，注册成功。
优选地，所述步骤2）中，定位手掌和手掌ROI区域使用的是基于深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1，训练方法如下：
2.1) 采集训练样本：训练样本是多环境下的手掌静脉图像；
2.2）给训练样本打标签：使用标图工具LabelImage标注出每张训练样本中的手掌和手掌ROI区域的位置，生成对应的标注xml文件；
2.3）初始化训练超参数；
2.4）开始训练：基于tensorflow框架，设置训练数据的路径，开始训练；
2.5）训练结束：等到训练loss收敛且趋于稳定，选择其中一个准确率较高的模型，即为深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1。
优选地，所述步骤3）中，手掌异常检测的模型为基于VGG16网络训练好的二分类模型，基于VGG16网络的二分类模型的训练方法：
3.1) 采集训练正样本：正样本是多种灯光环境下的正常的手掌静脉图像；
3.2）采集训练负样本：负样本是采集的多种异常手掌，包括手上戴有手套和手掌有遮挡物等；
3.3）初始化训练超参数；
3.4）开始训练：基于tensorflow框架，选择VGG16网络和交叉熵损失函数，设置训练数据的路径，开始训练；
3.5）训练结束：待训练loss趋于0收敛且稳定，选择其中一个准确率较高的模型，作为手掌异常检测的二分类模型。
优选地，所述的步骤4）中，对手掌ROI区域B进行成像质量判断包括对曝光度和清晰度的判断。
优选地，所述的曝光度的计算公式为：
Figure 749417DEST_PATH_IMAGE001
Figure 446983DEST_PATH_IMAGE002
Figure 961141DEST_PATH_IMAGE003
n是图像的像素总数，
Figure 356350DEST_PATH_IMAGE004
是图像种第
Figure 967460DEST_PATH_IMAGE005
个灰度级的像素总数，
Figure 524343DEST_PATH_IMAGE006
是第
Figure 588114DEST_PATH_IMAGE005
个灰度级，
Figure 521435DEST_PATH_IMAGE005
=0, 1,2,…L-1；L=256；
Figure 987052DEST_PATH_IMAGE007
是第
Figure 714836DEST_PATH_IMAGE005
个灰度级在图像整个灰度级的出现的概率；
Figure 16636DEST_PATH_IMAGE008
是最大的 灰度级的概率，即像素最多的概率；T1是曝光度阈值；
所述的清晰度计算公式为：
Figure 753648DEST_PATH_IMAGE009
Figure 11454DEST_PATH_IMAGE010
Figure 238036DEST_PATH_IMAGE011
Figure 214082DEST_PATH_IMAGE012
是待计算清晰度的输入手掌ROI图像，
Figure 285943DEST_PATH_IMAGE013
是卷积之后的输出图 像，i、j分别表示图像中像素的行列索引，m、n分别表示图像的高和宽，0<i<=m，0<j<=n，i和j 都是整数；
Figure 663835DEST_PATH_IMAGE014
即为
Figure 795739DEST_PATH_IMAGE012
图像的清晰度，该清晰度是0~1之间的浮点数，数值越 大越清晰；反之，越模糊；T2是清晰度阈值。
优选地，所述的步骤5）中，手掌ROI预处理包括高斯去噪，引导滤波增强；提取512维特征向量的方法是：调用基于深度学习训练好的掌静脉特征提取模型，进行特征提取，得到512维特征向量。
优选地，所述的步骤6）中，相邻两个一级模板间的余弦相似度的计算公式为：
Figure 337896DEST_PATH_IMAGE016
是一级模板向量，i、j是模板序数，i、j都为整数，0<i <(1级模板数-1)，1<j<1级模板 数，
Figure 881878DEST_PATH_IMAGE017
是余弦相似度。
本步骤中通过计算该相似度，预防视频注册过程中的换手行为，提高了注册的安全性。
优选地，所述的步骤8）中，根据最大化模板类内差异对一级模板进行筛选的方法是基于改进的K-Means聚类对所有一级模板进行聚类，k为聚类数，聚类结束后，选取每类距离质心最近的一级模板作为二级模板，得到若干二级模板，具体为：
8.1）设输入样本集为
Figure 387946DEST_PATH_IMAGE018
，输出的类簇为
Figure 135322DEST_PATH_IMAGE019
，m是输入样 本总数，为大于0的整数；k是类簇总数，为大于0的整数；
8.2）根据位移情况计算K值：
Figure 752248DEST_PATH_IMAGE020
Figure 901470DEST_PATH_IMAGE021
Figure 578439DEST_PATH_IMAGE022
Figure 813111DEST_PATH_IMAGE023
分别是手掌ROI区域的左上角、右下角的行坐标，
Figure 233728DEST_PATH_IMAGE024
是两坐标的中点；
Figure 440719DEST_PATH_IMAGE025
是第n个模板对应的手掌ROI区域的中点；
Figure 101638DEST_PATH_IMAGE026
是位移的变化数，位移变化数的初始值为0，n0是 一级模板序数；
Figure 761290DEST_PATH_IMAGE027
是
Figure 782335DEST_PATH_IMAGE028
和
Figure 843832DEST_PATH_IMAGE029
的时间间隔；
8.3）根据位移情况，选取不同的初始化质心向量
Figure 659341DEST_PATH_IMAGE030
，k是类簇总数，为大于0 的整数：
若手掌有位移，根据公式（11）分别计算k个位移帧数索引，将对应的样本作为质心向量；
若手掌无位移，根据时间顺序从样本集D，利用公式（12）计算模板序数对应的一级模板作为初始的质心向量；
Figure 71868DEST_PATH_IMAGE031
Figure 834288DEST_PATH_IMAGE032
公式（11）中，
Figure 812608DEST_PATH_IMAGE033
为位移变化的帧数序号；
Figure 736702DEST_PATH_IMAGE034
为一级模板总数， i0为质心样 本序数，
Figure 682530DEST_PATH_IMAGE035
为第i0类簇的初始一级模板序数；
8.4）设置最大迭代次数N，迭代次数为iter_n=1,2,...,N，进行循环迭代：
a)若iter_n=1，以初始化质心向量为中心，依次将前后M/(2*k)个样本，分为1簇，共k 簇，初始化类簇C为
Figure 983061DEST_PATH_IMAGE036
，
Figure 284730DEST_PATH_IMAGE037
为类簇序号, 为大于0且小于等于k的整数；
b)根据公式（13）计算每个样本到各个质心向量
Figure 442042DEST_PATH_IMAGE038
的
Figure 563581DEST_PATH_IMAGE017
距离，将
Figure 730120DEST_PATH_IMAGE039
划分到最小
Figure 355137DEST_PATH_IMAGE017
距离所在的类簇
Figure 948929DEST_PATH_IMAGE040
，
Figure 292186DEST_PATH_IMAGE041
是
Figure 465678DEST_PATH_IMAGE039
样本所在的簇的序数：
Figure 23830DEST_PATH_IMAGE042
Figure 726206DEST_PATH_IMAGE039
是输入的特征向量样本，
Figure 619076DEST_PATH_IMAGE043
是第j类簇的质心向量，
Figure 65101DEST_PATH_IMAGE017
为样本
Figure 727026DEST_PATH_IMAGE039
到质心向量
Figure 600304DEST_PATH_IMAGE043
的 余弦距离i是样本序数，0<i <样本数，j是类簇序数，0<j<类簇数，i、j都为整数；
c)按照公式（14）更新所有类簇的质心，j是类簇序数，0<j<(类簇数)，j为整数：
Figure 980470DEST_PATH_IMAGE044
判断所有质心向量是否发生变化；若没有发生变化，则进入下一步；
8.5）输出类簇
Figure 230186DEST_PATH_IMAGE019
，计算输出类簇
Figure 949880DEST_PATH_IMAGE019
中每类距离质心最 近的样本向量，分别记为k个二级模板。
本发明在 K-Means算法的基础上，做了2点改进：一是对k的选值方法进行改进，通过计算手掌ROI中心的位移来自动选取K值；二是对质心的初始化方法进行了改进，根据位移位置帧数索引，选择初始化质心样本。
改进后的K-Means算法，k的取值和初始质心选择的更准确，使得后续的聚类迭代收敛更快更准，类内模板间的差异更大，选取到多姿态的手掌模板，很大程度提高多姿态验证的识别率。
优选地，所述的步骤8）中，将k个二级模板融合成一个三级的注册模板的公式为：
Figure 305644DEST_PATH_IMAGE045
式中，
Figure 110789DEST_PATH_IMAGE046
表示各二级模板，
Figure 960933DEST_PATH_IMAGE047
表示融合后的三级模板。
本发明还涉及一种基于非接触式手掌静脉的视频注册装置，其包括：
视频采集模块，用于使用非接触设备采集时长为t秒的手掌静脉视频；
图像裁剪模块，用于定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；
手掌异常检测模块，用于对手掌区域A进行手掌异常检测；
成像质量判断模块，用于对手掌ROI区域B进行成像质量判断；
提取模块，用于对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；
余弦相似度对比模块，用于设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度；
采集数量对比模块，用于设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小；
注册模块，用于根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，并将k个二级模板融合成一个三级的注册模板，登记到模板数据库。
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.本发明涉及的一种基于非接触式手掌静脉的视频注册方法在注册阶段，对手掌区域进行手掌异常检测，能够有效预防有遮挡的掌静脉注册，极大提升掌静脉注册的安全性。
2.本发明涉及的一种基于非接触式手掌静脉的视频注册方法提出多模板筛选方法，即基于改进的K-Means算法，自动计算K值，并选择不同方法初始化质心向量，使得聚类过程更快更准的收敛，类内模板差异更大；保存差异大的模板，使得注册模板更丰富，识别率更优。
3.本发明涉及的一种基于非接触式手掌静脉的视频注册方法在注册过程中，通过计算相邻两个一级模板间的余弦相似度，进而对手掌特征进行比对，能够实时监控是否为同一手掌，预防不合理的换手注册行为，提升了掌静脉注册的安全性。
附图说明
图1本发明涉及一种基于非接触式手掌静脉图像的视频注册方法的流程图；
图2为本发明采集的正常手掌静脉视频图像、手掌区域和手掌静脉ROI；
图3为本发明方法中基于YOLOv5网络的二目标检测模型的训练、检测流程图；
图4为本发明方法中手掌异常检测模型训练、分类流程图；
图5为本发明掌静脉ROI区域预处理后的图像；
图6为本发明方法中手掌异常检测模型训练集中的正、负样本所在原图示例；
图7为本发明方法中模板筛选过程的示意图；
图8为本发明方法基于改进的K-Means聚类的流程图；
图9为本发明方法中二级模板融合过程的示意图；
图10为本发明基于非接触式手掌静脉图像的视频注册装置的框架示意图。
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，本发明涉及一种基于非接触式手掌静脉的视频注册方法，其包括以下步骤：
1）使用非接触设备采集时长为t秒的手掌静脉视频，帧率为30帧/秒，每帧图像尺寸为：1280像素*1024像素。
2）定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B，手掌图像具体如附图2所示；
定位手掌和手掌ROI区域使用的是基于深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1，参照附图3所示，训练方法如下：
2.1) 采集训练样本：训练样本是多环境下的手掌静脉图像，共50000幅；
2.2）给训练样本打标签：使用标图工具LabelImage标注出每张训练样本中的手掌和手掌ROI区域的位置，生成对应的标注xml文件，共50000个，类名分别为palm和palm roi；
2.3）初始化训练超参数，超参数有：learningRate=0.01，weight_decay=10-4，momentum=0.9，InputSize=224，batchSize=128，epoch=200等；
2.4）开始训练：基于tensorflow框架，设置训练数据的路径，开始训练；
2.5）训练结束：等到训练loss收敛且趋于稳定，选择其中一个准确率较高的模型，即为深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1。
3）对手掌区域A进行手掌异常检测，输出检测结果，手掌异常检测的模型为基于VGG16网络训练好的二分类模型，参照附图4所示，其训练方法是：
3.1) 采集训练正样本：正样本是多种灯光环境下的正常的手掌静脉图像，共20000幅；
3.2）采集训练负样本：负样本是采集的多种异常手掌，包括手上戴有戴橡胶手套、针织手套、手掌心有污渍和手掌有遮挡物等，每种情况6000幅，共24000幅；见附图6所示；
3.3）初始化训练超参数，超参数有：learningRate=0.001，weight_decay=10-6，momentum=0.9，InputSize=224，batchSize=64，epoch=120等；
3.4）开始训练：基于tensorflow框架，选择VGG16网络和交叉熵损失函数，设置训练数据的路径，开始训练；
3.5）训练结束：待训练loss趋于0收敛且稳定，选择其中一个准确率较高的模型，作为手掌异常检测的二分类模型model2。
若检测结果为异常，返回步骤2），若检测结果为正常，进入步骤4）；
4）对手掌ROI区域B进行成像质量判断，包括曝光度和清晰度判断；
曝光度的计算公式为：
Figure 535134DEST_PATH_IMAGE001
Figure 15794DEST_PATH_IMAGE002
Figure 104973DEST_PATH_IMAGE003
n是图像的像素总数，
Figure 696491DEST_PATH_IMAGE004
是图像种第
Figure 187515DEST_PATH_IMAGE005
个灰度级的像素总数，
Figure 573497DEST_PATH_IMAGE006
是第
Figure 166284DEST_PATH_IMAGE005
个灰度级，
Figure 295914DEST_PATH_IMAGE005
=0, 1,2,…L-1；L=256；
Figure 844707DEST_PATH_IMAGE007
是第
Figure 729486DEST_PATH_IMAGE005
个灰度级在图像整个灰度级的出现的概率；
Figure 730940DEST_PATH_IMAGE008
是最大的 灰度级的概率，即像素最多的概率；T1是曝光度阈值；
清晰度计算公式为：
Figure 726578DEST_PATH_IMAGE009
Figure 864299DEST_PATH_IMAGE010
Figure 919979DEST_PATH_IMAGE011
Figure 674309DEST_PATH_IMAGE012
是待计算清晰度的输入手掌ROI图像，
Figure 145741DEST_PATH_IMAGE013
是卷积之后的输出图 像，i、j分别表示图像中像素的行列索引，m、n分别表示图像的高和宽，0<i<=m，0<j<=n，i和j 都是整数；
Figure 715132DEST_PATH_IMAGE014
即为
Figure 879397DEST_PATH_IMAGE012
图像的清晰度，该清晰度是0~1之间的浮点数，数值越大 越清晰；反之，越模糊；T2是清晰度阈值；
输出判断结果，若判断结果为不合格，返回步骤2），若判断结果为合格，进入步骤5）。
5）对手掌ROI进行预处理，包括高斯去噪，引导滤波增强；提取手掌ROI区域B的512维特征向量，提取512维特征向量的方法是：调用基于深度学习训练好的掌静脉特征提取模型，进行特征提取，得到512维特征向量，并将其保存为1个一级模板。
6）重复步骤2）~5），提取若干一级模板，设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度，计算公式为：
Figure 652181DEST_PATH_IMAGE048
Figure 927304DEST_PATH_IMAGE016
是一级模板向量，i、j是模板序数，i、j都为整数，0<i <(1级模板数-1)，1<j<1级模板 数，
Figure 367513DEST_PATH_IMAGE017
是余弦相似度。
若计算所得的余弦相似度大于等于余弦相似度阈值T3，则进入下一步继续注册，反之，注册失败，结束本次注册；该步骤能够预防视频注册过程中的换手行为，提高了注册的安全性。
7）设置一级模板数量阈值M，本实施例设置阈值M为100，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小，若采集到的一级模板的数量大于或等于阈值100，进入步骤8），反之，则注册失败，结束本次注册。
8）改进K-Means聚类算法，基于改进的K-Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，然后将k个二级模板融合成一个三级的注册模板，登记到模板数据库，注册成功；
即根据最大化模板类内差异对一级模板进行筛选的方法是基于改进的K-Means聚类对所有一级模板进行聚类，k为聚类数，聚类结束后，选取每类距离质心最近的一级模板作为二级模板，得到若干二级模板，参照附图7和8所示，其具体步骤为：
8.1）设输入样本集为
Figure 702679DEST_PATH_IMAGE018
，输出的类簇为
Figure 166022DEST_PATH_IMAGE019
，m是输入样 本总数，为大于0的整数；k是类簇总数，为大于0的整数；
8.2）根据位移情况计算K值：
Figure 41574DEST_PATH_IMAGE020
Figure 273972DEST_PATH_IMAGE049
Figure 327510DEST_PATH_IMAGE050
Figure 278148DEST_PATH_IMAGE023
分别是手掌ROI区域的左上角、右下角的行坐标，
Figure 957391DEST_PATH_IMAGE024
是两坐标的中点；
Figure 309875DEST_PATH_IMAGE025
是第n个模板对应的手掌ROI区域的中点；
Figure 986844DEST_PATH_IMAGE026
是位移的变化数，位移变化数的初始值为0，n0是 一级模板序数；
Figure 221516DEST_PATH_IMAGE027
是
Figure 376554DEST_PATH_IMAGE028
和
Figure 645862DEST_PATH_IMAGE029
的时间间隔；
本实施例中K=5，无位移；
8.3）根据位移情况，选取不同的初始化质心向量
Figure 228153DEST_PATH_IMAGE030
，k是类簇总数，为大于0 的整数：
若手掌有位移，根据公式（11）分别计算k个位移帧数索引，将对应的样本作为质心向量；
若手掌无位移，根据时间顺序从样本集D，利用公式（12）计算模板序数对应的一级模板作为初始的质心向量；
Figure 199389DEST_PATH_IMAGE031
Figure 158117DEST_PATH_IMAGE051
公式（11）中，
Figure 281931DEST_PATH_IMAGE033
为位移变化的帧数序号；
Figure 566282DEST_PATH_IMAGE034
为一级模板总数，本实施例
Figure 713229DEST_PATH_IMAGE052
，i0为质心样本序数，
Figure 272387DEST_PATH_IMAGE035
为第i0类簇的初始一级模板序数；
本实施例无位移，故采用公式（12）将对应的样本作为质心向量；
8.4）设置最大迭代次数N，本实施例中N=20，迭代次数为iter_n=1,2,...,N，进行循环迭代：
a）若iter_n=1，以初始化质心向量为中心，依次将前后M/(2*k)个样本，分为1簇，共k 簇，初始化类簇C为
Figure 188390DEST_PATH_IMAGE036
，
Figure 440380DEST_PATH_IMAGE037
为类簇序号, 为大于0且小于等于k的整数；
b）根据公式（13）计算每个样本到各个质心向量
Figure 74624DEST_PATH_IMAGE038
的
Figure 188204DEST_PATH_IMAGE017
距离，将
Figure 958714DEST_PATH_IMAGE039
划分到最小
Figure 584868DEST_PATH_IMAGE017
距离所在的类簇
Figure 768724DEST_PATH_IMAGE040
，
Figure 607367DEST_PATH_IMAGE041
是
Figure 560280DEST_PATH_IMAGE039
样本所在的簇的序数：
Figure 91755DEST_PATH_IMAGE053
Figure 497329DEST_PATH_IMAGE039
是输入的特征向量样本，
Figure 405242DEST_PATH_IMAGE043
是第j类簇的质心向量，
Figure 415923DEST_PATH_IMAGE017
为样本
Figure 441603DEST_PATH_IMAGE039
到质心向量
Figure 272156DEST_PATH_IMAGE043
的 余弦距离i是样本序数，0<i <样本数，j是类簇序数，0<j<类簇数，i、j都为整数；
d)按照公式（14）更新所有类簇的质心，j是类簇序数，0<j<(类簇数)，j为整数：
Figure 514919DEST_PATH_IMAGE044
判断所有质心向量是否发生变化；若没有发生变化，则进入下一步；
8.5）输出类簇
Figure 380106DEST_PATH_IMAGE019
，计算输出类簇
Figure 315701DEST_PATH_IMAGE019
中每类距离质心最 近的样本向量，分别记为5个二级模板。
本发明在 K-Means算法的基础上，做了2点改进：一是对K的选值方法进行改进，通过计算手掌ROI中心的位移来自动选取K值；二是对质心的初始化方法进行了改进，根据位移位置帧数索引，选择初始化质心样本。
改进后的K-Means算法，K的取值和初始质心选择的更准确，使得后续的聚类迭代收敛更快更准，类内模板间的差异更大，选取到多姿态的手掌模板，很大程度提高多姿态验证的识别率。
参照附图9所示，将5个二级模板融合成一个三级的注册模板的公式为：
Figure 633550DEST_PATH_IMAGE054
Figure 680004DEST_PATH_IMAGE046
表示各二级模板，
Figure 665277DEST_PATH_IMAGE047
表示融合后的三级模板。
实施例2
参照附图10所示，本实施例涉及一种基于非接触式手掌静脉的视频注册装置，其包括：
视频采集模块，用于使用非接触设备采集时长为t秒的手掌静脉视频；视频采集模块用于实现实施例1步骤1）的功能。
图像裁剪模块，用于定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；图像裁剪模块用于实现实施例1步骤2）的功能。
手掌异常检测模块，用于对手掌区域A进行手掌异常检测；手掌异常检测模块用于实现实施例1步骤3）的功能。
成像质量判断模块，用于对手掌ROI区域B进行成像质量判断；成像质量判断模块用于实现实施例1步骤4）的功能。
提取模块，用于对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；提取模块用于实现实施例1步骤5）的功能。
余弦相似度对比模块，用于设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度；余弦相似度对比模块用于实现实施例1步骤6）的功能。
采集数量对比模块，用于设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小；采集数量对比模块用于实现实施例1步骤7）的功能。
注册模块，用于根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，并将k个二级模板融合成一个三级的注册模板，登记到模板数据库；注册模块用于实现实施例1步骤8）的功能。
显然，本实施例的基于非接触式手掌静脉的视频注册装置可以作为上述实施例1的视频注册方法的执行主体，因此能够实现该视频注册方法所实现的功能。由于原理相同，本文不再赘述。
实验例
为验证本申请方法的有效性，本实验例进行以下2个实验。
实验1：本实施例使用非接触式设备，一方面应用本发明中提出的一种基于非接触式手掌静脉图像的视频注册方法，在距离摄像头[90,120]mm范围内，注册200人的正常左、右手掌静脉，约7秒/掌，分别基于改进的kmeans和原始的K-Means算法（二级模板数大致分布在K=4~7），分别得到模板库1、2；另一方面仅采集7幅/200人掌静脉图片进行注册， 二级模板数大致分布在K=4~7，得到模板库3；分别对这3模板库进行掌静脉验证，10次/掌，统计通过率，见表1；
Figure 709457DEST_PATH_IMAGE056
实验2：基于实验1中的模板库1，让这200人在掌静脉验证时，在手掌部分模拟异常情况，即不同程度的遮挡手掌静脉的情况，统计验证误识率，见表2；
Figure 327651DEST_PATH_IMAGE058
实验数据分析和结论：根据表1数据可见，本申请表中列出的3种注册方法，都是在二级模板数K= 7时识别率较高；本申请提出的基于改进的K-Means算法的视频注册方法的识别率优于基于原始K-Means算法的视频注册算法，也优于普通的图片注册方法；本申请视频注册方法中基于改进K-Means算法的模板筛选算法，能自动计算聚类数，选择合适、准确初始质心，进而保持模板类内最大差异，有效提高了识别率；根据表2中列举的4种异常情况，统计结果均没有出现误识；可见本申请中提出的异常检测，从源头上屏蔽了很大的误识风险，提高了整个非接触式掌静脉识别系统的安全等级。
总之，可直观看出本发明所述一种基于非接触式手掌静脉图像的视频注册方法，对掌静脉注册和识别都有很高的安全性，并且最大化模板类内差异，有效提高验证的识别率。
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 (10)

1.一种基于非接触式手掌静脉的视频注册方法，其特征在于：其包括以下步骤：
1）使用非接触设备采集时长为t秒的手掌静脉视频；
2）定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；
3）对手掌区域A进行手掌异常检测，输出检测结果，若检测结果为异常，返回步骤2），若检测结果为正常，进入步骤4）；
4）对手掌ROI区域B进行成像质量判断，输出判断结果，若判断结果为不合格，返回步骤2），若判断结果为合格，进入步骤5）；
5）对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；
6）重复步骤2）~5），提取若干一级模板，设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度，若计算所得的余弦相似度大于等于余弦相似度阈值T3，则进入下一步继续注册，反之，注册失败，结束本次注册；
7）设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小，若采集到的一级模板的数量大于或等于阈值M，进入步骤8），反之，则注册失败，结束本次注册；
8）改进K-Means聚类算法，基于改进的K-Means聚类算法，并根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，然后将k个二级模板融合成一个三级的注册模板，登记到模板数据库，注册成功。
2.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述步骤2）中，定位手掌和手掌ROI区域使用的是基于深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1，训练方法如下：
2.1) 采集训练样本：训练样本是多环境下的手掌静脉图像；
2.2）给训练样本打标签：使用标图工具LabelImage标注出每张训练样本中的手掌和手掌ROI区域的位置，生成对应的标注xml文件；
2.3）初始化训练超参数；
2.4）开始训练：基于TensorFlow框架，设置训练数据的路径，开始训练；
2.5）训练结束：等到训练loss收敛且趋于稳定，选择其中一个准确率较高的模型，即为深度学习的目标检测神经网络 YOLOv5训练的目标检测模型model1。
3.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述步骤3）中，手掌异常检测的模型为基于VGG16网络训练好的二分类模型，基于VGG16网络的二分类模型的训练方法：
3.1) 采集训练正样本：正样本是多种灯光环境下的正常的手掌静脉图像；
3.2）采集训练负样本：负样本是采集的多种异常手掌，包括手上戴有手套和手掌有遮挡物；
3.3）初始化训练超参数；
3.4）开始训练：基于TensorFlow框架，选择VGG16网络和交叉熵损失函数，设置训练数据的路径，开始训练；
3.5）训练结束：待训练loss趋于0收敛且稳定，选择其中一个准确率较高的模型，作为手掌异常检测的二分类模型。
4.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤4）中，对手掌ROI区域B进行成像质量判断包括对曝光度和清晰度的判断。
5.根据权利要求4所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的曝光度的计算公式为：
Figure 810290DEST_PATH_IMAGE001
Figure 983783DEST_PATH_IMAGE002
Figure 260043DEST_PATH_IMAGE003
n是图像的像素总数，ng是图像种第
Figure 493579DEST_PATH_IMAGE004
个灰度级的像素总数，rg是第
Figure 855290DEST_PATH_IMAGE004
个灰度级，
Figure 832473DEST_PATH_IMAGE004
=0,1, 2,…L-1；L=255；
Figure 743666DEST_PATH_IMAGE005
是第
Figure 148103DEST_PATH_IMAGE004
个灰度级在图像整个灰度级出现的概率；
Figure 731531DEST_PATH_IMAGE006
是最大的灰度 级的概率，即像素最多的概率；T1是曝光度阈值；
所述的清晰度计算公式为：
Figure 777984DEST_PATH_IMAGE007
Figure 294416DEST_PATH_IMAGE008
Figure 620486DEST_PATH_IMAGE009
Figure 691211DEST_PATH_IMAGE010
是待计算清晰度的输入手掌ROI图像，
Figure 10196DEST_PATH_IMAGE011
是卷积之后的输出图 像，i、j分别表示图像中像素的行列索引，m、n分别表示图像的高和宽，0<i<=m，0<j<=n，i和j 都是整数；
Figure 849976DEST_PATH_IMAGE012
即为
Figure 596216DEST_PATH_IMAGE010
图像的清晰度，该清晰度是0~1之间的浮点数，数值越大 越清晰；反之，越模糊；T2是清晰度阈值。
6.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤5）中，手掌ROI预处理包括高斯去噪，引导滤波增强；提取512维特征向量的方法是：调用基于深度学习训练好的掌静脉特征提取模型，进行特征提取，得到512维特征向量。
7.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤6）中，相邻两个一级模板间的余弦相似度的计算公式为：
Figure 419815DEST_PATH_IMAGE013
Figure 276913DEST_PATH_IMAGE014
是一级模板向量，i、j是模板序数，i、j都为整数，0<i <(1级模板数-1)，1<j<1级模板 数，
Figure 502358DEST_PATH_IMAGE015
是余弦相似度。
8.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤8）中，根据最大化模板类内差异对一级模板进行筛选的方法是基于改进的K-Means聚类对所有一级模板进行聚类，k为聚类数，聚类结束后，选取每类距离质心最近的一级模板作为二级模板，得到若干二级模板，具体为：
8.1）设输入样本集为
Figure 934345DEST_PATH_IMAGE016
，输出的类簇为
Figure 979661DEST_PATH_IMAGE017
，m是输入样 本总数，为大于0的整数；k是类簇总数，为大于0的整数；
8.2）根据位移情况计算K值：
Figure 640450DEST_PATH_IMAGE018
Figure 454822DEST_PATH_IMAGE019
Figure 542864DEST_PATH_IMAGE020
Figure 75476DEST_PATH_IMAGE021
分别是手掌ROI区域的左上角、右下角的行坐标，
Figure 539956DEST_PATH_IMAGE022
是两坐标的中点；
Figure 474414DEST_PATH_IMAGE023
是第n个模板对应的手掌ROI区域的中点；
Figure 733357DEST_PATH_IMAGE024
是位移的变化数，位移变化数的初始值为0，n0是 一级模板序数；
Figure 503998DEST_PATH_IMAGE025
是
Figure 772168DEST_PATH_IMAGE026
和
Figure 561132DEST_PATH_IMAGE027
的时间间隔；
8.3）根据位移情况，选取不同的初始化质心向量
Figure 990977DEST_PATH_IMAGE028
，k是类簇总数，为大于0 的整数：
若手掌有位移，根据公式（11）分别计算k个位移帧数索引，将对应的样本作为质心向量；
若手掌无位移，根据时间顺序从样本集D，利用公式（12）计算模板序数对应的一级模板作为初始的质心向量；
Figure 498181DEST_PATH_IMAGE029
Figure 304463DEST_PATH_IMAGE030
公式（11）中，
Figure 947934DEST_PATH_IMAGE031
为位移变化的帧数序号；
Figure 814259DEST_PATH_IMAGE032
为一级模板总数，i0为质心样本 序数，
Figure 277602DEST_PATH_IMAGE033
为第i0类簇的初始一级模板序数；
8.4）设置最大迭代次数N，迭代次数为iter_n=1,2,...,N，进行循环迭代：
a)若iter_n=1，以初始化质心向量为中心，依次将前后M/(2*k)个样本，分为1簇，共k 簇，初始化类簇C为
Figure 402421DEST_PATH_IMAGE034
，
Figure 900399DEST_PATH_IMAGE035
为类簇序号, 为大于0且小于等于k的整数；
b)根据公式（13）计算每个样本到各个质心向量
Figure 937625DEST_PATH_IMAGE036
的
Figure 419422DEST_PATH_IMAGE015
距离，将
Figure 567506DEST_PATH_IMAGE037
划分到最小
Figure 185569DEST_PATH_IMAGE015
距离所在的类簇
Figure 144429DEST_PATH_IMAGE038
，
Figure 847943DEST_PATH_IMAGE039
是
Figure 799719DEST_PATH_IMAGE037
样本所在的簇的序数：
Figure 272288DEST_PATH_IMAGE040
Figure 651317DEST_PATH_IMAGE037
是输入的特征向量样本，
Figure 576548DEST_PATH_IMAGE041
是第j类簇的质心向量，
Figure 66435DEST_PATH_IMAGE015
为样本
Figure 659090DEST_PATH_IMAGE037
到质心向量
Figure 943441DEST_PATH_IMAGE041
的余 弦距离i是样本序数，0<i <样本数，j是类簇序数，0<j<类簇数，i、j都为整数；
c)按照公式（14）更新所有类簇的质心，j是类簇序数，0<j<(类簇数)，j为整数：
Figure 882533DEST_PATH_IMAGE042
判断所有质心向量是否发生变化；若没有发生变化，则进入下一步；
8.5）输出类簇
Figure 910532DEST_PATH_IMAGE017
，计算输出类簇
Figure 357694DEST_PATH_IMAGE017
中每类距离质心最 近的样本向量，分别记为k个二级模板。
9.根据权利要求1所述的基于非接触式手掌静脉的视频注册方法，其特征在于：所述的步骤8）中，将k个二级模板融合成一个三级的注册模板的公式为：
Figure 78525DEST_PATH_IMAGE043
式中，
Figure 978348DEST_PATH_IMAGE044
表示各二级模板，
Figure 810038DEST_PATH_IMAGE045
表示融合后的三级模板。
10.一种基于非接触式手掌静脉的视频注册装置，其特征在于：其包括：
视频采集模块，用于使用非接触设备采集时长为t秒的手掌静脉视频；
图像裁剪模块，用于定位手掌和手掌ROI位置并裁剪对应图像，分别记为手掌区域A和手掌ROI区域B；
手掌异常检测模块，用于对手掌区域A进行手掌异常检测；
成像质量判断模块，用于对手掌ROI区域B进行成像质量判断；
提取模块，用于对手掌ROI进行预处理，提取手掌ROI区域B的512维特征向量并将其保存为1个一级模板；
余弦相似度对比模块，用于设置模板间的余弦相似度阈值T3，并计算相邻两个一级模板间的余弦相似度；
采集数量对比模块，用于设置一级模板数量阈值M，比较t秒视频结束后采集到的一级模板的数量与阈值M的大小；
注册模块，用于根据最大化模板类内差异对所有一级模板进行筛选，得到k个二级模板，并将k个二级模板融合成一个三级的注册模板，登记到模板数据库。
CN202011358877.XA 2020-11-27 2020-11-27 一种基于非接触式手掌静脉图像的视频注册方法及装置 Active CN112183504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011358877.XA CN112183504B (zh) 2020-11-27 2020-11-27 一种基于非接触式手掌静脉图像的视频注册方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011358877.XA CN112183504B (zh) 2020-11-27 2020-11-27 一种基于非接触式手掌静脉图像的视频注册方法及装置

Publications (2)

Publication Number Publication Date
CN112183504A true CN112183504A (zh) 2021-01-05
CN112183504B CN112183504B (zh) 2021-04-13

Family

ID=73918185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011358877.XA Active CN112183504B (zh) 2020-11-27 2020-11-27 一种基于非接触式手掌静脉图像的视频注册方法及装置

Country Status (1)

Country Link
CN (1) CN112183504B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673477A (zh) * 2021-09-02 2021-11-19 青岛奥美克生物信息科技有限公司 掌静脉非接触式三维建模方法、装置及认证方法
WO2023028947A1 (zh) * 2021-09-02 2023-03-09 青岛奥美克生物信息科技有限公司 掌静脉非接触式三维建模方法、装置及认证方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105474234A (zh) * 2015-11-24 2016-04-06 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN107122700A (zh) * 2017-03-02 2017-09-01 华南理工大学 一种基于视频的掌纹掌脉联合注册和识别方法
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法
WO2019071716A1 (zh) * 2017-10-15 2019-04-18 常熟安智生物识别技术有限公司 一种基于掌静脉识别技术的支付系统
CN110415225A (zh) * 2019-07-22 2019-11-05 南充折衍智能光电科技有限公司 一种基于多信息融合的手指静脉图像质量评价方法
CN111428581A (zh) * 2020-03-05 2020-07-17 平安科技（深圳）有限公司 人脸遮挡检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105474234A (zh) * 2015-11-24 2016-04-06 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN107122700A (zh) * 2017-03-02 2017-09-01 华南理工大学 一种基于视频的掌纹掌脉联合注册和识别方法
WO2019071716A1 (zh) * 2017-10-15 2019-04-18 常熟安智生物识别技术有限公司 一种基于掌静脉识别技术的支付系统
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法
CN110415225A (zh) * 2019-07-22 2019-11-05 南充折衍智能光电科技有限公司 一种基于多信息融合的手指静脉图像质量评价方法
CN111428581A (zh) * 2020-03-05 2020-07-17 平安科技（深圳）有限公司 人脸遮挡检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673477A (zh) * 2021-09-02 2021-11-19 青岛奥美克生物信息科技有限公司 掌静脉非接触式三维建模方法、装置及认证方法
WO2023028947A1 (zh) * 2021-09-02 2023-03-09 青岛奥美克生物信息科技有限公司 掌静脉非接触式三维建模方法、装置及认证方法

Also Published As

Publication number Publication date
CN112183504B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Lin et al. Face liveness detection by rppg features and contextual patch-based cnn
CN107423690B (zh) 一种人脸识别方法及装置
Iwama et al. Gait verification system for criminal investigation
US9292745B2 (en) Object detection apparatus and method therefor
Connaughton et al. Fusion of face and iris biometrics
JP2005149506A (ja) 対象物自動認識照合方法および装置
CN112183504B (zh) 一种基于非接触式手掌静脉图像的视频注册方法及装置
Haji et al. Real time face recognition system (RTFRS)
CN109934129B (zh) 一种人脸特征点定位方法、装置、计算机设备及存储介质
CN107480628B (zh) 一种人脸识别方法及装置
Al-Dmour et al. Masked Face Detection and Recognition System Based on Deep Learning Algorithms
Fritz et al. Object recognition using local information content
Loos et al. Detection and identification of chimpanzee faces in the wild
Méndez-Llanes et al. On the use of local fixations and quality measures for deep face recognition
Kimura et al. Single sensor-based multi-quality multi-modal biometric score database and its performance evaluation
Sivapriyan et al. Analysis of facial recognition techniques
KR100711223B1 (ko) 저니키(Ｚｅｒｎｉｋｅ)/선형 판별 분석(ＬＤＡ)을 이용한얼굴 인식 방법 및 그 방법을 기록한 기록매체
Sehgal Palm recognition using LBP and SVM
Ruiz et al. Weakly supervised polyp segmentation from an attention receptive field mechanism
Puhalanthi et al. Effective multiple person recognition in random video sequences using a convolutional neural network
Martsenyuk et al. Exploring Image Unified Space for Improving Information Technology for Person Identification
Hashem et al. Human gait identification system based on transfer learning
CN113158788B (zh) 人脸表情识别方法、装置、终端设备及存储介质
Fuchs et al. Inter-active learning of randomized tree ensembles for object detection
Nguyen et al. Automated conformance testing for ISO/IEC 19794-5 Standard on facial photo specifications

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