CN112418150A - 掌静脉图像评估方法、装置、计算机设备及存储介质 - Google Patents

掌静脉图像评估方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112418150A
CN112418150A CN202011409643.3A CN202011409643A CN112418150A CN 112418150 A CN112418150 A CN 112418150A CN 202011409643 A CN202011409643 A CN 202011409643A CN 112418150 A CN112418150 A CN 112418150A
Authority
CN
China
Prior art keywords
palm vein
image
point set
region
interest
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
CN202011409643.3A
Other languages
English (en)
Other versions
CN112418150B (zh
Inventor
黄振杰
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.)
PCI Suntek Technology Co Ltd
Original Assignee
PCI Suntek 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 PCI Suntek Technology Co Ltd filed Critical PCI Suntek Technology Co Ltd
Priority to CN202011409643.3A priority Critical patent/CN112418150B/zh
Publication of CN112418150A publication Critical patent/CN112418150A/zh
Application granted granted Critical
Publication of CN112418150B publication Critical patent/CN112418150B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/60—Static or dynamic means for assisting the user to position a body part for biometric acquisition
    • G06V40/67—Static or dynamic means for assisting the user to position a body part for biometric acquisition by interactive indications to the user
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30168—Image quality inspection
    • 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
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

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

Abstract

本发明实施例公开了一种掌静脉图像评估方法、装置、计算机设备及存储介质。所述方法包括：获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。本发明实施例可以实现对掌静脉图像的质量进行客观评估，提高掌静脉图像的评估效率。

Description

掌静脉图像评估方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及图像处理领域，尤其涉及一种掌静脉图像评估方法、装置、计算机设备及存储介质。
背景技术
生物识别技术可以是指根据人体特定的生物特征进行身份认证。生物特征可以包括掌静脉特征。可以采用多种方式采集掌静脉图像，例如，非接触式采集掌静脉图像。
掌静脉图像在非接触式采集/成像的过程中，手掌容易发生倾斜，造成纹理形变，而且容易受到设备、光照等各种因素的影响，产生的低质量/含很多噪声的图像，将影响后续的特征提取和匹配的效率及准确度。
目前通过人工区分掌静脉图像的质量好坏，导致质量评估主观，而且效率低下。
发明内容
本发明实施例提供了一种掌静脉图像评估方法、装置、计算机设备及存储介质，可以实现对掌静脉图像的质量进行客观评估，提高掌静脉图像的评估效率，从而提高后续的特征提取和匹配的效率及准确度。
第一方面，本发明实施例提供了一种掌静脉图像评估方法，包括：
获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；
获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；
根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
第二方面，本发明实施例提供了一种掌静脉图像评估装置，包括：
掌静脉图像分割模块，用于获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；
图像分析模块，用于获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；
图像质量评估模块，用于根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的掌静脉图像评估方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的掌静脉图像评估方法。
本发明实施例通过获取掌静脉感兴趣区域图像，并输入至预先训练的模型中进行分割，形成目标掌静脉点集合和背景点集合，并根据两个区域的像素信息，确定目标掌静脉点集合和背景点集合之间的差异数据，并根据该差异数据，计算质量评估结果，解决了现有技术中人工评估掌静脉图像质量的主观性强和效率低的问题，实现根据图像中的信息评价图像的质量，提高评估的客观性，降低评估的人工成本，提高评估效率。
附图说明
图1是本发明实施例一中的一种掌静脉图像评估方法的流程图；
图2是本发明实施例二中的一种掌静脉图像评估方法的流程图；
图3是本发明实施例三中的一种掌静脉图像评估装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中的一种掌静脉图像评估方法的流程图，本实施例可适用于对采集的掌静脉图像进行质量评估的情况，该方法可以由本发明实施例提供的掌静脉图像评估装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中。如图1所示，本实施例的方法具体包括：
S110，获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合。
其中，为了准确评估掌静脉图像的图像质量，掌静脉感兴趣区域图像应为不包含手掌边缘和手指部分的区域，从而确保不引入边缘和其它背景干扰因素。掌静脉感兴趣区域图像可以是指对掌静脉图像进行处理(如剔除干扰区域的处理)后得到的图像。
掌静脉感兴趣区域图像可以采用任意非接触式方法进行图像采集。示例性的，采用由近红外光源、摄像头、镜头、截止滤波片以及一些紧固件组成的系统进行掌静脉图像采集。或者，可以其他采用任意非接触式方法进行掌静脉图像采集，并对掌静脉图像进行处理，得到的图像作为掌静脉感兴趣区域图像。
分割模型用于对掌静脉感兴趣区域图像进行图像分割，形成仅包括掌静脉的目标掌静脉点集合和不包括掌静脉的背景点集合。目标掌静脉点集合和背景点集合互不重叠。其中，分割模型为深度学习模型，通过预先训练的深度学习模型进行图像分割，可以实现更准确的图像分割。实际上，分割模型输出的是目标图像，该目标图像中标记有目标掌静脉点集合和背景点集合。
可选的，在获取掌静脉感兴趣区域图像之后，在将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中之前，还包括：对所述掌静脉感兴趣区域图像进行滤波和/或纹理增强。
滤波用于降低掌静脉感兴趣区域图像的噪声。纹理增强用于增强图像的纹理，使图像纹理和边缘更加清晰，提高图像质量。
示例性的，可以采用均值滤波和中值滤波等滤除噪声；和/或使用灰度归一化和CLAHE直方图均衡化等方法对掌静脉纹理进行进一步的增强。其中，可以在滤波之后进行增强处理。
通过对图像进行滤波和/或纹理增强处理，可以减少干扰信息，提高图像质量，同时提高图像评估准确率。
可选的，所述获取掌静脉感兴趣区域图像，包括：采集掌静脉图像，并获取所述掌静脉图像的感兴趣区域；将所述感兴趣区域划分为至少两个相同尺寸的区域；获取各所述区域的灰度均值，并计算所述感兴趣区域的亮度均匀度值；如果确定所述亮度均匀度值小于等于均匀度阈值，将所述感兴趣区域确定为掌静脉感兴趣区域图像；如果确定所述亮度均匀度值大于所述均匀度阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
掌静脉图像为直接采集得到的图像，感兴趣区域为对掌静脉图像删除非手掌部分形成的区域，例如删除手掌边缘和手指部分。感兴趣区域通常为矩形。
在非接触式掌静脉采集系统中，由于没有掌托或其他辅助参考装置，手掌相对于摄像头的姿态多种多样，容易与成像平面存在一定夹角，这使得手掌表面光强分布不均匀且呈渐变趋势，从而导致静脉的形状发生变化，影响后续图像处理结果，例如针对掌静脉的图像识别结果或图像分割结果等，为图像特征提取引入额外干扰因素，所以需要对感兴趣区域的光照均匀度进行定量估计，然后筛选质量合格的掌静脉感兴趣区域图像进入后续处理。
亮度均匀度值用于描述手掌表面光强的均匀程度。均匀度阈值用于判断掌纹光强是否分布均匀。掌静脉重采集的提示信息用于提示用户调整手掌，以及重新对手掌进行图像采集、重新获取掌静脉图像中的感兴趣区域、以及判断感兴趣区域是否为掌静脉感兴趣区域图像等。
亮度均匀度值越小，表明掌纹光强分布越均匀，采集得到的图像质量越高。亮度均匀度值越大，表明掌纹光强分布越不均匀，采集得到的图像质量越低。可以根据实验确定均匀度阈值，具体可以根据图像采集设备的参数确定。
亮度均匀度值小于等于均匀度阈值，表明掌纹光强分布均匀，即手掌平行或基本平行于成像面等，此时采集的图像质量较高，可以作为掌静脉感兴趣区域图像进行后续处理。亮度均匀度值大于均匀度阈值，表明掌纹光强分布不均匀，即手掌与成像面成夹角等，此时采集的图像质量较低，可以提示用户，以使用户调整手掌，并执行掌静脉重采集操作。
通过计算亮度均匀度值，并根据亮度均匀度值与均匀度阈值之间的大小关系，筛除亮度分布不均匀的图像，可以在图像质量评估之前，对图像进行粗筛，快速滤除质量低的图像，提高图像质量评估的效率。
示例性的，通过第一步筛选，滤除亮度分布不均匀的图像，可以提高掌静脉感兴趣区域图像的图像质量，并对高质量的掌静脉感兴趣区域图像进行图像分割，计算质量评估结果。并且还可以通过第二步筛选，根据质量评估结果，获取大于等于质量评估阈值的图像，进行后续图像处理，获取高质量的掌静脉感兴趣区域图像，可以提高掌静脉感兴趣区域图像的图像质量，从而提高后续的特征提取和匹配的效率和准确度。
可选的，所述计算所述感兴趣区域的亮度均匀度值，包括：根据各所述区域的灰度均值，计算所述感兴趣区域的灰度均值；计算各所述区域的灰度均值与所述感兴趣区域的灰度均值之间的差值；将各所述区域对应的差值进行求和平均，得到所述感兴趣区域的亮度均匀度值。
可以获取各区域中各像素的灰度值，累加灰度值，计算累加和与区域包括的像素数量的比值，确定为各区域的灰度均值。感兴趣区域的灰度均值为累加各区域的灰度均值，计算累加和与区域的数量的比值。
具体的，基于如下公式计算亮度均匀度值Qbrightness。
将感兴趣区域划分为k(1≤m≤k)个面积相等的区域，计算每个区域的灰度均值Graym，每个区域的Graym之间的差异能够反映感兴趣区域的亮度均匀度Qbrightness，可用以下公式表示：
Figure BDA0002814642860000071
其中，k为区域的数量，Grayi为第i个区域的灰度均值。
Figure BDA0002814642860000072
为感兴趣区域的灰度均值。
通过计算各个区域的灰度均值与感兴趣区域的灰度均值之间的差值之和求平均，确定为亮度均匀度值，从而亮度均匀度值可以准确描述各个区域的灰度差异程度，从而精确描述亮度分布均匀程度。
S120，获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据。
目标掌静脉点集合中像素的信息用于描述目标掌静脉点集合的图像特征。背景点集合中像素的信息用于描述背景点集合的图像特征。像素的信息可以包括像素的数量、像素的像素值和位置等信息。
所述目标掌静脉点集合和所述背景点集合之间的差异数据，用于描述掌静脉点集合和非掌静脉点集合之间的差异。目标掌静脉点集合和背景点集合之间的差异数据，是从目标掌静脉点集合和背景点集合，即更小粒度的角度，量化掌静脉与非掌静脉之间的差异图像特征。其中，差异数据可以包括目标掌静脉点集合的总面积与图像总面积比值、目标掌静脉点集合的灰度级与背景点集合的灰度级之间的差异、目标掌静脉点集合的质心与背景点集合的质心之间的距离和信息熵等。此外，差异数据还可以包括其他内容，可以根据需要进行设置，对此不具体限制。
S130，根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
根据差异数据，可以确定掌静脉相对于非掌静脉的差异图像特征，从而计算质量评估结果，提高质量评估结果的精准性。
具体的，掌静脉图像的要求是亮度均匀、纹理稳定、纹理清晰和纹理丰富等，可以根据差异数据，判断纹理特征的清晰度和纹理特征的丰富度等。例如，清晰度可以通过梯度函数(例如Brenner梯度函数)、灰度方差乘积函数或熵函数等方法计算。丰富度可以通过统计像素颜色的数量表示。
如果从整个图像区域的角度评估掌静脉图像质量，则会损失掌静脉的细节图像特征，导致图像质量评估结果粗犷不够准确。而本发明实施例通过比较目标掌静脉点集合和非目标掌静脉点集合之间的细节差异，可以更细粒度评估图像质量，提高图像质量评估结果的精准性。
可选的，在计算所述掌静脉感兴趣区域图像的质量评估结果之后，还包括：如果确定所述质量评估结果小于设定质量评估阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
质量评估结果小于设定质量评估阈值，表明掌静脉感兴趣区域图像的质量较低。此时，可能是由于用户放置手掌的角度或位置等不合适，需要重新获取掌静脉感兴趣区域图像，从而可以提示用户，以使用户调整手掌，并执行掌静脉重采集操作。通过在质量评估结果小于设定质量评估阈值时，提示用户重采集掌静脉图像，可以及时提示用户调整手掌，并重新采集掌静脉感兴趣区域图像，以获取以更加合适角度或位置采集得到的掌静脉图像，从而提高掌静脉感兴趣区域的图像质量。
本发明实施例通过获取掌静脉感兴趣区域图像，并输入至预先训练的模型中进行分割，形成目标掌静脉点集合和背景点集合，并根据两个区域的像素信息，确定目标掌静脉点集合和背景点集合之间的差异数据，并根据该差异数据，计算质量评估结果，解决了现有技术中人工评估掌静脉图像质量的主观性强和效率低的问题，实现根据图像中的信息评价图像的质量，提高评估的客观性，降低评估的人工成本，提高评估效率。
实施例二
图2为本发明实施例二中的一种掌静脉图像评估方法的流程图，本实施例以前述实施例为基础进行具体化。本实施例的方法具体包括：
S210，获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合。
本发明实施例未详尽的描述可以参考前述实施例。
可选的，在将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中之前，还包括：获取亮度均匀度值小于等于均匀度阈值的掌静脉感兴趣区域图像；采用至少一个分割算法对所述掌静脉感兴趣区域图像进行处理，得到对应的多个二值图，并形成所述掌静脉感兴趣区域图像对应的二值图组；对所述掌静脉感兴趣区域图像对应的二值图组进行融合处理，生成所述掌静脉感兴趣区域图像对应的标签图，并确定训练样本，所述训练样本包括掌静脉感兴趣区域图像与对应的标签图，所述标签图包括两个像素值，第一像素值与背景点集合对应，第二像素值与掌静脉点集合对应；将所述训练样本输入至生成对抗网络模型中，对所述生成对抗网络模型进行训练；在所述生成对抗网络模型训练完成时，将当前生成对抗网络模型确定为分割模型。
亮度均匀度值小于等于均匀度阈值的掌静脉感兴趣区域图像，是指亮度均匀分布的掌静脉感兴趣区域图像。
分割算法可以是指现有的传统分割算法，例如，最大曲率法、Gabor滤波和最大曲率法等。分割算法用于将掌静脉感兴趣区域图像分割成目标掌静脉点集合和背景点集合。二值图是指像素只有两个取值的数字图像。一个分割算法对应形成一个二值图。二值图组包括多个二值图，二值图与分割算法一一对应。
将一个掌静脉感兴趣区域图像对应的二值图组包括的各二值图进行融合处理，用于针对该掌静脉感兴趣区域图像，综合多个分割算法的分割结果，形成一个分割结果，该分割结果即为该掌静脉感兴趣区域图像对应的标签图。通过融合处理确定标签图，可以提高分割结果的分割准确率。
标签图为二值图像，标签图包括的像素配置有两种像素值，即标签图中像素要么是第一像素值，要么是第二像素值，第一像素值与标签图的背景点集合对应，第二像素值与标签图的掌静脉点集合对应。其中，标签图(即二值图)中像素的像素值又可以称为掩膜值，示例性的，背景点集合的掩膜值为0，目标掌静脉点集合的掩膜值为255；又如，背景点集合的掩膜值为0，目标掌静脉点集合的掩膜值为1。从而，确定标签图的各像素的掩膜值，相当于确定标签图的背景点集合和掌静脉点集合。
其中，生成对抗网络模型可以是基于编码器-解码器的U型生成对抗网络模型，其中，生成对抗网络模型包括生成器网络和判别器网络，其中，生成器网络包括编码器，判别器网络包括解码器。采用随机梯度下降算法交替优化生成器网路和判别器网络，更新模型参数，最小化损失函数的值，直至损失函数收敛，或者迭代次数大于等于迭代次数阈值，满足训练完成条件，确定生成对抗网络模型训练完成。将当前时刻的生成对抗网络模型，确定为分割模型。其中，U型结构可以保留图像中更细节的特征和在少量数据集下有较好的分割效果的优势。生成大量的训练样本，对生成对抗网络模型进行训练，以得到训练完成的生成对抗网络模型，作为分割模型。
在一个具体的例子中，对亮度均匀度值小于等于均匀度阈值的每个样本xj，使用已有的C个传统分割算法，处理得到C个二值图组{i1，...，iC}，其中背景点集合的掩膜值为0，目标掌静脉点集合的掩膜值为255，融合二值图组生成标签图I作为样本xi对应的标签yi，构建数据集D＝{(x1，y1)，...，(xi，yi)，...}，确定为训练样本，实现样本的自动标注。其中，标签图I的生成可用以下公式表示：
Figure BDA0002814642860000111
0，其他
其中，I(u，v)为标签图I中第u行v列的像素值，ic(u，v)第c个二值图ic中第u行v列的像素值。
通过多个分割算法自动计算掌静脉感兴趣区域图像对应的二值图，并融合多个二值图得到标签图，可以获取更准确的掌静脉分割结果，将掌静脉感兴趣区域图像和对应的标签图组成训练样本，并计算多个掌静脉感兴趣区域图像对应的标签图，形成多个训练样本，实现自动生成训练样本，降低生成训练样本的人工成本，提高训练样本的生成效率，并将生成的大量训练样本输入至U型生成对抗网络模型中进行训练，可以提高分割模型的训练效率和预测准确率，从而提高掌静脉图像的分割准确率，使图像质量评估结果更加准确。
S220，获取所述目标掌静脉点集合包括的像素数量和所述背景点集合包括的像素数量，并计算所述掌静脉感兴趣区域图像包括的像素数量。
目标掌静脉点集合和背景点集合组成掌静脉感兴趣区域图像。掌静脉感兴趣区域图像包括的像素数量，是指目标掌静脉点集合包括的像素数量和背景点集合包括的像素数量之和。
S230，计算所述目标掌静脉点集合包括的像素数量之和与所述掌静脉感兴趣区域点集合包括的像素数量之间的比值，确定为掌静脉有效面积占比。
目标掌静脉点集合包括的像素数量之和与掌静脉感兴趣区域图像包括的像素数量之间的比值，是指掌静脉对应的总像素数量与图像的总像素数量的比值。
有效面积占比用于描述掌静脉纹理信息的丰富度，具体是表示不同用户的掌纹的有效信息的。
示例性的，基于如下公式计算有效面积占比B：
Figure BDA0002814642860000121
其中，Pvein是各目标掌静脉点集合包括的像素数量之和，Pback是各背景点集合包括的像素数量之和。
S240，获取所述目标掌静脉点集合中各像素的灰度值，计算目标掌静脉点集合的灰度均值。
目标掌静脉点集合的灰度均值为目标掌静脉点集合的各像素的灰度值之和与目标掌静脉点集合包括的像素数量之和的比值。
S250，计算所述背景点集合包括的各像素的像素值分别与所述目标掌静脉点集合的灰度均值之间的差值。
S260，计算各所述差值之和，并计算与所述背景点集合包括的像素数量之间的比值，确定为掌静脉清晰度值。
掌静脉清晰度值用于描述掌静脉纹理信息的清晰度，具体是表示掌静脉与非掌静脉之间的灰度级差异。
示例性的，基于如下公式计算掌静脉清晰度值A：
Figure BDA0002814642860000131
其中，Aback是各背景点集合组成的像素集合，xi是各背景点集合组成的集合中任一像素，uvein是目标掌静脉点集合的灰度均值。
S270，根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果，所述差异数据包括掌静脉有效面积占比和掌静脉清晰度值。
可选的，所述根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果，包括：基于如下公式计算所述掌静脉感兴趣区域图像的质量评估结果Q：
Figure BDA0002814642860000132
其中，w1和w2是权重因子，w1和w2之和为1，X和Y为预设值，A为所述掌静脉清晰度值，B为所述掌静脉有效面积占比。
w1和w2可以根据图像采集设备以及其他需要进行设定。X和Y是经验值，经过实验得到的数据，用于微调质量评估结果。可选的，X的取值范围为[0.2-0.45]，Y≥64。
通过加权和计算质量评估结果，可以综合考虑清晰度和有效信息丰富度分别对图像质量的影响，从而提高质量评估结果的准确性。
本发明实施例通过获取目标掌静脉点集合和背景点集合的灰度值，确定掌静脉和非掌静脉的灰度级差异，以量化图像的清晰度，并获取掌静脉与非掌静脉的有效信息差异，确定有效面积占比，以量化图像的信息丰富程度，并根据掌静脉和非掌静脉的灰度级差异和掌静脉有效面积占比，确定为掌静脉与非掌静脉的差异数据，以计算质量评估结果，可以准确从掌静脉的纹理清晰程度和信息丰富程度评估图像质量，提高图像质量的评估准确率。
实施例三
图3为本发明实施例三中的一种掌静脉图像评估装置的示意图。实施例三是实现本发明上述任意实施例提供的掌静脉图像评估方法的相应装置，该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中。
相应的，本实施例的装置可以包括：
掌静脉图像分割模块310，用于获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；
图像分析模块320，用于获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；
图像质量评估模块330，用于根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
本发明实施例通过获取掌静脉感兴趣区域图像，并输入至预先训练的模型中进行分割，形成目标掌静脉点集合和背景点集合，并根据两个区域的像素信息，确定目标掌静脉点集合和背景点集合之间的差异数据，并根据该差异数据，计算质量评估结果，解决了现有技术中人工评估掌静脉图像质量的主观性强和效率低的问题，实现根据图像中的信息评价图像的质量，提高评估的客观性，降低评估的人工成本，提高评估效率。
进一步的，所述差异数据包括掌静脉有效面积占比和掌静脉清晰度值；所述图像分析模块320，包括：有效面积占比和清晰度值计算单元，用于获取所述目标掌静脉点集合包括的像素数量和所述背景点集合包括的像素数量，并计算所述掌静脉感兴趣区域图像包括的像素数量；计算所述目标掌静脉点集合包括的像素数量之和与所述掌静脉感兴趣区域点集合包括的像素数量之间的比值，确定为掌静脉有效面积占比；获取所述目标掌静脉点集合中各像素的灰度值，计算目标掌静脉点集合的灰度均值；计算所述背景点集合包括的各像素的像素值分别与所述目标掌静脉点集合的灰度均值之间的差值；计算各所述差值之和，并计算与所述背景点集合包括的像素数量之间的比值，确定为掌静脉清晰度值。
进一步的，所述图像质量评估模块330，包括：质量评估结果计算单元，用于基于如下公式计算所述掌静脉感兴趣区域图像的质量评估结果Q：
Figure BDA0002814642860000151
其中，w1和w2是权重因子，w1和w2之和为1，X和Y为预设值，A为所述掌静脉清晰度值，B为所述掌静脉有效面积占比。
进一步的，所述掌静脉图像评估装置，还包括：模型训练模块，用于在将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中之前，获取亮度均匀度值小于等于均匀度阈值的掌静脉感兴趣区域图像；采用至少一个分割算法对所述掌静脉感兴趣区域图像进行处理，得到对应的多个二值图，并形成所述掌静脉感兴趣区域图像对应的二值图组；对所述掌静脉感兴趣区域图像对应的二值图组进行融合处理，生成所述掌静脉感兴趣区域图像对应的标签图，并确定训练样本，所述训练样本包括掌静脉感兴趣区域图像与对应的标签图，所述标签图包括两个像素值，第一像素值与背景点集合对应，第二像素值与掌静脉点集合对应；将所述训练样本输入至生成对抗网络模型中，对所述生成对抗网络模型进行训练；在所述生成对抗网络模型训练完成时，将当前生成对抗网络模型确定为分割模型。
进一步的，所述掌静脉图像分割模块310，包括：图像采集筛选单元，用于采集掌静脉图像，并获取所述掌静脉图像的感兴趣区域；将所述感兴趣区域划分为至少两个相同尺寸的区域；获取各所述区域的灰度均值，并计算所述感兴趣区域的亮度均匀度值；如果确定所述亮度均匀度值小于等于均匀度阈值，将所述感兴趣区域确定为掌静脉感兴趣区域图像；如果确定所述亮度均匀度值大于所述均匀度阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
进一步的，所述图像采集筛选单元，包括：亮度均匀度值计算子单元，用于根据各所述区域的灰度均值，计算所述感兴趣区域的灰度均值；计算各所述区域的灰度均值与所述感兴趣区域的灰度均值之间的差值；将各所述区域对应的差值进行求和平均，得到所述感兴趣区域的亮度均匀度值。
进一步的，所述掌静脉图像评估装置，还包括：图像重采集模块，用于在计算所述掌静脉感兴趣区域图像的质量评估结果之后，如果确定所述质量评估结果小于设定质量评估阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
上述掌静脉图像评估装置可执行本发明任意实施例所提供的掌静脉图像评估方法，具备执行的掌静脉图像评估方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12可以是挂接在高速工业控制总线上的设备。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)，数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网(Wide Area Network，WAN)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Inexpensive Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种掌静脉图像评估方法。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的掌静脉图像评估方法：
也即，该程序被处理器执行时实现：获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、只读存储器(Read OnlyMemory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括LAN或WAN——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种掌静脉图像评估方法，其特征在于，包括：
获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；
获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；
根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
2.根据权利要求1所述的方法，其特征在于，所述差异数据包括掌静脉有效面积占比和掌静脉清晰度值；
所述获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据，包括：
获取所述目标掌静脉点集合包括的像素数量和所述背景点集合包括的像素数量，并计算所述掌静脉感兴趣区域图像包括的像素数量；
计算所述目标掌静脉点集合包括的像素数量之和与所述掌静脉感兴趣区域点集合包括的像素数量之间的比值，确定为掌静脉有效面积占比；
获取所述目标掌静脉点集合中各像素的灰度值，计算目标掌静脉点集合的灰度均值；
计算所述背景点集合包括的各像素的像素值分别与所述目标掌静脉点集合的灰度均值之间的差值；
计算各所述差值之和，并计算与所述背景点集合包括的像素数量之间的比值，确定为掌静脉清晰度值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果，包括：
基于如下公式计算所述掌静脉感兴趣区域图像的质量评估结果Q：
Figure FDA0002814642850000021
其中，w1和w2是权重因子，w1和w2之和为1，X和Y为预设值，A为所述掌静脉清晰度值，B为所述掌静脉有效面积占比。
4.根据权利要求1所述的方法，其特征在于，在将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中之前，还包括：
获取亮度均匀度值小于等于均匀度阈值的掌静脉感兴趣区域图像；
采用至少一个分割算法对所述掌静脉感兴趣区域图像进行处理，得到对应的多个二值图，并形成所述掌静脉感兴趣区域图像对应的二值图组；
对所述掌静脉感兴趣区域图像对应的二值图组进行融合处理，生成所述掌静脉感兴趣区域图像对应的标签图，并确定训练样本，所述训练样本包括掌静脉感兴趣区域图像与对应的标签图，所述标签图包括两个像素值，第一像素值与背景点集合对应，第二像素值与掌静脉点集合对应；
将所述训练样本输入至生成对抗网络模型中，对所述生成对抗网络模型进行训练；
在所述生成对抗网络模型训练完成时，将当前生成对抗网络模型确定为分割模型。
5.根据权利要求1所述的方法，其特征在于，获取掌静脉感兴趣区域图像，还包括：
采集掌静脉图像，并获取所述掌静脉图像的感兴趣区域；
将所述感兴趣区域划分为至少两个相同尺寸的区域；
获取各所述区域的灰度均值，并计算所述感兴趣区域的亮度均匀度值；
如果确定所述亮度均匀度值小于等于均匀度阈值，将所述感兴趣区域确定为掌静脉感兴趣区域图像；
如果确定所述亮度均匀度值大于所述均匀度阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
6.根据权利要求5所述的方法，其特征在于，所述计算所述感兴趣区域的亮度均匀度值，包括：
根据各所述区域的灰度均值，计算所述感兴趣区域的灰度均值；
计算各所述区域的灰度均值与所述感兴趣区域的灰度均值之间的差值；
将各所述区域对应的差值进行求和平均，得到所述感兴趣区域的亮度均匀度值。
7.根据权利要求1所述的方法，其特征在于，在计算所述掌静脉感兴趣区域图像的质量评估结果之后，还包括：
如果确定所述质量评估结果小于设定质量评估阈值，则生成掌静脉重采集的提示信息，并显示给用户，以使所述用户调整手掌，重新获取掌静脉图像。
8.一种掌静脉图像评估装置，其特征在于，包括：
掌静脉图像分割模块，用于获取掌静脉感兴趣区域图像，并将所述掌静脉感兴趣区域图像输入至预先训练的分割模型中，获取所述分割模型输出的目标掌静脉点集合和背景点集合；
图像分析模块，用于获取所述目标掌静脉点集合中像素的信息和所述背景点集合中像素的信息，并确定所述目标掌静脉点集合和所述背景点集合之间的差异数据；
图像质量评估模块，用于根据所述差异数据，计算所述掌静脉感兴趣区域图像的质量评估结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的掌静脉图像评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的掌静脉图像评估方法。
CN202011409643.3A 2020-12-03 2020-12-03 掌静脉图像评估方法、装置、计算机设备及存储介质 Active CN112418150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011409643.3A CN112418150B (zh) 2020-12-03 2020-12-03 掌静脉图像评估方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011409643.3A CN112418150B (zh) 2020-12-03 2020-12-03 掌静脉图像评估方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112418150A true CN112418150A (zh) 2021-02-26
CN112418150B CN112418150B (zh) 2024-06-28

Family

ID=74830326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011409643.3A Active CN112418150B (zh) 2020-12-03 2020-12-03 掌静脉图像评估方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112418150B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884782A (zh) * 2021-03-02 2021-06-01 深圳市瑞图生物技术有限公司 生物对象分割方法、装置、计算机设备和存储介质
CN113158777A (zh) * 2021-03-08 2021-07-23 佳都新太科技股份有限公司 质量评分方法、质量评分模型的训练方法及相关装置
CN113435377A (zh) * 2021-07-06 2021-09-24 吴国军 一种医疗手掌静脉图像采集监控方法及系统
CN113870214A (zh) * 2021-09-26 2021-12-31 盛视科技股份有限公司 静脉图像的质量评估方法、评估装置及终端
CN114638851A (zh) * 2022-05-17 2022-06-17 广州优刻谷科技有限公司 一种基于生成对抗网络的图像分割方法、系统及存储介质
CN117058727A (zh) * 2023-07-18 2023-11-14 广州脉泽科技有限公司 一种基于图像增强的手部静脉图像识别方法及装置
CN118097724A (zh) * 2024-04-23 2024-05-28 江西百胜智能科技股份有限公司 基于掌静脉的身份识别方法、装置、可读存储介质及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130004031A1 (en) * 2010-01-28 2013-01-03 Fujitsu Limited Biometric information processing apparatus, method, and recording medium
CN106548176A (zh) * 2016-11-18 2017-03-29 安徽大学 基于自适应引导滤波的指静脉图像增强方法
CN107256395A (zh) * 2017-06-12 2017-10-17 成都芯软科技股份公司 掌静脉提取方法及装置
CN107273844A (zh) * 2017-06-12 2017-10-20 成都芯软科技股份公司 掌静脉识别匹配方法及装置
CN107424146A (zh) * 2017-06-28 2017-12-01 北京理工大学 一种红外偏振图像质量客观评价方法和系统
CN111368780A (zh) * 2020-03-13 2020-07-03 浙江大华技术股份有限公司 一种基于指纹和指静脉的联合识别处理方法及系统
CN111462379A (zh) * 2020-03-17 2020-07-28 广东网深锐识科技有限公司 一种含掌静脉和人脸识别的门禁管理方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130004031A1 (en) * 2010-01-28 2013-01-03 Fujitsu Limited Biometric information processing apparatus, method, and recording medium
CN106548176A (zh) * 2016-11-18 2017-03-29 安徽大学 基于自适应引导滤波的指静脉图像增强方法
CN107256395A (zh) * 2017-06-12 2017-10-17 成都芯软科技股份公司 掌静脉提取方法及装置
CN107273844A (zh) * 2017-06-12 2017-10-20 成都芯软科技股份公司 掌静脉识别匹配方法及装置
CN107424146A (zh) * 2017-06-28 2017-12-01 北京理工大学 一种红外偏振图像质量客观评价方法和系统
CN111368780A (zh) * 2020-03-13 2020-07-03 浙江大华技术股份有限公司 一种基于指纹和指静脉的联合识别处理方法及系统
CN111462379A (zh) * 2020-03-17 2020-07-28 广东网深锐识科技有限公司 一种含掌静脉和人脸识别的门禁管理方法、系统及介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Z HUI等: "Meta-Evaluation of Image Segmentation Using Machine Learning", 《2006 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR\'06)》, pages 1 - 8 *
李苋兰等: "基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法", 《计算机系统应用》, no. 3, pages 24 - 32 *
林坤等: "一种自适应手掌静脉图像ROI提取方法", 《信息通信》, no. 2, pages 55 - 57 *
江晓龙等: "改进的单幅近红外掌纹掌静脉图像融合识别", 《计算机应用研究》, vol. 36, no. 6, pages 1901 - 1906 *
王春义: "非接触式高质量掌静脉图像获取方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 1, pages 138 - 2478 *
陶静静等: "基于CS的高质量掌静脉图像获取方法", 《传感器与微系统》, vol. 38, no. 3, pages 53 - 56 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884782A (zh) * 2021-03-02 2021-06-01 深圳市瑞图生物技术有限公司 生物对象分割方法、装置、计算机设备和存储介质
CN112884782B (zh) * 2021-03-02 2024-01-05 深圳市瑞图生物技术有限公司 生物对象分割方法、装置、计算机设备和存储介质
CN113158777A (zh) * 2021-03-08 2021-07-23 佳都新太科技股份有限公司 质量评分方法、质量评分模型的训练方法及相关装置
CN113435377A (zh) * 2021-07-06 2021-09-24 吴国军 一种医疗手掌静脉图像采集监控方法及系统
CN113870214A (zh) * 2021-09-26 2021-12-31 盛视科技股份有限公司 静脉图像的质量评估方法、评估装置及终端
CN114638851A (zh) * 2022-05-17 2022-06-17 广州优刻谷科技有限公司 一种基于生成对抗网络的图像分割方法、系统及存储介质
CN117058727A (zh) * 2023-07-18 2023-11-14 广州脉泽科技有限公司 一种基于图像增强的手部静脉图像识别方法及装置
CN117058727B (zh) * 2023-07-18 2024-04-02 广州脉泽科技有限公司 一种基于图像增强的手部静脉图像识别方法及装置
CN118097724A (zh) * 2024-04-23 2024-05-28 江西百胜智能科技股份有限公司 基于掌静脉的身份识别方法、装置、可读存储介质及设备

Also Published As

Publication number Publication date
CN112418150B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN112418150B (zh) 掌静脉图像评估方法、装置、计算机设备及存储介质
US10558841B2 (en) Method and apparatus for recognizing fingerprint ridge point
CN108510499B (zh) 一种基于模糊集和Otsu的图像阈值分割方法及装置
CN104637046B (zh) 图像检测方法和装置
CN114241548A (zh) 一种基于改进YOLOv5的小目标检测算法
US9025889B2 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
US11475707B2 (en) Method for extracting image of face detection and device thereof
CN110956628B (zh) 图片等级分类方法、装置、计算机设备和存储介质
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN111445058B (zh) 数据分析方法、装置、设备及计算机可读存储介质
Dai et al. Single hazy image restoration using robust atmospheric scattering model
CN112215831B (zh) 一种用于人脸图像质量的评价方法和系统
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN111178200B (zh) 一种仪表盘指示灯的识别方法及计算设备
CN112446428B (zh) 一种图像数据处理方法及装置
CN116188826A (zh) 一种复杂光照条件下的模板匹配方法及装置
CN116052231A (zh) 掌静脉识别方法、装置、设备及存储介质
US20080199073A1 (en) Red eye detection in digital images
CN113486788A (zh) 视频相似度确定方法、装置、电子设备及存储介质
Sharma et al. Technical Assessment of Various Image Enhancement Techniques using Finger Vein for personal Authentication
Wang et al. Heterogeneity constrained color ellipsoid prior image dehazing algorithm
CN112102356A (zh) 一种目标跟踪方法、装置、终端设备及存储介质
CN118628390A (zh) 一种偏振图像的增强方法、装置、设备及存储介质
CN117409342A (zh) 基于vr模组的菲涅尔纹检测方法、装置、设备以及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Applicant after: Jiadu Technology Group Co.,Ltd.

Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Applicant before: PCI-SUNTEKTECH Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant