CN112784837A - 一种感兴趣区域提取方法、装置、电子设备及存储介质 - Google Patents

一种感兴趣区域提取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112784837A
CN112784837A CN202110107665.2A CN202110107665A CN112784837A CN 112784837 A CN112784837 A CN 112784837A CN 202110107665 A CN202110107665 A CN 202110107665A CN 112784837 A CN112784837 A CN 112784837A
Authority
CN
China
Prior art keywords
image
finger
convolution
edge
region
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
CN202110107665.2A
Other languages
English (en)
Other versions
CN112784837B (zh
Inventor
宋丹
姚琼
李文生
李华川
戴坤龙
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.)
Productivity Promotion Center Of Xiaolan Town Zhongshan City
University of Electronic Science and Technology of China Zhongshan Institute
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202110107665.2A priority Critical patent/CN112784837B/zh
Publication of CN112784837A publication Critical patent/CN112784837A/zh
Application granted granted Critical
Publication of CN112784837B publication Critical patent/CN112784837B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供一种感兴趣区域提取方法、装置、电子设备及存储介质，该方法包括：获取待认证身份人员的指静脉图像；对指静脉图像进行卷积运算，获得卷积结果图像；对卷积结果图像进行二值化运算，获得二值化图像；对二值化图像进行细化运算，获得细化图像；对细化图像进行曲线追踪，获得指边缘曲线；根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。在上述的实现过程中，通过对指静脉图像进行卷积运算、二值化运算、细化运算和曲线追踪，有效地提高了获得指边缘曲线的精度，再使用高精度的指边缘曲线对指静脉图像进行图像分割，从而提高了获得指静脉图像的感兴趣区域的精度。

Description

一种感兴趣区域提取方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理和图像识别的技术领域，具体而言，涉及一种感兴趣区域提取方法、装置、电子设备及存储介质。
背景技术
感兴趣区域(Region Of Interest，ROI)，是指能够反应身份特征的区域，即从感兴趣区域提取的特征能够被用于身份认证或身份识别，感兴趣区域提取的主要作用是将能够反应身份特征的区域提取出来，并移除与身份特征无关区域，以防其对身份认证准确性造成干扰。
目前，大都是使用基于边缘提取的方法对指静脉图像中的感兴趣区域进行提取，此处基于边缘提取的方法包括但不限于：基于Sobel算子的边缘检测算法，或者，基于Canny算子的边缘检测算法等等。在具体的实践过程中发现，由于指静脉图像的采集环境和设备差异，导致指静脉图像的背景中出现很多边缘线条，这些边缘线条会对手指边缘的提取造成干扰，使得通过基于边缘提取的方法提取背景复杂的指静脉图像中的感兴趣区域的精度不高。
发明内容
本申请实施例的目的在于提供一种感兴趣区域提取方法、装置、电子设备及存储介质，用于改善提取背景复杂的指静脉图像中的感兴趣区域的精度不高的问题。
本申请实施例提供了一种感兴趣区域提取方法，包括：获取待认证身份人员的指静脉图像；对指静脉图像进行卷积运算，获得卷积结果图像；对卷积结果图像进行二值化运算，获得二值化图像；对二值化图像进行细化运算，获得细化图像；对细化图像进行曲线追踪，获得指边缘曲线；根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。在上述的实现过程中，通过对指静脉图像进行卷积运算、二值化运算、细化运算和曲线追踪，有效地提高了获得指边缘曲线的精度，再使用高精度的指边缘曲线对指静脉图像进行图像分割，从而提高了获得指静脉图像的感兴趣区域的精度。
可选地，在本申请实施例中，对细化图像进行曲线追踪，获得指边缘曲线，包括：定位出细化图像中的多个指边缘点；对多个指边缘点进行校验和拟合，获得指边缘曲线。在上述的实现过程中，通过定位出细化图像中的多个指边缘点，再对多个指边缘点进行校验和拟合，使用校验操作可以有效地发现在曲线拟合中的较大误差，从而避免了在背景复杂的指静脉图像中拟合出指边缘曲线的误差较大的情况，有效地提高了在背景复杂的指静脉图像中拟合出指边缘曲线的精确度。
可选地，在本申请实施例中，定位出细化图像中的多个指边缘点，包括：移除细化图像中的光照干扰，获得移除干扰后的细化图像；从移除干扰后的细化图像中定位出多个指边缘点。在上述的实现过程中，通过在移除细化图像中的光照干扰之后，再从移除干扰后的细化图像中定位出多个指边缘点，从而减小了光照干扰影响定位出指边缘点的概率，有效地提高了定位出多个指边缘点的精确度。
可选地，在本申请实施例中，指静脉图像包括：手指上边缘区域和手指下边缘区域；对指静脉图像进行卷积运算，获得卷积结果图像，包括：使用第一卷积模板对手指上边缘区域进行卷积运算，获得上边缘卷积特征图；使用第二卷积模板对手指下边缘区域进行卷积运算，获得下边缘卷积特征图，第一卷积模板与第二卷积模板在垂直方向上是对称的；将上边缘卷积特征图和下边缘卷积特征图进行合并，获得卷积结果图像。在上述的实现过程中，通过使用在垂直方向上是对称的第一卷积模板和第二卷积模板分别对手指上边缘区域和手指下边缘区域进行卷积运算，从而减小了计算量，有效地提高了获得卷积结果图像的速度。
可选地，在本申请实施例中，对二值化图像进行细化运算，包括：判断二值化图像中是否存在垂直方向上的连续像素点；若是，则将连续像素点细化为连续像素点的中心点。在上述的实现过程中，通过在存在垂直方向上的连续像素点时，才将连续像素点细化为连续像素点的中心点，从而避免了将手指边缘在水平方向上缩短的情况，有效地提高了提取感兴趣区域的精确度。
可选地，在本申请实施例中，对卷积结果图像进行二值化运算，包括：针对卷积结果图像中的每个像素点值，判断该像素点值是否小于预设阈值；若是，则将该像素点值设置为零，否则，将该像素点值设置为一。
可选地，在本申请实施例中，在获得指静脉图像的感兴趣区域之后，还包括：提取感兴趣区域中的图像特征；计算图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度；根据多个相似度确定待认证身份人员的身份信息。在上述的实现过程中，通过使用精确度更高的感兴趣区域来确定待认证身份人员的身份信息，从而避免了指静脉图像的复杂背景影响到身份认证的准确率，有效地提高了待认证身份人员的身份认证的准确率。
本申请实施例还提供了一种感兴趣区域提取装置，包括：静脉图像获取模块，用于获取待认证身份人员的指静脉图像；图像卷积运算模块，用于对指静脉图像进行卷积运算，获得卷积结果图像；二值图像获得模块，用于对卷积结果图像进行二值化运算，获得二值化图像；细化图像获得模块，用于对二值化图像进行细化运算，获得细化图像；边缘曲线获得模块，用于对细化图像进行曲线追踪，获得指边缘曲线；兴趣区域获得模块，用于根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。
可选地，在本申请实施例中，边缘曲线获得模块，包括：细化图像定位模块，用于定位出细化图像中的多个指边缘点；曲线校验拟合模块，用于对多个指边缘点进行校验和拟合，获得指边缘曲线。
可选地，在本申请实施例中，细化图像定位模块，包括：光照干扰移除模块，用于移除细化图像中的光照干扰，获得移除干扰后的细化图像；指边缘点定位模块，用于从移除干扰后的细化图像中定位出多个指边缘点。
可选地，在本申请实施例中，指静脉图像包括：手指上边缘区域和手指下边缘区域；图像卷积运算模块，包括：上边缘卷积计算模块，用于使用第一卷积模板对手指上边缘区域进行卷积运算，获得上边缘卷积特征图；下边缘卷积计算模块，用于使用第二卷积模板对手指下边缘区域进行卷积运算，获得下边缘卷积特征图，第一卷积模板与第二卷积模板在垂直方向上是对称的；边缘卷积合并模块，用于将上边缘卷积特征图和下边缘卷积特征图进行合并，获得卷积结果图像。
可选地，在本申请实施例中，细化图像获得模块，包括：连续像素判断模块，用于判断二值化图像中是否存在垂直方向上的连续像素点；连续像素细化模块，用于若二值化图像中存在垂直方向上的连续像素点，则将连续像素点细化为连续像素点的中心点。
可选地，在本申请实施例中，二值图像获得模块，包括：像素点值判断模块，用于针对卷积结果图像中的每个像素点值，判断该像素点值是否小于预设阈值；像素点值设置模块，用于若该像素点值小于预设阈值，则将该像素点值设置为零，否则，将该像素点值设置为一。
可选地，在本申请实施例中，感兴趣区域提取装置，还包括：图像特征提取模块，用于提取感兴趣区域中的图像特征；相似计算判断模块，用于相似度计算图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度；身份信息认证模块，用于根据多个相似度确定待认证身份人员的身份信息。
本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的感兴趣区域提取方法的流程示意图；
图2示出的本申请实施例提供的卷积模板的示意图；
图3示出的本申请实施例提供的图像处理过程中的变化示意图；
图4示出的本申请实施例提供的定位指边缘点和曲线追踪的过程示意图；
图5示出的本申请实施例提供的指静脉身份认证的流程示意图；
图6示出的本申请实施例提供的感兴趣区域提取装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。
在介绍本申请实施例提供的感兴趣区域提取方法之前，先介绍本申请实施例中所涉及的一些概念：
指静脉身份认证(finger-vein personal identification)，是一种新的生物特征识别技术，指静脉身份认证利用手指内的静脉分布图像来进行身份识别。
需要说明的是，本申请实施例提供的感兴趣区域提取方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑(personal computer，PC)、平板电脑和个人数字助理等等，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机和小型机等。
在介绍本申请实施例提供的感兴趣区域提取方法之前，先介绍该感兴趣区域提取方法适用的应用场景，这里的应用场景包括但不限于：使用该感兴趣区域提取方法提取出指静脉图像中的感兴趣区域，再根据提取出来的感兴趣区域进行身份认证和身份识别等等，还可以根据提取出来的感兴趣区域增强安防系统或者门禁系统的功能等等。
请参见图1示出的本申请实施例提供的感兴趣区域提取方法的流程示意图；该感兴趣区域提取方法的主要思路是，由于观察到指静脉图像的背景中边缘线条呈现出长度短、方向乱、不稳定和无规则等特点，而水平方向采集的指边缘曲线呈现出长度长、方向大体呈水平等特点，使用曲线追踪可以很好地区分指静脉图像的背景中边缘线条和指边缘曲线。因此，通过对指静脉图像进行卷积运算、二值化运算、细化运算和曲线追踪，有效地提高了获得指边缘曲线的精度，再使用高精度的指边缘曲线对指静脉图像进行图像分割，从而提高了获得指静脉图像的感兴趣区域的精度；上述感兴趣区域提取方法可以包括：
步骤S110：获取待认证身份人员的指静脉图像。
上述步骤S110中指静脉图像的获取方式包括：第一种获取方式，使用红外摄像机或电荷耦合元件摄像头等终端设备对待认证身份人员的手指进行拍摄，获取指静脉图像；然后该终端设备向电子设备发送指静脉图像，然后电子设备接收终端设备发送的指静脉图像，电子设备可以将指静脉图像存储至文件系统、数据库或移动存储设备中；第二种获取方式，获取预先存储的指静脉图像，具体例如：从文件系统中获取指静脉图像，或者从数据库中获取指静脉图像，或者从移动存储设备中获取指静脉图像。
可以理解的是，在采集指静脉图像的过程中，可以根据手指的方向来对获得的指静脉图像进行不同划分。若手指是横向采集的，那么采集的指静脉图像可以包括：手指上边缘区域和手指下边缘区域；若手指是纵向采集的，那么采集的指静脉图像可以包括：手指左边缘区域和手指右边缘区域。
在步骤S110之后，执行步骤S120：对指静脉图像进行卷积运算，获得卷积结果图像。
上述步骤S120的实施方式有很多种，包括但不限于如下几种：
第一种实施方式，若手指是横向采集的，那么分别对手指的上下边缘分别进行卷积运算，再将上下边缘卷积运算的结果合并，获得卷积结果图像。请参见图2示出的本申请实施例提供的卷积模板的示意图；图中的卷积模板包括：第一卷积模板和第二卷积模板，其中，第一卷积模板可以用于提取手指上边缘的卷积特征，而第二卷积模板可以用于提取手指下边缘的卷积特征，第一卷积模板与第二卷积模板在垂直方向上是对称的；上述的第一种实施方式可以包括：
步骤S121：使用第一卷积模板对手指上边缘区域进行卷积运算，获得上边缘卷积特征图。
步骤S122：使用第二卷积模板对手指下边缘区域进行卷积运算，获得下边缘卷积特征图。
请参见图3示出的本申请实施例提供的图像处理过程中的变化示意图；上述步骤S121至步骤S122的实施方式例如：如图3中的(a)子图所示的指静脉图像，将指静脉图像切割为手指上边缘区域和手指下边缘区域，然后分别使用第一卷积模板对手指上边缘区域进行卷积运算，获得上边缘卷积特征图；再使用第二卷积模板对手指下边缘区域进行卷积运算，获得下边缘卷积特征图；其中，此处第一卷积模板与第二卷积模板的尺寸均可以选择5×12，5是该卷积模板的宽度，12是该卷积模板的长度，当然也可以根据具体情况选择其它尺寸的卷积模板。
步骤S123：将上边缘卷积特征图和下边缘卷积特征图进行合并，获得卷积结果图像。
上述步骤S123的实施方式例如：将上边缘卷积特征图和下边缘卷积特征图在垂直方向上进行拼接合并，获得的卷积结果图像如图3中的(b)子图所示。
第二种实施方式，可以理解的是，若手指是纵向采集的，那么分别对手指的左右边缘分别进行卷积运算，再将左边缘卷积特征图和右边缘卷积特征图在水平方向上进行拼接合并，获得的卷积结果图像，该实施方式与第一种实施方式类似，区别仅在于对不同方向采集的静脉图像进行处理。
在步骤S120之后，执行步骤S130：对卷积结果图像进行二值化运算，获得二值化图像。
上述步骤S130的实施方式例如：针对卷积结果图像中的每个像素点值，判断该像素点值是否小于预设阈值；若该像素点值小于预设阈值，则将该像素点值设置为零，否则，将该像素点值设置为一；其中，该预设阈值可以是人为手动地指定阈值，例如设置为100、200或者250等等，当然也可以是使用程序计算出的全局自适应阈值。对卷积结果图像进行上述的二值化运算之后，获得的二值化图像如图3中的(c)子图所示。
在步骤S130之后，执行步骤S140：对二值化图像进行细化运算，获得细化图像。
上述步骤S140的实施方式有很多种，包括但不限于如下几种：
第一种实施方式，为了避免边缘在水平方向被缩短，可以在垂直方向上进行细化运算，该实施方式例如：判断二值化图像中是否存在垂直方向上的连续像素点(即像素点之间不能间隔黑色像素点)；若该二值化图像中存在垂直方向上的连续像素点，则将连续像素点细化为连续像素点的中心点。对二值化图像进行上述的细化运算，获得的细化图像如图3中的(d)子图所示。
第二种实施方式，使用细化算法对二值化图像中线条在所有方向上都进行细化运算，可以使用的细化算法包括但不限于：Hilditch细化算法、Pavlidis细化算法和Rosenfeld细化算法等等。
在步骤S140之后，执行步骤S150：对细化图像进行曲线追踪，获得指边缘曲线。
上述步骤S150的实施方式有很多种，包括但不限于如下几种：
第一种实施方式，通过对细化图像中的多个指边缘点进行校验和拟合的方式来进行曲线追踪，该实施方式可以包括：
步骤S151：定位出细化图像中的多个指边缘点。
可选地，在具体的实施过程中，还可以先移除细化图像中的光照干扰，获得移除干扰后的细化图像，此处的光照干扰可以包括：常规性干扰和非常规性干扰，其中，常规性干扰是指采集的指静脉原图都有，且在图像中表现出的特征大致相同的干扰，然而非常规性干扰是指每张指静脉图像因光照不同、采集设备移动和手指摆放位置不同等原因造成的个性化干扰，因此，非常规干扰在每张指静脉图像中表现出的特征均不相同；最后，从移除干扰后的细化图像中定位出多个指边缘点。
上述的移除细化图像中的常规性干扰的实施方式例如：如图3中的(d)子图所示的细化图像，基本上每张指静脉图像中左右两端各有一道位置固定的抛物型白光，这里的抛物型白光分别与手指的上下边缘相交，对手指的上下边缘的准确定位和曲线追踪带来干扰。因此，可以将左右两端的两道抛物型白光所产生的前景点移除，具体的移除过程例如：首先，采用抛物线方程对左端白光和右端白光的中线进行拟合，得到左端光线的方程近似为x1＝0.0023×(y-191)2+1.1587；右端光线的方程为x2＝-0.0021×(y-191)2+484，其中，x表示图像中像素点的横坐标，x1和x2分别表示左端白光和右端白光的中线上的像素点的横坐标，y表示图像中像素点的纵坐标；在对左端白光和右端白光的中线进行拟合之后，遍历y(y的遍历范围是从0到原指静脉图像的高度h-1个像素)，对每个y计算x1和x2，并分别在[x1-10,x1+10],[x2-10,x2+10]范围内清除前景点，在移除细化图像中的常规性干扰之后，即可获得第一移除干扰图像如图3中的(e)子图所示。
上述的移除细化图像中的非常规性干扰的实施方式例如：从图3中的(e)子图可以看出，图像下半部分有许多参差不齐的前景点，这些前景点组成了众多长度很短的线条，这些线条是由外界环境的光照引起的非常规性干扰。因此，可以将由外界环境的光照引起的非常规性干扰移除，具体的移除过程例如：扫描一次上述两条抛物线围起来的图像区域，将长度小于等于预设阈值的线条删除，此处的删除是指设置为背景色(背景色例如是黑色)，其中，此处的预设阈值可以根据具体情况进行设置，例如设置为20、30或者50等。在移除细化图像中的非常规性干扰之后，即可获得第二移除干扰图像如图3中的(f)子图所示。
上述步骤S151的实施方式例如：先使用定位算法对指静脉图像的手指上边缘区域进行定位，再使用该定位算法对手指下边缘区域进行定位，从而定位出细化图像中的多个指边缘点。其中，上述的定位算法具体例如：首先，设定需要使用的初始参数；其次，使用初始参数确定多个指边缘点的起点；然后，根据该起点循环追踪下一个指边缘点；最后，将起点和循环追踪到的所有指边缘点作为上述的细化图像中的多个指边缘点。
请参见图4示出的本申请实施例提供的定位指边缘点和曲线追踪的过程示意图；下面对定位指边缘点和曲线追踪的过程详细描述如下：
首先，设定需要使用的初始参数，可以理解的是，此处的初始参数可以根据具体情况进行调整修改，假设给定初始参数：指静脉图像长度表示为M1＝100，预设区域长度表示为M2＝50，在曲线拟合过程中的点个数阈值表示为N＝15，在曲线拟合过程中的角度阈值表示为
Figure BDA0002916419260000111
即角度阈值为10度(可以根据具体情况进行调整)，用于扫描的垂直线的初始位置表示为d＝0，使用Ci＝[]来表示指边缘点集合(也可以理解为由图像中的指边缘点排成的点列)，其中，此处的i可以为1或2，即可以使用C1表示上边缘区域中已经定位出的指边缘点集合，而使用C2表示下边缘区域中已经定位出的指边缘点集合。
其次，使用初始参数确定多个指边缘点的起点；具体例如：用一根垂直线从左往右地扫描，从而确定出上边缘和下边缘的左侧起点；其中，此处的垂直线可以表示为l：x＝d。可以理解的是，上边缘的指边缘点可以从垂直线的中点向顶部方向查找，而下边缘的指边缘点可以从垂直线的中点向底部方向查找，在中点至顶部区域查找到的第一个前景点就可以作为上边缘的左侧起点，上边缘确定出多个指边缘点的左侧起点可以表示为C1＝[Q0]，对应地，在中点至底部区域查找到的第一个前景点就可以作为下边缘的左侧起点，下边缘确定出多个指边缘点的左侧起点可以表示为C2＝[Q0]。可以理解的是，如果d>M1时，仍然没有找到左侧起点，那么则退出程序，多个指边缘点的左侧起点确定失败。
然后，根据该起点循环追踪下一个指边缘点，如图4所示，从指边缘点集合Ci的末端(即最后存储)取出N个指边缘点，此处的N个指边缘点的个数可以根据具体情况进行设置，此处的N个指边缘点可以表示为[Qk，Qk+1，……，Qk+N-1]，如果指边缘点集合Ci中的所有指边缘点的个数小于N，则将该指边缘点集合Ci中的所有指边缘点取出。然后，对N个指边缘点做一次多项式拟合，从而求出拟合曲线在Qk+N-1处的切线lQ，并将切线lQ逆时针旋转θ度得到直线lQ+θ，然后将切线lQ顺时针旋转θ度得到直线lQ-θ，可以在直线lQ-θ、直线lQ+θ与直线X＝XQk+N-1+M2所围成的区域中查找到前景点R，若该前景点R与前景点Q的连线与直线lQ的夹角最小，则将该前景点R加入到指边缘点集合Ci的末端。如果该前景点R已经超出指静脉图像的最右端(可以通过该前景点R的横坐标与指静脉图像的长度比较来确定)，则直接执行“将起点和循环追踪到的所有指边缘点作为上述的细化图像中的多个指边缘点”，否则，就继续执行“根据该起点循环追踪下一个指边缘点”。如果找不出这样的前景点R，且此时的垂直线与指静脉图像的右边界之间的距离小于M2，则直接执行“将起点和循环追踪到的所有指边缘点作为上述的细化图像中的多个指边缘点”，否则就将指边缘点集合Ci的末端最后一个指边缘点删除，且将图3中的(f)子图中该指边缘点集合Ci的末端最后一个指边缘点置为背景色(例如黑色)。
最后，将起点和循环追踪到的所有指边缘点作为上述的细化图像中的多个指边缘点；具体例如：将该指边缘点集合Ci中的所有指边缘点作为上述的细化图像中的多个指边缘点。
步骤S152：对多个指边缘点进行校验和拟合，获得指边缘曲线。
上述步骤S152的实施方式例如：对多个指边缘点进行校验和分段拟合，获得指边缘曲线，在指静脉图像中画出该指边缘曲线如图3中的(g)子图所示；具体例如：选取Ci前端的N个点做拟合运算，从而填充Ci，i＝1,2开头部分缺少的点，并且选取Ci间断处两侧的N个点做拟合运算，从而填充Ci，i＝1,2中间部分缺少的点，然后选取Ci末端的N个点做拟合运算，从而填充Ci，i＝1,2末尾部分缺少的点，最后从左到右扫描Ci，i＝1,2；若存在指边缘点与该指边缘点的邻近点之间的偏离大于预设阈值，则根据该指边缘点的邻近点重新做一次拟合运算，以便重新计算该指边缘点的位置坐标。可以理解的是，上述每次做拟合运算时都是对Ci末端的N个点进行拟合运算，这样的处理方式可以理解为分段拟合，使用分段拟合可以有效地减小在曲线拟合中的误差，从而有效地提高了在背景复杂的指静脉图像中拟合出指边缘曲线的精确度；最终拟合运算得出的指边缘曲线如图3中的(g)子图所示，此处的指边缘曲线可以包括上指边缘曲线和下指边缘曲线。
在步骤S150之后，执行步骤S160：根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。
上述的步骤S160的实施方式例如：根据上指边缘曲线和下指边缘曲线对指静脉图像进行图像分割，即分割出包括手指静脉的图像部分，从而获得指静脉图像的感兴趣区域如图3中的(h)子图所示。
在上述的实现过程中，由于观察到指静脉图像的背景中边缘线条呈现出长度短、方向乱、不稳定和无规则等特点，而水平方向采集的指边缘曲线呈现出长度长、方向大体呈水平等特点，使用曲线追踪可以很好地区分指静脉图像的背景中边缘线条和指边缘曲线。因此，通过对指静脉图像进行卷积运算、二值化运算、细化运算和曲线追踪，有效地提高了获得指边缘曲线的精度，再使用高精度的指边缘曲线对指静脉图像进行图像分割，从而提高了获得指静脉图像的感兴趣区域的精度。
请参见图5示出的本申请实施例提供的指静脉身份认证的流程示意图；可选地，在获得感兴趣区域之后，还可以使用获得的感兴趣区域来进行身份认证，该实施方式可以包括：
步骤S210：获取待认证身份人员的指静脉图像。
步骤S220：对指静脉图像进行卷积运算，获得卷积结果图像。
步骤S230：对卷积结果图像进行二值化运算，获得二值化图像。
步骤S240：对二值化图像进行细化运算，获得细化图像。
步骤S250：对细化图像进行曲线追踪，获得指边缘曲线。
步骤S260：根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。
其中，该步骤S210至步骤S260的实施原理和实施方式与步骤S110至步骤S160的实施原理和实施方式是类似的，因此，这里不再说明其实施方式和实施原理，如有不清楚的地方，可以参考对步骤S110至步骤S160的描述。
步骤S270：提取感兴趣区域中的图像特征。
上述步骤S270的实施方式有很多种，包括但不限于如下几种：
第一种实施方式，使用机器学习算法提取感兴趣区域中的图像特征，此处的机器学习算法包括但不限于：决策树、贝叶斯学习、基于实例的学习、遗传算法、规则学习、基于解释的学习和方向梯度直方图特征提取算法等。
第二种实施方式，使用神经网络模型提取感兴趣区域中的图像特征，此处的神经网络模型包括但不限于：单点多盒检测器(Feature Fusion Single Shot MultiboxDetector，FSSD)、LeNet网络、AlexNet网络、GoogLeNet网络、VGG网络、Resnet网络、WideResnet网络和Inception网络等。
步骤S280：计算图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度。
上述步骤S280的实施方式例如：计算图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度；其中，可以采用的相似度包括但不限于：余弦距离、欧氏距离(Euclidean Distance)、汉明距离(Hamming Distance)或信息熵(Information Entropy)等等。
步骤S290：根据多个相似度确定待认证身份人员的身份信息。
上述步骤S290的实施方式有很多种，包括但不限于如下几种：
第一种实施方式，将多个相似度中的最大相似度对应的身份信息确定为待认证身份人员的身份信息。
第二种实施方式，从多个相似度中确定出相似度阈值，再根据相似度阈值来确定身份信息；其中，相似度阈值的确定方式有很多种，可以是自行设置的恒定阈值，也可以将多个相似度的平均值与最大值之间选出一个相似度作为相似度阈值，还可以是从多个同类特征图之间的相似度中筛选出相似度最小值，并从多个异类特征图之间的相似度筛选出相似度最大值；将相似度最小值和相似度最大值的平均值确定为相似度阈值。
请参见图6示出的本申请实施例提供的感兴趣区域提取装置的结构示意图。本申请实施例提供了一种感兴趣区域提取装置300，包括：
静脉图像获取模块310，用于获取待认证身份人员的指静脉图像。
图像卷积运算模块320，用于对指静脉图像进行卷积运算，获得卷积结果图像。
二值图像获得模块330，用于对卷积结果图像进行二值化运算，获得二值化图像。
细化图像获得模块340，用于对二值化图像进行细化运算，获得细化图像。
边缘曲线获得模块350，用于对细化图像进行曲线追踪，获得指边缘曲线。
兴趣区域获得模块360，用于根据指边缘曲线对指静脉图像进行图像分割，获得指静脉图像的感兴趣区域。
可选地，在本申请实施例中，边缘曲线获得模块，包括：
细化图像定位模块，用于定位出细化图像中的多个指边缘点。
曲线校验拟合模块，用于对多个指边缘点进行校验和拟合，获得指边缘曲线。
可选地，在本申请实施例中，细化图像定位模块，包括：
光照干扰移除模块，用于移除细化图像中的光照干扰，获得移除干扰后的细化图像。
指边缘点定位模块，用于从移除干扰后的细化图像中定位出多个指边缘点。
可选地，在本申请实施例中，指静脉图像包括：手指上边缘区域和手指下边缘区域；图像卷积运算模块，包括：
上边缘卷积计算模块，用于使用第一卷积模板对手指上边缘区域进行卷积运算，获得上边缘卷积特征图。
下边缘卷积计算模块，用于使用第二卷积模板对手指下边缘区域进行卷积运算，获得下边缘卷积特征图，第一卷积模板与第二卷积模板在垂直方向上是对称的。
边缘卷积合并模块，用于将上边缘卷积特征图和下边缘卷积特征图进行合并，获得卷积结果图像。
可选地，在本申请实施例中，细化图像获得模块，包括：
连续像素判断模块，用于判断二值化图像中是否存在垂直方向上的连续像素点。
连续像素细化模块，用于若二值化图像中存在垂直方向上的连续像素点，则将连续像素点细化为连续像素点的中心点。
可选地，在本申请实施例中，二值图像获得模块，包括：
像素点值判断模块，用于针对卷积结果图像中的每个像素点值，判断该像素点值是否小于预设阈值。
像素点值设置模块，用于若该像素点值小于预设阈值，则将该像素点值设置为零，否则，将该像素点值设置为一。
可选地，在本申请实施例中，感兴趣区域提取装置，还包括：
图像特征提取模块，用于提取感兴趣区域中的图像特征。
相似计算判断模块，用于相似度计算图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度。
身份信息认证模块，用于根据多个相似度确定待认证身份人员的身份信息。
应理解的是，该装置与上述的感兴趣区域提取方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。
本申请实施例提供的一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上的方法。
本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上的方法。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Read-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (10)

1.一种感兴趣区域提取方法，其特征在于，包括：
获取待认证身份人员的指静脉图像；
对所述指静脉图像进行卷积运算，获得卷积结果图像；
对所述卷积结果图像进行二值化运算，获得二值化图像；
对所述二值化图像进行细化运算，获得细化图像；
对所述细化图像进行曲线追踪，获得指边缘曲线；
根据所述指边缘曲线对所述指静脉图像进行图像分割，获得所述指静脉图像的感兴趣区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述细化图像进行曲线追踪，获得指边缘曲线，包括：
定位出所述细化图像中的多个指边缘点；
对所述多个指边缘点进行校验和拟合，获得所述指边缘曲线。
3.根据权利要求2所述的方法，其特征在于，所述定位出所述细化图像中的多个指边缘点，包括：
移除所述细化图像中的光照干扰，获得移除干扰后的细化图像；
从所述移除干扰后的细化图像中定位出所述多个指边缘点。
4.根据权利要求1所述的方法，其特征在于，所述指静脉图像包括：手指上边缘区域和手指下边缘区域；所述对所述指静脉图像进行卷积运算，获得卷积结果图像，包括：
使用第一卷积模板对所述手指上边缘区域进行卷积运算，获得上边缘卷积特征图；
使用第二卷积模板对所述手指下边缘区域进行卷积运算，获得下边缘卷积特征图，所述第一卷积模板与所述第二卷积模板在垂直方向上是对称的；
将所述上边缘卷积特征图和所述下边缘卷积特征图进行合并，获得卷积结果图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述二值化图像进行细化运算，包括：
判断所述二值化图像中是否存在所述垂直方向上的连续像素点；
若是，则将所述连续像素点细化为所述连续像素点的中心点。
6.根据权利要求1所述的方法，其特征在于，所述对所述卷积结果图像进行二值化运算，包括：
针对所述卷积结果图像中的每个像素点值，判断该像素点值是否小于预设阈值；
若是，则将该像素点值设置为零，否则，将该像素点值设置为一。
7.根据权利要求1-6任一所述的方法，其特征在于，在所述获得所述指静脉图像的感兴趣区域之后，还包括：
提取所述感兴趣区域中的图像特征；
计算所述图像特征与特征模板库中的多个模板特征的相似度，获得多个相似度；
根据所述多个相似度确定所述待认证身份人员的身份信息。
8.一种感兴趣区域提取装置，其特征在于，包括：
静脉图像获取模块，用于获取待认证身份人员的指静脉图像；
图像卷积运算模块，用于对所述指静脉图像进行卷积运算，获得卷积结果图像；
二值图像获得模块，用于对所述卷积结果图像进行二值化运算，获得二值化图像；
细化图像获得模块，用于对所述二值化图像进行细化运算，获得细化图像；
边缘曲线获得模块，用于对所述细化图像进行曲线追踪，获得指边缘曲线；
兴趣区域获得模块，用于根据所述指边缘曲线对所述指静脉图像进行图像分割，获得所述指静脉图像的感兴趣区域。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
CN202110107665.2A 2021-01-26 2021-01-26 一种感兴趣区域提取方法、装置、电子设备及存储介质 Active CN112784837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107665.2A CN112784837B (zh) 2021-01-26 2021-01-26 一种感兴趣区域提取方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107665.2A CN112784837B (zh) 2021-01-26 2021-01-26 一种感兴趣区域提取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112784837A true CN112784837A (zh) 2021-05-11
CN112784837B CN112784837B (zh) 2024-01-30

Family

ID=75757968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107665.2A Active CN112784837B (zh) 2021-01-26 2021-01-26 一种感兴趣区域提取方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112784837B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0545135A (ja) * 1990-12-26 1993-02-23 Ind Technol Res Inst 精密輪郭の視覚測定方法及び装置
CN101261685A (zh) * 2008-01-31 2008-09-10 浙江工业大学 基于图像矢量化技术的服装样片自动录入装置
CN102945506A (zh) * 2012-08-28 2013-02-27 同济大学 一种用于风电场微观选址的边界轮廓图像信息处理方法
CN104700420A (zh) * 2015-03-26 2015-06-10 爱威科技股份有限公司 基于Hough变换的椭圆检测方法、系统和虫卵识别方法
CN105373781A (zh) * 2015-11-16 2016-03-02 成都四象联创科技有限公司 用于身份认证的二值图像处理方法
CN105518716A (zh) * 2015-10-10 2016-04-20 厦门中控生物识别信息技术有限公司 手指静脉识别方法及装置
CN107563293A (zh) * 2017-08-03 2018-01-09 广州智慧城市发展研究院 一种新型的手指静脉预处理方法及系统
CN108682028A (zh) * 2018-05-16 2018-10-19 陈年康 基于辐射纠正的激光点云与光学影像自动匹配方法
US20180357499A1 (en) * 2015-11-24 2018-12-13 Xiamen Zkteco Information Technology Co., Ltd. Palm vein identification method and device
CN109272521A (zh) * 2018-10-11 2019-01-25 北京理工大学 一种基于曲率分析的图像特征快速分割方法
CN109815869A (zh) * 2019-01-16 2019-05-28 浙江理工大学 一种基于fcn全卷积网络的指静脉识别方法
CN110188778A (zh) * 2019-05-31 2019-08-30 中国人民解放军61540部队 基于影像提取结果的居民区要素轮廓规则化方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置
CN110765856A (zh) * 2019-09-12 2020-02-07 南京邮电大学 基于卷积的低质量手指静脉图像边缘检测算法
CN111914755A (zh) * 2020-08-03 2020-11-10 河南大学 一种八方向求梯度指纹识别模型

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0545135A (ja) * 1990-12-26 1993-02-23 Ind Technol Res Inst 精密輪郭の視覚測定方法及び装置
CN101261685A (zh) * 2008-01-31 2008-09-10 浙江工业大学 基于图像矢量化技术的服装样片自动录入装置
CN102945506A (zh) * 2012-08-28 2013-02-27 同济大学 一种用于风电场微观选址的边界轮廓图像信息处理方法
CN104700420A (zh) * 2015-03-26 2015-06-10 爱威科技股份有限公司 基于Hough变换的椭圆检测方法、系统和虫卵识别方法
CN105518716A (zh) * 2015-10-10 2016-04-20 厦门中控生物识别信息技术有限公司 手指静脉识别方法及装置
CN105373781A (zh) * 2015-11-16 2016-03-02 成都四象联创科技有限公司 用于身份认证的二值图像处理方法
US20180357499A1 (en) * 2015-11-24 2018-12-13 Xiamen Zkteco Information Technology Co., Ltd. Palm vein identification method and device
CN107563293A (zh) * 2017-08-03 2018-01-09 广州智慧城市发展研究院 一种新型的手指静脉预处理方法及系统
CN108682028A (zh) * 2018-05-16 2018-10-19 陈年康 基于辐射纠正的激光点云与光学影像自动匹配方法
CN109272521A (zh) * 2018-10-11 2019-01-25 北京理工大学 一种基于曲率分析的图像特征快速分割方法
CN109815869A (zh) * 2019-01-16 2019-05-28 浙江理工大学 一种基于fcn全卷积网络的指静脉识别方法
CN110188778A (zh) * 2019-05-31 2019-08-30 中国人民解放军61540部队 基于影像提取结果的居民区要素轮廓规则化方法
CN110705342A (zh) * 2019-08-20 2020-01-17 上海阅面网络科技有限公司 一种车道线分割检测方法及装置
CN110765856A (zh) * 2019-09-12 2020-02-07 南京邮电大学 基于卷积的低质量手指静脉图像边缘检测算法
CN111914755A (zh) * 2020-08-03 2020-11-10 河南大学 一种八方向求梯度指纹识别模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WAN KIM等: "Multimodal Biometric Recognition Based on Convolutional Neural Network by the Fusion of Finger-Vein and Finger Shape Using Near-Infrared (NIR) Camera Sensor", 《SENSORS》, vol. 18, pages 1 - 34 *
俞云: "指静脉识别算法及其密码应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, pages 7 - 10 *
史永胜等: "基于小波双立方配比插值的Bessel拟合图像复原算法", 《科学技术与工程》, vol. 20, no. 23, pages 9472 - 9477 *
唐志健: "基于立体视觉的深度信息恢复技术研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》, no. 08, pages 26 - 34 *

Also Published As

Publication number Publication date
CN112784837B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
WO2018219054A1 (zh) 一种车牌识别方法、装置及系统
US9171204B2 (en) Method of perspective correction for devanagari text
US9076056B2 (en) Text detection in natural images
CN107169489B (zh) 倾斜图像校正的方法和装置
CN110097586B (zh) 一种人脸检测追踪方法及装置
CN110647882A (zh) 图像校正方法、装置、设备及存储介质
CN114529837A (zh) 建筑物轮廓提取方法、系统、计算机设备及存储介质
CN112926531A (zh) 特征信息提取方法、模型训练方法、装置及电子设备
KR102471124B1 (ko) 인쇄회로기판 인식마크 검출 장치 및 방법
CN110516731B (zh) 一种基于深度学习的视觉里程计特征点检测方法及系统
CN113744307A (zh) 一种基于阈值动态调整的图像特征点跟踪方法和系统
CN112784837B (zh) 一种感兴趣区域提取方法、装置、电子设备及存储介质
CN115797440A (zh) 电芯定位方法、控制器和计算机可读存储介质
CN113378847B (zh) 字符分割方法、系统、计算机设备和存储介质
CN113591066A (zh) 设备身份识别方法及装置
CN112711748B (zh) 一种指静脉身份认证方法、装置、电子设备及存储介质
CN115239612A (zh) 电路板定位方法、装置、设备及存储介质
CN112906495A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN111767751A (zh) 二维码图像识别方法和装置
US8903175B2 (en) System and method for script and orientation detection of images
CN112184776A (zh) 一种目标跟踪方法、装置及存储介质
US10796197B2 (en) Automatic method and system for similar images and image fragments detection basing on image content
CN117197422B (zh) 识别码的定位方法、电子设备及存储介质
CN117635608B (zh) 一种孔偏缺陷检测方法、装置、设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230930

Address after: 528400, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan

Applicant after: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE

Applicant after: Productivity Promotion Center of Xiaolan Town, Zhongshan City

Address before: 528400, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan

Applicant before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE

GR01 Patent grant
GR01 Patent grant