CN113128378B - 一种指静脉快速识别方法 - Google Patents
一种指静脉快速识别方法 Download PDFInfo
- Publication number
- CN113128378B CN113128378B CN202110367118.8A CN202110367118A CN113128378B CN 113128378 B CN113128378 B CN 113128378B CN 202110367118 A CN202110367118 A CN 202110367118A CN 113128378 B CN113128378 B CN 113128378B
- Authority
- CN
- China
- Prior art keywords
- finger vein
- image
- vein image
- pixel
- gradient
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 18
- 230000005484 gravity Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种指静脉快速识别方法,包括如下步骤:对指静脉细化二值图进行Gamma矫正;计算Gamma矫正后指静脉图像的对比度序列;计算Gamma矫正后指静脉图像的能量序列;用“与门”进行指静脉特征匹配初判断;在指静脉图像内构建圆域;计算圆域内及边界线上像素点的梯度值和梯度方向;建立圆域范围内像素点的梯度方向直方图;计算圆域block范围内像素点的特征描述向量;计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的余弦距离;计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的欧氏距离;用“与门”进行指静脉特征匹配复判断。本发明计算量小,运行效率高、自适应性强,对硬件要求极低、实时性好,实现快速识别。
Description
技术领域
本发明涉及一种指静脉快速识别方法。
背景技术
近年来,人工智能领域硕果累累,生物识别技术也迎来了发展机遇期,无论是技术还是市场,都取得了长足的进步。在这一领域中,指静脉识别也开始发力。但目前主流的指静脉识别方法普遍计算量大、算法结构复杂、耗时长,且对识别仪器设备的精度要求非常高,较难满足身份验证、安防门禁以及其他应用场合下的实时识别要求,即难以实现快速识别,用户体验度低,由此也易引发产品的顾客满意度不高。
发明内容
针对上述问题,本发明提出一种使用block梯度方向直方图及“与门”判断的指静脉快速识别方法。
本发明利用指静脉细化后的二值化图像,首先对其进行Gamma矫正,然后计算Gamma矫正后指静脉图像的对比度序列和能量序列,接着用“与门”进行指静脉特征匹配初判断,当初判断“与门”的输出为True时再在指静脉图像内构建圆域,紧接着计算圆域内及边界线上像素点的梯度值和梯度方向,再接着根据每个像素点的梯度方向和梯度值,使用直方图统计圆域内像素点对应的梯度方向和梯度值,然后将旋转主方向角度后的圆域以每20°划分为一个block,并以此计算每个像素特征点的特征描述向量。
最后从空间方向、绝对位置距离两个角度计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的余弦距离和欧式距离,并将其与判定阈值的比较结果作为复判断“与门”的输入,当复判断“与门”的输出为True时,即认为待检测指静脉图像与数据库内图像匹配,也即两个指静脉图像样本来源于同一根手指,识别成功。
为实现上述目的,本发明采用以下技术方案:
本发明的一种指静脉快速识别方法,包括如下步骤:
步骤一,对指静脉细化二值图进行Gamma矫正;
读入指静脉纹路细化后的二值化图像,获取图像的宽度M和高度N,采用Gamma校正法对输入图像进行归一化,在减少图像噪音的同时,调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,即有:
f(x,y)=(x,y)γ (1)
其中,(x,y)为输入图像;f(x,y)为输出图像;γ为指数。
步骤二,计算Gamma矫正后指静脉图像的对比度序列;
本发明利用指静脉图像的清晰度和纹理的沟纹深浅建立图像的对比度,其中,对比度越大,则表明纹理的沟纹越深,效果清晰;反之,对比度越小,则表明沟纹越浅,效果模糊。即有:
其中,C代表指静脉图像的对比度;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值;ω(λ(i,j))代表相邻像素间的灰度值之差;Pω(i,j)代表相邻像素间的灰度值之差为ω的像素分布概率。
步骤三,计算Gamma矫正后指静脉图像的能量序列;
本发明利用指静脉图像纹理的灰度变化稳定程度当作图像的能量值的度量标准,即本发明中的能量值代表着指静脉图像灰度分布的均匀程度,其中,能量值越大,则表明当前纹理变化越稳定;反之,能量值越小,则表明当前纹理变化越波动。即有:
其中,D代表指静脉图像的能量值;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值。
步骤四,用“与门”进行指静脉特征匹配初判断;
将指静脉图像的对比度序列和能量序列均作为图像的“纹路信息”,首先比较待检测指静脉图像的对比度序列和数据库指静脉图像的对比度序列的相同位数,若不相同的数据位不超过3,表明两张图像相似度高,反之,表明两张图像相似度低,将比较结果作为初判断“与”逻辑门的输入①。比较两张指静脉图像的能量序列的相同位数,若不相同的数据位不超过5,表明两张图像很相似,反之,表明两张图像不相似,将比较结果作为输入②。只有当初判断“与门”的输出为True时才进入步骤五,否则视待检测指静脉图像与数据库内指静脉图像均不匹配。
步骤五,在指静脉图像内构建圆域;
利用指静脉图像像素点灰度值之和、图像的重心以及尺寸构建一个圆域,具体实现步骤如下:
(1)把指静脉图像M×N看作平面薄片,把图像的像素点看作XOY平面上的质点,把图像像素点的灰度值λ(i,j)看作质点的质量,其中i和j分别表示像素点于像素矩阵中所在的行和列;
(2)计算指静脉图像的质量m(λ(i,j)):
(4)以重心G为圆心,图像的高度N为直径构建一个直径为N pixel的圆域。
步骤六,计算圆域内及边界线上像素点的梯度值和梯度方向;
然后利用二范数分别计算圆域范围内像素点(i,j)处的梯度幅值H(i,j)和梯度方向θ(i,j),即有:
步骤七,建立圆域范围内像素点的梯度方向直方图;
根据每个像素点的梯度方向和梯度值,使用直方图统计圆域内像素点对应的梯度方向和梯度值。直方图的横轴为梯度方向的角度大小,纵轴为梯度方向对应梯度值的累加。方向直方图的峰值即代表了指静脉图像像素特征点的主方向角度
步骤八,计算圆域block范围内像素点的特征描述向量;
步骤九,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的余弦距离;
本发明利用余弦距离衡量指静脉图像圆域内像素特征点在梯度方向上的相似度,即有:
其中,Dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的余弦距离;
步骤十,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的欧氏距离;
本发明利用欧氏距离衡量指静脉图像圆域内像素特征点在梯度值上的相似度,即两张指静脉图像特征点绝对距离的差异,有:
其中,dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的欧式距离;
步骤十一,用“与门”进行指静脉特征匹配复判断;
首先根据数据库指静脉图像的余弦距离、欧氏距离的数值范围设定一个判断阈值,然后将待检测指静脉图像的余弦距离与阈值进行比较,并将比较结果作为复判断“与”逻辑门的输入①,接着将待检测指静脉图像的欧氏距离与阈值进行比较,并将比较结果作为输入②,只有当复判断“与门”的输出为True时,才认为待检测指静脉图像与数据库内图像匹配,即认为两个指静脉图像样本来源于同一根手指、同一个人,识别成功。
优选地,步骤一所述的γ取1.5。
优选地,步骤二中的像素相邻按照八近邻计算。
优选地,步骤七的梯度方向取值范围为[0,180°],以每20°为一个区间,故所有的梯度方向可以划分为9组,即为统计直方图的分组数目。
优选地,步骤八所述的旋转后将圆域以每20°划分为一个block,共有9个block,以每45°为一个区间,建立每个block范围内像素点的方向直方图,可知每个block有4个方向的梯度强度信息,最后每个像素特征点有36维的特征描述向量。
本发明的优点是:
本发明基于block梯度方向直方图及“与门”判断,提出了一种指静脉快速识别方法。其突出特点有:其一,Gamma矫正后指静脉图像的对比度序列和能量序列能准确反应指静脉图像的纹理特征、灰度变化的稳定程度等,利用其位数进行“与门”初判断,可以快速、准确地满足识别检验初期、各种应用规模身份验证等其他场合下的指静脉识别任务;其二,通过构造指静脉图像block梯度方向直方图,计算每个像素特征点的特征描述向量,是自主研发的以更小的计算量获取尽可能多的指静脉主要特征的方法;其三,“与门”逻辑判断的计算量小,算法运行效率高、自适应性强,对硬件要求极低,易于实现,能够很好地满足各行各业智能识别系统所要求的实时性,实现快速识别。
附图说明
图1是本发明方法的流程图;
图2是八近邻像素示意图。
具体实施方式
为了验证本发明提出的方法的可行性和优越性,现结合应用场景和附图对本发明做进一步的阐述:
一种使用block梯度方向直方图及“与门”判断的指静脉快速识别方法,包括如下步骤:
步骤一,对指静脉细化二值图进行Gamma矫正;
读入指静脉纹路细化后的二值化图像,获取图像的宽度M和高度N,采用Gamma校正法对输入图像进行归一化,在减少图像噪音的同时,调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,即有:
f(x,y)=(x,y)γ (1)
其中,(x,y)为输入图像;f(x,y)为输出图像;γ为指数,本发明中γ取1.5。
步骤二,计算Gamma矫正后指静脉图像的对比度序列;
本发明利用指静脉图像的清晰度和纹理的沟纹深浅建立图像的对比度,其中,对比度越大,则表明纹理的沟纹越深,效果清晰;反之,对比度越小,则表明沟纹越浅,效果模糊。即有:
其中,C代表指静脉图像的对比度;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值;ω(λ(i,j))代表相邻像素间的灰度值之差;Pω(i,j)代表相邻像素间的灰度值之差为ω的像素分布概率;本发明中像素相邻按照八近邻计算。
步骤三,计算Gamma矫正后指静脉图像的能量序列;
本发明利用指静脉图像纹理的灰度变化稳定程度当作图像的能量值的度量标准,即本发明中的能量值代表着指静脉图像灰度分布的均匀程度,其中,能量值越大,则表明当前纹理变化越稳定;反之,能量值越小,则表明当前纹理变化越波动。即有:
其中,D代表指静脉图像的能量值;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值。
步骤四,用“与门”进行指静脉特征匹配初判断;
将指静脉图像的对比度序列和能量序列均作为图像的“纹路信息”,首先比较待检测指静脉图像的对比度序列和数据库指静脉图像的对比度序列的相同位数,若不相同的数据位不超过3,表明两张图像相似度高,反之,表明两张图像相似度低,将比较结果作为初判断“与”逻辑门的输入①。比较两张指静脉图像的能量序列的相同位数,若不相同的数据位不超过5,表明两张图像很相似,反之,表明两张图像不相似,将比较结果作为输入②。只有当初判断“与门”的输出为True时才进入步骤五,否则视待检测指静脉图像与数据库内指静脉图像均不匹配。
步骤五,在指静脉图像内构建圆域;
利用指静脉图像像素点灰度值之和、图像的重心以及尺寸构建一个圆域,具体实现步骤如下:
(1)把指静脉图像M×N看作平面薄片,把图像的像素点看作XOY平面上的质点,把图像像素点的灰度值λ(i,j)看作质点的质量,其中i和j分别表示像素点于像素矩阵中所在的行和列;
(2)计算指静脉图像的质量m(λ(i,j)):
(4)以重心G为圆心,图像的高度N为直径构建一个直径为N pixel的圆域。
步骤六,计算圆域内及边界线上像素点的梯度值和梯度方向;
然后利用二范数分别计算圆域范围内像素点(i,j)处的梯度幅值H(i,j)和梯度方向θ(i,j),即有:
步骤七,建立圆域范围内像素点的梯度方向直方图;
根据每个像素点的梯度方向和梯度值,使用直方图统计圆域内像素点对应的梯度方向和梯度值。直方图的横轴为梯度方向的角度大小,纵轴为梯度方向对应梯度值的累加。本发明中的梯度方向取值范围为[0,180°],以每20°为一个区间,故所有的梯度方向可以划分为9组,即为统计直方图的分组数目。方向直方图的峰值即代表了指静脉图像像素特征点的主方向角度
步骤八,计算圆域block范围内像素点的特征描述向量;
为了保持描述指静脉图像特征的向量的旋转不变性,本发明以图像重心G为中心,在圆域内将坐标轴旋转角度,即将坐标轴旋转为图像像素点的主方向。旋转后将圆域以每20°划分为一个block,共有9个block,以每45°为一个区间,建立每个block范围内像素点的方向直方图,可知每个block有4个方向的梯度强度信息,最后每个像素特征点有36维的特征描述向量。
步骤九,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的余弦距离;
本发明利用余弦距离衡量指静脉图像圆域内像素特征点在梯度方向上的相似度,即有:
其中,Dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的余弦距离;
步骤十,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的欧氏距离;
本发明利用欧氏距离衡量指静脉图像圆域内像素特征点在梯度值上的相似度,即两张指静脉图像特征点绝对距离的差异,有:
其中,dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的欧式距离;
步骤十一,用“与门”进行指静脉特征匹配复判断;
首先根据数据库指静脉图像的余弦距离、欧氏距离的数值范围设定一个判断阈值,然后将待检测指静脉图像的余弦距离与阈值进行比较,并将比较结果作为复判断“与”逻辑门的输入①,接着将待检测指静脉图像的欧氏距离与阈值进行比较,并将比较结果作为输入②,只有当复判断“与门”的输出为True时,才认为待检测指静脉图像与数据库内图像匹配,即认为两个指静脉图像样本来源于同一根手指、同一个人,识别成功。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种指静脉快速识别方法,包括如下步骤:
步骤一,对指静脉细化二值图进行Gamma矫正;
读入指静脉纹路细化后的二值化图像,获取图像的宽度M和高度N,采用Gamma校正法对输入图像进行归一化,在减少图像噪音的同时,调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,即有:
f(x,y)=(x,y)γ (1)
其中,(x,y)为输入图像;f(x,y)为输出图像;γ为指数;
步骤二,计算Gamma矫正后指静脉图像的对比度序列;
利用指静脉图像的清晰度和纹理的沟纹深浅建立图像的对比度,其中,对比度越大,则表明纹理的沟纹越深,效果清晰;反之,对比度越小,则表明沟纹越浅,效果模糊;即有:
其中,C代表指静脉图像的对比度;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值;ω(λ(i,j))代表相邻像素间的灰度值之差;Pω(i,j)代表相邻像素间的灰度值之差为ω的像素分布概率;
步骤三,计算Gamma矫正后指静脉图像的能量序列;
利用指静脉图像纹理的灰度变化稳定程度当作图像的能量值的度量标准,即能量值代表着指静脉图像灰度分布的均匀程度,其中,能量值越大,则表明当前纹理变化越稳定;反之,能量值越小,则表明当前纹理变化越波动;即有:
其中,D代表指静脉图像的能量值;λ(i,j)代表指静脉图像矩阵中像素点(i,j)的灰度值;
步骤四,用“与门”进行指静脉特征匹配初判断;
将指静脉图像的对比度序列和能量序列均作为图像的“纹路信息”,首先比较待检测指静脉图像的对比度序列和数据库指静脉图像的对比度序列的相同位数,若不相同的数据位不超过3,表明两张图像相似度高,反之,表明两张图像相似度低,将比较结果作为初判断“与”逻辑门的输入①;比较两张指静脉图像的能量序列的相同位数,若不相同的数据位不超过5,表明两张图像很相似,反之,表明两张图像不相似,将比较结果作为输入②;只有当初判断“与门”的输出为True时才进入步骤五,否则视待检测指静脉图像与数据库内指静脉图像均不匹配;
步骤五,在指静脉图像内构建圆域;
利用指静脉图像像素点灰度值之和、图像的重心以及尺寸构建一个圆域,具体实现步骤如下:
(1)把指静脉图像M×N看作平面薄片,把图像的像素点看作XOY平面上的质点,把图像像素点的灰度值λ(i,j)看作质点的质量,其中i和j分别表示像素点于像素矩阵中所在的行和列;
(2)计算指静脉图像的质量m(λ(i,j)):
(4)以重心G为圆心,图像的高度N为直径构建一个直径为N pixel的圆域;
步骤六,计算圆域内及边界线上像素点的梯度值和梯度方向;
然后利用二范数分别计算圆域范围内像素点(i,j)处的梯度幅值H(i,j)和梯度方向θ(i,j),即有:
步骤七,建立圆域范围内像素点的梯度方向直方图;
根据每个像素点的梯度方向和梯度值,使用直方图统计圆域内像素点对应的梯度方向和梯度值;直方图的横轴为梯度方向的角度大小,纵轴为梯度方向对应梯度值的累加;方向直方图的峰值即代表了指静脉图像像素特征点的主方向角度
步骤八,计算圆域block范围内像素点的特征描述向量;
步骤九,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的余弦距离;
利用余弦距离衡量指静脉图像圆域内像素特征点在梯度方向上的相似度,即有:
其中,Dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的余弦距离;
步骤十,计算待检测指静脉图像圆域内特征向量和数据库指静脉图像圆域内特征向量之间的欧氏距离;
利用欧氏距离衡量指静脉图像圆域内像素特征点在梯度值上的相似度,即两张指静脉图像特征点绝对距离的差异,有:
其中,dij表示测试图像中的特征点向量m与数据库图像中的特征点向量n之间的欧式距离;
步骤十一,用“与门”进行指静脉特征匹配复判断;
首先根据数据库指静脉图像的余弦距离、欧氏距离的数值范围设定一个判断阈值,然后将待检测指静脉图像的余弦距离与阈值进行比较,并将比较结果作为复判断“与”逻辑门的输入①,接着将待检测指静脉图像的欧氏距离与阈值进行比较,并将比较结果作为输入②,只有当复判断“与门”的输出为True时,才认为待检测指静脉图像与数据库内图像匹配,即认为两个指静脉图像样本来源于同一根手指、同一个人,识别成功。
2.如权利要求1所述的一种指静脉快速识别方法,其特征在于:步骤一所述的γ取1.5。
3.如权利要求1所述的一种指静脉快速识别方法,其特征在于:步骤二中的像素相邻按照八近邻计算。
4.如权利要求1所述的一种指静脉快速识别方法,其特征在于:步骤七的梯度方向取值范围为[0,180°],以每20°为一个区间,故所有的梯度方向可以划分为9组,即为统计直方图的分组数目。
5.如权利要求1所述的一种指静脉快速识别方法,其特征在于:步骤八所述的旋转后将圆域以每20°划分为一个block,共有9个block,以每45°为一个区间,建立每个block范围内像素点的方向直方图,可知每个block有4个方向的梯度强度信息,最后每个像素特征点有36维的特征描述向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367118.8A CN113128378B (zh) | 2021-04-06 | 2021-04-06 | 一种指静脉快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367118.8A CN113128378B (zh) | 2021-04-06 | 2021-04-06 | 一种指静脉快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128378A CN113128378A (zh) | 2021-07-16 |
CN113128378B true CN113128378B (zh) | 2022-07-19 |
Family
ID=76774986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367118.8A Active CN113128378B (zh) | 2021-04-06 | 2021-04-06 | 一种指静脉快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128378B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
CN110348289A (zh) * | 2019-05-27 | 2019-10-18 | 广州中国科学院先进技术研究所 | 一种基于二值图的手指静脉识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI434220B (zh) * | 2010-09-03 | 2014-04-11 | Univ Nat Taiwan Science Tech | 利用手掌靜脈之生物特徵辨識使用者之方法 |
WO2017059591A1 (zh) * | 2015-10-10 | 2017-04-13 | 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 |
-
2021
- 2021-04-06 CN CN202110367118.8A patent/CN113128378B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN110348289A (zh) * | 2019-05-27 | 2019-10-18 | 广州中国科学院先进技术研究所 | 一种基于二值图的手指静脉识别方法 |
Non-Patent Citations (2)
Title |
---|
Finger vein recognition based on Hessian-Affine operator;Pan Yunyun等;《第31届中国控制与决策会议论文集》;20191231;424-429 * |
基于HOG与改进的SVM的手掌静脉识别算法;徐笑宇等;《计算机工程与应用》;20161130;175-180+214 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128378A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097536B (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN107066998A (zh) | 一种利用移动设备的指针式圆形单仪表盘实时识别方法 | |
CN104268539A (zh) | 一种高性能的人脸识别方法及系统 | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN108710916B (zh) | 图片分类的方法及装置 | |
Lange et al. | Dld: A deep learning based line descriptor for line feature matching | |
CN106650580A (zh) | 基于图像处理的货架快速清点方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN106295710B (zh) | 基于非几何约束的图像局部特征匹配方法、装置及终端 | |
CN111753119A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN104517287A (zh) | 一种图像匹配的方法及装置 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN114037650B (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN113128378B (zh) | 一种指静脉快速识别方法 | |
Sui et al. | Automatic image registration based on shape features and multi-scale image segmentation | |
CN109766924B (zh) | 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN111161227A (zh) | 一种基于深度神经网络的靶心定位方法及系统 |
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 |