CN113221892A - 手掌图像确定方法、装置及计算机可读存储介质 - Google Patents
手掌图像确定方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113221892A CN113221892A CN202110588033.2A CN202110588033A CN113221892A CN 113221892 A CN113221892 A CN 113221892A CN 202110588033 A CN202110588033 A CN 202110588033A CN 113221892 A CN113221892 A CN 113221892A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- determining
- palm
- edge information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000005484 gravity Effects 0.000 claims description 62
- 238000004088 simulation Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种手掌图像确定方法。所述手掌图像确定方法包括:获取第一图像和第二图像的差分图像;将所述差分图像二值化,得到二值化图像;确定所述二值化图像中目标区域的边缘信息;根据所述边缘信息判断所述目标区域是否满足预设的手掌条件,以确定所述第一图像、第二图像是否为有效手掌图像。所述手掌图像确定方法,可以有效地判断目标图像中是否存在符合条件的手掌。同时,本发明还提供一种手掌图像确定装置和一种计算机可读存储介质。
Description
技术领域
本发明涉及图像处理技术领域,特别地,涉及一种手掌图像确定方法、一种手掌图像确定装置及计算机可读存储介质。
背景技术
掌静脉识别技术是近年新兴的一种生物特征识别技术,目前掌静脉识别的过程主要划分为:1、特征采集与提取;2、识别运算两大环节。
针对第一环节,现有技术的做法通常是通过特殊的摄像头对特定区域进行连续、快速的拍摄,然后通过多张图片进行特征采集与提取。而开启拍摄的条件,往往可能只有简单的感光判断。现有的前置启动方式精准度低,同时由于特征采集一般需要连续、高速拍摄手掌部分的图片,当采集启动时,硬件立即工作,手掌还未完全进入到高效识别区前就已经产生拍照,普遍当前采集的照片的前段若干张是无效照片(不能用于特征提取);同时,现有技术无法对残缺手掌进行前置判断,可能也将导致整个静脉识别系统无效运作。
因此,业内亟需一种能解决上述问题的技术方案。
发明内容
本发明提供了一种手掌图像确定方法,可通过普通的摄像模块,有效快速地确定当前拍摄的图像是否为有效手掌图像。同时,本发明还提供一种手掌图像确定装置和一种计算机可读存储介质。
第一方面,本发明提供一种手掌图像确定方法。
所述手掌图像确定方法包括:
获取第一图像和第二图像的差分图像;
将所述差分图像二值化,得到二值化图像;
确定所述二值化图像中目标区域的边缘信息;
根据所述边缘信息判断所述目标区域是否满足预设的手掌条件,以确定所述第一图像、第二图像是否为有效手掌图像。
具体地,所述将所述差分图像二值化,得到二值化图像的步骤之后,还包括:
获取当前二值化图像中像素值为1的像素个数占总像素的比率,确定所述比率符合预设条件。
具体地,所述确定所述二值化图像中目标区域的边缘信息的步骤中,具体包括:
获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
具体地,所述获取二值化图像中的目标区域,并确定所述目标区域的边缘信息的步骤中,具体包括:
使用链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
具体地,所述确定所述二值化图像中目标区域的边缘信息之后,还包括:
确定所述目标区域的重心及重心的坐标信息;
确定所述的目标区域边缘的谷点及谷点的坐标信息。
具体地,所述边缘信息包括所述目标区域的边缘像素点的坐标信息,所述确定所述目标区域的重心及重心的坐标信息的步骤中,具体包括:
根据所述边缘信息计算得到所述目标区域的中心矩,根据所述中心矩确定所述重心,获取所述重心的坐标信息。
具体地,所述确定所述目标区域边缘的谷点及谷点的坐标信息的步骤中,具体包括:
计算所述目标区域边缘像素点至重心的距离;
根据所述距离拟曲线化,得到拟曲线化后的曲线,对所述曲线进行过滤,得到曲线谷点,根据所述曲线谷点确定所述目标区域的谷点。
具体地,所述根据所述边缘信息判断所述目标区域是否满足预设的手掌条件的步骤中,具体包括:
计算所述重心与所述谷点的位置关系;
判断所述位置关系是否满足预设的手掌条件;
若满足预设的条件,则判断目标区域有效。
第二方面,本发明还提供一种手掌图像确定装置。
所述手掌图像确定装置包括:
获取模块,用于获取第一图像和第二图像的差分图像;
得到模块,用于将所述差分图像二值化,得到二值化图像;
确定模块,用于确定所述二值化图像中目标区域的边缘信息;
判断模块,用于根据所述边缘信息判断所述目标区域是否满足预设的条件,以确定所述第一图像、第二图像是否为有效手掌图像。
第三方面,本发明还提供一种计算机可读存储介质。
所述计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现第一方面任意一项所述的手掌图像确定方法的步骤。
相比于现有技术,本发明的方案具有以下优点:
本发明中,获取第一图像和第二图像的差分图像;将所述差分图像二值化,得到二值化图像;确定所述二值化图像中目标区域的边缘信息;根据所述边缘信息判断所述目标区域是否满足预设的手掌条件,以确定所述第一图像、第二图像是否为有效手掌图像。所述手掌图像确定方法,可以有效地判断目标图像中是否存在符合条件的手掌。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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的附图。
图1示出了本发明的一种手掌图像确定方法的一种实施例的流程示意图;
图2示出了本发明中一种二值化图像中的重心CM的一种实施例的示意图;
图3示出了本发明中一种谷点P1、P2、P3的一种实施例的示意图;
图4示出了本发明中一种曲线的一种实施例的示意图;其中,曲线raw表示拟曲线化后的曲线,曲线filtered表示过滤后的曲线。
图5示出了本发明中一种重心CM和一种谷点的一种实施例的示意图;
图6示出了本发明中的一种手掌图像确定装置的一种实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本发明用于识别目标对象——手掌,高效地确定当前环境或当前图像中是否存在目标对象,以便用于手势识别、掌静脉识别等技术领域。优选地,本发明主要用于在手势识别及掌静脉识别的前置过程。
本发明可广泛应用于掌静脉识别。掌静脉指手掌内静脉。掌静脉识别是静脉识别的一种。在掌静脉识别中,首先需要确定手掌的位置,并通过静脉识别仪等取得个人掌静脉分布图,从掌静脉分布图依据专用比对算法提取特征值,通过近红外线CCD摄像头等获取手指、手掌、手背静脉的图像,将静脉的数字图像存贮在计算机系统中,将特征值存储。本发明可有效识别出手掌,设置在掌静脉识别过程的特征采集与提取之前,降低掌静脉整套系统的无效功耗,进一步降低硬件功率,减少制造及使用成本。
第一方面,本发明提供一种手掌图像确定方法。
如图1,所述手掌图像确定方法包括步骤S101、步骤S102、步骤S103和步骤S104。其中:
步骤S101、获取第一图像和第二图像的差分图像;
步骤S102、将所述差分图像二值化,得到二值化图像;
步骤S103、确定所述二值化图像中目标区域的边缘信息;
步骤S104、根据所述边缘信息判断所述目标区域是否满足预设的手掌条件,以确定所述第一图像、第二图像是否为有效手掌图像。
在步骤S101,本实施例的一种优选的实施方案中,所述第一图像、第二图像为同一摄像模块在不同时刻所摄取的图像。
例如,设备启动拍摄一张图像A,将图像A作为第一图像,视作背景图片,每间隔2s拍照取样拍摄图片B,将图像B作为第二图像。
在步骤S101,本实施例的另一种优选的实施方案中,为了能够动态实时对所述第一图像和第二图像处理,所述第一图像、第二图像也可以为不同摄像模块对同一环境在同一时刻所摄取的图像。
在步骤S101,本实施例的又一种优选的实施方案中,所述第一图像、第二图像也可以是不同摄像模块在不同时刻、同一位置所摄取的图像。
差分图像是目标场景在连续时间点图像相减所构成的图像,广义的差分图像可定义为目标场景在时间点tk和tk+L所成图像的差别。差分图像是由目标场景在相邻时间点的图像相减得到的,从而能够得到目标场景随时间的变换。进行差分处理之后,差分图像中只剩下了运动目标和部分噪声,有利于对运动目标进行识别和定位。
本发明中,利用第一图像与第二图像之间的差分图像,判断所述差分图像中是否存在目标对象,从而判断第一图像、第二图像中是否存在目标对象,以确定第一图像和第二图像中是否至少存在有一张图像具有目标对象。在本发明中,目标对象指人的手掌。而目标区域是目标对象可能存在的位置区域,通过对目标区域的数据信息进行识别,以确定目标区域是否存在目标对象。
图像二值化将差图像上的像素点的灰度值设置为0或255,将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在本发明的一种可能的设计中,所有灰度大于或等于阈值的像素被判定为属于目标区域,其灰度值为255表示,否则这些像素点被排除在目标区域以外,灰度值为0,表示背景或者例外的物体区域。
综上,本发明实施例中,获取当前摄像设备所处环境的或视频流中的第一图像和第二图像,利用第一图像和第二图像的差分图像确定第一图像或第二图像是否存在目标对象——手掌,从而确定有效手掌图像,完成手势识别、掌静脉识别等过程的前置动作,进行启动手势识别、掌静脉识别等,降低系统的无效功耗,进一步降低硬件功率,减少制造及使用成本。
优选地,在本发明的一种优选实施例中,所述步骤S102之后,还包括:
获取当前二值化图像中像素值为1的像素个数占总像素的比率,确定所述比率符合预设条件。
由于二值化图像只有0、1两种情况。本发明中,可以用0表示黑,1表示白。在确定像素值为1和像素值为0的比例满足一定的条件时,目标对象大概率存在时,才进行确定所述二值化图像中目标区域的边缘信息。这有利于提高确定手掌图像的效率,避免无效的识别定位。优选地,所述比率的数值大于50%.
在确定了二值化图像后,本发明的一种具体的实施例中,所述步骤S103中,具体包括:
获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
在二值化图像中,通常存在多个封闭区域。所述封闭区域指的是曲线闭合所形成的一个封闭的区域。
同时,由于对可能存在手掌的图像识别时,所获取的期望图像都是基于手掌的图像。通常,手掌区域一般占图像面积的50%以上,为最大区域。因此,手掌在二值化图像中的面积通常较大,且是一个封闭的区域。因此,可以通过识别出二值化图像中的各个封闭区域,在确定各个封闭区域的边缘后,并计算每个封闭区域的面积大小来实现对手掌所在的目标区域的定位。
本发明中,使用边缘坐标计算封闭区域的面积并按照大小依次排列,从而确定目标区域,即手掌可能存在的区域,并进一步确定所述目标区域的边缘信息。通过面积大小来确定目标区域,能够保证在特定的使用场景中,如手势识别,掌静脉识别中,保证不低的准确率的同时,实现对设备的最低要求,简化了操作上复杂繁琐,节约了设备的损耗。
进一步地,所述步骤S103中,还可以具体包括:
使用链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
由于链码可以用曲线起始点的坐标和边界点方向代码来描述曲线或边界,同时,腐蚀可以将二值化图像中的白色区域只保留边缘,其余区域变黑。因此,可以利用链码对二值化图像进行腐蚀,有效地确定二值化图像中的目标区域及目标区域的边缘信息。
优选地,本发明利用8连通链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
本发明实施例中,常用的链码按照中心像素点邻接方向个数的不同,分为4连通链码和8连通链码。4连通链码的邻接点有4个,分别在中心点的上、下、左和右。8连通链码比4连通链码增加了4个斜方向,因为任意一个像素周围均有8个邻接点,而8连通链码正好与像素点的实际情况相符,能够准确地描述中心像素点与其邻接点的信息。
参考图2和图3,图2示出了本发明中一种二值化图像中的重心CM的一种实施例的示意图;图3示出了本发明中一种谷点P1、P2、P3的一种实施例的示意图。
具体地,所述确定所述二值化图像中目标区域的边缘信息之后,还包括:
确定所述目标区域的重心及重心的坐标信息;
确定所述的目标区域边缘的谷点及谷点的坐标信息。
本发明实施例中,本发明通过获取目标区域的重心和谷点的位置为确定当前目标区域是否为手掌区域或存在手掌。本发明在二值化图像中建立坐标系,将所述重心和所述谷点的位置通过坐标信息进行表述,可准确无误地表述重心跟谷点地位置,并有助于得到所述重心与所述谷点之间的位置关系。
具体地,所述边缘信息包括所述目标区域的边缘像素点的坐标信息,所述确定所述目标区域的重心及重心的坐标信息的步骤中,具体包括:
根据所述边缘信息计算得到所述目标区域的中心矩,根据所述中心矩确定所述重心,获取所述重心的坐标信息。
本发明实施例中,确定了目标区域的边缘信息后,根据目标区域的边缘上像素点的坐标信息等可确定该目标区域的中心矩。中心矩会一直围绕质心为中心来计算,也就是说会以图像或轮廓中的每个点到质心的距离来计算,所以当图像或轮廓发生平移时,中心矩不会发生改变。利用中心矩的特性可确定所述目标区域的中心,并获得所述重心的坐标信息。
优选地,所述确定所述目标区域边缘的谷点及谷点的坐标信息的步骤中,具体包括:
计算所述目标区域边缘像素点至重心的距离;
根据所述距离拟曲线化,得到拟曲线化后的曲线,对所述曲线进行过滤,得到曲线谷点,根据所述曲线谷点确定所述目标区域的谷点。
在这里,所述曲线谷点和所述谷点是两个概念。参见图4和图5,图4示出了本发明中一种曲线的一种实施例的示意图,图5示出了本发明中一种重心CM和一种谷点的一种实施例的示意图,其中,曲线raw表示拟曲线化后的曲线,曲线filtered表示过滤后的曲线。
可以理解的是,所述目标区域边缘至所述重心得到的欧式距离在x、y轴上,是一条波峰、波谷交织的连续曲线。其波谷的谷点,即曲线的谷点,对应的是目标区域边缘上的谷点。
本发明的一种优选的实施例中,依次计算目标区域边缘至重心的欧氏距离,将得到的距离视作图像曲线,对该图像曲线使用平滑滤波器进行滤波,寻找滤波之后的曲线低谷点,获得所述目标区域的谷点。优选地,所获取的谷点的数量不少于3个。本发明通过拟曲线化目标区域边缘至所述重心的欧式距离,通过过滤所述曲线得到曲线谷点,进而确定目标区域的边缘上的谷点,简单高效。
在本发明一种具体的实施例中,所述步骤S104中,具体包括:
计算所述重心与所述谷点的位置关系;
判断所述位置关系是否满足预设的手掌条件;
若满足预设的条件,则判断目标区域有效。
继续参考图5,显然,在确定了重心与谷点的数量及位置后,所述重心与谷点的位置关系的约束条件可根据实际的需求作调整。
本发明实施例中,所述预设的手掌条件可以为:使用余弦定理计算相邻谷点与重心连线的夹角β,此夹角β近似范围优选为25°-35°。当3个相邻谷点与重心连接的两个夹角满足此条件,便可以判断出当前二值化图像中存在手掌,亦即第一图像和第二图像中,至少存在一张图像具有手掌。反之亦然。
本发明实施例的一种优选方案中,所述预设的手掌条件还可以为:使用余弦定理计算相邻谷点与重心连线的夹角β,此夹角β近似范围优选为26°-36°。当4个相邻谷点与重心连接的两个夹角满足此条件,便可以判断出当前二值化图像中存在手掌,亦即第一图像和第二图像中,至少存在一张图像具有手掌。反之亦然。
综上,本发明利用差分图像,确定当前图像的目标区域,获取目标区域的边缘信息。利用边缘信息判断所述目标区域中是否存在目标对象,从而判断当前图像的拍摄环境是否存在目标对象,简单高效地完成了对目标图像的识别。在保证了准确率和识别速度的同时,简化了操作的复杂性,降低了对设备的要求,减少了设备了损耗,节省了设备制造上的成本。
第二方面,本发明还提供一种手掌图像确定装置。
如图6,所述手掌图像确定装置包括获取模块101、得到模块102、确定模块103和判断模块104:
获取模块101,用于获取第一图像和第二图像的差分图像;
得到模块102,用于将所述差分图像二值化,得到二值化图像;
确定模块103,用于确定所述二值化图像中目标区域的边缘信息;
判断模块104,用于根据所述边缘信息判断所述目标区域是否满足预设的条件,以确定所述第一图像、第二图像是否为有效手掌图像。
在获取模块101,本实施例的一种优选的实施方案中,所述第一图像、第二图像为同一摄像模块在不同时刻所摄取的图像。
例如,设备启动拍摄一张图像A,将图像A作为第一图像,视作背景图片,每间隔2s拍照取样拍摄图片B,将图像B作为第二图像。
在获取模块101,本实施例的另一种优选的实施方案中,为了能够动态实时对所述第一图像和第二图像处理,所述第一图像、第二图像也可以为不同摄像模块对同一环境在同一时刻所摄取的图像。
在获取模块101,本实施例的又一种优选的实施方案中,所述第一图像、第二图像也可以是不同摄像模块在不同时刻、同一位置所摄取的图像。
差分图像是目标场景在连续时间点图像相减所构成的图像,广义的差分图像可定义为目标场景在时间点tk和tk+L所成图像的差别。差分图像是由目标场景在相邻时间点的图像相减得到的,从而能够得到目标场景随时间的变换。进行差分处理之后,差分图像中只剩下了运动目标和部分噪声,有利于对运动目标进行识别和定位。
本发明中,利用第一图像与第二图像之间的差分图像,判断所述差分图像中是否存在目标对象,从而判断第一图像、第二图像中是否存在目标对象,以确定第一图像和第二图像中是否至少存在有一张图像具有目标对象。在本发明中,目标对象指人的手掌。而目标区域是目标对象可能存在的位置区域,通过对目标区域的数据信息进行识别,以确定目标区域是否存在目标对象。
图像二值化将差图像上的像素点的灰度值设置为0或255,将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在本发明的一种可能的设计中,所有灰度大于或等于阈值的像素被判定为属于目标区域,其灰度值为255表示,否则这些像素点被排除在目标区域以外,灰度值为0,表示背景或者例外的物体区域。
综上,本发明实施例中,获取当前摄像设备所处环境的或视频流中的第一图像和第二图像,利用第一图像和第二图像的差分图像确定第一图像或第二图像是否存在目标对象——手掌,从而确定有效手掌图像,完成手势识别、掌静脉识别等过程的前置动作,进行启动手势识别、掌静脉识别等,降低系统的无效功耗,进一步降低硬件功率,减少制造及使用成本。
优选地,在本发明的一种优选实施例中,所述得到模块102还包括:
获取单元,用于获取当前二值化图像中像素值为1的像素个数占总像素的比率,确定所述比率符合预设条件。
由于二值化图像只有0、1两种情况。本发明中,可以用0表示黑,1表示白。在确定像素值为1和像素值为0的比例满足一定的条件时,目标对象大概率存在时,才进行确定所述二值化图像中目标区域的边缘信息。这有利于提高确定手掌图像的效率,避免无效的识别定位。优选地,所述比率的数值大于50%.
在确定了二值化图像后,本发明的一种具体的实施例中,所述确定模块103中,具体包括:
确定单元,用于获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
在二值化图像中,通常存在多个封闭区域。所述封闭区域指的是曲线闭合所形成的一个封闭的区域。
同时,由于对可能存在手掌的图像识别时,所获取的期望图像都是基于手掌的图像。通常,手掌区域一般占图像面积的50%以上,为最大区域。因此,手掌在二值化图像中的面积通常较大,且是一个封闭的区域。因此,可以通过识别出二值化图像中的各个封闭区域,在确定各个封闭区域的边缘后,并计算每个封闭区域的面积大小来实现对手掌所在的目标区域的定位。
本发明中,所述手掌图像确定装置使用边缘坐标计算封闭区域的面积并按照大小依次排列,从而确定目标区域,即手掌可能存在的区域,并进一步确定所述目标区域的边缘信息。通过面积大小来确定目标区域,能够保证在特定的使用场景中,如手势识别,掌静脉识别中,保证不低的准确率的同时,实现对设备的最低要求,简化了操作上复杂繁琐,节约了设备的损耗。
进一步地,所述确定模块103中,所述确定单元还可以具体被配置为用于执行:
使用链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
由于链码可以用曲线起始点的坐标和边界点方向代码来描述曲线或边界,同时,腐蚀可以将二值化图像中的白色区域只保留边缘,其余区域变黑。因此,可以利用链码对二值化图像进行腐蚀,有效地确定二值化图像中的目标区域及目标区域的边缘信息。
优选地,本发明利用8连通链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
本发明实施例中,常用的链码按照中心像素点邻接方向个数的不同,分为4连通链码和8连通链码。4连通链码的邻接点有4个,分别在中心点的上、下、左和右。8连通链码比4连通链码增加了4个斜方向,因为任意一个像素周围均有8个邻接点,而8连通链码正好与像素点的实际情况相符,能够准确地描述中心像素点与其邻接点的信息。
参考图2和图3,图2示出了本发明中一种二值化图像中的重心CM的一种实施例的示意图;图3示出了本发明中一种谷点P1、P2、P3的一种实施例的示意图。
具体地,所述确定所述二值化图像中目标区域的边缘信息之后,还包括:
确定所述目标区域的重心及重心的坐标信息;
确定所述的目标区域边缘的谷点及谷点的坐标信息。
本发明实施例中,本发明通过获取目标区域的重心和谷点的位置为确定当前目标区域是否为手掌区域或存在手掌。本发明在二值化图像中建立坐标系,将所述重心和所述谷点的位置通过坐标信息进行表述,可准确无误地表述重心跟谷点地位置,并有助于得到所述重心与所述谷点之间的位置关系。
具体地,所述边缘信息包括所述目标区域的边缘像素点的坐标信息,所述确定所述目标区域的重心及重心的坐标信息的步骤中,具体包括:
根据所述边缘信息计算得到所述目标区域的中心矩,根据所述中心矩确定所述重心,获取所述重心的坐标信息。
本发明实施例中,确定了目标区域的边缘信息后,根据目标区域的边缘上像素点的坐标信息等可确定该目标区域的中心矩。中心矩会一直围绕质心为中心来计算,也就是说会以图像或轮廓中的每个点到质心的距离来计算,所以当图像或轮廓发生平移时,中心矩不会发生改变。利用中心矩的特性可确定所述目标区域的中心,并获得所述重心的坐标信息。
优选地,所述确定所述目标区域边缘的谷点及谷点的坐标信息的步骤中,具体包括:
计算所述目标区域边缘像素点至重心的距离;
根据所述距离拟曲线化,得到拟曲线化后的曲线,对所述曲线进行过滤,得到曲线谷点,根据所述曲线谷点确定所述目标区域的谷点。
在这里,所述曲线谷点和所述谷点是两个概念。参见图4和图5,图4示出了本发明中一种曲线的一种实施例的示意图,图5示出了本发明中一种重心CM和一种谷点的一种实施例的示意图,其中,曲线raw表示拟曲线化后的曲线,曲线filtered表示过滤后的曲线。
可以理解的是,所述目标区域边缘至所述重心得到的欧式距离在x、y轴上,是一条波峰、波谷交织的连续曲线。其波谷的谷点,即曲线的谷点,对应的是目标区域边缘上的谷点。
本发明的一种优选的实施例中,依次计算目标区域边缘至重心的欧氏距离,将得到的距离视作图像曲线,对该图像曲线使用平滑滤波器进行滤波,寻找滤波之后的曲线低谷点,获得所述目标区域的谷点。优选地,所获取的谷点的数量不少于3个。本发明通过拟曲线化目标区域边缘至所述重心的欧式距离,通过过滤所述曲线得到曲线谷点,进而确定目标区域的边缘上的谷点,简单高效。
在本发明一种具体的实施例中,所述判断模块104中,具体包括:
计算单元,用于计算所述重心与所述谷点的位置关系;
判断单元,用于判断所述位置关系是否满足预设的手掌条件;
若满足预设的条件,则判断目标区域有效。
继续参考图5,显然,在确定了重心与谷点的数量及位置后,所述重心与谷点的位置关系的约束条件可根据实际的需求作调整。
本发明实施例中,所述预设的手掌条件可以为:使用余弦定理计算相邻谷点与重心连线的夹角β,此夹角β近似范围优选为25°-35°。当3个相邻谷点与重心连接的两个夹角满足此条件,便可以判断出当前二值化图像中存在手掌,亦即第一图像和第二图像中,至少存在一张图像具有手掌。反之亦然。
本发明实施例的一种优选方案中,所述预设的手掌条件还可以为:使用余弦定理计算相邻谷点与重心连线的夹角β,此夹角β近似范围优选为26°-36°。当4个相邻谷点与重心连接的两个夹角满足此条件,便可以判断出当前二值化图像中存在手掌,亦即第一图像和第二图像中,至少存在一张图像具有手掌。反之亦然。
综上,本发明利用差分图像,确定当前图像的目标区域,获取目标区域的边缘信息。利用边缘信息判断所述目标区域中是否存在目标对象,从而判断当前图像的拍摄环境是否存在目标对象,简单高效地完成了对目标图像的识别。在保证了准确率和识别速度的同时,简化了操作的复杂性,降低了对设备的要求,减少了设备了损耗,节省了设备制造上的成本。
第三方面,本发明还提供一种计算机可读存储介质。
所述计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现第一方面任意一项所述的手掌图像确定方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的技术方案的实施例进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种手掌图像确定方法,其特征在于,包括:
获取第一图像和第二图像的差分图像;
将所述差分图像二值化,得到二值化图像;
确定所述二值化图像中目标区域的边缘信息;
根据所述边缘信息判断所述目标区域是否满足预设的手掌条件,以确定所述第一图像、第二图像是否为有效手掌图像。
2.根据权利要求1所述的手掌图像确定方法,其特征在于,所述将所述差分图像二值化,得到二值化图像的步骤之后,还包括:
获取当前二值化图像中像素值为1的像素个数占总像素的比率,确定所述比率符合预设条件。
3.根据权利要求1所述的手掌图像确定方法,其特征在于,所述确定所述二值化图像中目标区域的边缘信息的步骤中,具体包括:
获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
4.根据权利要求1所述的手掌图像确定方法,其特征在于,所述获取二值化图像中的目标区域,并确定所述目标区域的边缘信息的步骤中,具体包括:
使用链码腐蚀所述二值化图像,获取二值化图像中的目标区域,确定所述目标区域的边缘信息。
5.根据权利要求1所述的手掌图像确定方法,其特征在于,所述确定所述二值化图像中目标区域的边缘信息之后,还包括:
确定所述目标区域的重心及重心的坐标信息;
确定所述的目标区域边缘的谷点及谷点的坐标信息。
6.根据权利要求5所述的手掌图像确定方法,其特征在于,所述边缘信息包括所述目标区域的边缘像素点的坐标信息,所述确定所述目标区域的重心及重心的坐标信息的步骤中,具体包括:
根据所述边缘信息计算得到所述目标区域的中心矩,根据所述中心矩确定所述重心,获取所述重心的坐标信息。
7.根据权利要求5或6所述的手掌图像确定方法,其特征在于,所述确定所述目标区域边缘的谷点及谷点的坐标信息的步骤中,具体包括:
计算所述目标区域边缘像素点至重心的距离;
根据所述距离拟曲线化,得到拟曲线化后的曲线,对所述曲线进行过滤,得到曲线谷点,根据所述曲线谷点确定所述目标区域的谷点。
8.根据权利要求5所述的手掌图像确定方法,其特征在于,所述根据所述边缘信息判断所述目标区域是否满足预设的手掌条件的步骤中,具体包括:
计算所述重心与所述谷点的位置关系;
判断所述位置关系是否满足预设的手掌条件;
若满足预设的条件,则判断目标区域有效。
9.一种手掌图像确定装置,其特征在于,包括:
获取模块,用于获取第一图像和第二图像的差分图像;
得到模块,用于将所述差分图像二值化,得到二值化图像;
确定模块,用于确定所述二值化图像中目标区域的边缘信息;
判断模块,用于根据所述边缘信息判断所述目标区域是否满足预设的条件,以确定所述第一图像、第二图像是否为有效手掌图像。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8任意一项所述的手掌图像确定方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021105176109 | 2021-05-12 | ||
CN202110517610 | 2021-05-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221892A true CN113221892A (zh) | 2021-08-06 |
Family
ID=77099623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588033.2A Pending CN113221892A (zh) | 2021-05-12 | 2021-05-28 | 手掌图像确定方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292136A (zh) * | 2023-11-22 | 2023-12-26 | 江苏圣点世纪科技有限公司 | 一种静脉图像二值化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081918A (zh) * | 2010-09-28 | 2011-06-01 | 北京大学深圳研究生院 | 一种视频图像显示控制方法及视频图像显示器 |
CN103886282A (zh) * | 2014-02-26 | 2014-06-25 | 中国船舶重工集团公司第七一〇研究所 | 一种手指静脉图像采集方法 |
CN104809446A (zh) * | 2015-05-07 | 2015-07-29 | 西安电子科技大学 | 基于校正手掌方向的掌纹感兴趣区域快速提取方法 |
CN105787419A (zh) * | 2014-12-23 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 手掌图像的手掌检测方法及系统 |
CN106503651A (zh) * | 2016-10-21 | 2017-03-15 | 上海未来伙伴机器人有限公司 | 一种手势图像的提取方法及系统 |
CN107957534A (zh) * | 2017-10-13 | 2018-04-24 | 国网山东省电力公司济南供电公司 | 一种基于x光扫描的电缆接头检测装置及方法 |
CN109408909A (zh) * | 2018-09-30 | 2019-03-01 | 中南大学 | 一种三维粗糙表面微凸体拟合方法 |
CN110298314A (zh) * | 2019-06-28 | 2019-10-01 | 海尔优家智能科技(北京)有限公司 | 手势区域的识别方法及装置 |
CN110705550A (zh) * | 2019-10-08 | 2020-01-17 | 青岛康特网络科技有限公司 | 基于图像矩与投影法的文本图像的姿态校正算法 |
-
2021
- 2021-05-28 CN CN202110588033.2A patent/CN113221892A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081918A (zh) * | 2010-09-28 | 2011-06-01 | 北京大学深圳研究生院 | 一种视频图像显示控制方法及视频图像显示器 |
CN103886282A (zh) * | 2014-02-26 | 2014-06-25 | 中国船舶重工集团公司第七一〇研究所 | 一种手指静脉图像采集方法 |
CN105787419A (zh) * | 2014-12-23 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 手掌图像的手掌检测方法及系统 |
CN104809446A (zh) * | 2015-05-07 | 2015-07-29 | 西安电子科技大学 | 基于校正手掌方向的掌纹感兴趣区域快速提取方法 |
CN106503651A (zh) * | 2016-10-21 | 2017-03-15 | 上海未来伙伴机器人有限公司 | 一种手势图像的提取方法及系统 |
CN107957534A (zh) * | 2017-10-13 | 2018-04-24 | 国网山东省电力公司济南供电公司 | 一种基于x光扫描的电缆接头检测装置及方法 |
CN109408909A (zh) * | 2018-09-30 | 2019-03-01 | 中南大学 | 一种三维粗糙表面微凸体拟合方法 |
CN110298314A (zh) * | 2019-06-28 | 2019-10-01 | 海尔优家智能科技(北京)有限公司 | 手势区域的识别方法及装置 |
CN110705550A (zh) * | 2019-10-08 | 2020-01-17 | 青岛康特网络科技有限公司 | 基于图像矩与投影法的文本图像的姿态校正算法 |
Non-Patent Citations (1)
Title |
---|
戴雷: "无约束手掌图像采集系统及相应特征定位算法", 《数据采集与处理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292136A (zh) * | 2023-11-22 | 2023-12-26 | 江苏圣点世纪科技有限公司 | 一种静脉图像二值化方法 |
CN117292136B (zh) * | 2023-11-22 | 2024-04-12 | 江苏圣点世纪科技有限公司 | 一种静脉图像二值化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536864B (zh) | 手势识别方法、装置、计算机可读存储介质及终端设备 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN109584266B (zh) | 一种目标检测方法及装置 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN101131728A (zh) | 一种基于Shape Context的人脸形状匹配方法 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN106952312B (zh) | 一种基于线特征描述的无标识增强现实注册方法 | |
CN111461202A (zh) | 甲状腺结节超声图像实时识别方法及装置 | |
CN113221892A (zh) | 手掌图像确定方法、装置及计算机可读存储介质 | |
CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
CN116012659B (zh) | 一种红外目标检测方法、装置、电子设备及存储介质 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN111931544B (zh) | 活体检测的方法、装置、计算设备及计算机存储介质 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
CN114693556B (zh) | 一种高空抛物帧差法运动目标检测去拖影方法 | |
CN115909401A (zh) | 融合深度学习的牛脸识别方法、装置、电子设备和介质 | |
WO2023047165A1 (en) | Object sequence image processing method and apparatus, device and storage medium | |
CN112967321A (zh) | 运动目标的检测方法、装置、终端设备及存储介质 | |
CN110223319B (zh) | 基于改进几何粒子滤波的动态目标实时跟踪方法和系统 | |
CN112287831A (zh) | 基于编码热红外标志的跟随机器人多目标识别系统及方法 | |
CN108073847B (zh) | 对条码进行定位的方法、设备和装置 | |
CN113221909B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN111598943A (zh) | 基于书本辅助阅读设备的书本就位检测方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |