CN113361382B - 基于压缩相对轮廓特征点的手形识别方法 - Google Patents

基于压缩相对轮廓特征点的手形识别方法 Download PDF

Info

Publication number
CN113361382B
CN113361382B CN202110617818.8A CN202110617818A CN113361382B CN 113361382 B CN113361382 B CN 113361382B CN 202110617818 A CN202110617818 A CN 202110617818A CN 113361382 B CN113361382 B CN 113361382B
Authority
CN
China
Prior art keywords
hand
contour
shaped
points
image
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
Application number
CN202110617818.8A
Other languages
English (en)
Other versions
CN113361382A (zh
Inventor
于霞
李召鹏
段勇
付琪
刘廷镇
艾德润
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Publication of CN113361382A publication Critical patent/CN113361382A/zh
Application granted granted Critical
Publication of CN113361382B publication Critical patent/CN113361382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

一种基于压缩相对轮廓特征点的手形识别方法，该方法步骤如下：(1)利用图像处理算法分割手掌与背景图像；(2)对手部图像形态学膨胀处理和腐蚀处理；(3)对手形轮廓坐标进行提取；(4)相对手形坐标进行转换：计算手形轮廓的质心坐标，并以此为原点，对手形轮廓特征点相对于质心进行坐标变换；得到相对轮廓特征点信息；(5)手形轮廓压缩特征点的提取方法，使用等间隔取点法对轮廓点进行压缩，再以最优化的轮廓点数量对手形进行识别。

Description

基于压缩相对轮廓特征点的手形识别方法
技术领域
本发明属于图像处理与机器学习的身份识别技术领域，具体涉及一种基于压缩相对轮廓特征点的手形识别的方法。
背景技术
手形轮廓特征相比于其他手部生物特征具有：易提取、易实现、计算量小的特点，通常作为基本手部形状特征结合掌纹、指纹、手掌静脉纹等信息用于识别特征区域提取的主要依据；但手形轮廓信息本身唯一性较低，也被用于结合高度唯一性特征，用于特征融合使用。现有的移动终端设备作为便携式的综合信息处理平台，在人们生活中发挥着越来越重要的作用，随着智能设备的高速发展，自带摄像功能的移动设备早已普及，使得利用智能设备摄像头，在不增加额外设备开销的基础上收集手形图片信息成为可能。然而，移动环境手形识别面临诸多严峻技术挑战：受智能设备资源等条件的限制(如较小的存储空间、较弱的处理能力)，以及复杂的应用环境(背景、光照、手形摆放姿态和位置等)，尚未形成理想的实用化技术方案。而现有的手形特征的识别主要是针对手形和手指的长度、宽度、周长、面积等手形图像信息提取后的特性，此类特征的提取对所用特征提取算法依赖性较强，不同算法提取出的特征相差较大，且提取精度越高的算法其计算量越大。
相较于此，手形的轮廓的位置信息具有提取方法简单、特征相对独立、提取算法开销较小等优点，以手形的相对轮廓点作为识别基础具有可行性。
发明内容
发明目的：为解决上述技术缺陷，提供一种方法简单、特征独立、提取算法开销小，更加准确高效的手形识别方法，利用最大类间方差法提取轮廓特征并首次提出构建相对轮廓特征用于手形识别，从而达到身份识别的目的。
技术方案
基于压缩相对轮廓特征点的手形识别方法，该方法步骤如下：
(1)用图像处理算法分割手掌与背景图像：
1)图像的红R、绿G和蓝B的颜色通道转化为颜色空间YCbCr图像，进行色彩和亮度的分离；
2)对所得空间图像的亮度通道进行分级为0，1，2…k-1，k，k+1…L；依据统计学原理计算在颜色空间YCbCr中的亮度通道上计算手掌与背景间的类间方差：
其中k为分割手掌与背景的阈值；p(k)为像素亮度在0-k级的概率，μ(k)为0-k级的平均亮度值，E(L)为亮度在0-L等级上的期望；
选取使类间方差最大的k值作为分割阈值，该分割阈值可使错误划分的概率最小；
(2)手部图像形态学处理方法：
1)对分割后的手掌二值图像进行形态学膨胀处理；
2)对形态学膨胀处理后的图像进行形态学腐蚀处理；
(3)手形轮廓坐标提取方法：
1)应用扫描光栅算法，对二值图像进行扫描边界信息，获取多组轮廓信息；
2)遍历所有轮廓信息组；
3)将第一个轮廓置为备选轮廓；
4)遍历下一个轮廓信息；
5)计算每个轮廓内部的面积；
6)比较当前轮廓面积与备选轮廓面积，将面积大的轮廓赋值给备选轮廓；
7)依次重复3)、4)、5)步直到遍历全部轮廓信息；
8)输出最后的备选轮廓作为手形轮廓；
(4)相对手形坐标转换方法：计算手形轮廓的质心坐标，并以该质心坐标为原点，手形轮廓特征点相对于质心进行坐标转换；得到相对轮廓特征点信息；
所述手形相对轮廓的坐标转换方法，首次应用质心点的相对坐标对手形轮廓特征点进行转换方法：
step1:利用下式计算轮廓点的空间矩；
其中Contour为手形轮廓数组，Mij为空间距；
step2:x、y的质心相对坐标Mx，My由下式计算；
(5)压缩手形轮廓特征点的提取方法：
为使用等间隔取点法对轮廓点进行压缩：
1)获取手形轮廓点的数量，通过选取数量计算出间隔大小；
2)以计算出的间隔大小对手形轮廓点进行选取；
3)通过支持相量机对选取的轮廓点进行训练得出不同的模型；
4)以训练出模型的训练时间及正确率评估选取得到的轮廓特征点数量；
5)以最优化的轮廓点数量对手形进行识别。
优点及效果
本发明给出一种基于压缩相对轮廓特征点的手形识别方法，该方法通过建立手形轮廓相对于手形轮廓质心的坐标系，提出等间隔取点法寻找综合计算性能和准确率最好的手形特征点数量的方法，以此数量等间隔提取的手形轮廓作为压缩特征点坐标作为手形识别特征；本发明采用支持向量机作为分类器对不同手形特征进行识别；该方法在手机摄像头采集的100个人手掌的2000张手掌图片实验中得到98.25％的准确率，并对特征点重构的图像和实验结果进行分析，证实该方法的有效性，适合广泛推广，以达到身份识别的目的。
附图说明
图1(a)、(b)、(c)、(d)、(e)、(f)为本发明实施例中自建手形数据库样例；
图2(a)、(b)为本发明实施例中最大类间法二值分割结果；
图3(a)、(b)为本发明实施例中形态学处理结果；
图4为本发明实施例中轮廓过滤结果；
图5为本发明实施例中质心转换结果；
图6为本发明实施例中轮廓点选取结果；
图7为本发明实施例中5-80轮廓点重构结果；
图8为本发明实施例中类内误差分析结果；
图9(a)、(b)为本发明实施例中错误率最高的两个类别的分类结果；
图10(a)、(b)、(c)、(d)为本发明实施例中预测错误重构点分析结果。
具体实施方式
下面结合附图对本发明做进一步的说明：
基于压缩相对轮廓特征点的手形识别方法，该方法步骤如下：
(1)用图像处理算法分割手掌与背景图像：
1)图像的红R、绿G和蓝B的颜色通道转化为颜色空间YCbCr图像，进行色彩和亮度的分离；
2)对所得空间图像的亮度通道进行分级为0，1，2…k-1，k，k+1…L；依据统计学原理计算在颜色空间YCbCr中的亮度通道上计算手掌与背景间的类间方差：
其中k为分割手掌与背景的阈值；p(k)为像素亮度在0-k级的概率，μ(k)为0-k级的平均亮度值，E(L)为亮度在0-L等级上的期望；
选取使类间方差最大的k值作为分割阈值，该分割阈值可使错误划分的概率最小；
(2)手部图像形态学处理方法：
1)对分割后的手掌二值图像进行形态学膨胀处理；
2)对形态学膨胀处理后的图像进行形态学腐蚀处理；
(3)手形轮廓坐标提取方法：
1)应用扫描光栅算法，对二值图像进行扫描边界信息，获取多组轮廓信息；
2)遍历所有轮廓信息组；
3)将第一个轮廓置为备选轮廓；
4)遍历下一个轮廓信息；
5)计算每个轮廓内部的面积；
6)比较当前轮廓面积与备选轮廓面积，将面积大的轮廓赋值给备选轮廓；
7)依次重复3)、4)、5)步直到遍历全部轮廓信息；
8)输出最后的备选轮廓作为手形轮廓；
(4)相对手形坐标转换方法：计算手形轮廓的质心坐标，并以该质心坐标为原点，手形轮廓特征点相对于质心进行坐标转换；得到相对轮廓特征点信息；
所述手形相对轮廓的坐标转换方法，首次应用质心点的相对坐标对手形轮廓特征点进行转换方法：
step1:利用下式计算轮廓点的空间矩；
其中Contour为手形轮廓数组，Mij为空间距；
step2:x、y的质心相对坐标Mx，My由下式计算；
(5)压缩手形轮廓特征点的提取方法：
为使用等间隔取点法对轮廓点进行压缩：
1)获取手形轮廓点的数量，通过选取数量计算出间隔大小；
2)以计算出的间隔大小对手形轮廓点进行选取；
3)通过支持相量机对选取的轮廓点进行训练得出不同的模型；
4)以训练出模型的训练时间及正确率评估选取得到的轮廓特征点数量；
5)以最优化的轮廓点数量对手形进行识别。
实施例
本实施例手掌库为自建数据库，采用手机移动设备摄像头采集，背景基本为单色，采集手势为4指并拢大拇指外张开，四指朝上，手部位置在图像中允许有一定平移。构建的手图像库共采集100个人手掌图片，每人20张，共包含2000手掌图片，经过预处理并归一化为4000*3000像素的图像，所有图像RGB空间下的彩色图像，手图像库样例如图1所示图像。
原图像RGB色彩空间中包含了图片的亮度、对比度等信息，但这些信息不是分离的，原图像的RGB数据不适合于色彩分割；本实施例对原图像的R、G、B通道转化为YCbCr颜色空间图像，实现色彩和亮度的分离。
假设对所得空间的亮度通道进行分级为0，1，2…k-1，k，k+1…L；依据统计学原理计算在YCbCr颜色空间中的亮度通道上手掌与背景间的类间方差见下式。
其中k为分割手掌与背景的阈值。p(k)为像素亮度在0-k级的概率，μ(k)为0-k级的平均亮度值，E(L)为亮度在0-L等级上的期望。
选取使类间方差最大的k值作为分割阈值即可使错误划分的概率最小。应用该方法划分图像的二值图像结果见图2。
为去除轮廓边界毛刺本实施例采用形态学膨胀和腐蚀对二值图像进行处理。去除掉手形轮廓毛刺及部分孤点。形态学膨胀是通过卷积模板对图像进行扫描，使模板元素与二值图像做与运算。可以取到连通二值图像边界的作用。而腐蚀操作则相反，应用卷积模板对图像进行扫描得出模板覆盖区域的最小值，并用这个最小值作为参考点的像素值。
通过连续的使用膨胀与腐蚀可以实现消除噪声的作用。
腐蚀膨胀处理后的二值图像见图3。
应用扫描光栅算法，对二值图像进行扫描边界信息，该算法数据组将先扫描手掌图像得到若干轮廓，由于图像二值化后部分图像存在背景与手掌肤色阈值相似区域被划分为二值图像中的孤岛形状的情况，这些孤岛的轮廓这里定义为内部轮廓，它们是边界数据组中的多余轮廓信息，需要过滤掉，轮廓过滤结果见图4。
提取的手形特征点坐标依赖于图像采集时手相对于整幅图像的相对位置，手形状是依据整幅图像的原点建立的。当手相对于相机移动时，其坐标会发生显著变化，将降低依据手形坐标分类算法的鲁棒性。本发明通过计算手形轮廓的质心坐标，并以此为原点，对手形轮廓特征点相对于质心进行坐标变换，从而达到增强手形数据相对稳定的目的。质心转换结果见图5。
根据下式，依据手形轮廓计算出手形的质心坐标。
式中Contour为手形轮廓数组，Mij为空间距，Mx为质心的X坐标，My为质心的Y坐标。
对手形轮廓坐标以手形轮廓质心为原点进行坐标变换，得到手形轮廓，用于下一步的轮廓特征点的提取。
根据手形坐标轮廓信息计算出质心坐标。在高像素图片下提取的手形信息具有较多的冗余数据，未压缩的手形坐标占用大量的内存，同时支持向量机模型计算大量的冗余数据会增大计算开销且无法取得更高的分类效果，本发明提出使用等间隔取点法对轮廓点进行压缩。选取(5，780)间隔数量为5的区间作为测试压缩区间。通过从分类正确率和计算开销两个角度对手形轮廓坐标等间隔采样进行对比测试，其中选取全部数据的80％作为支持向量机的训练集，20％作为测试集，得到不同间隔下轮廓坐标点的支持向量机分类正确率及所需计算时间的图像见图6。
支持向量机分类正确率先随着轮廓点的数量增加不断上升，当轮廓坐标为55个点时训练的支持向量机在测试集上表现的综合效果最佳，但当轮廓点继续上升，支持向量机训练结果趋势反而逐渐下降，这是由于大量的轮廓点存在冗余数据，对正确分类产生了干扰。同时计算大量轮廓点增大了计算的复杂度，其计算开销也不断增大。对选取的轮廓坐标点进行重构，重构后的图像见图7，重构结果显示当特征点数为55时分类正确率达到最高值98.25％，当特征点数为50和40时，正确率与之相近，但特征点数为55时保留指尖部位更多相对位置相关信息。故选择55个点作为手形分类的特征点。即对所有手掌的手形轮廓进行等间隔取55个轮廓特征点相对于手形质心的坐标作为手形轮廓身份识别的特征。
采用统计类别错误率，查看是否有特定类别存在错误率偏高的情况，以所有100个人，每人20张，共2000张图片作为测试集，将100人按0-99编号，作为100个类别，误差大于1的分类结果统计见图8。
其中类别63、97在20张测试图片中分别分类错误9张，错误率达到45％，相比较其他类别错误率偏高。错误率最高的两个类别的分类结果的概率分布见图9。两类的概率分布相对较均匀，未产生概率极高的类别，同时正确类别仍在概率最大的前五类中。将分类错误的类别63和类别97的重构点图像与概率最好的两个类别的图像进行比较(见图10)，可以看出，类别97的重构点图像与类别30的图像整体形状相似，且其质心位置也相似。类别63与类别94虽轮廓形状存在一些差距，但其轮廓特征点相对于质心距离近似。
以本发明自建手掌数据库分割背景后的手掌图片作为输入数据集，分别用SIFT、二进制鲁棒不变尺度特征(BRIEF)、ORB图像特征提取算法进行识别实验，实验中三种算法选取拒真率，认假率相等时所对应的阈值作为分类阈值，实验结果见表2。
对比实验结果
实验结果表明，相比其他三种特征提取算法本发明方法取得了较高的正确率，并且特征提取时间和训练时间消耗比其他三种算法时间更少，本发明方法相比于BRIEF算法，匹配时间略长，但优于SIFT和ORB算法。综上，本发明算法在综合性能上占优，并取得了最高98.25％的分类正确率。
本发明通过手机摄像头采集100人的手形图片建立手形识别数据库，应用图像最大类间方差法分割和腐蚀膨胀对图像进行二值化及去毛刺的预处理，根据手形图像采集条件最大面积过滤法提取轮廓。使用轮廓质心坐标建立了独立于图像位置的手形轮廓相对坐标，应用高斯核函数的支持向量机对手形轮廓坐标分类得到手形识别模型。分析实验数据，找到综合准确率和模型训练时间最优的轮廓点个数，以极小训练的时间开销取得了98.25％的分类正确率。并对模型进行了分析，验证了该方法能够很好的实现手形识别。

Claims (2)

1.基于压缩相对轮廓特征点的手形识别方法，其特征在于，该方法步骤如下：
(1)利用图像处理算法分割手掌与背景图像：
1)对原图像的红R、绿G和蓝B的颜色通道转化为颜色空间YCbCr图像，
进行色彩和亮度的分离；
2)对所得空间图像的亮度通道进行分级为0，1，2…k-1，k，k+1…L；
依据统计学原理计算在颜色空间YCbCr中的亮度通道上计算手掌与背景间的类间方差：
其中k为分割手掌与背景的阈值；p(k)为像素亮度在0-k级的概率，μ(k)为0-k级的平均亮度值，E(L)为亮度在0-L等级上的期望；
选取使类间方差最大的k值作为分割阈值，该分割阈值使错误划分的概率最小；
(2)手部图像形态学处理方法：
1)对分割后的手掌二值图像进行形态学膨胀处理；
2)对形态学膨胀处理后的图像进行形态学腐蚀处理；
(3)手形轮廓坐标提取方法：
1)应用扫描光栅算法，对二值图像进行扫描边界信息，获取多组轮廓信息；
2)遍历所有轮廓信息组；
3)将第一个轮廓置为备选轮廓；
4)遍历下一个轮廓信息；
5)计算每个轮廓内部的面积；
6)比较当前轮廓面积与备选轮廓面积，将面积大的轮廓赋值给备选轮廓；
7)依次重复3)、4)、5)步直到遍历全部轮廓信息；
8)输出最后的备选轮廓作为手形轮廓；
(4)相对手形坐标转换方法：计算手形轮廓的质心坐标，并以该质心坐标为原点，手形轮廓特征点相对于质心进行坐标转换；得到相对轮廓特征点信息；
(5)压缩手形轮廓特征点的提取方法；
步骤(5)为使用等间隔取点法对轮廓点进行压缩：
1)获取手形轮廓点的数量，通过选取数量计算出间隔大小；
2)以计算出的间隔大小对手形轮廓点进行选取；
3)通过支持相量机对选取不同间隔下的轮廓点进行训练得出不同的模型；
4)以训练出模型的训练时间及正确率评估选取得到的轮廓特征点数量；
5)以最优化的轮廓点数量对手形进行识别。
2.根据权利要求1所述的基于压缩相对轮廓特征点的手形识别方法，其特征在于：步骤(4)所述手形相对轮廓的坐标转换方法，首次应用质心点的相对坐标对手形轮廓特征点进行转换方法：
step1:利用下式计算轮廓点的空间矩；
其中Contour为手形轮廓数组，Mij为空间距；
step2:x、y的质心相对坐标Mx，My由下式计算；
CN202110617818.8A 2021-05-14 2021-06-03 基于压缩相对轮廓特征点的手形识别方法 Active CN113361382B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110528207 2021-05-14
CN2021105282076 2021-05-14

Publications (2)

Publication Number Publication Date
CN113361382A CN113361382A (zh) 2021-09-07
CN113361382B true CN113361382B (zh) 2024-02-02

Family

ID=77531532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617818.8A Active CN113361382B (zh) 2021-05-14 2021-06-03 基于压缩相对轮廓特征点的手形识别方法

Country Status (1)

Country Link
CN (1) CN113361382B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102523395A (zh) * 2011-11-15 2012-06-27 中国科学院深圳先进技术研究院 具有多点触控功能的电视系统、触控定位识别方法及系统
CN102880866A (zh) * 2012-09-29 2013-01-16 宁波大学 一种人脸特征提取方法
CN107330354A (zh) * 2017-03-20 2017-11-07 长沙理工大学 一种自然手势识别方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN108564020A (zh) * 2018-04-08 2018-09-21 陕西科技大学 基于全景3d图像的微手势识别方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN111857334A (zh) * 2020-07-02 2020-10-30 上海交通大学 人体手势字母的识别方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102523395A (zh) * 2011-11-15 2012-06-27 中国科学院深圳先进技术研究院 具有多点触控功能的电视系统、触控定位识别方法及系统
CN102880866A (zh) * 2012-09-29 2013-01-16 宁波大学 一种人脸特征提取方法
CN107330354A (zh) * 2017-03-20 2017-11-07 长沙理工大学 一种自然手势识别方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN108564020A (zh) * 2018-04-08 2018-09-21 陕西科技大学 基于全景3d图像的微手势识别方法
CN111857334A (zh) * 2020-07-02 2020-10-30 上海交通大学 人体手势字母的识别方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SVM和组合优化模型的手势识别;蔡芝蔚 等;《系统仿真学报》;第28卷(第8期);第1812-1817页 *

Also Published As

Publication number Publication date
CN113361382A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Dagnes et al. Occlusion detection and restoration techniques for 3D face recognition: a literature review
CN106127196B (zh) 基于动态纹理特征的人脸表情的分类与识别方法
EP2737434B1 (en) Gait recognition methods and systems
Chen et al. Iris recognition based on bidimensional empirical mode decomposition and fractal dimension
CN111126240B (zh) 一种三通道特征融合人脸识别方法
Zaeri Minutiae-based fingerprint extraction and recognition
CN112437926B (zh) 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
CN111814574A (zh) 应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质
Sana et al. Ear biometrics: A new approach
Hambalık Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluation
WO2017080196A1 (zh) 基于人脸图像的视频分类方法和装置
Garg et al. Biometric authentication using finger nail surface
Zhou et al. Histograms of categorized shapes for 3D ear detection
Bruno et al. Palmprint principal lines extraction
Tamrakar et al. Occlusion invariant palmprint recognition with ULBP histograms
Singh et al. Fusion of 4-slap fingerprint images with their qualities for human recognition
Zhao et al. A robust color-independent text detection method from complex videos
CN109359607A (zh) 一种基于纹理的掌纹掌脉融合识别方法
Kaushik et al. Recognition of facial expressions extracting salient features using local binary patterns and histogram of oriented gradients
CN113361382B (zh) 基于压缩相对轮廓特征点的手形识别方法
CN109753912B (zh) 一种基于张量的多光谱掌纹匹配方法
Wanderley et al. Multiscale color invariants based on the human visual system
Nikan et al. Partial face recognition based on template matching
Nguyen et al. LAWNet: A lightweight attention-based deep learning model for wrist vein verification in smartphones using RGB images
Tahir et al. An accurate and fast method for eyelid detection

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