CN113936305B - 一种手掌识别过程中的中指位置确认方法及特征提取方法 - Google Patents
一种手掌识别过程中的中指位置确认方法及特征提取方法 Download PDFInfo
- Publication number
- CN113936305B CN113936305B CN202111546202.2A CN202111546202A CN113936305B CN 113936305 B CN113936305 B CN 113936305B CN 202111546202 A CN202111546202 A CN 202111546202A CN 113936305 B CN113936305 B CN 113936305B
- Authority
- CN
- China
- Prior art keywords
- image
- palm
- hand
- middle finger
- point
- 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
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种手掌识别过程中的中指位置确认方法及特征提取方法,该方法包括以下步骤:对手部图像进行二值化处理,得到手部二值化图像;采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像;测出手掌区域图像中手掌的边缘点,求取手掌区域的中心点;根据中心点将手部二值化图像分为四个象限,选取梯度平均值最大的象限为目标象限,基于目标象限选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息。本发明可排除距离最长点是胳膊的情况,精确找到手掌中指的位置,不会出现误判,便于后续图像矫正和手掌roi区域截取,提高手掌识别率。
Description
技术领域
本发明涉及图像识别及处理技术领域,尤其涉及一种手掌识别过程中的中指位置确认方法及特征提取方法。
背景技术
掌部生物特征识别也是利用手掌皮肤上或皮肤内的生物特征进行识别。相比于指纹识别,掌部面积更大,包含的信息更丰富,而且不需要引进额外的硬件设备,且为非接触,用户接受度更高。对比人脸识别,掌部生物特征为主动识别方式,需要用户主要伸出手掌方可检测识别,更加保护用户隐私。而对比虹膜和基因识别,掌部生物特征识别不需要昂贵的设备,容易推广。基于以上特点,掌部生物特征识别受到了越来越多的关注。掌部生物特征识别包括掌静脉识别和掌纹识别,无论是何种识别方式均需要中指定位,便于对手掌感兴趣区域进行定位与截取。
掌纹识别过程中,掌纹的提取方式如中国专利申请CN107609499A公开的一种复杂环境下非接触式掌纹感兴趣区提取方法,包括如下步骤:采集掌纹图像;提取出手掌前景的二值化图像;对二值化图像进行空洞填充和小面积区域去除;调整二值化图像中的手掌角度,使得中指指尖位于图像最上方;通过检测指尖位置和谷点位置,确定最大有效内切圆的搜索范围;对调整后的二值化图像进行距离变换,在上一步得到的搜索范围内进行遍历,同时限制内切圆的圆心和半径与中指长度的比例关系,获得最大有效内切圆;旋转最大有效内切圆图像,最终得到掌纹感兴趣区图像。其中,调整二值化图像中的手掌角度,使得中指指尖位于图像最上方的目的在于:便于之后的图像矫正及roi截取。
现有的中指手指判断方法为:判断边缘点到中心点的距离,最大距离所在的点即为中指手指点;然而,由于手掌拍摄为非接触,胳膊区域较大,每个人放置手掌时,自由度较高,所以极有可能出现胳膊到中心点的距离远大于手指到中心点的距离的情况,如图1所示,原图像存在胳膊或者其它非手部特征,有可能出现判断错误,在这种情况下,必然出现中指误判,影响后续的图像矫正及roi截取。
发明内容
本发明的目的是提供一种手掌识别过程中的中指位置确认方法及特征提取方法,以解决掌纹识别过程中因手指位置误判而影响图像矫正,最终导致识别率低的问题。
为了达到目的,本发明提供的技术方案为:
本发明涉及一种手掌识别过程中的中指位置确认方法,其包括以下步骤:
1)对采集到的手部图像进行二值化处理,得到手部二值化图像;
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像;
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点;
4)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息;基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息。
优选地,所述的步骤1)中,采用OSTU大津法阈值化对手部图像进行阈值处理或ROI定位,进而得到手部二值化图像。
优选地,步骤2)中,自适应的形态学方法为根据手部二值化图像计算开运算算子大小并构建椭圆核,将椭圆核沿着手部二值化图像进行滑动,进行开运算并保留最大连通区域,得到手掌区域图像。
优选地,所述的开运算算子大小是根据手部二值化图像的横向长度和纵向长度计算的,计算公式为:
公式中,a表示手部二值化图像的横向长度,b表示手部二值化图像的纵向长度,c表示开运算算子大小,开运算算子大小取整数。根据手部二值化图像自动调整算子大小,可以完整保留图像的特征信息,效果更好。
优选地,所述的步骤2)中,构建椭圆核的公式为:
公式中,x i 为椭圆核的横坐标,y i 为椭圆核的纵坐标,f(x i ,y i )为卷积对应坐标的值。本发明采用椭圆形的椭圆核,更匹配手指形状,效果更好。
开运算是形态学图像处理的一种重要方式,能够除去图像中孤立的小点,毛刺和小桥等。开运算分两个过程进行,即先进行腐蚀再进行膨胀;本技术方案中腐蚀过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最小值赋值给手部二值图像像素中心点;膨胀的过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最大值赋值给手部二值像素中心点。通过开运算处理可以去掉手指部分,仅保留手掌部分。
优选地,所述的步骤3)的具体步骤包括:
3.1)通过边缘检测方法测出手掌区域图像中手掌的边缘点;
3.2)基于边缘点,通过平均算法求取手掌区域的中心点,计算公式为:
公式中,n表示边界点个数,(x i ’,y i ’)表示手掌区域边界点坐标,(x cen ,y cen )表示中心点坐标。
优选地,所述的步骤3.1)中边缘检测方法采用sobel算法、LapLace算法或canny算法。
优选地,所述的步骤4)的具体步骤包括:
4.1)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,记为q,q的取值为1或2或3或4;
图像梯度是指图像像素在x和y两个方向上的变化率,将二值化图像分为4个象限,手指必然在其中若干象限内,手指相对于手掌来说,与背景部分交错较多,因此梯度更大。梯度最大的象限内手指所占的面积一定最大,在象限q内手指面积最多,可能是手指较长,或者手指个数较多,故记为目标象限。如此,排除掉距离最长点是胳膊的情况;
4.2)根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息,计算公式为:
公式中,(x i ”,y i ”)表示手部二值化图像边界点坐标,(x cen ,y cen )表示中心点坐标,d i 为手部二值化图像边界点到中心点的距离,α i 为手部二值化图像边界点与中心点的角度;
4.3)根据目标象限选取角度范围,角度范围为((q-1)*90-45,q*90+45),求该角度范围内的距离中心点最远的边界点,该边界点距离中心点的距离为d v1 ,并计算该边界点的角度信息α v1 ,初步确定手掌中指的位置信息;
进行左右扩展45度,可以扩大初步选择范围,避免遗漏特征信息,而且除了拇指之外,其它4根手指呈180度,所以可以相对完整的保留手指信息;手指的边界点相对于手掌的边界点距离中心点更远,所以可以初步确认距离最远的点为中指所在的点。
优选地,所述的步骤4.3)中初步确定手掌中指的位置信息后,还对中指的位置信息进行检验,具体是:
4.4)根据初步得到的手指中指角度信息左右扩展90度,再次求范围(α v1 -90,α v1 +90)范围内距离中心点最远的边界点,该边界点到中心点的距离为d v2 ,计算该边界点对应的角度信息α v2 ;若d v1 等于d v2 ,手指中指的位置信息正确,即手指中指对应的角度为α v1 ;若d v1 不等于d v2 ,手指中指信息判断错误,确认手指中指信息为d v2 及其对应的角度α v2 。
本次旋转90度,是因为两根手指之间最大角度为90度,通过计算左右90度的图像信息,可以进一步验证中指判断是否准确。
本发明还涉及一种基于手掌识别过程中的中指位置确认方法的特征提取方法,其包括以下步骤:
1)对采集到的手部图像进行二值化处理,得到手部二值化图像;
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像;
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点;
4)根据步骤3)确认的中心点将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息;基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息;
5)根据中指的位置信息进行图像矫正,矫正后截取ROI区域,并根据ROI区域完成特征提取。
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
本发明涉及的手掌识别过程中的中指位置确认方法及特征提取方法是将手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息,如此可排除掉距离最长点是胳膊的情况,进而精确的找到手掌中指的位置,不会出现误判,便于后续的图像矫正和手掌ROI区域截取,进而提高手掌识别率。
附图说明
图1是胳膊到中心点的距离远大于手指到中心点的距离的情况的示意图;
图2是本发明涉及的手掌识别过程中的中指位置确认方法的流程图;
图3是本发明涉及的基于手掌识别过程中的中指位置确认方法的特征提取方法的流程图。
具体实施方式
为进一步了解本发明的内容,结合实施例对本发明作详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
参照附图2所示,本发明涉及一种手掌识别过程中的中指位置确认方法,其包括以下步骤:
1)采用OSTU大津法阈值化对采集到的手部图像进行阈值处理或ROI定位,进而得到手部二值化图像;其中采集到的手部图像可以为采用红外摄像头采集到的手部静脉图像,也可以为普通摄像头采集到的RGB手部图像。
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像,即根据手部二值化图像计算开运算算子大小并构建椭圆核,将椭圆核沿着手部二值化图像进行滑动,进行开运算并保留最大连通区域,得到手掌区域图像;
开运算算子大小是根据手部二值化图像的横向长度和纵向长度计算的,计算公式为:
公式中,a表示手部二值化图像的横向长度,b表示手部二值化图像的纵向长度,c表示开运算算子大小,开运算算子大小取整数;因拍摄为非接触,每个人放置手掌时,自由度较高,距离摄像头的远近不一样,出现近大远小的情况,若采用固定大小的算子,图像的特征位置有可能被处理掉,图像特征不能完整保存;根据手部二值化图像自动调整算子大小,可以完整保留图像的特征信息,效果更好。
构建椭圆核的公式为:
公式中,x i 为椭圆核的横坐标,y i 为椭圆核的纵坐标,f(x i ,y i )为卷积对应坐标的值,采用椭圆形的椭圆核,更匹配手指形状,效果更好;
开运算分两个过程进行,即先进行腐蚀再进行膨胀;腐蚀过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最小值赋值给手部二值图像像素中心点;膨胀的过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最大值赋值给手部二值像素中心点,如此,可以去掉手指部分,仅保留手掌部分。
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点,其具体步骤包括:
3.1)采用sobel算法、LapLace算法或canny算法测出手掌区域图像中手掌的边缘点;
3.2)基于边缘点,通过平均算法求取手掌区域的中心点,计算公式为:
公式中,n表示边缘点个数,(x i ’,y i ’)表示手掌区域边缘点坐标,(x cen ,y cen )表示中心点坐标。
本实施例中,由于手掌区域图像为手部二值化图像的一部分,两者在同一个坐标系中部分重叠,因此定义手掌区域图像中心点的坐标也为手部二值化图像的中心点的坐标。
4)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息;基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息,具体步骤包括:
4.1)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,记为q,q的取值为1或2或3或4;
图像梯度是指图像像素在x和y两个方向上的变化率,将二值化图像分为4个象限,手指必然在其中若干象限内,手指相对于手掌来说,与背景部分交错较多,因此梯度更大。平均梯度最大的象限q内手指所占的面积一定最大,在象限q内手指面积最多,可能是手指较长,或者手指个数较多,故记为目标象限。如此,排除掉距离最长点是胳膊的情况;
4.2)根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息,计算公式为:
公式中,(x i ”,y i ”)表示手部二值化图像边界点坐标,(x cen ,y cen )表示中心点坐标,d i 为手部二值化图像边界点到中心点的距离,α i 为手部二值化图像边界点与中心点的角度;
4.3)根据目标象限选取角度范围,角度范围为((q-1)*90-45,q*90+45),求该角度范围内的距离中心点最远的边界点,该边界点距离中心点的距离为d v1 ,并计算该边界点的角度信息α v1 ,初步确定手掌中指的位置信息;
进行左右扩展45度,可以扩大初步选择范围,避免遗漏特征信息,而且除了拇指之外,其它4根手指呈180度,所以可以相对完整的保留手指信息;手指的边界点相对于手掌的边界点距离中心点更远,所以可以初步确认距离最远的点为中指所在的点。
4.4)对中指的位置信息进行检验,具体是:根据初步得到的手指中指角度信息左右扩展90度,再次求范围(α v1 -90,α v1 +90)范围内距离中心点最远的边界点,该边界点到中心点的距离为d v2 ,计算该边界点对应的角度信息α v2 ;若d v1 等于d v2 ,手指中指的位置信息正确,即手指中指对应的角度为α v1 ;若d v1 不等于d v2 ,手指中指信息判断错误,确认手指中指信息为d v2 及其对应的角度α v2 。
本次旋转90度,是因为两根手指之前最大角度为90度,通过计算左右90度的图像信息,可以进一步验证中指判断是否准确。
采用近红外摄像头和普通摄像头,分别采集20人,每人100张的手部静脉图像和手部普通RGB图像,根据采集到的静脉图像和普通RGB图像分别进行中指判断,最终判断成功率如下:
采集的手部图像数 | 本发明改进后的中指判断方法 | 原始中指判断方法 |
手部静脉图像 | 99.85% | 98.95% |
手部普通RGB图像 | 99.75% | 98.9% |
实施例2
参照附图3所示,本实施例涉及一种基于手掌识别过程中的中指位置确认方法的特征提取方法 ,其包括以下步骤:
1)采用OSTU大津法阈值化对采集到的手部图像进行阈值处理或ROI定位,进而得到手部二值化图像;
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像,即根据手部二值化图像计算开运算算子大小并构建椭圆核,将椭圆核沿着手部二值化图像进行滑动,进行开运算并保留最大连通区域,得到手掌区域图像;
开运算算子大小是根据手部二值化图像的横向长度和纵向长度计算的,计算公式为:
公式中,a表示手部二值化图像的横向长度,b表示手部二值化图像的纵向长度,c表示开运算算子大小,开运算算子大小取整数;根据手部二值化图像自动调整算子大小,可以完整保留图像的特征信息,效果更好。
构建椭圆核的公式为:
公式中,x i 为椭圆核的横坐标,y i 为椭圆核的纵坐标,f(x i ,y i )为卷积对应坐标的值,采用椭圆形的椭圆核,更匹配手指形状,效果更好;
开运算分两个过程进行,即先进行腐蚀再进行膨胀;腐蚀过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最小值赋值给手部二值图像像素中心点;膨胀的过程为:椭圆核沿着手部二值图像滑动,并将椭圆核所对应的最大值赋值给手部二值像素中心点,如此,可以去掉手指部分,仅保留手掌部分。
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点,其具体步骤包括:
3.1)采用sobel算法、LapLace算法或canny算法测出手掌区域图像中手掌的边缘点;
3.2)基于边缘点,通过平均算法求取手掌区域的中心点,计算公式为:
公式中,n表示边缘点个数,(x i ’,y i ’)表示手掌区域边缘点坐标,(x cen ,y cen )表示中心点坐标。
4)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息;基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息,具体步骤包括:
4.1)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,记为q,q的取值为1或2或3或4;
图像梯度是指图像像素在x和y两个方向上的变化率,将二值化图像分为4个象限,手指必然在其中若干象限内,手指相对于手掌来说,与背景部分交错较多,因此梯度更大。平均梯度最大的象限q内手指所占的面积一定最大,在象限q内手指面积最多,可能是手指较长,或者手指个数较多,故记为目标象限。如此,排除掉距离最长点是胳膊的情况;
4.2)根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息,计算公式为:
公式中,(x i ”,y i ”)表示手部二值化图像边界点坐标,(x cen ,y cen )表示中心点坐标,d i 为手部二值化图像边界点到中心点的距离,α i 为手部二值化图像边界点与中心点的角度;
4.3)根据目标象限选取角度范围,角度范围为((q-1)*90-45,q*90+45),求该角度范围内的距离中心点最远的边界点,该边界点距离中心点的距离为d v1 ,并计算该边界点的角度信息α v1 ,初步确定手掌中指的位置信息;
进行左右扩展45度,可以扩大初步选择范围,避免遗漏特征信息,而且除了拇指之外,其它4根手指呈180度,所以可以相对完整的保留手指信息;手指的边界点相对于手掌的边界点距离中心点更远,所以可以初步确认距离最远的点为中指所在的点。
4.4)对中指的位置信息进行检验,具体是:根据初步得到的手指中指角度信息左右扩展90度,再次求范围(α v1 -90,α v1 +90)范围内距离中心点最远的边界点,该边界点到中心点的距离为d v2 ,计算该边界点对应的角度信息α v2 ;若d v1 等于d v2 ,手指中指的位置信息正确,即手指中指对应的角度为α v1 ;若d v1 不等于d v2 ,手指中指信息判断错误,确认手指中指信息为d v2 及其对应的角度α v2 。
本次旋转90度,是因为两根手指之前最大角度为90度,通过计算左右90度的图像信息,可以进一步验证中指判断是否准确。
5)根据中指的位置信息进行图像矫正,矫正后截取ROI区域,并根据ROI区域完成特征提取。
以上结合实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍属于本发明的专利涵盖范围之内。
Claims (9)
1.一种手掌识别过程中的中指位置确认方法,其特征在于:其包括以下步骤:
1)对采集到的手部图像进行二值化处理,得到手部二值化图像;
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像;
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点;
4)根据步骤3)确认的中心点将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;基于目标象限选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息,其具体步骤包括:
4.1)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,记为q,q的取值为1或2或3或4;
4.2)根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息,计算公式为:
公式中,(x i ”,y i ”)表示手部二值化图像边界点坐标,(x cen ,y cen )表示中心点坐标,d i 为手部二值化图像边界点到中心点的距离,α i 为手部二值化图像边界点与中心点的角度;
4.3)根据目标象限选取角度范围,角度范围为((q-1)*90-45,q*90+45),求该角度范围内的距离中心点最远的边界点,该边界点距离中心点的距离为d v1 ,并计算该边界点的角度信息α v1 ,初步确定手掌中指的位置信息。
2.根据权利要求1所述的手掌识别过程中的中指位置确认方法,其特征在于:所述的步骤1)中,采用OSTU大津法阈值化对手部图像进行阈值处理,进而得到手部二值化图像。
3.根据权利要求1所述的手掌识别过程中的中指位置确认方法,其特征在于:所述的步骤2)中,自适应的形态学方法为根据手部二值化图像计算开运算算子大小并构建椭圆核,将椭圆核沿着手部二值化图像进行滑动,进行开运算并保留最大连通区域,得到手掌区域图像。
7.根据权利要求6所述的手掌识别过程中的中指位置确认方法,其特征在于:所述的步骤3.1)中边缘检测方法采用sobel算法、LapLace算法或canny算法。
8.根据权利要求1所述的手掌识别过程中的中指位置确认方法,其特征在于:所述的步骤4.3)中初步确定手掌中指的位置信息后,还对中指的位置信息进行检验,具体是:
4.4)根据初步得到的手指中指角度信息左右扩展90度,再次求范围(α v1 -90,α v1 +90)范围内距离中心点最远的边界点,该边界点到中心点的距离为d v2 ,计算该边界点对应的角度信息α v2 ;若d v1 等于d v2 ,手指中指的位置信息正确,即手指中指对应的角度为α v1 ;若d v1 不等于d v2 ,手指中指信息判断错误,确认手指中指信息为d v2 及其对应的角度α v2 。
9.一种基于手掌识别过程中的中指位置确认方法的特征提取方法,其特征在于:其包括以下步骤:
1)对采集到的手部图像进行二值化处理,得到手部二值化图像;
2)采用自适应的形态学方法将手部二值化图像进行图像分割,得到手掌区域图像;
3)通过边缘检测方法测出手掌区域图像中手掌的边缘点,基于边缘点求取手掌区域的中心点;
4)根据步骤3)确认的中心点将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限;根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息;基于目标象限的梯度平均值选取角度范围,求该角度范围内的距离中心点最远的边界点,并计算该边界点的角度信息,得到手掌中指的位置信息,其具体步骤包括:
4.1)将步骤1)中得到的手部二值化图像分为四个象限,对每个象限中的图像求梯度平均值,取最大平均值对应的象限为目标象限,记为q,q的取值为1或2或3或4;
4.2)根据步骤1)中得到的手部二值化图像求出边界点到中心点距离信息和对应角度信息,计算公式为:
公式中,(x i ”,y i ”)表示手部二值化图像边界点坐标,(x cen ,y cen )表示中心点坐标,d i 为手部二值化图像边界点到中心点的距离,α i 为手部二值化图像边界点与中心点的角度;
4.3)根据目标象限选取角度范围,角度范围为((q-1)*90-45,q*90+45),求该角度范围内的距离中心点最远的边界点,该边界点距离中心点的距离为d v1 ,并计算该边界点的角度信息α v1 ,初步确定手掌中指的位置信息;
5)根据中指的位置信息进行图像矫正,矫正后截取ROI区域,并根据ROI区域完成特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546202.2A CN113936305B (zh) | 2021-12-17 | 2021-12-17 | 一种手掌识别过程中的中指位置确认方法及特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546202.2A CN113936305B (zh) | 2021-12-17 | 2021-12-17 | 一种手掌识别过程中的中指位置确认方法及特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936305A CN113936305A (zh) | 2022-01-14 |
CN113936305B true CN113936305B (zh) | 2022-03-08 |
Family
ID=79289276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111546202.2A Active CN113936305B (zh) | 2021-12-17 | 2021-12-17 | 一种手掌识别过程中的中指位置确认方法及特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936305B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792431A (zh) * | 2022-06-22 | 2022-07-26 | 北京圣点云信息技术有限公司 | 一种静脉图像识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593660A (zh) * | 2013-11-27 | 2014-02-19 | 青岛大学 | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 |
CN104281844A (zh) * | 2014-10-28 | 2015-01-14 | 沈阳工业大学 | 基于粗分类的手部多模态快速识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9665763B2 (en) * | 2014-08-31 | 2017-05-30 | Qualcomm Incorporated | Finger/non-finger determination for biometric sensors |
-
2021
- 2021-12-17 CN CN202111546202.2A patent/CN113936305B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593660A (zh) * | 2013-11-27 | 2014-02-19 | 青岛大学 | 一种稳定特征图像下交叉梯度编码的掌纹识别方法 |
CN104281844A (zh) * | 2014-10-28 | 2015-01-14 | 沈阳工业大学 | 基于粗分类的手部多模态快速识别方法 |
Non-Patent Citations (1)
Title |
---|
手形特征点定位方法;苑玮琦等;《计算机应用》;20101201(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113936305A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639559B (zh) | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 | |
CN102043961B (zh) | 静脉特征提取方法及利用双指静脉和指形特征进行身份认证的方法 | |
CN103955674B (zh) | 掌纹图像采集装置及掌纹图像定位与分割方法 | |
CN104933432B (zh) | 一种指腹折痕和指静脉图像的处理方法 | |
CN110728232A (zh) | 一种手部感兴趣区域的获取方法及手纹识别方法 | |
CN113936307B (zh) | 一种基于薄膜传感器的静脉图像识别方法及装置 | |
CN110348289B (zh) | 一种基于二值图的手指静脉识别方法 | |
CN110008824B (zh) | 掌纹识别方法、装置、计算机设备和存储介质 | |
CN112837263B (zh) | 一种复杂背景下的身份证信息定位方法 | |
CN107729883A (zh) | 一种静脉图像感兴趣区域提取方法 | |
CN113936303B (zh) | 一种手部图像最大内接矩形确定方法及图像识别方法 | |
CN113936305B (zh) | 一种手掌识别过程中的中指位置确认方法及特征提取方法 | |
CN111639562B (zh) | 一种手掌感兴趣区域的智能定位方法 | |
CN115359249B (zh) | 一种手掌图像roi区域提取方法及系统 | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
CN114882539B (zh) | 一种静脉图像roi提取方法及装置 | |
CN114127798A (zh) | 非接触式指纹图像的巴掌分割 | |
Oldal et al. | Biometric Authentication System based on Hand Geometry and Palmprint Features. | |
CN114898413B (zh) | 一种复杂背景下的基于图像轮廓方向场的静脉识别方法 | |
CN116434071A (zh) | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 | |
Mustafa et al. | Improving the performance of finger-vein recognition system using a new scheme of modified preprocessing methods | |
CN115311696A (zh) | 一种基于静脉纹理特征的手指区域检测方法 | |
Su et al. | Skew detection for Chinese handwriting by horizontal stroke histogram | |
CN116665256B (zh) | 一种基于指纹图像局部区域质量的指纹匹配方法 | |
CN117115867B (zh) | 一种掌静脉图像活体检测方法 |
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 |