CN114241534A - 一种全掌脉络数据的快速匹配方法及系统 - Google Patents
一种全掌脉络数据的快速匹配方法及系统 Download PDFInfo
- Publication number
- CN114241534A CN114241534A CN202111452085.3A CN202111452085A CN114241534A CN 114241534 A CN114241534 A CN 114241534A CN 202111452085 A CN202111452085 A CN 202111452085A CN 114241534 A CN114241534 A CN 114241534A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- palm
- full
- matching
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提供了一种全掌脉络数据的快速匹配方法及系统，利用红外线照射手掌获取静脉图案，对静脉图案进行灰度化与二值化处理得到预处理图，对预处理图进行特征提取转化为特征矩阵，从客户端输入待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配，由此实现了快速对全掌脉络数据的提取数据特征之间进行计算与匹配。
Description
技术领域
本公开属于图像识别领域，具体涉及一种全掌脉络数据的快速匹配方法及系统。
背景技术
手掌的纹络信息是个人身份的独特的特征，对于个人信息加密和个人信息安全方面有着重大的开发空间。在全手掌中，全掌脉络是相对于指纹而言更为复杂的一种个人身份数据特征，全掌脉络中的纹路的体积更大且图像获取更为复杂多样的信息数据，更能方便提取个人身份特征。然而，对于全掌脉络数据的特征提取在技术维度上与指纹识别相互差异较大，对于于提取到的全掌脉络数据的特征如何相互进行匹配是个待解决的技术问题，需要加快全掌脉络数据的特征信息的匹配计算速度才能推广全掌网络识别的应用。
发明内容
本发明的目的在于提出一种全掌脉络数据的快速匹配方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
对于全掌脉络数据的特征提取在技术维度上与指纹识别相互差异较大，对于于提取到的全掌脉络数据的特征如何相互进行匹配是个待解决的技术问题，需要加快全掌脉络数据的特征信息的匹配计算速度才能推广全掌网络识别的应用。
本公开提供了一种全掌脉络数据的快速匹配方法及系统，利用红外线照射手掌获取静脉图案，对静脉图案进行灰度化与二值化处理得到预处理图，对预处理图进行特征提取转化为特征矩阵，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
为了实现上述目的，根据本公开的一方面，提供一种全掌脉络数据的快速匹配方法，所述方法包括以下步骤：
S100，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案；
S200，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
S300，对预处理图进行特征提取，将预处理图转化为特征矩阵；
S400，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
S500，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
进一步地，在S100中，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案的方法为：利用红外线照射手掌，并由红外线传感器感应手掌反射的光(红外光)，由于流到静脉红血球中的血红蛋白对红外线有吸收，由此在影像上产生静脉图案，所述静脉图案为图像矩阵。
进一步地，在S200中，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图的方法为：对静脉图案，使用Matlab中的库函数rgb2gray进行图像灰度化的处理，得到灰度图；再对灰度图进行二值化处理并使用matlab库函数bwmorph进行图像细化的处理，得到预处理图，所述预处理图为图像矩阵。
进一步地，在S300中，对预处理图进行特征提取，将预处理图转化为特征矩阵的方法为：
将预处理图作为一个大小为m×n的图像矩阵记作矩阵Mpre，其中，m为矩阵Mpre的行的数量，矩阵Mpre中的行的序号为j，矩阵Mpre的列的数量为n，矩阵Mpre的列的序号为i，记矩阵Mpre中序号为i的行的元素为Mpre(,i)，记矩阵Mpre中序号为j的行的元素为Mpre(j,)，记矩阵Mpre中行的序号为j、列的序号为i的元素为Mpre(j,i)，i∈[1,n]，j∈[1,m]；
设置一个与预处理图大小相同为m×n的图像矩阵记作矩阵Mpro，其中，m为矩阵Mpro的行的数量，矩阵Mpro中的行的序号同样为j，矩阵Mpro的列的数量为n，矩阵Mpro的列的序号为i，记矩阵Mpro中序号为i的行的元素为Mpro(,i)，记矩阵Mpro中序号为j的行的元素为Mpro(j,)，记矩阵Mpro中行的序号为j、列的序号为i的元素为Mpro(j,i)；
矩阵Mpro中Mpro(j,i)的计算过程为：
S301，获取矩阵Mpre中行的序号为j、列的序号为i的元素Mpre(j,i)；
S302获取Mpre(j,i)在矩阵Mpre中位置相邻的8个元素，即
Mpre(j-1,i),Mpre(j,i-1),Mpre(j-1,i-1),Mpre(j+1,i),Mpre(j,i+1),Mpre(j+1,i+1),Mpre(j+1,i-1),Mpre(j-1,i+1)这8个元素，在8个元素中若Mpre(j,i)在矩阵Mpre中处于边缘或8个元素中有元素不存在的则以0为代替，将8个元素的集合记为Eset(j,i)，集合Eset(j,i)中的元素为E(j,i)，E(j,i)∈Eset(j,i)；
S303，根据Mpre(j,i)以及集合Eset(j,i)计算出Mpro(j,i)的数值的计算公式为：
其中，函数exp()为以自然常数e为底的指数函数；
由此，得到矩阵Mpro中各元素Mpro(j,i)的数值，矩阵Mpro可表示为Mpro＝[Mpro(j,i)|i∈[1,n]，j∈[1,m]]。
进一步地，在S400中，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值的方法为：(数据库中的多个特征矩阵为通过S100至S300获得的多个预存于数据库中的特征矩阵)，将从客户端输入待检测的特征矩阵记作矩阵Mprt，从分布式数据库中获取到多个特征矩阵并将多个特征矩阵的集合记作集合Mset，集合Mset中元素的数量为k，集合Mset中元素的序号为q，q∈[1,k]，集合Mset中序号为q的元素记为矩阵Mset(q)；
其中，m为矩阵Mset(q)的行的数量，矩阵Mset(q)中的行的序号为j，矩阵Mset(q)的列的数量为n，矩阵Mset(q)的列的序号为i，记矩阵Mset(q)中列的序号为i的元素为Mset(q)(,i)，记矩阵Mset(q)中序号为j的行的元素为Mset(q)(j,)，记矩阵Mset(q)中行的序号为j、列的序号为i的元素为Mset(q)(j,i)，i∈[1,n]，j∈[1,m]；
其中，m为矩阵Mprt的行的数量，矩阵Mprt中的行的序号同样为j，矩阵Mprt的列的数量为n，矩阵Mprt的列的序号为i，记矩阵Mprt中序号为i的行的元素为Mprt(,i)，记矩阵Mprt中序号为j的行的元素为Mprt(j,)，记矩阵Mprt中行的序号为j、列的序号为i的元素为Mprt(j,i)；
记计算待检测的特征矩阵与数据库中的特征矩阵的距离度的函数为函数Xtr()，Xtr(Mprt,Mset(q))表示通过函数Xtr()计算Mprt与Mset(q)的距离度，Xtr(Mprt,Mset(q))的计算公式为：
其中，sum()为求和的函数，sum(Mset(q)(,i))表示矩阵Mset(q)中序号为i的列的元素的总和，sum(Mset(q)(j,))表示矩阵Mset(q)中序号为j的行的元素的总和，sum(Mprt(q)(,i))表示矩阵Mprt中序号为i的列的元素的总和，sum(Mprt(j,))表示矩阵Mprt中序号为j的行的元素的总和，Xtr(Mprt,Mset(q))的计算结果的数值可记为Xtr(q)，Xtr(q)即为表示待检测的特征矩阵与数据库中序号为q的特征矩阵进行计算得到的距离值，将待检测的特征矩阵与数据库中的各个特征矩阵分别进行计算得到的各个距离值组成的集合记为集合Xset，集合Xset中元素的序号同样为q，集合Xset中元素的数量同样为k，集合Xset中序号为q的元素即为Xtr(q)。
进一步地，在S500中，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配的方法为：对待检测的特征矩阵与数据库中的各个特征矩阵分别进行计算得到的各个距离值进行比较，并选出数据库中的距离值最小的对应的特征矩阵记为匹配目标，将匹配目标的信息输出。
本公开还提供了一种全掌脉络数据的快速匹配系统，所述一种全掌脉络数据的快速匹配系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种全掌脉络数据的快速匹配方法中的步骤，所述一种全掌脉络数据的快速匹配系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
红外线感应单元，用于利用红外线照射手掌并由红外线传感器感应手掌反射的光，由此获取静脉图案；
图像处理单元，用于对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
特征提取单元，用于对预处理图进行特征提取，将预处理图转化为特征矩阵；
距离值计算单元，用于输入待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
特征匹配单元，用于将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
本公开的有益效果为：本公开提供了一种全掌脉络数据的快速匹配方法及系统，利用红外线照射手掌获取静脉图案，对静脉图案进行灰度化与二值化处理得到预处理图，对预处理图进行特征提取转化为特征矩阵，从客户端输入待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配，由此实现了快速对全掌脉络数据的提取数据特征之间进行计算与匹配。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图，在附图中：
图1所示为一种全掌脉络数据的快速匹配方法的流程图；
图2所示为一种全掌脉络数据的快速匹配系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种全掌脉络数据的快速匹配方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种全掌脉络数据的快速匹配方法及系统。
本公开提出一种全掌脉络数据的快速匹配方法，所述方法具体包括以下步骤：
S100，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案；
S200，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
S300，对预处理图进行特征提取，将预处理图转化为特征矩阵；
S400，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
S500，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
进一步地，在S100中，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案的方法为：利用红外线照射手掌，并由红外线传感器感应手掌反射的光，流到静脉红血球中的血红蛋白对红外线有吸收，由此在影像上产生静脉图案，所述静脉图案为图像矩阵。
进一步地，在S200中，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图的方法为：对静脉图案，使用Matlab中的库函数rgb2gray进行图像灰度化的处理，得到灰度图；再对灰度图进行二值化处理并使用matlab库函数bwmorph进行图像细化的处理，得到预处理图，所述预处理图为图像矩阵。
进一步地，在S300中，对预处理图进行特征提取，将预处理图转化为特征矩阵的方法为：
将预处理图作为一个大小为m×n的图像矩阵记作矩阵Mpre，其中，m为矩阵Mpre的行的数量，矩阵Mpre中的行的序号为j，矩阵Mpre的列的数量为n，矩阵Mpre的列的序号为i，记矩阵Mpre中序号为i的行的元素为Mpre(,i)，记矩阵Mpre中序号为j的行的元素为Mpre(j,)，记矩阵Mpre中行的序号为j、列的序号为i的元素为Mpre(j,i)，i∈[1,n]，j∈[1,m]；
设置一个与预处理图大小相同为m×n的图像矩阵记作矩阵Mpro，其中，m为矩阵Mpro的行的数量，矩阵Mpro中的行的序号同样为j，矩阵Mpro的列的数量为n，矩阵Mpro的列的序号为i，记矩阵Mpro中序号为i的行的元素为Mpro(,i)，记矩阵Mpro中序号为j的行的元素为Mpro(j,)，记矩阵Mpro中行的序号为j、列的序号为i的元素为Mpro(j,i)；
矩阵Mpro中Mpro(j,i)的计算过程为：
S301，获取矩阵Mpre中行的序号为j、列的序号为i的元素Mpre(j,i)；
S302获取Mpre(j,i)在矩阵Mpre中位置相邻的8个元素，即
Mpre(j-1,i),Mpre(j,i-1),Mpre(j-1,i-1),Mpre(j+1,i),Mpre(j,i+1),Mpre(j+1,i+1),Mpre(j+1,i-1),Mpre(j-1,i+1)这8个元素，在8个元素中若Mpre(j,i)在矩阵Mpre中处于边缘或8个元素中有元素不存在的则以0为代替，将8个元素的集合记为Eset(j,i)，集合Eset(j,i)中的元素为E(j,i)，E(j,i)∈Eset(j,i)；
S303，根据Mpre(j,i)以及集合Eset(j,i)计算出Mpro(j,i)的数值的计算公式为：
其中，函数exp()为以自然常数e为底的指数函数；
由此，得到矩阵Mpro中各元素Mpro(j,i)的数值，矩阵Mpro可表示为Mpro＝[Mpro(j,i)|i∈[1,n]，j∈[1,m]]。
进一步地，在S400中，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值的方法为：将从客户端输入待检测的特征矩阵记作矩阵Mprt，从分布式数据库中获取到多个特征矩阵并将多个特征矩阵的集合记作集合Mset，集合Mset中元素的数量为k，集合Mset中元素的序号为q，q∈[1,k]，集合Mset中序号为q的元素记为矩阵Mset(q)；
其中，m为矩阵Mset(q)的行的数量，矩阵Mset(q)中的行的序号为j，矩阵Mset(q)的列的数量为n，矩阵Mset(q)的列的序号为i，记矩阵Mset(q)中列的序号为i的元素为Mset(q)(,i)，记矩阵Mset(q)中序号为j的行的元素为Mset(q)(j,)，记矩阵Mset(q)中行的序号为j、列的序号为i的元素为Mset(q)(j,i)，i∈[1,n]，j∈[1,m]；
其中，m为矩阵Mprt的行的数量，矩阵Mprt中的行的序号同样为j，矩阵Mprt的列的数量为n，矩阵Mprt的列的序号为i，记矩阵Mprt中序号为i的行的元素为Mprt(,i)，记矩阵Mprt中序号为j的行的元素为Mprt(j,)，记矩阵Mprt中行的序号为j、列的序号为i的元素为Mprt(j,i)；
记计算待检测的特征矩阵与数据库中的特征矩阵的距离度的函数为函数Xtr()，Xtr(Mprt,Mset(q))表示通过函数Xtr()计算Mprt与Mset(q)的距离度，Xtr(Mprt,Mset(q))的计算公式为：
其中，sum()为求和的函数，sum(Mset(q)(,i))表示矩阵Mset(q)中序号为i的列的元素的总和，sum(Mset(q)(j,))表示矩阵Mset(q)中序号为j的行的元素的总和，sum(Mprt(q)(,i))表示矩阵Mprt中序号为i的列的元素的总和，sum(Mprt(j,))表示矩阵Mprt中序号为j的行的元素的总和，Xtr(Mprt,Mset(q))的计算结果的数值可记为Xtr(q)，Xtr(q)即为表示待检测的特征矩阵与数据库中序号为q的特征矩阵进行计算得到的距离值，将待检测的特征矩阵与数据库中的各个特征矩阵分别进行计算得到的各个距离值组成的集合记为集合Xset，集合Xset中元素的序号同样为q，集合Xset中元素的数量同样为k，集合Xset中序号为q的元素即为Xtr(q)。
进一步地，在S500中，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配的方法为：对待检测的特征矩阵与数据库中的各个特征矩阵分别进行计算得到的各个距离值进行比较，并选出数据库中的距离值最小的对应的特征矩阵记为匹配目标，将匹配目标的信息输出。
所述一种全掌脉络数据的快速匹配系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种全掌脉络数据的快速匹配方法实施例中的步骤，所述一种全掌脉络数据的快速匹配系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
本公开的实施例提供的一种全掌脉络数据的快速匹配系统，如图2所示，该实施例的一种全掌脉络数据的快速匹配系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种全掌脉络数据的快速匹配方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
红外线感应单元，用于利用红外线照射手掌并由红外线传感器感应手掌反射的光，由此获取静脉图案；
图像处理单元，用于对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
特征提取单元，用于对预处理图进行特征提取，将预处理图转化为特征矩阵；
距离值计算单元，用于输入待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
特征匹配单元，用于将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
所述一种全掌脉络数据的快速匹配系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种全掌脉络数据的快速匹配系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种全掌脉络数据的快速匹配方法及系统的示例，并不构成对一种全掌脉络数据的快速匹配方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种全掌脉络数据的快速匹配系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种全掌脉络数据的快速匹配系统的控制中心，利用各种接口和线路连接整个一种全掌脉络数据的快速匹配系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种全掌脉络数据的快速匹配方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本公开提供了一种全掌脉络数据的快速匹配方法及系统，利用红外线照射手掌获取静脉图案，对静脉图案进行灰度化与二值化处理得到预处理图，对预处理图进行特征提取转化为特征矩阵，输入待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配，由此实现了快速对全掌脉络数据的提取数据特征之间进行计算与匹配。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (5)
1.一种全掌脉络数据的快速匹配方法，其特征在于，所述方法包括以下步骤：
S100，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案；
S200，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
S300，对预处理图进行特征提取，将预处理图转化为特征矩阵；
S400，输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
S500，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
2.根据权利要求1所述的一种全掌脉络数据的快速匹配方法，其特征在于，在S100中，利用红外线照射手掌，并由红外线传感器感应手掌反射的光，由此获取静脉图案的方法为：利用红外线照射手掌，并由红外线传感器感应手掌反射的光，流到静脉红血球中的血红蛋白对红外线有吸收，由此在影像上产生静脉图案，所述静脉图案为图像矩阵。
3.根据权利要求1所述的一种全掌脉络数据的快速匹配方法，其特征在于，在S200中，对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图的方法为：对静脉图案，使用Matlab中的库函数rgb2gray进行图像灰度化的处理，得到灰度图；再对灰度图进行二值化处理并使用matlab库函数bwmorph进行图像细化的处理，得到预处理图，所述预处理图为图像矩阵。
4.根据权利要求1所述的一种全掌脉络数据的快速匹配方法，其特征在于，在S500中，将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配的方法为：对待检测的特征矩阵与数据库中的各个特征矩阵分别进行计算得到的各个距离值进行比较，并选出数据库中的距离值最小的对应的特征矩阵记为匹配目标，将匹配目标的信息输出。
5.一种全掌脉络数据的快速匹配系统，其特征在于，所述一种全掌脉络数据的快速匹配系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1中的一种全掌脉络数据的快速匹配方法中的步骤，所述一种全掌脉络数据的快速匹配系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
红外线感应单元，用于利用红外线照射手掌并由红外线传感器感应手掌反射的光，由此获取静脉图案；
图像处理单元，用于对静脉图案进行灰度化处理得到灰度图，对灰度图进行二值化处理得到预处理图；
特征提取单元，用于对预处理图进行特征提取，将预处理图转化为特征矩阵；
距离值计算单元，用于输入通过S100至S300获得的待检测的特征矩阵，将待检测的特征矩阵与数据库中的多个特征矩阵进行计算得到距离值；
特征匹配单元，用于将数据库中的距离值最小的特征矩阵和待检测的特征矩阵进行匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452085.3A CN114241534B (zh) | 2021-12-01 | 2021-12-01 | 一种全掌脉络数据的快速匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452085.3A CN114241534B (zh) | 2021-12-01 | 2021-12-01 | 一种全掌脉络数据的快速匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114241534A true CN114241534A (zh) | 2022-03-25 |
| CN114241534B CN114241534B (zh) | 2022-10-18 |
Family
ID=80752620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111452085.3A Active CN114241534B (zh) | 2021-12-01 | 2021-12-01 | 一种全掌脉络数据的快速匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241534B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
| CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
| CN102110289A (zh) * | 2011-03-29 | 2011-06-29 | 东南大学 | 基于变分框架的彩色图像对比度增强方法 |
| CN102622766A (zh) * | 2012-03-01 | 2012-08-01 | 西安电子科技大学 | 多目标优化的多镜头人体运动跟踪方法 |
| CN102855352A (zh) * | 2012-08-17 | 2013-01-02 | 西北工业大学 | 利用脑成像空间特征和底层视觉特征进行视频聚类的方法 |
| CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
| CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
| CN103559693A (zh) * | 2013-11-18 | 2014-02-05 | 东南大学 | 一种基于非连续性指示符的图像局部结构自适应复原方法 |
| CN103793692A (zh) * | 2014-01-29 | 2014-05-14 | 五邑大学 | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统 |
| TW201447625A (zh) * | 2013-06-07 | 2014-12-16 | Univ Chien Hsin Sci & Tech | 自適應加伯濾波器的手掌靜脈識別方法 |
| CN104246796A (zh) * | 2012-04-13 | 2014-12-24 | 高通股份有限公司 | 使用多模匹配方案的对象辨识 |
| CN104268502A (zh) * | 2013-06-02 | 2015-01-07 | 广东智冠实业发展有限公司 | 人体静脉图像特征提取后的认识方法 |
| CN111091540A (zh) * | 2019-12-11 | 2020-05-01 | 西安科技大学 | 一种基于马尔科夫随机场的主动悬架控制方法 |
| CN111950405A (zh) * | 2020-07-30 | 2020-11-17 | 内蒙古智诚物联股份有限公司 | 一种基于人工智能的静脉识别输入输出装置及其识别方法 |
| CN112950596A (zh) * | 2021-03-09 | 2021-06-11 | 宁波大学 | 基于多区域多层次的色调映射全向图像质量评价方法 |
-
2021
- 2021-12-01 CN CN202111452085.3A patent/CN114241534B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101089874A (zh) * | 2006-06-12 | 2007-12-19 | 华为技术有限公司 | 一种远程人脸图像的身份识别方法 |
| CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
| CN102110289A (zh) * | 2011-03-29 | 2011-06-29 | 东南大学 | 基于变分框架的彩色图像对比度增强方法 |
| CN102622766A (zh) * | 2012-03-01 | 2012-08-01 | 西安电子科技大学 | 多目标优化的多镜头人体运动跟踪方法 |
| CN104246796A (zh) * | 2012-04-13 | 2014-12-24 | 高通股份有限公司 | 使用多模匹配方案的对象辨识 |
| CN102855352A (zh) * | 2012-08-17 | 2013-01-02 | 西北工业大学 | 利用脑成像空间特征和底层视觉特征进行视频聚类的方法 |
| CN103077505A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
| CN104268502A (zh) * | 2013-06-02 | 2015-01-07 | 广东智冠实业发展有限公司 | 人体静脉图像特征提取后的认识方法 |
| TW201447625A (zh) * | 2013-06-07 | 2014-12-16 | Univ Chien Hsin Sci & Tech | 自適應加伯濾波器的手掌靜脈識別方法 |
| CN103473764A (zh) * | 2013-09-03 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种遥感影像目标变化检测方法 |
| CN103559693A (zh) * | 2013-11-18 | 2014-02-05 | 东南大学 | 一种基于非连续性指示符的图像局部结构自适应复原方法 |
| CN103793692A (zh) * | 2014-01-29 | 2014-05-14 | 五邑大学 | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统 |
| CN111091540A (zh) * | 2019-12-11 | 2020-05-01 | 西安科技大学 | 一种基于马尔科夫随机场的主动悬架控制方法 |
| CN111950405A (zh) * | 2020-07-30 | 2020-11-17 | 内蒙古智诚物联股份有限公司 | 一种基于人工智能的静脉识别输入输出装置及其识别方法 |
| CN112950596A (zh) * | 2021-03-09 | 2021-06-11 | 宁波大学 | 基于多区域多层次的色调映射全向图像质量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114241534B (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084173B (zh) | 人头检测方法及装置 | |
| CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
| US11734341B2 (en) | Information processing method, related device, and computer storage medium | |
| CN110503682B (zh) | 矩形控件识别方法、装置、终端及存储介质 | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| CN110602120B (zh) | 一种面向网络的入侵数据检测方法 | |
| CN114330565A (zh) | 一种人脸识别方法及装置 | |
| CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
| Xu et al. | Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space | |
| CN112633281B (zh) | 一种基于Hash算法车辆身份认证方法及系统 | |
| CN108460335B (zh) | 视频细粒度识别方法、装置、计算机设备及存储介质 | |
| CN114241534B (zh) | 一种全掌脉络数据的快速匹配方法及系统 | |
| CN108536769B (zh) | 图像分析方法、搜索方法及装置、计算机装置及存储介质 | |
| CN110781724A (zh) | 一种人脸识别神经网络、方法、装置、设备及存储介质 | |
| CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
| CN111709312B (zh) | 一种基于联合主模式的局部特征人脸识别方法 | |
| CN110348361B (zh) | 皮肤纹理图像验证方法、电子设备及记录介质 | |
| CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 | |
| CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
| US20220318359A1 (en) | Method and apparatus for deep learning-based real-time on-device authentication | |
| CN111428679B (zh) | 影像识别方法、装置和设备 | |
| CN113688268B (zh) | 图片信息抽取方法、装置、计算机设备及存储介质 | |
| US20220092769A1 (en) | Collation apparatus, collation method, and computer readable recording medium | |
| CN115439938B (zh) | 一种防分裂的人脸档案数据归并处理方法及系统 | |
| CN112465007B (zh) | 目标识别模型的训练方法、目标识别方法及终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |