CN114863493B - 一种低质量指纹图像和非指纹图像的检测方法及检测装置 - Google Patents

一种低质量指纹图像和非指纹图像的检测方法及检测装置 Download PDF

Info

Publication number
CN114863493B
CN114863493B CN202210785658.2A CN202210785658A CN114863493B CN 114863493 B CN114863493 B CN 114863493B CN 202210785658 A CN202210785658 A CN 202210785658A CN 114863493 B CN114863493 B CN 114863493B
Authority
CN
China
Prior art keywords
image
point
fingerprint
value
quality
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
CN202210785658.2A
Other languages
English (en)
Other versions
CN114863493A (zh
Inventor
赵国栋
李学双
辛传贤
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.)
Beijing Shengdian Cloud Information Technology Co ltd
Original Assignee
Beijing Shengdian Cloud Information Technology Co ltd
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 Beijing Shengdian Cloud Information Technology Co ltd filed Critical Beijing Shengdian Cloud Information Technology Co ltd
Priority to CN202210785658.2A priority Critical patent/CN114863493B/zh
Publication of CN114863493A publication Critical patent/CN114863493A/zh
Application granted granted Critical
Publication of CN114863493B publication Critical patent/CN114863493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification

Abstract

本发明公开了一种低质量指纹图像和非指纹图像的检测方法及装置，属于图像检测领域，其包括以下步骤：1）对低质量图像进行归一化处理；2）对低质量图像进行动态缩放处理；3）对缩放后的图像提取图像方向场；4）评估原图像的整体方向场杂乱度；5）对原始图像进行图像滤波处理；6）对图像按方向场采取图像增强处理；7）图像进行细化处理；8）搜索图像中的结构特征；9）利用结构特征评估图像纹线的连续性和纹线方向杂乱度；10）根据各结构特征的数量、纹线的连续性、纹线方向的杂乱度和整体方向场杂乱度判断图像为指纹图像或非指纹图像，将图像分为两类。本发明将图像中的指纹图像和非指纹图像进行分类，进而提高低质量指纹图像的修复效率。

Description

一种低质量指纹图像和非指纹图像的检测方法及检测装置
技术领域
本发明涉及指纹图像识别及质量检测技术领域，尤其涉及一种低质量指纹图像和非指纹图像的检测方法及检测装置。
背景技术
指纹图像记录了人指纹的纹理特征，可以作为每个人特有的身份证明特征。指纹图像识别是一种常用的生物识别技术，识别过程主要分为指纹特征提取和指纹特征识别两个部分。
指纹特征提取是通过简化指纹图像，以特征点替代曲线结构，确保一定精度的前提下降低计算量，提高运算速度。特征提取前需要先对传感器采集到的指纹图像进行预处理，即一系列的图像计算过程，具体包括获取指纹图像的方向场、背景分离、均衡、平滑、二值化和细化。特征提取时，首先搜索两类特征点，对部分虚假特征点做过滤后，添加特征点周围的额外信息，完成图像特征提取。
指纹特征识别是通过对比不同指纹图像的特征，判断两幅图像是否属于同一枚指纹。特征识别过程包括预识别、配准和精确对比等步骤。同一枚指纹存在多个指纹图像，这些指纹图像和其他不同的指纹生成的图像相互间对比产生的最大值被作为对比门限，与同类图像对比产生的对比数值由这一门限划分为两个部分，用得分不小于该门限的图像总数除以参与对比过程的指纹图像库总数，就可以得到一套算法对应一套指纹库的识别率。
实际中对指纹图片进行识别时，在从指纹生物信息向数字信息转换的过程中，因为采集仪器的缺陷和指纹本身的破损，造成指纹图像纹线断裂、破碎和变形等，导致指纹图片难以被识别，因此需要一些方法修复指纹图像的缺陷。此外，还可能存在需要识别某些复杂纹理是否属于正常指纹的情况，需要对例如橘子皮、硅胶手指等近似指纹纹理的物件表面进行区分，即分离正常指纹图像和非指纹图像，同样需要对这些图像进行评估。目前指纹图像的检测及修复方法如专利号为CN 109657579A的中国专利申请公开的一种指纹裂纹的检测与修复方法，包括特征点提取，裂纹检测，裂纹修复；特征点提取是对指纹原始图像进行预处理得到细化图像，提取特征点；裂纹检测是根据特征点分布图，计算图像每个像素点的特征点密度值，特征点密度值大于预设值的像素点属于裂纹点，所有的裂纹点集合在一起就构成了裂纹区域，如果图像中所有点的特征点密度值都小于预设值，则表示该指纹不存在裂纹；裂纹修复是根据裂纹区域内断裂点之间的方向场差值，将裂纹区域划分为：A类裂纹区和B类裂纹区；在A类裂纹区采用方向偏差估计法、距离估计法匹配断裂点对，并用逐步逼近法将两点重新连接，在B类裂纹区采用法线定标法匹配断裂点对，并用三角约束法将两点重新连接。
上述指纹裂纹的检测与修复方法只能实现对图像裂纹的修复，但无法鉴别图像是否属于指纹图像，若采集的图像为类似指纹图像的非指纹图像，由于设备无法识别该图像是否属于指纹图像，设备仍然进行图像修复，那么设备就会做无用功，则增加设备的工作负担，降低图像修复的效率。
发明内容
本发明所要解决的技术问题是针对传统的指纹图像修复方法在修复图像前无法鉴别图像是否为指纹图像的缺陷，涉及一种低质量指纹图像和非指纹图像的检测方法及检测装置。
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种低质量指纹图像和非指纹图像的检测方法，包括以下步骤：
1）对原始图像进行归一化处理；
2）对归一化后的图像进行动态缩放处理；
3）对缩放后的图像提取图像方向场；
4）用提取的方向场评估原图像的整体方向场杂乱度；
5）对归一化后的图像进行图像滤波处理；
6）对滤波后的图像按方向场采取图像增强处理；
7）对增强后的图像进行细化处理；
8）搜索细化后图像中的结构特征；
9）利用结构特征评估图像纹线的断裂度和纹线方向杂乱度；
10）根据各结构特征的数量、纹线的断裂度、纹线方向的杂乱度和整体方向场杂乱度得到图像整体质量，判断图像是否为低质量图像，进而将低质量图像划分为低质量指纹图像和非指纹图像两类。
将低质量指纹图像和非指纹图像分类后，在后续图像修复过程中，对于非指纹图像不再修复，只修复指纹图像，有助于提高指纹图像的修复效率。
优选地，所述步骤1）中采用基于中央矫正的双线性插值法对图像进行归一化处理。
优选地，所述步骤2）中，采用基于高斯滤波器的卷积核模板对归一化后的图像进行动态缩放处理，动态缩放处理包括：在水平和垂直方向进行抽样并将图像缩小、对图像进行抽样滤波、将图像的每个像素灰度值向上扩展若干倍数使之保存灰度值的变量产生溢出；将图像的每个像素灰度值向上扩展若干倍数后，对图像中每个点的灰度值进行计算，得到扩展后的每个像素点坐标的灰度值，其计算公式为：
Figure 915757DEST_PATH_IMAGE001
其中，Z表示扩展后某像素点的灰度值，Z0表示扩展前某像素点的灰度值，K表示扩展倍数，mod256表示对整数256求余，256指256级灰度值分级。
缩放后的图像一定程度上得到降噪，且能基本保留原图像特征，并且能够加快方向场计算；选择合适的扩展倍数，在最终图像的修复过程中，可以在保持原始图像的特征前提下，将间隔更大的裂纹处断点连接起来。
优选地，所述步骤4）中利用方向场变化阶梯评估原图像的整体方向场杂乱度，其具体步骤包括：
4.1）设定角度变化阈值；
4.2）将每个像素块与周围像素块方向场的差值与阈值进行比较；
4.3）统计超过阈值的像素块总数，根据超过阈值的像素块总数评估图像的整体方向场杂乱度。
优选地，所述步骤5）中采用动态双边滤波对指纹图像进行滤波处理，计算公式为：
Figure 782082DEST_PATH_IMAGE002
Figure 42162DEST_PATH_IMAGE003
Figure 402868DEST_PATH_IMAGE004
Figure 228741DEST_PATH_IMAGE005
其中，I为滤波后的像素点灰度值，w为归一化系数，p是以q点为中心的滤波模板s中的任意一点，I p 为p点灰度值，I q 为模板中心点像素灰度值，
Figure 531546DEST_PATH_IMAGE006
为空间域权重，
Figure 262611DEST_PATH_IMAGE007
为值域权重，
Figure 676275DEST_PATH_IMAGE008
、
Figure 559917DEST_PATH_IMAGE009
表示p点x、y轴坐标，
Figure 33624DEST_PATH_IMAGE010
、
Figure 753449DEST_PATH_IMAGE011
表示q点坐标，
Figure 705225DEST_PATH_IMAGE012
为空间域方差，
Figure 708953DEST_PATH_IMAGE013
为值域方差。
优选地，采用动态双边滤波对指纹图像进行滤波处理前，将二维双边滤波函数拆分为X轴方向的滤波器函数和Y轴方向的滤波器函数，二维双边滤波函数为：
Figure 353561DEST_PATH_IMAGE014
拆分后，X轴方向的滤波器函数为：
Figure 59218DEST_PATH_IMAGE015
拆分后，Y轴方向的滤波器函数为：
Figure 814684DEST_PATH_IMAGE016
其中，σ为空域方差，x0，y0为中心像素坐标，x，y为高斯模板内任一周围像素坐标；从而，滤波处理时先在图像水平方向上进行高斯滤波，再将其结果做图像垂直方向上的滤波，通过采用两个一维卷积运算和预制高斯模板提高处理效率；所述的预制高斯模板是指对于不同指纹图像库中采用固定的空域方差值，进而生成固定的一维高斯模板。
将二维双边滤波过程拆分为两个一维的双边滤波函数分别计算图像X和Y轴的结果后，再做矩阵运算，可以有效提升运算效率。
优选地，所述步骤6）对滤波后的图像按方向场采取图像增强处理的具体步骤包括：
6.1）对图像纹线方向进行平滑滤波，对图像纹线法线方向进行锐化滤波；
6.2）对图像进行二值化：在沿图像纹线方向采用近似高斯滤波，在纹线法线方向采用平滑滤波；
6.3）使用gabor滤波器对图像进行增强处理：通过设置不同的小波尺度和方向，结合方向场对图像进行增强处理。
优选地，所述步骤8）中的结构特征包括端点、叉点、毛刺、环结构和桥式结构，搜索细化后图像中的结构特征的具体步骤包括：
8.1）搜索图像中所有的端点和叉点；
8.2）根据两个端点间的连线或者端点与差点的距离，统计图像中的毛刺数量，并计算毛刺率；
8.3）通过计算两个叉点间的间距判断环结构，统计环结构数量，并计算结环率；
8.4）通过计算两个叉点的距离和连线数量判断桥式结构，统计桥式结构数量，并计算连桥率。
优选地，所述步骤9）利用结构特征评估图像纹线的断裂度和纹线方向杂乱度是采用角度分段可变搜索域链方式检查纹线的端点是否属于断点情况，即通过搜索一个端点在沿纹线方向的空间是否存在潜在的匹配点来判断是否属于断点，通过断点的多少来评估纹线的断裂度，通过计算一条纹线上各像素过度时的方向场差与保持较大差值的连续长度来评估纹线的方向杂乱度；搜索的具体步骤为：
9.1）选定一个端点，设置搜索域的步长和宽度，在端点反方向沿纹线前进搜索步长距离的点，再从该点出发，继续沿先前的方向找到相同距离的另一个点；
9.2）从端点开始依次连接这三个点，形成两段线段，计算这两段线段的角度差，作为每段角度分段的变化值；
9.3）以端点为起点，以沿着端点所在的方向做出一等腰三角形，该三角形即为单个搜索域，搜索域的步长决定三角形的高，搜索域的宽度决定三角形的底；
9.4）在每次形成搜索域的过程中，当延伸出的搜索域碰撞到附近纹线时，从与附近纹线最初交汇的点处提前做出三角形的底边；
9.5）在每一块搜索域结束的边上，取高和底的交点作为下一个搜索域的起点，以原端点所在纹线两段线段的角度差为角度变量，重新设置一个形状不变，朝向不同的搜索域，实现对搜索域角度的调整；
9.6）设置累加值阈值，记录每个搜索域角度变化值的累加值，当累加值超过累加值阈值后还没有找到适配的断点，则停止搜索，认为这两个端点不适配，涉及的纹线形态完整；若探索到至少一个匹配的断点，则认为该纹线存在断裂。
优选地，所述的步骤10）对图像各种结构特征数量、纹线的断裂度、纹线方向杂乱度和整体方向场杂乱度采用不同权重以评估图像质量，使用不同指标完成对图像的分类。
低质量的指纹图像和非指纹图像在评估特征存在类似的情况，例如两者的整体方向场杂乱度都比较高，但在其他分类上存在较大不同。低质量的指纹图像多为纹线断裂、图像污渍、图像模糊或局部块缺失，评估特性体现为结环率和连桥率较高，纹线断裂度较高。非指纹图像多带有短纹线，没有整齐的纹线延伸方向，纹线较细，体现为毛刺率和纹线方向杂乱度较高。可以先利用带权重的特性参数判断图像是否属于低质量图像，再利用各参数具体数值判断图像属于低质量指纹图像还是非指纹图像。
本发明还涉及一种低质量指纹图像和非指纹图像的检测装置，其包括：
1）归一化处理模块，对低质量图像进行归一化处理；
2）动态缩放处理模块，对归一化后的图像进行动态缩放处理；
3）方向场提取模块，对缩放后的图像提取图像方向场；
4）杂乱度提取模块，用提取的方向场评估原图像的整体方向场杂乱度；
5）滤波处理模块，对归一化后的图像进行图像滤波处理；
6）增强处理模块，对滤波后的图像按方向场采取图像增强处理；
7）细化处理模块，对增强后的图像进行细化处理；
8）搜索模块，搜索细化后图像中的结构特征；
9）评估模块，利用结构特征评估图像纹线的断裂度和纹线方向杂乱度；
10）分类模块，根据各结构特征的数量、纹线的断裂度、纹线方向的杂乱度和整体方向场杂乱度得到图像整体质量，判断图像是否为低质量图像，进而将低质量图像划分为低质量指纹图像和非指纹图像两类。
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：
1、本发明涉及的低质量指纹图像和非指纹图像的检测方法通过对原始图像进行归一化、缩放、滤波、增强和细化提取图像特征，再经过检测多种结构特征指标，统计出图像的毛刺率、结环率、连桥率、纹线断裂度、纹线方向杂乱度和整体方向场杂乱度指标，进行低质量指纹图像和非指纹图像的检测和分类，在图像修复前先对图像进行分类，对于非指纹图像，不再进行图像的修复，进而提高指纹图像的修复效率；
2、本发明经过缩放后的图像一定程度上得到降噪，且能基本保留原图像特征，并且能够加快方向场计算；在最终图像的修复过程中，可以在保持原始图像的特征前提下，将间隔更大的裂纹处断点连接起来；
3、本发明采用二维双边滤波处理，先在图像水平方向上进行高斯滤波，再将其结果做图像垂直方向上的滤波，通过采用两个一维卷积运算和预制高斯模板提高处理效率。
附图说明
图1为本发明的低质量指纹图像和非指纹图像的检测方法的流程图；
图2为图像细化、搜索结构特征、评估断裂度和纹线方向杂乱度的流程图；
图3为判断图像为指纹图像或非指纹图像的雷达图；
图4为低质量指纹图像检测区域雷达图；
图5为低质量非指纹图像检测区域雷达图；
图6为本发明低质量指纹图像和非指纹图像的检测装置的原理框图。
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1所示，本发明涉及的低质量指纹图像和非指纹图像的检测方法，包括以下步骤：
1）本实施例所选取的指纹图像库提供的原始图像大小不定，以几何中心对齐校正的双线性插值法对图像进行归一化处理为大小为360*256的图像：设SrcX、SrcY为原图像在目标图像中的对应位置坐标，DstX、DstY为原图像像素坐标，srcWidth、srcHeight为目标图像宽高，dstWidth、dstHeight为原图像宽高，则根据公式：
Figure 407339DEST_PATH_IMAGE017
Figure 222849DEST_PATH_IMAGE018
可以实现归一化过程中的图像几何中心对齐。
2）对归一化后的图像做缩放处理：以2倍采样间距，以边长为3的高斯滤波器对原图像进行采样缩放：本实施例采用基于高斯滤波器的卷积核模板对低质量指纹图像进行动态缩放处理；动态缩放处理包括：在水平和垂直方向进行抽样并将图像缩小、对图像进行抽样滤波；采样结束后，将结果灰度值设定为无符号字符型变量，并扩展2倍，使得部分像素灰度值溢出，实现原图像纹线向间隙的颜色过渡。
所述将图像的每个像素灰度值向上扩展2倍数后，对图像中每个点的灰度值进行计算，得到扩展后的每个像素点坐标的灰度值，计算公式为：
Figure 917266DEST_PATH_IMAGE019
其中，Z表示扩展后某像素点的灰度值，Z0表示扩展前某像素点的灰度值，K表示扩展倍数，mod256表示对整数256求余，256指256级灰度值分级。
比如将0～84灰度值区域设为深色区域，86～169设为中间区域，170～255为浅色区域，设K = 2，对于Z0属于0～255的灰度分布值中，越靠近两端的灰度值在经过扩展后变化程度越小；分布在中间区域的像素将因为变量溢出而转变为较深色像素；深色区域的像素则会变得更亮。一方面，原先纹线所在的区域将向纹线脊线方向收缩，有一部分位于纹线边缘的像素点会变得更浅，而原本灰度足够深的像素将会保留深色。同时，纹线附近原本处于中间灰度层级的像素会向着深色转变，在浅色区域中形成分散的黑点。从整体上来看，体现为纹线的边缘深色像素发生了扩散，不同纹线的过渡区域中出现了一些黑色散点。扩散效果距离纹线越近越强烈，过渡区域灰度值越趋近灰度平均值越有概率生成黑点。这些扩散或生成的黑点相互连成几个像素长的短线，填充在纹线断点和纹线水平间隔之间。纹线断点间的短线减弱了该区域方向场的梯度值，使得两个方向大致相同的断点发生关联，并抵消裂纹处纹线法线方向相互连接的趋势，让方向场的变化更加平滑，有助于断点在图像增强和二值化时连接成线。同时，因为纹线连续处法线方向区分度足够大，这些散点和短线在计算这片区域的方向场时权重很小，几乎不会造成什么影响。
因此，多数在指纹纹线间生成的散点和短线，有助于平滑断点间方向场，便于在后续的图像增强处理中使得断点连接成线，同时不会干扰其他区域的方向场计算。当扩展倍数K增大时，原始缩略图中各区域像素点变化分布将更为分散。例如，在K = 3时，灰度值分布在0～85的像素集合经过扩展分离为三个灰度依次增加的层级。当K = 6时，该集合分离为两组灰度依次递增的层级块。在图像中体现为纹线扩散效果更强，图像生成噪点更多。
缩放后的图像一定程度上得到降噪，且能基本保留原图像特征，并且能够加快方向场计算。
3）采用sobel算子对缩放后的图像提取图像方向场。
4）用提取的方向场评估原图像的整体方向场杂乱度：正常的指纹图像的局部纹线方向一般表现出较低的断裂度，变化较为平缓；在靠近奇异点的位置，纹线向中心靠拢或向周围散开，变化较为剧烈；其具体步骤是：
4.1）设定角度变化阈值；
4.2）将每个像素块与周围像素块方向场的差值与阈值进行比较；
4.3）统计超过阈值的像素块总数，根据超过阈值的像素块总数评估图像的整体方向场杂乱度。
5）采用动态双边滤波对指纹图像进行滤波处理，计算公式为：
Figure 476424DEST_PATH_IMAGE020
Figure 189165DEST_PATH_IMAGE003
Figure 909996DEST_PATH_IMAGE004
Figure 324666DEST_PATH_IMAGE005
其中，I为滤波后的像素点灰度值，w为归一化系数，p是以q点为中心的滤波模板s中的任意一点，I p 为p点灰度值，I q 为模板中心点像素灰度值，
Figure 687514DEST_PATH_IMAGE006
为空间域权重，
Figure 520341DEST_PATH_IMAGE007
为值域权重，
Figure 412073DEST_PATH_IMAGE008
、
Figure 81083DEST_PATH_IMAGE009
表示p点x、y轴坐标，
Figure 982043DEST_PATH_IMAGE010
、
Figure 138218DEST_PATH_IMAGE011
表示q点坐标，
Figure 466431DEST_PATH_IMAGE012
为空间域方差，
Figure 855693DEST_PATH_IMAGE013
为值域方差。
本实施例中，二维双边滤波函数为：
Figure 560344DEST_PATH_IMAGE014
采用动态双边滤波对指纹图像进行滤波处理前，可将二维双边滤波函数拆分为X轴方向的滤波器函数和Y轴方向的滤波器函数，
拆分后，X轴方向的滤波器函数为：
Figure 102184DEST_PATH_IMAGE015
拆分后，Y轴方向的滤波器函数为：
Figure 601298DEST_PATH_IMAGE016
其中，σ为空域方差，x0，y0为中心像素坐标，x，y为高斯模板内任一周围像素坐标。
所述的高斯模板可以对于不同的指纹图像库采用固定的空域方差值，并由此生成固定的一维高斯模板，同时采用定点数计算，在保证一定精度的前提下有效提升运算效率，比如某指纹图像库的识别率在空域方差取σ0时达到最大，此时，一个S×S的归一化高斯模板为：
Figure 979321DEST_PATH_IMAGE021
可以将上述模板分解为一个列向量和一个行向量的乘积形式，如：
Figure 222083DEST_PATH_IMAGE022
其中，对于任意i∈[1, S]，都有| xi | = | yi |，所以，固定长度为S的归一化一维高斯模板，先在图像水平方向上进行高斯滤波，再将其结果做图像垂直方向上的滤波，由此可以证明，通过采用两个一维卷积运算和预制高斯模板，可以有效加快运算速度，即快速双边滤波。
设某中心像素的灰度值为Z0，周边某一像素灰度值为Zij，其中i表示该周围像素相对于中心像素的X轴偏移，j为Y轴偏移。则两像素灰度值差的绝对值
Figure 618430DEST_PATH_IMAGE023
和差值取值区间
Figure 288445DEST_PATH_IMAGE023
为：
Figure 652299DEST_PATH_IMAGE024
Figure 433174DEST_PATH_IMAGE025
双边滤波器在卷积模板内的值域权重为：
Figure 949606DEST_PATH_IMAGE026
由此可知，值域方差取值越大，值域内的最大和最小差值权重比例越小，对空域的选择效果越低。若值域方差接近无穷大，则双边滤波器仅保留高斯滤波效果；若该值接近无穷小，则高斯滤波效果完全被消除，双边滤波结果基本等同原图。例如，若
Figure 790523DEST_PATH_IMAGE027
，灰度值差值取最大值时值域权重为exp (-1) = 0.368，取最小值时权重为exp (0) = 1，说明值域的最低权重使得高斯滤波器的效果降低大约65%；当
Figure 143138DEST_PATH_IMAGE028
时，灰度值差值取最大值的值域权重为exp (-1) = 0.018，对应像素点的综合权重被大幅降低。
本发明中的双边滤波器借鉴了彩色图像处理过程中对于色彩噪声的处理方法，即对比将RGB颜色模型转移至YUV模型，以此分离彩色图像的明度和色彩属性，对两个通道采用不同双边滤波器空域和值域方差的方法，达到有效降低色彩噪声的过程，依据指纹图像不同位置的纹线特征，动态地设置局部双边滤波器的值域方差，保留纹线完成位置的特征，在纹线断裂处加强高斯滤波器的效果，使得纹线断裂处的像素相对更加模糊，确保在后续的图像增强过程中有更高的几率被连接起来，达到在滤波过程中修复纹线的目的。
综上所述，将二维双边滤波过程拆分为两个一维的双边滤波函数分别计算图像X和Y轴的结果后，再做矩阵运算，可以有效提升运算效率。
6）对滤波后的图像按方向场采取图像增强处理，其具体步骤为：
6.1）对图像纹线方向进行平滑滤波，对图像纹线法线方向进行锐化滤波；
6.2）对图像进行二值化：在沿图像纹线方向采用近似高斯滤波，在纹线法线方向采用平滑滤波；
6.3）使用gabor滤波器对图像进行增强处理：通过设置不同的小波尺度和方向，结合方向场对图像进行增强处理。
设置不同的小波尺度和方向并结合方向场，可以对图像实现更好的增强处理。
7）结合附图1和2所示，对增强后的图像进行细化处理，细化处理时先进行水平方向的细化，再做垂直方向的细化。
8）结合附图1和2所示，搜索细化后图像中的结构特征，结构特征包括端点、叉点、毛刺、环结构和桥式结构，搜索结构特征的具体步骤包括：
8.1）搜索图像中所有的端点和叉点；
8.2）正常的指纹纹线断裂度较低，且长度较长，所以细化后图像中的短线和从纹线上向外延伸出的短分支属于毛刺；从特征点来判断，若两个端点间连线很短，或者一个端点到一个叉点的距离很短，则可以判断为毛刺；因此，根据两个端点间的连线或者端点与差点的距离，可以统计图像中的毛刺数量，计算毛刺率；
8.3）若手指上沾有水渍或汗渍，容易使得被记录的指纹纹线变粗，在图像增强和二值化的过程中，因为粗纹线较难保持内部像素方向场和灰度值的一致，结构容易在细化处理后被破坏，产生许多空环；因此，通过计算两个叉点间的间距可以判断环结构，统计环结构数量并计算结环率；
8.4）当指纹图像存在较粗或较长的毛刺时，这些毛刺可能会连接到相邻纹线，或穿过相邻纹线与许多平行的纹线相交，与环结构不同，桥式结构中两个叉点所在纹线方向与桥结构方向一般呈垂直关系，且只有一根连线存在；因此，通过计算两个叉点的距离和连线数量判断桥式结构，统计桥式结构数量并计算连桥率。
9）参照附图1和2所示，利用结构特征评估图像纹线的断裂度和纹线方向杂乱度，其是采用角度分段可变搜索域链方式检查纹线的端点是否属于断点情况，即通过搜索一个端点在沿纹线方向的空间是否存在潜在的匹配点来判断是否属于断点，通过断点的多少来评估纹线的断裂度，通过计算一条纹线上各像素过度时的方向场差与保持较大差值的连续长度来评估纹线的方向杂乱度。
对于断点的判断不仅考虑所有近距离的正常端点，还应该考虑特殊形态的叉点和一些纹线的转折点。低质量指纹图像中可能出现因方向场计算偏差而生成的裂纹边缘的断点容易连成一条线，从而将原本是断点的点变成了叉点。与一般的叉点不同，这些裂纹边缘叉点的两条纹线夹角较大，可以通过检测每个叉点附近位置的方向场来鉴别这些伪叉点，并将其当作端点计算。此外，还存在一些局部方向变化剧烈的纹线，体现为纹线方向在一段数个像素长的短距离内呈接近垂直变化。这些转折区域原本可能是一断点，不能用单纯判断端点和叉点附近点绝对值差之和的方式判断出来，应该同样被处理为端点。该方法同样可以用于评估纹线的方向杂乱度，即在纹线方向前进时，若两个像素块之间的方向场差值超过某一阈值，且在接下来连续几个像素块变化的过程中方向场差都保持在阈值以上时，可以判断该处的纹线方向杂乱度较大。
将端点存在位置的方向场设定为变化平缓和变化剧烈两种，其中平缓变化的一般远离奇异点，剧烈变化的一般靠近奇异点。再将两个端点间的距离分为短距和长距，因此存在四种组合方式：平缓变化处的短距断裂，平缓变化处的长距断裂，剧烈变化处的短距断裂，剧烈变化处的长距断裂。因为奇异点附近的断点直线距离都较近，实际中可以不考虑剧烈变化处的长距断裂情况。
如果某个端点是纹线的断点，应该在沿纹线方向的空间中存在至少一个端点，使得在一定条件下，两个端点可以连成由一条或多条线段组成的近似曲线。通过多段搜索域组成的搜索链条来覆盖沿纹线方向的空间，设定搜索域的搜索步长和搜索宽度以控制单个搜索域大小。
利用结构特征评估图像纹线的断裂度和纹线方向杂乱度的具体步骤包括：
9.1）选定一个端点，设置搜索域的步长和宽度，在端点反方向沿纹线前进搜索步长距离的点，再从该点出发，继续沿先前的方向找到相同距离的另一个点；
9.2）从端点开始依次连接这三个点，形成两段线段，计算这两段线段的角度差，作为每段角度分段的变化值；
9.3）以端点为起点，以沿着端点所在的方向做出一等腰三角形，该三角形即为单个搜索域，搜索域的步长决定三角形的高，搜索域的宽度决定三角形的底；对于平缓变化处的断裂情况而言，一般只需要一个搜索域或者多个角度变化平缓的搜索域链就可以将匹配的断点找到；对于剧烈变化处的断裂情况而言，需要设置多段搜索域以组成搜索链来确定断点的适配情况；
9.4）在每次形成搜索域的过程中，当延伸出的搜索域碰撞到附近纹线时，从与附近纹线最初交汇的点处提前做出三角形的底边；对于剧烈变化处的断裂情况，将搜索步长缩小，搜索范围增大；
9.5）在每一块搜索域结束的边上，取高和底的交点作为下一个搜索域的起点，以原端点所在纹线两段线段的角度差为角度变量，重新设置一个形状不变，朝向不同的搜索域，实现对搜索域角度的调整；
9.6）设置累加值阈值，记录每个搜索域角度变化值的累加值，当累加值超过累加值阈值后还没有找到适配的断点，则停止搜索，认为这两个端点不适配，涉及的纹线形态完整；若探索到至少一个匹配的断点，则认为该纹线存在断裂。
10）综合统计各结构特征值，对各结构分类设置不同权重，得到加权求和之后的图像质量得分，按一定门限确定图像是否属于低质量图像。对于归类于低质量的图像，按照不同结构特征指标，进一步分类为低质量指纹图像和非指纹图像。
低质量的指纹图像和非指纹图像在评估特征存在类似的情况，例如两者的整体方向场杂乱度都比较高，但在其他分类上存在较大不同。低质量的指纹图像多为纹线断裂、图像污渍、图像模糊或局部块缺失，评估特性体现为结环率和连桥率较高，纹线断裂度较高。非指纹图像多带有短纹线，没有整齐的纹线延伸方向，纹线较细，体现为毛刺率和纹线方向杂乱度较高。可以先利用带权重的特性参数判断图像是否属于低质量图像，再利用各参数具体数值判断图像属于低质量指纹图像还是非指纹图像。
图3展示的雷达图为基础结构，从六个纬度对指纹图像进行评估，每个维度被分为数个等级。尽管每个维度的计算系数各不相同，但最后在导入雷达图前将先进行归一化，确保各维度得分有比较价值。
指纹图像质量越高，雷达图各维度连线形成的图形面积越小，几何结构也越向中央集中。任一维度的质量缺失将拉高此维度的得分，在图像上形成一个尖刺或者裂口。尖刺数量越多，或者裂口越大，图像质量越低。
对于低质量和非指纹图像而言，两者的维度连线形成图形面积都较大，但在不同维度的衍生程度不一。例如典型的低质量指纹图像如图4所示，相比正常指纹图像有少许的毛刺率、结环率和连桥率，局部纹线断裂导致细化处理后形成一定纹线方向杂乱度，而因计算方向场时图像还未经过足够的滤波和增强处理，所以整体方向杂乱度较高。
对于典型的非指纹图像，类似橘子皮表面或人造指纹，对这类图像质量的评估如图5所示。以橘子皮表面为例，可以观察到，非指纹图像的维度连线图形面积更大，表示图像质量相对更低；非指纹图像表面有更多的短细纹线，且纹线间相互交错，因此毛刺率、结环率和连桥率都相对较高。只要非指纹图像表面没有明显破损，其纹线断裂程度不一定比低质量指纹图像要高，但因这些纹线缺少明确形态，衍生方向不定，所以纹线方向杂乱度和整体方向杂乱度得分都会很高。
实施例2
参照附图6所示，本实施例涉及的低质量指纹图像和非指纹图像的检测装置，包括：
1）归一化处理模块，对原始图像进行归一化处理，归一化处理模块用于实现实施例1步骤1）的功能；
2）动态缩放处理模块，对归一化后的图像进行动态缩放处理，动态缩放处理模块用于实现实施例1步骤2）的功能；
3）方向场提取模块，对缩放后的图像提取图像方向场，方向场提取模块用于实现实施例1步骤3）的功能；
4）杂乱度提取模块，用提取的方向场评估原图像的整体方向场杂乱度，杂乱度提取模块用于实现实施例1步骤4）的功能；
5）滤波处理模块，对归一化后的图像进行图像滤波处理，滤波处理模块用于实现实施例1步骤5）的功能；
6）增强处理模块，对滤波后的图像按方向场采取图像增强处理，增强处理模块用于实现实施例1步骤6）的功能；
7）细化处理模块，对增强后的图像进行细化处理，细化处理模块用于实现实施例1步骤7）的功能；
8）搜索模块，搜索细化后图像中的结构特征，搜索模块用于实现实施例1步骤8）的功能；
9）评估模块，利用结构特征评估图像纹线的断裂度和纹线方向杂乱度，分类模块用于实现实施例1步骤9）的功能；
10）分类模块，根据各结构特征的数量、纹线的断裂度、纹线方向的杂乱度和整体方向场的杂乱度得到图像整体质量，判断图像为指纹图像或非指纹图像，进而将图像分为指纹图像和非指纹图像两类，分类模块用于实现实施例1步骤10）的功能
显然，本实施例的检测装置可以作为上述实施例1的检测方法的执行主体，因此能够实现该检测方法所实现的功能。由于原理相同，本文不再赘述。
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 (8)

1.一种低质量指纹图像和非指纹图像的检测方法，其特征在于：其包括以下步骤：
1）对原始图像进行归一化处理；
2）对归一化后的图像进行动态缩放处理；
3）对缩放后的图像提取图像方向场；
4）用提取的方向场评估原图像的整体方向场杂乱度；
5）对归一化后的图像进行图像滤波处理；
6）对滤波后的图像按方向场采取图像增强处理；
7）对增强后的图像进行细化处理；
8）搜索细化后图像中的结构特征，所述的结构特征包括端点、叉点、毛刺、环结构和桥式结构，搜索细化后图像中的结构特征的具体步骤包括：
8.1）搜索图像中所有的端点和叉点；
8.2）根据两个端点间的连线或者端点与叉点的距离，统计图像中的毛刺数量，并计算毛刺率；
8.3）通过计算两个叉点间的间距判断环结构，统计环结构数量，并计算结环率；
8.4）通过计算两个叉点的距离和连线数量判断桥式结构，统计桥式结构数量，并计算连桥率；
9）利用结构特征评估图像纹线的断裂度和纹线方向杂乱度：采用角度分段可变搜索域链方式检查纹线的端点是否属于断点情况，即通过搜索一个端点在沿纹线方向的空间是否存在潜在的匹配点来判断是否属于断点，通过断点的多少来评估纹线的断裂度，通过计算一条纹线上各像素过度时的方向场差与保持较大差值的连续长度来评估纹线的方向杂乱度；搜索的具体步骤为：
9.1）选定一个端点，设置搜索域的步长和宽度，在端点反方向沿纹线前进搜索步长距离的点，再从该点出发，继续沿先前的方向找到相同距离的另一个点；
9.2）从端点开始依次连接这三个点，形成两段线段，计算这两段线段的角度差，作为每段角度分段的变化值；
9.3）以端点为起点，以沿着端点所在的方向做出一等腰三角形，该三角形即为单个搜索域，搜索域的步长决定三角形的高，搜索域的宽度决定三角形的底；
9.4）在每次形成搜索域的过程中，当延伸出的搜索域碰撞到附近纹线时，从与附近纹线最初交汇的点处提前做出三角形的底边；
9.5）在每一块搜索域结束的边上，取高和底的交点作为下一个搜索域的起点，以原端点所在纹线两段线段的角度差为角度变量，重新设置一个形状不变，朝向不同的搜索域，实现对搜索域角度的调整；
9.6）设置累加值阈值，记录每个搜索域角度变化值的累加值，当累加值超过累加值阈值后还没有找到适配的断点，则停止搜索，认为这两个端点不适配，涉及的纹线形态完整；若探索到至少一个匹配的断点，则认为该纹线存在断裂；
10）根据各结构特征的数量、纹线的断裂度、纹线方向的杂乱度和整体方向场杂乱度得到图像整体质量，判断图像是否为低质量图像，进而将低质量图像划分为低质量指纹图像和非指纹图像两类。
2.根据权利要求1所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：所述步骤1）中采用基于中央矫正的双线性插值法对图像进行归一化处理。
3.根据权利要求1所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：所述步骤2）中，采用基于高斯滤波器的卷积核模板对归一化后的图像进行动态缩放处理，动态缩放处理包括：在水平和垂直方向进行抽样并将图像缩小、对图像进行抽样滤波、将图像的每个像素灰度值向上扩展若干倍数使之保存灰度值的变量产生溢出；将图像的每个像素灰度值向上扩展若干倍数后，对图像中每个点的灰度值进行计算，得到扩展后的每个像素点坐标的灰度值，其计算公式为：
Figure DEST_PATH_IMAGE001
其中，Z表示扩展后某像素点的灰度值，Z0表示扩展前某像素点的灰度值，K表示扩展倍数，mod256表示对整数256求余，256指256级灰度值分级。
4.根据权利要求1所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：所述步骤4）中利用方向场变化阶梯评估原图像的整体方向场杂乱度，其具体步骤包括：
4.1）设定角度变化阈值；
4.2）将每个像素块与周围像素块方向场的差值与阈值进行比较；
4.3）统计超过阈值的像素块总数，根据超过阈值的像素块总数评估图像的整体方向场杂乱度。
5.根据权利要求1所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：所述步骤5）中采用动态双边滤波对指纹图像进行滤波处理，计算公式为：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
其中，I为滤波后的像素点灰度值，w为归一化系数，p是以q点为中心的滤波模板s中的任意一点，Ip为p点灰度值，Iq为模板中心点像素灰度值，
Figure DEST_PATH_IMAGE006
为空间域权重，
Figure DEST_PATH_IMAGE007
为值域权重，
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
表示p点x、y轴坐标，
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
表示q点坐标，
Figure DEST_PATH_IMAGE012
为空间域方差，
Figure DEST_PATH_IMAGE013
为值域方差。
6.根据权利要求5所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：采用动态双边滤波对指纹图像进行滤波处理时，将二维双边滤波函数拆分为X轴方向的滤波器函数和Y轴方向的滤波器函数，二维双边滤波函数为：
Figure DEST_PATH_IMAGE014
拆分后，X轴方向的滤波器函数为：
Figure DEST_PATH_IMAGE015
拆分后，Y轴方向的滤波器函数为：
Figure DEST_PATH_IMAGE016
其中，σ为空域方差，x0，y0为中心像素坐标，x，y为高斯模板内任一周围像素坐标；从而，滤波处理时先在图像水平方向上进行高斯滤波，再将其结果做图像垂直方向上的滤波，通过采用两个一维卷积运算和预制高斯模板提高处理效率；所述的预制高斯模板是指对于不同指纹图像库中采用固定的空域方差值，进而生成固定的一维高斯模板。
7.根据权利要求1所述的低质量指纹图像和非指纹图像的检测方法，其特征在于：所述步骤6）对滤波后的图像按方向场采取图像增强处理的具体步骤包括：
6.1）对图像纹线方向进行平滑滤波，对图像纹线法线方向进行锐化滤波；
6.2）对图像进行二值化：在沿图像纹线方向采用近似高斯滤波，在纹线法线方向采用平滑滤波；
6.3）使用gabor滤波器对图像进行增强处理：通过设置不同的小波尺度和方向，结合方向场对图像进行增强处理。
8.一种低质量指纹图像和非指纹图像的检测装置，其特征在于：其包括：
1）归一化处理模块，对低质量图像进行归一化处理；
2）动态缩放处理模块，对归一化后的图像进行动态缩放处理；
3）方向场提取模块，对缩放后的图像提取图像方向场；
4）杂乱度提取模块，用提取的方向场评估原图像的整体方向场杂乱度；
5）滤波处理模块，对归一化后的图像进行图像滤波处理；
6）增强处理模块，对滤波后的图像按方向场采取图像增强处理；
7）细化处理模块，对增强后的图像进行细化处理；
8）搜索模块，搜索细化后图像中的结构特征，所述的结构特征包括端点、叉点、毛刺、环结构和桥式结构，搜索细化后图像中的结构特征的具体步骤包括：
8.1）搜索图像中所有的端点和叉点；
8.2）根据两个端点间的连线或者端点与叉点的距离，统计图像中的毛刺数量，并计算毛刺率；
8.3）通过计算两个叉点间的间距判断环结构，统计环结构数量，并计算结环率；
8.4）通过计算两个叉点的距离和连线数量判断桥式结构，统计桥式结构数量，并计算连桥率；
9）评估模块，利用结构特征评估图像纹线的断裂度和纹线方向杂乱度，其采用角度分段可变搜索域链方式检查纹线的端点是否属于断点情况，即通过搜索一个端点在沿纹线方向的空间是否存在潜在的匹配点来判断是否属于断点，通过断点的多少来评估纹线的断裂度，通过计算一条纹线上各像素过度时的方向场差与保持较大差值的连续长度来评估纹线的方向杂乱度；搜索的具体步骤为：
9.1）选定一个端点，设置搜索域的步长和宽度，在端点反方向沿纹线前进搜索步长距离的点，再从该点出发，继续沿先前的方向找到相同距离的另一个点；
9.2）从端点开始依次连接这三个点，形成两段线段，计算这两段线段的角度差，作为每段角度分段的变化值；
9.3）以端点为起点，以沿着端点所在的方向做出一等腰三角形，该三角形即为单个搜索域，搜索域的步长决定三角形的高，搜索域的宽度决定三角形的底；
9.4）在每次形成搜索域的过程中，当延伸出的搜索域碰撞到附近纹线时，从与附近纹线最初交汇的点处提前做出三角形的底边；
9.5）在每一块搜索域结束的边上，取高和底的交点作为下一个搜索域的起点，以原端点所在纹线两段线段的角度差为角度变量，重新设置一个形状不变，朝向不同的搜索域，实现对搜索域角度的调整；
9.6）设置累加值阈值，记录每个搜索域角度变化值的累加值，当累加值超过累加值阈值后还没有找到适配的断点，则停止搜索，认为这两个端点不适配，涉及的纹线形态完整；若探索到至少一个匹配的断点，则认为该纹线存在断裂；
10）分类模块，根据各结构特征的数量、纹线的断裂度、纹线方向的杂乱度和整体方向场杂乱度得到图像整体质量，判断图像是否为低质量图像，进而将低质量图像划分为低质量指纹图像和非指纹图像两类。
CN202210785658.2A 2022-07-06 2022-07-06 一种低质量指纹图像和非指纹图像的检测方法及检测装置 Active CN114863493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210785658.2A CN114863493B (zh) 2022-07-06 2022-07-06 一种低质量指纹图像和非指纹图像的检测方法及检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210785658.2A CN114863493B (zh) 2022-07-06 2022-07-06 一种低质量指纹图像和非指纹图像的检测方法及检测装置

Publications (2)

Publication Number Publication Date
CN114863493A CN114863493A (zh) 2022-08-05
CN114863493B true CN114863493B (zh) 2022-09-13

Family

ID=82626886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210785658.2A Active CN114863493B (zh) 2022-07-06 2022-07-06 一种低质量指纹图像和非指纹图像的检测方法及检测装置

Country Status (1)

Country Link
CN (1) CN114863493B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823679B (zh) * 2023-08-30 2023-12-05 山东龙腾控股有限公司 基于人工智能的全自动指纹锁指纹图像增强方法
CN117854120A (zh) * 2024-03-07 2024-04-09 渭南大东印刷包装机械有限公司 一种指纹识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002084576A2 (de) * 2001-04-12 2002-10-24 Idencom Germany Gmbh Automatische identifikation und/oder verifikation linienhafter texturen wie fingerabdrücke
CN101271516A (zh) * 2008-04-02 2008-09-24 范九伦 指纹图像的方向滤波增强方法
CN108416342A (zh) * 2018-05-28 2018-08-17 杭州电子科技大学 一种结合细节点和细线结构的指纹识别方法
CN109657579A (zh) * 2018-12-07 2019-04-19 上海爱信诺航芯电子科技有限公司 一种指纹裂纹的检测与修复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1238809C (zh) * 2002-09-04 2006-01-25 长春鸿达光电子与生物统计识别技术有限公司 指纹识别方法、以及指纹控制方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002084576A2 (de) * 2001-04-12 2002-10-24 Idencom Germany Gmbh Automatische identifikation und/oder verifikation linienhafter texturen wie fingerabdrücke
CN101271516A (zh) * 2008-04-02 2008-09-24 范九伦 指纹图像的方向滤波增强方法
CN108416342A (zh) * 2018-05-28 2018-08-17 杭州电子科技大学 一种结合细节点和细线结构的指纹识别方法
CN109657579A (zh) * 2018-12-07 2019-04-19 上海爱信诺航芯电子科技有限公司 一种指纹裂纹的检测与修复方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于图像质量分区的指纹特征提取;胡春风等;《计算机工程与科学》;20090815(第08期);全文 *
基于方向场信息的指纹图像质量评测;李铁军等;《山东大学学报(工学版)》;20101016(第05期);全文 *
指纹图像质量评估的研究与应用;郭国伟等;《计算机与数字工程》;20091220(第12期);全文 *

Also Published As

Publication number Publication date
CN114863493A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114863493B (zh) 一种低质量指纹图像和非指纹图像的检测方法及检测装置
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN107316031B (zh) 用于行人重识别的图像特征提取方法
CN114418957B (zh) 基于机器人视觉的全局和局部二值模式图像裂缝分割方法
US20220172348A1 (en) Information processing device, information processing method, and storage medium
WO2018145470A1 (zh) 一种图像检测方法和装置
CN109377485A (zh) 一种方便面包装缺陷机器视觉检测方法
CN110796033B (zh) 一种基于包围盒模型的静态手势识别方法
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN101114335A (zh) 全角度快速指纹识别方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN110826408B (zh) 一种分区域特征提取人脸识别方法
CN111126240A (zh) 一种三通道特征融合人脸识别方法
CN114596551A (zh) 一种车载前视图像裂缝检测的方法
CN111914755A (zh) 一种八方向求梯度指纹识别模型
CN108108740B (zh) 一种主动毫米波人体图像性别识别方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
Zhu et al. Fast and robust 2D-shape extraction using discrete-point sampling and centerline grouping in complex images
CN114550167B (zh) 一种基于人工智能的梨的品质分类方法及装置
CN115578629A (zh) 一种公路护栏提取方法
CN112749713A (zh) 一种基于人工智能的大数据图像识别系统及方法
CN113516121A (zh) 一种多特征融合的非机动车车牌区域定位方法

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