CN115100696A - 一种掌静脉识别中的连通域快速标记与提取方法及系统 - Google Patents

一种掌静脉识别中的连通域快速标记与提取方法及系统 Download PDF

Info

Publication number
CN115100696A
CN115100696A CN202211036796.7A CN202211036796A CN115100696A CN 115100696 A CN115100696 A CN 115100696A CN 202211036796 A CN202211036796 A CN 202211036796A CN 115100696 A CN115100696 A CN 115100696A
Authority
CN
China
Prior art keywords
connected domain
point
pixel
palm vein
pixel value
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
Application number
CN202211036796.7A
Other languages
English (en)
Inventor
李学双
罗秋伟
赵国栋
蓝师伟
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.)
Shandong Shengdian Century Technology Co ltd
Original Assignee
Shandong Shengdian Century 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 Shandong Shengdian Century Technology Co ltd filed Critical Shandong Shengdian Century Technology Co ltd
Priority to CN202211036796.7A priority Critical patent/CN115100696A/zh
Publication of CN115100696A publication Critical patent/CN115100696A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices

Abstract

本发明公开了一种掌静脉识别中的连通域快速标记与提取方法及系统，属于生物特征识别技术领域，其包括以下步骤：S1.遍历掌静脉二值图的像素点，检测到第一个连通域起始点，将该起始点的像素值设为标记号；S2.停止遍历，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，将外边界点的像素值设为标记号，当搜索回到起始点，该连通域搜索结束；S3.继续遍历掌静脉二值图的像素点，判断像素点是否为另一个连通域的起始点、连通域内部点或内部孔洞边界点，并进行相应操作；S4.重复步骤S3，直至遍历完掌静脉二值图所有像素点，提取最大连通域。本发明对每个连通域进行填充，不需要进行递归，提高了运行效率。

Description

一种掌静脉识别中的连通域快速标记与提取方法及系统
技术领域
本发明属于生物特征识别技术领域，尤其涉及一种掌静脉识别中的连通域快速标记与提取方法及系统。
背景技术
生物识别技术是对人体自身所拥有的生物特征进行自动身份识别的技术，其中，掌静脉特征识别是生物识别技术中较为常见的一种，其通过提取人体手掌的静脉血管的特征进行识别的技术，是一种安全性很高的身份识别技术。
现有的掌静脉识别过程中，一般采用八邻域连通标记算法获取静脉图像中最大面积的连通域，比如授权公告号为CN105426821B公开的一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法，其包括以下步骤：（1）采集手掌静脉图像；（2）对采集到的静脉图像进行预处理：二值化提取出手掌，进行手掌关键点定位，归一化后采用直方图均衡化对静脉图像进行增强；（3）对增强后的静脉图像采用Niblack阈值分割法提取静脉轮廓；（4）用八邻域算法提取特征点。
传统掌静脉识别过程中采用的八邻域连通标记算法因为需要递归导致效率较低，且容易出现卡顿现象。
发明内容
本发明提供了一种掌静脉识别中的连通域快速标记与提取方法及系统，以解决现有静脉识别过程中采用八邻域连通标记算法获取静脉图像中最大面积的连通域时存在的效率低、易出现卡顿现象的问题。
为了解决上述技术问题，本发明提供的技术方案为：
本发明涉及一种掌静脉识别中的连通域快速标记与提取方法，其包括以下步骤：
S1.遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 256922DEST_PATH_IMAGE001
；
S2.停止遍历，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 70157DEST_PATH_IMAGE002
，当搜索回到起始点，则该连通域搜索结束；
S3.继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：
（1）若该像素点是连通域起始点，则将标记号
Figure 161610DEST_PATH_IMAGE003
的值加1，重复步骤S2；
（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；
（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值；
S4.重复步骤S3，直至遍历完掌静脉二值图所有的像素点，统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域，将最大连通域每个像素点的像素值设为1并作为掌静脉识别区域，用于掌静脉识别。
优选地，所述的步骤S3中内部孔洞边界点为连通域内部孔洞的边界点，其像素值等于1且其八邻域中存在像素值大于1的邻域。通过此方式，可以避免将手指间的内部孔洞当做一个单独的连通域进行标记，从而减少后续连通域统计的基数，提高运行速率。
优选地，所述的步骤S1中标记号
Figure 965880DEST_PATH_IMAGE003
的初始值为2。
优选地，所述的步骤S2中，当搜索到的边界点的坐标与起始点的坐标相同时，判定为搜索回到起始点。
优选地，所述的步骤S3中，判断像素点是连通域内部点及将其像素值设为其对应的连通域外边界点的标记号的公式为：
Figure 650940DEST_PATH_IMAGE004
公式中，
Figure 126920DEST_PATH_IMAGE005
为行坐标为
Figure 948246DEST_PATH_IMAGE006
、纵坐标为
Figure 218690DEST_PATH_IMAGE007
的像素点的像素值，
Figure 125466DEST_PATH_IMAGE008
为行坐标为
Figure 670717DEST_PATH_IMAGE006
、纵坐标为
Figure 346549DEST_PATH_IMAGE009
的像素点的像素值，
Figure 554939DEST_PATH_IMAGE010
为连通域内部像素点的标记号。
优选地，所述的步骤S1前还需要对掌静脉图像进行二值化处理。
优选地，所述的步骤S1中遍历掌静脉二值图的所有像素点时，按照从左至右、从上至下的顺序进行遍历。
本发明还涉及一种掌静脉识别中的连通域快速标记与提取的系统，其包括：
遍历模块，用于遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 949011DEST_PATH_IMAGE011
；
外边界点搜索模块，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 766794DEST_PATH_IMAGE003
，当搜索回到起始点，则该连通域搜索结束；
边界点判定模块，用于继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：
（1）若该像素点是连通域起始点，则将标记号
Figure 890608DEST_PATH_IMAGE003
的值加1，重复步骤S2；
（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；
（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值；
提取模块，用于统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域作为掌静脉识别区域，用于掌静脉识别。
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.本发明涉及的掌静脉识别中的连通域快速标记与提取方法通过遍历掌静脉二值图中像素点，检测到连通域的起始点，点连通域起始点的像素值等于1且其八邻域像素值均小于等于1，再从连通域起始点开始进行八邻域顺时针搜索，以此方法可将掌静脉图像划分为数个连通域，无需进行递归，提高了运行效率。
2.本发明涉及的掌静脉识别中的连通域快速标记与提取方法选择像素值等于1且其八邻域像素值均小于等于1的像素点作为起始点，通过起始点搜索连通域，该起始点需要同时满足像素点八邻域像素值均小于等于1，可以避免将手掌内部的点也当做起始点进行边界标记。
3.本发明涉及的掌静脉识别中的连通域快速标记与提取方法在搜索连通域的边界点时，对搜索到的像素点进行判断，若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号，若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值，如此，可以避免将手指间的内部孔洞当做一个单独的连通域进行标记，从而减少后续连通域统计的基数，提高运行速率。
附图说明
图1为掌静脉识别中的连通域快速标记与提取系统的框图。
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：本实施例以掌静脉识别为例，详细介绍本发明涉及的一种掌静脉识别中的连通域快速标记与提取方法，该方法包括以下步骤：
S0.对掌静脉图像进行二值化，得到掌静脉二值图，本实施例中包含两个连通域；
S1. 遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 643800DEST_PATH_IMAGE003
，其具体步骤是：
按照从左至右、从上至下的顺序遍历掌静脉二值图的像素点，当检测到第一个像素值等于1且其八邻域像素值均小于等于1的像素点，即判定该像素点为连通域起始点，将该像素点作为连通域起始点
Figure 384223DEST_PATH_IMAGE012
；起始点
Figure 881064DEST_PATH_IMAGE012
的坐标为
Figure 417306DEST_PATH_IMAGE013
，将该起始点
Figure 341400DEST_PATH_IMAGE012
的像素值设为标记号
Figure 834698DEST_PATH_IMAGE003
，标记号
Figure 197546DEST_PATH_IMAGE003
的初始值为2。
S2. 停止遍历，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 968056DEST_PATH_IMAGE003
，当搜索回到起始点，则该连通域搜索结束，其具体步骤为：
检测到连通域起始点后，停止遍历，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点
Figure 656527DEST_PATH_IMAGE014
的像素值等于1，则判定该像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 76269DEST_PATH_IMAGE003
，即：
Figure 305125DEST_PATH_IMAGE015
公式中，
Figure 523617DEST_PATH_IMAGE016
和
Figure 382988DEST_PATH_IMAGE017
分别表示搜索到的第
Figure 555606DEST_PATH_IMAGE006
个外边界点的横坐标和纵坐标，第
Figure 525836DEST_PATH_IMAGE006
个外边界点的像素值；
当搜索回到起始点，即搜索到的外边界点的横纵坐标满足公式（3）时，则表示该连通域搜索结束；
Figure 333255DEST_PATH_IMAGE018
。
经过步骤S2可得到对一个连通域外边界设定标记号后的掌静脉图像。
S3. 继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：
（1）若该像素点是连通域起始点，则将标记号
Figure 770053DEST_PATH_IMAGE003
的值加1，重复步骤S2；
（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；
（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值；
如此，可避免将手指间的内部孔洞当做一个单独的连通域进行标记，从而减少后续连通域统计的基数，提高运行速率。
上述过程中，判断像素点是连通域内部点及将其像素值设为其对应的连通域外边界点的标记号的公式为：
Figure 725239DEST_PATH_IMAGE019
公式中，
Figure 905685DEST_PATH_IMAGE020
为行坐标为
Figure 334654DEST_PATH_IMAGE006
、纵坐标为
Figure 66987DEST_PATH_IMAGE021
的像素点的像素值，
Figure 119257DEST_PATH_IMAGE022
为行坐标为
Figure 431289DEST_PATH_IMAGE006
、纵坐标为
Figure 10038DEST_PATH_IMAGE009
的像素点的像素值，
Figure 788638DEST_PATH_IMAGE023
为连通域内部像素点的标记号。
经过步骤S3可得到对两个连通域外边界设定标记号、连通域内部点设定标记号、对该内部孔洞边界点进行标记后的掌静脉图像。
S4. 重复步骤S3，直至遍历完掌静脉二值图所有的像素点，统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域，将最大连通域每个像素点的像素值设为1并作为掌静脉识别区域，用于掌静脉识别，其具体步骤为：
重复步骤S3，直至遍历完掌静脉二值图所有的像素点，统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域
Figure 948443DEST_PATH_IMAGE024
，提取最大连通域，按照公式（4）将最大连通域每个像素点的像素值设为1并作为掌静脉识别区域，用将最大连通区域像素值设定1后的掌静脉识别区域进行掌静脉识别。
Figure 470691DEST_PATH_IMAGE025
公式中，
Figure 903947DEST_PATH_IMAGE026
为最大连通域像素点的像素值。
实施例2：参照附图1所示，本实施例涉及一种掌静脉识别中的连通域快速标记与提取的系统，其包括：
遍历模块，用于遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 853448DEST_PATH_IMAGE003
，遍历模块用于实现实施例1中步骤S1的功能。
外边界点搜索模块，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 208206DEST_PATH_IMAGE003
当搜索回到起始点，则该连通域搜索结束，外边界点搜索模块用于实现实施例1中步骤S2的功能。
边界点判定模块，用于继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：（1）若该像素点是连通域起始点，则将标记号
Figure 393200DEST_PATH_IMAGE003
的值加1，重复步骤S2；（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值。边界点判定模块用于实现实施例1中步骤S3的功能。
提取模块，用于统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域作为掌静脉识别区域用于掌静脉识别，提取模块用于实现实施例1中步骤S4的功能。
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)

1.一种掌静脉识别中的连通域快速标记与提取方法，其特征在于：其包括以下步骤：
S1.遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 407597DEST_PATH_IMAGE001
；
S2.停止遍历，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 284286DEST_PATH_IMAGE002
，当搜索回到起始点，则该连通域搜索结束；
S3.继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：
（1）若该像素点是连通域起始点，则将标记号
Figure 637907DEST_PATH_IMAGE001
的值加1，重复步骤S2；
（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；
（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值；
S4.重复步骤S3，直至遍历完掌静脉二值图所有的像素点，统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域，将最大连通域每个像素点的像素值设为1并作为掌静脉识别区域，用于掌静脉识别。
2.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S3中内部孔洞边界点为连通域内部孔洞的边界点，其像素值等于1且其八邻域中存在像素值大于1的邻域。
3.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S1中标记号
Figure 728442DEST_PATH_IMAGE001
的初始值为2。
4.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S2中，当搜索到的边界点的坐标与起始点的坐标相同时，判定为搜索回到起始点。
5.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S3中，判断像素点是连通域内部点及将其像素值设为其对应的连通域外边界点的标记号的公式为：
Figure 927342DEST_PATH_IMAGE003
公式中，
Figure 127379DEST_PATH_IMAGE004
为行坐标为
Figure 714218DEST_PATH_IMAGE005
、纵坐标为
Figure 265285DEST_PATH_IMAGE006
的像素点的像素值，
Figure 34920DEST_PATH_IMAGE007
为行坐标为
Figure 89464DEST_PATH_IMAGE005
、纵坐标为
Figure 581625DEST_PATH_IMAGE008
的像素点的像素值，
Figure 88830DEST_PATH_IMAGE009
为连通域内部像素点的标记号。
6.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S1前还需要对掌静脉图像进行二值化处理。
7.根据权利要求1所述的掌静脉识别中的连通域快速标记与提取方法，其特征在于：所述的步骤S1中遍历掌静脉二值图的所有像素点时，按照从左至右、从上至下的顺序进行遍历。
8.一种实现权利要求1所述的掌静脉识别中的连通域快速标记与提取方法的系统，其特征在于：其包括：
遍历模块，用于遍历掌静脉二值图的像素点，检测到第一个连通域起始点，所述连通域起始点的像素值等于1且其八邻域像素值均小于等于1，将该起始点的像素值设为标记号
Figure 160691DEST_PATH_IMAGE010
；
外边界点搜索模块，从连通域起始点开始进行八邻域顺时针搜索，确认连通域的外边界，若某个像素点的像素值等于1，则判定像素点为该连通域的外边界点，将该外边界点的像素值设为标记号
Figure 69741DEST_PATH_IMAGE011
，当搜索回到起始点，则该连通域搜索结束；
边界点判定模块，用于继续遍历掌静脉二值图的像素点，判断像素点是否满足如下条件并进行相应操作：
（1）若该像素点是连通域起始点，则将标记号
Figure 499848DEST_PATH_IMAGE012
的值加1，重复步骤S2；
（2）若该像素点是连通域的外边界点所围成的连通域内部点，则将其像素值设为其对应的连通域外边界点的标记号；
（3）若该像素点是内部孔洞边界点，则对该内部孔洞边界点进行标记，标记号为其八邻域中最大的像素值；
提取模块，用于统计每个标记号的个数，选取同一标记号个数最多的连通域作为最大连通域，提取最大连通域作为掌静脉识别区域，用于掌静脉识别。
CN202211036796.7A 2022-08-29 2022-08-29 一种掌静脉识别中的连通域快速标记与提取方法及系统 Pending CN115100696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036796.7A CN115100696A (zh) 2022-08-29 2022-08-29 一种掌静脉识别中的连通域快速标记与提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036796.7A CN115100696A (zh) 2022-08-29 2022-08-29 一种掌静脉识别中的连通域快速标记与提取方法及系统

Publications (1)

Publication Number Publication Date
CN115100696A true CN115100696A (zh) 2022-09-23

Family

ID=83299879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036796.7A Pending CN115100696A (zh) 2022-08-29 2022-08-29 一种掌静脉识别中的连通域快速标记与提取方法及系统

Country Status (1)

Country Link
CN (1) CN115100696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133027A (zh) * 2023-10-26 2023-11-28 江苏圣点世纪科技有限公司 一种复杂背景下掌静脉识别中手掌边界分割方法

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101588445A (zh) * 2009-06-09 2009-11-25 宁波大学 一种基于深度的视频感兴趣区域提取方法
CN103093457A (zh) * 2012-12-28 2013-05-08 中国科学院深圳先进技术研究院 超声血管边界检测系统与方法
CN103400134A (zh) * 2013-06-28 2013-11-20 哈尔滨工程大学 非接触式手指静脉样本感兴趣区域提取方法
CN103559479A (zh) * 2013-10-24 2014-02-05 合肥工业大学 一种基于偏振度椭圆拟合的中性点识别方法
CN104966099A (zh) * 2015-06-15 2015-10-07 北京航空航天大学 一种基于人脚图像的脚型分类方法
CN105046213A (zh) * 2015-06-30 2015-11-11 成都微力互动科技有限公司 一种增强现实的方法
CN105301268A (zh) * 2015-11-16 2016-02-03 青岛市中心血站 一种全自动血细胞计数仪及其计数控制方法
CN105319381A (zh) * 2015-11-16 2016-02-10 青岛安倍康生物医药技术有限公司 一种全自动血细胞计数仪及其计数控制方法
CN106228118A (zh) * 2016-07-13 2016-12-14 山西圣点世纪科技股份有限公司 一种特征点和二值图像结合的手指静脉识别方法
CN106295528A (zh) * 2016-08-01 2017-01-04 长安大学 一种基于多部件空间位置关系gmm建模的车辆检测方法
CN106326872A (zh) * 2016-08-27 2017-01-11 上海盟云移软网络科技股份有限公司 一种扩增现实系统中手势轮廓的提取方法
CN107680086A (zh) * 2017-09-27 2018-02-09 电子科技大学 一种既有弧形边又有直线边的材料轮廓缺陷检测方法
CN108596165A (zh) * 2018-08-21 2018-09-28 湖南鲲鹏智汇无人机技术有限公司 基于无人机低空航拍图像的道路交通标线检测方法及系统
CN109859114A (zh) * 2018-12-27 2019-06-07 北京大学 基于局域平滑性和非局域相似性的三维点云修复方法
CN109859247A (zh) * 2019-02-19 2019-06-07 南京理工大学 近地面场景红外小目标检测方法
CN109886939A (zh) * 2019-01-30 2019-06-14 西安电子科技大学 基于张量投票的桥梁裂缝检测方法
CN110223312A (zh) * 2019-06-05 2019-09-10 陕西师范大学 一种基于剪切波的sar图像边缘检测方法
CN110276229A (zh) * 2018-03-14 2019-09-24 京东方科技集团股份有限公司 目标物体区域中心定位方法和装置
CN114255202A (zh) * 2020-09-21 2022-03-29 华晨宝马汽车有限公司 用于检测工件上的孔洞的方法、设备、系统及存储介质
CN114283132A (zh) * 2021-12-21 2022-04-05 苏州凌云视界智能设备有限责任公司 一种缺陷检测方法、装置、设备以及存储介质
CN114494052A (zh) * 2022-01-17 2022-05-13 深圳市大族机器人有限公司 书本计数方法、装置、计算机设备和存储介质
CN114612941A (zh) * 2022-05-11 2022-06-10 四川圣点世纪科技有限公司 一种基于掌静脉特征的多模式身份认证方法、装置及系统
CN114764790A (zh) * 2022-03-31 2022-07-19 南通市立新机械制造有限公司 一种基于霍夫圆检测的齿轮断齿检测方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101588445A (zh) * 2009-06-09 2009-11-25 宁波大学 一种基于深度的视频感兴趣区域提取方法
CN103093457A (zh) * 2012-12-28 2013-05-08 中国科学院深圳先进技术研究院 超声血管边界检测系统与方法
CN103400134A (zh) * 2013-06-28 2013-11-20 哈尔滨工程大学 非接触式手指静脉样本感兴趣区域提取方法
CN103559479A (zh) * 2013-10-24 2014-02-05 合肥工业大学 一种基于偏振度椭圆拟合的中性点识别方法
CN104966099A (zh) * 2015-06-15 2015-10-07 北京航空航天大学 一种基于人脚图像的脚型分类方法
CN105046213A (zh) * 2015-06-30 2015-11-11 成都微力互动科技有限公司 一种增强现实的方法
CN105301268A (zh) * 2015-11-16 2016-02-03 青岛市中心血站 一种全自动血细胞计数仪及其计数控制方法
CN105319381A (zh) * 2015-11-16 2016-02-10 青岛安倍康生物医药技术有限公司 一种全自动血细胞计数仪及其计数控制方法
CN106228118A (zh) * 2016-07-13 2016-12-14 山西圣点世纪科技股份有限公司 一种特征点和二值图像结合的手指静脉识别方法
CN106295528A (zh) * 2016-08-01 2017-01-04 长安大学 一种基于多部件空间位置关系gmm建模的车辆检测方法
CN106326872A (zh) * 2016-08-27 2017-01-11 上海盟云移软网络科技股份有限公司 一种扩增现实系统中手势轮廓的提取方法
CN107680086A (zh) * 2017-09-27 2018-02-09 电子科技大学 一种既有弧形边又有直线边的材料轮廓缺陷检测方法
CN110276229A (zh) * 2018-03-14 2019-09-24 京东方科技集团股份有限公司 目标物体区域中心定位方法和装置
CN108596165A (zh) * 2018-08-21 2018-09-28 湖南鲲鹏智汇无人机技术有限公司 基于无人机低空航拍图像的道路交通标线检测方法及系统
CN109859114A (zh) * 2018-12-27 2019-06-07 北京大学 基于局域平滑性和非局域相似性的三维点云修复方法
CN109886939A (zh) * 2019-01-30 2019-06-14 西安电子科技大学 基于张量投票的桥梁裂缝检测方法
CN109859247A (zh) * 2019-02-19 2019-06-07 南京理工大学 近地面场景红外小目标检测方法
CN110223312A (zh) * 2019-06-05 2019-09-10 陕西师范大学 一种基于剪切波的sar图像边缘检测方法
CN114255202A (zh) * 2020-09-21 2022-03-29 华晨宝马汽车有限公司 用于检测工件上的孔洞的方法、设备、系统及存储介质
CN114283132A (zh) * 2021-12-21 2022-04-05 苏州凌云视界智能设备有限责任公司 一种缺陷检测方法、装置、设备以及存储介质
CN114494052A (zh) * 2022-01-17 2022-05-13 深圳市大族机器人有限公司 书本计数方法、装置、计算机设备和存储介质
CN114764790A (zh) * 2022-03-31 2022-07-19 南通市立新机械制造有限公司 一种基于霍夫圆检测的齿轮断齿检测方法
CN114612941A (zh) * 2022-05-11 2022-06-10 四川圣点世纪科技有限公司 一种基于掌静脉特征的多模式身份认证方法、装置及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
M. JIN ET AL: "Safety Helmet Detection Algorithm based on Color and HOG Features", 《IEEE 19TH INTERNATIONAL CONFERENCE ON COGNITIVE INFORMATICS & COGNITIVE COMPUTING》 *
余启明: "基于背景减法和帧差法的运动目标检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
刘明明等: "基于改进连通域标记的手绘草图符号分割", 《浙江水利水电学院学报》 *
肖冰: "大口径光学元件表面疵病自动化检测系统关键问题讨论与研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭鑫: "断层扫描影像自动分割技术的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133027A (zh) * 2023-10-26 2023-11-28 江苏圣点世纪科技有限公司 一种复杂背景下掌静脉识别中手掌边界分割方法
CN117133027B (zh) * 2023-10-26 2024-02-09 江苏圣点世纪科技有限公司 一种复杂背景下掌静脉识别中手掌边界分割方法

Similar Documents

Publication Publication Date Title
CN101561866B (zh) 基于sift特征与灰度差值直方图特征的文字识别方法
CN105320946B (zh) 一种基于matlab的指纹识别方法
CN109389033B (zh) 一种新型的瞳孔快速定位方法
CN102663378B (zh) 连笔手写字符的识别方法
CN113936307B (zh) 一种基于薄膜传感器的静脉图像识别方法及装置
CN107679512A (zh) 一种基于手势关键点的动态手势识别方法
CN103955674B (zh) 掌纹图像采集装置及掌纹图像定位与分割方法
CN111429359B (zh) 小面积指纹图像拼接方法、装置、设备及存储介质
WO2017016448A1 (zh) 一种qr码特征检测方法及系统
CN101122953A (zh) 一种图片文字分割的方法
CN101114335A (zh) 全角度快速指纹识别方法
CN108154151B (zh) 一种快速多方向文本行检测方法
CN111222456B (zh) 一种指静脉超大用户量下的高速检索算法
CN115100696A (zh) 一种掌静脉识别中的连通域快速标记与提取方法及系统
CN108710883B (zh) 一种采用轮廓检测的完整显著性物体检测方法
Chen et al. Effective candidate component extraction for text localization in born-digital images by combining text contours and stroke interior regions
CN111428064B (zh) 小面积指纹图像快速索引方法、装置、设备及存储介质
CN110956200A (zh) 一种轮胎花纹相似度检测方法
Wang et al. Part-based method on handwritten texts
Althobaiti et al. Isolated handwritten arabic character recognition using freeman chain code and tangent line
Huang A novel video text extraction approach based on Log-Gabor filters
CN115240237A (zh) 一种多模融合的指静脉识别方法
CN110619273B (zh) 一种高效的虹膜识别方法以及识别装置
Li et al. Scene text detection with extremal region based cascaded filtering
CN113936305A (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

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