CN115273282B - 一种基于掌静脉识别的车门解锁方法 - Google Patents
一种基于掌静脉识别的车门解锁方法 Download PDFInfo
- Publication number
- CN115273282B CN115273282B CN202210885374.0A CN202210885374A CN115273282B CN 115273282 B CN115273282 B CN 115273282B CN 202210885374 A CN202210885374 A CN 202210885374A CN 115273282 B CN115273282 B CN 115273282B
- Authority
- CN
- China
- Prior art keywords
- palm
- image
- vein
- point
- vehicle door
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 210000003811 finger Anatomy 0.000 claims description 20
- 244000060701 Kaempferia pandurata Species 0.000 claims description 17
- 235000016390 Uvaria chamae Nutrition 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 210000004932 little finger Anatomy 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010040844 Skin exfoliation Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000035618 desquamation Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000037380 skin damage Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V40/14—Vascular patterns
-
- 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
- G06V40/14—Vascular patterns
- G06V40/145—Sensors therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Vascular Medicine (AREA)
- Probability & Statistics with Applications (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于掌静脉识别技术的车门解锁方法,以包含静脉特征较多的手掌作为识别对象进行车门解锁,增加了使用的安全性和识别的准确性。同时采集多张静脉图像,对于每张图像提取不同尺寸下的静脉特征,并对多张静脉图像的特征进行多尺度特征融合获得最终的特征图,大大提高了特征提取的精确度;且在获得特征图的过程中,采用设计的手掌中心定位方法确定手掌中心和区域聚类的方法确定关键点,另外设置雨雾检测步骤,使本发明的车门解锁方法能够适应不同的使用环境,提高匹配的准确性。本发明的车门解锁方法计算量小,识别准确性高,安全性高,同时给用户具有良好的使用体验。
Description
技术领域
本发明属于活体生物识别技术领域,具体涉及一种基于掌静脉识别的车门解锁方法。
背景技术
随着信息技术的迅猛发展,人们对安全性、便利性有着更为迫切的需求,而生物识别技术逐步走进人们的生产生活当中,应用于金融支付、智能安防、信息安全等重要领域。随着智能汽车产业的发展,生物识别技术应用于汽车受到了广泛关注。然而由于汽车使用环境复杂、车规要求严苛,所以在方案设计过程中需全面考虑、通盘设计,不仅考虑精度、速度、体验,更要兼顾功耗、稳定性、兼容性。
常用的生物识别技术包括人脸识别、指纹识别和掌纹识别;其中指纹识别解锁和掌纹识别解锁,是基于人某一部分的表面形状和特征进行识别,会受到皮肤破损、脱皮、手汗等表面状况的影响,使得识别率下降,影响用户使用。而且掌纹和指纹都需要接触车体,有卫生隐患和交叉感染风险。最重要的是体表特征有着易被复制、难证活体的安全漏洞,如翻模攻击、电磁干扰等多种攻击,为汽车的安全性带来了很大的问题。
人脸识别解锁,在各种极端情况下依旧不够理想,比如年龄跨度、姿态变化、光照影响、人脸遮挡和低分辨率等情况对人脸识别的正确性存在很大挑战。此外,人脸易被他人窃取和伪造,照片攻击、三维面具等对人脸识别的安全性提出了很大的挑战。常见的呈现攻击方式包括图片攻击(使用合法用户的纸质打印照片、彩色打印照片、手机里保存的照片等欺骗,属于非活体攻击)、视频攻击(提前录制的视频回放,包含眨眼、转头、张嘴等动作指令欺骗,属于活体攻击)、立体面具攻击(利用事先伪造的面具欺骗,属于非活体攻击)等方法。综上,人脸识别技术用于车门解锁主要面临日间强光照射、夜间光线太暗的技术问题,同时受到假脸攻击、对抗攻击等深度伪造的安全挑战。
申请号为202020426373.6的专利公开了一种在外后视镜上布置的静脉识别系统,其中将指静脉应用于车门解锁中。其通过将手指按压在工作件上的凹槽内进行指静脉的识别。但该专利中使用的指静脉在手指皮下分别较少,静脉特征提取困难,识别难度大;且采用接触式识别,存在一定的安全风险。
发明内容
为解决现有技术中存在的问题,本发明提供一种基于掌静脉识别的车门解锁方法,以有静脉血管大量分布的手掌作为识别媒介,降低了静脉特征提取的难度,提高了静脉识别的准确性,并实现了非接触式采样。同时增加了雨雾检测,使得本发明的方法能够适应各类复杂的使用环境。
一种基于掌静脉识别的车门解锁方法,包括以下步骤:
(1)将已经注册过特征图的手掌靠近采集区域,由红外摄像板进行静脉图像采集;
(2)采用掌静脉识别模块对采集到的静脉图像进行处理,得到特征图;
(3)将得到的特征图与掌静脉识别模块中的注册过的特征图进行匹配:
若匹配成功,掌静脉识别模块控制车门打开;
若匹配不成功,检测采集区域的外表面是否存在雨雾:
若是,则启动加热模块对采集区域外表面进行除雾,并重新采集静脉图像,直至由重新采集的静脉图像得到的特征图与注册过的特征图匹配成功;
若否,则提示用户重新采集静脉图像,再次进行匹配,直至匹配成功。
上述步骤中,通过近红外光源(波长一般为700~1000m)照射手掌,由于血液流动,根据血色素吸光的特性,即可获得手掌内的血管分布影像,通过红外摄像板获取手掌的静脉图像。
采集区域可以设置于汽车车门B柱上,红外摄像板和加热模块均安装于采集区域的内侧;掌静脉识别模块设于B柱内;B柱外饰板可以是透红外光的高强PC材质。这种设计不仅隐藏了掌静脉识别模块,而且在不影响识别率的情况下,提升了汽车的美观性。
特征图注册时,按照步骤(1)采集待注册手掌的静脉图像,后按照步骤(2)对采集的待注册手掌的静脉图像进行处理,得到其特征图;将得到的待注册手掌的特征图保存于掌静脉识别模块中作为识别模板。掌静脉识别模块根据识别结果(匹配是否成功)控制车门是否打开,若匹配成功,则直接打开车门;可选择地,在打开车门的同时唤醒中控。
为了提高掌静脉识别算法的复杂环境适应性,作为优选,步骤(1)中,采用自动曝光算法,根据环境光照情况自动调整红外摄像板的功率和曝光时间。采用这种方法,既提高了掌静脉识别设备的环境适应性,又能实现了设备的低功耗。
作为优选,步骤(2)中,对采集到的静脉图像进行处理,得到特征图的具体步骤包括:
2.1对静脉图像进行处理,得到包括手掌边缘坐标点的切割原始图像;
2.2根据切割原始图像中的手掌边缘坐标点确定手掌中心,并进行关键点提取;
2.3根据提取到的关键点和确定的手掌中心提取手掌感兴趣区域,得到ROI图像;
2.4根据得到的ROI图像对掌静脉进行特征提取,得到特征图。
作为进一步优选,步骤2.2中,分别以小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点作为关键点,根据切割原始图像中的手掌边缘坐标点确定手掌中心,并提取关键点的具体操作如下:
2.2.1采用外切矩形包围由手掌边缘坐标点构成的多边形轮廓,以矩形的中心为中心,矩形的最小边为边长作初始正方形对切割原始图像进行切割;
2.2.2将切割后的图像分成四个方形单元,并在四个方形单元中确定出最佳单元;
2.2.3将上述确定的最佳单元按照步骤2.2.2循环进行处理,直至得到的最佳单元达到设定精度,该达到设定精度的最佳单元即为手掌中心;
2.2.4将与手掌中心距离小于设定阈值的手掌边缘坐标点作为候选点,并通过区域聚类将候选点划分为四个区域;
2.2.5计算上述四个区域中两两区域的中心之间的距离,将两两中心距离大小相近的三个区域作为关键点区域;
每个关键点区域中距离手掌中心坐标最近的点即为一个关键点,进而得到三个关键点,分别为小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点。
上述步骤2.2.1中,初始正方形的相邻两边分别平行于外切矩形的相邻两边。
步骤2.2.2中,沿初始正方形的中心分别作垂直两相邻边的线,将切割后的图像均分为四个方形单元。确定出最佳单元后,再将该最佳单元按照步骤2.2.2的方式分成四个方形单元,并确定出进一步的最佳单元;得到的进一步的最佳单元重复前述过程,直至得到的最佳单元达到设定精度,即得到手掌中心。
在采集过程中,由于手掌相对于红外摄像版的位置每次都不一样,采集的静脉图像中静脉的相对位置也不同,为了提取到稳定的感兴趣区域,以手掌中两个手指相交的点(相邻两手指的指根相交点)作为关键点。相对其他需要定位手指指尖、或者大鱼际线等方法,本方法只需要定位三个关键点(即小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点),对手掌识别姿势要求低,适用于各种手掌姿态。
步骤2.2.4中设定阈值大小可以根据实际情况进行调整,如可以以初始正方形对角线的一半作为设定阈值进行候选点的选取。
作为更进一步优选,对手掌边缘坐标点进行均匀取样,以取样得到的边缘坐标点构成的多边形轮廓代替步骤2.2.1中的手掌边缘坐标点构成的多边形轮廓进行处理。
由于获得的手掌边缘坐标点数量较多,如果全部计算则计算量相对较大,因此采用对手掌边缘坐标点进行均匀取样的方式,以取样得到的部分边缘坐标点代替全部的边缘坐标点进行计算,能够有效减少计算量,同时保证计算精度。取样点的数量可以根据需要进行选择,如可以是总坐标点书的1/3或1/4等。
作为更进一步优选,步骤2.2.2中,确定出最佳单元的具体方法如下:
a.令方形单元的对角线的一半长度为R,计算每个方形单元中心与多边形轮廓之间的最大距离d;
b.对于任意方形单元,若其内任一点与多边形轮廓的距离都不大于其对应的d+R,则保留该方形单元;
c.寻找所保留的每个方形单元中与多边形轮廓距离最小的点,并计算每个方形单元中的距离最小的点与多边形轮廓之间的最小距离D;
d.多个所保留单元中,寻找使D+R最大的距离D作为最佳距离,最佳距离对应的距离最小的点所在方形单元即为最佳单元。
其中,将切割后的图像分成的四个方形单元分别记为1、2、3、4,则步骤a中得到的每个方形单元中心与多边形轮廓之间的最大距离分别记为d1、d2、d3、d4;步骤b中,对于任意方形单元i,其对应的d+R即为d1+R,其中i分别为1、2、3、4。
上述步骤中,如果一方形单元的中心在多边形轮廓内,则该中心与多边形轮廓之间的距离为正;若果该中心在多边形轮廓外,则其与多边形轮廓之间的距离为负。
作为进一步优选,步骤(1)中,一次采集多张静脉图像;
采用步骤2.1~2.3分别对每张静脉图像进行处理,得到每张静脉图像的ROI图像;
步骤2.4中,对于每张静脉图像,在ROI区域内,将ROI图像在不同尺寸下进行并行的特征提取,得到每张静脉图像的特征;后对多张静脉图像的特征进行多尺度特征融合,提取高精度下的静脉分布图像特征,得到特征图。
本技术方案采用不同尺寸进行并行特征提取,并对每张静脉图像的特征进行多尺度特征融合,能够有效提高所得特征图中静脉分布特征的精度,提高匹配的准确度。
作为进一步优选,步骤2.1中,对静脉图像进行如下处理:
对静脉图像进行二值化处理,获得粗略的手掌轮廓,随后与手掌部分进行差分并得到差值图像;然后用形态学的方法滤除差值图像噪声并填充空洞,得到二值图像;对二值图像边缘进行平滑处理,将手掌与背景分离,得到包括手掌边缘坐标点的切割原始图像。
其中,利用掌静脉数据库中的手掌位置、大小、形状等先验知识和最大化边缘能量函数选择最优阈值,进而获得粗略的手掌轮廓。采用中值滤波器对二值图像的边缘进行平滑处理。
作为进一步优选,步骤2.3中,得到ROI图像后,对其进行去噪和增强处理,再进行下一步。
在提取ROI区域后,我们往往还需要对图像进行去噪处理和增强处理。虽然掌静脉和手掌背景有着明显的色彩区别,但是由于采集设备的性能和光照不均匀等限制,采集到的掌静脉图像存在着一定量的噪声。噪声的存在会对后续的识别造成一定的影响,因而采用均值滤波、中值滤波、高斯滤波等图像去噪方法对ROI图像进行增强处理。
作为进一步优选,步骤2.3中,根据关键点和确定的手掌中心,计算三个关键点中两两关键点之间的距离,筛选出距离最远的两个关键点,过手掌中心分别垂直和平行该距离最远的两个关键点连线建立坐标系,计算手掌旋转角度,将切割原始图像旋转至水平;并以距离最远的两个关键点的连线作为一边,以手掌中心为中心作方形区域,该方形区域即为手掌的感兴趣区域。
作为优选,步骤(3)中,采用由二分类算法经训练得到的二分类雨雾检测模型对采集区域外表面进行雨雾检测。
水雾识别是使用红外光学折射原理和模式对比方法,先训练好的二分类雨雾检测模型,在掌静脉识别阶段直接通过二分类雨雾检测模型进行判别。在训练阶段,输入有标签的图像,标签为有雨雾和无雨雾,对标签图像进行有监督的训练,最终可得训练好的二分类雨雾检测模型。
本发明的雨雾检测模型无需进行高精度的雨雾检测,常见的二分类算法即可满足要求。作为进一步优选,所述二分类算法为k-近邻算法、KNN模型、朴素贝叶斯、逻辑回归、支持向量中的一种。
手掌皮肤下分布着大量的静脉血管,这些血管的分布模式包含了非常丰富的特异性信息,可以将其作为个人身份认证的凭据信息。静脉作为体内特征,难以获取和伪造,同时,对皮肤表面状态不敏感,不受脱皮、汗渍等常见皮肤状况影响,具有良好的环境适应性,可满足不同层级的场景应用,识别更精准,应用更安全。掌静脉识别技术,是不同于人脸识别、指纹识别这类体表特征识别技术,是一种利用体内特征进行识别的高安全性生物识别技术。基于高精度掌静脉识别算法,可以实现完全非接触式、非限位的识别,对比指静脉识别,特征信息量更大,识别精准性更高,环境适应性更强,具有更好的用户体验和更广泛的使用人群。
本发明的基于掌静脉识别技术的车门解锁方法,以包含静脉特征较多的手掌作为识别对象进行车门解锁,增加了使用的安全性和识别的准确性。同时采集多张静脉图像,对于每张图像提取不同尺寸下的静脉特征,并对多张静脉图像的特征进行多尺度特征融合获得最终的特征图,大大提高了特征提取的精确度;且在获得特征图的过程中,采用设计的手掌中心定位方法确定手掌中心和区域聚类的方法确定关键点,另外设置雨雾检测步骤,使本发明的车门解锁方法能够适应不同的使用环境,提高匹配的准确性。本发明的车门解锁方法计算量小,识别准确性高,安全性高,同时给用户具有良好的使用体验。
与现有技术相比,本发明的有益效果为:
本发明的基于掌静脉识别技术的车门解锁方法,以包含静脉特征较多的手掌作为识别对象进行车门解锁,增加了使用的安全性和识别的准确性。该车门解锁方法识别准确度高、计算量小,在实现非接触式识别解锁的同时还具有很高的便捷性和安全性。添加的雨雾检测使该车门解锁方法能够适应不同的使用环境,提高匹配的准确性和客户使用体验。
附图说明
图1为本发明实施例的流程图。
具体实施方式
一种基于掌静脉识别的车门解锁方法,如图1所示,包括以下步骤:
步骤1、将已经注册过特征图的手掌靠近采集区域(位于汽车B柱上),由红外摄像板(设于采集区域的内侧)进行静脉图像采集。
通过近红外光源(波长一般为700~1000m)照射手掌,由于血液流动,根据血色素吸光的特性,即可获得手掌内的血管分布影像,通过红外摄像板获取手掌的静脉图像。
拍摄时,采用自动曝光算法,根据环境光照情况自动调整红外摄像板的功率和曝光时间,并同时采集多张手掌静脉图像。
特征图注册时,按照步骤(1)采集待注册手掌的静脉图像,后按照步骤(2)对采集的待注册手掌的静脉图像进行处理,得到其特征图;将得到的待注册手掌的特征图保存于掌静脉识别模块中作为识别模板。步骤2、采用掌静脉识别模块(设于B柱内)对采集到的多张静脉图像进行处理,得到特征图,具体步骤如下:
2.1、对静脉图像进行二值化处理,后利用掌静脉数据库中的手掌位置、大小、形状等先验知识和最大化边缘能量函数选择最优阈值,进而获得粗略的手掌轮廓,随后与手掌部分进行差分并得到差值图像;然后用形态学的方法滤除差值图像噪声并填充空洞,得到二值图像;采用中值滤波器对二值图像边缘进行平滑处理,将手掌与背景分离,得到包括手掌边缘坐标点的切割原始图像。
2.2、分别以小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点作为关键点,根据切割原始图像中的手掌边缘坐标点提取关键点,具体操作如下:
2.2.1、对手掌边缘坐标点进行均匀取样,采用外切矩形包围取样得到的边缘坐标点构成的多边形轮廓,以矩形的中心为中心,矩形的最小边为边长作初始正方形对切割原始图像进行切割;
2.2.2、沿初始正方形的中心分别作垂直两相邻边的线,将切割后的图像均分为四个方形单元(分别记为1、2、3、4),并按照以下步骤在四个方形单元中确定出最佳单元:
a.令方形单元的对角线的一半长度为R,计算每个方形单元中心与多边形轮廓之间的最大距离d,分别记为d1、d2、d3、d4;
b.对于任一方形单元i,若其内任一点与多边形轮廓中的所有坐标之间的距离都不大于d1+R,则保留该方形单元;其中i为1、2、3、4;
c.寻找所保留的每个方形单元中与多边形轮廓中坐标点之间距离最小的点,并计算每个方形单元中该距离最小的点与多边形轮廓之间的最小距离D;
d.多个所保留单元中,寻找D+R最大的距离D作为最佳距离,最佳距离对应的距离最小的点所在方形单元即为最佳单元。
2.2.3、将上述确定的最佳单元按照步骤2.2.2循环进行处理,直至得到的最佳单元达到设定精度,该达到设定精度的最佳单元即为手掌中心;
上述步骤2.2.2中确定出最佳单元后,再将该最佳单元按照步骤2.2.2的方式分成四个方形单元,并确定出进一步的最佳单元;得到的进一步的最佳单元重复前述过程,直至得到的最佳单元达到设定精度,即得到手掌中心。
2.2.4、将与手掌中心距离小于设定阈值的手掌边缘坐标点作为候选点,并通过区域聚类将候选点划分为四个区域;
2.2.5、计算上述四个区域中两两区域中心之间的距离,将两两中心距离大小相近的三个区域作为关键点区域;
每个关键点区域中距离手掌中心坐标最近的点即为一个关键点,进而确定三个关键点,分别为小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点。
2.3、根据提取到的关键点和确定的手掌中心,计算三个关键点中两两关键点之间的距离,筛选出距离最远的两个关键点,过手掌中心分别垂直和平行该距离最远的两个关键点连线建立坐标系,计算切割原始图像的旋转角度,旋转切割原始图像至水平;并以距离最远的两个关键点的连线作为一边,以手掌中心为中心作方形区域,该方形区域即为手掌的感兴趣区域,进而得到ROI图像;
2.4根据得到的ROI图像对掌静脉进行特征提取,得到特征图:
将采集的每张静脉图像经步骤2.1~2.3处理后,得到每张静脉图像的ROI图像。对于每张静脉图像,在ROI区域内,将ROI图像在不同尺寸下进行并行的特征提取,得到每张静脉图像的特征;后对多张静脉图像的特征进行多尺度特征融合,提取高精度下的静脉分布图像特征,得到特征图。
步骤3、将得到的特征图与掌静脉识别模块中的注册过的特征图进行匹配:
若匹配成功,掌静脉识别模块控制车门打开;
若匹配不成功,采用训练好的二分类雨雾检测模型检测采集区域的外表面是否存在雨雾:
若是,则启动加热模块(设于采集区域内侧)对采集区域外表面进行除雾,并重新采集静脉图像,直至由重新采集的静脉图像得到的特征图与注册过的特征图匹配成功;
若否,则提示用户重新采集静脉图像,再次进行匹配,直至匹配成功。
二分类雨雾检测模型由二分类算法经训练得到;在训练阶段,输入有标签的图像,标签为有雨雾和无雨雾,对标签图像进行有监督的训练,最终可得训练好的二分类雨雾检测模型。其中,二分类算法采用常见的即可,如k-近邻算法、KNN模型、朴素贝叶斯、逻辑回归、支持向量等。
掌静脉识别模块根据识别结果(匹配是否成功)控制车门是否打开,若匹配成功,则直接打开车门;可选择地,在打开车门的同时唤醒中控。
Claims (7)
1.一种基于掌静脉识别的车门解锁方法,其特征在于,包括以下步骤:
(1)将已经注册过特征图的手掌靠近采集区域,由红外摄像板进行静脉图像采集;
(2)采用掌静脉识别模块对采集到的静脉图像进行处理,得到特征图;
(3)将得到的特征图与掌静脉识别模块中的注册过的特征图进行匹配:
若匹配成功,掌静脉识别模块控制车门打开;
若匹配不成功,检测采集区域的外表面是否存在雨雾:
若是,则启动加热模块对采集区域外表面进行除雾,并重新采集静脉图像,直至由重新采集的静脉图像得到的特征图与注册过的特征图匹配成功;
若否,则提示用户重新采集静脉图像,再次进行匹配,直至匹配成功;
步骤(2)中,对采集到的静脉图像进行处理,得到特征图的具体步骤包括:
2.1对静脉图像进行处理,得到包括手掌边缘坐标点的切割原始图像;
2.2根据切割原始图像中的手掌边缘坐标点确定手掌中心,并进行关键点提取;
2.3根据提取到的关键点和确定的手掌中心提取手掌感兴趣区域,得到ROI图像;
2.4根据得到的ROI图像对掌静脉进行特征提取,得到特征图;
步骤2.2中,分别以小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点作为关键点,根据切割原始图像中的手掌边缘坐标点确定手掌中心,并提取关键点的具体操作如下:
2.2.1采用外切矩形包围由手掌边缘坐标点构成的多边形轮廓,以矩形的中心为中心,矩形的最小边为边长作初始正方形对切割原始图像进行切割;
2.2.2将切割后的图像分成四个方形单元,并在四个方形单元中确定出最佳单元;
2.2.3将上述确定的最佳单元按照步骤2.2.2循环进行处理,直至得到的最佳单元达到设定精度,该达到设定精度的最佳单元即为手掌中心;
2.2.4将与手掌中心距离小于设定阈值的手掌边缘坐标点作为候选点,并通过区域聚类将候选点划分为四个区域;
2.2.5计算上述四个区域中两两区域的中心之间的距离,将两两中心距离大小相近的三个区域作为关键点区域;
每个关键点区域中距离手掌中心坐标最近的点即为一个关键点,进而得到三个关键点,分别为小拇指与无名指指根相交点、无名指与中指指根相交点、中指与食指指根相交点;
步骤2.2.2中,确定出最佳单元的具体方法如下:
a.令方形单元的对角线的一半长度为R,计算每个方形单元中心与多边形轮廓之间的最大距离d;
b.对于任意方向单元,若其内任一点与多边形轮廓的距离都不大于其对应的d+R,则保留该方形单元;
c.寻找所保留的每个方形单元中与多边形轮廓距离最小的点,并计算每个方形单元中的距离最小的点与多边形轮廓之间的最小距离D;
d.多个所保留单元中,寻找使D+R最大的距离D作为最佳距离,最佳距离对应的距离最小的点所在方形单元即为最佳单元。
2.根据权利要求1所述的基于掌静脉识别的车门解锁方法,其特征在于,对手掌边缘坐标点进行均匀取样,以取样得到的边缘坐标点构成的多边形轮廓代替步骤2.2.1中的手掌边缘坐标点构成的多边形轮廓进行处理。
3.根据权利要求1所述的基于掌静脉识别的车门解锁方法,其特征在于,步骤(1)中,一次采集多张静脉图像;
采用步骤2.1~2.3分别对每张静脉图像进行处理,得到每张静脉图像的ROI图像;
步骤2.4中,对于每张静脉图像,在ROI区域内,将ROI图像在不同尺寸下进行并行的特征提取,得到每张静脉图像的特征;后对多张静脉图像的特征进行多尺度特征融合,提取高精度下的静脉分布图像特征,得到特征图。
4.根据权利要求1所述的基于掌静脉识别的车门解锁方法,其特征在于,步骤2.1中,对静脉图像进行如下处理:
对静脉图像进行二值化处理,获得粗略的手掌轮廓,随后与手掌部分进行差分并得到差值图像;然后用形态学的方法滤除差值图像噪声并填充空洞,得到二值图像;对二值图像边缘进行平滑处理,将手掌与背景分离,得到包括手掌边缘坐标点的切割原始图像。
5.根据权利要求1所述的基于掌静脉识别的车门解锁方法,其特征在于,步骤2.3中,得到ROI图像后,对其进行去噪和增强处理,再进行下一步。
6.根据权利要求1所述的基于掌静脉识别的车门解锁方法,其特征在于,步骤(3)中,采用由二分类算法经训练得到的二分类雨雾检测模型对采集区域外表面进行雨雾检测。
7.根据权利要求6所述的基于掌静脉识别的车门解锁方法,其特征在于,所述二分类算法为k-近邻算法、KNN模型、朴素贝叶斯、逻辑回归、支持向量中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885374.0A CN115273282B (zh) | 2022-07-26 | 2022-07-26 | 一种基于掌静脉识别的车门解锁方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885374.0A CN115273282B (zh) | 2022-07-26 | 2022-07-26 | 一种基于掌静脉识别的车门解锁方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115273282A CN115273282A (zh) | 2022-11-01 |
CN115273282B true CN115273282B (zh) | 2024-05-17 |
Family
ID=83768274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210885374.0A Active CN115273282B (zh) | 2022-07-26 | 2022-07-26 | 一种基于掌静脉识别的车门解锁方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115273282B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116620219B (zh) * | 2023-07-21 | 2023-10-20 | 宁波芯然科技有限公司 | 一种低功耗车载掌静脉解锁方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 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 |
CN108108686A (zh) * | 2017-12-18 | 2018-06-01 | 信利光电股份有限公司 | 一种屏幕解锁方法、装置、设备及计算机可读存储介质 |
CN110287775A (zh) * | 2019-05-15 | 2019-09-27 | 平安科技(深圳)有限公司 | 手掌图像裁剪方法、装置、计算机设备及存储介质 |
WO2020215565A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 手部图像的分割方法、装置及计算机设备 |
WO2021128433A1 (zh) * | 2019-12-28 | 2021-07-01 | 广东智冠信息技术股份有限公司 | 一种扫描掌静脉进行立体三维建模、识别的方法 |
CN113505631A (zh) * | 2021-04-25 | 2021-10-15 | 桂林电子科技大学 | 一种手掌静脉识别汽车身份识别及其控制方法 |
CN113642489A (zh) * | 2021-08-19 | 2021-11-12 | 青岛奥美克生物信息科技有限公司 | 非接触生物识别方法及系统 |
CN114155296A (zh) * | 2021-11-19 | 2022-03-08 | 宁波芯然科技有限公司 | 一种确定手掌图像中心区域的方法 |
CN114511885A (zh) * | 2022-02-10 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 手掌感兴趣区域提取系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194662A1 (en) * | 2011-01-28 | 2012-08-02 | The Hong Kong Polytechnic University | Method and system for multispectral palmprint verification |
US20160132124A1 (en) * | 2013-08-02 | 2016-05-12 | Mitsubishi Electric Corporation | Gesture determination apparatus and method, gesture operation apparatus, program, and recording medium |
-
2022
- 2022-07-26 CN CN202210885374.0A patent/CN115273282B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426821A (zh) * | 2015-11-04 | 2016-03-23 | 浙江工业大学 | 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 |
CN108108686A (zh) * | 2017-12-18 | 2018-06-01 | 信利光电股份有限公司 | 一种屏幕解锁方法、装置、设备及计算机可读存储介质 |
WO2020215565A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 手部图像的分割方法、装置及计算机设备 |
CN110287775A (zh) * | 2019-05-15 | 2019-09-27 | 平安科技(深圳)有限公司 | 手掌图像裁剪方法、装置、计算机设备及存储介质 |
WO2020228181A1 (zh) * | 2019-05-15 | 2020-11-19 | 平安科技(深圳)有限公司 | 手掌图像裁剪方法、装置、计算机设备及存储介质 |
WO2021128433A1 (zh) * | 2019-12-28 | 2021-07-01 | 广东智冠信息技术股份有限公司 | 一种扫描掌静脉进行立体三维建模、识别的方法 |
CN113505631A (zh) * | 2021-04-25 | 2021-10-15 | 桂林电子科技大学 | 一种手掌静脉识别汽车身份识别及其控制方法 |
CN113642489A (zh) * | 2021-08-19 | 2021-11-12 | 青岛奥美克生物信息科技有限公司 | 非接触生物识别方法及系统 |
CN114155296A (zh) * | 2021-11-19 | 2022-03-08 | 宁波芯然科技有限公司 | 一种确定手掌图像中心区域的方法 |
CN114511885A (zh) * | 2022-02-10 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 手掌感兴趣区域提取系统和方法 |
Non-Patent Citations (4)
Title |
---|
基于改进AlexNet卷积神经网络的手掌静脉识别算法研究;林坤;雷印杰;;现代电子技术(07);第53-54页 * |
手掌静脉识别算法;张环;胡德文;;计算机应用(S2);第97-99页 * |
掌静脉识别概述;王晶晶;;电脑知识与技术;20200305(07);第207-208页 * |
林森 ; 苑玮琦 ; .掌纹感兴趣区域定位与选择方法综述.计算机工程与应用.(14),第21-23页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115273282A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542281B (zh) | 非接触式生物特征识别方法和系统 | |
Mulyono et al. | A study of finger vein biometric for personal identification | |
CN100514352C (zh) | 手指静脉认证系统的静脉特征提取方法 | |
CN104951774B (zh) | 基于两种子空间相融合的掌静脉特征提取和匹配方法 | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
CN104951940B (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN105426821A (zh) | 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 | |
CN109766836B (zh) | 一种指静脉识别解锁方法及系统 | |
CN103793692A (zh) | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与系统 | |
CN109460746B (zh) | 掌纹roi的分隔方法 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
CN105760841A (zh) | 一种身份识别方法及系统 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN109583279A (zh) | 一种指纹和指静脉联合识别算法 | |
Kang et al. | The biometric recognition on contactless multi-spectrum finger images | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
Malathi et al. | An efficient method for partial fingerprint recognition based on local binary pattern | |
CN115273282B (zh) | 一种基于掌静脉识别的车门解锁方法 | |
Zhang et al. | Advanced biometrics | |
Hsia et al. | New hierarchical finger-vein feature extraction method for iVehicles | |
CN109308436B (zh) | 一种基于主动红外视频的活体人脸识别方法 | |
Chen et al. | Band selection for improvement of dorsal hand recognition | |
Tazim et al. | Biometric authentication using CNN features of dorsal vein pattern extracted from NIR image | |
Estacio et al. | A rotation invariant algorithm for bimodal hand vein recognition system | |
Benziane et al. | Dorsal hand vein identification based on binary particle swarm optimization |
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 |