CN115376167B - 一种复杂背景下的手掌检测方法及系统 - Google Patents
一种复杂背景下的手掌检测方法及系统 Download PDFInfo
- Publication number
- CN115376167B CN115376167B CN202211314490.3A CN202211314490A CN115376167B CN 115376167 B CN115376167 B CN 115376167B CN 202211314490 A CN202211314490 A CN 202211314490A CN 115376167 B CN115376167 B CN 115376167B
- Authority
- CN
- China
- Prior art keywords
- skeleton
- area
- point
- palm
- lines
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种复杂背景下的手掌检测方法及系统,属于信息安全技术领域,其包括以下步骤:对含有复杂背景的原始手掌图像进行二值化分割;于二值图计算手掌宽度;遍历二值图得到类似手指区域的骨架线;构建数组得到每根类似手指区域的骨架线的起始点、终点、长度、标记区域及数量;基于起始点、终点、长度及标记区域区剔除非手指区域骨架线;基于手指区域骨架线,去除二值图中的复杂背景。本发明摒弃了传统的基于连通区域面积进行剔除背景区域的方式,最终得到的手掌区域更加准确,不容易受区域较大的复杂背景影响,构建数组获得每根类似手指区域的骨架线的起始点、终点、长度、标记区域及数量计算速度较快,提高运行效率。
Description
技术领域
本发明属于信息安全技术领域,尤其涉及一种复杂背景下的手掌检测方法及系统。
背景技术
非接触掌静脉识别技术是一种新兴的生物特征识别技术,掌静脉识别因其获取的是人体内部信息,具备了安全和难伪造的优点。接触性掌静脉由于其接触面积较大容易引起用户在卫生方面的排斥心理,不利于掌静脉识别技术的发展,而非接触掌静脉识别技术由于没有固定装置的限制,不需要用户与设备直接接触,可以消除卫生方面的隐患,给用户带来一种新型的生物特征识别体验,具有广阔的应用发展前景。非接触采集过程中,用户手掌放置的自由度较大,采集的掌静脉图像背景复杂多样,因此采集到的掌静脉图像很有可能包含复杂背景。
现有的非接触掌静脉识别技术一般是直接定位特征点,若是复杂背景下,特征点难以定位,比如,申请公布号为 CN114511885A 的中国发明专利申请公开了手掌感兴趣区域提取系统和方法 ,包括:获取所述目标手掌的所述特征图像;基于所述特征图像,确定所述目标手掌的第一轮廓、手掌中心以及第一目标点和第二目标点,所述第一目标点包括食指和中指的交叉点,所述第二目标点包括无名指和小指的交叉点;以所述手掌中心为中心点,所述第一目标点与所述第二目标点的目标连线的长度为边长,建立目标正方形,其中,所述目标正方形中至少有一个边与所述目标连线平行;以及以所述手掌中心为基点,基于预设的比例参数依次调整所述目标正方形的尺寸,直至与所述第一轮廓相交,将所述特征图像中与所述第一轮廓相交的正方形区域对应的图像作为所述目标手掌的感兴趣区域。因此,复杂背景下如何截取出手掌区域是亟需解决的问题。
发明内容
本发明的目的在于提供一种复杂背景下的手掌检测方法及系统,以解决现有非接触掌静脉识别技术在背景区域较大时,容易导致感兴趣区域选择错误的问题。
为解决上述技术问题,本发明采用的技术方案是:
本发明涉及的一种复杂背景下的手掌检测方法,其包括以下步骤:
S1.对含有复杂背景的原始手掌图像进行二值化分割,得到二值图;
S2.基于二值图计算手掌宽度;
S3.遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;
S4.构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量;
S5基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线;
S6.基于手指区域骨架线,去除二值图中的复杂背景。
优选地,所述的步骤S2中基于二值图计算手掌宽度的具体方式为:求取二值图中所有的白色像素点的总数,用白色像素点的总数除以存在白色像素点的总行数,作为手掌宽度。
优选地,所述的步骤S3中寻找类似手指区域的判定依据为:当左边界点和右边界点的间距小于手掌宽度的1/4时,判定该白色区域为类似手指区域。
优选地,所述的步骤S3中遍历二值图采用的是从上到下、从左到右的顺序进行遍历,当检测到某一行中所有的白色区域的宽度均大于手掌宽度的4/5,结束遍历。
优选地,所述的步骤S4中构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域的具体步骤包括:
S4.1.创建4*n的数组A,数组的每位的初始值均为0,其中,第一行代表骨架线的长度,第二行代表骨架线起始点的行坐标,第三行代表骨架线起始点的列坐标,第四行代表骨架线终点的行坐标;
S4.2.遍历找到步骤3检测到的骨架线上的某个骨架点(i,j),判断该骨架点是否为骨架线的起始点,若是,将该骨架点的行坐标i赋值给A(2,j),将该骨架点的列坐标j赋值给A(3,j),若不是起始点,则将A(2,j)、A(2,j-1)和A(2,j+1)相加求和结果赋值给A(2,j),将A(3,j)、A(3,j-1)和A(3,j+1)相加求和结果赋值给A(3,j);
S4.3.将A(1,j)、A(1,j-1)和A(1,j+1)相加再加1并赋值给A(1,j),得到骨架线的长度,将骨架点的行坐标i赋值给A(4,j),得到骨架线的终点,同时,将数组A第j-1列和j+1列数值置0;
S4.4.将骨架点对应的二值图上所在行的白色区域数值置为对应骨架线起始点的列坐标A(3,j),获得标记区域;
S4.5.重复步骤S4.2-S4.4直至检测完成所有的骨架线,获得每条骨架线的起始点、终点、长度和标记区域;
所述的步骤S4.2和S4.3中,i为某骨架点的行坐标,j为骨架点的列坐标,1、2、3、4分别为数组A的行数标引。
优选地,所述的步骤S4.2判断骨架点是否为骨架线的起始点的判断方法为:判断数组A(1,j)、数组A(1,j-1)、数组A(1,j+1)是否均为0,若是,则该骨架点为骨架线的起始点,反之该骨架点不是骨架线的起始点。
优选地,所述的步骤S5基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线的具体步骤包括:
S5.1.找出长度最大的骨架线,该骨架线的长度为Lmax,将长度小于1/10Lmax的骨架线当做非手指骨架线进行排除,同时排除该骨架线相对应的标记区域;
S5.2.确认剩余骨架线的数量,并依据剩余骨架线的数量进行相应操作:
(a)若剩余骨架线数量大于5,将每相邻的五个骨架线为一组,计算五个骨架线的终点间的距离之和,距离之和最小的五个骨架线保留,其余的排除,同时排除该骨架线相对应的标记区域;
(b)若剩余骨架线数量大于等于3且小于等于5,则直接进入步骤S5.3;
(c)若剩余骨架线数量小于3,停止检测,重新采集手掌图像,返回步骤S1;
S5.3.计算两两相邻的两个骨架线的起始点与起始点、终点与终点的相对距离,若起始点与起始点的相对距离小于终点与终点的相对距离,或者依据区域标记比较两个相邻区域的平均宽度差,所述平均宽度差大于宽度阈值,则剔除相应的骨架线,同时排除该骨架线相对应的标记区域;若计算所得的值均不超过相应的阈值,则表明骨架线为手指的骨架线;
优选地,所述的步骤S6中去除二值图中的复杂背景的具体步骤为:
S6.1.以步骤S5中保留的标记区域作为掩膜,去除二值图中手指四周的干扰背景;
S6.2.计算骨架线起始点和终点的列坐标最大值maxCol和最小值minCol,将二值图中对应的每行白色区域左边界点的列坐标小于minCol-15或右边界点的列坐标大于maxCol+15的区域的像素点的像素值置为0;
S6.3.选取保留的骨架线的最大长度作为检测手掌宽度,以所有骨架线终点的最小行坐标为起始行,在二值图上向下保留检测手掌宽度的1.5倍以内的区域,排除其它区域;
S6.4.若上述步骤保留的区域的宽度大于检测手掌宽度的0.8倍且小于检测手掌宽度的1.5倍,则保留该区域,反之去除该区域。
本发明还涉及一种复杂背景下的手掌检测系统,其包括:
二值化模块,用于对含有复杂背景的原始手掌图像进行二值化分割,得到二值图;
手掌宽度计算模块,用于基于二值图计算手掌宽度;
类似手指骨架线获取模块,用于遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;
类似手指区域骨架线特征提取模块,用于构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量;
类似手指区域骨架线判定模块,用于基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线;
复杂背景去除模块,用于基于手指区域骨架线,去除二值图中的复杂背景。
与现有技术相比,采用本发明涉及的技术方案存在以下有益效果:
1.本发明涉及的复杂背景下的手掌检测方法通过计算类似手指区域的左、右边界点坐标的平均值,得到类似手指区域的骨架线,并区分手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线,最后基于手指区域骨架线,去除二值图中的复杂背景,本发明摒弃了传统的基于连通区域面积进行剔除背景区域的方式,最终得到的手掌区域更加准确,不容易受区域较大的复杂背景影响。
2.本发明涉及的复杂背景下的手掌检测方法通过构建数组的方式检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量,将手指骨架线信息转换到数组信息,计算速度较快,提高运行效率。
附图说明
图1是本发明涉及的复杂背景下的手掌检测方法的流程图;
图2是原始手掌图像进行二值化分割后得到的二值图;
图3是类似手指区域的骨架线的二值图;
图4是最终获得的剔除背景的手掌二值图;
图5是复杂背景下的手掌检测系统的结构框图。
具体实施方式
下面对本发明进行详细说明,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参照附图1所示,本发明涉及的复杂背景下的手掌检测方法包括以下步骤:
S1.对含有复杂背景的原始手掌图像进行二值化分割,得到如图2所示的二值图,其中,原始手掌图像可以是在近红外光照下采集的用户的原始掌静脉图像,也可以在普通光照下采集的用户的原始掌纹图像;
S2.基于二值图计算手掌宽度,具体方式为:求取二值图中所有的白色像素点的总数,用白色像素点的总数除以存在白色像素点的总行数,作为手掌宽度W。
S3.采用的是从上到下、从左到右的顺序遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,类似手指区域的判定依据为:当左边界点和右边界点的间距小于手掌宽度的1/4时,判定该白色区域为类似手指区域,否则,认为该区域为非手指区域;然后,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;重复上述步骤,知道当检测到某一行中所有的白色区域的宽度均大于手掌宽度的4/5,结束遍历,得到如图3所示的类似手指区域的骨架线的二值图。
S4.构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量,进而完成手指类骨架信息检测及区域标记,其具体步骤为:
S4.1.创建4*n的数组A,数组的每位的初始值均为0,其中,第一行代表骨架线的长度,第二行代表骨架线起始点的行坐标,第三行代表骨架线起始点的列坐标,第四行代表骨架线终点的行坐标;
S4.2.遍历找到步骤3检测到的骨架线上的某个骨架点(i,j),判断该骨架点是否为骨架线的起始点,若是,将该骨架点的行坐标i赋值给A(2,j),将该骨架点的列坐标j赋值给A(3,j),若不是起始点,则将A(2,j)、A(2,j-1)和A(2,j+1)相加求和结果赋值给A(2,j),将A(3,j)、A(3,j-1)和A(3,j+1)相加求和结果赋值给A(3,j);
上述的判断骨架点是否为骨架线的起始点的判断方法为:判断数组A(1,j)、数组A(1,j-1)、数组A(1,j+1)是否均为0,若是,则该骨架点为骨架线的起始点,反之该骨架点不是骨架线的起始点;
S4.3.将A(1,j)、A(1,j-1)和A(1,j+1)相加再加1并赋值给A(1,j),得到骨架线的长度,将骨架点的行坐标i赋值给A(4,j),得到骨架线的终点,同时,将数组A第j-1列和j+1列数值置0;
S4.4.将骨架点对应的二值图上所在行的白色区域数值置为对应骨架线起始点的列坐标A(3,j),获得标记区域;
S4.5.重复步骤S4.2-S4.4直至检测完成所有的骨架线,获得每条骨架线的起始点、终点、长度和标记区域;
所述的步骤S4.2和S4.3中,i为某骨架点的行坐标,j为骨架点的列坐标,1、2、3、4分别为数组A的行数标引。
S5.基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线,其具体步骤为:
S5.1.找出长度最大的骨架线,该骨架线的长度为Lmax,将长度小于1/10Lmax的骨架线当做非手指骨架线进行排除,同时排除该骨架线相对应的标记区域;
S5.2.确认剩余骨架线的数量,并依据剩余骨架线的数量进行相应操作:
(a)若剩余骨架线数量大于5,若大于5则可能存在背景,将每相邻的五个骨架线为一组,计算五个骨架线的终点间的距离之和,距离之和最小的五个骨架线保留,其余的排除,同时排除该骨架线相对应的标记区域;
(b)若剩余骨架线数量大于等于3且小于等于5,则直接进入步骤S5.3;
(c)若剩余骨架线数量小于3,则表明手掌放置的过于偏离中心(或者非手指),可用性不大,停止检测,重新采集手掌图像,返回步骤S1;
S5.3. 因为手指不会出现交叉和非正常的弯曲,手指指尖与指尖的距离大于等于指末与指末的距离,指尖会处于指末上方且五根手指的宽度相差不大,因此该步骤计算两两相邻的两个骨架线的起始点与起始点、终点与终点的相对距离,若起始点与起始点的相对距离小于终点与终点的相对距离,或者依据区域标记比较两个相邻区域的平均宽度差,所述平均宽度差大于宽度阈值,则剔除相应的骨架线,同时排除该骨架线相对应的标记区域,其中宽度阈值可以根据采集的手掌图像质量进行跑批动态确定;若计算所得的值均不超过相应的阈值,则表明骨架线为手指的骨架线。
S6.基于手指区域骨架线,去除二值图中的复杂背景,其具体步骤为:
S6.1.以步骤S5中保留的标记区域作为掩膜,去除二值图中手指四周的干扰背景;
S6.2.计算骨架线起始点和终点的列坐标最大值maxCol和最小值minCol,将二值图中对应的每行白色区域左边界点的列坐标小于minCol-15或右边界点的列坐标大于maxCol+15的区域的像素点的像素值置为0;
S6.3.选取保留的骨架线的最大长度作为检测手掌宽度,以所有骨架线终点的最小行坐标为起始行,在二值图上向下保留检测手掌宽度的1.5倍以内的区域,排除其它区域;
S6.4.若上述步骤保留的区域的宽度大于检测手掌宽度的0.8倍且小于检测手掌宽度的1.5倍,则保留该区域,反之去除该区域,获得如图4所示的手掌二值图。
实施例2
参照附图5所示,本发明还涉及一种复杂背景下的手掌检测系统,其包括:
二值化模块,用于对含有复杂背景的原始手掌图像进行二值化分割,得到二值图;二值化模块用于实现实施例1步骤S1的功能。
手掌宽度计算模块,用于基于二值图计算手掌宽度;手掌宽度计算模块用于实现实施例1步骤S2的功能。
类似手指骨架线获取模块,用于遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;类似手指骨架线获取模块用于实现实施例1步骤S3的功能。
类似手指区域骨架线特征提取模块,用于构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量;类似手指区域骨架线特征提取模块用于实现实施例1步骤S4的功能。
类似手指区域骨架线判定模块,用于基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线;类似手指区域骨架线判定模块用于实现实施例1步骤S5的功能。
复杂背景去除模块,用于基于手指区域骨架线,去除二值图中的复杂背景;复杂背景去除模块用于实现实施例1步骤S6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 (9)
1.一种复杂背景下的手掌检测方法,其特征在于:其包括以下步骤:
S1.对含有复杂背景的原始手掌图像进行二值化分割,得到二值图;
S2.基于二值图计算手掌宽度;
S3.遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;
S4.构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,具体步骤包括:
S4.1.创建4*n的数组A,数组的每位的初始值均为0,其中,第一行代表骨架线的长度,第二行代表骨架线起始点的行坐标,第三行代表骨架线起始点的列坐标,第四行代表骨架线终点的行坐标;
S4.2.遍历找到步骤3检测到的骨架线上的某个骨架点(i,j),判断该骨架点是否为骨架线的起始点,若是,将该骨架点的行坐标i赋值给A(2,j),将该骨架点的列坐标j赋值给A(3,j),若不是起始点,则将A(2,j)、A(2,j-1)和A(2,j+1)相加求和结果赋值给A(2,j),将A(3,j)、A(3,j-1)和A(3,j+1)相加求和结果赋值给A(3,j);
S4.3.将A(1,j)、A(1,j-1)和A(1,j+1)相加再加1并赋值给A(1,j),得到骨架线的长度,将骨架点的行坐标i赋值给A(4,j),得到骨架线的终点,同时,将数组A第j-1列和j+1列数值置0;
S4.4.将骨架点对应的二值图上所在行的白色区域数值置为对应骨架线起始点的列坐标A(3,j),获得标记区域;
S4.5.重复步骤S4.2-S4.4直至检测完成所有的骨架线,获得每条骨架线的起始点、终点、长度和标记区域;
所述的步骤S4.2和S4.3中,i为某骨架点的行坐标,j为骨架点的列坐标,1、2、3、4分别为数组A的行数标引;
统计类似手指区域的骨架线的数量;
S5.基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线,具体步骤包括:S5.1.找出长度最大的骨架线,该骨架线的长度为Lmax,将长度小于1/10Lmax的骨架线当做非手指骨架线进行排除,同时排除该骨架线相对应的标记区域;
S5.2.确认剩余骨架线的数量,并依据剩余骨架线的数量进行相应操作:
(a)若剩余骨架线数量大于5,将每相邻的五个骨架线为一组,计算五个骨架线的终点间的距离之和,距离之和最小的五个骨架线保留,其余的排除,同时排除该骨架线相对应的标记区域;
(b)若剩余骨架线数量大于等于3且小于等于5,则直接进入步骤S5.3;
(c)若剩余骨架线数量小于3,停止检测,重新采集手掌图像,返回步骤S1;
S5.3.计算两两相邻的两个骨架线的起始点与起始点、终点与终点的相对距离,若起始点与起始点的相对距离小于终点与终点的相对距离,或者依据区域标记比较两个相邻区域的平均宽度差,所述平均宽度差大于宽度阈值,则剔除相应的骨架线,同时排除该骨架线相对应的标记区域;若计算所得的值均不超过相应的阈值,则表明骨架线为手指的骨架线;
S6.基于手指区域骨架线,去除二值图中的复杂背景。
2.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S2中基于二值图计算手掌宽度的具体方式为:求取二值图中所有的白色像素点的总数,用白色像素点的总数除以存在白色像素点的总行数,作为手掌宽度。
3.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S3中寻找类似手指区域的判定依据为:当左边界点和右边界点的间距小于手掌宽度的1/4时,判定该白色区域为类似手指区域。
4.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S3中遍历二值图采用的是从上到下、从左到右的顺序进行遍历,当检测到某一行中所有的白色区域的宽度均大于手掌宽度的4/5,结束遍历。
5.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S4中构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域的。
6.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S4.2判断骨架点是否为骨架线的起始点的判断方法为:判断数组A(1,j)、数组A(1,j-1)、数组A(1,j+1)是否均为0,若是,则该骨架点为骨架线的起始点,反之该骨架点不是骨架线的起始点。
7.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于:所述的步骤S6中去除二值图中的复杂背景的具体步骤为:
S6.1.以步骤S5中保留的标记区域作为掩膜,去除二值图中手指四周的干扰背景;
S6.2.计算骨架线起始点和终点的列坐标最大值maxCol和最小值minCol,将二值图中对应的每行白色区域左边界点的列坐标小于minCol-15或右边界点的列坐标大于maxCol+15的区域的像素点的像素值置为0;
S6.3.选取保留的骨架线的最大长度作为检测手掌宽度,以所有骨架线终点的最小行坐标为起始行,在二值图上向下保留检测手掌宽度的1.5倍以内的区域,排除其它区域;
S6.4.若上述步骤保留的区域的宽度大于检测手掌宽度的0.8倍且小于检测手掌宽度的1.5倍,则保留该区域,反之去除该区域。
8.根据权利要求1所述的复杂背景下的手掌检测方法,其特征在于,所述原始手掌图像为原始掌静脉图像或原始掌纹图像。
9.一种用于权利要求1所述的复杂背景下的手掌检测方法的手掌检测系统,其特征在于:其包括:
二值化模块,用于对含有复杂背景的原始手掌图像进行二值化分割,得到二值图;
手掌宽度计算模块,用于基于二值图计算手掌宽度;
类似手指骨架线获取模块,用于遍历二值图,计算每一行中白色区域的左边界点和右边界点的间距,与手掌宽度进行比较,寻找类似手指区域,计算类似手指区域的左、右边界点坐标的平均值,将坐标平均值所在位置像素点的像素值赋值为1,得到类似手指区域的骨架线;
类似手指区域骨架线特征提取模块,用于构建4*n的数组,n为原始手掌图像的列数,基于该数组检测所有类似手指区域的骨架线,得到每根类似手指区域的骨架线的起始点、终点、长度和标记区域,统计类似手指区域的骨架线的数量;
类似手指区域骨架线判定模块,用于基于类似手指区域的骨架线的起始点、终点、长度及标记区域区分类似手指区域的骨架线中的手指区域骨架线和非手指区域骨架线,剔除非手指区域骨架线;
复杂背景去除模块,用于基于手指区域骨架线,去除二值图中的复杂背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314490.3A CN115376167B (zh) | 2022-10-26 | 2022-10-26 | 一种复杂背景下的手掌检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314490.3A CN115376167B (zh) | 2022-10-26 | 2022-10-26 | 一种复杂背景下的手掌检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115376167A CN115376167A (zh) | 2022-11-22 |
CN115376167B true CN115376167B (zh) | 2023-02-24 |
Family
ID=84074021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211314490.3A Active CN115376167B (zh) | 2022-10-26 | 2022-10-26 | 一种复杂背景下的手掌检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376167B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217192A (zh) * | 2013-06-03 | 2014-12-17 | 株式会社理光 | 基于深度图像的手定位方法和设备 |
CN104656890A (zh) * | 2014-12-10 | 2015-05-27 | 杭州凌手科技有限公司 | 虚拟现实智能投影手势互动一体机及互动实现方法 |
JP2016162321A (ja) * | 2015-03-04 | 2016-09-05 | 株式会社メガチップス | 画像認識装置 |
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
CN108734069A (zh) * | 2017-04-24 | 2018-11-02 | 广州广电运通金融电子股份有限公司 | 一种指静脉图像的质量分数计算方法及装置 |
CN109886981A (zh) * | 2019-03-07 | 2019-06-14 | 北京麦哲科技有限公司 | 一种书刊扫描中手指去除的方法和装置 |
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 |
CN110288540A (zh) * | 2019-06-04 | 2019-09-27 | 东南大学 | 一种碳纤维导线x射线图像在线成像标准化方法 |
CN110705468A (zh) * | 2019-09-30 | 2020-01-17 | 四川大学 | 基于图像分析的眼动范围识别方法和系统 |
CN111160290A (zh) * | 2019-12-31 | 2020-05-15 | 广州微盾科技股份有限公司 | 一种提取手掌静脉有效区域的方法 |
CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
CN112232332A (zh) * | 2020-12-17 | 2021-01-15 | 四川圣点世纪科技有限公司 | 一种基于视频序列的非接触式手掌检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639562B (zh) * | 2020-05-15 | 2023-06-20 | 圣点世纪科技股份有限公司 | 一种手掌感兴趣区域的智能定位方法 |
CN112699845A (zh) * | 2021-01-14 | 2021-04-23 | 浙江德菲洛智能机械制造有限公司 | 一种在线非接触手掌静脉感兴趣区域提取方法 |
-
2022
- 2022-10-26 CN CN202211314490.3A patent/CN115376167B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217192A (zh) * | 2013-06-03 | 2014-12-17 | 株式会社理光 | 基于深度图像的手定位方法和设备 |
CN104656890A (zh) * | 2014-12-10 | 2015-05-27 | 杭州凌手科技有限公司 | 虚拟现实智能投影手势互动一体机及互动实现方法 |
JP2016162321A (ja) * | 2015-03-04 | 2016-09-05 | 株式会社メガチップス | 画像認識装置 |
CN108734069A (zh) * | 2017-04-24 | 2018-11-02 | 广州广电运通金融电子股份有限公司 | 一种指静脉图像的质量分数计算方法及装置 |
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
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 |
CN109886981A (zh) * | 2019-03-07 | 2019-06-14 | 北京麦哲科技有限公司 | 一种书刊扫描中手指去除的方法和装置 |
CN110288540A (zh) * | 2019-06-04 | 2019-09-27 | 东南大学 | 一种碳纤维导线x射线图像在线成像标准化方法 |
CN110705468A (zh) * | 2019-09-30 | 2020-01-17 | 四川大学 | 基于图像分析的眼动范围识别方法和系统 |
CN111160290A (zh) * | 2019-12-31 | 2020-05-15 | 广州微盾科技股份有限公司 | 一种提取手掌静脉有效区域的方法 |
CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
CN112232332A (zh) * | 2020-12-17 | 2021-01-15 | 四川圣点世纪科技有限公司 | 一种基于视频序列的非接触式手掌检测方法 |
Non-Patent Citations (3)
Title |
---|
3D hand shape analysis for palm and fingers identification;L. Minto et al;《2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition》;20151001;第 1-6页 * |
一种融和特征矢量与边缘点特征的掌形认证方法;李欣等;《哈尔滨理工大学学报》;20081231;第25-27页 * |
基于RUS-CHN标准的手腕骨骨化中心识别分割算法;曹润等;《北京体育大学学报》;20181231;第41卷(第4期);第75-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115376167A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909732B (zh) | 一种图中数据的自动提取方法 | |
CN105261110B (zh) | 一种高效dsp纸币冠字号识别方法 | |
CN103413145B (zh) | 基于深度图像的关节点定位方法 | |
CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
WO2017016448A1 (zh) | 一种qr码特征检测方法及系统 | |
CN109389033B (zh) | 一种新型的瞳孔快速定位方法 | |
CN1516074A (zh) | 从牙齿图像提取牙齿区域的方法及个人识别方法和装置 | |
CN107292936B (zh) | 一种汉字字体矢量化方法 | |
CN109800619B (zh) | 成熟期柑橘果实图像识别方法 | |
CN109325401A (zh) | 基于边缘定位对题目区域进行标注、识别的方法及系统 | |
CN106709484A (zh) | 数字式仪表的数字识别方法 | |
CN113095267B (zh) | 统计图的数据提取方法、电子设备和存储介质 | |
CN107464234A (zh) | 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法 | |
CN107766854A (zh) | 一种基于模板匹配实现快速页码识别的方法 | |
CN106529551A (zh) | 面向包装行业的类圆对象智能识别计数检测算法 | |
CN115376167B (zh) | 一种复杂背景下的手掌检测方法及系统 | |
CN102722701B (zh) | 指纹采集过程中的视觉监控方法及其设备 | |
CN106815830A (zh) | 图像的缺陷检测方法 | |
CN103902100A (zh) | 用于智能手绘输入的基于速度特征的笔划分割方法 | |
CN106971132A (zh) | 一种扫描手势并识别的方法 | |
CN115797649A (zh) | 一种复杂背景下的裂缝提取方法 | |
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 | |
CN104504385A (zh) | 手写粘连数字串的识别方法 | |
CN114155296A (zh) | 一种确定手掌图像中心区域的方法 | |
CN108764155B (zh) | 一种手写维吾尔文单词切分识别方法 |
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 |