CN115578760B - 一种基于地形起伏度静脉识别的控制系统及控制方法 - Google Patents
一种基于地形起伏度静脉识别的控制系统及控制方法 Download PDFInfo
- Publication number
- CN115578760B CN115578760B CN202211420534.0A CN202211420534A CN115578760B CN 115578760 B CN115578760 B CN 115578760B CN 202211420534 A CN202211420534 A CN 202211420534A CN 115578760 B CN115578760 B CN 115578760B
- Authority
- CN
- China
- Prior art keywords
- image
- vein
- feature
- gray
- window
- 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
- G06V40/14—Vascular 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
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于地形起伏度静脉识别的控制系统及控制方法,属于智能控制系统技术领域,其包括静脉图像采集模块、用于对静脉图像进行归一化处理和增强处理的静脉图像预处理模块、用于计算静脉灰度图像的地形起伏度的地形起伏度计算模块、用于对地形起伏度进行特征编码的特征编码模块、用于将待比对特征图像和模板特征图像的特征编码比对并判定相似度和图像识别的识别模块、用于在识别结果为“匹配”时给予该用户操作权限的控制模块。本发明将地形起伏度的计算方法进行改进,引入到静脉图像特征提取中,并用新的编码方式进行特征编码,能够更加准确的表达静脉细节之间的变化,进而使静脉特征描述更加准确,更准确的计算相似度,降低误识率。
Description
技术领域
本发明属于智能控制系统技术领域,尤其涉及一种基于地形起伏度静脉识别的控制系统及控制方法。
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,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、手指等部位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,将生物识别技术引入控制系统中,能够保证系统的安全性。
目前常用的静脉图像特征提取的方法主要分为纹理特征、细节点特征,基于纹理分析的方法能够有效的描述静脉的纹理特征,因此在静脉识别中有着广泛的应用。如专利号为CN101840511B的中国发明公开的手静脉特征提取与匹配识别方法,该专利公开的特征提取的方法为:对手静脉纹路图进行子块划分,对于每个子块图像采用双向特征值加权分块的双向二维主成分分析的方法进行特征提取;识别分析是将各个子块的特征作为整体采用最近邻分类器进行识别。由于受到现有图像采集设备和环境因素的影响,导致采集的手静脉图像存在对比度低、灰度分布不均等问题,这就降低了静脉特征提取的准确性,进而影响手静脉识别系统的识别率。在上述的静脉图像特征提取的方法过程中,在提取特征时未曾考虑中心点邻域像素点的影响,对于低质量手静脉图像,无法准确地表达静脉图像像素之间的变化情况,导致了静脉特征表达不够精确。
发明内容
本发明提供了一种基于地形起伏度静脉识别的控制系统及控制方法,以解决现有静脉识别过程中无法准确地表达静脉细节特征,导致识别出错率高的问题。
为了解决上述技术问题,本发明提供的技术方案为:
本发明涉及一种基于地形起伏度静脉识别的控制系统,其包括:
静脉图像采集模块,用于采集用户的静脉图像;
静脉图像预处理模块,用于对静脉图像进行归一化处理和增强处理,形成静脉灰度图像;
地形起伏度计算模块,采用滑动窗口法计算静脉灰度图像的地形起伏度;
特征编码模块,用于设定地形起伏度阈值,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,形成特征图像;
识别模块,采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别;
控制模块,当识别结果为“匹配”时,用于给予该用户操作的权限。
优选地,所述的静脉图像预处理模块对静脉图像进行增强处理的具体步骤包括:
S2.1.对静脉图像进行幂次方差变换;
S2.2.对变换后的静脉图像进行灰度校正,得到去除静脉图像偏移场后的图像;
S2.3.对去除静脉图像偏移场后的图像进行去噪处理,得到平滑后的静脉灰度图像。
优选地,所述步骤S2.1对静脉图像进行幂次方差变换的变换公式为:
公式中,表示变换前静脉图像像素点的坐标,/>表示点的灰度值,/>和分别表示变换前静脉图像的均值和方差,/>和/>分别表示变换后静脉灰度图像的均值和方差,/>、/>均为正数,取值范围为[0,1],/>表示幂次方差变换后的静脉灰度图像的灰度值;
所述步骤S2.2对变换后的静脉图像进行灰度校正的公式为:
优选地,所述的地形起伏度计算模块采用滑动窗口法计算静脉灰度图像的地形起伏度的具体步骤为:
S3.1.为静脉灰度图像设置一个固定长度的窗口,统计该窗口的最大和最小灰度值,计算该窗口的初始地形起伏度,循环移动窗口,完成静脉灰度图像初始地形起伏度的计算;
S3.2.根据初始地形起伏度计算对应窗口内的平地面积;
S3.3.根据窗口内的平地面积完成静脉灰度图像地形起伏度的计算,计算公式为:
公式中,和/>表示所要计算的像素点的行、列坐标,/>为像素点/>的地形起伏度,/>为像素点/>所在窗口区域内的静脉灰度图像的灰度平均值,/>为静脉灰度图像的灰度平均值,/>、/>分别为窗口区域内的静脉灰度图像的最大灰度值和最小灰度值;/>、/>分别为静脉灰度图像的最大灰度值和最小灰度值,/>和/>分别为窗口的长和宽,/>为窗口内的平地面积。
优选地,所述的静脉灰度图像的灰度平均值的计算公式为:
优选地,所述特征编码模块基于静脉灰度图像的地形起伏度及地形起伏度阈值S的大小关系对地形起伏度进行特征编码的具体方式如下:
若满足以下条件:
则设置该像素点的特征编码为0;
若满足以下条件:
则设置该像素点的特征编码为1;
若满足以下条件:
则设置该像素点的特征编码为2;
若满足以下条件:
则设置该像素点的特征编码为3;
若满足以下条件:
则设置该像素点的特征编码为4;
若满足以下条件:
则设置该像素点的特征编码为5;
若满足以下条件:
则设置该像素点的特征编码为6;
若满足以下条件:
则设置该像素点的特征编码为7;
优选地,所述识别模块采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度的具体步骤为:
S5.1.计算待比对特征图像上的像素点与模板特征图像上对应区域块的比对值,计算公式为:
S5.2.计算模板特征图像上的像素点与待比对特征图像上对应区域块的比对值,计算公式为:
S5.3.计算待比对特征图像与模板特征图像的比对值,计算公式为:
公式中,为待比对特征图像上的像素点与模板特征图像上对应区域块的比对值,/>为模板特征图像上的像素点与待比对特征图像上对应区域块的比对值,为待比对特征图像与模板特征图像的比对值,/>为待比对特征图像,/>为模板特征图像,/>为待比对特征图像上的坐标为/>的像素点的特征编码,/>为模板特征图像中与待比对特征图像上的坐标为/>的像素点对应的点所在的矩形区域的特征编码,/>为模板特征图像上的坐标为/>的像素点的特征编码,/>为带对比特征图像中与模板特征图像上的坐标为/>的像素点对应的点所在的矩形区域的特征编码,为待比对特征图像/>和模板特征图像/>的大小。
本发明还涉及一种基于地形起伏度静脉识别的控制方法,其包括以下步骤:
S1.采集用户的静脉图像;
S2.对静脉图像进行归一化处理和增强处理,形成静脉灰度图像;
S3.采用滑动窗口法计算静脉灰度图像的地形起伏度;
S4.设定地形起伏度阈值,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,形成特征图像;
S5.采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别;
S6.当识别结果为“匹配”时,给予该用户操作的权限。
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.本发明涉及的基于地形起伏度静脉识别的控制系统引入了地形起伏度计算模块和特征编码模块,地形起伏度计算模块采用滑动窗口法计算静脉灰度图像的地形起伏度,特征编码模块基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,进而提取静脉特征,该方法考虑到静脉图像的静脉血管灰度和背景灰度的差异,能够更加准确的表达静脉细节之间的变化,进而使静脉特征描述更加准确。
2.本发明涉及的基于地形起伏度静脉识别的控制系统中的识别模块,采用像素点与区域比对的方式对待比对特征图像和模板特征图像的灰度值进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别,通过该方式计算两幅静脉图像的静脉特征的相似度,可以更准确的计算相似度,进而降低误识率。
3.本发明涉及的基于地形起伏度静脉识别的控制系统在对静脉图像进行增强处理时,先去除静脉图像偏移场,再进行去噪处理,避免了去噪过程中可能导致的特征灰度信息的丢失。
附图说明
图1为本发明涉及的地形起伏度静脉识别的控制系统的结构框架图。
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。
参照附图1所示,本发明涉及的基于地形起伏度静脉识别的控制系统包括:
静脉图像采集模块,用于采集用户的静脉图像;
静脉图像预处理模块,用于对静脉图像进行归一化处理和增强处理,形成静脉灰度图像;
地形起伏度计算模块,采用滑动窗口法计算静脉灰度图像的地形起伏度;
特征编码模块,用于设定地形起伏度阈值,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,形成特征图像;
识别模块,采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别;
控制模块,当识别结果为“匹配”时,用于给予该用户操作的权限。
基于地形起伏度静脉识别的控制系统可用于门禁系统、电梯控制系统、电子设备的控制系统等场景中,本实施例以运用于门禁系统的场景进行说明。
采用上述基于地形起伏度静脉识别的控制系统的控制方法,其包括以下步骤:
S1.门禁系统中的静脉图像采集模块采集用户的静脉图像,静脉图像可以是指静脉图像,也可以是掌静脉图像;
S2.对静脉图像进行归一化处理和增强处理,形成静脉灰度图像,具体步骤为:
S2.1.对静脉图像进行幂次方差变换,变换公式为:
公式中,表示变换前静脉图像像素点的坐标,/>表示点的灰度值,/>和分别表示变换前静脉图像的均值和方差,/>和/>分别表示变换后静脉灰度图像的均值和方差,/>、/>均为正数,取值范围为[0,1],/>表示幂次方差变换后的静脉灰度图像的灰度值;
S2.2.对变换后的静脉图像进行灰度校正,得到去除静脉图像偏移场后的图像,灰度校正的公式为:
S2.3.对去除静脉图像偏移场后的图像进行去噪处理,去噪处理的方法为采用小窗口的模板对图像进行高斯滤波,得到平滑后的静脉灰度图像。
S3.采用滑动窗口法计算静脉灰度图像的地形起伏度,其具体步骤为:
循环移动窗口,完成静脉灰度图像初始地形起伏度的计算;
S3.3.根据窗口内的平地面积完成静脉灰度图像地形起伏度的计算,计算公式为:
公式中,和/>表示所要计算的像素点的行、列坐标,/>为像素点/>的地形起伏度,/>为像素点/>所在窗口区域内的静脉灰度图像的灰度平均值,/>为静脉灰度图像的灰度平均值,/>、/>分别为窗口区域内的静脉灰度图像的最大灰度值和最小灰度值;/>、/>分别为静脉灰度图像的最大灰度值和最小灰度值,/>和/>分别为窗口的长和宽,/>为窗口内的平地面积;其中,静脉灰度图像的灰度平均值/>的计算公式为:
S4.设定地形起伏度阈值为S,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,获取像素点的灰度值,特征编码的具体方式如下:
则设置该像素点的特征编码为0;
若满足以下条件:
则设置该像素点的特征编码为1;
若满足以下条件:
则设置该像素点的特征编码为2;
若满足以下条件:
则设置该像素点的特征编码为3;
若满足以下条件:
则设置该像素点的特征编码为4;
若满足以下条件:
则设置该像素点的特征编码为5;
若满足以下条件:
则设置该像素点的特征编码为6;
若满足以下条件:
则设置该像素点的特征编码为7;
S5.采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,其具体步骤为:
S5.1.计算待比对特征图像上的像素点与模板特征图像上对应区域块的比对值,计算公式为:
S5.2.计算模板特征图像上的像素点与待比对特征图像上对应区域块的比对值,计算公式为:
S5.3.计算待比对特征图像与模板特征图像的比对值,计算公式为:
公式中,为待比对特征图像上的像素点与模板特征图像上对应区域块的比对值,/>为模板特征图像上的像素点与待比对特征图像上对应区域块的比对值,为待比对特征图像与模板特征图像的比对值,/>为待比对特征图像,/>为模板特征图像,/>为待比对特征图像上的坐标为/>的像素点的特征编码,/>为模板特征图像中与待比对特征图像上的坐标为/>的像素点对应的点所在的矩形区域的特征编码,/>为模板特征图像上的坐标为/>的像素点的特征编码,/>为带对比特征图像中与模板特征图像上的坐标为/>的像素点对应的点所在的矩形区域的特征编码,为待比对特征图像/>和模板特征图像/>的大小;
通过比对值的大小判定相似度,基于相似度判定待比对特征图像与模板特征图像是否“匹配”,进而完成识别;
S6.当识别结果为“匹配”时,给予该用户操作的权限,即解除门禁,允许用户进入。
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)
1.一种基于地形起伏度静脉识别的控制系统,其特征在于:其包括:
静脉图像采集模块,用于采集用户的静脉图像;
静脉图像预处理模块,用于对静脉图像进行归一化处理和增强处理,形成静脉灰度图像;
地形起伏度计算模块,采用滑动窗口法计算静脉灰度图像的地形起伏度,具体步骤为:
S3.3.根据窗口内的平地面积完成静脉灰度图像地形起伏度的计算,计算公式为:
公式中,和/>表示所要计算的像素点的行、列坐标,/>为像素点/>的地形起伏度,/>为像素点/>所在窗口区域内的静脉灰度图像的灰度平均值,/>为静脉灰度图像的灰度平均值;/>、/>分别为静脉灰度图像的最大灰度值和最小灰度值;
特征编码模块,用于设定地形起伏度阈值,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,形成特征图像;
识别模块,采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别;
控制模块,当识别结果为“匹配”时,用于给予该用户操作的权限。
2.根据权利要求1所述的基于地形起伏度静脉识别的控制系统,其特征在于:所述的静脉图像预处理模块对静脉图像进行增强处理的具体步骤包括:
S2.1.对静脉图像进行幂次方差变换;
S2.2.对变换后的静脉图像进行灰度校正,得到去除静脉图像偏移场后的图像;
S2.3.对去除静脉图像偏移场后的图像进行去噪处理,得到平滑后的静脉灰度图像。
3.根据权利要求2所述的基于地形起伏度静脉识别的控制系统,其特征在于:所述步骤S2.1对静脉图像进行幂次方差变换的变换公式为:
公式中,表示变换前静脉图像像素点的坐标,/>表示点的灰度值,/>和/>分别表示变换前静脉图像的均值和方差,/>和/>分别表示变换后静脉灰度图像的均值和方差,/>、/>均为正数,取值范围为[0,1],/>表示幂次方差变换后的静脉灰度图像的灰度值;
所述步骤S2.2对变换后的静脉图像进行灰度校正的公式为:
6.根据权利要求1所述的基于地形起伏度静脉识别的控制系统,其特征在于:所述特征编码模块基于静脉灰度图像的地形起伏度及地形起伏度阈值S的大小关系对地形起伏度进行特征编码的具体方式如下:
若满足以下条件:
则设置该像素点的特征编码为0;
若满足以下条件:
则设置该像素点的特征编码为1;
若满足以下条件:
则设置该像素点的特征编码为2;
若满足以下条件:
则设置该像素点的特征编码为3;
若满足以下条件:
则设置该像素点的特征编码为4;
若满足以下条件:
则设置该像素点的特征编码为5;
若满足以下条件:
则设置该像素点的特征编码为6;
若满足以下条件:
则设置该像素点的特征编码为7;
7.根据权利要求1所述的基于地形起伏度静脉识别的控制系统,其特征在于:所述识别模块采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度的具体步骤为:
S5.1.计算待比对特征图像上的像素点与模板特征图像上对应区域块的比对值,计算公式为:
S5.2.计算模板特征图像上的像素点与待比对特征图像上对应区域块的比对值,计算公式为:
S5.3.计算待比对特征图像与模板特征图像的比对值,计算公式为:
8.一种基于地形起伏度静脉识别的控制方法,其特征在于:其包括以下步骤:
S1.采集用户的静脉图像;
S2.对静脉图像进行归一化处理和增强处理,形成静脉灰度图像;
S3.采用滑动窗口法计算静脉灰度图像的地形起伏度,具体步骤为:
S3.3.根据窗口内的平地面积完成静脉灰度图像地形起伏度的计算,计算公式为:
公式中,和/>表示所要计算的像素点的行、列坐标,/>为像素点/>的地形起伏度,/>为像素点/>所在窗口区域内的静脉灰度图像的灰度平均值,/>为静脉灰度图像的灰度平均值;/>、/>分别为静脉灰度图像的最大灰度值和最小灰度值;
S4.设定地形起伏度阈值,基于静脉灰度图像的地形起伏度及地形起伏度阈值的大小关系对地形起伏度进行特征编码,形成特征图像;
S5.采用像素点与区域比对的方式将待比对特征图像和模板特征图像的特征编码进行比对,进而判定相似度,基于相似度对待比对特征图像进行识别;
S6.当识别结果为“匹配”时,给予该用户操作的权限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420534.0A CN115578760B (zh) | 2022-11-15 | 2022-11-15 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420534.0A CN115578760B (zh) | 2022-11-15 | 2022-11-15 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578760A CN115578760A (zh) | 2023-01-06 |
CN115578760B true CN115578760B (zh) | 2023-05-30 |
Family
ID=84588114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211420534.0A Active CN115578760B (zh) | 2022-11-15 | 2022-11-15 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578760B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112036382A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898045B (zh) * | 2017-02-24 | 2020-02-07 | 郑州大学 | 一种基于sgog瓦块的大区域真三维地理场景自适应构建方法 |
CN111222456B (zh) * | 2020-01-04 | 2023-06-23 | 圣点世纪科技股份有限公司 | 一种指静脉超大用户量下的高速检索算法 |
CN111639560B (zh) * | 2020-05-15 | 2023-05-30 | 圣点世纪科技股份有限公司 | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 |
WO2022068931A1 (zh) * | 2020-09-30 | 2022-04-07 | 墨奇科技(北京)有限公司 | 非接触指纹识别方法、装置、终端及存储介质 |
CN112288010B (zh) * | 2020-10-30 | 2022-05-13 | 黑龙江大学 | 基于网络学习的指静脉图像质量评价方法 |
CN113780174B (zh) * | 2021-09-10 | 2023-09-15 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
CN114612655B (zh) * | 2022-05-10 | 2022-08-02 | 北京圣点云信息技术有限公司 | 一种静脉识别算法移植方法及装置 |
CN114724188B (zh) * | 2022-05-23 | 2022-08-16 | 北京圣点云信息技术有限公司 | 基于灰度共生矩阵的静脉识别方法及装置 |
-
2022
- 2022-11-15 CN CN202211420534.0A patent/CN115578760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639559A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 |
CN112036382A (zh) * | 2020-11-04 | 2020-12-04 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的指静脉特征提取及识别方法和装置 |
CN112101319A (zh) * | 2020-11-17 | 2020-12-18 | 北京圣点云信息技术有限公司 | 一种基于地形点分类的静脉图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115578760A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
CN102254188B (zh) | 掌纹识别方法及装置 | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN111507206B (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN108875629B (zh) | 基于多样本特征融合的掌静脉识别方法 | |
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 | |
CN115223211B (zh) | 一种将静脉图像转化为指纹图像的识别方法 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN111639560B (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN107516083B (zh) | 一种面向识别的远距离人脸图像增强方法 | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
CN106845362B (zh) | 一种基于多尺度变换的稀疏表示的人脸识别方法 | |
CN105550646B (zh) | 基于对数梯度直方图的广义光照不变人脸特征描述方法 | |
Hu et al. | A composite fingerprint segmentation based on log-gabor filter and orientation reliability | |
CN116778537B (zh) | 一种指背静脉图像识别过程中指甲的检测与处理方法 | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
CN115578760B (zh) | 一种基于地形起伏度静脉识别的控制系统及控制方法 | |
Rajkumar et al. | A secondary fingerprint enhancement and minutiae extraction | |
CN115311696B (zh) | 一种基于静脉纹理特征的手指区域检测方法 | |
CN107578009B (zh) | 多手指远端指间关节纹路的识别方法 | |
CN115439891A (zh) | 一种基于小指纹头、低算力和低存储芯片的指纹识别方法 | |
CN111639557B (zh) | 一种指静脉图像智能注册反馈方法 | |
CN110502996B (zh) | 一种面向模糊指静脉图像的动态识别方法 | |
CN107122710A (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |