CN115829975A - 掌静脉图像质量检测方法、系统、介质及电子设备 - Google Patents
掌静脉图像质量检测方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN115829975A CN115829975A CN202211565671.3A CN202211565671A CN115829975A CN 115829975 A CN115829975 A CN 115829975A CN 202211565671 A CN202211565671 A CN 202211565671A CN 115829975 A CN115829975 A CN 115829975A
- Authority
- CN
- China
- Prior art keywords
- image
- palm
- palm vein
- vein image
- preset
- 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
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供一种掌静脉图像质量检测方法、系统、介质及电子设备;所述方法包括以下步骤:获取掌静脉图像;对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像;对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估;本申请通过对获取的掌静脉图像进行图像初筛,及图像质量检测,从而能够实现获取高质量的掌静脉图像,有效解决了现有技术中,由于掌静脉图像存在质量问题,导致掌静脉识别性能差的问题,提高了后续利用该掌静脉图像进行掌静脉识别的准确可靠性。
Description
技术领域
本申请属于图像处理技术领域,涉及一种掌静脉识别系统,特别是涉及一种掌静脉图像质量检测方法、系统、介质及电子设备。
背景技术
在掌静脉识别系统中,图像质量对于掌静脉识别性能影响较大。掌静脉图像在拍摄时,可能会出现一系列的质量问题,而这些质量问题都可能会对掌静脉识别系统的识别性能带来不利影响,导致掌静脉识别系统的识别性能较差。
发明内容
本申请的目的在于提供一种掌静脉图像质量检测方法、系统、介质及电子设备,用于解决现有技术中,由于掌静脉图像存在质量问题,导致掌静脉识别性能差的问题。
第一方面,本申请提供一种掌静脉图像质量检测方法,所述掌静脉图像质量检测方法包括以下步骤:获取掌静脉图像;对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像;对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
本申请中,通过对获取的掌静脉图像进行图像初筛,及图像质量检测,从而能够实现获取高质量的掌静脉图像,有效解决了现有技术中,由于掌静脉图像存在质量问题,导致掌静脉识别性能差的问题,提高了后续利用该掌静脉图像进行掌静脉识别的准确可靠性。
在第一方面的一种实现方式中,所述对所述掌静脉图像进行图像初筛包括以下步骤:从所述掌静脉图像中获取预设宽度的第一边缘区域和第二边缘区域;所述第一边缘区域和所述第二边缘区域均位于所述掌静脉图像的边缘处,且位置相对;计算所述第一边缘区域和所述第二边缘区域的平均像素值;若所述平均像素值满足预设像素条件,则初步判定所述掌静脉图像合格;若所述平均像素值不满足所述预设像素条件,则初步判定所述掌静脉图像不合格。
在第一方面的一种实现方式中,所述对所述掌静脉图像进行图像初筛包括以下步骤:获取所述掌静脉图像的中心区域;计算所述中心区域的平均灰度值和最大灰度值;若所述平均灰度值和所述最大灰度值满足预设灰度条件,则初步判定所述掌静脉图像合格;若所述平均灰度值和所述最大灰度值不满足预设灰度条件,则初步判定所述掌静脉图像不合格。
在第一方面的一种实现方式中,所述对所述初步判定为合格的掌静脉图像进行图像质量检测包括以下步骤:对所述初步判定为合格的掌静脉图像进行图像明暗度评估,获取图像明暗度满足预设明暗度条件的第一图像;对所述第一图像进行手掌边缘评估,获取手掌边缘满足预设边缘条件的第二图像;对所述第二图像进行图像噪声评估,获取图像噪声满足预设噪声条件的第三图像;对所述第三图像进行人手姿态估计,获取人手姿态满足预设手姿态条件的第四图像;对所述第四图像进行掌心区域评估,以实现获取掌心区域满足预设掌心区域条件的第五图像;所述第五图像为最终判定为合格的掌静脉图像。
本实现方式中,按照图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计、掌心区域评估的先后顺序,实现对掌静脉图像的图像质量检测,能够实现在最终获取合格的高质量掌静脉图像之前,较快过滤掉不合格的图像,从而能较好地提升用户的体验度。
在第一方面的一种实现方式中,在所述图像质量检测包括人手姿态估计时,对所述初步判定为合格的掌静脉图像进行人手姿态估计,包括以下步骤:根据所述初步判定为合格的掌静脉图像判断手是否存在;在手存在时,预估出多个手关节点;基于多个所述手关节点对手掌姿态进行判断,以实现判断人手姿态是否满足预设手姿态条件;所述对手掌姿态进行判断至少包括以下任意一种:判断手掌是否完整、判断手掌是左手手掌,还是右手手掌、判断手掌是否完全张开;其中,所述判断手掌是否完全张开包括:判断每个手指的弯曲度是否满足预设弯曲条件,和/或计算相邻两个手指之间的角度,以判断所述角度是否满足预设角度条件。
在第一方面的一种实现方式中,在所述图像质量检测包括掌心区域评估时,对所述初步判定为合格的掌静脉图像进行掌心区域评估,包括以下步骤:根据多个所述手关节点计算掌心区域的半径;所述掌心区域为手掌的最大内接圆;判断所述半径是否满足预设半径条件,以实现判断所述掌心区域是否满足预设掌心区域条件。
在第一方面的一种实现方式中,在所述图像质量检测包括手掌边缘评估时,对所述初步判定为合格的掌静脉图像进行手掌边缘评估,包括以下步骤:基于所述初步判定为合格的掌静脉图像获取手掌边缘检测图像;根据所述手掌边缘检测图像和所述初步判定为合格的掌静脉图像判断手掌边缘是否满足预设边缘条件。
第二方面,本申请提供一种掌静脉图像质量检测系统,所述掌静脉图像质量检测系统包括:图像获取模块,用于获取掌静脉图像;图像初筛模块,用于对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像;图像检测模块,用于对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
第三方面,本申请提供一种电子设备,所述电子设备包括:存储器,所述存储器用于存储计算机程序;处理器,所述处理器用于执行所述计算机程序,以使所述电子设备执行上述的掌静脉图像质量检测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被电子设备执行时实现上述的掌静脉图像质量检测方法。
如上所述,本申请所述的掌静脉图像质量检测方法、系统、介质及电子设备,具有以下
有益效果:
与现有技术相比,本申请提供了一种掌静脉图像质量检测方法,实现了在掌静脉识别系统的预处理阶段,对掌静脉图像的质量评估,能够过滤掉质量不合格的掌静脉图像,获取合格的、高质量的掌静脉图像,从而提高了后续掌静脉识别的准确可靠性;同时,高质量的掌静脉图像还有利于提高掌静脉识别的效率。
附图说明
图1a显示为本申请实施例所述的图像初筛所涉及手掌的图像的示意图。
图1b~图1g显示为本申请实施例所述的图像明暗度评估所涉及图像的示意图。
图1h~图1k显示为本申请实施例所述的手掌边缘评估所涉及图像的示意图。
图1l和图1m显示为本申请实施例所述的图像噪声评估所涉及图像的示意图。
图1n显示为本申请实施例所述的21个手关节点的示意图。
图1o和图1p显示为本申请实施例所述的掌心区域评估所涉及图像的示意图。
图1q显示为本申请实施例所述的掌静脉图像质量检测方法的工作原理框图。
图2显示为本申请实施例所述的掌静脉图像质量检测方法的流程图。
图3显示为本申请实施例所述的获取掌静脉图像的流程图。
图4显示为本申请一实施例所述的对掌静脉图像进行图像初筛的流程图。
图5显示为本申请另一实施例所述的对掌静脉图像进行图像初筛的流程图。
图6显示为本申请实施例所述的对初步判定为合格的掌静脉图像进行图像质量检测的流程图。
图7显示为本申请实施例所述的对初步判定为合格的掌静脉图像进行手掌边缘评估的流程图。
图8显示为本申请实施例所述的基于初步判定为合格的掌静脉图像获取手掌边缘检测图像的流程图。
图9显示为本申请实施例所述的对第二图像进行图像噪声评估,获取图像噪声满足预设噪声条件的第三图像的流程图。
图10显示为本申请实施例所述的对初步判定为合格的掌静脉图像进行人手姿态估计的流程图。
图11显示为本申请实施例所述的对初步判定为合格的掌静脉图像进行掌心区域评估的流程图。
图12显示为本申请实施例所述的掌静脉图像质量检测系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
参阅图1a至图1q,及图2至图12。本申请以下实施例提供了掌静脉图像质量检测方法、系统、介质及电子设备,与现有技术相比,本申请提供了一种掌静脉图像质量检测方法,实现了在掌静脉识别系统的预处理阶段,对掌静脉图像的质量评估,能够过滤掉质量不合格的掌静脉图像,获取合格的、高质量的掌静脉图像,从而提高了后续掌静脉识别的准确可靠性;同时,高质量的掌静脉图像还有利于提高掌静脉识别的效率。
于一实施例中,将本申请提供的掌静脉图像质量检测方法应用于一电子设备。
如图1所示,于本实施例中,该掌静脉图像质量检测方法的工作原理如下:
一、图像初筛
由于摄像头(摄像头采集的是手掌原始图像,需对该手掌原始图像进行灰度处理,以获取如图1a所示的掌静脉图像)采集速度很快,可以使用图像初筛功能粗略剔除掉图像质量不合格的图像,这不仅可以尽快得到合格图像,还可以提高后续处理的成功率;具体地,
(11)如图1a所示,分别在图像左右边缘获取2个像素点宽度的边缘区域,并分别求取这两个边缘区域的平均像素值。
在没有手掌进入这两个边缘区域且忽略环境因素影响时,这两个边缘区域的平均像素值小于15;若手掌部分进入这两个边缘区域,则这两个边缘区域的平均像素值将变大。
设定某一阈值大小,若这两个边缘区域的平均像素值大于这个阈值,则判定手掌超出图像范围;反之,若这两个边缘区域的平均像素值不大于这个阈值,则判定手掌未超出图像范围。
(12)如图1a所示,首先,图像从上到下,找到图像高度的中间位置;然后,在此中间高度处,沿着图像的X轴方向,在图像宽度的三分之一处,获取长度为三分之一图像宽度的正方形区域;最后,求取这一正方形区域的平均灰度值和最大灰度值。
若平均灰度值大于50,且最大灰度值小于210,则图像合适,否则图像过暗或过曝。
经上述判定手掌未超出图像范围,且图像合适时,初步判定掌静脉图像为合格。
图像初筛功能在处理左右边缘区域和中间正方形区域时,用时很短(几个毫秒),因此,能高速且有效地初步筛选出较合格的图像进入接下来的功能处理,从而节约了后续处理的时间。
经图像初筛后,获取初步认定为合格的掌静脉图像;然后,对该初步认定为合格的掌静脉图像进行图像质量检测;具体地,主要从以下几点进行评估:图片是否过曝以及过暗、手掌边缘是否清晰、是否含有噪声、手掌是否完整、手掌是否完全张开、手掌区域是否过小。
二、图像明暗度评估
由于景物各点的颜色及亮度不同,拍摄得到的黑白图片上各点呈现不同程度的灰色。把白色与黑色之间按对数关系分成若干级,称为“灰度等级”。范围一般从0到255,白色为255,黑色为0,故黑白图片也称灰度图像。
掌静脉图像过曝或过暗将影响掌静脉特征的提取和处理,因此使用图像明暗度评估算法过滤掉过曝和过暗的图像,留下正常的图像。
如图1b至图1g所示,通过直方图判断整个掌静脉图像像素点的灰度值情况;其中,图1b中图像像素点的灰度值情况如图1c所示;图1d中图像像素点的灰度值情况如图1e所示;图1f中图像像素点的灰度值情况如图1g所示。
由不同亮度图像的直方图显示情况,划分图像像素灰度值小于100为过暗像素,像素灰度值超过200为过亮像素。
设定过亮阈值和过暗阈值,遍历图像的所有像素点,如果过暗像素点与总像素点的比值大于过暗阈值,则判定图像过暗(如图1b所示);如果过亮像素点与总像素点的比值大于过亮阈值,则判定图像曝光(如图1f所示),这样可将判定为过暗和曝光的图像筛选出来。
三、手掌边缘评估
若摄像头拍摄的掌静脉图像中,手掌边缘信息不全,则会影响掌静脉识别效果,为此采用手掌边缘评估算法筛选掉不合适的图像。
如图1h至图1k所示,对图1h中的掌静脉图像I进行Sobel边缘检测,Sobel算子是高斯平滑与微分操作的结合体,其抗噪声能力很强,用途较多,Sobel算子是利用快速卷积函数进行处理,简单、快速、有效,且对领域像素位置的影响做了加权,在降低边缘模糊程度上有较好的效果,Sobel算子提取图像边缘分3个步骤:提取图1h中的掌静脉图像水平方向的边缘,如图1i所示;提取图1h中的掌静脉图像垂直方向的边缘,如图1j所示;综合两个方向的边缘信息进行加权平均得到整幅图像的边缘,即边缘检测图像E,如图1k所示。
计算图像E的灰度均值为mE和掌静脉图像I的灰度均值为mI,计算Q值,公式如下:
经过实验,得出Q值越高(越接近1),边缘越清晰。
通过实验设置阈值k,若Q值小于k,则判定手掌边缘不清晰。
四、图像噪声评估
若采集的图像含有过大噪声,则影响后续图像处理。
如图1l和图1m所示,于本实施例中,首先,通过滤波算法去除原采集图像L的噪声,获取滤波图像K;然后,对滤波图像K与原采集图像L进行均方差计算;若MSE越小,则原采集图像L的噪声就越小。
MSE全称为“Mean Square Error”,中文意思即为均方误差,是衡量图像质量的指标之一,其原理为真实值(这里指原采集图像L)与预测值(这里指滤波图像K)的差值的平方然后求和再平均,公式如下:
其中,M为原采集图像L的像素总数,N为滤波图像K的像素总数。
MSE值越小,说明图像越相似,即噪声越小。
于本实施例中,通过人工添加不同类型的噪声,并通过以上方法进行均方差计算,选取MSE阈值为4,若计算所得的MSE值大于4,则判定图像噪声过大。
五、人手姿态估计
采用人手姿态估计算法来判定手是否存在、手掌是否完整、每个手指是否完整、手指是否张开。
只有手掌完整且完全张开的图像才能正确采集到掌静脉特征信息。
在获取掌静脉图像后,首先,判断该掌静脉图像中是否存在手;然后,在判断出该掌静脉图像中存在手后,再对该掌静脉图像进行手关节点的预估。
如图1n所示,于本实施例中,使用Mediapipe框架预测评估手关节点。
MediaPipe是一款由Google开发并开源的数据流处理机器学习应用开发框架,它是一个基于图的数据处理管线,用于构建使用了多种形式的数据源,通过将各个感知模型抽象为模块并将其连接到可维护的图中来解决这些问题;其中MediaPipe Hands是一种高保真手和手指跟踪解决方案,它采用机器学习(ML)来从一个帧中推断出手的21个3D界标。
MediaPipe Hands对整个图像进行手关节点预估之后,其手界标模型将通过回归(即直接坐标预测)对检测到的手区域内部的21个3D手关节坐标进行精确的关键点定位。该模型可学习一致的内部手部姿势表示,甚至对于部分可见的手部和自我遮挡也具有鲁棒性。其检测的21个点的坐标位置如1n所示。
如图1n所示,21个手关节点分别为:
0号点为手腕部点;
{1,2,3,4}为手腕到大拇指骨架上关键点;
{5,6,7,8}为手腕到食指骨架上关键点;
{9,10,11,12}为手腕到中指骨架上关键点;
{13,14,15,16}为手腕到无名指骨架上关键点;
{17,18,19,20}为手腕到小拇指骨架上关键点;
其中,{4,8,12,16,20}为指尖点,{5,9,13,17}为指根点。
每个手关节点均对应一坐标点。
判断0、5、9、13、17、4、20这7个手关节点是否在图像范围内,以判定手掌是否完整;若这7个手关节点中有一个手关节点不在图像范围内,则判定手掌不全。
通过计算手关节点0和手关节点9两点之间连线与x轴(图1n中的水平向右)之间的角度1,手关节点0和手关节点4两点之间与x轴之间的角度2;若为左手的掌心图像,则角度1大于角度2且小于角度2加上90度;若为右手的掌心图像,则角度1小于角度2且大于角度2减去90度。
判断手掌是否完全张开时,主要考虑两个方面,第一个方面是每个手指是否过度弯曲;第二个方面是计算各手指之间的角度(食指与中指、中指与无名指、无名指与小拇指),并与手指张开阈值进行比较;这两个方面都满足条件,则判断为手掌完全张开,否则将会对后续的掌静脉识别产生影响。
于本实施例中,针对一手指,相邻两个手关节点连接形成线段,计算相邻两个线段之间的夹角,若夹角小于120°,定义该手指过度弯曲。
诸如,如图1n所示,针对中指,手关节点9和手关节点10连接形成第一线段;手关节点10和手关节点11连接形成第二线段;手关节点11和手关节点12连接形成第三线段;计算第一线段与第二线段之间的夹角(根据手关节点的坐标点求夹角),及第二线段与第三线段之间的夹角;判断这两个夹角是否都小于120°,若存在一夹角小于120°,则判定该中指过度弯曲;只有在这两个夹角都不小于120°时,才判定该中指未过度弯曲,即该中指正常(该中指完全张开)。
六、掌心区域评估
若手掌距离摄像头较远,拍摄出来的手掌图像较小,则提取的掌心区域也较小,较小的掌心区域中涵盖的特征信息不丰富,会影响掌静脉识别效果,因此,于本实施例中,采用掌心区域评估算法过滤掉这些掌心区域较小的图像。
如图1o所示,首先,掌心区域评估算法对掌静脉图像进行二值化处理,获取如图1o所示的二值化图像;然后,该掌心区域评估算法对手关节点0、手关节点5、手关节点9、手关节点13及手关节点17进行加权计算,得到掌心区域半径;如果该半径小于一定阈值,则判定掌心区域过小。
如图1p所示,根据上述计算得到的掌心区域的半径画出手掌的最大内切圆。
如图1q所示,本实施例提供的掌静脉图像质量检测方法,在对掌静脉图像进行图像质量检测时(如图1q的虚线框中所示),首先进行图像明暗度评估、手掌边缘评估和图像噪声评估,因为这三个评估模块的处理速度较快,从而能够实现在最终获取合格图像之前,较快过滤掉不合格图像,然后再进入处理速度相对较慢的人手姿态估计模块,这样,能较好提升用户的体验度;最后,再进入掌心区域评估模块,这是因为手掌心区域评估算法需要依赖于人手姿态估计算法中预估出的手关节点。
通过上述评估算法,实现了在掌静脉识别系统的预处理阶段,对掌静脉图像的质量评估,能够过滤掉质量不合格的掌静脉图像,获取合格的、高质量的掌静脉图像,从而提高后续掌静脉识别的准确可靠性;同时,高质量的掌静脉图像还有利于提高掌静脉识别的效率。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细描述。
如图2所示,本实施例提供一种掌静脉图像质量检测方法;具体地,该掌静脉图像质量检测方法包括以下步骤:
步骤S1、获取掌静脉图像。
如图3所示,于一实施例中,获取掌静脉图像包括以下步骤:
步骤S11、获取手掌原始图像。
于一实施例中,从摄像头获取该手掌原始图像。
步骤S12、对手掌原始图像进行灰度处理,获取掌静脉图像。
步骤S2、对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像。
如图4所示,于一实施例中,所述对所述掌静脉图像进行图像初筛包括以下步骤:
步骤S21、从所述掌静脉图像中获取预设宽度的第一边缘区域和第二边缘区域。
需要说明的是,该预设宽度是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定;诸如,上述实施例中,将该预设宽度设为2个像素点宽度。
于一实施例中,所述第一边缘区域和所述第二边缘区域均位于所述掌静脉图像的边缘处,且位置相对。
步骤S22、计算所述第一边缘区域和所述第二边缘区域的平均像素值。
若所述平均像素值满足预设像素条件,则初步判定所述掌静脉图像合格;若所述平均像素值不满足所述预设像素条件,则初步判定所述掌静脉图像不合格。
于一实施例中,预设像素条件为:平均像素值不大于预设像素阈值。
需要说明的是,该预设像素阈值是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定。
如图5所示,于一实施例中,所述对所述掌静脉图像进行图像初筛包括以下步骤:
步骤S23、获取所述掌静脉图像的中心区域。
于一实施例中,在掌静脉图像的中间高度处,沿着该掌静脉图像的X轴方向,在该掌静脉图像宽度的三分之一处,获取长度为三分之一图像宽度的正方形区域,即为该掌静脉图像的中心区域。
步骤S24、计算所述中心区域的平均灰度值和最大灰度值。
若所述平均灰度值和所述最大灰度值满足预设灰度条件,则初步判定所述掌静脉图像合格;若所述平均灰度值和所述最大灰度值不满足预设灰度条件,则初步判定所述掌静脉图像不合格。
于一实施例中,预设灰度条件为:平均灰度值大于第一预设灰度阈值,最大灰度值小于第二预设灰度阈值。
需要说明的是,该第一预设灰度阈值和第二预设灰度阈值均是预先设置好的,其具体设为多少,不作为限制本申请的条件(诸如,上述实施例中,即第一预设灰度阈值为50,第二预设灰度阈值为210),在实际应用中,可根据具体应用场景来设定;第二预设灰度阈值大于第一预设灰度阈值。
具体地,若平均灰度值和最大灰度值满足预设灰度条件,则判定掌静脉图像合适;否则,判定掌静脉图像过暗或过曝。
于一实施例中,对掌静脉图像进行图像初筛包括上述的步骤S21~步骤S24,即只有在平均像素值满足预设像素条件,且平均灰度值和最大灰度值满足预设灰度条件时,才初步判定掌静脉图像合格。
步骤S3、对所述初步判定为合格的掌静脉图像进行图像质量检测。
于一实施例中,所述图像质量检测至少包括但并不限于以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
需要说明的是,在对初步判定为合格的掌静脉图像进行图像质量检测时,对于图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估的先后顺序,可在实际应用场景中,根据具体应用场景来调整、调换其执行顺序。
如图6所示,于一实施例中,所述对所述初步判定为合格的掌静脉图像进行图像质量检测包括以下步骤:
步骤S31、对所述初步判定为合格的掌静脉图像进行图像明暗度评估,获取图像明暗度满足预设明暗度条件的第一图像。
于一实施例中,对初步判定为合格的掌静脉图像进行图像明暗度评估,获取该掌静脉图像各像素点的灰度值。
于一实施例中,像素点的灰度值小于第一预设值,判定像素点为过暗像素点。
于一实施例中,像素点的灰度值大于第二预设值,判定像素点为过亮像素点。
需要说明的是,第一预设值和第二预设值均是预先设置好的,其具体设为多少,不作为限制本申请的条件(诸如,上述实施例中,即第一预设值为100,第二预设值为200),在实际应用中,可根据具体应用场景来设定;第二预设值大于第一预设值。
于一实施例中,预设明暗度条件为:图像过暗像素点与图像总像素点的比值小于预设过暗阈值,且图像过亮像素点与图像总像素点的比值小于预设过亮阈值。
需要说明的是,该预设过暗阈值和预设过亮阈值也是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定。
步骤S32、对所述第一图像进行手掌边缘评估,获取手掌边缘满足预设边缘条件的第二图像。
如图7所示,于一实施例中,在所述图像质量检测包括手掌边缘评估时,对所述初步判定为合格的掌静脉图像进行手掌边缘评估,包括以下步骤:
步骤S321、基于所述初步判定为合格的掌静脉图像获取手掌边缘检测图像。
如图8所示,于一实施例中,基于所述初步判定为合格的掌静脉图像获取手掌边缘检测图像包括以下步骤:
步骤S3211、基于所述初步判定为合格的掌静脉图像获取水平方向的边缘。
步骤S3212、基于所述初步判定为合格的掌静脉图像获取垂直方向的边缘。
步骤S3213、对所述水平方向的边缘和所述垂直方向的边缘进行加权平均,获取手掌边缘检测图像。
步骤S322、根据所述手掌边缘检测图像和所述初步判定为合格的掌静脉图像判断手掌边缘是否满足预设边缘条件。
于一实施例中,根据所述手掌边缘检测图像和所述初步判定为合格的掌静脉图像计算Q值;具体计算公式如下:
其中,mE表示手掌边缘检测图像的灰度均值;mI表示初步判定为合格的掌静脉图像或第一图像的灰度均值。
于本实施例中,根据所述手掌边缘检测图像和所述初步判定为合格的掌静脉图像判断手掌边缘是否满足预设边缘条件包括:判断Q值是否满足预设边缘条件。
于一实施例中,预设边缘条件为:Q值大于预设边缘阈值。
具体地,若Q值大于预设边缘阈值,则判定手掌边缘满足预设边缘条件,即手掌边缘清晰;反之,若Q值不大于预设边缘阈值,则判定手掌边缘不满足预设边缘条件,即手掌边缘不清晰。
需要说明的是,预设边缘阈值是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定。
步骤S33、对所述第二图像进行图像噪声评估,获取图像噪声满足预设噪声条件的第三图像。
如图9所示,于一实施例中,对第二图像进行图像噪声评估,获取图像噪声满足预设噪声条件的第三图像包括以下步骤:
步骤S331、对第二图像进行滤波处理,获取滤波图像。
步骤S332、对滤波图像和第二图像进行均方差计算,获取滤波图像和第二图像的均方误差。
具体地,均方差计算的公式如下:
其中,M表示第二图像L的像素总数;N表示滤波图像K的像素总数;MSE表示滤波图像K和第二图像L的均方误差。
步骤S333、判断均方误差是否满足预设噪声条件。
于一实施例中,预设噪声条件为:均方误差小于预设噪声阈值。
需要说明的是,预设噪声阈值是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定(诸如,上述实施例中,对应的预设噪声阈值为4)。
具体地,在均方误差满足预设噪声条件时,判定图像噪声满足预设噪声条件;在均方误差不满足预设噪声条件时,判定图像噪声不满足预设噪声条件。
步骤S34、对所述第三图像进行人手姿态估计,获取人手姿态满足预设手姿态条件的第四图像。
如图10所示,于一实施例中,在所述图像质量检测包括人手姿态估计时,对所述初步判定为合格的掌静脉图像进行人手姿态估计,包括以下步骤:
步骤S341、根据所述初步判定为合格的掌静脉图像判断手是否存在。
在手存在时,执行步骤S342。
步骤S342、预估出多个手关节点。
于一实施例中,利用Mediapipe框架实现预估出多个手关节点。
于一实施例中,该步骤S342中,预估出了21个手关节点,具体如图1n所示。
步骤S343、基于多个所述手关节点对手掌姿态进行判断,以实现判断人手姿态是否满足预设手姿态条件。
于一实施例中,所述对手掌姿态进行判断至少包括但并不限于以下任意一种:判断手掌是否完整、判断手掌是左手手掌,还是右手手掌、判断手掌是否完全张开。
于一实施例中,判断手掌是否完整包括;判断0、5、9、13、17、4、20这7个手关节点是否在图像(这里指的是“第三图像”)范围内,以判定手掌是否完整。
若这7个手关节点中有一个手关节点不在图像范围内,则判定手掌不全。
于一实施例中,判断手掌是左手手掌,还是右手手掌包括:通过计算手关节点0和手关节点9两点之间连线与图1n中的水平向右方向之间的角度1,手关节点0和手关节点4两点之间与图1n中的水平向右方向之间的角度2;若角度1大于角度2且小于角度2加上90度,则为左手的掌心图像;若角度1小于角度2且大于角度2减去90度,则为右手的掌心图像。
于一实施例中,判断手掌是否完全张开包括:判断手掌是否完全张开时,主要考虑两个方面,第一个方面是每个手指是否过度弯曲;第二个方面是计算各手指之间的角度(食指与中指、中指与无名指、无名指与小拇指),并与手指张开阈值进行比较;这两个方面都满足条件,则判断为手掌完全张开,否则将会对后续的掌静脉识别产生影响
于一实施例中,所述判断手掌是否完全张开包括:判断每个手指的弯曲度是否满足预设弯曲条件,和/或计算相邻两个手指之间的角度,以判断所述角度是否满足预设角度条件。
于一实施例中,预设弯曲条件为:弯曲度大于预设弯曲角度。
具体地,若手指的弯曲度大于预设弯曲角度,则判定该手指未过度弯曲;反之,若手指的弯曲度不大于预设弯曲角度,则判定该手指过度弯曲。
需要说明的是,预设弯曲角度是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定(诸如,上述实施例中,对应的预设弯曲角度为120°)。
于一实施例中,计算相邻两个手指之间的角度包括:分别计算食指与中指、中指与无名指、无名指与小指之间的角度。
于一实施例中,预设角度条件为:角度大于预设角度阈值。
需要说明的是,预设角度阈值是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定。
步骤S35、对所述第四图像进行掌心区域评估,以实现获取掌心区域满足预设掌心区域条件的第五图像。
于本实施例中,所述第五图像为最终判定为合格的掌静脉图像。
考虑到图像明暗度评估、手掌边缘评估及图像噪声评估的处理速度较快,而掌心区域评估又要依赖于人手姿态估计算法中预估的手关节点,于本实施例中,按照图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计、掌心区域评估的先后顺序,实现对掌静脉图像的图像质量检测,能够实现在最终获取合格的高质量掌静脉图像之前,较快过滤掉不合格的图像,从而能较好地提升用户的体验度。
如图11所示,于一实施例中,在所述图像质量检测包括掌心区域评估时,对所述初步判定为合格的掌静脉图像进行掌心区域评估,包括以下步骤:
步骤S351、根据多个所述手关节点计算掌心区域的半径。
具体地,对手关节点0、手关节点5、手关节点9、手关节点13及手关节点17进行加权计算,得到掌心区域的半径。
于本实施例中,所述掌心区域为手掌的最大内接圆。
步骤S352、判断所述半径是否满足预设半径条件,以实现判断所述掌心区域是否满足预设掌心区域条件。
于一实施例中,预设掌心区域条件为:掌心区域的半径满足预设半径条件。
于一实施例中,预设半径条件为:半径大于预设半径阈值。
需要说明的是,预设半径阈值是预先设置好的,其具体设为多少,不作为限制本申请的条件,在实际应用中,可根据具体应用场景来设定。
于本实施例中,若半径满足预设半径条件,则判定掌心区域满足预设掌心区域条件;若半径不满足预设半径条件,则判定掌心区域不满足预设掌心区域条件。
本申请提供的掌静脉图像质量检测方法应用于掌静脉识别系统中,能够在掌静脉识别系统的预处理阶段,实现对掌静脉图像质量的预先检测,从而过滤掉不合格的、低质量的掌静脉图像,获取合格的、高质量的掌静脉图像,进而利用该高质量的掌静脉图像进行后续的掌静脉识别,提高了掌静脉识别的准确可靠性,及识别效率。
本申请实施例所述的掌静脉图像质量检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种掌静脉图像质量检测系统,所述掌静脉图像质量检测系统可以实现本申请所述的掌静脉图像质量检测方法,但本申请所述的掌静脉图像质量检测方法的实现装置包括但不限于本实施例列举的掌静脉图像质量检测系统的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
如图12所示,本实施例提供一种掌静脉图像质量检测系统,所述掌静脉图像质量检测系统包括:
图像获取模块121,用于获取掌静脉图像。
图像初筛模块122,用于对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像。
图像检测模块123,用于对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
需要说明的是,所述图像获取模块121、所述图像初筛模块122及所述图像检测模块123的结构及原理与上述掌静脉图像质量检测方法中的步骤(步骤S1~步骤S3)一一对应,故在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本实施例还提供一种电子设备,所述电子设备包括:存储器,所述存储器用于存储计算机程序;处理器,所述处理器用于执行所述计算机程序,以使所述电子设备执行上述掌静脉图像质量检测方法。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被电子设备执行时实现上述掌静脉图像质量检测方法。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种掌静脉图像质量检测方法,其特征在于,所述掌静脉图像质量检测方法包括以下步骤:
获取掌静脉图像;
对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像;
对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
2.根据权利要求1所述的掌静脉图像质量检测方法,其特征在于,所述对所述掌静脉图像进行图像初筛包括以下步骤:
从所述掌静脉图像中获取预设宽度的第一边缘区域和第二边缘区域;所述第一边缘区域和所述第二边缘区域均位于所述掌静脉图像的边缘处,且位置相对;
计算所述第一边缘区域和所述第二边缘区域的平均像素值;
若所述平均像素值满足预设像素条件,则初步判定所述掌静脉图像合格;若所述平均像素值不满足所述预设像素条件,则初步判定所述掌静脉图像不合格。
3.根据权利要求1或2所述的掌静脉图像质量检测方法,其特征在于,所述对所述掌静脉图像进行图像初筛包括以下步骤:
获取所述掌静脉图像的中心区域;
计算所述中心区域的平均灰度值和最大灰度值;
若所述平均灰度值和所述最大灰度值满足预设灰度条件,则初步判定所述掌静脉图像合格;若所述平均灰度值和所述最大灰度值不满足预设灰度条件,则初步判定所述掌静脉图像不合格。
4.根据权利要求1所述的掌静脉图像质量检测方法,其特征在于,所述对所述初步判定为合格的掌静脉图像进行图像质量检测包括以下步骤:
对所述初步判定为合格的掌静脉图像进行图像明暗度评估,获取图像明暗度满足预设明暗度条件的第一图像;
对所述第一图像进行手掌边缘评估,获取手掌边缘满足预设边缘条件的第二图像;
对所述第二图像进行图像噪声评估,获取图像噪声满足预设噪声条件的第三图像;
对所述第三图像进行人手姿态估计,获取人手姿态满足预设手姿态条件的第四图像;
对所述第四图像进行掌心区域评估,以实现获取掌心区域满足预设掌心区域条件的第五图像;所述第五图像为最终判定为合格的掌静脉图像。
5.根据权利要求1或4所述的掌静脉图像质量检测方法,其特征在于,在所述图像质量检测包括人手姿态估计时,对所述初步判定为合格的掌静脉图像进行人手姿态估计,包括以下步骤:
根据所述初步判定为合格的掌静脉图像判断手是否存在;
在手存在时,预估出多个手关节点;
基于多个所述手关节点对手掌姿态进行判断,以实现判断人手姿态是否满足预设手姿态条件;所述对手掌姿态进行判断至少包括以下任意一种:判断手掌是否完整、判断手掌是左手手掌,还是右手手掌、判断手掌是否完全张开;其中,所述判断手掌是否完全张开包括:判断每个手指的弯曲度是否满足预设弯曲条件,和/或计算相邻两个手指之间的角度,以判断所述角度是否满足预设角度条件。
6.根据权利要求5所述的掌静脉图像质量检测方法,其特征在于,在所述图像质量检测包括掌心区域评估时,对所述初步判定为合格的掌静脉图像进行掌心区域评估,包括以下步骤:
根据多个所述手关节点计算掌心区域的半径;所述掌心区域为手掌的最大内接圆;
判断所述半径是否满足预设半径条件,以实现判断所述掌心区域是否满足预设掌心区域条件。
7.根据权利要求1或4所述的掌静脉图像质量检测方法,其特征在于,在所述图像质量检测包括手掌边缘评估时,对所述初步判定为合格的掌静脉图像进行手掌边缘评估,包括以下步骤:
基于所述初步判定为合格的掌静脉图像获取手掌边缘检测图像;
根据所述手掌边缘检测图像和所述初步判定为合格的掌静脉图像判断手掌边缘是否满足预设边缘条件。
8.一种掌静脉图像质量检测系统,其特征在于,所述掌静脉图像质量检测系统包括:
图像获取模块,用于获取掌静脉图像;
图像初筛模块,用于对所述掌静脉图像进行图像初筛,获取初步判定为合格的掌静脉图像;
图像检测模块,用于对所述初步判定为合格的掌静脉图像进行图像质量检测;所述图像质量检测至少包括以下任意一种:图像明暗度评估、手掌边缘评估、图像噪声评估、人手姿态估计及掌心区域评估。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,所述存储器用于存储计算机程序;
处理器,所述处理器用于执行所述计算机程序,以使所述电子设备执行权利要求1至7中任一项所述的掌静脉图像质量检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被电子设备执行时实现权利要求1至7所述的掌静脉图像质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565671.3A CN115829975A (zh) | 2022-12-07 | 2022-12-07 | 掌静脉图像质量检测方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565671.3A CN115829975A (zh) | 2022-12-07 | 2022-12-07 | 掌静脉图像质量检测方法、系统、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829975A true CN115829975A (zh) | 2023-03-21 |
Family
ID=85544464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211565671.3A Pending CN115829975A (zh) | 2022-12-07 | 2022-12-07 | 掌静脉图像质量检测方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115624A (zh) * | 2023-10-25 | 2023-11-24 | 盛视科技股份有限公司 | 一种掌静脉图像质量评估方法 |
-
2022
- 2022-12-07 CN CN202211565671.3A patent/CN115829975A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115624A (zh) * | 2023-10-25 | 2023-11-24 | 盛视科技股份有限公司 | 一种掌静脉图像质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matern et al. | Exploiting visual artifacts to expose deepfakes and face manipulations | |
Ignatov et al. | Dslr-quality photos on mobile devices with deep convolutional networks | |
CN110532984B (zh) | 关键点检测方法、手势识别方法、装置及系统 | |
CN108229277B (zh) | 手势识别、手势控制及多层神经网络训练方法、装置及电子设备 | |
CN110147721B (zh) | 一种三维人脸识别方法、模型训练方法和装置 | |
CN110826519A (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
JP7446457B2 (ja) | 画像最適化方法及びその装置、コンピュータ記憶媒体、コンピュータプログラム並びに電子機器 | |
Zhu et al. | Estimating spatially varying defocus blur from a single image | |
Nair et al. | At-ddpm: Restoring faces degraded by atmospheric turbulence using denoising diffusion probabilistic models | |
JP4682820B2 (ja) | オブジェクト追跡装置及びオブジェクト追跡方法、並びにプログラム | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN111414858B (zh) | 人脸识别方法、目标图像的确定方法、装置和电子系统 | |
CN111382613A (zh) | 图像处理方法、装置、设备和介质 | |
CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN111476213A (zh) | 一种基于道路影像的遮挡物覆盖区域填充方法和装置 | |
EP3859673A1 (en) | Model generation | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN111784658B (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
Fan et al. | Multiscale cross-connected dehazing network with scene depth fusion | |
CN114494347A (zh) | 一种单摄像头多模式视线追踪方法和装置、电子设备 | |
CN113128368A (zh) | 一种人物交互关系的检测方法、装置及系统 | |
CN112036209A (zh) | 一种人像照片处理方法及终端 | |
CN115829975A (zh) | 掌静脉图像质量检测方法、系统、介质及电子设备 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 |
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 |