CN116884048B - 一种基于边缘形态的异常静脉图像检测方法 - Google Patents

一种基于边缘形态的异常静脉图像检测方法 Download PDF

Info

Publication number
CN116884048B
CN116884048B CN202311155902.8A CN202311155902A CN116884048B CN 116884048 B CN116884048 B CN 116884048B CN 202311155902 A CN202311155902 A CN 202311155902A CN 116884048 B CN116884048 B CN 116884048B
Authority
CN
China
Prior art keywords
target detection
finger
detection image
value
column
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
Application number
CN202311155902.8A
Other languages
English (en)
Other versions
CN116884048A (zh
Inventor
梁润淇
赵国栋
李学双
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.)
Jiangsu Shengdian Century Technology Co ltd
Original Assignee
Jiangsu 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 Jiangsu Shengdian Century Technology Co ltd filed Critical Jiangsu Shengdian Century Technology Co ltd
Priority to CN202311155902.8A priority Critical patent/CN116884048B/zh
Publication of CN116884048A publication Critical patent/CN116884048A/zh
Application granted granted Critical
Publication of CN116884048B publication Critical patent/CN116884048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V40/60—Static or dynamic means for assisting the user to position a body part for biometric acquisition
    • G06V40/67—Static or dynamic means for assisting the user to position a body part for biometric acquisition by interactive indications to the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Vascular Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于边缘形态的异常静脉图像检测方法，属于生物识别领域，包括以下步骤：对指静脉图像进行缩放处理获得目标检测图像，计算目标检测图像中手指的边缘点；构建位置数组和距离数组记录边缘点的信息；根据距离数组判断目标检测图像中手指是否弯曲或倾斜；根据位置数组判断目标检测图像中手指是否两端异常；然后计算目标检测图像中每个像素点的方差，并计算目标检测图像每列的方差均值，根据方差均值判断目标检测图像中手指是否拖影。本发明通过对指静脉图像进行手指倾斜、手指弯曲、手指两端粗细异常、手指脱影检测，筛选出异常指静脉图像，从而提示用户重新采集指静脉图像，提高静脉图像质量。

Description

一种基于边缘形态的异常静脉图像检测方法
技术领域
本发明涉及生物识别技术领域，特别是涉及一种基于边缘形态的异常静脉图像检测方法。
背景技术
在指静脉的采集过程中，用户的手指放置具有任意性，采集的指静脉图像可能存在各种异常现象如：手指倾斜、手指弯曲、手指两端粗细异常、手指脱影等问题。若采集的指静脉图像异常，则后期的静脉特征提取较为困难，进而影响静脉识别成功率。因此，如何检测出异常指静脉图像，提示用户重新采集指静脉图像是需要亟需解决的问题。
发明内容
本发明的主要目的是提供一种基于边缘形态的异常静脉图像检测方法，可以判断采集到的指静脉图像是否异常，从而提示用户重新采集指静脉图像，提高采集到的指静脉图像的质量。
为实现上述目的，本发明提供了如下方案：本发明涉及一种基于边缘形态的异常静脉图像检测方法，其包括以下步骤：
步骤1.对指静脉图像进行缩放处理获得目标检测图像，计算目标检测图像中手指的边缘点，所述边缘点包括左边缘点和右边缘点；
步骤2.构建位置数组和距离数组，其中位置数组记录边缘点的列坐标，距离数组记录边缘点到目标检测图像边界的距离；
步骤3.根据距离数组计算相邻的边缘点到目标检测图像边界的距离的差值，并通过所述差值判断目标检测图像中手指是否弯曲或倾斜，若手指弯曲或倾斜则提示用户重新采集指静脉图像，反之进入步骤4；
步骤4.根据位置数组计算目标检测图像中手指的宽度，通过手指上端宽度和手指下端宽度的差值判断目标检测图像中手指是否两端异常，若手指两端异常则提示用户重新采集指静脉图像，反之进行步骤5；
步骤5.依次计算目标检测图像中每个像素点的方差，并计算目标检测图像每列的方差均值，根据方差均值判断目标检测图像中手指是否拖影，若手指拖影则提示用户重新采集指静脉图像，反之认为该指静脉图像不异常。
优选地，所述步骤1中对指静脉图像进行缩放处理获得目标检测图像的方法为：将指静脉图像按行分为若干尺寸相等的子区域，依次计算子区域中每列像素点的灰度均值并将其作为目标检测图像对应像素点的灰度值，计算公式为：
Y= M/X
公式中，G为指静脉图像，M和N分别为指静脉图像的行数和列数，X为子区域的个数，Y为子区域的行数，i和j分别目标检测图像的行坐标和列坐标，A(i,j)为目标检测图像在第i行、j列的灰度值，k为指静脉图像的行变量。
优选地，所述步骤1中获取目标检测图像中手指的边缘点的具体步骤为：
步骤1.1.将目标检测图像从中心列划分为左区域和右区域；
步骤1.2.依次遍历左区域的每个像素点确认左边缘点，其中左边缘点同时满足以下条件：
a）该像素点偏左三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
,
公式中，H为目标检测图像以列居中的60%区域的灰度均值，m和n分别为目标检测图像的行变量和列变量；
b）该像素点右一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点右二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
,
公式中，T1为第一灰度阈值，T2为第二灰度阈值，A(i,j+1)为A(i,j)右一列的像素点的灰度值，A(i,j+2)为A(i,j)右二列的像素点的灰度值；
步骤1.3.依次遍历右区域的每个像素点确定右边缘点，其中右边缘点同时满足以下条件：
a）该像素点偏右三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
,
b）该像素点左一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点左二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
，
公式中，A(i,j-1)为A(i,j)左一列的像素点的灰度值，A(i,j-2)为A(i,j)左二列的像素点的灰度值。
优选地，所述步骤2中构建位置数组和距离数组包括：
步骤2.1.构建行数为X，列数为2的位置数组B,将左边缘点的列坐标依次填入位置数组B的第一列，将右边缘点的列坐标依次填入位置数组B的第二列；
步骤2.2.构建行数为X，列数为2的距离数组C,将左边缘点到目标检测图像左边界距离依次填入距离数组C的第一列，将右边缘点到目标检测图像右边界距离依次填入到距离数组C的第二列。
优选地，所述步骤3中根据所述差值判断目标检测图像中手指是否倾斜或弯曲，包括：
步骤3.1.依次计算相邻两个左边缘点到目标检测图像左边界距离的差值和相邻两个右边缘点到目标检测图像右边界距离的差值,即：
D1(i,1)=C(i+1,1)-C(i,1)
D2(i,1)=C(i+1,2)-C(i,2)
公式中，D1为相邻两个左边缘点到目标检测图像左边界的距离的差值数组，D2为相邻两个右边缘点到目标检测图像右边界的距离的差值数组，C(i,1)为目标检测图像第i行的左边缘点到目标检测图像左边界的距离，C(i+1,1)为目标检测图像第i+1行的左边缘点到目标检测图像左边界的距离，C(i,2)为目标检测图像第i行的右边缘点到目标检测图像右边界的距离，C(i+1,2)为目标检测图像第i+1行的右边缘点到目标检测图像右边界的距离；
步骤3.2.统计数组D1和D2中分量的大小，若满足手指弯曲条件，则判定目标检测图像中的手指弯曲，提示用户重新采集指静脉图像，反之进入步骤3.3，其中，手指弯曲条件为数组D1和D2中存在分量满足以下条件：
,
或
,
公式中， q={i-1,i,i+1}；D1(i-2,1)为目标检测图像第i-1行的左边缘点和第i-2行的左边缘点到目标检测图像左边界的距离的差值；D1(i-1,1)为目标检测图像第i行的左边缘点和第i-1行的左边缘点到目标检测图像左边界的距离的差值；D1(i+1,1)目标检测图像第i+2行的左边缘点和第i+1行的左边缘点到目标检测图像左边界的距离的差值；D1(i+2,1)为目标检测图像第i+3行的左边缘点和第i+2行的左边缘点到目标检测图像左边界的距离的差值；D2(q-2,1)为目标检测图像第q-1行的右边缘点和第q-2行的右边缘点到目标检测图像右边界的距离的差值；D2(q-1,1)为目标检测图像第q行的右边缘点和第q-1行的右边缘点到目标检测图像右边界的距离的差值；D2(q+1,1)为目标检测图像第q+2行的右边缘点和第q+1行的右边缘点到目标检测图像右边界的距离的差值；D2(q+2,1)为目标检测图像第q+3行的右边缘点和第q+2行的右边缘点到目标检测图像右边界的距离的差值；
步骤3.3.分别统计D1和D2中大于0的分量个数，若D1中大于0的分量个数占D1分量总数的70%以上且D2中大于0的分量个数占D2分量总数的70%以下，或若D1中大于0的分量个数占D1分量总数的70%以下且D2中大于0的分量个数占D2分量总数的70%以上，则初步判定目标检测图像中的手指倾斜。
优选地，在初步判定目标检测图像中的手指倾斜后，还包括：分别计算左边缘点的倾斜角度和右边缘的倾斜角度，及左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值，若左边缘点的倾斜角度或右边缘的倾斜角度任一大于7度，或差值绝对值大于2.5度，则判定目标检测图像中的手指倾斜，计算公式为：
，
，
Angle=|Angle_L-Angle_R|,
公式中，Angle_L为左边缘点的倾斜角度，Angle_R为右边缘点的倾斜角度，Angle为左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值。
优选地，所述步骤4中判断目标检测图像中手指是否两端异常包括：
步骤4.1.计算目标检测图像中手指的宽度，公式为：
W(i)=B(i,2)-B(i,1)
公式中，B(i,1)为目标检测图像中第i行左边缘点的列坐标，B(i,2)为目标检测图像中第i行右边缘点的列坐标，W(i)为目标检测图像中手指在第i行的宽度；
步骤4.2.计算手指上端的宽度和手指下端的宽度差值的绝对值，并判断该差值的绝对值是否大于宽度阈值，若大于则判定目标检测图像中手指两端异常，计算公式为：
|W(1)+W(2)+W(3)-W(X)-W(X-1)-W(X-2)|＞T3
公式中，T3为宽度阈值。
优选地，所述步骤5中每个像素点的方差是根据该像素点5邻域内的像素点计算。
优选地，所述根据方差均值判断目标检测图像中手指是否拖影包括：统计方差均值小于方差阈值的列数，若所述列数大于列数阈值，则判定目标检测图像中手指存在拖影。
本发明通过对指静脉图像进行手指倾斜、手指弯曲、手指两端粗细异常、手指脱影检测，筛选出异常指静脉图像，从而提示用户重新采集指静脉图像，提高采集到的指静脉图像质量，进而提高指静脉识别成功率。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明涉及的一种基于边缘形态的异常静脉图像检测方法的流程图；
图2为本发明步骤1中的指静脉图像。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
参照图1所示，本发明涉及一种基于边缘形态的异常静脉图像检测方法，其包括以下步骤：
步骤1.采集用户的指静脉图像，采集到的指静脉图像参照图2所示，对指静脉图像进行缩放处理获得目标检测图像，计算目标检测图像中手指的边缘点，所述边缘点包括左边缘点和右边缘点，具体步骤为：
步骤1.1.对指静脉图像进行缩放处理获得目标检测图像,方法为：将指静脉图像按行分为若干尺寸相等的子区域，依次计算子区域中每列像素点的灰度均值并将其作为目标检测图像对应像素点的灰度值，计算公式为：
Y= M/X
，
公式中，G为指静脉图像，M和N分别为指静脉图像的行数和列数，X为子区域的个数，Y为子区域的行数，i和j分别目标检测图像的行坐标和列坐标，A(i,j)为目标检测图像在第i行、j列的灰度值，k为指静脉图像的行变量；
对指静脉图像进行缩放处理，可以减少运算量，提高运算速度，但若缩放比例过大，则可能会导致静脉信息丢失，本实施例中根据指静脉图像跑批得到，X的优选取值为15-25；
步骤1.2.将目标检测图像从中心列划分为左区域和右区域；将指静脉图像划分为左区域和右区域，分别从左区域确认左边缘点，从右区域确认右边缘点，而不是从整张指静脉图像上确认左右边缘点，可以提高运算速度；
步骤1.3.依次遍历左区域的每个像素点确认左边缘点，其中左边缘点同时满足以下条件：
a）该像素点偏左三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
，
公式中，H为目标检测图像以列居中的60%区域的灰度均值，m和n分别为目标检测图像的行变量和列变量；
b）该像素点右一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点右二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
，
公式中，T1为第一灰度阈值，T2为第二灰度阈值，A(i,j+1)为A(i,j)右一列的像素点的灰度值，A(i,j+2)为A(i,j)右二列的像素点的灰度值；
步骤1.4.依次遍历右区域的每个像素点确定右边缘点，其中右边缘点同时满足以下条件：
a）该像素点偏右三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
，
b）该像素点左一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点左二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
，
公式中，A(i,j-1)为A(i,j)左一列的像素点的灰度值，A(i,j-2)为A(i,j)左二列的像素点的灰度值。
根据指静脉图像的物理特性，指静脉图像中手指的边缘点灰度值较低，手指的中间区域灰度值较高，因此可通过相邻像素点的灰度差异来判断是否为边缘点。
步骤2.构建位置数组和距离数组，其中位置数组记录边缘点的列坐标，距离数组记录边缘点到目标检测图像边界的距离，具体步骤为：
步骤2.1.构建行数为X，列数为2的位置数组B,将左边缘点的列坐标依次填入位置数组B的第一列，将右边缘点的列坐标依次填入位置数组B的第二列；
步骤2.2.构建行数为X，列数为2的距离数组C,将左边缘点到目标检测图像左边界距离依次填入距离数组C的第一列，将右边缘点到目标检测图像右边界距离依次填入到距离数组C的第二列；
将左边缘点的列坐标按照其对应的行依次填入位置数组的第一列，将右边缘点的列坐标按照其对应的列依次填入位置数组的第二列，得到了位置数组，将左边缘点到目标检测图像左边界距离按照其对应的行依次填入距离数组的第一列，将右边缘点到目标检测图像右边界距离按照其对应的行依次填入到距离数组的第二列，得到距离数组，通过位置数组和距离数据可以确定手指边缘点的位置及到边界的距离，便于计算手指是否异常。
步骤3.根据距离数组计算相邻的边缘点到目标检测图像边界的距离的差值，并通过所述差值判断目标检测图像中手指是否弯曲或倾斜，若手指弯曲或倾斜则提示用户重新采集指静脉图像，反之进入步骤4，具体步骤为：
步骤3.1.依次计算相邻两个左边缘点到目标检测图像左边界距离的差值和相邻两个右边缘点到目标检测图像右边界距离的差值,即：
D1(i,1)=C(i+1,1)-C(i,1)
D2(i,1)=C(i+1,2)-C(i,2)
公式中，D1为相邻两个左边缘点到目标检测图像左边界的距离的差值数组，D2为相邻两个右边缘点到目标检测图像右边界的距离的差值数组，C(i,1)为目标检测图像第i行的左边缘点到目标检测图像左边界的距离，C(i+1,1)为目标检测图像第i+1行的左边缘点到目标检测图像左边界的距离，C(i,2)为目标检测图像第i行的右边缘点到目标检测图像右边界的距离，C(i+1,2)为目标检测图像第i+1行的右边缘点到目标检测图像右边界的距离；
步骤3.2.统计数组D1和D2中分量的大小，若满足手指弯曲条件，则判定目标检测图像中的手指弯曲，提示用户重新采集指静脉图像，反之进入步骤3.3，其中，手指弯曲条件为数组D1和D2中存在分量满足以下条件：
，
或
，
公式中， q={i-1,i,i+1}；D1(i-2,1)为目标检测图像第i-1行的左边缘点和第i-2行的左边缘点到目标检测图像左边界的距离的差值；D1(i-1,1)为目标检测图像第i行的左边缘点和第i-1行的左边缘点到目标检测图像左边界的距离的差值；D1(i+1,1)目标检测图像第i+2行的左边缘点和第i+1行的左边缘点到目标检测图像左边界的距离的差值；D1(i+2,1)为目标检测图像第i+3行的左边缘点和第i+2行的左边缘点到目标检测图像左边界的距离的差值；D2(q-2,1)为目标检测图像第q-1行的右边缘点和第q-2行的右边缘点到目标检测图像右边界的距离的差值；D2(q-1,1)为目标检测图像第q行的右边缘点和第q-1行的右边缘点到目标检测图像右边界的距离的差值；D2(q+1,1)为目标检测图像第q+2行的右边缘点和第q+1行的右边缘点到目标检测图像右边界的距离的差值；D2(q+2,1)为目标检测图像第q+3行的右边缘点和第q+2行的右边缘点到目标检测图像右边界的距离的差值；
步骤3.3.分别统计D1和D2中大于0的分量个数，若D1中大于0的分量个数占D1分量总数的70%以上且D2中大于0的分量个数占D2分量总数的70%以下，或若D1中大于0的分量个数占D1分量总数的70%以下且D2中大于0的分量个数占D2分量总数的70%以上，则初步判定目标检测图像中的手指倾斜，进行步骤3.4；
步骤3.4.分别计算左边缘点的倾斜角度和右边缘的倾斜角度，及左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值，若左边缘点的倾斜角度或右边缘的倾斜角度任一大于7度，或差值绝对值大于2.5度，则判定目标检测图像中的手指倾斜，提示用户重新采集指静脉图像，计算公式为：
，
，
Angle=|Angle_L-Angle_R|，
公式中，Angle_L为左边缘点的倾斜角度，Angle_R为右边缘点的倾斜角度，Angle为左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值。
步骤4.根据位置数组计算目标检测图像中手指的宽度，通过手指上端宽度和手指下端宽度的差值判断目标检测图像中手指是否两端异常，若手指两端异常则提示用户重新采集指静脉图像，反之进行步骤5，具体步骤为：
步骤4.1.计算目标检测图像中手指的宽度，公式为：
W(i)=B(i,2)-B(i,1)
公式中，B(i,1)为目标检测图像中第i行左边缘点的列坐标，B(i,2)为目标检测图像中第i行右边缘点的列坐标，W(i)为目标检测图像中手指在第i行的宽度；
步骤4.2.计算手指上端的宽度和手指下端的宽度差值的绝对值，并判断该差值的绝对值是否大于宽度阈值，若大于则判定目标检测图像中手指两端异常，计算公式为：
|W(1)+W(2)+W(3)-W(X)-W(X-1)-W(X-2)|＞T3
公式中，T3为宽度阈值。
步骤5.依次计算目标检测图像中每个像素点的方差，并计算目标检测图像每列的方差均值，根据方差均值判断目标检测图像中手指是否拖影，若手指拖影则提示用户重新采集指静脉图像，反之认为该指静脉图像不异常；其中每个像素点的方差是根据该像素点5邻域内的像素点计算；根据方差均值判断目标检测图像中手指是否拖影包括：统计方差均值小于方差阈值的列数，若所述列数大于列数阈值，则判定目标检测图像中手指存在拖影。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于边缘形态的异常静脉图像检测方法，其特征在于，包括以下步骤：
步骤1.对指静脉图像进行缩放处理获得目标检测图像，计算目标检测图像中手指的边缘点，所述边缘点包括左边缘点和右边缘点，其中，对指静脉图像进行缩放处理获得目标检测图像的方法为：将指静脉图像按行分为若干尺寸相等的子区域，依次计算子区域中每列像素点的灰度均值并将其作为目标检测图像对应像素点的灰度值，计算公式为：
Y= M/X
公式中，G为指静脉图像，M和N分别为指静脉图像的行数和列数，X为子区域的个数，Y为子区域的行数，i和j分别目标检测图像的行坐标和列坐标，A(i,j)为目标检测图像在第i行、j列的灰度值，k为指静脉图像的行变量；
计算目标检测图像中手指的边缘点的具体步骤为：
步骤1.1.将目标检测图像从中心列划分为左区域和右区域；
步骤1.2.依次遍历左区域的每个像素点确认左边缘点，其中左边缘点同时满足以下条件：
a）该像素点偏左三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
，
公式中，H为目标检测图像以列居中的60%区域的灰度均值，m和n分别为目标检测图像的行变量和列变量；
b）该像素点右一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点右二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
，
公式中，T1为第一灰度阈值，T2为第二灰度阈值，A(i,j+1)为A(i,j)右一列的像素点的灰度值，A(i,j+2)为A(i,j)右二列的像素点的灰度值；
步骤1.3.依次遍历右区域的每个像素点确定右边缘点，其中右边缘点同时满足以下条件：
a）该像素点偏右三邻域的灰度均值小于第一灰度阈值，所述第一灰度阈值为目标检测图像以列居中的60%区域的灰度均值减去25，即：
，
b）该像素点左一列的像素点与该像素点的灰度值差值大于第一灰度阈值，像素点左二列的像素点与该像素点的灰度值差值大于第二灰度阈值，且第二灰度阈值大于第一灰度阈值，即：
，
公式中，A(i,j-1)为A(i,j)左一列的像素点的灰度值，A(i,j-2)为A(i,j)左二列的像素点的灰度值；
步骤2.构建位置数组和距离数组，其中位置数组记录边缘点的列坐标，距离数组记录边缘点到目标检测图像边界的距离；
步骤3.根据距离数组计算相邻的边缘点到目标检测图像边界的距离的差值，并通过所述差值判断目标检测图像中手指是否弯曲或倾斜，若手指弯曲或倾斜则提示用户重新采集指静脉图像，反之进入步骤4；
步骤4.根据位置数组计算目标检测图像中手指的宽度，通过手指上端宽度和手指下端宽度的差值判断目标检测图像中手指是否两端异常，若手指两端异常则提示用户重新采集指静脉图像，反之进行步骤5；
步骤5.依次计算目标检测图像中每个像素点的方差，并计算目标检测图像每列的方差均值，根据方差均值判断目标检测图像中手指是否拖影，若手指拖影则提示用户重新采集指静脉图像，反之认为该指静脉图像不异常。
2.根据权利要求1所述的基于边缘形态的异常静脉图像检测方法，其特征在于：所述步骤2中构建位置数组和距离数组包括：
步骤2.1.构建行数为X，列数为2的位置数组B,将左边缘点的列坐标依次填入位置数组B的第一列，将右边缘点的列坐标依次填入位置数组B的第二列；
步骤2.2.构建行数为X，列数为2的距离数组C,将左边缘点到目标检测图像左边界距离依次填入距离数组C的第一列，将右边缘点到目标检测图像右边界距离依次填入到距离数组C的第二列。
3.根据权利要求2所述的基于边缘形态的异常静脉图像检测方法，其特征在于：所述步骤3中根据所述差值判断目标检测图像中手指是否倾斜或弯曲，包括：
步骤3.1.依次计算相邻两个左边缘点到目标检测图像左边界距离的差值和相邻两个右边缘点到目标检测图像右边界距离的差值,即：
D1(i,1)=C(i+1,1)-C(i,1)
D2(i,1)=C(i+1,2)-C(i,2)
公式中，D1为相邻两个左边缘点到目标检测图像左边界的距离的差值数组，D2为相邻两个右边缘点到目标检测图像右边界的距离的差值数组，C(i,1)为目标检测图像第i行的左边缘点到目标检测图像左边界的距离，C(i,2)为目标检测图像第i行的右边缘点到目标检测图像右边界的距离；
步骤3.2.统计数组D1和D2中分量的大小，若满足手指弯曲条件，则判定目标检测图像中的手指弯曲，提示用户重新采集指静脉图像，反之进入步骤3.3，其中，手指弯曲条件为数组D1和D2中存在分量满足以下条件：
，
或
，
公式中， q={i-1,i,i+1}；
步骤3.3.分别统计D1和D2中大于0的分量个数，若D1中大于0的分量个数占D1分量总数的70%以上且D2中大于0的分量个数占D2分量总数的70%以下，或若D1中大于0的分量个数占D1分量总数的70%以下且D2中大于0的分量个数占D2分量总数的70%以上，则初步判定目标检测图像中的手指倾斜。
4.根据权利要求3所述的基于边缘形态的异常静脉图像检测方法，其特征在于：在初步判定目标检测图像中的手指倾斜后，还包括：分别计算左边缘点的倾斜角度和右边缘的倾斜角度，及左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值，若左边缘点的倾斜角度或右边缘的倾斜角度任一大于7度，或差值绝对值大于2.5度，则判定目标检测图像中的手指倾斜，计算公式为：
，
，
Angle=|Angle_L-Angle_R|，
公式中，Angle_L为左边缘点的倾斜角度，Angle_R为右边缘点的倾斜角度，Angle为左边缘点的倾斜角度和右边缘的倾斜角度的差值绝对值。
5.根据权利要求2所述的基于边缘形态的异常静脉图像检测方法，其特征在于：所述步骤4中判断目标检测图像中手指是否两端异常包括：
步骤4.1.计算目标检测图像中手指的宽度，公式为：
W(i)=B(i,2)-B(i,1)
公式中，B(i,1)为目标检测图像中第i行左边缘点的列坐标，B(i,2)为目标检测图像中第i行右边缘点的列坐标，W(i)为目标检测图像中手指在第i行的宽度；
步骤4.2.计算手指上端的宽度和手指下端的宽度差值的绝对值，并判断该差值的绝对值是否大于宽度阈值，若大于则判定目标检测图像中手指两端异常，计算公式为：
|W(1)+W(2)+W(3)-W(X)-W(X-1)-W(X-2)|＞T3
公式中，T3为宽度阈值。
6.根据权利要求1所述的基于边缘形态的异常静脉图像检测方法，其特征在于：所述步骤5中每个像素点的方差是根据该像素点5邻域内的像素点计算。
7.根据权利要求1所述的基于边缘形态的异常静脉图像检测方法，其特征在于：所述根据方差均值判断目标检测图像中手指是否拖影包括：统计方差均值小于方差阈值的列数，若所述列数大于列数阈值，则判定目标检测图像中手指存在拖影。
CN202311155902.8A 2023-09-08 2023-09-08 一种基于边缘形态的异常静脉图像检测方法 Active CN116884048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311155902.8A CN116884048B (zh) 2023-09-08 2023-09-08 一种基于边缘形态的异常静脉图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311155902.8A CN116884048B (zh) 2023-09-08 2023-09-08 一种基于边缘形态的异常静脉图像检测方法

Publications (2)

Publication Number Publication Date
CN116884048A CN116884048A (zh) 2023-10-13
CN116884048B true CN116884048B (zh) 2023-12-12

Family

ID=88268502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311155902.8A Active CN116884048B (zh) 2023-09-08 2023-09-08 一种基于边缘形态的异常静脉图像检测方法

Country Status (1)

Country Link
CN (1) CN116884048B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190517A (zh) * 2018-08-14 2019-01-11 北京凌云天润智能科技有限公司 一种手指静脉图像边缘提取及方向矫正方法
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
CN110555382A (zh) * 2019-07-31 2019-12-10 浙江理工大学 一种基于深度学习和Wasserstein距离度量的指静脉识别方法
CN112949570A (zh) * 2021-03-26 2021-06-11 长春工业大学 一种基于残差注意力机制的指静脉识别方法
CN114882539A (zh) * 2022-07-11 2022-08-09 山东圣点世纪科技有限公司 一种静脉图像roi提取方法及装置
CN115311696A (zh) * 2022-10-11 2022-11-08 山东圣点世纪科技有限公司 一种基于静脉纹理特征的手指区域检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762366B2 (en) * 2015-10-10 2020-09-01 Zkteco Co., Ltd. Finger vein identification method and device
CN107818290B (zh) * 2016-09-14 2021-03-16 京东方科技集团股份有限公司 基于深度图的启发式手指检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409181A (zh) * 2018-07-04 2019-03-01 华南理工大学 一种用于低质量指静脉图像的手指上下边缘独立检测方法
CN109190517A (zh) * 2018-08-14 2019-01-11 北京凌云天润智能科技有限公司 一种手指静脉图像边缘提取及方向矫正方法
CN110555382A (zh) * 2019-07-31 2019-12-10 浙江理工大学 一种基于深度学习和Wasserstein距离度量的指静脉识别方法
CN112949570A (zh) * 2021-03-26 2021-06-11 长春工业大学 一种基于残差注意力机制的指静脉识别方法
CN114882539A (zh) * 2022-07-11 2022-08-09 山东圣点世纪科技有限公司 一种静脉图像roi提取方法及装置
CN115311696A (zh) * 2022-10-11 2022-11-08 山东圣点世纪科技有限公司 一种基于静脉纹理特征的手指区域检测方法

Also Published As

Publication number Publication date
CN116884048A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN112508037B (zh) 图像模板匹配方法、装置及存储装置
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
KR101939936B1 (ko) 지문 융기부 지점 인식 방법 및 장치
CN109871938A (zh) 一种基于卷积神经网络的零部件喷码检测方法
CN108921813B (zh) 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN110472479B (zh) 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
US11475707B2 (en) Method for extracting image of face detection and device thereof
CN113095385B (zh) 一种基于全局和局部特征描述的多模图像匹配方法
CN106569946B (zh) 一种移动终端性能测试方法及系统
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN108305265B (zh) 微弱小目标图像实时处理方法及系统
CN117437223A (zh) 一种高速板对板连接器缺陷智能检测方法
CN101667297A (zh) 一种乳腺钼靶x线图像中的乳腺区域提取方法
JP2001319239A (ja) 物体輪郭抽出装置及び方法
CN116884048B (zh) 一种基于边缘形态的异常静脉图像检测方法
JP4224328B2 (ja) 車番認識装置
CN103544469A (zh) 一种基于掌心测距的指尖检测方法和装置
CN115359249B (zh) 一种手掌图像roi区域提取方法及系统
CN114898413B (zh) 一种复杂背景下的基于图像轮廓方向场的静脉识别方法
CN113936305B (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
CN111209872B (zh) 一种基于动态规划和多目标优化的实时滚动指纹拼接方法
CN114387219A (zh) 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备
CN116202874B (zh) 一种排水管材柔韧性测试方法及系统
CN116778172B (zh) 一种指背静脉图像增强方法

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