CN117115867B - 一种掌静脉图像活体检测方法 - Google Patents
一种掌静脉图像活体检测方法 Download PDFInfo
- Publication number
- CN117115867B CN117115867B CN202311377711.6A CN202311377711A CN117115867B CN 117115867 B CN117115867 B CN 117115867B CN 202311377711 A CN202311377711 A CN 202311377711A CN 117115867 B CN117115867 B CN 117115867B
- Authority
- CN
- China
- Prior art keywords
- palm
- palm vein
- image
- binary image
- living body
- 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 148
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 210000000707 wrist Anatomy 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
-
- 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
- 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
- G06V40/1347—Preprocessing; Feature extraction
Abstract
本发明涉及一种掌静脉图像活体检测方法,属于生物识别技术领域,包括以下步骤:采集用户手掌的掌静脉图像,对其进行二值化处理得到掌静脉二值图M;获取掌静脉二值图M中的所有连通区域,根据连通区域的大小对掌静脉图像中是否含有手腕区域进行判断,若含有手腕区域,截取掌静脉二值图M中的手腕区域二值图,根据手腕区域二值图中的边缘像素点的灰度变化和掌静脉图像ROI区域内的像素点的灰度变化来判断所述手掌是否为活体,若不含手腕区域,则根据掌静脉图像ROI区域内的像素点的灰度变化来判断所述手掌是否为活体。本方法能将非真实手掌剔除,仅对真实手掌图像进行识别,降低生物识别过程中的安全隐患。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种掌静脉图像活体检测方法。
背景技术
静脉识别技术是一种利用人体静脉灰度图像对个人身份进行识别的生物特征识别技术。静脉隐藏在人体内部,在日常活动下不会像指纹、人脸等留下痕迹,而且每个人每根手指的静脉纹路均不相同,因此可以作为身份识别的生物特征,并具有高安全、不易盗取等优势;随着静脉识别技术广泛的推广应用,其安全性接受着更加严峻的考验。但在其应用过程中,入侵者会利用自制设备采集原始手掌静脉灰度图像,然后在使用照片或者打印到假体上实现假体攻击。由此可见,对于本领域内的技术人员而言,如何实现静脉识别设备的活体检测功能,有效避免假体攻击,提高指静脉的使用安全性能是亟需解决的问题。
发明内容
本发明的主要目的是提供一种掌静脉图像活体检测方法,将其运用于掌静脉的生物识别中,能区分活体和非活体手掌,降低生物识别过程中的安全隐患。
为实现上述目的,本发明提供了一种掌静脉图像活体检测方法,包括以下步骤:
步骤1.采集用户手掌的掌静脉图像,并对其进行二值化处理得到掌静脉二值图M;
步骤2.获取掌静脉二值图M中的所有连通区域,根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断,若含有手腕区域,进入步骤3,反之进入步骤5;
步骤3.通过边缘检测算法获取所述掌静脉二值图M的外接矩形,并计算所述掌静脉二值图M幅度均值F,根据所述外接矩形的大小和幅度均值F对所述掌静脉图像中是否含有手腕区域进行再次判断,若含有手腕区域,进入步骤4,反之所述手掌为非活体;
步骤4.截取所述掌静脉二值图M中的手腕区域二值图,根据手腕区域二值图中的边缘像素点的灰度变化判断所述手掌是否为活体,若为活体进入步骤5进一步判断,反之所述手掌为非活体;
步骤5.根据掌静脉二值图M截取所述掌静脉图像的ROI区域,根据ROI区域内的像素点的灰度变化及分布情况判断所述手掌是否为活体。
优选地,所述步骤2中根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断包括:依次计算每个连通区域的面积,选取面积最大的连通区域为目标连通区域,若目标连通区域的面积小于等于阈值a,且目标连通区域的行数和列数均小于等于阈值b,则预判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
优选地,所述步骤3中通过边缘检测算法获取所述掌静脉二值图M的外接矩形,并计算所述掌静脉二值图M幅度均值F,根据所述外接矩形的大小和幅度均值F对所述掌静脉图像中是否含有手腕区域进行再次判断包括:
步骤3.1.将边缘检测算子与掌静脉二值图M卷积获得掌静脉二值图M的边缘点,根据所述边缘点获取掌静脉二值图M的外接矩形,依次计算所述外接矩形上边界和下边界的距离C1、左边界和右边界的距离C2;
步骤3.2.计算所述掌静脉二值图M幅度均值F,所述幅度均值F为边缘检测算子与掌静脉二值图M的边缘点卷积的运算结果的平均值;
步骤3.3.若C1/C2>1.2,且C1>阈值c,且C2>阈值d,且10<F<30,则判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
优选地,所述步骤4中截取所述掌静脉二值图M中的手腕区域二值图,根据手腕区域二值图中的边缘像素点的灰度变化判断所述手掌是否为活体包括:
步骤4.1.根据掌静脉二值图M定位手掌特征点,根据手掌特征点定位掌静脉二值图M的内接矩形;
步骤4.2.将内接矩形的下边界下移作为标线K,通过标线K获得手腕区域二值图,并根据手腕区域二值图确定掌静脉图像中的手腕区域;
步骤4.3.获取手腕区域中的目标曲线,所述目标曲线的长度大于10,且斜率平均值为-20~20;
步骤4.4.计算目标曲线的数量和紧密程度,并根据数量和紧密程度判断手掌是否为活体。
优选地, 所述步骤4.2中将内接矩形的下边界下移作为标线K包括:将内接矩形的下边界下移0.8个内接矩形的宽度作为初始标线K,若所述初始标线K超出了掌静脉二值图M的区域,则将内接矩形的下边界下移0.5个内接矩形的宽度作为标线K。
优选地,所述步骤4.2中所述手腕区域二值图为掌静脉二值图M中标线K以下的部分,所述手腕区域为手腕区域二值图在掌静脉图像中对应的部分。
优选地,所述步骤4.4中计算目标曲线的数量和紧密程度,并根据数量和紧密程度判断手掌是否为活体包括:
步骤4.4.1.统计目标曲线的数量S,若S<5,则进入步骤5,反之进入步骤4.4.2;
步骤4.4.2.构建目标曲线集群,所述目标曲线集群内任意两条目标曲线的起始点的距离在5像素以内,且长度差值在10像素以内,且斜率平均值的差值在10以内,并根据目标曲线集群内的目标曲线数量将目标曲线分为非常紧密、一般紧密、不紧密;
步骤4.4.3.若5≤S≤15,且目标曲线非常紧密或者目标曲线不紧密,或者若S>15则认定所述手掌为非活体,若5≤S≤15且目标曲线一般紧密,则进入步骤5。
优选地,若目标曲线集群内目标曲线的数量大于3,则认为目标曲线非常紧密,若目标曲线集群内目标曲线的数量大于1小于等于3,则认为目标曲线一般紧密,反之则认为目标曲线不紧密。
优选地,所述步骤5中根据掌静脉二值图M截取所述掌静脉图像的ROI区域,根据ROI区域内的像素点的灰度变化及分布情况判断所述手掌是否为活体包括:
步骤5.1.根据掌静脉二值图M截取所述掌静脉图像的ROI区域;
步骤5.2.获取ROI区域内灰度变化剧烈的像素点,所述灰度变化剧烈的像素点为与其8邻域内像素点灰度值的差值绝对值的平均值大于90的像素点;
步骤5.3.将所述灰度变化剧烈的像素点按照行列坐标进行排序,构成数组B,计算数组B中相邻像素点的距离,并统计每个距离的个数;
步骤5.4.若灰度变化剧烈的像素点的数量大于10且数组B中相邻像素点的最小距离大于2且最小的3个距离中任一距离的个数大于5,则判断所述手掌为非活体,反之所述手掌为为活体。
优选地,所述步骤5.3将所述灰度变化剧烈的像素点按照行列坐标进行排序为将所述灰度变化剧烈的像素点按照行坐标进行排序,若两个灰度变化剧烈的像素点行坐标相同,则按照其列坐标进行排序。
与现有技术相比,本发明具有以下技术效果:
本发明涉及的掌静脉图像活体检测方法基于手掌放置远近不同,通过将掌静脉图像划分为包含手腕区域的掌静脉图像和不包含手腕区域的掌静脉图像,对于包含手腕区域的掌静脉图像首先根据手腕区域像素点的灰度变化对手掌是否为活体进行判断,然后通过掌静脉图像的ROI区域的像素点的灰度变化情况对手掌是否为活体进行判断,运用于手掌生物识别技术中,将非真实手掌剔除,仅对真实手掌图像进行识别,降低生物识别过程中的安全隐患。
附图说明
图1为本发明涉及的掌静脉图像活体检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例和附图对本发明进行具体阐述,但本发明的保护范围并不限于此。
参照附图1所示,本发明涉及一种掌静脉图像活体检测方法,其包括以下步骤:
步骤1:采集用户手掌的掌静脉图像,并对其进行二值化处理得到掌静脉二值图M。
步骤2:获取掌静脉二值图M中的所有连通区域,根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断,若含有手腕区域,进入步骤3,反之进入步骤5;其中根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断包括:依次计算每个连通区域的面积,选取面积最大的连通区域为目标连通区域,若目标连通区域的面积小于等于阈值a,且目标连通区域的行数和列数均小于等于阈值b,则预判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
因在拍摄手掌的掌静脉图像过程中,手掌放置具有任意性,有可能放置的较远,也有可能放置的较近。如果手掌放置的较远,则采集到的掌静脉图像会包含手腕区域,且会包含较多的背景区域,反之若手掌放置的较近,则不会出现手腕区域且包含的背景区域也较少。手掌放置的较远,存在手腕区域且包含较多的背景区域,因手掌和手腕区域相对于手掌区域较窄,且手掌部分的面积较小,因此可以根据目标连通区域的行数和列数及面积初步判断采集到的掌静脉图像是否包含手掌。阈值a和阈值b根据跑批计算获得,在一个实施例中,对采集到的掌静脉图像先进行尺寸归一化,归一化后的尺寸为640*480,在此条件下,设置阈值a为30000,阈值b为250。
步骤3:通过边缘检测算法获取所述掌静脉二值图M的外接矩形,并计算所述掌静脉二值图M幅度均值F,根据所述外接矩形的大小和幅度均值F对所述掌静脉图像中是否含有手腕区域进行再次判断,若含有手腕区域,进入步骤4,反之所述手掌为非活体,具体包括:
步骤3.1.将边缘检测算子与掌静脉二值图M卷积获得掌静脉二值图M的边缘点,根据所述边缘点获取掌静脉二值图M的外接矩形,依次计算所述外接矩形上边界和下边界的距离C1、左边界和右边界的距离C2;通过边缘点获取掌静脉二值图M的外接矩形的方法为现有技术,在此不做详细限定;
步骤3.2.计算所述掌静脉二值图M幅度均值F,所述幅度均值F为边缘检测算子与掌静脉二值图M的边缘点卷积的运算结果的平均值;边缘检测算法可以为sobel边缘检测算子、canny边缘检测算子等,在此不做限定;
步骤3.3.若C1/C2>1.2,且C1>阈值c,且C2>阈值d,且10<F<30,则判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
如上所述,根据手掌手腕的生物学特性,手掌的长和宽应当将近与1:1,则掌静脉二值图M的外接矩形的长宽比也应当接近于1:1,因此可以根据掌静脉二值图M的外接矩形的大小进行是否包含手腕区域判断。同样,若存在手腕区域,因手腕区域和手掌部分灰度变化不相同,因此可以通过幅度均值进行是否存在手腕区域判断。
步骤4:截取所述掌静脉二值图M中的手腕区域二值图,根据手腕区域二值图中的边缘像素点的灰度变化判断所述手掌是否为活体,若为活体进入步骤5进一步判断,反之所述手掌为非活体;具体包括:
步骤4.1.根据掌静脉二值图M定位手掌特征点,根据手掌特征点定位掌静脉二值图M的内接矩形;根据手掌特征点定位掌静脉二值图M的内接矩形的方法为现有技术,在此不做详细限定。
步骤4.2.将内接矩形的下边界下移作为标线K,具体方法为:将内接矩形的下边界下移0.8个内接矩形的宽度作为初始标线K,若所述初始标线K超出了掌静脉二值图M的区域,则将内接矩形的下边界下移0.5个内接矩形的宽度作为标线K;然后通过标线K获得手腕区域二值图,并根据手腕区域二值图确定掌静脉图像中的手腕区域;其中手腕区域二值图为掌静脉二值图M中标线K以下的部分,手腕区域为手腕区域二值图在掌静脉图像中对应的部分。
步骤4.3.获取手腕区域中的目标曲线,所述目标曲线的长度大于10,且斜率平均值为-20~20;
步骤4.4.计算目标曲线的数量和紧密程度,并根据数量和紧密程度判断手掌是否为活体,具体方法为:
步骤4.4.1.统计目标曲线的数量S,若S<5,则进入步骤5,反之进入步骤4.4.2;
步骤4.4.2.构建目标曲线集群,所述目标曲线集群内任意两条目标曲线的起始点的距离在5像素以内,且长度差值在10像素以内,且斜率平均值的差值在10以内,并根据目标曲线集群内的目标曲线数量将目标曲线分为非常紧密、一般紧密、不紧密;若目标曲线集群内目标曲线的数量大于3,则认为目标曲线非常紧密,若目标曲线集群内目标曲线的数量大于1小于等于3,则认为目标曲线一般紧密,反之则认为目标曲线不紧密。
步骤4.4.3.若5≤S≤15,且目标曲线非常紧密或者目标曲线不紧密,或者若S>15则认定所述手掌为非活体,若5≤S≤15且目标曲线一般紧密,则进入步骤5。
因手腕区域存在褶皱,手腕区域中的目标曲线即为褶皱,通过筛选出褶皱,并根据褶皱的连接方式可以区分手掌是否为活体。
步骤5:根据掌静脉二值图M截取所述掌静脉图像的ROI区域,根据ROI区域内的像素点的灰度变化及分布情况判断所述手掌是否为活体,具体步骤为:
步骤5.1.根据掌静脉二值图M截取所述掌静脉图像的ROI区域;
步骤5.2.获取ROI区域内灰度变化剧烈的像素点,所述灰度变化剧烈的像素点为与其8邻域内像素点灰度值的差值绝对值的平均值大于90的像素点;
步骤5.3.将所述灰度变化剧烈的像素点按照行列坐标进行排序,构成数组B,计算数组B中相邻像素点的距离,并统计每个距离的个数;若两个灰度变化剧烈的像素点行坐标相同,则按照其列坐标进行排序。
步骤5.4.若灰度变化剧烈的像素点的数量大于10且数组B中相邻像素点的最小距离大于2且最小的3个距离中任一距离的个数大于5,则判断所述手掌为非活体,反之所述手掌为为活体。
若为非活体,很可能是用户带着手套等,则会存在规律性的纹路,因此可以像素点的灰度变化及分布情况判断是否为活体。
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 (9)
1.一种掌静脉图像活体检测方法,其特征在于,其包括以下步骤:
步骤1.采集用户手掌的掌静脉图像,并对其进行二值化处理得到掌静脉二值图M;
步骤2.获取掌静脉二值图M中的所有连通区域,根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断,若含有手腕区域,进入步骤3,反之进入步骤5;
步骤3.通过边缘检测算法获取所述掌静脉二值图M的外接矩形,并计算所述掌静脉二值图M幅度均值F,根据所述外接矩形的大小和幅度均值F对所述掌静脉图像中是否含有手腕区域进行再次判断,若含有手腕区域,进入步骤4,反之所述手掌为非活体;
步骤4.截取所述掌静脉二值图M中的手腕区域二值图,根据手腕区域二值图中的边缘像素点的灰度变化判断所述手掌是否为活体,若为活体进入步骤5进一步判断,反之所述手掌为非活体,所述根据手腕区域二值图中的边缘像素点的灰度变化判断所述手掌是否为活体包括:
步骤4.1.根据掌静脉二值图M定位手掌特征点,根据手掌特征点定位掌静脉二值图M的内接矩形;
步骤4.2.将内接矩形的下边界下移作为标线K,通过标线K获得手腕区域二值图,并根据手腕区域二值图确定掌静脉图像中的手腕区域;
步骤4.3.获取手腕区域中的目标曲线,所述目标曲线的长度大于10,且斜率平均值为-20~20;
步骤4.4.计算目标曲线的数量和紧密程度,并根据数量和紧密程度判断手掌是否为活体;
步骤5.根据掌静脉二值图M截取所述掌静脉图像的ROI区域,根据ROI区域内的像素点的灰度变化及分布情况判断所述手掌是否为活体。
2.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤2中根据连通区域的大小对掌静脉图像中是否含有手腕区域进行预判断包括:依次计算每个连通区域的面积,选取面积最大的连通区域为目标连通区域,若目标连通区域的面积小于等于阈值a,且目标连通区域的行数和列数均小于等于阈值b,则预判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
3.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤3中通过边缘检测算法获取所述掌静脉二值图M的外接矩形,并计算所述掌静脉二值图M幅度均值F,根据所述外接矩形的大小和幅度均值F对所述掌静脉图像中是否含有手腕区域进行再次判断包括:
步骤3.1.将边缘检测算子与掌静脉二值图M卷积获得掌静脉二值图M的边缘点,根据所述边缘点获取掌静脉二值图M的外接矩形,依次计算所述外接矩形上边界和下边界的距离C1、左边界和右边界的距离C2;
步骤3.2.计算所述掌静脉二值图M幅度均值F,所述幅度均值F为边缘检测算子与掌静脉二值图M的边缘点卷积的运算结果的平均值;
步骤3.3.若C1/C2>1.2,且C1>阈值c,且C2>阈值d,且10<F<30,则判断掌静脉图像中含有手腕区域,反之不含有手腕区域。
4.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤4.2中将内接矩形的下边界下移作为标线K包括:将内接矩形的下边界下移0.8个内接矩形的宽度作为初始标线K,若所述初始标线K超出了掌静脉二值图M的区域,则将内接矩形的下边界下移0.5个内接矩形的宽度作为标线K。
5.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤4.2中手腕区域二值图为掌静脉二值图M中标线K以下的部分,所述手腕区域为手腕区域二值图在掌静脉图像中对应的部分。
6.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤4.4中计算目标曲线的数量和紧密程度,并根据数量和紧密程度判断手掌是否为活体包括:
步骤4.4.1.统计目标曲线的数量S,若S<5,则进入步骤5,反之进入步骤4.4.2;
步骤4.4.2.构建目标曲线集群,所述目标曲线集群内任意两条目标曲线的起始点的距离在5像素以内,且长度差值在10像素以内,且斜率平均值的差值在10以内,并根据目标曲线集群内的目标曲线数量将目标曲线分为非常紧密、一般紧密、不紧密;
步骤4.4.3.若5≤S≤15,且目标曲线非常紧密或者目标曲线不紧密,或者S>15则认定所述手掌为非活体,若5≤S≤15且目标曲线一般紧密,则进入步骤5。
7.根据权利要求6所述的掌静脉图像活体检测方法,其特征在于,若目标曲线集群内目标曲线的数量大于3,则认为目标曲线非常紧密,若目标曲线集群内目标曲线的数量大于1小于等于3,则认为目标曲线一般紧密,反之则认为目标曲线不紧密。
8.根据权利要求1所述的掌静脉图像活体检测方法,其特征在于,所述步骤5中根据掌静脉二值图M截取所述掌静脉图像的ROI区域,根据ROI区域内的像素点的灰度变化及分布情况判断所述手掌是否为活体包括:
步骤5.1.根据掌静脉二值图M截取所述掌静脉图像的ROI区域;
步骤5.2.获取ROI区域内灰度变化剧烈的像素点,所述灰度变化剧烈的像素点为与其8邻域内像素点灰度值的差值绝对值的平均值大于90的像素点;
步骤5.3.将所述灰度变化剧烈的像素点按照行列坐标进行排序,构成数组B,计算数组B中相邻像素点的距离,并统计每个距离的个数;
步骤5.4.若灰度变化剧烈的像素点的数量大于10且数组B中相邻像素点的最小距离大于2且最小的3个距离中任一距离的个数大于5,则判断所述手掌为非活体,反之所述手掌为活体。
9.根据权利要求8所述的掌静脉图像活体检测方法,其特征在于,所述步骤5.3将所述灰度变化剧烈的像素点按照行列坐标进行排序为将所述灰度变化剧烈的像素点按照行坐标进行排序,若两个灰度变化剧烈的像素点行坐标相同,则按照其列坐标进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377711.6A CN117115867B (zh) | 2023-10-24 | 2023-10-24 | 一种掌静脉图像活体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377711.6A CN117115867B (zh) | 2023-10-24 | 2023-10-24 | 一种掌静脉图像活体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115867A CN117115867A (zh) | 2023-11-24 |
CN117115867B true CN117115867B (zh) | 2024-02-09 |
Family
ID=88811406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311377711.6A Active CN117115867B (zh) | 2023-10-24 | 2023-10-24 | 一种掌静脉图像活体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115867B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563454A (zh) * | 2020-05-08 | 2020-08-21 | 浙江大学 | 一种双重活体验证的手部静脉识别方法及装置 |
KR20210008825A (ko) * | 2020-12-31 | 2021-01-25 | 주식회사 이룸인터내셔널 | 장정맥인식에 의한 출입 인증시스템 |
CN114612941A (zh) * | 2022-05-11 | 2022-06-10 | 四川圣点世纪科技有限公司 | 一种基于掌静脉特征的多模式身份认证方法、装置及系统 |
CN115761826A (zh) * | 2022-12-06 | 2023-03-07 | 上海银欣高新技术发展股份有限公司 | 掌静脉有效区域提取方法、系统、介质及电子设备 |
CN116363713A (zh) * | 2023-04-04 | 2023-06-30 | 佳都科技集团股份有限公司 | 一种单目视觉活体检测方法、装置、电子设备及存储介质 |
CN116645705A (zh) * | 2023-05-29 | 2023-08-25 | 广州方向智能科技有限公司 | 基于轻量化网络的近红外掌静脉roi提取方法及系统 |
-
2023
- 2023-10-24 CN CN202311377711.6A patent/CN117115867B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563454A (zh) * | 2020-05-08 | 2020-08-21 | 浙江大学 | 一种双重活体验证的手部静脉识别方法及装置 |
KR20210008825A (ko) * | 2020-12-31 | 2021-01-25 | 주식회사 이룸인터내셔널 | 장정맥인식에 의한 출입 인증시스템 |
CN114612941A (zh) * | 2022-05-11 | 2022-06-10 | 四川圣点世纪科技有限公司 | 一种基于掌静脉特征的多模式身份认证方法、装置及系统 |
CN115761826A (zh) * | 2022-12-06 | 2023-03-07 | 上海银欣高新技术发展股份有限公司 | 掌静脉有效区域提取方法、系统、介质及电子设备 |
CN116363713A (zh) * | 2023-04-04 | 2023-06-30 | 佳都科技集团股份有限公司 | 一种单目视觉活体检测方法、装置、电子设备及存储介质 |
CN116645705A (zh) * | 2023-05-29 | 2023-08-25 | 广州方向智能科技有限公司 | 基于轻量化网络的近红外掌静脉roi提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
手掌静脉识别中感兴趣区域的选择与定位研究;吴微;苑玮琦;林森;宋辉;张洪涛;;光电子.激光(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115867A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
Zhao et al. | Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction | |
US6005963A (en) | System and method for determining if a fingerprint image contains an image portion representing a partial fingerprint impression | |
US6266433B1 (en) | System and method for determining ridge counts in fingerprint image processing | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
Short et al. | Latent fingerprint segmentation using ridge template correlation | |
CN109409181B (zh) | 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 | |
Yang et al. | Superpixel based finger vein ROI extraction with sensor interoperability | |
CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
CN112232332A (zh) | 一种基于视频序列的非接触式手掌检测方法 | |
CN108171098A (zh) | 一种条码检测方法及设备 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
US7072496B2 (en) | Slap print segmentation system and method | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN117115867B (zh) | 一种掌静脉图像活体检测方法 | |
KR100374695B1 (ko) | 직접 융선 추출을 이용한 자동 지문 인식 시스템 | |
US4596038A (en) | Method and apparatus for character recognition | |
Bhanu et al. | Logical templates for feature extraction in fingerprint images | |
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 | |
CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 | |
CN110751158B (zh) | 一种治疗床显示器中的数字识别方法、装置及存储介质 | |
CN112132036A (zh) | 一种基于安全区域的大数据图像处理方法及系统 | |
US8699761B2 (en) | Method for evaluating quality of image representing a fingerprint pattern | |
KR20010000379A (ko) | 직접 골 추적을 이용한 지문 특징 추출방법 |
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 |