CN117133027A - 一种复杂背景下掌静脉识别中手掌边界分割方法 - Google Patents
一种复杂背景下掌静脉识别中手掌边界分割方法 Download PDFInfo
- Publication number
- CN117133027A CN117133027A CN202311398731.1A CN202311398731A CN117133027A CN 117133027 A CN117133027 A CN 117133027A CN 202311398731 A CN202311398731 A CN 202311398731A CN 117133027 A CN117133027 A CN 117133027A
- Authority
- CN
- China
- Prior art keywords
- palm
- complex background
- boundary
- point
- target pixel
- 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.)
- Granted
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06V40/14—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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明一种复杂背景下掌静脉识别中手掌边界分割方法,属于生物识别技术领域,该方法首先计算目标像素点与其周围像素点的灰度变化幅度,然后根据灰度变化幅度计算目标像素点周围像素点的灰度跳变幅度,再根据该目标像素点周围像素点的灰度跳变幅度来判断该目标像素点是否为手掌与复杂背景的边界点,之后将手掌与复杂背景的边界点映射到掌静脉二值图上,从而将手掌边界分割。本发明可以有效筛选出手掌与复杂背景的边界点,有效区分掌静脉图像的手掌区域和背景区域,提高复杂背景下掌静脉图像二值化的效果,最终提高掌静脉身份识别的成功率。
Description
技术领域
本发明涉及生物识别技术领域,特别是涉及一种复杂背景下掌静脉识别中手掌边界分割方法。
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,在对采集的掌静脉图像进行二值化操作的过程中,可能出现难以有效将手掌区域和背景区域进行分割的情形,导致二值化效果较差,最终影响掌静脉身份识别的成功率。
发明内容
本发明的主要目的是提供一种复杂背景下掌静脉识别中手掌边界分割方法,以解决现有掌静脉身份识别过程中难以有效将手掌区域和背景区域进行分割的情形。
为实现上述目的,本发明提供了如下方案:
本发明涉及一种复杂背景下掌静脉识别中手掌边界分割方法,其包括以下步骤:
步骤1.获取掌静脉图像上的任一像素点为目标像素点,计算该目标像素点与其周围像素点的灰度值的差值,并根据差值计算该目标像素点与其周围像素点的灰度变化幅度;
步骤2.根据该目标像素点与其周围像素点的灰度变化幅度计算该目标像素点周围像素点的灰度跳变幅度,所述灰度跳变幅度为目标像素点与其相邻的两个周围像素点灰度变化幅度差值的绝对值;
步骤3.根据该目标像素点周围像素点的灰度跳变幅度判断该目标像素点是否为手掌与复杂背景的边界点;
步骤4.重复步骤1~步骤3,获取掌静脉图像上所有的手掌与复杂背景的边界点;
步骤5.将手掌与复杂背景的边界点映射到掌静脉二值图上,从而将手掌边界分割。
优选地,所述步骤1中计算该目标像素点与其周围像素点的灰度变化幅度具体包括:
步骤1.1.依次计算掌静脉图像目标像素点与其周围12个像素点的灰度值的差值,计算公式为:
D(i)=I(i)-I(0) i=1,2,3...12
公式中,I(0)为目标像素点的灰度值,I(i)为目标像素点周围第i个像素点的灰度值,D(i)为目标像素点与其周围第i个像素点灰度值的差值,i为像素点标引;
步骤1.2.依次计算目标像素点与其周围12个像素点的灰度变化幅度V(i),计算公式为:
,
Th=0.1*I(0)。
优选地,所述周围12个像素点为目标像素点5*5邻域内除去4个顶角像素点的边界像素点。
优选地,所述步骤2中计算该目标像素点周围像素点的灰度跳变幅度W(i)的计算公式为:
。
优选地,所述步骤3中判断该目标像素点是否为手掌与复杂背景的边界点具体包括:
步骤3.1.统计W(i)中为2的个数a,若a≥1,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.2;
步骤3.2.统计W(i)中为1的个数b,若b<4,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.3;
步骤3.3.判断是否存在W(i)=1,W(i+1)、W(i+2)、W(i+3)均等于0或者W(i-1)、W(i-2)、W(i-3)均等于0的情况,若不存在,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之该目标像素点为手掌与复杂背景的边界点。
优选地,在所述步骤5将手掌与复杂背景的边界点映射到掌静脉二值图上之前还包括:根据手掌与复杂背景的边界点间的距离计算拟合手掌与复杂背景的边界点。
优选地,所述计算拟合手掌与复杂背景的边界点包括:
步骤a.以一个手掌与复杂背景的边界点为基准点,获取其5*5邻域内的所有的手掌与复杂背景的边界点作为该基准点的辅助点;
步骤b.计算该基准点与其中一个辅助点的距离,若所述距离大于1,则取其中心点作为拟合手掌与复杂背景的边界点,进行步骤c,反之进行步骤e;
步骤c.计算该基准点与拟合手掌与复杂背景的边界点的距离,若所述距离大于1,则取其中心点也作为拟合手掌与复杂背景的边界点,进行步骤d,反之进行步骤e;
步骤d.重复步骤c,获得该基准点与其中一个辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤e.重复所述步骤b-d的获得该基准点与其全部辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤f.遍历所有的手掌与复杂背景的边界点,重复步骤a-e获取掌静脉图像上所有的拟合手掌与复杂背景的边界点。
优选地,所述步骤5中将手掌与复杂背景的边界点映射到掌静脉二值图上为将手掌与复杂背景的边界点在掌静脉二值图上对应的像素点的灰度值置为0。
优选地,所述步骤5中将手掌与复杂背景的边界点映射到掌静脉二值图上的手掌与复杂背景的边界点包括拟合手掌与复杂背景的边界点。
优选地,所述掌静脉二值图通过将掌静脉图像进行二值化处理获得。
与现有技术相比,本发明通过计算目标像素点周围像素点的灰度跳变幅度,并根据该目标像素点周围像素点的灰度跳变幅度来判断该目标像素点是否为手掌与复杂背景的边界点。本发明可以有效筛选出手掌与复杂背景的边界点,然后通过手掌与复杂背景的边界点将掌静脉二值图再次分割,最终有效将区分手掌区域和背景区域,提高复杂背景下掌静脉图像二值化的效果,最终提高掌静脉身份识别的成功率。
附图说明
图1为本发明涉及的一种复杂背景下掌静脉识别中手掌边界分割方法的流程图;
图2为本发明中目标像素点与其周围12个像素点的分布示意图。
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,本发明涉及一种复杂背景下掌静脉识别中手掌边界分割方法,其包括以下步骤:
步骤1.获取掌静脉图像上的任一像素点为目标像素点,计算该目标像素点与其周围像素点的灰度值的差值,并根据差值计算该目标像素点与其周围像素点的灰度变化幅度,具体步骤包括:
步骤1.1.依次计算掌静脉图像目标像素点与其周围12个像素点的灰度值的差值,计算公式为:
D(i)=I(i)-I(0) i=1,2,3...12
公式中,I(0)为目标像素点的灰度值,I(i)为目标像素点周围第i个像素点的灰度值,D(i)为目标像素点与其周围第i个像素点灰度值的差值,i为像素点标引;
其中目标像素点周围12个像素点为目标像素点5*5邻域内除去4个顶角像素点的边界像素点,如图2所示,○为目标像素点,△为目标像素点周围12个像素点;
步骤1.2.依次计算目标像素点与其周围12个像素点的灰度变化幅度V(i),计算公式为:
,
Th=0.1*I(0)。
步骤2.根据该目标像素点与其周围像素点的灰度变化幅度计算该目标像素点周围像素点的灰度跳变幅度W(i),所述灰度跳变幅度为目标像素点与其相邻的两个周围像素点灰度变化幅度差值的绝对值,计算公式为:
。
步骤3.根据该目标像素点周围像素点的灰度跳变幅度判断该目标像素点是否为手掌与复杂背景的边界点,具体步骤包括:
步骤3.1.统计W(i)中为2的个数a,若a≥1,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.2;
步骤3.2.统计W(i)中为1的个数b,若b<4,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.3;
步骤3.3.判断是否存在W(i)=1,W(i+1)、W(i+2)、W(i+3)均等于0或者W(i-1)、W(i-2)、W(i-3)均等于0的情况,若不存在,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之该目标像素点为手掌与复杂背景的边界点。
步骤4.重复步骤1~步骤3,获取掌静脉图像上所有的手掌与复杂背景的边界点;
步骤5.根据手掌与复杂背景的边界点间的距离计算拟合手掌与复杂背景的边界点,具体步骤包括:
步骤a.以一个手掌与复杂背景的边界点为基准点,获取其5*5邻域内的所有的手掌与复杂背景的边界点作为该基准点的辅助点;
步骤b.计算该基准点与其中一个辅助点的距离,若所述距离大于1,则取其中心点作为拟合手掌与复杂背景的边界点,进行步骤c,反之进行步骤e;
步骤c.计算该基准点与拟合手掌与复杂背景的边界点的距离,若所述距离大于1,则取其中心点也作为拟合手掌与复杂背景的边界点,进行步骤d,反之进行步骤e;
步骤d.重复步骤c,获得该基准点与其中一个辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤e.重复所述步骤b-d的获得该基准点与其全部辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤f.遍历所有的手掌与复杂背景的边界点,重复步骤a-e获取掌静脉图像上所有的拟合手掌与复杂背景的边界点。
步骤6.将手掌与复杂背景的边界点映射到掌静脉二值图上,从而将手掌边界分割,具体包括:将手掌与复杂背景的边界点和拟合手掌与复杂背景的边界点在掌静脉二值图上对应的像素点的灰度值置为0,其中掌静脉二值图通过将掌静脉图像进行二值化处理获得。
本发明首先计算目标像素点与其周围像素点的灰度变化幅度,然后根据灰度变化幅度计算目标像素点周围像素点的灰度跳变幅度,并根据该目标像素点周围像素点的灰度跳变幅度来判断该目标像素点是否为手掌与复杂背景的边界点,然后通过手掌与复杂背景的边界点计算出拟合手掌与复杂背景的边界点。本发明可以有效筛选出手掌与复杂背景的边界点,手掌与复杂背景的边界点可以将掌静脉二值图再次进行分割,最终有效将区分出掌静脉图像中的手掌区域和背景区域,提高复杂背景下掌静脉图像二值化的效果,最终提高掌静脉身份识别的成功率。
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 (10)
1.一种复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,包括以下步骤:
步骤1.获取掌静脉图像上的任一像素点为目标像素点,计算该目标像素点与其周围像素点的灰度值的差值,并根据差值计算该目标像素点与其周围像素点的灰度变化幅度;
步骤2.根据该目标像素点与其周围像素点的灰度变化幅度计算该目标像素点周围像素点的灰度跳变幅度,所述灰度跳变幅度为目标像素点与其相邻的两个周围像素点灰度变化幅度差值的绝对值;
步骤3.根据该目标像素点周围像素点的灰度跳变幅度判断该目标像素点是否为手掌与复杂背景的边界点;
步骤4.重复步骤1~步骤3,获取掌静脉图像上所有的手掌与复杂背景的边界点;
步骤5.将手掌与复杂背景的边界点映射到掌静脉二值图上,从而将手掌边界分割。
2.根据权利要求1所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述步骤1中计算该目标像素点与其周围像素点的灰度变化幅度具体包括:
步骤1.1.依次计算掌静脉图像目标像素点与其周围12个像素点的灰度值的差值,计算公式为:
D(i)=I(i)-I(0) i=1,2,3...12
公式中,I(0)为目标像素点的灰度值,I(i)为目标像素点周围第i个像素点的灰度值,D(i)为目标像素点与其周围第i个像素点灰度值的差值,i为像素点标引;
步骤1.2.依次计算目标像素点与其周围12个像素点的灰度变化幅度V(i),计算公式为:
,
Th=0.1*I(0)。
3.根据权利要求2所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述周围12个像素点为目标像素点5*5邻域内除去4个顶角像素点的边界像素点。
4.根据权利要求2所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述步骤2中计算该目标像素点周围像素点的灰度跳变幅度W(i)的计算公式为:
。
5.根据权利要求4所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述步骤3中判断该目标像素点是否为手掌与复杂背景的边界点具体包括:
步骤3.1.统计W(i)中为2的个数a,若a≥1,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.2;
步骤3.2.统计W(i)中为1的个数b,若b<4,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之进行入步骤3.3;
步骤3.3.判断是否存在W(i)=1,W(i+1)、W(i+2)、W(i+3)均等于0或者W(i-1)、W(i-2)、W(i-3)均等于0的情况,若不存在,则该目标像素点不是手掌与复杂背景的边界点,进行步骤4,反之该目标像素点为手掌与复杂背景的边界点。
6.根据权利要求1所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,在所述步骤5将手掌与复杂背景的边界点映射到掌静脉二值图上之前还包括:根据手掌与复杂背景的边界点间的距离计算拟合手掌与复杂背景的边界点。
7.根据权利要求6所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述计算拟合手掌与复杂背景的边界点包括:
步骤a.以一个手掌与复杂背景的边界点为基准点,获取其5*5邻域内的所有的手掌与复杂背景的边界点作为该基准点的辅助点;
步骤b.计算该基准点与其中一个辅助点的距离,若所述距离大于1,则取其中心点作为拟合手掌与复杂背景的边界点,进行步骤c,反之进行步骤e;
步骤c.计算该基准点与拟合手掌与复杂背景的边界点的距离,若所述距离大于1,则取其中心点也作为拟合手掌与复杂背景的边界点,进行步骤d,反之进行步骤e;
步骤d.重复步骤c,获得该基准点与其中一个辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤e.重复所述步骤b-d的获得该基准点与其全部辅助点间的所有的拟合手掌与复杂背景的边界点;
步骤f.遍历所有的手掌与复杂背景的边界点,重复步骤a-e获取掌静脉图像上所有的拟合手掌与复杂背景的边界点。
8.根据权利要求6所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述步骤5中将手掌与复杂背景的边界点映射到掌静脉二值图上为将手掌与复杂背景的边界点在掌静脉二值图上对应的像素点的灰度值置为0。
9.根据权利要求8所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述步骤5中将手掌与复杂背景的边界点映射到掌静脉二值图上的手掌与复杂背景的边界点包括拟合手掌与复杂背景的边界点。
10.根据权利要求1所述复杂背景下掌静脉识别中手掌边界分割方法,其特征在于,所述掌静脉二值图通过将掌静脉图像进行二值化处理获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398731.1A CN117133027B (zh) | 2023-10-26 | 2023-10-26 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398731.1A CN117133027B (zh) | 2023-10-26 | 2023-10-26 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117133027A true CN117133027A (zh) | 2023-11-28 |
CN117133027B CN117133027B (zh) | 2024-02-09 |
Family
ID=88851163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398731.1A Active CN117133027B (zh) | 2023-10-26 | 2023-10-26 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117133027B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488460A (zh) * | 2015-11-24 | 2016-04-13 | 成都四象联创科技有限公司 | 基于生理特征的图像处理方法 |
CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
WO2021135533A1 (zh) * | 2020-01-04 | 2021-07-08 | 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及识别设备 |
CN113936307A (zh) * | 2021-12-17 | 2022-01-14 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
CN115100696A (zh) * | 2022-08-29 | 2022-09-23 | 山东圣点世纪科技有限公司 | 一种掌静脉识别中的连通域快速标记与提取方法及系统 |
CN116030503A (zh) * | 2023-01-20 | 2023-04-28 | 数智魔力(深圳)云计算技术有限公司 | 一种基于掌静脉技术的闸机控制系统及方法 |
CN116665258A (zh) * | 2023-07-31 | 2023-08-29 | 江苏圣点世纪科技有限公司 | 一种手掌图像指缝分割方法 |
-
2023
- 2023-10-26 CN CN202311398731.1A patent/CN117133027B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488460A (zh) * | 2015-11-24 | 2016-04-13 | 成都四象联创科技有限公司 | 基于生理特征的图像处理方法 |
WO2021135533A1 (zh) * | 2020-01-04 | 2021-07-08 | 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及识别设备 |
CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
CN113936307A (zh) * | 2021-12-17 | 2022-01-14 | 北京圣点云信息技术有限公司 | 一种基于薄膜传感器的静脉图像识别方法及装置 |
CN115100696A (zh) * | 2022-08-29 | 2022-09-23 | 山东圣点世纪科技有限公司 | 一种掌静脉识别中的连通域快速标记与提取方法及系统 |
CN116030503A (zh) * | 2023-01-20 | 2023-04-28 | 数智魔力(深圳)云计算技术有限公司 | 一种基于掌静脉技术的闸机控制系统及方法 |
CN116665258A (zh) * | 2023-07-31 | 2023-08-29 | 江苏圣点世纪科技有限公司 | 一种手掌图像指缝分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117133027B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN108171201B (zh) | 基于灰度形态学的睫毛快速检测方法 | |
CN111507206B (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN108121946B (zh) | 一种指纹图像预处理方法及装置 | |
CN110555382A (zh) | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 | |
CN112699845A (zh) | 一种在线非接触手掌静脉感兴趣区域提取方法 | |
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 | |
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 | |
Mohammed et al. | Accurate pupil features extraction based on new projection function | |
Wang et al. | Region of interest extraction for finger vein images with less information losses | |
CN112052842A (zh) | 一种基于掌静脉的人员识别方法和装置 | |
CN116740054A (zh) | 一种基于图像处理的舌象齿痕检测方法 | |
Zhao et al. | Fingerprint pre-processing and feature engineering to enhance agricultural products categorization | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN117133027B (zh) | 一种复杂背景下掌静脉识别中手掌边界分割方法 | |
CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
KR100374695B1 (ko) | 직접 융선 추출을 이용한 자동 지문 인식 시스템 | |
Wang et al. | Finger vein roi extraction based on robust edge detection and flexible sliding window | |
CN112329518A (zh) | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 | |
CN110399784A (zh) | 一种手掌图像感兴趣区域与截取准确率提升的方法 | |
CN117115867B (zh) | 一种掌静脉图像活体检测方法 | |
CN115995098B (zh) | 电子合同在线签约的流程数据验证方法 | |
CN117558068B (zh) | 基于多源数据融合的智能设备手势识别方法 | |
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 | |
CN117292136B (zh) | 一种静脉图像二值化方法 |
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 |