CN117292413A - 一种静脉图像旋转识别方法 - Google Patents
一种静脉图像旋转识别方法 Download PDFInfo
- Publication number
- CN117292413A CN117292413A CN202311588636.8A CN202311588636A CN117292413A CN 117292413 A CN117292413 A CN 117292413A CN 202311588636 A CN202311588636 A CN 202311588636A CN 117292413 A CN117292413 A CN 117292413A
- Authority
- CN
- China
- Prior art keywords
- vein
- features
- characteristic
- user
- finger vein
- 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
- 210000003462 vein Anatomy 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 42
- 238000012216 screening Methods 0.000 claims description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000001727 in vivo 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/7515—Shifting the patterns to accommodate for positional errors
Abstract
一种静脉图像旋转识别方法,属于生物识别技术领域,包括以下骤:若待识别用户的静脉特征与注册特征库中的特征不匹配,则提取待识别用户指静脉图像中的指静脉轮廓,并将其二值化处理获得指静脉二值化轮廓图;获取指静脉二值化轮廓图中所有的关键特征点;根据关键特征点构建第一特征曲线和第二特征曲线;根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点;以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配,判断待识别用户是否对应到注册特征库中的某一用户。本发明提供的方法可以有效解决指静脉识别过程中因手指倾斜而导致的静脉识别成功率不高的问题。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种静脉图像旋转识别方法。
背景技术
静脉识别技术作为一种天然的体内特征活体识别技术,利用静脉血液中脱氧血色素吸收特定近红外线的这一特性,通过近红外线照射手指,用相应波长的红外相机摄取手指的静脉分布图,伪造和篡改极为困难,因此被广泛应用于金融、安防等行业。在指静脉图像采集的过程中,可能会出现因为手指放置倾斜导致采集的指静脉图像倾斜,进而导致提取的静脉特征也存在倾斜的现象。如果将提取的静脉特征直接与注册特征库的特征相比对,可能出现匹配不通过,进而导致静脉识别成功率较低的问题。
发明内容
本发明的主要目的是提供一种静脉图像旋转识别方法,解决因手指倾斜而导致的静脉识别成功率较低的问题。
为实现上述目的,本发明提供了一种静脉图像旋转识别方法,包括以下步骤:
步骤1.采集待识别用户的指静脉图像,提取指静脉图像中的静脉特征,并将其与注册特征库中的模板特征相匹配,判断待识别用户是否对应到注册特征库中的某一用户,若不属于则进行步骤2,反之,识别结束;
步骤2.提取待识别用户指静脉图像中的指静脉轮廓,并将其二值化处理获得指静脉二值化轮廓图;
步骤3.获取指静脉二值化轮廓图中所有的关键特征点;
步骤4.构建第一特征曲线,所述第一特征曲线为指静脉二值化轮廓图中以关键特征点为端点的所有曲线;
步骤5.根据第一特征曲线计算获得第二特征曲线,所述第二特征曲线为存在类平行线的两条最长的第一特征曲线;
步骤6.根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点;
步骤7.以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配,判断待识别用户是否对应到注册特征库中的某一用户。
优选地,所述步骤3中获取指静脉二值化轮廓图中所有的关键特征点为按照从左到右、从上到下的顺序依次计算指静脉二值化轮廓图中每个像素点八邻域内所有相邻两个像素点像素差的绝对值的和、方向场差值的绝对值,筛选出端点、叉点和拐点。
优选地,所述端点八邻域内所有相邻两个像素点像素差的绝对值的和为2*255,所述叉点八邻域内所有相邻两个像素点像素差的绝对值的和为6*255,所述拐点八邻域内有且仅有两个像素点的方向场的差值的绝对值大于45。
优选地,所述步骤4中的第一特征曲线以端点为起点,以关键特征点为终点。
优选地,所述步骤5中根据第一特征曲线计算获得第二特征曲线,具体步骤如下:
步骤5.1.将第一特征曲线按照长度从大到小的顺序排列,得到检测曲线集;
步骤5.2.将检测曲线集中最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.3;
步骤5.3.将检测曲线集中未作为检测线的最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.4;
步骤5.4.重复步骤5.3,直至获得第二特征曲线;
步骤5.5.将检测线作为第二特征曲线,同时,剔除检测曲线集中与检测线相同起点和终点的第一特征曲线,将剩余的第一特征曲线再次构建成检测曲线集,重复步骤5.2-5.4,直至获得两条第二特征曲线。
优选地,若两条第一特征曲线的平均方向场的差值的绝对值小于15,则该两条第一特征曲线为类平行线。
优选地,所述步骤6中根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点为:获取两条第二特征曲线的4个端点连接成几何形状,计算几何形状的中心点作为指静脉二值化轮廓图的拓扑结构中心点。
优选地,所述步骤7中以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配的方法为:以拓扑结构中心点为基准,旋转待识别用户的静脉特征,并与注册特征库中的模板特征相匹配,若匹配通过则停止旋转,待识别用户为注册特征库中的某一用户,反之,继续旋转后进行匹配操作,若旋转360度后仍不匹配,则待识别用户不是注册特征库中的某一用户。
优选地,每次旋转的角度为10度。
优选地,所述第一特征曲线的平均方向场为第一特征曲线上所有像素点方向场的平均值,任一像素点方向场的计算公式为:
,
公式中,表示该像素点方向场的大小,(x,y)表示该像素点的坐标,/>表示该像素点在x方向的导数,/>表示该像素点在y方向的导数。
与现有技术相比,本发明具有以下技术效果:在用户手指倾斜的情况下,通过构建拓扑结构中心点,并以拓扑结构中心点为基准旋转静脉特征,与注册特征库中的模板特征进行匹配,可以有效解决因手指倾斜导致静脉识别成功率不高的问题;此外,通过此方案,即使用户的手指倾斜,也用准确识别,拓宽了现有指静脉识别模组设计的思路,即指静脉设备可以不用设计手指定位模块,为指静脉模组适应更多场景提供可能。
附图说明
图1为本发明涉及的静脉图像旋转识别方法的流程图。
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,本发明涉及一种静脉图像旋转识别方法,具体包括以下步骤:
步骤1.采集待识别用户的指静脉图像,提取指静脉图像中的静脉特征,并将其与注册特征库中的模板特征相匹配,判断待识别用户是否对应到注册特征库中的某一用户,若不属于则进行步骤2,反之,识别结束;
示例性的,本发明采用专利CN111191624B公开的一种基于法向量信息的指静脉特征提取方法提取用户的静脉特征,如果识别不通过则进入本发明中的步骤1。
需要说明的是,从指静脉图像中提取用户的静脉特征方法多种多样,还比如CN111639560B公开的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,本文在此不做限制。
步骤2.提取待识别用户指静脉图像中的指静脉轮廓,并将其二值化处理获得指静脉二值化轮廓图;
其中,提取待识别用户指静脉图像中的指静脉轮廓通常为采用边缘检测算子与指静脉图像进行卷积操作,该原理主要是基于用户手指的静脉经过近红外灯照射后,相对于周围手指组织会有明显的灰度差异,该方案在静脉识别领域属于成熟方案,在此不做进一步限制。
步骤3.获取指静脉二值化轮廓图中所有的关键特征点,获取指静脉二值化轮廓图中所有的关键特征点的方法为:按照从左到右、从上到下的顺序依次计算指静脉二值化轮廓图中每个像素点八邻域内所有相邻两个像素点像素差的绝对值的和、方向场差值的绝对值,筛选出端点、叉点和拐点,其中端点八邻域内所有相邻两个像素点像素差的绝对值的和为2*255,叉点八邻域内所有相邻两个像素点像素差的绝对值的和为6*255,拐点八邻域内有且仅有两个像素点的方向场的差值的绝对值大于45;
需要说明的是,根据步骤2获得的指静脉二值化轮廓图中,只存在像素值为1的指静脉轮廓像素点和像素值为0的背景像素点,因关键特征点只能是静脉轮廓像素点,因此只要遍历静脉轮廓像素点即可获得关键特征点。
步骤4.构建第一特征曲线,第一特征曲线为指静脉二值化轮廓图中以关键特征点为端点的所有曲线,具体的第一特征曲线以端点为起点,以关键特征点为终点;
一般一个手指上通常存在2条主静脉,且主静脉的端点必定是以关键特征点,因此通过关键特征点获得指静脉二值化轮廓图中的所有曲线,然后根据指静脉特性筛选出主静脉曲线,即本发明中的第二特征曲线。
步骤5.根据第一特征曲线计算获得第二特征曲线,第二特征曲线为存在类平行线的两条最长的第一特征曲线;需要说明的是,在本方案中,若两条第一特征曲线的平均方向场的差值的绝对值小于15,则该两条第一特征曲线为类平行线,其中第一特征曲线的平均方向场为第一特征曲线上所有像素点方向场的平均值,任一像素点方向场的计算公式为:
,
公式中,表示该像素点方向场的大小,(x,y)表示该像素点的坐标,/>表示该像素点在x方向的导数,/>表示该像素点在y方向的导数。
如上所述,第二特征曲线为手指上的两条主静脉曲线,根据静脉特性,其为最长的两条曲线,且一条主静脉曲线上存在多个关键特征点,因此其必然存在类平行线,因此可以通过此条件筛选出第二特征曲线。
在一个实施例中,根据第一特征曲线计算获得第二特征曲线的具体步骤为:
步骤5.1.将第一特征曲线按照长度从大到小的顺序排列,得到检测曲线集;
步骤5.2.将检测曲线集中最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.3;
步骤5.3.将检测曲线集中未作为检测线的最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.4;
步骤5.4.重复步骤5.3,直至获得第二特征曲线;
步骤5.5.将检测线作为第二特征曲线,同时,剔除检测曲线集中与检测线相同起点和终点的第一特征曲线,将剩余的第一特征曲线再次构建成检测曲线集,重复步骤5.2-5.4,直至获得两条第二特征曲线。
步骤6.根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点,具体方法为:获取两条第二特征曲线的4个端点连接成几何形状,计算几何形状的中心点作为指静脉二值化轮廓图的拓扑结构中心点;
一种示例性,4个端点连接成梯形,计算梯形的中心点作为指静脉二值化轮廓图的拓扑结构中心点。
步骤7.以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配,判断待识别用户是否对应到注册特征库中的某一用户,具体方法为:以拓扑结构中心点为基准,旋转待识别用户的静脉特征,并与注册特征库中的模板特征相匹配,若匹配通过则停止旋转,待识别用户为注册特征库中的某一用户,反之,继续旋转后进行匹配操作,若旋转360度后仍不匹配,则待识别用户不是注册特征库中的某一用户,其中,每次旋转的角度为10度。
通过本发明的技术方案,在用户手指倾斜的情况下,通过构建拓扑结构中心点,并以拓扑结构中心点为基准旋转静脉特征,与注册特征库中的模板特征进行匹配,可以有效解决因手指倾斜导致静脉识别成功率不高的问题。
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)
1.一种静脉图像旋转识别方法,其特征在于,包括以下步骤:
步骤1.采集待识别用户的指静脉图像,提取指静脉图像中的静脉特征,并将其与注册特征库中的模板特征相匹配,判断待识别用户是否对应到注册特征库中的某一用户,若不属于则进行步骤2,反之,识别结束;
步骤2.提取待识别用户指静脉图像中的指静脉轮廓,并将其二值化处理获得指静脉二值化轮廓图;
步骤3.获取指静脉二值化轮廓图中所有的关键特征点;
步骤4.构建第一特征曲线,所述第一特征曲线为指静脉二值化轮廓图中以关键特征点为端点的所有曲线;
步骤5.根据第一特征曲线计算获得第二特征曲线,所述第二特征曲线为存在类平行线的两条最长的第一特征曲线;
步骤6.根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点;
步骤7.以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配,判断待识别用户是否对应到注册特征库中的某一用户。
2.根据权利要求1所述的静脉图像旋转识别方法,其特征在于:所述步骤3中获取指静脉二值化轮廓图中所有的关键特征点为按照从左到右、从上到下的顺序依次计算指静脉二值化轮廓图中每个像素点八邻域内所有相邻两个像素点像素差的绝对值的和、方向场差值的绝对值,筛选出端点、叉点和拐点。
3.根据权利要求2所述的静脉图像旋转识别方法,其特征在于:所述端点八邻域内所有相邻两个像素点像素差的绝对值的和为2*255,所述叉点八邻域内所有相邻两个像素点像素差的绝对值的和为6*255,所述拐点八邻域内有且仅有两个像素点的方向场的差值的绝对值大于45。
4.根据权利要求2所述的静脉图像旋转识别方法,其特征在于:所述步骤4中的第一特征曲线以端点为起点,以关键特征点为终点。
5.根据权利要求2所述的静脉图像旋转识别方法,其特征在于:所述步骤5中根据第一特征曲线计算获得第二特征曲线,具体步骤如下:
步骤5.1.将第一特征曲线按照长度从大到小的顺序排列,得到检测曲线集;
步骤5.2.将检测曲线集中最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.3;
步骤5.3.将检测曲线集中未作为检测线的最长的第一特征曲线作为检测线,判断检测曲线集中是否存在检测线的类平行线,若存在则进入步骤5.5,反之进行步骤5.4;
步骤5.4.重复步骤5.3,直至获得第二特征曲线;
步骤5.5.将检测线作为第二特征曲线,同时,剔除检测曲线集中与检测线相同起点和终点的第一特征曲线,将剩余的第一特征曲线再次构建成检测曲线集,重复步骤5.2-5.4,直至获得两条第二特征曲线。
6.根据权利要求5所述的静脉图像旋转识别方法,其特征在于:若两条第一特征曲线的平均方向场的差值的绝对值小于15,则该两条第一特征曲线为类平行线。
7.根据权利要求1所述的静脉图像旋转识别方法,其特征在于:所述步骤6中根据第二特征曲线计算指静脉二值化轮廓图的拓扑结构中心点为:获取两条第二特征曲线的4个端点连接成几何形状,计算几何形状的中心点作为指静脉二值化轮廓图的拓扑结构中心点。
8.根据权利要求1所述的静脉图像旋转识别方法,其特征在于:所述步骤7中以拓扑结构中心点为基准多次旋转待识别用户的静脉特征,并将其与注册特征库中的模板特征再次匹配的方法为:以拓扑结构中心点为基准,旋转待识别用户的静脉特征,并与注册特征库中的模板特征相匹配,若匹配通过则停止旋转,待识别用户为注册特征库中的某一用户,反之,继续旋转后进行匹配操作,若旋转360度后仍不匹配,则待识别用户不是注册特征库中的某一用户。
9.根据权利要求8所述的静脉图像旋转识别方法,其特征在于:每次旋转的角度为10度。
10.根据权利要求6所述的静脉图像旋转识别方法,其特征在于:所述第一特征曲线的平均方向场为第一特征曲线上所有像素点方向场的平均值,任一像素点方向场的计算公式为:
,
公式中,表示该像素点方向场的大小,(x,y)表示该像素点的坐标,/>表示该像素点在x方向的导数,/>表示该像素点在y方向的导数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588636.8A CN117292413A (zh) | 2023-11-27 | 2023-11-27 | 一种静脉图像旋转识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588636.8A CN117292413A (zh) | 2023-11-27 | 2023-11-27 | 一种静脉图像旋转识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117292413A true CN117292413A (zh) | 2023-12-26 |
Family
ID=89257582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311588636.8A Pending CN117292413A (zh) | 2023-11-27 | 2023-11-27 | 一种静脉图像旋转识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292413A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
CN109086694A (zh) * | 2018-07-17 | 2018-12-25 | 北京量子光影科技有限公司 | 一种人脸识别系统及方法 |
CN113191202A (zh) * | 2021-04-07 | 2021-07-30 | 烟台艾睿光电科技有限公司 | 一种图像处理方法、装置及电子设备 |
-
2023
- 2023-11-27 CN CN202311588636.8A patent/CN117292413A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
CN109086694A (zh) * | 2018-07-17 | 2018-12-25 | 北京量子光影科技有限公司 | 一种人脸识别系统及方法 |
CN113191202A (zh) * | 2021-04-07 | 2021-07-30 | 烟台艾睿光电科技有限公司 | 一种图像处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI434220B (zh) | 利用手掌靜脈之生物特徵辨識使用者之方法 | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN102831403B (zh) | 一种基于指纹特征点的识别方法 | |
CN106096569B (zh) | 一种手指静脉识别方法 | |
Lin et al. | A study of shape-based image retrieval | |
CN109522842B (zh) | 一种基于手指静脉图像的血管网络修复方法 | |
WO2021135533A1 (zh) | 一种指静脉超大用户量下的高速检索算法及识别设备 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN107358185B (zh) | 基于拓扑分析的掌纹掌脉图像识别方法及装置 | |
CN104919491A (zh) | 图像处理的改进或与图像处理相关的改进 | |
CN108875629A (zh) | 基于多样本特征融合的掌静脉识别方法 | |
Kumar et al. | Fingerprint minutia match using bifurcation technique | |
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 | |
Patel et al. | An improved approach in fingerprint recognition algorithm | |
Uriarte-Antonio et al. | Vascular biometrics based on a minutiae extraction approach | |
Sun et al. | Palm vein recognition using curvelet transform | |
Doroz et al. | An accurate fingerprint reference point determination method based on curvature estimation of separated ridges | |
Lim et al. | Enhancing fingerprint recognition using minutiae-based and image-based matching techniques | |
Fang et al. | A new fingerprint thinning algorithm | |
CN110765856B (zh) | 基于卷积的低质量手指静脉图像边缘检测算法 | |
CN117292413A (zh) | 一种静脉图像旋转识别方法 | |
Sisodia et al. | A conglomerate technique for finger print recognition using phone camera captured images | |
CN112101332B (zh) | 一种基于3d指静脉的特征提取和比对方法及装置 | |
CN112183596B (zh) | 结合局部网格约束和几何约束的直线段匹配方法与系统 | |
Cao et al. | Fingerprint image enhancement and minutiae extraction algorithm |
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 |