TWI781459B - 手掌靜脈特徵辨識系統及其方法 - Google Patents

手掌靜脈特徵辨識系統及其方法 Download PDF

Info

Publication number
TWI781459B
TWI781459B TW109135037A TW109135037A TWI781459B TW I781459 B TWI781459 B TW I781459B TW 109135037 A TW109135037 A TW 109135037A TW 109135037 A TW109135037 A TW 109135037A TW I781459 B TWI781459 B TW I781459B
Authority
TW
Taiwan
Prior art keywords
image
feature
palm vein
palm
feature extraction
Prior art date
Application number
TW109135037A
Other languages
English (en)
Other versions
TW202215371A (zh
Inventor
張振豪
陳泓烈
Original Assignee
國立中興大學
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 國立中興大學 filed Critical 國立中興大學
Priority to TW109135037A priority Critical patent/TWI781459B/zh
Publication of TW202215371A publication Critical patent/TW202215371A/zh
Application granted granted Critical
Publication of TWI781459B publication Critical patent/TWI781459B/zh

Links

Images

Landscapes

  • Collating Specific Patterns (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一種手掌靜脈特徵辨識系統及其方法，至少包括：一影像擷取單元、一影像預先處理單元及一影像特徵比對單元。用於將一手掌靜脈影像分成數個區塊，並對該每個區塊的特徵進行編碼及結合，再利用一已完成訓練的深度神經網路來進行分類，該分類結果即為一辨識結果。

Description

手掌靜脈特徵辨識系統及其方法
本發明係關於一種手掌靜脈特徵辨識系統及其方法，特別是一種能大量壓縮儲存空間及減少辨識處理時間的手掌靜脈特徵辨識系統及其方法。
現今普遍做為身份驗證技術的主要是密碼與各種感應晶片，但是其缺點為容易被複製或被盜取；因此，此種技術不適用於需要高度機密性和安全性的場合。為了克服前述問題，應用生物特徵進行分類及辨識的技術逐漸受到關注，例如虹膜辨識，臉部辨識，手部紋理及靜脈辨識等技術。其中靜脈辨識技術由於靜脈結構位於皮下層內部，因此在可見光下不易檢測到，故內部生物特徵不易遭竊取或模仿，因此具備極機密性的特點而逐漸受到關注。而手掌靜脈辨識又因可使用於非接觸式傳感器及不針對臉部之特色而更為大眾所喜愛，例如智慧型社區、企業、教育單位或各機關部門之門禁管控系統。
雖然手掌靜脈辨識技術具有前述諸多優點，但是如果使用在眾多使用者的環境中則會需要超大的影像儲存空間以及冗長的特徵資訊辨識處理時間等問題。因此如何大量壓縮儲存空 間及減少辨識處理時間，此乃為學界與業界亟欲解決的關鍵問題之一。
為解決上述問題，本發明第一實施例所揭露的一種手掌靜脈特徵辨識系統，會與一影像特徵資料庫相互配合比對，該辨識系統至少包括：一影像擷取單元，用於擷取出一手掌靜脈影像；一影像預先處理單元，電性連接該影像擷取單元，利用一手指谷定位方法來擷取出該手掌靜脈影像的一感興趣區域(Region of Interest,ROI)影像，並使用一限制對比度自適應直方圖均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)來增強該感興趣區域影像對比，再使用一局部激活導數模式(Local Activation-Derivative Pattern,LADP)特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式；一影像比對單元，電性連接該影像預處理單元及該影像特徵資料庫，將該影像特徵資料庫資料輸入一深度神經網路(Deep Neural Networks,DNN)以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路(Deep Neural Networks,DNN)來進行分類，其分類結果即為辨識結果。
為解決上述問題，本發明第二實施例所揭露的一種手掌靜脈特徵辨識系統，會與一影像特徵資料庫相互配合比對，該辨識系統至少包括：一種手掌靜脈特徵辨識系統，會與一影像 特徵資料庫相互配合比對，該辨識系統至少包括：一影像擷取單元，用於直接擷取出一手掌靜脈影像的一感興趣區域影像；一影像預先處理單元，電性連接該影像擷取單元，並利用一限制對比度自適應直方圖均衡來增強該感興趣區域影像對比，再使用一局部激活導數模式特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式；一影像比對單元，電性連接該影像預處理單元及該影像特徵資料庫，該影像特徵資料庫預先輸入一深度神經網路以進行訓練，並將該最終特徵模式用於一已完成訓練的深度神經網路來進行分類，此分類結果即為一辨識結果。
本發明第一實施例及第二實施例的手掌靜脈特徵辨識系統所使用的一種手掌靜脈特徵辨識方法，其步驟至少為：(a)輸入一手掌靜脈影像；(b)利用一手指谷定位方法擷取出該手掌靜脈影像的一感興趣區域影像；(c)再使用一限制對比度自適應直方圖均衡來增強該感興趣區域影像對比；(d)再使用一局部激活導數模式特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式；(e)利用一資料庫內的多個特徵資料輸入一深度神經網路以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路來進行分類，該分類結果即為一辨識結果。
以上關於本發明所揭露內容的說明及以下實施方式的說明係用以示範與解釋本發明的精神與原理，並且提供本發明的專利申請範圍更進一步的解釋。
1:手掌靜脈特徵辨識系統
11:影像擷取單元
111:手掌靜脈影像
112:手掌靜脈影像的感興趣區域影像
12:影像預先處理單元
121:手指谷定位方法
122:限制對比度自適應直方圖均衡
123:局部激活導數模式特徵提取演算法
13:影像比對單元
14:辨識結果
2:影像特徵資料庫
3:最終特徵模式
R:初始半徑
Xc、Yc:手掌圖像中心位置
C1~C5:圓內個體
V1~V4:手指谷位置
Pc:中心像素
I0°、I45°、I90°、I135°:內圈周圍像素
E0°、E45°、E90°、E135°:外圈周圍像素
1231:編碼
1232:最終特徵模式
131:分類
S100~S104:步驟
S200~S202:步驟
S300~S304:步驟
圖1為本發明的手掌靜脈特徵辨識系統的整體架構示意圖。
圖2為本發明第一實施例之影像預先處理單元的架構示意圖。
圖3為本發明之手指谷定位方法的實施步驟之流程圖。
圖3a~圖3g為本發明之手指谷定位方法的實施步驟的影像示意圖。
圖4為本發明之局部激活導數模式(LADP)特徵提取演算法的實施步驟之流程圖。
圖4a為本發明之局部激活導數模式(LADP)特徵提取演算法的架構示意圖。
圖5為本發明第二實施例之影像預先處理單元的架構示意圖。
圖6為本發明的手掌靜脈特徵辨識方法的實施步驟之流程圖。
圖6a為本發明的手掌靜脈特徵辨識方法的實施步驟之影像示意圖。
請參閱圖1及圖2。本發明第一實施例所揭露的一種手掌靜脈特徵辨識系統1，會與一影像特徵資料庫2相互配合比對，該辨識系統至少包括：一影像擷取單元11，用於擷取出一手掌靜脈影像111；一影像預先處理單元12，電性連接該影像擷取單元11，利用一手指谷定位方法來擷取出該手掌靜脈影像111的一感興趣區域(Region of Interest,ROI)影像，並使用一限制對比度自適應直方圖均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)來增強該感興趣區域影像對比，再使用一局部激活導數模式(Local Activation-Derivative Pattern,LADP)特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式3；一影像比對單元13，電性連接該影像預先處理單元12及該影像特徵資料庫2，將影像特徵資料庫資料2輸入一深度神經網路(Deep Neural Networks,DNN)以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路(Deep Neural Networks,DNN)來進行分類，該分類結果即為一辨識結果14。
前述該影像擷取單元11係為一近紅外光感應裝置(Near IR)，為利用該近紅外光感測裝置來當作相機拍攝手掌的靜脈分布影像。
前述該影像預先處理單元12至少包括有：一手指谷定位方法121、一限制對比度自適應直方圖均衡122及一局部激活導數模式特徵提取演算法123。
請參閱圖3，前述的手指谷定位方法121的實施步驟至少如下：第一步驟S100：對該手掌靜脈影像進行一二值化處理以轉換成二值化的手掌影像；第二步驟S101：再以一距離轉換(Distance Transformation)演算化找出該二值化後的手掌影像的中心點；第三步驟S102：以此中心點取半徑畫一圓形，該圓形輪廓劃過該二值化手掌影像的手指；第四步驟S103：再利用一連通分量標記(Component Labeling)演算法計算該圓形輪廓內所有手指間的空間個數，並利用該空間個數來找到所有手指間區域；第五步驟S104：找出該些手指間區域的最低點即為手指谷的位置。
請參閱圖3a~圖3b，關於前述該手指谷定位方法121的實施步驟的詳細說明如下：
i.輸入使用手掌靜脈資料庫的目標掌靜脈圖像或輸入近紅外光(NIR)照相機所擷取的目標掌靜脈圖像。
ii.對目標掌靜脈圖像進行二值化處理後，得到二值化圖像並設置合適的初始半徑R。
iii.使用R和該距離轉換(Distance Transformation)演算法，確定手掌圖像中心位置(Xc，Yc)與手掌邊緣之間的最大距離。設定一初始半徑R和掌中心(Xc，Yc)所繪的初始圓，如圖3a和圖3b所示。
iv.使用上一步中的圓，利用該連通分量標記(Component Labeling)演算法找出單獨的圓內個體(C)(如圖3c所示C1、C2、C3、C4或C5)，並對其進行標記以計算孤立的個體數(V)。如果V的數量大於4個，則為找到了手指之間的所有個體；否則，增加半徑值R並重複前面的步驟，直到V的數量大於或等於4(如圖3d所示)。
v.由於手掌自然結構的手掌谷位置(如圖3d所示)，因此使接觸圖底部的個體為無效。如此最終只會得到4個個體。
vi.上述步驟所得到的有效V共4個的最低位置即是從V1到V4的手指谷位置；
vii.排序並計算V1到V4相鄰位置之間的所有歐幾里得距離；最長的歐幾里得距離將屬於拇指和食指的間隔。如果最長距離位於最左(最右)軸，則對象手掌為右(左)手。
viii.根據左手還是右手進行判斷，依次對V1到V4進行排序，以依次列出相應手指之間的所有指谷位置。
ix.輸入V1到V4位置以作為ROI定位之用。
確定了從V1到V4的所有手指谷地位置後。由於輸入目標圖像沒有固定的方向，所以圖像底部無法以水平方式呈現(如圖3e所示)，因此為了降低ROI區域的分割複雜度，必須使用角度旋轉先將ROI區域轉成水平方式以方便與手掌靜脈圖像分開。另外，在各種照明條件下捕獲同一隻手掌，以生成不同的ROI圖像比例。ROI圖像比例的變化會導致不同的圖案直方圖，從而降低識別性能。通過縮放ROI圖像可以解決此縮放問題。
定義手指谷位置後，確定手指谷位置的斜率以校正目標圖像的旋轉：
Figure 109135037-A0305-02-0009-1
θ=(A x -B x )/(A y -B y )
其中δ是圖3e中V2(A(Ax，Ay))和V4(B(Bx，By))的歐幾里德距離，而θ是相對於圖像水平軸的旋轉角度。圖3f展示了使用雙線性演算法處理後所獲得的整個手掌的旋轉靜脈圖像。接下來，從V2和V4畫一條長度為L的垂直線以構建一個正方形區域(如圖3f所示)。最終，通過將這個正方形區域與手掌靜脈圖像(如圖3g所示)分開來獲得ROI區域圖像。
上述步驟所得到的的ROI圖像中，其靜脈結構尚不清楚。因此，必須對原始的ROI圖像進行增強處理，以突顯出靜 脈結構和周圍特徵。因此本發明通過該限制對比度自適應直方圖均衡122來修改整個圖像中像素的亮度，以提高模糊區域中的靜脈清晰度。
請參閱圖4，前述該局部激活導數模式(LADP)特徵提取演算法123的實施步驟至少如下：第一步驟S200：將該手掌靜脈影像分成數個區塊，並對每個區塊的特徵進行編碼；第二步驟S201：該編碼分成中心像素、內圈像素和外圈像素，並以該中心像素、內圈像素及外圈像素之相對應關係進行編碼處理；第三步驟S202：最後將該所有區塊的特徵提取編碼進行結合，以取得最終特徵模式。
針對前述該局部激活導數模式特徵提取演算法123的實施步驟的詳細說明如下：本發明採用區塊編碼的概念，先將ROI靜脈圖像分成數個區塊，並對每個區塊進行特徵編碼處理。區塊編碼的優點是可針對每個區塊的特徵進行編碼，因此可以顯示各區塊獨特的靜脈紋理資訊，並從相鄰區塊中分辨出靜脈特徵。LADP描述具有兩個導數值和一個激活值的特徵結構，如下所示：首先，根據圖4a中的LADP特徵提取架構，將目標的ROI靜脈圖像G分成總共N個區塊Gn，其中n=1到N。編碼的中心像素(Pc)是目標圖像編碼的依序中心像素，而沿0°、45°、90°和135°方向的像素 分別為I0°，I45°，I90°和I135°為內圈周圍像素。用於計算中心像素Pc與內圈周圍像素I0°，I45°，I90°和I135°之間的導數為一階導數特徵可以表示為：
Figure 109135037-A0305-02-0011-2
Figure 109135037-A0305-02-0011-3
Figure 109135037-A0305-02-0011-4
Figure 109135037-A0305-02-0011-5
接著可以使用這些內圈周圍像素及其更外部的外圈周圍像素E0°、E45°、E90°和E135°計算二階導數特徵，如下所示：
Figure 109135037-A0305-02-0011-10
Figure 109135037-A0305-02-0011-11
Figure 109135037-A0305-02-0011-12
Figure 109135037-A0305-02-0011-13
從上述公式中，以方向0°為例，目標中心像素Pc的可能編碼變化可以表示為：
Figure 109135037-A0305-02-0011-6
而在方向45°、90°和135°上的編碼過程與上述中的方向0°編碼方式相似。此外，LDAP定義用於編碼的激活函數A。以方向0°為例及像素差閥值Vth，激活函數定義如下：
Figure 109135037-A0305-02-0012-7
對於LADP特徵提取過程，使用以下功能確定激活功能值A是否激活了F功能值：
Figure 109135037-A0305-02-0012-9
如上所描述的，特徵提取過程將獲得四個可能特徵值(0，1，2，3)，其分別會在4個方向上表示。最後繪製每個區塊圖像上LADP特徵碼的直方圖即為LADP最終特徵模式。在LADP特徵編碼過程中，對於每個像素的4種變化，每個像素只能獲得一個值，因此如果將ROI靜脈圖像G劃分為X行Y列的區塊，則可以將LADP特徵的圖案長度計算為一個ROI靜脈圖像中的4個變化乘上4個方向乘X行乘Y列。如果X和Y分別為4，則LADP特徵圖案的長度為4個變化乘4個方向乘4行乘4列，故特徵向量長度為256。
請參閱圖1及圖5。本發明第二實施例與本發明第一實施例的差異僅在於該影像擷取單元11係可以直接擷取出該手掌靜脈影像的感興趣區域影像112，因此可以省略第一實施例中的該手指谷定位方法121，而直接進行前述該局部激活導數模式 特徵提取演算法123。除了此部分的差異，其它部分則為相同，因此相同的內容則不再贅述。
請參閱圖6及圖6a。本發明第一實施例及第二實施例的手掌靜脈特徵辨識系統所使用的一種手掌靜脈特徵辨識方法，其實施步驟至少為：第一步驟S300：輸入一手掌靜脈影像111；第二步驟S301：利用一手指谷定位方法擷取出該手掌靜脈影像的一感興趣區域影像112；第三步驟S302：再使用一限制對比度自適應直方圖均衡來增強該感興趣區域影像對比；第四步驟S303：再使用一局部激活導數模式特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼1231，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式1232；第五步驟S304：將影像特徵資料庫資料輸入一深度神經網路(Deep Neural Networks,DNN)以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路來進行分類131，分類結果即為一辨識結果。
雖然本發明以前述之諸項實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。
1:手掌靜脈特徵辨識系統
11:影像擷取單元
12:影像預先處理單元
13:影像比對單元
14:辨識結果
2:影像特徵資料庫

Claims (4)

  1. 一種手掌靜脈特徵辨識系統，會與一影像特徵資料庫相互配合比對，該辨識系統至少包括：一近紅外光感應裝置，用於擷取出一手掌靜脈影像；一影像預處理單元，電性連接該近紅外光感應裝置，利用一手指谷定位方法來擷取出該手掌靜脈影像的一感興趣區域影像的靜脈特徵，再將該感興趣區域影像進行旋轉或縮放調整，並使用一限制對比度自適應直方圖均衡來增強該感興趣區域影像對比，再使用一局部激活導數模式特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式；一影像比對單元，電性連接該影像預處理單元及該影像特徵資料庫，將該影像特徵資料庫資料輸入一深度神經網路以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路來進行分類，該分類結果即為一辨識結果；其中該手指谷定位方法的步驟至少如下：第一步驟：對該手掌靜脈影像進行一二值化處理以轉換成二值化的手掌影像； 第二步驟：再以一距離轉換演算化找出該二值化後的手掌影像的中心點；第三步驟：以此中心點取半徑畫一圓形，該圓形輪廓劃過該二值化手掌影像的手指；第四步驟：再利用一連通分量標記演算法計算該圓形輪廓內所有手指間的空間個數，並利用該空間個數來找到所有手指間區域；第五步驟：找出該些手指間區域的最低點即為手指谷的位置；其中該局部激活導數模式特徵提取演算法的步驟至少如下：(a)將該手掌靜脈影像分成數個區塊，並對每個區塊的特徵進行編碼；(b)該編碼分成中心像素、內圈像素和外圈像素，並以該中心像素、內圈像素及外圈像素之相對應關係進行編碼處理；(c)最後將該所有區塊的特徵提取編碼進行結合，以取得最終特徵模式；其中該特徵為中心像素、內圈周圍像素及外圈周圍像素之對應關係編碼所生成的兩個導數值和一個激活值。
  2. 如請求項1所述的手掌靜脈特徵辨識系統，其中該編碼係以中心像素的0°、45°、90°和135°方向進行編碼。
  3. 一種手掌靜脈特徵辨識系統，會與一影像特徵資料庫相互配合比對，該辨識系統至少包括： 近紅外光感應裝置，用於直接擷取出一手掌靜脈影像的一感興趣區域影像的靜脈特徵，再將該感興趣區域影像進行旋轉或縮放調整；一影像預處理單元，電性連接該近紅外光感應裝置，並利用一限制對比度自適應直方圖均衡來增強該感興趣區域影像對比，再使用一局部激活導數模式特徵提取演算法將該感興趣區域影像分成數個區塊，並將每一個區塊進行特徵提取並進行編碼，最後再將該所有區塊的特徵提取編碼進行結合，用以取得最終特徵模式；一影像比對單元，電性連接該影像預處理單元及該影像特徵資料庫，將該影像特徵資料庫資料輸入一深度神經網路以進行深度神經網路訓練，再將該最終特徵模式用於一已完成訓練的深度神經網路來進行分類，該分類結果即為一辨識結果；其中該局部激活導數模式特徵提取演算法的步驟如下：(a)將該手掌靜脈影像分成數個區塊，並對每個區塊的特徵進行編碼；(b)該編碼分成中心像素、內圈像素和外圈像素，並以該中心像素、內圈像素及外圈像素之相對應關係進行編碼處理；(c)最後將該所有區塊的特徵提取編碼進行結合，以取得最終特徵模式；其中該特徵為中心像素、內圈周圍像素及外圈周圍像素之對應關係編碼所生成的兩個導數值和一個激活值。
  4. 如請求項3所述的手掌靜脈特徵辨識系統，其中該編碼係以中心像素的0°、45°、90°和135°方向進行編碼。
TW109135037A 2020-10-08 2020-10-08 手掌靜脈特徵辨識系統及其方法 TWI781459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109135037A TWI781459B (zh) 2020-10-08 2020-10-08 手掌靜脈特徵辨識系統及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109135037A TWI781459B (zh) 2020-10-08 2020-10-08 手掌靜脈特徵辨識系統及其方法

Publications (2)

Publication Number Publication Date
TW202215371A TW202215371A (zh) 2022-04-16
TWI781459B true TWI781459B (zh) 2022-10-21

Family

ID=82197069

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109135037A TWI781459B (zh) 2020-10-08 2020-10-08 手掌靜脈特徵辨識系統及其方法

Country Status (1)

Country Link
TW (1) TWI781459B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118552989A (zh) * 2024-07-26 2024-08-27 盛视科技股份有限公司 基于特征校准的掌静脉识别方法及静脉识别终端

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100395770C (zh) * 2005-06-27 2008-06-18 北京交通大学 一种基于特征关系度量的手部特征融合认证方法
CN105426843A (zh) * 2015-11-19 2016-03-23 安徽大学 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105938549A (zh) * 2016-06-08 2016-09-14 大连民族大学 掌纹识别中的掌纹roi分割方法
CN106845388A (zh) * 2017-01-18 2017-06-13 北京交通大学 基于复杂场景的移动终端掌纹感兴趣区域的提取方法
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107194325A (zh) * 2017-04-28 2017-09-22 广东欧珀移动通信有限公司 掌纹采集方法及相关产品
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100395770C (zh) * 2005-06-27 2008-06-18 北京交通大学 一种基于特征关系度量的手部特征融合认证方法
CN105426821A (zh) * 2015-11-04 2016-03-23 浙江工业大学 一种基于八邻域和二次匹配的手掌静脉特征提取和匹配方法
CN105426843A (zh) * 2015-11-19 2016-03-23 安徽大学 一种单镜头下掌静脉和掌纹图像采集装置及图像增强和分割方法
CN105938549A (zh) * 2016-06-08 2016-09-14 大连民族大学 掌纹识别中的掌纹roi分割方法
CN106845388A (zh) * 2017-01-18 2017-06-13 北京交通大学 基于复杂场景的移动终端掌纹感兴趣区域的提取方法
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107194325A (zh) * 2017-04-28 2017-09-22 广东欧珀移动通信有限公司 掌纹采集方法及相关产品
CN107832739A (zh) * 2017-11-28 2018-03-23 广州麦仑信息科技有限公司 一种基于orb特征提取的掌静脉识别系统及方法

Also Published As

Publication number Publication date
TW202215371A (zh) 2022-04-16

Similar Documents

Publication Publication Date Title
Xin et al. Multimodal feature-level fusion for biometrics identification system on IoMT platform
CN106529468B (zh) 一种基于卷积神经网络的手指静脉识别方法及系统
US20210326571A1 (en) Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network
Fei et al. Jointly heterogeneous palmprint discriminant feature learning
CN111079514A (zh) 一种基于clbp和卷积神经网络的人脸识别方法
CN105160305B (zh) 一种手指多模态特征融合方法
Krishneswari et al. A review on palm print verification system
Jalilian et al. Enhanced segmentation-CNN based finger-vein recognition by joint training with automatically generated and manual labels
Hassan et al. Pose invariant palm vein identification system using convolutional neural network
Yang et al. Face recognition based on MTCNN and integrated application of FaceNet and LBP method
Barni et al. Iris deidentification with high visual realism for privacy protection on websites and social networks
Huynh et al. Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf
TWI781459B (zh) 手掌靜脈特徵辨識系統及其方法
Barra et al. Unconstrained ear processing: What is possible and what must be done
Chinnappan et al. Fingerprint recognition technology using deep learning: a review
CN116665254A (zh) 基于手形语义先验和ViT的非接触式掌纹识别方法
Kankrale et al. Template level concatenation of iris and fingerprint in multimodal biometric identification systems
Parra et al. Automatic gang graffiti recognition and interpretation
Hussein et al. The fundamentals of unimodal palmprint authentication based on a biometric system: a review
Santosh et al. Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I
Gao et al. On Designing a SwinIris Transformer Based Iris Recognition System
Walhazi et al. Mask2lfp: mask-constrained adversarial latent fingerprint synthesis
Nguyen et al. LAWNet: A lightweight attention-based deep learning model for wrist vein verification in smartphones using RGB images
Kumari et al. Classification of textures based on noise resistant fundamental units of complete texton matrix
Chai et al. Explore semantic pixel sets based local patterns with information entropy for face recognition

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent