CN101976332A - 一种利用多特征的手指静脉采集识别方法 - Google Patents
一种利用多特征的手指静脉采集识别方法 Download PDFInfo
- Publication number
- CN101976332A CN101976332A CN 201010537607 CN201010537607A CN101976332A CN 101976332 A CN101976332 A CN 101976332A CN 201010537607 CN201010537607 CN 201010537607 CN 201010537607 A CN201010537607 A CN 201010537607A CN 101976332 A CN101976332 A CN 101976332A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- vein pattern
- 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.)
- Granted
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种利用多特征的手指静脉采集识别方法,该方法将采集的静脉灰度图像转换分级灰度图像和二值化图像,从三种图像中分别提取特征,组成特征链,这种多种特征相结合的静脉识别算法,能够达到较高的识别效果。本发明还在特征链中***亮度、亮度变化值可以增加特征的复杂度和真实特征剽窃的难度,且由于相同手指需要的红外光源亮度特征变化范围较小,可以有效减少误识率。
Description
技术领域
本发明涉及一种利用多特征的手指静脉采集识别方法,属于生物特征识别技术领域。
背景技术
手指静脉识别技术是一种新型的生物特征识别技术,利用手指静脉纹路分布不同,达到身份验证、保护目标的作用。静脉身份识别技术相对其他生物特征具有如下特点:
1)活体识别
静脉识别技术的原理是根据血液中的血红素有吸收红外线光的特质进行静脉图像采集。只有手指中有血液流动即针对活体手指才能获取静脉特征,非活体的手指是得不到静脉图像特征而无法识别的,因此被识别生物特征无法造假。
(2)手指内部特征识别
用手指静脉进行身份认证时,获取的是手指内部的静脉图像特征,而不是手指表面的图像特征,因此不存在任何由于手指表面的损伤、磨损、干燥或太湿等带来的识别障碍,完全可以克服指纹识别的这些缺点。
(3)非接触式
用手指静脉进行身份认证,获取手指静脉图像时,手指无须与设备接触。手指轻轻一伸,即可完成识别。不存在指纹识别过程中,因手指接触设备带来的不卫生、手指表面特征可能被复制所带来的安全问题,并避免了被当作审查对象的心理不适。
由于静脉识别技术具有上述活体识别、内部特征和非接触式三个方面的特征,因此能够确保使用者的手指静脉特征很难被伪造,所以安全等级高,特别适合于安全要求高的场所使用。
在静脉特征识别领域中,静脉识别软件设计的好坏直接影响产品的识别效果和应用情况。目前静脉识别算法或者采用灰度图像处理,或者采用二值化图像处理提取特征数据,但是由于采集条件和被采集人所处的不同时期,采集的静脉灰度图像会有一定的差别,而且静脉相对整个图像所占比例较少,单纯使用灰度图像或二值化静脉图像提取特征都无法达到较好的识别效果。
发明内容
有鉴于此,本发明提供了一种利用多特征的手指静脉采集识别方法,能够提高手指静脉特征识别效果。
该方法包括手指静脉特征提取过程和身份识别过程;
手指静脉特征提取过程包括如下步骤:
步骤一、红外光源提供的红外光照射在当前采集者的手指上,由红外摄像机采集手指静脉图像;
步骤二、对采集的手指静脉图像进行预处理,得到图像A;
步骤三、采用多阈值分割技术将所述图像A分割成级数至少为3的多级灰度图像B,同时采用单阈值分割技术将所述图像A分割成二值图像C;分别从图像A、图像B和图像C中提取特征;
所述从图像A、图像B和图像C中提取特征具体为:分别采用Gabor小波变换处理归一化后的图像A和多级灰度图像B,将得到的小波值作为图像A和多级灰度图像B的特征;统计二值图像C中0值像素的比例、各个脉络交叉点个数、脉络断点个数、静脉组成的环个数、以及各相交静脉中心线组成的夹角,组成二值图像C的特征;
步骤四、将提取的3种特征首尾连接组成一个静脉特征链,并存储;
身份识别过程包括如下步骤:
步骤五、采集被识别者的手指静脉图像;
步骤六、采用与步骤二和三相同的方法对被识别者的手指静脉图像进行预处理和3种特征提取;
步骤七、将步骤六提取的静脉特征与已存储静脉特征链进行匹配,以完成身份识别。
较佳地,所述步骤一采用光源亮度自动调整技术采集符合要求的手指静脉图像,具体包括如下步骤:
步骤101、红外光源根据预设的初始亮度提供红外光;
步骤102、红外光照射在当前采集者的手指上,由红外摄像机采集一张手指静脉图像;
步骤103、判断当前所采集手指静脉图像的图像质量是否符合要求,如果不符合要求,则执行步骤104;如果符合要求,则将当前光源亮度作为当前采集者所需光源亮度,并将当前所采集手指静脉图像作为步骤二的待处理图像,而后执行所述步骤二;
步骤104:确定亮度调整方向以及调整量,判断调整后图像亮度是否在预设亮度调整范围内,如果是,则执行步骤105;否则,执行步骤106;
步骤105、根据亮度调整方向和调整量调整红外光源亮度,返回步骤102;
步骤106、选择整个调整过程中最接近最优图像质量的手指静脉图像的采集亮度作为当前采集者所需光源亮度,并将以此亮度采集的手指静脉图像作为步骤二的待处理图像,而后执行所述步骤二;
所述步骤四保存静脉特征链时,进一步对应存储当前采集者所需光源亮度;
所述步骤五包括:被识别者触发身份识别后,采用所述光源亮度自动调整技术,为被识别者采集符合要求的手指静脉图像,提取采集该符合要求的手指静脉图像所用的光源亮度值Y;
所述步骤七包括:将步骤五确定的光源亮度值Y作为中心确定一亮度范围,查找该亮度范围对应的各已存储静脉特征链;将步骤六提取的静脉特征与查找到的已存储静脉特征链进行匹配,从而完成身份识别。
较佳地,所述步骤四包括:
①将提取的3类特征首尾连接组成一个静脉特征链;
②将当前采集者所需光源亮度值进行归一化处理,然后代入一个或一个以上的预设算法进行计算,得到一个或一个以上的亮度变形值,并生成随机数;将随机数、采集者所需光源亮度值及其亮度变形值,分别***静脉特征链中几个设定位置,合成新的静脉特征链;
④将新的静脉特征链与当前采集者所需光源亮度对应存储;
所述步骤七进行特征匹配之前,进一步包括:从查找到的已存储静脉特征链中的设定位置去除随机数、光源亮度值及其亮度变形值,得到实际静脉特征链参与特征匹配。
较佳地,所述步骤四中的步骤②具体为:
设当前采集者所需光源亮度值为L,将L归一化处理待代入0.81L、0.72L和0.66L,得到三个亮度变形值;产生一个6位的随机数;
将三个亮度变形值依次***静脉特征链的头部、尾部和中部,再将亮度值L***静脉特征链的第4个特征值之后,然后将随机数***静脉特征链的第6个特征值之后。
较佳地,所述步骤二具体包括:
①采用8方向低通滤波器对当前手指静脉图像进行滤波,得到8副图像;所述8方向低通滤波器中,每个方向的滤波器均为1-归一化高斯滤波器;
②针对每个像素位置,比较8副图像中该像素位置的像素值大小,取最大值作为该像素位置的像素值,得到图像A。
较佳地,所述步骤四存储静脉特征链时,加密存储;步骤七执行匹配操作之前,解密用于匹配的已存储特征链。
根据以上技术方案可见,本发明具有如下有益效果:
(1)本发明将采集的静脉灰度图像转换分级灰度图像和二值化图像,从三种图像中分别提取特征,组成特征链,这种多种特征相结合的静脉识别算法,能够达到较高的识别效果;
(2)本发明在特征链中***亮度、亮度变化值可以增加特征的复杂度和真实特征剽窃的难度,且由于相同手指需要的红外光源亮度特征变化范围较小,可以有效减少误识率。
(3)本发明还在特征链中***随机数,可以起到特征加密作用。
(4)本发明在特征识别过程中,比较待识别静脉的采集亮度值附近一定范围内的亮度值对应的已存储静脉特征,与比较全部已存储静脉特征相比,大大减少了计算量;同时,与单纯比较待识别静脉的采集亮度值对应的已存储的静脉特征相比,可以弥补由于相同手指采集时亮度波动带来的影响。
附图说明
图1为本发明手指静脉特征提取过程的流程图。
图2为静脉图像质量判断示意图。
图3为本发明身份识别过程的流程图。
具体实施方式
本发明提供了一种手指静脉采集识别方法,该方法包括两大部分,一是手指静脉特征提取部分,二是身份识别部分。
在进行特征提取过程中,采集手指静脉图像;对当前手指静脉图像进行预处理,得到图像A;采用多阈值分割技术将所述图像A分割成级数至少为3的多级灰度图像B,同时采用单阈值分割技术将所述图像A分割成二值图像C;分别从图像A、图像B和图像C中提取特征,将提取的特征首尾连接组成一个静脉特征链,并保存。
在身份识别过程中,采集被识别者的手指静脉图像;采用与特征提取过程中相同的方法对被识别者的手指静脉图像进行预处理和特征提取;将提取的特征与保存的静脉特征链进行匹配,以完成身份识别。
可见,本发明将采集的静脉灰度图像转换分级灰度图像和二值化图像,从三种图像中分别提取特征,组成特征链,这种多种特征相结合的静脉识别算法,能够达到较高的识别效果。
由于不同人的手指血管粗细、血流速度、肌肉分布和骨骼密度等不同,相同亮度的红外光对于有些人来说,可以采集到质量较高的静脉图像,但对于另一些人来说,无法采集到识别需要的静脉图像。因此,本发明采用光源亮度自动调整技术,根据不同人的特点采取不同亮度的红外光强,得到高质量的静脉图像,从而辅助提高静脉识别成功率。
此外,本发明还在特征链中***亮度值和一些辅助信息以增加特征的复杂度和真实特征剽窃的难度,且由于相同手指需要的红外光源亮度特征变化范围较小,可以有效减少误识率。
下面结合附图对本发明较佳实施例进行详细描述。
图1所示为本发明较佳实施例中手指静脉特征提取过程的流程图,其包括如下步骤:
步骤101、手指静脉特征提取开始后,特定波段的红外光源根据预设的初始亮度提供红外光。该初始亮度是根据经验和预先试验统计得到的。
步骤102、红外光照射在当前采集者的手指上,经滤光片滤光后由红外摄像机采集一张手指静脉图像。
步骤103、判断当前所采集手指静脉图像的图像质量是否符合要求,如果不符合要求,则执行步骤104;如果符合要求,则将当前照明亮度作为当前采集者所需光源亮度,并将当前所采集手指静脉图像作为待处理图像,并执行步骤107。
本步骤中,判断手指静脉图像的图像质量是否符合要求,具体为:
①以当前所采集手指静脉图像的水平轴线和垂直轴线的中心为基点O,选取一个以基点O为中心的矩形区域,该矩形区域的长为手指静脉图像的2/3,宽约为手指静脉图像的1/2;
②将区域矩形中的图像作为第一个图像质量判断区,分别将矩形区域沿垂直轴线向上和向下移动一个预设距离,将矩形中的图像作为第二个和第三个图像质量判断区;
③针对每个图像质量判断区,计算判断区内像素值小于80的像素数目占该判断区总像素数目的比例x;当三个图像质量判断区的比例x均符合0.1≤x≤0.4时,确定图像质量符合要求;否则图像质量不符合要求。
步骤104、确定调整方向为增强图像亮度或减弱图像亮度,以及调整量,判断调整后图像亮度是否在预设亮度调整范围内,如果是,则执行步骤105;否则,认为整个调整过程中没有得到满足要求的图像,执行步骤106。
本步骤中,当x>0.4时,确定增强红外光源亮度;当x<0.1时,确定减弱红外光源亮度;调整量为预设步长。
步骤105、根据亮度调整方向和调整量调整红外光源亮度,返回步骤102。
步骤106、选择整个调整过程中最接近最优图像质量的手指静脉图像的照明亮度作为当前采集者所需光源亮度,并将以此亮度采集的手指静脉图像作为待处理图像,而后执行步骤107。
步骤107、对待处理图像进行预处理,得到图像A。
本步骤的预处理包括:
①采用8方向低通滤波器对当前手指静脉图像进行滤波,得到8副图像;所述8方向低通滤波器中,每个方向的滤波器均为1-归一化高斯滤波器;
②针对每个像素位置,比较8副图像中该像素位置的像素值大小,取最大值作为该像素位置的像素值,得到图像A。采用这种预处理方法得到的图像A有效的突出了静脉图像中静脉的分布,为图像分级计算和二值化计算提供了样板。
步骤108、采用多阈值分割技术将图像A分割成级数为3的多级灰度图像B,同时采用单阈值分割技术将所述图像A分割成二值图像C。
本步骤中,将图像A的像素值转换到0~255之间,计算图像A的灰度直方图,选择两个灰度比例最大的像素值作为分割阈值a和b,且a>b,将像素值大于a的所有像素设定为255,将像素值大于或等于b且小于或等于a的所有像素设定为125,其余像素设定为0,得到3级灰度图像B。
单阈值分割的阈值可以根据经验取值。
步骤109、分别从图像A、图像B和图像C中提取特征。
本步骤中,分别采用Gabor小波变换处理归一化后的图像A和多级灰度图像B,得到的小波值作为图像A和多级灰度图像B的特征;统计二值图像C中0值图像的比例、各个脉络交叉点个数、脉络断点个数、静脉组成的环个数,以及各相交静脉中心线组成的夹角,组成二值图像C的特征。
步骤110、将步骤109得到的三种特征首尾连接组成一个静脉特征链;将当前采集者所需光源亮度值进行归一化处理,然后代入一个或一个以上的预设算法进行计算,得到一个或一个以上的亮度变形值,并生成一个随机数;将随机数、当前采集者所需光源亮度值和各亮度变形值***静脉特征链中的几个设定位置,合成新的静脉特征链。
本步骤中,对得到的这三种静脉特征分别进行归一化处理,将特征首尾连接组成一个特征链;将采集用亮度值L同样进行归一化处理,计算三个亮度变形值,第一个变形值为0.81L,第二个亮度变形值为0.72L,第三个亮度变形值为0.66L,第一个亮度变形值放在静脉特征链头部,第二个亮度变形值放在静脉特征链尾部,第三个亮度变形值放在静脉特征链中部,亮度值L放在静脉特征链第4个特征值后面,组成新的静脉特征链;在新的特征链的第6个特征值后面***一个根据随机数理论自动生成的6位随机数,合成新的静脉特征链。
步骤111、将光源亮度值和合成的新静脉特征链对应存储为识别信息。其中静脉特征链可以加密处理后存储。当然还可以存储采集者信息。
至此,完成了一个采集者的手指静脉特征提取流程。
图3示出了利用上述手指静脉特征结果进行身份识别的流程图,其包括如下步骤:
步骤201、在被采集者触发身份识别过程后,利用与步骤101~106相同的红外光源亮度自动调整技术采集符合要求的图像,作为待识别图像,并得到采集该图像所用的光源亮度值Y。
步骤202、将步骤201确定的光源亮度值Y作为中心确定一亮度范围,从存储信息中查找该亮度范围对应的已存储静脉特征链,进行解密处理,然后去除查找到的已存储静脉特征链中的随机数、光源亮度值及其亮度变形值,得到实际静脉特征链。
由于红外光源自身带有的误差、采集环境的差异和被采集者不同采集时间可能存在的差异等,均会影响亮度值大小,但是以上因素不会对亮度值有较大范围的影响,所以本发明根据步骤201确定的亮度值,提取对应亮度值附近一定范围内已存储的合成静脉特征,进行解密处理。与比较全部已存储静脉特征相比,大大减少了计算量;同时,与单纯比较待识别静脉的采集亮度值对应的已存储静脉特征相比,可以弥补由于相同手指采集时亮度波动带来的影响。
步骤203、采用与步骤107、108和109相同的方法,对步骤201确定的待识别图像进行预处理和三种特征提取,与步骤202得到实际静脉特征进行匹配,得到识别结果。
其中,对比顺序为:首先计算待识别图像的灰度图像特征与实际静脉特征之间的欧式距离;当该计算结果满足要求时,再计算待识别图像的多级灰度图像特征与实际静脉特征中多级灰度图像的欧式距离,满足要求后再计算待识别图像的二值化图像特征与实际静脉特征中二值化图像特征的欧式距离,满足要求后再计算整个静脉特征链的欧氏距离,如果都满足要求,则作为待确定样本,求取整个静脉特征链欧氏距离最小的已存储特征代表的身份为已识别身份,如有一步不满足要求退出识别。
至此,完成了一个被识别者的身份识别流程。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种利用多特征的手指静脉采集识别方法,其特征在于,该方法包括手指静脉特征提取过程和身份识别过程;
手指静脉特征提取过程包括如下步骤:
步骤一、红外光源提供的红外光照射在当前采集者的手指上,由红外摄像机采集手指静脉图像;
步骤二、对采集的手指静脉图像进行预处理,得到图像A;
步骤三、采用多阈值分割技术将所述图像A分割成级数至少为3的多级灰度图像B,同时采用单阈值分割技术将所述图像A分割成二值图像C;分别从图像A、图像B和图像C中提取特征;
所述从图像A、图像B和图像C中提取特征具体为:分别采用Gabor小波变换处理归一化后的图像A和多级灰度图像B,将得到的小波值作为图像A和多级灰度图像B的特征;统计二值图像C中0值像素的比例、各个脉络交叉点个数、脉络断点个数、静脉组成的环个数、以及各相交静脉中心线组成的夹角,组成二值图像C的特征;
步骤四、将提取的3种特征首尾连接组成一个静脉特征链,并存储;
身份识别过程包括如下步骤:
步骤五、采集被识别者的手指静脉图像;
步骤六、采用与步骤二和三相同的方法对被识别者的手指静脉图像进行预处理和3种特征提取;
步骤七、将步骤六提取的静脉特征与已存储静脉特征链进行匹配,以完成身份识别。
2.如权利要求1所述的方法,其特征在于,所述步骤一采用光源亮度自动调整技术采集符合要求的手指静脉图像,具体包括如下步骤:
步骤101、红外光源根据预设的初始亮度提供红外光;
步骤102、红外光照射在当前采集者的手指上,由红外摄像机采集一张手指静脉图像;
步骤103、判断当前所采集手指静脉图像的图像质量是否符合要求,如果不符合要求,则执行步骤104;如果符合要求,则将当前光源亮度作为当前采集者所需光源亮度,并将当前所采集手指静脉图像作为步骤二的待处理图像,而后执行所述步骤二;
步骤104:确定亮度调整方向以及调整量,判断调整后图像亮度是否在预设亮度调整范围内,如果是,则执行步骤105;否则,执行步骤106;
步骤105、根据亮度调整方向和调整量调整红外光源亮度,返回步骤102;
步骤106、选择整个调整过程中最接近最优图像质量的手指静脉图像的采集亮度作为当前采集者所需光源亮度,并将以此亮度采集的手指静脉图像作为步骤二的待处理图像,而后执行所述步骤二;
所述步骤四保存静脉特征链时,进一步对应存储当前采集者所需光源亮度;
所述步骤五包括:被识别者触发身份识别后,采用所述光源亮度自动调整技术,为被识别者采集符合要求的手指静脉图像,提取采集该符合要求的手指静脉图像所用的光源亮度值Y;
所述步骤七包括:将步骤五确定的光源亮度值Y作为中心确定一亮度范围,查找该亮度范围对应的各已存储静脉特征链;将步骤六提取的静脉特征与查找到的已存储静脉特征链进行匹配,从而完成身份识别。
3.如权利要求2所述的方法,其特征在于,所述步骤四包括:
①将提取的3类特征首尾连接组成一个静脉特征链;
②将当前采集者所需光源亮度值进行归一化处理,然后代入一个或一个以上的预设算法进行计算,得到一个或一个以上的亮度变形值,并生成随机数;将随机数、采集者所需光源亮度值及其亮度变形值,分别***静脉特征链中几个设定位置,合成新的静脉特征链;
④将新的静脉特征链与当前采集者所需光源亮度对应存储;
所述步骤七进行特征匹配之前,进一步包括:从查找到的已存储静脉特征链中的设定位置去除随机数、光源亮度值及其亮度变形值,得到实际静脉特征链参与特征匹配。
4.如权利要求3所述的方法,其特征在于,所述步骤四中的步骤②具体为:
设当前采集者所需光源亮度值为L,将L归一化处理待代入0.81L、0.72L和0.66L,得到三个亮度变形值;产生一个6位的随机数;
将三个亮度变形值依次***静脉特征链的头部、尾部和中部,再将亮度值L***静脉特征链的第4个特征值之后,然后将随机数***静脉特征链的第6个特征值之后。
5.如权利要求1所述的方法,其特征在于,所述步骤二具体包括:
①采用8方向低通滤波器对当前手指静脉图像进行滤波,得到8副图像;所述8方向低通滤波器中,每个方向的滤波器均为1-归一化高斯滤波器;
②针对每个像素位置,比较8副图像中该像素位置的像素值大小,取最大值作为该像素位置的像素值,得到图像A。
6.如权利要求1或2所述的方法,其特征在于,所述步骤四存储静脉特征链时,加密存储;步骤七执行匹配操作之前,解密用于匹配的已存储特征链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010537607 CN101976332B (zh) | 2010-11-10 | 2010-11-10 | 一种利用多特征的手指静脉采集识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010537607 CN101976332B (zh) | 2010-11-10 | 2010-11-10 | 一种利用多特征的手指静脉采集识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976332A true CN101976332A (zh) | 2011-02-16 |
CN101976332B CN101976332B (zh) | 2013-03-06 |
Family
ID=43576215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010537607 Expired - Fee Related CN101976332B (zh) | 2010-11-10 | 2010-11-10 | 一种利用多特征的手指静脉采集识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976332B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699995A (zh) * | 2012-09-27 | 2014-04-02 | ***股份有限公司 | 一种基于指纹和指静脉的支付认证方法 |
CN103984925A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种手指静脉识别装置的光源光强自动控制方法 |
CN104541286A (zh) * | 2015-01-15 | 2015-04-22 | 深圳市三木通信技术有限公司 | 智能移动终端的红外扫描算法 |
CN106156568A (zh) * | 2015-03-24 | 2016-11-23 | 联想(北京)有限公司 | 一种生物信息识别模块及电子设备 |
CN106326827A (zh) * | 2015-11-08 | 2017-01-11 | 北京巴塔科技有限公司 | 掌静脉识别*** |
CN106529243A (zh) * | 2015-09-09 | 2017-03-22 | 中兴通讯股份有限公司 | 一种身份鉴别的方法、装置及终端 |
CN106775538A (zh) * | 2016-12-30 | 2017-05-31 | 珠海市魅族科技有限公司 | 电子设备及生物识别方法 |
CN110163185A (zh) * | 2019-05-31 | 2019-08-23 | Oppo广东移动通信有限公司 | 静脉图像采集方法及相关产品 |
CN110188666A (zh) * | 2019-05-28 | 2019-08-30 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110298290A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
CN110298261A (zh) * | 2019-06-06 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法及相关产品 |
CN111611856A (zh) * | 2020-04-20 | 2020-09-01 | 杭州电子科技大学 | 一种基于top-k分块的加权近邻二值模式识别方法 |
CN112395981A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种基于指静脉图像的认证方法、装置、设备及介质 |
CN113358654A (zh) * | 2018-07-05 | 2021-09-07 | 深圳辉煌耀强科技有限公司 | 一种图像获取与分析*** |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984924B (zh) * | 2014-05-08 | 2016-07-13 | 山东大学 | 一种反射式手指静脉识别活体检测装置及方法 |
CN104778445B (zh) * | 2015-03-17 | 2016-08-31 | 山东大学 | 基于手指静脉立体特征的活体识别装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002207964A (ja) * | 2001-01-11 | 2002-07-26 | Fujitsu Ltd | 多値画像から二値画像を生成する画像処理装置および方法 |
US20050047632A1 (en) * | 2003-08-26 | 2005-03-03 | Naoto Miura | Personal identification device and method |
CN101539995A (zh) * | 2009-04-24 | 2009-09-23 | 清华大学深圳研究生院 | 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
-
2010
- 2010-11-10 CN CN 201010537607 patent/CN101976332B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002207964A (ja) * | 2001-01-11 | 2002-07-26 | Fujitsu Ltd | 多値画像から二値画像を生成する画像処理装置および方法 |
US20050047632A1 (en) * | 2003-08-26 | 2005-03-03 | Naoto Miura | Personal identification device and method |
CN101539995A (zh) * | 2009-04-24 | 2009-09-23 | 清华大学深圳研究生院 | 基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
Non-Patent Citations (2)
Title |
---|
《Proceedings of the 6th World Congress on Intelligent Control and Automation》 20060623 Kejun Wang et al The Study of Hand Vein Image Processing Method 10197-10201 , * |
《自动化技术与应用》 20051231 王科俊 等 手背静脉图像阈值分割 19-22 第24卷, 第8期 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699995A (zh) * | 2012-09-27 | 2014-04-02 | ***股份有限公司 | 一种基于指纹和指静脉的支付认证方法 |
CN103984925A (zh) * | 2014-05-08 | 2014-08-13 | 山东大学 | 一种手指静脉识别装置的光源光强自动控制方法 |
CN103984925B (zh) * | 2014-05-08 | 2017-02-15 | 山东大学 | 一种手指静脉识别装置的光源光强自动控制方法 |
CN104541286A (zh) * | 2015-01-15 | 2015-04-22 | 深圳市三木通信技术有限公司 | 智能移动终端的红外扫描算法 |
WO2016112518A1 (zh) * | 2015-01-15 | 2016-07-21 | 深圳市三木通信技术有限公司 | 智能移动终端的红外扫描算法 |
CN106156568A (zh) * | 2015-03-24 | 2016-11-23 | 联想(北京)有限公司 | 一种生物信息识别模块及电子设备 |
CN106156568B (zh) * | 2015-03-24 | 2020-03-24 | 联想(北京)有限公司 | 一种生物信息识别模块及电子设备 |
CN106529243A (zh) * | 2015-09-09 | 2017-03-22 | 中兴通讯股份有限公司 | 一种身份鉴别的方法、装置及终端 |
CN106326827A (zh) * | 2015-11-08 | 2017-01-11 | 北京巴塔科技有限公司 | 掌静脉识别*** |
CN106326827B (zh) * | 2015-11-08 | 2019-05-24 | 北京巴塔科技有限公司 | 掌静脉识别*** |
CN106775538B (zh) * | 2016-12-30 | 2020-05-15 | 珠海市魅族科技有限公司 | 电子设备及生物识别方法 |
CN106775538A (zh) * | 2016-12-30 | 2017-05-31 | 珠海市魅族科技有限公司 | 电子设备及生物识别方法 |
CN113358654B (zh) * | 2018-07-05 | 2022-07-19 | 深圳辉煌耀强科技有限公司 | 一种图像获取与分析*** |
CN113358654A (zh) * | 2018-07-05 | 2021-09-07 | 深圳辉煌耀强科技有限公司 | 一种图像获取与分析*** |
CN110188666A (zh) * | 2019-05-28 | 2019-08-30 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110188666B (zh) * | 2019-05-28 | 2021-05-04 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110163185A (zh) * | 2019-05-31 | 2019-08-23 | Oppo广东移动通信有限公司 | 静脉图像采集方法及相关产品 |
CN110163185B (zh) * | 2019-05-31 | 2023-03-24 | Oppo广东移动通信有限公司 | 静脉图像采集方法及相关产品 |
CN110298261A (zh) * | 2019-06-06 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法及相关产品 |
CN110298261B (zh) * | 2019-06-06 | 2021-06-01 | Oppo广东移动通信有限公司 | 静脉识别方法及相关产品 |
CN110298290A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
CN110298290B (zh) * | 2019-06-24 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉识别方法、装置、电子设备及存储介质 |
CN111611856A (zh) * | 2020-04-20 | 2020-09-01 | 杭州电子科技大学 | 一种基于top-k分块的加权近邻二值模式识别方法 |
CN111611856B (zh) * | 2020-04-20 | 2023-05-05 | 杭州电子科技大学 | 一种基于top-k分块的加权近邻二值模式识别方法 |
CN112395981A (zh) * | 2020-11-17 | 2021-02-23 | 华北电力大学扬中智能电气研究中心 | 一种基于指静脉图像的认证方法、装置、设备及介质 |
CN112395981B (zh) * | 2020-11-17 | 2023-08-18 | 华北电力大学扬中智能电气研究中心 | 一种基于指静脉图像的认证方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101976332B (zh) | 2013-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976332B (zh) | 一种利用多特征的手指静脉采集识别方法 | |
CN101982826B (zh) | 一种光源亮度自动调整的手指静脉采集识别方法 | |
Woodard et al. | Periocular region appearance cues for biometric identification | |
CN103634680B (zh) | 一种智能电视的播放控制方法及装置 | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
Wang et al. | An automatic physical access control system based on hand vein biometric identification | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
Nithya et al. | Iris recognition techniques: a literature survey | |
CN107862298B (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
Zhou et al. | Multimodal eye recognition | |
CN110415225A (zh) | 一种基于多信息融合的手指静脉图像质量评价方法 | |
WO2019014814A1 (zh) | 一种定量检测人脸抬头纹的方法和智能终端 | |
Das et al. | Fuzzy logic based selera recognition | |
Das et al. | Multi-angle based lively sclera biometrics at a distance | |
CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
CN110852305A (zh) | 一种人体步态特征提取方法 | |
Puhan et al. | A novel iris database indexing method using the iris color | |
Van Huan et al. | A novel circle detection method for iris segmentation | |
Fazilov et al. | Algorithm for Extraction of the Iris Region in an Eye Image | |
Patel et al. | Human identification by partial iris segmentation using pupil circle growing based on binary integrated edge intensity curve | |
Fatt et al. | Fingerprint and face recognition: Application to multimodal biometrics system | |
Bhagat et al. | A survey on brain tumor detection techniques | |
Faundra et al. | Iris Segmentation and Normalization Algorithm Based on Zigzag Collarette | |
BK et al. | Enhancement of the iris-texture by removal of specular reflections for an accurate iris segmentation | |
Shi et al. | A fast and efficient multiple step algorithm of iris image quality assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130306 Termination date: 20181110 |
|
CF01 | Termination of patent right due to non-payment of annual fee |