CN101982826B - 一种光源亮度自动调整的手指静脉采集识别方法 - Google Patents
一种光源亮度自动调整的手指静脉采集识别方法 Download PDFInfo
- Publication number
- CN101982826B CN101982826B CN2010105375994A CN201010537599A CN101982826B CN 101982826 B CN101982826 B CN 101982826B CN 2010105375994 A CN2010105375994 A CN 2010105375994A CN 201010537599 A CN201010537599 A CN 201010537599A CN 101982826 B CN101982826 B CN 101982826B
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- vein
- finger
- vein pattern
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种光源亮度自动调整的手指静脉采集识别方法,根据采集的静脉图像质量,调节红外光源的照明亮度,当采集到的静脉图像质量达到预设要求时,将此时的光源亮度记为当前采集者所需光源亮度,对该光源亮度下采集的静脉图像进行预处理,并提取特征链;将当前采集者所需光源亮度和提取的静脉特征链对应存储为识别信息。在身份识别过程中,同样自动调整光源亮度,将优选照明亮度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然后进行特征对比,从而实现身份识别。使用本发明能够得到高质量的静脉图像,从而提高手指静脉特征识别的成功率。
Description
技术领域
本发明涉及一种光源亮度自动调整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,通常采用红外光源提供不可变亮度的红外光,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并进行特征提取。但是,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有所不同,相同亮度的红外光对于有些人来说,可以采集质量较高的静脉图像,但是对于另一些来说,则无法采集到识别所需的静脉图像,从而影响静脉识别的成功率。
发明内容
有鉴于此,本发明提供了一种光源亮度自动调整的手指静脉采集识别方法,采用红外光源亮度自动调节技术,根据不同人的手指特点采取不同亮度的红外光,从而得到高质量的静脉图像,有利于提高手指静脉特征识别的成功率。
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待处理图像,并执行步骤107;
本步骤103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,计算图像质量判断区内像素值小于80的像素数目占图像质量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;否则确定图像质量不符合要求;
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;
本步骤104中,所述确定亮度调整方向以及调整量为:当x>0.4时,增强红外光源亮度;当x<0.1时,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;
步骤108、根据图像A提取静脉特征链;
步骤109、将当前采集者所需光源亮度和提取的静脉特征链对应存储;
所述身份识别过程包括如下步骤:
步骤201、被识别者触发身份识别后,利用与步骤101~106相同的自动调整红外光源亮度方案采集符合要求的静脉图像,作为待识别图像,并得到采集该待识别图像所用的光源亮度值Y;
步骤202、将光源亮度值Y作为中心确定一亮度范围,查找该亮度范围对应的各个已存储静脉特征链;
步骤203、采用与步骤107和108相同的方法,对待识别图像进行预处理和静脉特征提取;将本步骤提取的静脉特征与步骤202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107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108包括:
①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;
②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、以及各条静脉中心线组成的夹角,组成二值图像C的特征;
③将提取的三种特征首尾连接组成一个静脉特征链;
④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;
所述步骤203中,所述匹配操作包括:从步骤202查找到的静脉特征链中去除随机数、光源亮度值及其亮度变形值,得到实际静脉特征链;将本步骤203提取的静脉特征链与得到的实际静脉特征链进行匹配。
根据以上技术方案可见,本发明具有如下有益效果:
(1)本发明采用红外光源亮度自动调节技术,根据不同人的特点采取不同亮度的红外光强,从而得到高质量的静脉图像。
(2)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链,这与比较全部已存储静脉特征相比,大大减少了计算量;同时,与单纯比较单一亮度值对应的已存储静脉特征链相比,可以弥补由于相同手指采集时亮度波动带来的影响。
(3)本发明采用灰度图像,分级灰度图像和二值图像相结合的静脉识别算法可以得到较高的识别效果。
(4)本发明在特征链中***亮度、亮度变形值、随机数,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。
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,根据采集的静脉图像质量,调节红外光源的照明亮度,当采集到的静脉图像质量达到预设要求时,将此时的光源亮度记为当前采集者所需光源亮度,对该光源亮度下采集的静脉图像进行预处理,并提取特征链;将当前采集者所需光源亮度和提取的静脉特征链对应存储为识别信息。
在身份识别过程中,同样根据采集的静脉图像质量,调节红外光源的照明亮度,找到当前被识别者对应的优选光源亮度;将该优选光源亮度值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;对待识别图像实施与前述相同的预处理和特征提取;将此时提取的静脉特征与查找到的已存储静脉特征链进行匹配,如果存在匹配的静脉特征链,则确定身份识别通过;否则,确定身份识别未通过,从而完成识别。
由于采集条件变化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,单纯使用灰度图像或二值化静脉图像都无法达到较高的识别效果,因此,本发明将采集的灰度图像转换为分级灰度图像和二值化图像,分别从三种图像中提取特征,组成特征链,这种多种特征相结合的静脉识别方法,能够达到更好的识别效果。
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,得到三种特征:灰度图像特征、多级灰度图像特征和二值化图像特征。
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,以及各条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 (3)
1.一种光源亮度自动调整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待处理图像,并执行步骤107;
本步骤103中,判断手指静脉图像的图像质量是否符合要求,具体为:
a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;
b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;
c针对每个图像质量判断区,计算图像质量判断区内像素值小于80的像素数目占图像质量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;否则确定图像质量不符合要求;
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;
本步骤104中,所述确定亮度调整方向以及调整量为:当x>0.4时,增强红外光源亮度;当x<0.1时,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;
步骤108、根据图像A提取静脉特征链;
步骤109、将当前采集者所需光源亮度和提取的静脉特征链对应存储;
所述身份识别过程包括如下步骤:
步骤201、被识别者触发身份识别后,利用与步骤101~106相同的自动调整红外光源亮度方案采集符合要求的静脉图像,作为待识别图像,并得到采集该待识别图像所用的光源亮度值Y;
步骤202、将光源亮度值Y作为中心确定一亮度范围,查找该亮度范围对应的各个已存储静脉特征链;
步骤203、采用与步骤107和108相同的方法,对待识别图像进行预处理和静脉特征提取;将本步骤提取的静脉特征与步骤202查找到的已存储静脉特征链进行匹配,从而完成身份识别。
2.如权利要求1所述的方法,其特征在于,所述步骤107包括:
a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归一化高斯滤波器;
b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。
3.如权利要求1所述的方法,其特征在于,所述步骤108包括:
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;
b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、以及各条静脉中心线组成的夹角,组成二值图像C的特征;
c将提取的三种特征首尾连接组成一个静脉特征链;
d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;
所述步骤203中,所述匹配操作包括:从步骤202查找到的静脉特征链中去除随机数、光源亮度值及其亮度变形值,得到实际静脉特征链;将本步骤203提取的静脉特征链与得到的实际静脉特征链进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105375994A CN101982826B (zh) | 2010-11-10 | 2010-11-10 | 一种光源亮度自动调整的手指静脉采集识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105375994A CN101982826B (zh) | 2010-11-10 | 2010-11-10 | 一种光源亮度自动调整的手指静脉采集识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101982826A CN101982826A (zh) | 2011-03-02 |
CN101982826B true CN101982826B (zh) | 2013-03-06 |
Family
ID=43619724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105375994A Expired - Fee Related CN101982826B (zh) | 2010-11-10 | 2010-11-10 | 一种光源亮度自动调整的手指静脉采集识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101982826B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663376A (zh) * | 2012-02-22 | 2012-09-12 | 重庆科技学院 | 近红外多光强手指静脉图像的获取和融合***及方法 |
CN103886321A (zh) * | 2014-02-26 | 2014-06-25 | 中国船舶重工集团公司第七一〇研究所 | 一种手指静脉特征提取方法 |
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 |
CN105117722A (zh) * | 2015-07-31 | 2015-12-02 | 苏州南光电子科技有限公司 | 一种可自动调节的手指静脉识别控制*** |
CN105117690A (zh) * | 2015-07-31 | 2015-12-02 | 苏州南光电子科技有限公司 | 一种基于红外检测电路的手指静脉识别控制*** |
CN105138964A (zh) * | 2015-07-31 | 2015-12-09 | 苏州南光电子科技有限公司 | 一种可自动关闭的手指静脉识别控制*** |
JP6928906B2 (ja) * | 2016-01-07 | 2021-09-01 | パナソニックIpマネジメント株式会社 | 生体情報計測装置 |
CN105955011B (zh) * | 2016-04-21 | 2019-12-24 | 深圳欧德蒙科技有限公司 | 一种智能校时的方法和装置 |
CN105959592A (zh) * | 2016-05-30 | 2016-09-21 | 东莞市中控电子技术有限公司 | 一种自适应光线的生物计量信息采集装置和方法 |
CN106446813B (zh) * | 2016-09-13 | 2019-10-11 | 广州广电运通金融电子股份有限公司 | 一种指静脉识别装置的校准方法 |
JP6723132B2 (ja) * | 2016-09-29 | 2020-07-15 | ルネサスエレクトロニクス株式会社 | 脈拍測定装置、光量制御方法、及びプログラム |
CN108269257B (zh) * | 2018-03-05 | 2022-02-25 | 四川和生视界医药技术开发有限公司 | 视网膜血管的编辑方法及编辑装置 |
CN108960068B (zh) * | 2018-06-05 | 2021-10-29 | 天津大学 | 用于采集手指静脉图像的光源亮度调节装置及方法 |
CN109002760A (zh) * | 2018-06-08 | 2018-12-14 | 北京凌云天润智能科技有限公司 | 一种指静脉图像采集预处理模块和指静脉图像采集方法 |
SG10201808304WA (en) * | 2018-09-24 | 2020-04-29 | Nat Univ Hospital Singapore Pte Ltd | System and method for identifying veins |
CN109451246B (zh) * | 2018-12-29 | 2021-03-19 | 广州微盾科技股份有限公司 | 一种可获取清晰指静脉图像的方法 |
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 |
CN110210396B (zh) * | 2019-05-31 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉采集方法及相关设备 |
CN110443217B (zh) * | 2019-08-13 | 2022-09-02 | 深圳大学 | 一种基于多光谱的指纹防伪方法及*** |
CN110969193B (zh) * | 2019-11-15 | 2023-04-18 | 常州瑞昇科技有限公司 | 织物图像获取方法、装置、计算机设备和存储介质 |
CN111568230A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 饮水机出水控制方法、饮水机及计算机可读存储介质 |
CN113096111A (zh) * | 2021-04-25 | 2021-07-09 | 深圳市永丰盈电子有限公司 | 物料检测方法、***、计算机程序产品及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4391704B2 (ja) * | 2001-01-11 | 2009-12-24 | 富士通株式会社 | 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 |
JP4207717B2 (ja) * | 2003-08-26 | 2009-01-14 | 株式会社日立製作所 | 個人認証装置 |
CN101408938B (zh) * | 2008-11-18 | 2012-05-23 | 华南理工大学 | 基于指部生物特征的身份认证装置 |
CN101866486B (zh) * | 2010-06-11 | 2011-11-16 | 哈尔滨工程大学 | 手指静脉图像质量判断方法 |
-
2010
- 2010-11-10 CN CN2010105375994A patent/CN101982826B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101982826A (zh) | 2011-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101982826B (zh) | 一种光源亮度自动调整的手指静脉采集识别方法 | |
CN101976332B (zh) | 一种利用多特征的手指静脉采集识别方法 | |
CN100492400C (zh) | 手指静脉特征提取与匹配识别方法 | |
Zhang et al. | A palm vein recognition system | |
CN103793692A (zh) | 低分辨率多光谱掌纹、掌静脉实时身份识别方法与*** | |
CN103886321A (zh) | 一种手指静脉特征提取方法 | |
Das et al. | A new efficient and adaptive sclera recognition system | |
CN102542281A (zh) | 非接触式生物特征识别方法和*** | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
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 | |
CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
Das et al. | Fuzzy logic based selera recognition | |
CN113537111A (zh) | 基于双支路深度卷积网络的虹膜分割方法 | |
Podder et al. | An efficient iris segmentation model based on eyelids and eyelashes detection in iris recognition system | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
CN110163123A (zh) | 一种基于单幅近红外手指图像指纹指静脉融合识别方法 | |
CN104200201B (zh) | 一种应用于虹膜识别的编码方法及*** | |
Puhan et al. | A novel iris database indexing method using the iris color | |
Chen et al. | The image process technologies in face recognition | |
Panganiban et al. | Implementation of wavelet transform-based algorithm for iris recognition system | |
Mo et al. | Research on image preprocessing for iris recognition | |
CN107644198A (zh) | 一种基于Gabor滤波器和LBP算子的手掌静脉识别方法及*** | |
CN103902983A (zh) | 一种穿戴式人脸识别方法及装置 | |
Fatt et al. | Fingerprint and face recognition: Application to multimodal biometrics system |
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 |