CN106156754A - 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 - Google Patents
一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 Download PDFInfo
- Publication number
- CN106156754A CN106156754A CN201610608678.7A CN201610608678A CN106156754A CN 106156754 A CN106156754 A CN 106156754A CN 201610608678 A CN201610608678 A CN 201610608678A CN 106156754 A CN106156754 A CN 106156754A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- finger
- formula
- normalization
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 19
- 210000003462 vein Anatomy 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 210000003491 skin Anatomy 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,包括以下步骤:1)采集到手指静脉、手指指节纹图像;2)对采集到的图像做基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理,通过二值化去除手指图像中的背景区,然后通过求关键区域之间的最大外切矩阵得到最终的手指静脉ROI区域,再根据手指静脉ROI区域在指节纹图像中截出指节纹的ROI区域;最后归一化图像,对归一化后的图像采用双边滤波器进行滤波;3)将处理后的图像做基于小波变换和Gabor滤波的图像层融合。本发明信息丰富、安全性很高。
Description
技术领域
本发明涉及接触式生物特征身份识别技术领域,尤其是手指多模态融合的预处理方法。
背景技术
随着信息技术的高速发展,人们对信息安全的需求越来越高。传统的身份认证方式是基于标识物(钥匙、证件)和基于知识(***、密码)的身份认证,但这些身外之物容易被伪造和遗忘。相比于传统的身份认证,生物特征具有唯一性、无需记忆、不易伪造、易于使用等优点,基于生物特征的识别方式在很大程度上解决了传统身份认证存在的问题,并逐渐取代传统身份认证成为当前身份认证的主要方式。手指是人类感知外部世界的重要器官之一,在手指皮肤表皮下面的手指静脉是活体才具有的特性,实践表明,世界上没有2个人的手指静脉是完全相同的,而增加指节纹,指形,使得信息更加丰富,安全性更高。因此基于手指的多模态特征识别技术是一种安全性很高的身份识别技术。
发明内容
为了克服现有的身份认证方式的信息单一、安全性较低的不足,本发明提供一种信息丰富、安全性很高的基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法。
本发明解决其技术问题所采用的技术方案是:
一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,所述方法包括以下步骤:
1)采集到掌手指静脉、手指指节纹图像;
2)对采集到的图像做基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理,过程如下:
通过二值化去除手指图像中的背景区,然后计算图像中每列的像素和Lj,找出2个Lj的极大值列A、B,然后将A左移n列,B右移m列分别得到l1、l2,最后通过求l1、l2之间的最大外切矩阵得到最终的手指静脉ROI区域,通过手指静脉ROI区域在指节纹图像中截出指节纹的ROI区域;
将ROI图像大小归一化,然后进行灰度归一化;
对归一化后的图像进行滤波;
3)将处理后的图像做基于小波变换和Gabor滤波的图像层融合。
进一步,所述步骤2)中,采用otsu算法来自动选取阈值进行二值化,设图像二值化的阈值为T,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为式(1):
u=w0×u0+w1×u1 (1)
前景和背景图像的方差为如式(2):
Sb=w0×w1×(u0-u1)×(u0-u1) (2)
从L个灰度级遍历T,使得T为某个值的时候,前景和背景的方差最大,则这个T值便是要求得的阈值;
采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理,开操作是采用3×3数值为1的结构元先对图像做腐蚀,然后再对腐蚀后的图像做膨胀;
根据二值化的图像得到去除背景后的手指静脉图像,计算每一列的像素灰度值总和L如式(3):
采用长度为21的滑动窗口分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50列得到l1、B右移50列得到l2,最后通过求l1、l2之间的最大外内切矩阵得到最终的手指静脉ROI区域;
对获取到的ROI图像进行尺寸的归一化,保证每张ROI图像的大小一样,我们采用缩放的方法如式(4):
其中a,b分别表示延x方向和延y方向的缩放比例,u,v表示缩放后的坐标,x,y是u,v变换到原图的坐标,在使用的过程中,为了避免图像的扭曲,a和b的数值趋于相等;
采用灰度归一化的方法对图像进行处理,使图像具有相同的灰度均值与灰度方差,设f(x,y)为图像中像素点(x,y)的灰度值,则图像的平均灰度Mf、方差V表示为式(5):
其中m,n为图像的长和宽,那么灰度归一化后点(x,y)的灰度值表示为I(i,j)如式(6):
其中Mf为归一化之前的均值,M0是预置归一化之后的均值,V0是归一化之前的方差,V为预置归一化之后的方差;
对于归一化后的图像,采用双边滤波器进行滤波,假设图像I在坐标点p=(x,y)的灰度值为Ip,经过双边滤波后得到的图像BI在坐标点p=(x,y)的灰度值为BIp,则双边滤波公式如式(7)所示:
其中,kp为归一化因子,q=(u,v)为中心像素点p的领域像素点,S为领域像素点的合集,为空间邻近度因子,为灰度相似度因子如式(8):
其中σs是基于高斯函数的距离标准差,控制空间域高斯滤波核函数的作用范围,表示σr是基于高斯函数的灰度标准差,控制灰度域高斯滤波核函数的作用范围。
更进一步,所述步骤1)中,通过850nm近红外LED、白色LED光源和高清CCD的前端采集装置分别采集手指静脉、指节纹图像。
再进一步,所述步骤3)中,采用二维Mallat算法进行小波分解,设高通滤波器H和低通滤波器G是两个一维镜像滤波算子,它们的下标r和c分别表示行和列,那么在j-1的尺度上Mallat分解公式表示为如式(9):
这里,Cj,分别对应于图像Cj-1的低频分量,以及竖直方向、水平方向和对角线上的高频分量,Hr,Hc,Gr,Gc表示的是滤波算子分别对图像的行和列进行卷积;
得到手指静脉和指节纹图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后,采用二维Gabor滤波器进行增强,二维Gabor滤波器由高斯包络和复平面波两个部分组成,函数形式如式(10)所示:
其中σx,σy表示沿x轴和y轴高斯包络的标准差,f表示滤波器的中心频率;
采用如下融合规则:
a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个;
b)图像的水平和竖直方向高频融合系数采用指静脉和指节纹的加权平均;
最后采用二维Mallat快速算法对图像进行重构,如式(11):
I(x,y)=ω-1(φ(G(ω(I1(x,y),ω(I2(x,y))))) (11)
其中ω表示小波变换,ω-1表示小波逆变换,φ是融合规则,I1和I2分别表示指静脉和指节纹图像,G代表Gabor滤波器变换;
融合后的图像中即包含手指静脉信息和指节纹信息,也包含了指形的信息,实现了3个模态的融合。
本发明的技术构思为:生物识别技术是对人体生物特征(生理或行为特征)进行自动身份识别的技术,生理特征包括DNA、耳廓、人脸、虹膜、视网膜、掌纹、手型、手上的静脉血管等,这些生物特征拥有足够的稳定性,不会随着年龄的增长,时间的改变而改变。基于生物特征的身份验证***,提供了更大程度的安全性。基于手指的多模态识别技术的优点在于利用的是活体的内生理特性,较难伪造,具有很高安全性;具有较好的特异性与唯一性,可以提供很好的区分度。
采用自制的手指静脉采集装置采集手指静脉和指节纹图像;对采集到的图像做基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理,主要包括:二值化提取出手指静脉,进行关键区域定位,根据最大外切矩阵得到手指静脉感兴趣区域,根据指静脉的感兴趣区域切出指节纹ROI,然后归一化ROI图像,对归一化后的图像采用双边滤波器滤波;将处理后的图像做基于小波变换和Gabor滤波的图像层融合。
本发明的有益效果主要表现在:能获得高质量的手指多模态融合图像。
附图说明
图1为手指多模态采集装置示意图,其中,1为850nmLED,2为白灯,3为CCD摄像头,4为Zynq处理器,5为显示接口;
图2为***流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,包括以下步骤:
1)采集到掌手指静脉、手指指节纹图像
通过850nm近红外LED、白色LED光源和高清CCD的前端采集装置分别采集手指静脉、指节纹图像。
2)对采集到的图像做基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理
(2.1)二值化提取出手指静脉
采用otsu算法来自动选取阈值进行二值化,设图像二值化的阈值为T,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为式(1):
u=w0×u0+w1×u1 (1)
前景和背景图像的方差为如式(2):
Sb=w0×w1×(u0-u1)×(u0-u1) (2)
从L个灰度级遍历T,使得T为某个值的时候,前景和背景的方差最大,则这个T值便是我们要求得的阈值;
二值化的图像中会包含毛刺,为了使图像边缘更加平滑,采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理,开操作是采用3×3数值为1的结构元先对图像做腐蚀,然后再对腐蚀后的图像做膨胀;
根据二值化的图像得到去除背景后的手指静脉图像;
(2.2)进行关键区域定位
计算每一列的像素灰度值总和L如式(3):
采用长度为21的滑动窗口(对应列左边10列右边10列)分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50(N取50)列得到l1、B右移50(M取50)列得到l2,最后通过求l1、l2之间的最大外内切矩阵得到最终的手指静脉ROI区域;
由于指节纹和指静脉是同时采集,所以我们直接根据手指静脉的ROI区域提取出指节纹的ROI区域,这样,图像的信息中即包含了手指静脉和指节纹区域,也包含了感兴趣区域所对应的手指形状;
(2.3)图像的尺寸灰度归一化
对获取到的ROI图像进行尺寸的归一化,保证每张ROI图像的大小一样,我们采用缩放的方法如式(4):
其中a,b分别表示延x方向和延y方向的缩放比例,u,v表示缩放后的坐标,x,y是u,v变换到原图的坐标,在使用的过程中,为了避免图像的扭曲,a和b的数值趋于相等;
采用灰度归一化的方法对图像进行处理,使图像具有相同的灰度均值与灰度方差,设f(x,y)为图像中像素点(x,y)的灰度值,则图像的平均灰度Mf、方差V表示为式(5):
其中m,n为图像的长和宽,那么灰度归一化后点(x,y)的灰度值表示为I(i,j)如式(6):
其中Mf为归一化之前的均值,M0是预置的归一化之后的均值,V0是归一化之前的方差,V为预置归一化之后的方差;
(2.4)对归一化后的图像进行双边滤波
假设图像I在坐标点p=(x,y)的灰度值为Ip,经过双边滤波后得到的图像BI在坐标点p=(x,y)的灰度值为BIp,则双边滤波公式如式(7)所示:
其中kp为归一化因子,q=(u,v)为中心像素点p的领域像素点,S为领域像素点的合集,为空间邻近度因子,为灰度相似度因子如式(8):
其中σs是基于高斯函数的距离标准差,控制空间域高斯滤波核函数的作用范围,表示σr是基于高斯函数的灰度标准差,控制灰度域高斯滤波核函数的作用范围。
3)将处理后的图像做基于小波变换和Gabor滤波的图像层融合
采用二维Mallat算法进行小波分解,设高通滤波器H和低通滤波器G是两个一维镜像滤波算子,它们的下标r和c分别表示行和列,那么在j-1的尺度上Mallat分解公式可以表示为如式(9):
这里,Cj,分别对应于图像Cj-1的低频分量,以及竖直方向、水平方向和对角线上的高频分量,Hr,Hc,Gr,Gc表示的是滤波算子分别对图像的行和列进行卷积;
得到手指静脉和指节纹图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后,采用二维Gabor滤波器进行增强,二维Gabor滤波器由高斯包络和复平面波两个部分组成,函数形式如式(10)所示:
其中σx,σy表示沿x轴和y轴高斯包络的标准差,f表示滤波器的中心频率;
指节纹和指静脉的低频分量都具有很好的区分度,在水平方向和垂直方向的高频分量信息较明显,其他方向上的高频分量不明显,采用如下融合规则:
a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个;
b)图像的水平和竖直方向高频融合系数采用指静脉和指节纹的加权平均;
最后采用二维Mallat快速算法对图像进行重构,如式(11):
I(x,y)=ω-1(φ(G(ω(I1(x,y),ω(I2(x,y))))) (11)
其中ω表示小波变换,ω-1表示小波逆变换,φ是融合规则,I1和I2分别表示指静脉和指节纹图像,G代表Gabor滤波器变换;
这样,融合后的图像中即包含手指静脉信息和指节纹信息,也包含了指形的信息,实现了3个模态的融合。
Claims (4)
1.一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,其特征在于:所述方法包括以下步骤:
1)采集到掌手指静脉、手指指节纹图像;
2)对采集到的图像做基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理,过程如下:
通过二值化去除手指图像中的背景区,然后计算图像中每列的像素和Lj,找出2个Lj的极大值列A、B,然后将A左移N列,B右移M列分别得到l1、l2,最后通过求l1、l2之间的最大外切矩阵得到最终的手指静脉ROI区域,通过手指静脉ROI区域在指节纹图像中截出指节纹的ROI区域;
将ROI图像大小归一化,然后进行灰度归一化;
对归一化后的图像进行滤波;
3)将处理后的图像做基于小波变换和Gabor滤波的图像层融合。
2.如权利要求1所述的一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,其特征在于:所述步骤2)中,采用otsu算法来自动选取阈值进行二值化,设图像二值化的阈值为T,前景点数占图像比例为w0,平均灰度为u0,背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为式(1):
u=w0×u0+w1×u1 (1)
前景和背景图像的方差为如式(2):
Sb=w0×w1×(u0-u1)×(u0-u1) (2)
从L个灰度级遍历T,使得T为阈值时,前景和背景的方差最大;
采用形态学图像处理中的开操作对二值化后的图像轮廓进行平滑处理,开操作是采用3×3数值为1的结构元先对图像做腐蚀,然后再对腐蚀后的图像做膨胀;
根据二值化的图像得到去除背景后的手指静脉图像;
计算每一列的像素灰度值总和L如式(3):
然后采用长度为21的滑动窗口分别去搜索第50列到250列、第250列到450列这2个范围,计算出每21列像素和相加的值,找到最大值对应的列为A、B,然后将A移50列得到l1、B右移50列得到l2,最后通过求l1、l2之间的最大外内切矩阵得到最终的手指静脉ROI区域;
对获取到的ROI图像进行尺寸的归一化,保证每张ROI图像的大小一样,采用缩放的方法如式(4):
其中a,b分别表示延x方向和延y方向的缩放比例,u,v表示缩放后的坐标,x,y是u,v变换到原图的坐标,在使用的过程中,为了避免图像的扭曲,a和b的数值趋于相等;
采用灰度归一化的方法对图像进行处理,使图像具有相同的灰度均值与灰度方差,设f(x,y)为图像中像素点(x,y)的灰度值,则图像的平均灰度Mf、方差V表示为式(5):
其中m,n为图像的长和宽,那么灰度归一化后点(x,y)的灰度值表示为I(i,j)如式(6):
其中Mf为归一化之前的均值,M0是预置归一化之后的均值,V0是归一化之前的方差,V为预置归一化之后的方差;
对于归一化后的图像,采用双边滤波器进行滤波,假设图像I在坐标点p=(x,y)的灰度值为Ip,经过双边滤波后得到的图像BI在坐标点p=(x,y)的灰度值为BIp,则双边滤波公式如式(7)所示:
其中kp为归一化因子,q=(u,v)为中心像素点p的领域像素点,S为领域像素点的合集,为空间邻近度因子,为灰度相似度因子如式(8):
其中σs是基于高斯函数的距离标准差,控制空间域高斯滤波核函数的作用范围,σr是基于高斯函数的灰度标准差,控制灰度域高斯滤波核函数的作用范围。
3.如权利要求1或2所述的一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,其特征在于:所述步骤1)中,通过850nm近红外LED、白色LED光源和高清CCD的前端采集装置分别采集手指静脉、指节纹图像。
4.如权利要求1或2所述的一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法,其特征在于:所述步骤3)中采用二维Mallat算法进行小波分解,设高通滤波器H和低通滤波器G是两个一维镜像滤波算子,它们的下标r和c分别表示行和列,那么在j-1的尺度上Mallat分解公式表示为如式(9):
这里,Cj,分别对应于图像Cj-1的低频分量,以及竖直方向、水平方向和对角线上的高频分量,Hr,Hc,Gr,Gc表示的是滤波算子分别对图像的行和列进行卷积;
得到手指静脉和指节纹图像的低频分量、水平边缘、竖直边缘和对角线的高频分量后,采用二维Gabor滤波器进行增强,二维Gabor滤波器由高斯包络和复平面波两个部分组成,函数形式如式(10)所示:
其中σx,σy表示沿x轴和y轴高斯包络的标准差,f表示滤波器的中心频率;
采用如下融合规则:
a)图像的低频融合系数采用两幅图像低频分量绝对值较大的一个;
b)图像的水平和竖直方向高频融合系数采用指静脉和指节纹的加权平均;
最后采用二维Mallat快速算法对图像进行重构,如式(11):
I(x,y)=ω-1(φ(G(ω(I1(x,y),ω(I2(x,y))))) (11)
其中ω表示小波变换,ω-1表示小波逆变换,φ是融合规则,I1和I2分别表示指静脉和指节纹图像,G代表Gabor滤波器变换;
融合后的图像中即包含手指静脉信息和指节纹信息,也包含了指形的信息,实现了3个模态的融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610608678.7A CN106156754B (zh) | 2016-07-29 | 2016-07-29 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610608678.7A CN106156754B (zh) | 2016-07-29 | 2016-07-29 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106156754A true CN106156754A (zh) | 2016-11-23 |
CN106156754B CN106156754B (zh) | 2019-05-31 |
Family
ID=58060327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610608678.7A Active CN106156754B (zh) | 2016-07-29 | 2016-07-29 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156754B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230190A (zh) * | 2017-05-23 | 2017-10-03 | 北京奇艺世纪科技有限公司 | 一种图像双边滤波方法和装置 |
CN107301627A (zh) * | 2017-06-26 | 2017-10-27 | 深圳市安健科技股份有限公司 | 动态图像反锐化掩模去伪影增强方法及装置 |
CN107977935A (zh) * | 2017-11-15 | 2018-05-01 | 合肥中科奔巴科技有限公司 | 一种掌静脉图像纹理滤波增强方法 |
CN108681722A (zh) * | 2018-05-24 | 2018-10-19 | 辽宁工程技术大学 | 一种基于纹理的手指静脉特征匹配方法 |
CN108764178A (zh) * | 2018-05-31 | 2018-11-06 | 中国民航大学 | 一种手指三模态特征图像姿态同步采集装置及控制方法 |
CN109325498A (zh) * | 2018-07-26 | 2019-02-12 | 河北师范大学 | 基于窗口动态阈值改进Canny算子的叶脉提取算法 |
CN109409293A (zh) * | 2018-10-28 | 2019-03-01 | 中国地质大学(武汉) | 基于NB-IoT的指静脉识别装置 |
CN111368780A (zh) * | 2020-03-13 | 2020-07-03 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN111461970A (zh) * | 2020-04-09 | 2020-07-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置和电子设备 |
CN111568219A (zh) * | 2020-02-28 | 2020-08-25 | 佛山市云米电器科技有限公司 | 饮水机控制方法、饮水机及计算机可读存储介质 |
CN111639556A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 |
CN113222853A (zh) * | 2021-05-26 | 2021-08-06 | 武汉博宇光电***有限责任公司 | 一种基于噪声估计的渐进式红外图像降噪方法 |
CN113269029A (zh) * | 2021-04-07 | 2021-08-17 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
CN116778538A (zh) * | 2023-07-24 | 2023-09-19 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及*** |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
CN113039556B (zh) | 2018-10-11 | 2022-10-21 | 特斯拉公司 | 用于使用增广数据训练机器模型的***和方法 |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006135203A1 (en) * | 2005-06-15 | 2006-12-21 | Lg Electronics Inc. | Fingerprint recognition system and method |
US20130069946A1 (en) * | 2011-09-20 | 2013-03-21 | General Electric Company | Systems and methods for accurate measurement with a mobile device |
CN103793705A (zh) * | 2014-03-11 | 2014-05-14 | 哈尔滨工业大学 | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
-
2016
- 2016-07-29 CN CN201610608678.7A patent/CN106156754B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006135203A1 (en) * | 2005-06-15 | 2006-12-21 | Lg Electronics Inc. | Fingerprint recognition system and method |
US20130069946A1 (en) * | 2011-09-20 | 2013-03-21 | General Electric Company | Systems and methods for accurate measurement with a mobile device |
CN103793705A (zh) * | 2014-03-11 | 2014-05-14 | 哈尔滨工业大学 | 基于迭代随机抽样一致性算法和局部掌纹描述符的非接触掌纹认证方法 |
CN105184216A (zh) * | 2015-07-24 | 2015-12-23 | 山东大学 | 一种心二区掌纹的数字提取方法 |
Non-Patent Citations (2)
Title |
---|
彭加亮: "基于手指多模态生物特征的身份认证关键问题研究", 《中国博士学位论文全文数据库信息科技辑(月刊 )》 * |
桑海峰等: "手形、掌纹和掌静脉多特征融合识别", 《仪器仪表学报》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
CN107230190B (zh) * | 2017-05-23 | 2020-04-21 | 北京奇艺世纪科技有限公司 | 一种图像双边滤波方法和装置 |
CN107230190A (zh) * | 2017-05-23 | 2017-10-03 | 北京奇艺世纪科技有限公司 | 一种图像双边滤波方法和装置 |
CN107301627A (zh) * | 2017-06-26 | 2017-10-27 | 深圳市安健科技股份有限公司 | 动态图像反锐化掩模去伪影增强方法及装置 |
CN107301627B (zh) * | 2017-06-26 | 2020-07-17 | 深圳市安健科技股份有限公司 | 动态图像反锐化掩模去伪影增强方法及装置 |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
CN107977935A (zh) * | 2017-11-15 | 2018-05-01 | 合肥中科奔巴科技有限公司 | 一种掌静脉图像纹理滤波增强方法 |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
CN108681722B (zh) * | 2018-05-24 | 2021-09-21 | 辽宁工程技术大学 | 一种基于纹理的手指静脉特征匹配方法 |
CN108681722A (zh) * | 2018-05-24 | 2018-10-19 | 辽宁工程技术大学 | 一种基于纹理的手指静脉特征匹配方法 |
CN108764178A (zh) * | 2018-05-31 | 2018-11-06 | 中国民航大学 | 一种手指三模态特征图像姿态同步采集装置及控制方法 |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN109325498B (zh) * | 2018-07-26 | 2022-02-25 | 河北师范大学 | 基于窗口动态阈值改进Canny算子的叶脉提取方法 |
CN109325498A (zh) * | 2018-07-26 | 2019-02-12 | 河北师范大学 | 基于窗口动态阈值改进Canny算子的叶脉提取算法 |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
CN109409293A (zh) * | 2018-10-28 | 2019-03-01 | 中国地质大学(武汉) | 基于NB-IoT的指静脉识别装置 |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
CN111568219A (zh) * | 2020-02-28 | 2020-08-25 | 佛山市云米电器科技有限公司 | 饮水机控制方法、饮水机及计算机可读存储介质 |
CN111368780B (zh) * | 2020-03-13 | 2024-01-30 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN111368780A (zh) * | 2020-03-13 | 2020-07-03 | 浙江大华技术股份有限公司 | 一种基于指纹和指静脉的联合识别处理方法及*** |
CN111461970B (zh) * | 2020-04-09 | 2023-08-11 | 北京百度网讯科技有限公司 | 图像处理方法、装置和电子设备 |
CN111461970A (zh) * | 2020-04-09 | 2020-07-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置和电子设备 |
CN111639556A (zh) * | 2020-05-15 | 2020-09-08 | 圣点世纪科技股份有限公司 | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 |
CN113269029A (zh) * | 2021-04-07 | 2021-08-17 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
CN113269029B (zh) * | 2021-04-07 | 2022-09-13 | 张烨 | 一种多模态及多特征的指静脉图像识别方法 |
CN113222853A (zh) * | 2021-05-26 | 2021-08-06 | 武汉博宇光电***有限责任公司 | 一种基于噪声估计的渐进式红外图像降噪方法 |
CN116778538A (zh) * | 2023-07-24 | 2023-09-19 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及*** |
CN116778538B (zh) * | 2023-07-24 | 2024-01-30 | 北京全景优图科技有限公司 | 一种基于小波分解的静脉图像识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106156754B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156754A (zh) | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 | |
Zhong et al. | Face recognition with enhanced local directional patterns | |
Zhang et al. | Finger vein image enhancement based on guided tri-Gaussian filters | |
Zhao et al. | Facial expression recognition from near-infrared videos | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN103679151B (zh) | 一种融合LBP、Gabor特征的人脸聚类方法 | |
CN105426821A (zh) | 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 | |
CN106022218A (zh) | 一种基于小波变换和Gabor滤波器的掌纹掌静脉图像层融合方法 | |
CN102567708B (zh) | 生物特征提取方法、装置及生物识别方法、*** | |
CN106203497A (zh) | 一种基于图像质量评价的手指静脉感兴趣区域图像筛选方法 | |
CN104143076A (zh) | 人脸形状的匹配方法和*** | |
Das et al. | A new method for sclera vessel recognition using OLBP | |
CN108182399B (zh) | 指静脉特征比对方法、装置、存储介质和处理器 | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤*** | |
Zhao et al. | Biometric identification based on low-quality hand vein pattern images | |
CN112200065B (zh) | 基于动作放大和自适应注意力区域选取的微表情分类方法 | |
Ai et al. | Double attention convolutional neural network for driver action recognition | |
CN116631068B (zh) | 一种基于深度学习特征融合的掌静脉活体检测方法 | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN111144331B (zh) | 手肘静脉图像肘正中静脉的识别方法及手肘图像采集装置 | |
CN113506274A (zh) | 基于视觉显著性差异图的用于人体认知状况的检测*** | |
CN104851103B (zh) | 基于sd‑oct视网膜图像的脉络膜血管抽取方法 | |
Jyothilakshmi et al. | Detection of malignant skin diseases based on the lesion segmentation | |
Li et al. | Medical image fusion based on saliency and adaptive similarity judgment | |
CN115631515A (zh) | 一种高效的手指静脉图像特征提取方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |