CN108182399B - 指静脉特征比对方法、装置、存储介质和处理器 - Google Patents

指静脉特征比对方法、装置、存储介质和处理器 Download PDF

Info

Publication number
CN108182399B
CN108182399B CN201711443496.XA CN201711443496A CN108182399B CN 108182399 B CN108182399 B CN 108182399B CN 201711443496 A CN201711443496 A CN 201711443496A CN 108182399 B CN108182399 B CN 108182399B
Authority
CN
China
Prior art keywords
gabor
parameters
gradient
vector
feature
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.)
Active
Application number
CN201711443496.XA
Other languages
English (en)
Other versions
CN108182399A (zh
Inventor
刘永松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Athena Eyes Co Ltd
Original Assignee
Athena Eyes Co Ltd
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 Athena Eyes Co Ltd filed Critical Athena Eyes Co Ltd
Priority to CN201711443496.XA priority Critical patent/CN108182399B/zh
Publication of CN108182399A publication Critical patent/CN108182399A/zh
Application granted granted Critical
Publication of CN108182399B publication Critical patent/CN108182399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/443—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 by matching or filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种指静脉特征比对方法、装置、存储介质和处理器，该方法包括：对输入的指静脉图像进行预处理；采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征；对获得的Gabor矢量特征进行降维处理；对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；对二进制表达的全新矢量特征进行特征比对并输出比对结果。本发明获得稳定的表述特征，提高指静脉识别算法的性能。

Description

指静脉特征比对方法、装置、存储介质和处理器
技术领域
本发明涉及指静脉识别领域，特别地，涉及一种指静脉特征比对方法、装置、存储介质和处理器。
背景技术
指静脉识别是依据血液中的血红蛋白会吸收近红外线的特性而发展起来的一种新的生物识别技术。
当前生物识别技术中：指纹技术虽然很成熟，但指纹特征很容易被模仿，人脸也存在易被模仿的问题，所以他们在安全上的表现缺少依靠并有待改进，而且人脸识别技术还存在大姿态、大表情变化下结果不可靠的风险；虹膜识别技术表现稳定，但其接触式的操作方法不被广泛人群接受，不适合大规模推广；声纹识别虽然有采集、应用方面的优势，但首先个人声纹特征会随年龄、情绪、身体状况而变化，其次所采集声纹信号质量与采集设备密切相关，甚者，背景环境等噪声信号会对声纹信号形成严重的干扰；上述生物识别技术，虽然各有其优点，但使用上的局限亦不可小觑。
指静脉识别则易于采集，受环境因素影响较小，更关键的它是一种天然的活体特征，安全性上有保障，所以，近年来静脉识别技术在生物识别应用领域获得越来越多的关注。
指静脉识别技术的成熟依赖两方面的进步：采集设备和比对算法；采集设备需具备获取到清晰静脉信息的能力，比对算法则要能合理区分比对目标，给出正确的目标识别结果。显而易见，有效的静脉描述特征能为比对算法的准确性提供可靠的支撑。而如何获得有效的稳定的静脉特征则是目前指静脉识别技术的研究关键。
发明内容
本发明提供了一种指静脉特征比对方法、装置、存储介质和处理器，以获得更稳定的描述特征，为指静脉识别提供保障。
本发明采用的技术方案如下：
本发明一方面提供了一种指静脉特征比对方法，包括以下步骤：
对输入的指静脉图像进行预处理；
采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征；
对获得的Gabor矢量特征进行降维处理；
对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；
对二进制表达的全新矢量特征进行特征比对并输出比对结果。
进一步地，对输入的指静脉图像进行预处理的步骤包括：
对输入的指静脉图像进行滤波处理和手指边缘定位；
依据手指边缘位置信息对输入图像进行区域裁剪以获得有效静脉纹理区域的子图；
对裁剪后的子图做增强获得曲率增强图。
进一步地，对预处理后的图像采用Gabor滤波器进行处理获得Gabor矢量特征的步骤包括：
将曲率增强图归一化到标准模型尺寸大小；
定义Gabor函数的频率参数和方向参数，将该组参数代入Gabor函数公式，获得对应参数下的Gabor卷积滤波系数；
定义特征提取区块在水平方向和垂直方向的步进参数；
在步进参数引导下遍历曲率增强图中各区块，并在各区块内采用预先获得的Gabor卷积滤波系数进行卷积计算对应频率、方向参数下的Gabor特征；
将各区块计算获得的Gabor特征串接起来生成Gabor矢量特征。
优选地，频率参数设置为7；方向参数设置为16。
进一步地，对获得的Gabor矢量特征进行降维处理的步骤包括：
对曲率增强图中各区块按均匀分布方式进行选择，滤除部分区块特征；
对剩余区块特征按照设定方向参数进行下采样，构成新的降维后的Gabor矢量特征。
进一步地，对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取的步骤包括：
计算同一频率参数下相邻两个系数的梯度，并二值化；
计算不同频率参数下对应近邻两个系数和的复合梯度值，并二值化；
通过依序计算各频率参数中单个频率下相邻系数的二值化Gabor梯度值，再组合各频率参数中近邻频率参数下相邻系数和的复合梯度二进制值，获得由区块坐标、频率参数、方向参数索引的二进制表达的全新矢量特征。
对二进制表达的全新矢量特征进行特征比对并输出比对结果的步骤包括：
对两幅识别目标图像进行二值化后的全新矢量特征中对应位置中“0”、“1”出现的相同次数进行计数，在归一化操作下转变为两幅识别目标图像的相似度值；
判断并输出比对结果，将相似度值转换为实数表达的0到1间的得分值，形成最终的比对结果得分，再将得分值与预设阈值比较，大于预设阈值则认为是同一目标，否则为异类目标。
根据本发明的另一方面，还提供了一种指静脉特征比对***，包括：
预处理模块，用于对输入的指静脉图像进行预处理；
Gabor特征提取模块，用于对预处理后的图像采用Gabor函数进行处理获得Gabor矢量特征；
Gabor特征降维模块，用于对获得的Gabor矢量特征进行降维处理；
二值化Gabor梯度特征提取模块，用于对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；
比对输出模块，用于对二进制表达的全新矢量特征进行特征比对并输出比对结果。
本发明还提供了一种存储介质，存储介质包括存储的程序，程序运行时控制存储介质所在的设备执行上述的指静脉特征比对方法。
本发明还提供了一种处理器，处理器用于运行程序，处理器运行时执行上述的指静脉特征比对方法。
本发明通过二值化Gabor梯度特征提取，对初期特征矢量进行再次提取，在低阶特征基础上做高阶抽象，计算开销相对增加较少，无需大规模调整***流程，且能获得更稳定的表述特征，进一步提高指静脉识别算法的性能。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的指静脉特征比对方法的流程图；
图2是同频率下相邻系数梯度二值化的示意图；
图3是不同频率下相邻系数复合梯度二值化的示意图；
图4是本发明优选实施例的指静脉特征比对***的结构框图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
参照图1，本发明的优选实施例提供了一种指静脉特征比对方法，包括以下步骤：
步骤S100，对输入的指静脉图像进行预处理；
步骤S200，采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征；
步骤S300，对获得的Gabor矢量特征进行降维处理；
步骤S400，对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；
步骤S500，对二进制表达的全新矢量特征进行特征比对并输出比对结果。
Gabor函数是一个线性滤波器，在空间域中，一个二维Gabor滤波器是一个由正弦平面波调制的高斯核函数。Gabor滤波器的频率和方向表达同人类视觉***类似，它可以很好地近似单细胞的感受野函数(光强刺激下的传递函数)。
静脉识别***比对操作中，即使是同一目标手指，因为时间、个人动作***滑了上述原因导致的对应特征处的这种差异，更容易捕捉到静脉纹理的固有特性，由此获得一种更稳定的描述特征，使指静脉比对结果鲁棒性更强。
下面介绍本发明优选实施例的指静脉比对方法的具体处理过程。
对输入的指静脉图像进行预处理的步骤S100具体包括：首先对输入的指静脉图像进行滤波处理和手指边缘定位。依据手指边缘位置信息对输入图像进行区域裁剪以获得有效静脉纹理区域的子图。接着对裁剪后的子图做增强获得曲率增强图。
对预处理后的图像采用Gabor滤波器进行处理获得Gabor矢量特征的步骤S200包括：
将曲率增强图归一化到标准模型尺寸大小。
定义Gabor函数的频率参数和方向参数，将该组参数代入Gabor函数公式，获得对应参数下的Gabor卷积滤波系数。本优选实施例中，考虑到本发明最终采用的是基于Gabor之上的高阶特征，本发明将方向参数做了更精细的设置，将人们常用的8方向扩展为16方向。此外，本优选实施例中，频率参数设置为7。
定义特征提取区块在水平方向和垂直方向的步进参数。
在步进参数引导下遍历曲率增强图中各区块，并在各区块内采用预先获得的Gabor卷积滤波系数(滤波核)进行卷积计算对应频率、方向参数下的Gabor特征；
将各区块计算获得的Gabor特征串接起来生成Gabor矢量特征。
上述步骤中，定义了7个频率和16个方向Gabor参数，这样计算下来，原始Gabor系数组成的矢量特征的维度是相当可观的。本发明考虑到图像近邻像素的灰度缓慢过度分布，它们在近邻参数下(频率近邻或方向近邻)的特征一定会包含相当多的冗余信息，我们完全可以对它们做下采样，一定的稀疏密度下的采样数据足可以保全原目标的特性。
具体地，对获得的Gabor矢量特征进行降维处理的步骤S300包括：
首先对曲率增强图中各区块按均匀分布方式进行选择，滤除部分区块特征。
然后对剩余区块特征按照设定方向参数进行下采样，滤除偶数方向系数，保留奇数方向系数，经过这样的截取操作构成新的降维后的Gabor矢量特征。
为了增强特征表达的稳定性，本发明中对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取的步骤S400包括：
计算同一频率参数下相邻两个系数的梯度，并二值化。参照图2，具体计算过程如下：频率参数1下，计算方向参数1与方向参数2对应Gabor系数的梯度，计算方向参数2与方向参数3对应Gabor系数的梯度，以此类推，计算方向参数16系数反转回来与方向参数1系数的梯度，遍历16个方向获得16个梯度值，然后根据各值正负符号分布，正梯度值用“1”代替，负梯度值用“0”代替，将16个梯度值转换为16位二进制值。
计算不同频率参数下对应近邻两个系数和的复合梯度值，并二值化。参照图3，具体计算过程如下：先求得频率参数1下，方向参数1对应系数与邻近方向参数2系数的和，再先求频率参数2下，方向参数1对应系数与邻近方向参数2系数的和，再计算前面两个和值相减获得复合梯度值，以此类推，遍历16个方向获得8个复合梯度值，同样低，依据梯度值的符号将梯度值转换为“0”、“1”表达的8位二进制值。
通过依序计算7个频率参数中单个频率下相邻系数的二值化Gabor梯度值，再组合7个频率参数中近邻频率参数下相邻系数和的复合梯度二进制值，获得由区块坐标、频率参数、方向参数索引的二进制表达的全新矢量特征。
对二进制表达的全新矢量特征进行特征比对并输出比对结果的步骤S500包括：
对两幅识别目标图像进行二值化后的全新矢量特征中对应位置中“0”、“1”出现的相同次数进行计数，在归一化操作下转变为两幅识别目标图像的相似度值；
判断并输出比对结果，将相似度值转换为实数表达的0到1间的得分值，形成最终的比对结果得分，再将得分值与预设阈值比较，大于预设阈值则认为是同一目标，否则为异类目标。
参照图4，本发明还提供了一种指静脉特征比对装置，包括：
预处理模块100，用于对输入的指静脉图像进行预处理；具体的预处理过程参照上文中指静脉特征比对方法中的描述。
Gabor特征提取模块200，用于对预处理后的图像采用Gabor函数进行处理获得Gabor矢量特征；具体的特征提取过程参照上文中指静脉特征比对方法中的描述。
Gabor特征降维模块300，用于对获得的Gabor矢量特征进行降维处理；具体的降维过程参照上文中指静脉特征比对方法中的描述。
二值化Gabor梯度特征提取模块400，用于对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；具体的计算过程参照上文中指静脉特征比对方法中的描述。
比对输出模块500，用于对二进制表达的全新矢量特征进行特征比对并输出比对结果。具体的比对过程参照上文中指静脉特征比对方法中的描述。
本发明实施例还提供了一种存储介质，存储介质包括存储的程序，程序运行时控制存储介质所在的设备执行上述的指静脉特征比对方法。
本发明实施例还提供了一种处理器，处理器用于运行程序，处理器运行时执行上述的指静脉特征比对方法。
本发明先利用函数变换获得静脉纹理的分块Gabor特征，再依序将分块Gabor特征组合成对应指静脉图像的识别特征矢量，与常见直接采用Gabor矢量特征进行目标比对分类不同，本发明对Gabor矢量特征进行再次加工，对不同参数区间的Gabor值，将频率和尺度(方向)对应下的分量值求取梯度，并依据梯度值正负结果转换为“0”、“1”二值化数据(如：A分量大于B分量，则置结果为“1”，否则置“0”)，且将该“0/1”值放置在与该分量索引位置对应的全新矢量中，最后获得的是二进制表达的全新特征矢量；因为全新特征矢量记录的不是单纯的Gabor特征，而是Gabor特征分量间的梯度信息，所以，本发明将指静脉成像中由于设备、环境、采集操作不规范等不可控因素所带来的干扰大大压缩了，呈现的特征更能捕捉目标的真实特性，也必然大大提升特征表达的稳定性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种指静脉特征比对方法，其特征在于，包括以下步骤：
对输入的指静脉图像进行预处理；
采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征；
对获得的Gabor矢量特征进行降维处理；
对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；
对二进制表达的全新矢量特征进行特征比对并输出比对结果；
所述对输入的指静脉图像进行预处理的步骤包括：
对输入的指静脉图像进行滤波处理和手指边缘定位；
依据手指边缘位置信息对输入图像进行区域裁剪以获得有效静脉纹理区域的子图；
对裁剪后的子图做增强获得曲率增强图；
所述采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征的步骤包括：
将曲率增强图归一化到标准模型尺寸大小；
定义Gabor函数的频率参数和方向参数，将该组参数代入Gabor函数公式，获得对应参数下的Gabor卷积滤波系数；
定义特征提取区块在水平方向和垂直方向的步进参数；
在步进参数引导下遍历曲率增强图中各区块，并在各区块内采用预先获得的Gabor卷积滤波系数进行卷积计算对应频率、方向参数下的Gabor特征；
将各区块计算获得的Gabor特征串接起来生成Gabor矢量特征；
所述对获得的Gabor矢量特征进行降维处理的步骤包括：
对曲率增强图中各区块按均匀分布方式进行选择，滤除部分区块特征；
对剩余区块特征按照设定方向参数进行下采样，构成新的降维后的Gabor矢量特征；
所述对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取的步骤包括：
计算同一频率参数下相邻两个系数的梯度，并二值化；
计算不同频率参数下对应近邻两个系数和的复合梯度值，并二值化；
通过依序计算各频率参数中单个频率下相邻系数的二值化Gabor梯度值，再组合各频率参数中近邻频率参数下相邻系数和的复合梯度二进制值，获得由区块坐标、频率参数、方向参数索引的二进制表达的全新矢量特征。
2.根据权利要求1所述的指静脉特征比对方法，其特征在于，
所述频率参数设置为7；
所述方向参数设置为16。
3.根据权利要求1所述的指静脉特征比对方法，其特征在于，所述对二进制表达的全新矢量特征进行特征比对并输出比对结果的步骤包括：
对两幅识别目标图像进行二值化后的全新矢量特征中对应位置中“0”、“1”出现的相同次数进行计数，在归一化操作下转变为两幅识别目标图像的相似度值；
判断并输出比对结果，将相似度值转换为实数表达的0到1间的得分值，形成最终的比对结果得分，再将得分值与预设阈值比较，大于预设阈值则认为是同一目标，否则为异类目标。
4.一种指静脉特征比对装置，其特征在于，包括：
预处理模块(100)，用于对输入的指静脉图像进行预处理，所述对输入的指静脉图像进行预处理的步骤包括：
对输入的指静脉图像进行滤波处理和手指边缘定位；
依据手指边缘位置信息对输入图像进行区域裁剪以获得有效静脉纹理区域的子图；
对裁剪后的子图做增强获得曲率增强图；
Gabor特征提取模块(200)，用于对预处理后的图像采用Gabor函数进行处理获得Gabor矢量特征，所述采用Gabor函数对预处理后的图像进行处理获得Gabor矢量特征的步骤包括：
将曲率增强图归一化到标准模型尺寸大小；
定义Gabor函数的频率参数和方向参数，将该组参数代入Gabor函数公式，获得对应参数下的Gabor卷积滤波系数；
定义特征提取区块在水平方向和垂直方向的步进参数；
在步进参数引导下遍历曲率增强图中各区块，并在各区块内采用预先获得的Gabor卷积滤波系数进行卷积计算对应频率、方向参数下的Gabor特征；
将各区块计算获得的Gabor特征串接起来生成Gabor矢量特征；
Gabor特征降维模块(300)，用于对获得的Gabor矢量特征进行降维处理，所述对获得的Gabor矢量特征进行降维处理的步骤包括：
对曲率增强图中各区块按均匀分布方式进行选择，滤除部分区块特征；
对剩余区块特征按照设定方向参数进行下采样，构成新的降维后的Gabor矢量特征；
二值化Gabor梯度特征提取模块(400)，用于对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取：通过计算不同频率参数下对应方向处Gabor系数的梯度，并依据梯度值的正负符号将梯度值二值化为“0”、“1”值，然后将对应的值置于由区块坐标、频率、方向参数索引的分量位置对应的全新矢量中，生成二进制表达的全新矢量特征；
所述对降维后的Gabor矢量特征进行二值化Gabor梯度特征提取的步骤包括：
计算同一频率参数下相邻两个系数的梯度，并二值化；
计算不同频率参数下对应近邻两个系数和的复合梯度值，并二值化；
通过依序计算各频率参数中单个频率下相邻系数的二值化Gabor梯度值，再组合各频率参数中近邻频率参数下相邻系数和的复合梯度二进制值，获得由区块坐标、频率参数、方向参数索引的二进制表达的全新矢量特征；
比对输出模块(500)，用于对二进制表达的全新矢量特征进行特征比对并输出比对结果。
5.一种存储介质，所述存储介质包括存储的程序，其特征在于，所述程序运行时控制所述存储介质所在的设备执行如权利要求1至3任一所述的指静脉特征比对方法。
6.一种处理器，所述处理器用于运行程序，其特征在于，所述处理器运行时执行如权利要求1至3任一所述的指静脉特征比对方法。
CN201711443496.XA 2017-12-27 2017-12-27 指静脉特征比对方法、装置、存储介质和处理器 Active CN108182399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711443496.XA CN108182399B (zh) 2017-12-27 2017-12-27 指静脉特征比对方法、装置、存储介质和处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711443496.XA CN108182399B (zh) 2017-12-27 2017-12-27 指静脉特征比对方法、装置、存储介质和处理器

Publications (2)

Publication Number Publication Date
CN108182399A CN108182399A (zh) 2018-06-19
CN108182399B true CN108182399B (zh) 2020-04-21

Family

ID=62547631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711443496.XA Active CN108182399B (zh) 2017-12-27 2017-12-27 指静脉特征比对方法、装置、存储介质和处理器

Country Status (1)

Country Link
CN (1) CN108182399B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543580A (zh) * 2018-11-15 2019-03-29 北京智慧眼科技股份有限公司 指静脉特征提取方法、比对方法、存储介质及处理器
CN109800702B (zh) * 2019-01-16 2021-01-26 智慧眼科技股份有限公司 指静脉识别的快速比对方法及计算机可读取的存储介质
CN109903444A (zh) * 2019-03-29 2019-06-18 深圳市威富视界有限公司 指静脉锁及其控制方法
CN110348289B (zh) * 2019-05-27 2023-04-07 广州中国科学院先进技术研究所 一种基于二值图的手指静脉识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268535A (zh) * 2014-10-10 2015-01-07 上海海事大学 一种二维图像的特征提取方法
CN104504370A (zh) * 2014-12-15 2015-04-08 广东智冠信息技术股份有限公司 一种结合仿生纹理特征和线状纹理特征的手指静脉识别方法
CN106022391A (zh) * 2016-05-31 2016-10-12 哈尔滨工业大学深圳研究生院 一种高光谱图像特征的并行提取与分类方法
CN106326827A (zh) * 2015-11-08 2017-01-11 北京巴塔科技有限公司 掌静脉识别***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8509538B2 (en) * 2007-12-20 2013-08-13 Intel Corporation Method and apparatus for obtaining and processing Gabor image features
JP2010244381A (ja) * 2009-04-08 2010-10-28 Sony Corp ガボアフィルタ、画像認識装置および方法、プログラム、並びに記録媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268535A (zh) * 2014-10-10 2015-01-07 上海海事大学 一种二维图像的特征提取方法
CN104504370A (zh) * 2014-12-15 2015-04-08 广东智冠信息技术股份有限公司 一种结合仿生纹理特征和线状纹理特征的手指静脉识别方法
CN106326827A (zh) * 2015-11-08 2017-01-11 北京巴塔科技有限公司 掌静脉识别***
CN106022391A (zh) * 2016-05-31 2016-10-12 哈尔滨工业大学深圳研究生院 一种高光谱图像特征的并行提取与分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Gabor多方向特征融合与分块统计的表情识别;刘娟 等;《电子测量与仪器学报》;20151130;第29卷(第11期);第1698-1704页 *
基于局部Gabor变化直方图序列的人脸描述与识别;张文超 等;《软件学报》;20061230;第17卷(第7期);第2508-2516页 *
基于梯度Gabor直方图特征的表情识别方法;胡敏 等;《计算机辅助设计与图形学学报》;20131231;第25卷(第12期);第1856-1861页 *
基于集成Gabor特征的步态识别方法;邵虹 等;《电子测量与仪器学报》;20170430;第31卷(第4期);第574-577页 *

Also Published As

Publication number Publication date
CN108182399A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
Gottschlich Curved-region-based ridge frequency estimation and curved Gabor filters for fingerprint image enhancement
CN108009520B (zh) 基于卷积变分自编码器网络的手指静脉识别方法及***
CN108182399B (zh) 指静脉特征比对方法、装置、存储介质和处理器
Jayanthi et al. An effective deep learning features based integrated framework for iris detection and recognition
Chen et al. Palmprint recognition using crease
Ghoualmi et al. An ear biometric system based on artificial bees and the scale invariant feature transform
CN107729820B (zh) 一种基于多尺度hog的手指静脉识别方法
CN112437926B (zh) 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
Choudhary et al. A survey: Feature extraction methods for iris recognition
CN112597812A (zh) 一种基于卷积神经网络和sift算法的手指静脉识别方法及***
CN113673460A (zh) 用于虹膜识别的方法及装置、终端设备、存储介质
Donida Labati et al. A scheme for fingerphoto recognition in smartphones
CN110147769B (zh) 一种手指静脉图像匹配方法
CN114821682A (zh) 一种基于深度学习算法的多样本混合掌静脉识别方法
CN109523484B (zh) 一种基于分形特征的手指静脉血管网络修复方法
CN117275080B (zh) 基于计算机视觉的眼部状态识别方法及***
Mehmood et al. Palmprint enhancement network (PEN) for robust identification
Rajinikannan et al. Estimating the impact of fingerprint image enhancement algorithms for better minutia detection
CN115795394A (zh) 层级多模态和高级增量学习的生物特征融合身份识别方法
CN115631515A (zh) 一种高效的手指静脉图像特征提取方法和***
Thenmozhi et al. Comparative analysis of finger vein pattern feature extraction techniques: An overview
Punyani et al. Iris recognition system using morphology and sequential addition based grouping
Abdel-Latif et al. Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN
Mansour Iris recognition using gauss laplace filter
Misra et al. A study report on finger print image enhancement methods

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100097 Beijing Haidian District Kunming Hunan Road 51 C block two floor 207.

Applicant after: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

Address before: 100193 4, 403, block A, 14 building, 10 East North Road, Haidian District, Beijing.

Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province

Applicant after: Wisdom Eye Technology Co.,Ltd.

Address before: 100097 2nd Floor 207, Block C, 51 Hunan Road, Kunming, Haidian District, Beijing

Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Finger vein feature comparison method, device, storage medium and processor

Effective date of registration: 20221205

Granted publication date: 20200421

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231220

Granted publication date: 20200421

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province

Patentee before: Wisdom Eye Technology Co.,Ltd.