CN108734069B - 一种指静脉图像的质量分数计算方法及装置 - Google Patents
一种指静脉图像的质量分数计算方法及装置 Download PDFInfo
- Publication number
- CN108734069B CN108734069B CN201710270385.7A CN201710270385A CN108734069B CN 108734069 B CN108734069 B CN 108734069B CN 201710270385 A CN201710270385 A CN 201710270385A CN 108734069 B CN108734069 B CN 108734069B
- Authority
- CN
- China
- Prior art keywords
- points
- image
- finger vein
- gray difference
- average gray
- 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
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims description 33
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/20—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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供了一种指静脉图像的质量分数计算方法,通过获取待质量判断的指静脉图像的归一化图像以及二值化图像,并获取二值化图像中每根指静脉的边界点以及中间点,然后获取边界点以及中间点在归一化图像中的灰度值,并计算中间点与边界点的平均灰度差,且,根据平均灰度差,创建中间点与边界点的平均灰度差数组,然后,计算平均灰度差数组中大于预设阈值的点数,最后将不同预设阈值的点数进行加和,得到不同阈值时的点数累加和,对点数累加和进行归一化处理,获取指静脉图像的质量分数。可见,本方案得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
Description
技术领域
本申请涉及生物特征识别技术领域,更具体地说,涉及一种一种指静脉图像的质量分数计算方法及装置。
背景技术
随着科技的不断发展,传统的通过用户名、密码等方式进行用户身份识别和验证的方式不足以满足日益发展的网络支付的需求。生物特征识别凭借其唯一性,得到了快速的发展。具体的,生物特征识别技术是利用人体生物特征或者行为特征进行个人身份认证,其中,生物特征可以包括指纹、掌型、虹膜、脸型等,行为特征可以包括动作、声音、签名等。
静脉识别技术是生物识别技术中的一种,其通过对手指或手掌中静脉图像进行活体识别来达到识别认证的目的,具有高度防伪、活体检测、精准度高、便于操作等特性。然而,手指静脉图像的质量直接影响指静脉识别的准确度。
但发明人发现,目前,手指静脉图像的质量判断的准确率较低,身份认证精度和效率低,因此,如何提供一种指静脉图像的质量分数计算方法及装置成为当前亟待解决的一大问题。
发明内容
有鉴于此,本申请提供了一种指静脉图像的质量分数计算方法及装置,通过计算指静脉图像的质量分数,得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
为了实现上述目的,现提出的方案如下:
一种指静脉图像的质量分数计算方法,包括:
获取待质量判断的指静脉图像的归一化图像以及二值化图像;
获取所述二值化图像中每根指静脉的边界点以及中间点;
获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差;
根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组;
计算所述平均灰度差数组中大于预设阈值的点数;
将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和;
对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
优选的,所述获取所述二值化图像中每根指静脉的边界点以及中间点,包括:
垂直扫描所述二值化图像的每一列,分别获取每根指静脉的边界点以及中间点。
优选的,所述计算所述中间点与所述边界点的平均灰度差,包括:
根据公式计算得到所述平均灰度差,其中,MeanGraz为所述平均灰度差,Ggra1为gz1和gzm之间的灰度差,Ggra2为gz2和gzm之间的灰度差,gz1、gz2以及gzm分别为所述上边界点、下边界点和中间点的灰度值。
优选的,所述将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和,包括:
根据公式计算得到所述点数累加和,其中,Numk为所述平均灰度差数组中大于预设阈值的点数,MeanGraA为所述中间点与所述边界点的平均灰度差数组,Tk为所述预设阈值,n为设定不同阈值的次数,通常情况下n=10。
优选的,所述获取待质量判断的指静脉图像的归一化图像以及二值化图像,包括:
获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;
对所述归一化图像进行二值化处理,得到二值化图像。
一种指静脉图像的质量分数计算装置,包括:
第一获取模块,用于获取待质量判断的指静脉图像的归一化图像以及二值化图像;
第二获取模块,用于获取所述二值化图像中每根指静脉的边界点以及中间点;
第三获取模块,用于获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差;
创建模块,用于根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组;
计算模块,用于计算所述平均灰度差数组中大于预设阈值的点数;
加和模块,用于将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和;
第四获取模块,用于对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
优选的,所述第二获取模块包括:
扫描单元,用于垂直扫描所述二值化图像的每一列,分别获取每根指静脉的边界点以及中间点。
优选的,所述第三获取模块包括:
计算单元,用于根据公式计算得到所述平均灰度差,其中,MeanGraz为所述平均灰度差,Ggra1为gz1和gzm之间的灰度差,Ggra2为gz2和gzm之间的灰度差,gz1、gz2以及gzm分别为所述上边界点、下边界点和中间点的灰度值。
优选的,所述加和模块包括:
加和单元,用于根据公式计算得到所述点数累加和,其中,Numk为所述平均灰度差数组中大于预设阈值的点数,MeanGraA为所述中间点与所述边界点的平均灰度差数组,Tk为所述预设阈值,n为设定不同阈值的次数,通常情况下n=10。
优选的,所述第一获取模块包括:
获取单元,用于获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;
处理单元,用于对所述归一化图像进行二值化处理,得到二值化图像。
从上述的技术方案可以看出,本申请提供了一种指静脉图像的质量分数计算方法,通过获取待质量判断的指静脉图像的归一化图像以及二值化图像,并获取二值化图像中每根指静脉的边界点以及中间点,然后获取边界点以及中间点在归一化图像中的灰度值,并计算中间点与边界点的平均灰度差,且,根据平均灰度差,创建中间点与边界点的平均灰度差数组,然后,计算平均灰度差数组中大于预设阈值的点数,最后将不同预设阈值的点数进行加和,得到不同阈值时的点数累加和,对点数累加和进行归一化处理,获取指静脉图像的质量分数。可见,本方案得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例提供的一种指静脉图像的质量分数计算方法的流程示意图;
图2为本实施例提供的一种指静脉图像的质量分数计算装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种指静脉图像的质量分数计算方法,通过获取待质量判断的指静脉图像的归一化图像以及二值化图像,并获取二值化图像中每根指静脉的边界点以及中间点,然后获取边界点以及中间点在归一化图像中的灰度值,并计算中间点与边界点的平均灰度差,且,根据平均灰度差,创建中间点与边界点的平均灰度差数组,然后,计算平均灰度差数组中大于预设阈值的点数,最后将不同预设阈值的点数进行加和,得到不同阈值时的点数累加和,对点数累加和进行归一化处理,获取指静脉图像的质量分数。可见,本方案得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
请参阅图1,为本实施例提供的一种指静脉图像的质量分数计算方法的流程图,包括步骤:
S1、获取待质量判断的指静脉图像的归一化图像以及二值化图像。
S2、获取所述二值化图像中每根指静脉的边界点以及中间点。
S3、获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差。
S4、根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组。
S5、计算所述平均灰度差数组中大于预设阈值的点数。
S6、将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和。
S7、对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
具体的,步骤S2是通过垂直扫描所述二值化图像BinF的每一列,分别获取每根指静脉的边界点pz1和pz2(z=1,2,....)以及中间点pzm,其中,z表示每一列静脉的序号。步骤S3中所述计算所述中间点与所述边界点的平均灰度差是根据公式计算得到所述平均灰度差,其中,MeanGraz为所述平均灰度差,Ggra1为gz1和gzm之间的灰度差,Ggra2为gz2和gzm之间的灰度差,gz1、gz2以及gzm分别为所述上边界点、下边界点和中间点的灰度值。
步骤S1可以是首先获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;然后对所述归一化图像进行二值化处理,得到二值化图像。
具体的,本实施例还提供了一种步骤S1的具体实现方式,如下:
步骤1:采集指静脉图像,具体采集过程如下:
(1)用户将手指放置在指静脉识别装置预设的位置,手指压触感应单元2感应到用户手指的压力,通过线缆B通知到控制单元5;
(2)控制单元5通过线缆A控制光源1开启或关闭,同时控制单元5通过线缆C控制CMOS图像采集单元4的开启,获取指静脉图像;
(3)CMOS图像采集单元4在控制单元5的控制下按照时序将采集的图像传输到图像存储单元6。
步骤2:从指静脉存储单元中获取一张需要评判质量的指静脉图像f;该过程主要有两个步骤:
(1)获取指静脉图像的中心子区域(窗口大小为w*w)的像素平均值MeanValue;
(2)将像素平均值MeanValue在预设区间(80<MeanValue<150)的指静脉图像f输出,以该图像作为后期质量判断的输入图像。
步骤3:提取指静脉图像的感兴趣区域:为了降低数据处理量,需要将手指的感兴趣区域提取出来,进行归一化处理得到归一化图像;具体步骤如下:
(1)获取指静脉图像f的水平旋转角度θ和水平平移大小d,并且获取校正图像F;
根据改进的Sobel算子,提取手指区域的边界,获取两条边界之间的一系列中点X={(xi,yi)|i=1,....n},并且通过直线拟合的方法获取直线的倾斜角度θ;
计算图像区域的中心C,根据改进的Sobel算子,提取手指区域的边界,求取这两条边界围成区域的重心G,采用欧式距离计算两点的距离d(该距离作为指静脉图像f的平移距离);
根据θ和d,进行指静脉图像f的旋转和平移,获得校正图像F。
(2)在校正图像F上,获取感兴趣区域图像SubF,具体骤如下:
在校正图像F,根据改进的Sobel算子,提取手指区域的边界l1和l2;
对围成的区域进行垂直投影,获取像素值累计直方图,在直方图中获取最大值对应的横坐标Coh,并且令l3=Coh,l4=l3+n,其中n为预先定义的常数;
根据l1、l2、l3和l4,获取获取感兴趣区域图像SubF。
(3)根据双线性插值技术,对感兴趣区域图像SubF进行归一处理,获取大小为w*h的归一化图像NorF;
步骤4:归一化图像的二值化处理:为了有效的消除背景区域的干扰,并且有效定位指静脉的边界点和中心点,需要进行二值化处理;具体步骤如下:
(1)获取归一化图像NorF(存在大量的噪声),通过各项异性滤波消除噪声,获取的图像为NoNoseF;
(2)由于静脉图像与背景之间的对比度相对比较低,本专利采用脊线检测和模糊增强,获取增强的静脉图像EnF;
(3)采用局部二值化方法,从增强的静脉图像EnF中获取二值化图像BinF。
综上,本申请提供了一种指静脉图像的质量分数计算方法及装置,通过计算指静脉图像的质量分数,得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
在上述实施例的基础上,本实施例还提供了一种指静脉图像的质量分数计算装置,如图2所示,包括:
第一获取模块10,用于获取待质量判断的指静脉图像的归一化图像以及二值化图像;
第二获取模块20,用于获取所述二值化图像中每根指静脉的边界点以及中间点;
第三获取模块30,用于获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差;
创建模块40,用于根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组;
计算模块50,用于计算所述平均灰度差数组中大于预设阈值的点数;
加和模块60,用于将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和;
第四获取模块70,用于对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
其中,所述第二获取模块包括:
扫描单元,用于垂直扫描所述二值化图像的每一列,分别获取每根指静脉的边界点以及中间点。
优选的,所述第三获取模块包括:
计算单元,用于根据公式计算得到所述平均灰度差,其中,MeanGraz为所述平均灰度差,Ggra1为gz1和gzm之间的灰度差,Ggra2为gz2和gzm之间的灰度差,gz1、gz2以及gzm分别为所述上边界点、下边界点和中间点的灰度值。
优选的,所述加和模块包括:
优选的,所述第一获取模块包括:
获取单元,用于获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;
处理单元,用于对所述归一化图像进行二值化处理,得到二值化图像。
其工作原理参见方法实施例。
综上,本申请提供了一种指静脉图像的质量分数计算方法,通过获取待质量判断的指静脉图像的归一化图像以及二值化图像,并获取二值化图像中每根指静脉的边界点以及中间点,然后获取边界点以及中间点在归一化图像中的灰度值,并计算中间点与边界点的平均灰度差,且,根据平均灰度差,创建中间点与边界点的平均灰度差数组,然后,计算平均灰度差数组中大于预设阈值的点数,最后将不同预设阈值的点数进行加和,得到不同阈值时的点数累加和,对点数累加和进行归一化处理,获取指静脉图像的质量分数。可见,本方案得到高质量的指静脉图像,准确率高,进而进行身份认证,认证效率高。
对于装置实施例而言,由于其基本相应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种指静脉图像的质量分数计算方法,其特征在于,包括:
获取待质量判断的指静脉图像的归一化图像以及二值化图像;
获取所述二值化图像中每根指静脉的边界点以及中间点;
获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差;
根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组;
计算所述平均灰度差数组中大于预设阈值的点数;
将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和;
对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
2.根据权利要求1所述的质量分数计算方法,其特征在于,所述获取所述二值化图像中每根指静脉的边界点以及中间点,包括:
垂直扫描所述二值化图像的每一列,分别获取每根指静脉的边界点以及中间点。
5.根据权利要求1所述的质量分数计算方法,其特征在于,所述获取待质量判断的指静脉图像的归一化图像以及二值化图像,包括:
获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;
对所述归一化图像进行二值化处理,得到二值化图像。
6.一种指静脉图像的质量分数计算装置,其特征在于,包括:
第一获取模块,用于获取待质量判断的指静脉图像的归一化图像以及二值化图像;
第二获取模块,用于获取所述二值化图像中每根指静脉的边界点以及中间点;
第三获取模块,用于获取所述边界点以及所述中间点在所述归一化图像中的灰度值,并计算所述中间点与所述边界点的平均灰度差;
创建模块,用于根据所述平均灰度差,创建所述中间点与所述边界点的平均灰度差数组;
计算模块,用于计算所述平均灰度差数组中大于预设阈值的点数;
加和模块,用于将不同所述预设阈值的所述点数进行加和,得到不同所述阈值时的点数累加和;
第四获取模块,用于对所述点数累加和进行归一化处理,获取所述指静脉图像的质量分数。
7.根据权利要求6所述的质量分数计算装置,其特征在于,所述第二获取模块包括:
扫描单元,用于垂直扫描所述二值化图像的每一列,分别获取每根指静脉的边界点以及中间点。
10.根据权利要求6所述的质量分数计算装置,其特征在于,所述第一获取模块包括:
获取单元,用于获取所述待质量判断的指静脉图像的感兴趣区域,并对所述感兴趣区域进行归一化处理,得到归一化图像;
处理单元,用于对所述归一化图像进行二值化处理,得到二值化图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270385.7A CN108734069B (zh) | 2017-04-24 | 2017-04-24 | 一种指静脉图像的质量分数计算方法及装置 |
PCT/CN2018/079932 WO2018196521A1 (zh) | 2017-04-24 | 2018-03-22 | 一种指静脉图像的质量分数计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270385.7A CN108734069B (zh) | 2017-04-24 | 2017-04-24 | 一种指静脉图像的质量分数计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734069A CN108734069A (zh) | 2018-11-02 |
CN108734069B true CN108734069B (zh) | 2020-01-24 |
Family
ID=63920141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710270385.7A Active CN108734069B (zh) | 2017-04-24 | 2017-04-24 | 一种指静脉图像的质量分数计算方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108734069B (zh) |
WO (1) | WO2018196521A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866503B (zh) * | 2019-11-19 | 2024-01-05 | 圣点世纪科技股份有限公司 | 指静脉设备的异常检测方法及*** |
CN112084840A (zh) * | 2020-07-24 | 2020-12-15 | 浙江工业大学 | 一种基于三维nmi的指静脉识别方法 |
CN112488935B (zh) * | 2020-11-26 | 2024-02-06 | 杭州电子科技大学 | 基于纹理约束和泊松融合的生成对抗指静脉图像修复方法 |
CN115376167B (zh) * | 2022-10-26 | 2023-02-24 | 山东圣点世纪科技有限公司 | 一种复杂背景下的手掌检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866486A (zh) * | 2010-06-11 | 2010-10-20 | 哈尔滨工程大学 | 手指静脉图像质量判断方法 |
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN102214297A (zh) * | 2011-06-14 | 2011-10-12 | 中国人民解放军国防科学技术大学 | 用于特征提取的静脉图像质量检测方法 |
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN106203497A (zh) * | 2016-07-01 | 2016-12-07 | 浙江工业大学 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2754719T3 (es) * | 2011-10-03 | 2020-04-20 | Accenture Global Services Ltd | Motor de correspondencia biométrica |
JP6024141B2 (ja) * | 2012-03-23 | 2016-11-09 | 富士通株式会社 | 生体情報処理装置、生体情報処理方法、および生体情報処理プログラム |
CN104239769B (zh) * | 2014-09-18 | 2017-05-31 | 北京智慧眼科技股份有限公司 | 基于手指静脉特征的身份识别方法及*** |
CN105975905B (zh) * | 2016-04-26 | 2019-03-26 | 山西圣点世纪科技股份有限公司 | 一种手指静脉快速识别方法 |
-
2017
- 2017-04-24 CN CN201710270385.7A patent/CN108734069B/zh active Active
-
2018
- 2018-03-22 WO PCT/CN2018/079932 patent/WO2018196521A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866486A (zh) * | 2010-06-11 | 2010-10-20 | 哈尔滨工程大学 | 手指静脉图像质量判断方法 |
CN101901336A (zh) * | 2010-06-11 | 2010-12-01 | 哈尔滨工程大学 | 指纹与指静脉双模态识别决策级融合法 |
CN102214297A (zh) * | 2011-06-14 | 2011-10-12 | 中国人民解放军国防科学技术大学 | 用于特征提取的静脉图像质量检测方法 |
WO2014017697A1 (ko) * | 2012-07-25 | 2014-01-30 | 전북대학교산학협력단 | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 |
CN106203497A (zh) * | 2016-07-01 | 2016-12-07 | 浙江工业大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN108734069A (zh) | 2018-11-02 |
WO2018196521A1 (zh) | 2018-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9922238B2 (en) | Apparatuses, systems, and methods for confirming identity | |
US20200184187A1 (en) | Feature extraction and matching for biometric authentication | |
US9721150B2 (en) | Image enhancement and feature extraction for ocular-vascular and facial recognition | |
CN108734069B (zh) | 一种指静脉图像的质量分数计算方法及装置 | |
WO2017059591A1 (zh) | 手指静脉识别方法及装置 | |
CN106096569B (zh) | 一种手指静脉识别方法 | |
JP6487576B2 (ja) | 指紋隆線点認識方法および装置 | |
Lu et al. | Finger vein identification using polydirectional local line binary pattern | |
WO2007029591A1 (ja) | 画像処理装置、マスク作成方法及びプログラム | |
CN107195124A (zh) | 基于掌纹和掌静脉的图书馆自助借书方法及*** | |
Vega et al. | Biometric personal identification system based on patterns created by finger veins | |
CN112528836A (zh) | 一种掌静脉信息采集方法、装置、设备及存储介质 | |
Donida Labati et al. | A scheme for fingerphoto recognition in smartphones | |
Zayed et al. | A comprehensive survey on finger vein biometric | |
Benziane et al. | Dorsal hand vein identification based on binary particle swarm optimization | |
WO2021001322A1 (en) | Slap segmentation of contactless fingerprint images | |
CN109598235B (zh) | 一种指静脉图像认证方法及装置 | |
Sajjad et al. | Iris image enhancement for the recognition of non-ideal iris images | |
Cao et al. | Fingerprint image enhancement and minutiae extraction algorithm | |
Zhang et al. | Finger-vein recognition based on gradient distribution and self-adaptive recovery model | |
Smorawa et al. | Biometric systems based on palm vein patterns | |
CN112801034A (zh) | 一种指静脉识别装置 | |
CN110738174A (zh) | 手指静脉识别方法、装置、设备和存储介质 | |
Chopra et al. | Finger print and finger vein recognition using repeated line tracking and minutiae | |
Gowsica et al. | A survey on biometric authentication techniques using finger vein |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |