CN109165639A - 一种指静脉识别方法、装置及设备 - Google Patents
一种指静脉识别方法、装置及设备 Download PDFInfo
- Publication number
- CN109165639A CN109165639A CN201811197515.XA CN201811197515A CN109165639A CN 109165639 A CN109165639 A CN 109165639A CN 201811197515 A CN201811197515 A CN 201811197515A CN 109165639 A CN109165639 A CN 109165639A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- cluster centre
- class
- sift 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种指静脉识别方法,涉及生物特征识别领域,包括:对接收的待匹配图像分块,得到图像块;对若干图像块进行SIFT特征提取,得到各图像块的SIFT特征值;根据各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,聚类中心为图像库中模板图像各类图像块的特征中心;根据距离值筛选出各聚类中心中的候选类;将待匹配图像与候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。该方法可以快速准确地进行指静脉图像的匹配,提高指静脉识别效率。本发明还公开了一种指静脉识别装置及设备,具有上述有益效果。
Description
技术领域
本发明涉及生物特征识别领域,特别涉及一种指静脉识别方法、装置及设备。
背景技术
生物特征识别技术是依据人类自身所固有的生理或行为特征与计算机信息***结合对人体进行身份识别的一种技术,比如掌纹识别、签名识别、指纹识别、指静脉识别、虹膜识别等。由于指静脉具有先天性、不变性以及唯一性,被广泛应用于公共领域认证设备中,比如会员识别一体机,银行ATM机,门禁管理***,PC登录,代替汽车锁,保险箱管理,复印机管理,电子支付等需要进行个人身份识别认证的环节。
指静脉识别前需要用户注册录入指静脉信息并存储,在识别时需要根据当前获取的用户指静脉信息对预先存储的包含大量注册用户的指静脉信息进行匹配和特征比对,生成识别结果。
其中,在N个注册的用户中识别出被测对象的身份进行1:N匹配时,随着N的数量级上升导致识别率下降严重,识别准确度也随之降低;而在将当前信息与数据库中全部模板信息进行1:1逐一循环比对时,N的数量级太大会导致时间消耗较大,即识别速度随之降低。
因此,如何快速准确地进行指静脉图像的匹配,提高指静脉识别效率,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种指静脉识别方法,该方法可以快速准确地进行指静脉图像的匹配,提高指静脉识别效率;本发明的另一目的是提供一种指静脉识别装置及设备。
为解决上述技术问题,本发明提供一种指静脉识别方法,包括:
对接收的待匹配图像分块,得到图像块;
对若干所述图像块进行SIFT特征提取,得到各图像块的SIFT特征值;
根据所述各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,所述聚类中心为所述图像库中模板图像各类图像块的特征中心;
根据所述距离值筛选出各所述聚类中心中的候选类;
将所述待匹配图像与所述候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
优选地,所述将所述待匹配图像与所述候选类中各图像进行逐一特征比对,包括:
统计各所述图像块与各聚类中心的距离值,将统计结果作为所述待匹配图像的特征码;
将所述待匹配图像与所述候选类中各图像进行特征码匹配,将所述特征码匹配的结果作为所述比对结果。
优选地,统计各所述图像块与各聚类中心的距离值,包括:
根据图像分块规则对各所述图像块的特征码进行串联组合。
优选地,所述指静脉识别方法还包括:
对所述待匹配图像的特征码进行特征映射,得到所述待匹配图像的质心;
进一步地,将所述待匹配图像与所述候选类中各图像进行特征码匹配,将所述特征码匹配的结果作为所述比对结果,具体为:将所述待匹配图像与所述候选类中各图像进行质心匹配,将所述质心匹配的结果作为所述比对结果。
优选地,将所述待匹配图像的特征码进行特征映射,包括:
将所述待匹配图像的特征码与投影矩阵相乘,将乘积值作为所述待匹配图像的质心;其中,所述投影矩阵根据训练指静脉图像的特征码通过LDA映射预训练得到。
优选地,所述投影矩阵的训练方法包括:
接收训练指静脉图像;
对所述训练指静脉图像进行图像增强处理,得到增强训练图像;其中,所述图像增强处理包括:图像平移以及图像旋转;
根据所述增强训练图像以及所述训练指静脉图像对所述样本矩阵进行训练修正,得到投影矩阵。
优选地,所述图像库中模板图像的图像块聚类方法包括:
在各所述SIFT特征值中确定初始聚类中心;
计算各所述SIFT特征值与所述初始聚类中心的距离,得到中心距离;
根据所述中心距离在所述SIFT特征值中确定新聚类中心;
判断当前聚类中心的数量是否达到预设类别数;
若达到,根据各所述SIFT特征值与各聚类中心的距离确定各所述SIFT特征值对应的图像块所属类别。
优选地,根据所述中心距离在所述SIFT特征值中确定新聚类中心,包括:
确定所述中心距离中的最大值,并将所述最大值对应的SIFT特征值作为新聚类中心。
本发明公开一种指静脉识别装置,包括:
图像分块单元,用于对接收的待匹配图像分块,得到若干图像块;
SIFT特征提取单元,用于对若干所述图像块进行SIFT特征提取,得到各图像块的SIFT特征值;
类别距离计算单元,用于根据所述各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,所述聚类中心为所述图像库中模板图像各类图像块的特征中心;
候选类筛选单元,用于根据所述距离值筛选出各所述聚类中心中的候选类;
特征比对单元,用于将所述待匹配图像与所述候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
本发明公开一种指静脉识别设备,包括:
存储器,用于存储程序;
处理器,用于执行所述程序时实现所述指静脉识别方法的步骤。
本发明所提供的指静脉识别方法,对接收的待匹配图像分块,得到若干图像块;对若干图像块分别进行SIFT特征提取,得到各图像块的SIFT特征值,SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,可以稳定反映图像的特征,而且SIFT特征独特性强,可以对同一类别的生物信息进行有效的特征区分,有利于生物特征信息的准确比对;根据各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,聚类中心为图像库中模板图像各类图像块的特征中心,各图像块与图像库中各聚类中心的相似程度反映各图像块与哪些聚类中心特征更为相似,根据距离值筛选出各聚类中心中的候选类可以大大减少比对次数,避免了差别很大的特征类中若干模板图像的逐一比对过程,缩短比对时间,对相似程度高的模板图像进行逐一特征比对,通过精细化特征分析比对确定识别结果。应用本发明提供的指静脉识别方法在1:N指静脉特征信息识别中,在用户数量N较大时,能够以较快的速度检索到与目标特征最相似的n个候选目标,后续使用1:1身份验证技术进行精确比对,保证了识别的准确率和速度。
本发明还公开了一种指静脉识别装置及设备,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的指静脉识别方法的流程图;
图2为本发明实施例提供的指静脉处理流程示意图;
图3为本发明实施例提供的图像分块编码示意图;
图4为本发明实施例提供的指静脉识别装置的结构框图;
图5为本发明实施例提供的指静脉识别设备的结构框图;
图6为本发明实施例提供的指静脉识别设备的结构示意图。
具体实施方式
本发明的核心是提供一种指静脉识别方法,该方法可以快速准确地进行指静脉图像的匹配,提高指静脉识别效率;本发明的另一核心是提供一种指静脉识别装置及设备。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一:
本实施例提出了一种指静脉识别方法,请参考图1,图1为本实施例提供的指静脉识别方法的流程图;该方法可以包括:
步骤s110、对接收的待匹配图像分块,得到若干图像块。
对接收的待匹配图像分块,可以进行均匀分块,便于后续特征的提取以及拼接,本实施例以均匀分块为例。
需要说明的是,分块前的待匹配图像为经过预处理的图像,在此对预处理的过程不做限定,可以参照现有预处理过程,比如可以对采集的生物特征图像ROI区域提取、角度校正、灰度调整以及尺寸归一化等。
步骤s120、对若干图像块进行SIFT特征提取,得到各图像块的SIFT特征值。
SIFT(Scale Invariant Feature Transform,尺度不变特征变换)特征对旋转、尺度缩放、亮度变化等保持不变性,是一种非常稳定的局部特征。另外,SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,可以稳定反映图像的特征,增强匹配过程的稳定性。
SIFT特征提取的过程可以参照现有技术,对图像块的SIFT特征提取过程主要通过对特征点周围的像素进行分块,计算块内梯度直方图,生成具有独特性的特征值,这个特征值是该区域图像信息的一种抽象,是具有唯一性的特征信息,可以实现对同一类别的生物信息进行有效的特征区分,不同用户的生物特征图像一般比较相似,比如手指静脉图像中有许多局部静脉模式比较相似且重复出现,通过SIFT特征提取有利于生物特征信息的准确比对。具体过程可以为:将每个图像块分成4*4的cell(图像子块),对每个cell计算像素的梯度幅值和方向,每个cell统计8个梯度方向直方图,每个图像块形成4*4*8=128维SIFT特征值。
步骤s130、根据各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值。聚类中心为图像库中模板图像各类图像块的特征中心。图像库中模板图像为用户注册时录入的图像,本实施例对图像库中模板图像的聚类方法不做限定,可以实现对整体特征的分类即可,可以直接根据计算得到的模板图像的SIFT特征向量进行相似程度的计算,比如可以计算欧几里得距离、哈夫曼距离等;也可以计算各图像特征值后根据特征值大小进行特征聚类,比如通过最远距离聚类法、最短距离聚类法以及直接聚类法等。聚类个数可以根据比对的需要进行设定。
优选地,可以通过K-means算法对模板图像进行聚类,K-means算法通过接收输入的聚类个数K(即将数据分为K类),以及包含n个数据对象的数据库(即待分类数据),输出满足方差最小标准K个聚类,同一聚类中的对象相似度较高,而不同聚类中的对象相似度较小,是解决聚类问题的一种经典算法,相对于其他聚类算法步骤简单,处理大数据集时,由于其通过中心点距离算法进行聚类,速度快,可伸缩性强、效率高。
采用K-means算法进行聚类的大体过程可以参照现有技术。由于SIFT特征向量可以较为精准且差异化地反映图像的特征,应用于指静脉图像识别过程可以根据预先计算得到的SIFT特征向量作为聚类对象进行分析,可以提升聚类的精确度。
具体地,通过K-means算法对模板图像进行SIFT特征聚类的过程具体可以参照以下步骤:
步骤一:在各SIFT特征值中确定初始聚类中心;
步骤二:计算各SIFT特征值与初始聚类中心的距离,得到中心距离;
步骤三:根据中心距离在SIFT特征值中确定新聚类中心;
步骤四:判断当前聚类中心的数量是否达到预设类别数;
步骤五:若达到,根据各SIFT特征值与各聚类中心的距离确定各SIFT特征值对应的图像块所属类别。
其中,根据中心距离在SIFT特征值中确定新聚类中心可以根据一次距离计算确定其他所有聚类中心,比如确定各距离值与距离平均值的差距,确定差距值的四分点分别作为其他四个聚类中心;也可以单次距离计算确定一个聚类中心,每次取其中距离最大值作为聚类中心等。优选地,可以确定中心距离中的最大值,并将最大值对应的SIFT特征值作为新聚类中心。每次确定差异最大值作为新聚类中心,可以使聚类中心特征差异最大化,有利于不同类别的区分与识别。
例如,10个数据需要聚成两类,10个数据分别为:1,2,3,1.2,1.1,5,4,6,7,6.5。随机确定一个数据作为初始聚类中心,初始聚类中心为1,计算其他9个数据与1的距离,在此需要说明的是,可以通过计算方差、标准差、差值、欧几里得等各种体现数据差异的方式进行距离的计算,在此不做限定,在此以计算差值为例。则其他数据与初始聚类中心的距离D分别为:1,2,0.2,0.1,4,3,5,6,5.5。选出D中距离最大的原始数据7。将7作为第二聚类中心,计算除初始聚类中心与第二聚类中心外的其它数据与第二聚类中心的距离D,分别为:5,4,5.8,5.9,2,3,1,0.5。对除聚类中心外的数据与两聚类中心的距离进行分析,选取距离较小的聚类中心进行聚类。比如数据2与初始聚类中心的距离为1,与第二聚类中心的距离为5,则将数据2划分为第一类,以此类推。
步骤s140、根据距离值筛选出各聚类中心中的候选类。
由于待匹配图像各图像块均有相应的匹配类别,候选类指匹配程度较高的图像块类别,不同类别对应的特征不同,首先计算各图像块与各聚类中心的相似程度,判断各图像块所属类别,选取其中特征相似程度较高的候选类,将图像库中相似程度较低的非候选类排除,节省了非候选类逐一特征精细化特征比对带来的识别过程的时间以及资源占用。
进行候选类筛选的过程可以直接根据各图像块与聚类中心的距离值进行筛选得到,可以根据计算得到的距离值进行整体图像特征编码,进行整体特征分析,也可以进一步对整体图像进行特征精简映射后进行整体特征分析等,本实施例对候选类的筛选规则不做限定。
其中,候选类的数量不做限定,可以为一个、两个或者五个,可以根据待匹配图像的SIFT特征向量与图像库中模板图像的若干特征类进行匹配比对的结果来确定,若待匹配图像与某个特征类的相似程度远远高于其它特征类,可以只将其作为匹配特征类,若其中两个特征类相比其他特征类的相似程度较高,且两特征类的相似程度差距较小时,可以通过选择上述两个特征类作为匹配特征类。在此仅以上述情况为例进行介绍,当然,也可以设定固定的候选类个数(比如为五个)等,其它情况均可参照上述介绍。
图像库中模板图像的SIFT特征向量的提取方法与上述待匹配图像SIFT特征向量的提取方法相同,将图像库中每张模板图像进行分块后对每个图像块进行SIFT特征提取,具体可参照上述步骤110至120以及相关的介绍。
由于模板图像的数量一般很大,对图像库中所有模板图像进行SIFT特征提取的过程可能会耗费一定的时间,可以预先对模板图像进行SIFT特征提取,在计算得到所有模板图像的SIFT特征向量后进行存储,以便于在模板匹配过程中无需占用大量计算资源以及时间,可以直接对图像模板的SIFT特征进行调用。
步骤s150、将待匹配图像与候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
候选类中各图像均为与待匹配图像特征相似程度较高的图像,为便于精准分析,将待匹配图像与候选类中各图像进行逐一特征比对,可以对图像进行各种类型的特征比对,比如进行ORB特征比对等。
由于各聚类中心表示不同的图像块类型,各图像块与各聚类中心的距离表示待匹配图像中各图像块与各类型的相似度,距离最小说明该图像块与该类别相似程度最高,为简化比对过程的资源占用,优选地,可以统计各图像块与各聚类中心的距离值,将统计结果作为待匹配图像的特征码;将待匹配图像与候选类中各图像进行特征码匹配,将特征码匹配的结果作为比对结果。利用以上步骤中计算得到的距离值进行逐一特征比对,既保证特征的精确度与还原度,又可以简化计算过程。
本实施例所提供的指静脉识别方法,对接收的待匹配图像分块,得到若干图像块;对若干图像块分别进行SIFT特征提取,得到各图像块的SIFT特征值,SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,可以稳定反映图像的特征,而且SIFT特征独特性强,可以对同一类别的生物信息进行有效的特征区分,有利于生物特征信息的准确比对;根据各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,聚类中心为图像库中模板图像各类图像块的特征中心,各图像块与图像库中各聚类中心的相似程度反映各图像块与哪些聚类中心特征更为相似,根据距离值筛选出各聚类中心中的候选类可以大大减少比对次数,避免了差别很大的特征类中若干模板图像的逐一比对过程,缩短比对时间,对相似程度高的模板图像进行逐一特征比对,通过精细化特征分析比对确定识别结果。因此,在1:N指静脉特征信息识别中,在用户数量N较大时,能够以较快的速度检索到与目标特征最相似的n个候选目标,后续使用1:1身份验证技术进行精确比对,保证了指静脉识别的准确率和速度。
实施例二:
上述实施例中对候选类的筛选规则不做限定,本实施例以根据待匹配图像与各聚类中心的距离作为候选类筛选条件为例,对整体识别过程进行介绍,主要包括以下步骤:
将待匹配图像平均分成4块,每个图像块提取SIFT特征,得到4个图像块的SIFT特征值。
计算4个SIFT特征值特征到图像库中10个类中心的距离。
各图像块与10个类中心中距离最小的类分别为:图像块1距离最小的类为第一类,图像块2距离最小的类为第二类,图像块3距离最小的类为第一类,图像块4距离最小的类为第五类,将各图像块距离最小的类作为候选类,得到3个候选类:第一类、第二类、第五类。
将待匹配图像与3个候选类中的各图像进行逐一特征比对,若在比对过程中有一次比对通过,则识别通过,否则识别失败。
实施例三:
基于上述实施例,由于计算各图像块与聚类中心的相似程度可能会出现各图像块可能匹配类差距较大的情况,简单地进行各图像块距离的分析筛选得到的候选类可能会较多,误差较大,为提高精准度,优选地,候选类的筛选具体可以包括以下步骤:
步骤一:统计各图像块与各聚类中心的距离值,确定各图像块类别;
步骤二:根据所属类别的类别标签对各图像块进行编码;
步骤三:根据图像块拆分规则统计待匹配图像中各图像块编码,将统计结果作为待匹配图像的特征码;
步骤四:将待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类。
通过图像块编码实现各图像块特征的简化分析,将待匹配图像进行整体编码分析可以尽量弱化分布差异性,减少分析误差。
本实施例以对待匹配图像与各聚类中心进行特征码比对进行候选类的筛选为例,对整体识别过程进行介绍,主要包括以下步骤:
将待匹配图像平均分成4块,每个图像块提取SIFT特征,得到4个图像块的SIFT特征值。
计算4个SIFT特征值特征到图像库中10个类中心的距离。
根据计算得到的与各聚类中心的距离值将4个图像块分到距离最小的类上:图像块1属于第一类,图像块2属于第二类,图像块3属于第一类,图像块4属于第五类,将待匹配图像中各图像块所属类别作为各图像块的类别标签,对图像进行编码,得到该待匹配图像特征码为1215。计算待匹配图像的特征码到10个聚类中心的特征码间的距离,选择距离最小的5个类别作为候选类:第一类、第二类、第四类、第五类、第六类。
将待匹配图像与5个候选类中的各图像进行逐一特征比对,若在比对过程中有一次比对通过,则识别通过,否则识别失败。
实施例四:
基于上述实施例,由于特征码本身可能较长,匹配过程可能较为复杂,为进一步简化进行特征类匹配的计算过程,优选地,将待匹配图像与各聚类中心进行特征码匹配前,可以对待匹配图像的特征码进行特征映射,得到待匹配图像的质心;则,将待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类,具体可以为:将待匹配图像与候选类中各图像进行质心匹配,根据质心匹配结果筛选出匹配程度高的候选类。
特征映射可以将高维的模式样本投影到最佳鉴别矢量空间,可以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,计算过程较为精简,且不同特征差异化明显,有利于特征的区分,具体特征映射的手段可以自行确定,比如可以选用LDA以及PCA等,优选地,本实施例中选用LDA进行特征映射,LDA线性判别式分析(Linear Discriminant Analysis)模式在该空间中有最佳的可分离性,投影后不同类别之间数据点的距离更大,同一类别的数据点更紧凑。其它特征映射方法均可参照本实施例的介绍。
选用LDA进行特征映射的过程具体可以为:将待匹配图像的特征码与投影矩阵相乘,将乘积值作为待匹配图像的质心;其中,投影矩阵根据训练指静脉图像的特征码通过LDA映射预训练得到。
本实施例以对待匹配图像与各聚类中心进行LDA映射后质心比对进行候选类的筛选为例,对整体识别过程进行介绍,LDA可以使同类的数据尽可能接近,不同类的数据尽可能分开,主要包括以下步骤:
将待匹配图像平均分成4块,每个图像块提取SIFT特征,得到4个图像块的SIFT特征值。
计算4个SIFT特征值特征到图像库中10个类中心的距离。
根据计算得到的与各聚类中心的距离值将4个图像块分到距离最小的类上:图像块1属于第一类,图像块2属于第二类,图像块3属于第一类,图像块4属于第五类,将待匹配图像中各图像块所属类别作为各图像块的类别标签,对图像进行编码,得到该待匹配图像特征码为1215,编码长度为分块个数,编码每一位代表了一个图像块所属的10类中的某一类,计算该图像特征码与预先训练的LDA映射矩阵W相乘得到图像匹配特征(质心)。计算待匹配图像的质心到10个聚类中心的质心的距离,选择距离最小的5个类别作为候选类:第一类、第二类、第四类、第五类、第六类。
将待匹配图像与5个候选类中的各图像进行逐一特征比对,若在比对过程中有一次比对通过,则识别通过,否则识别失败。
本实施例对投影矩阵的训练过程不做限定,可以参照现有的训练方法。数据增强对识别性能和泛化能力有着非常重要的作用。考虑到生物特征信息中平移、旋转、缺失对识别准确度的影响,为提高对上述情况的识别能力,提高泛化能力,优选地,可以通过图像增强获取多样化输入图像,比如水平和垂直平移、和小角度旋转的图像增强方法,通过多样化样本进行训练。
具体地,训练过程可以为:接收训练指静脉图像;对训练指静脉图像进行图像增强处理,得到增强训练图像;其中,图像增强处理包括:图像平移以及图像旋转;根据增强训练图像以及训练指静脉图像对样本矩阵进行训练修正,得到投影矩阵。
实施例五:
上述实施例中,在对待匹配图像与候选类进行逐一特征比对过程中比对的特征类型不做限定,可以对候选类筛选中计算得到的图像特征进行比对,比如距离值、特征码、质心等,也可以对图像进行静脉纹路特征的比对,优选地,将待匹配图像与候选类中各图像进行逐一特征比对的过程也可以进行质心的比对,计算过程简单且准确率高,具体包括:获取候选类中各图像的质心;将待匹配图像与候选类中各图像逐一进行质心匹配比对,根据比对结果得到识别结果。
本实施例以进行对进行逐一图像比对过程为例,对整体识别过程进行介绍,主要包括以下步骤:
将待匹配图像平均分成4块,每个图像块提取SIFT特征,得到4各图像块的SIFT特征值。
计算4个SIFT特征值特征到图像库中10个类中心的距离。
根据计算得到的与各聚类中心的距离值将4个图像块分到距离最小的类上:图像块1属于第一类,图像块2属于第二类,图像块3属于第一类,图像块4属于第五类,将待匹配图像中各图像块所属类别作为各图像块的类别标签,对图像进行编码,得到该待匹配图像特征码为1215,编码长度为分块个数,编码每一位代表了一个图像块所属的10类中的某一类,计算该图像特征码与预先训练的投影矩阵W相乘得到图像匹配特征(质心)。计算待匹配图像的质心到10个聚类中心的质心的距离,选择距离最小的5个类别作为候选类:第一类、第二类、第四类、第五类、第六类。
获取图像库中预先计算得到的上述候选类中各图像的质心,计算待匹配图像的质心与候选类中各图像质心的距离,判断是否存在距离小于距离阈值的图像存在,如果存在,则识别成功,将该距离小于距离阈值的图像作为匹配图像;若遍历候选类中所有图像均不存在,则识别失败。
实施例六:
为加深对本发明提供的指静脉识别方法的理解,本实施例从注册、训练以及识别过程入手,对整体指静脉图像处理过程进行介绍,图2所示为本实施例提供的指静脉处理流程示意图。
其中,注册过程具体为:
1、采集注册用户的指静脉图像。
2、对注册指静脉图像进行预处理,包括获取ROI区域、对ROI区域图像进行归一化以及图像增强等。
3、对预处理后的图像分块,对图像块提取SIFT特征,得到图像SIFT特征向量。
4、对图像块特征编码,得到图像特征码。
5、对图像特征码进行线性判别分析,保存LDA权重矩阵以及生成的特征类的信息至数据库。
训练过程为对图像进行聚类的过程。
获取训练指静脉图像,训练指静脉图像可以为用户注册阶段生成的指静脉图像库。
对训练指静脉图像进行SIFT特征提取,主要包括对训练指静脉图像的分块后对图像块进行SIFT特征的提取,得到各训练指静脉图像的训练SIFT特征向量库。
将训练SIFT特征向量库输入至预先搭建的聚类模型中,其中,聚类模型为根据K-means聚类算法生成的聚类模型。模型的结构以及训练过程不做限定,可以实现K-means聚类即可,可以根据数据精度处理的需要进行配置。训练后即可得到K类特征块的类中心。
特征分类可以与用户注册过程交错进行,不断根据用户新输入的指静脉图像生成新的聚类中心,在注册用户增加时可以提高聚类的准确度。将不断优化的聚类结果(包括特征类中心)发送至用户注册阶段中对图像块特征编码,得到图像特征码的过程,可以不断提高特征码的准确度,另外,在用户验证过程中也需要对用户输入的待识别指静脉图像进行特征编码,利用具有良好中心特征的K类聚类中心进行待识别指静脉图像块的编码,从而尽量保证同一用户的指静脉图像的特征码较为接近,提高验证识别过程的准确性。
用户的验证过程可以参照用户的注册过程,主要包括采集待识别用户的指静脉图像,对其进行图像预处理,将预处理后的归一化图像分块进行SIFT特征的提取,并利用训练过程生成的聚类中心信息获取特征类标签,根据类别标签进行编码,并根据LDA对特征码降维。根据用户注册阶段存储的各类别图像的LDA权重矩阵以及聚类中心进行匹配特征类计算,选取图像库中相似度较高的若干类别图像,并对匹配类图像进行1:1的逐一特征比对。
具体地,在用户注册阶段、训练过程以及验证过程中对指静脉图像进行图像预处理、指静脉特征分类以及生成指静脉图像特征码的过程可参照下述步骤一至步骤三。注册阶段以及验证过程中进行LDA特征降维的过程可参照下述步骤四线性判别分析的过程。验证过程中进行特征类的匹配以及逐一比对过程可以参照下述步骤五测试图像匹配的过程。
步骤一:图像预处理。
利用指静脉采集设备采集指静脉图像,得到带匹配的指静脉图像。
从指静脉图像定位手指矩形区域ROI,校正因为手指平面旋转产生的倾斜、对ROI进行灰度和尺寸归一化处理,并进行对比度调整,使得静脉纹路更清晰,得到归一化图像。
步骤二:指静脉特征分类。
将图像库中SAMPLE_NUM个归一化的指静脉图像平均分块,每张图像分为BLOCK_NUM个图像块,再将每个图像块分成4*4的图像子块。
计算每个图像子块中像素的梯度幅值和方向,每个图像子块统计8个梯度方向直方图,每个归一化图像形成4*4*8=128维SIFT特征向量。对图像库中SAMPLE_NUM个归一化的指静脉图像逐个进行上述特征提取,即可得到SAMPLE_NUM*BLOCK_NUM的SIFT特征库。
在SIFT特征库中随机确定一个SIFT特征向量作为初始聚类中心。
计算每个特征向量与当前已有聚类中心之间的距离D,
选择一个新的特征向量作为新的聚类中心。其中,D(x)较大的点,被选作聚类中心的概率较大。
重复上述步骤,直到K个聚类中心被选出来。
根据计算得到的各特征与各聚类中心的距离D,将对应的各图像块分到距离最小的聚类中心所在类上,聚成K类。
步骤三:生成指静脉图像特征码。
根据一幅图像的BLOCK_NUM个图像块的类别标签,对图像分块进行编码,如图3所示为图像分块编码示意图,其中不规则曲线表示原始静脉纹路,图像中底部各数据为对原始静脉问题进行图像块分割后各图像块的类别标签,无纹路部分一般聚类为同一类,类别标签为0,存在交叉纹路一般聚类为第四类等,可见不同类别纹路特征对应不同标签,进行图像分块编码后即可得到该图像的分块编码结果(00021112……),该编码即为图像块特征码L。
对图像库中的用户注册指静脉图像进行图像增强,因为平移和旋转产生的边缘使用近邻插值的方法填充,对注册的一幅图像经过增强产生AUG_NUM张图像,每张增强图像均按照上述方法编码。
步骤四:线性判别分析。
将注册图像和增强图像的分类特征码作为粗分类特征码,组成特征集合,使用线性判别分析LDA的方法进行特征映射。
计算LDA映射后每类手指的质心Center(i)。保存LDA映射矩阵W和各类质心Center(i)(i=1,2,…,C),C是手指类别数。
步骤五:测试图像匹配。
对待识别的指静脉图像做同样预处理和分块、编码,得到粗分类特征码L。特征L经过LDA映射得到Center(j)。计算Center(j)到各类质心Center(i)(i=1,2,…,C)的距离,选择距离最小的N个类别作为候选类。其中,N根据注册手指的类别数CLASS_NUM和识别时间决定,一般经验选择N=5或者N=10。
将测试图像和候选的N类注册图像逐一进行1:1比对。若有一次1:1比对通过,则匹配证成功,否则匹配失败。
本实施例提供的指静脉图像匹配方法可以以较快的速度检索到与目标特征最相似的候选目标,后续使用1:1身份验证技术进行精确比对,保证了识别的准确率和速度。
实施例七:
请参考图4,图4为本实施例提供的指静脉识别装置的结构框图;该装置可以包括:图像分块单元410,SIFT特征提取单元420、类别距离计算单元430、候选类筛选单元440以及特征比对单元450。本实施例提供的指静脉识别装置可与上述指静脉识别方法相互对照。
其中,图像分块单元410主要用于对接收的待匹配图像分块,得到若干图像块;
SIFT特征提取单元420主要用于对若干图像块进行SIFT特征提取,得到各图像块的SIFT特征值;
类别距离计算单元430主要用于根据各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,聚类中心为图像库中模板图像各类图像块的特征中心,由图像块聚类单元输出得到聚类中心;
候选类筛选单元440主要用于根据距离值筛选出各聚类中心中的候选类;
特征比对单元450主要用于将待匹配图像与候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
本实施例提供的指静脉识别装置可以快速准确地进行指静脉图像的匹配,提高指静脉识别效率。
其中,优选地,候选类筛选单元具体包括:
类别确定子单元,用于统计各图像块与各聚类中心的距离值,确定各图像块类别;
图块编码子单元,用于根据所属类别的类别标签对各图像块进行编码;
特征码确定子单元,用于根据图像块拆分规则统计待匹配图像中各图像块编码,将统计结果作为待匹配图像的特征码;
候选类确定子单元,用于将待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类。
优选地,指静脉识别装置可以进一步包括:质心计算单元,主要用于对待匹配图像的特征码进行特征映射,得到待匹配图像的质心。
进一步地,与质心计算单元连接的候选类筛选单元主要用于将待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类,具体为:将待匹配图像与候选类中各图像进行质心匹配,根据质心匹配结果筛选出匹配程度高的候选类。
优选地,特征比对单元具体可以用于:获取候选类中各图像的质心;将待匹配图像与候选类中各图像逐一进行质心匹配比对,根据比对结果得到识别结果。
优选地,质心计算单元具体可以用于:
将待匹配图像的特征码与投影矩阵相乘,将乘积值作为待匹配图像的质心;其中,投影矩阵训练单元根据训练指静脉图像的特征码通过LDA映射预训练得到。其中,优选地,投影矩阵训练单元具体可以包括:
图像接收子单元,用于接收训练指静脉图像;
图像增强子单元,用于对训练指静脉图像进行图像增强处理,得到增强训练图像;其中,图像增强处理包括:图像平移以及图像旋转;
训练修正子单元,用于根据增强训练图像以及训练指静脉图像对样本矩阵进行训练修正,得到投影矩阵。
优选地,图像块聚类单元具体包括:
初始中心确定单元,用于在各SIFT特征值中确定初始聚类中心;
中心距离计算子单元,用于计算各SIFT特征值与初始聚类中心的距离,得到中心距离;
新中心确定子单元,用于根据中心距离在SIFT特征值中确定新聚类中心;
判断子单元,用于判断当前聚类中心的数量是否达到预设类别数;
类别确定子单元,用于若达到,根据各SIFT特征值与各聚类中心的距离确定各SIFT特征值对应的图像块所属类别。
优选地,新中心确定子单元具体可以用于:确定中心距离中的最大值,并将最大值对应的SIFT特征值作为新聚类中心。
实施例八:
请参考图5,5为本实施例提供的指静脉识别设备的结构框图;该设备可以包括:存储器300以及处理器310。指静脉识别设备可参照上述指静脉识别方法的介绍。
其中,存储器510主要用于存储程序;
处理器520主要用于执行程序时实现上述指静脉识别方法的步骤。
实施例九:
请参考图6,为本实施例提供的指静脉识别设备的结构示意图,该指静脉识别备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在指静脉识别设备301上执行存储介质330中的一系列指令操作。
指静脉识别设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作***341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上面图1所描述的指静脉识别方法中的步骤可以由指静脉识别设备的结构实现。
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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的指静脉识别方法、装置及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种指静脉识别方法,其特征在于,包括:
对接收的待匹配图像分块,得到图像块;
对若干所述图像块进行SIFT特征提取,得到各图像块的SIFT特征值;
根据所述各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,所述聚类中心为所述图像库中模板图像各类图像块的特征中心;
根据所述距离值筛选出各所述聚类中心中的候选类;
将所述待匹配图像与所述候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
2.如权利要求1所述的指静脉识别方法,其特征在于,所述根据所述距离值筛选出各所述聚类中心中的候选类,包括:
统计各所述图像块与各聚类中心的距离值,确定各图像块所述类别;
根据所属类别的类别标签对各图像块进行编码;
根据图像块拆分规则统计所述待匹配图像中各图像块编码,将统计结果作为所述待匹配图像的特征码;
将所述待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类。
3.如权利要求2所述的指静脉识别方法,其特征在于,将所述待匹配图像与各聚类中心进行特征码匹配前,还包括:
对所述待匹配图像的特征码进行特征映射,得到所述待匹配图像的质心;
进一步地,将所述待匹配图像与各聚类中心进行特征码匹配,根据特征码匹配结果筛选出匹配程度高的候选类,具体为:将所述待匹配图像与所述候选类中各图像进行质心匹配,根据质心匹配结果筛选出匹配程度高的候选类。
4.如权利要求3所述的指静脉识别方法,其特征在于,将所述待匹配图像与所述候选类中各图像进行逐一特征比对,包括:
获取所述候选类中各图像的质心;
将所述待匹配图像与所述候选类中各图像逐一进行质心匹配比对,根据比对结果得到识别结果。
5.如权利要求3所述的指静脉识别方法,其特征在于,对所述待匹配图像的特征码进行特征映射,包括:
将所述待匹配图像的特征码与投影矩阵相乘,将乘积值作为所述待匹配图像的质心;其中,所述投影矩阵根据训练指静脉图像的特征码通过LDA映射预训练得到。
6.如权利要求5所述的指静脉识别方法,其特征在于,所述投影矩阵的训练方法包括:
接收训练指静脉图像;
对所述训练指静脉图像进行图像增强处理,得到增强训练图像;其中,所述图像增强处理包括:图像平移以及图像旋转;
根据所述增强训练图像以及所述训练指静脉图像对所述样本矩阵进行训练修正,得到投影矩阵。
7.如权利要求1至6任一项所述的指静脉识别方法,其特征在于,所述图像库中模板图像的图像块聚类方法包括:
在各所述SIFT特征值中确定初始聚类中心;
计算各所述SIFT特征值与所述初始聚类中心的距离,得到中心距离;
根据所述中心距离在所述SIFT特征值中确定新聚类中心;
判断当前聚类中心的数量是否达到预设类别数;
若达到,根据各所述SIFT特征值与各聚类中心的距离确定各所述SIFT特征值对应的图像块所属类别。
8.如权利要求7所述的指静脉识别方法,其特征在于,根据所述中心距离在所述SIFT特征值中确定新聚类中心,包括:
确定所述中心距离中的最大值,并将所述最大值对应的SIFT特征值作为新聚类中心。
9.一种指静脉识别装置,其特征在于,包括:
图像分块单元,用于对接收的待匹配图像分块,得到若干图像块;
SIFT特征提取单元,用于对若干所述图像块进行SIFT特征提取,得到各图像块的SIFT特征值;
类别距离计算单元,用于根据所述各图像块SIFT特征值计算各图像块与图像库中各聚类中心的相似程度,得到各聚类中心对应的距离值;其中,所述聚类中心为所述图像库中模板图像各类图像块的特征中心;
候选类筛选单元,用于根据所述距离值筛选出各所述聚类中心中的候选类;
特征比对单元,用于将所述待匹配图像与所述候选类中各图像进行逐一特征比对,根据比对结果得到识别结果。
10.一种指静脉识别设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述程序时实现如权利要求1至8任一项所述指静脉识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197515.XA CN109165639B (zh) | 2018-10-15 | 2018-10-15 | 一种指静脉识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197515.XA CN109165639B (zh) | 2018-10-15 | 2018-10-15 | 一种指静脉识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165639A true CN109165639A (zh) | 2019-01-08 |
CN109165639B CN109165639B (zh) | 2021-12-10 |
Family
ID=64878036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197515.XA Active CN109165639B (zh) | 2018-10-15 | 2018-10-15 | 一种指静脉识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165639B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871849A (zh) * | 2019-01-11 | 2019-06-11 | 西安艾润物联网技术服务有限责任公司 | 一种车辆识别的方法及*** |
CN111723229A (zh) * | 2020-06-24 | 2020-09-29 | 重庆紫光华山智安科技有限公司 | 数据比对方法、装置、计算机可读存储介质和电子设备 |
CN112200156A (zh) * | 2020-11-30 | 2021-01-08 | 四川圣点世纪科技有限公司 | 基于聚类辅助的静脉识别模型训练方法及装置 |
CN113239993A (zh) * | 2021-04-29 | 2021-08-10 | 中国人民解放军海军军医大学第三附属医院 | 一种病理图像的分类方法、病理图像的分类***、终端及计算机可读存储介质 |
CN113362543A (zh) * | 2021-05-21 | 2021-09-07 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113590609A (zh) * | 2021-06-22 | 2021-11-02 | 北京旷视科技有限公司 | 数据分库方法及装置、存储介质及电子设备 |
CN114443876A (zh) * | 2022-01-14 | 2022-05-06 | 广州市玄武无线科技股份有限公司 | 一种快销行业中商品指纹快速匹配方法及*** |
CN118097724A (zh) * | 2024-04-23 | 2024-05-28 | 江西百胜智能科技股份有限公司 | 基于掌静脉的身份识别方法、装置、可读存储介质及设备 |
CN118116036A (zh) * | 2024-01-25 | 2024-05-31 | 重庆工商大学 | 基于深度强化学习的手指静脉图像特征提取和编码方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101976461A (zh) * | 2010-10-25 | 2011-02-16 | 北京理工大学 | 一种新的户外增强现实无标跟踪注册算法 |
CN101996198A (zh) * | 2009-08-31 | 2011-03-30 | ***通信集团公司 | 聚类实现方法及*** |
CN102129451A (zh) * | 2011-02-17 | 2011-07-20 | 上海交通大学 | 图像检索***中数据聚类方法 |
CN102542058A (zh) * | 2011-12-29 | 2012-07-04 | 天津大学 | 一种融合全局与局部视觉特征的层次化地标识别方法 |
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 |
US20150286703A1 (en) * | 2014-04-08 | 2015-10-08 | International Business Machines Corporation | Adaptive variable selection for data clustering |
CN107729863A (zh) * | 2017-10-30 | 2018-02-23 | 成都折衍科技有限公司 | 人体指静脉识别方法 |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
-
2018
- 2018-10-15 CN CN201811197515.XA patent/CN109165639B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996198A (zh) * | 2009-08-31 | 2011-03-30 | ***通信集团公司 | 聚类实现方法及*** |
CN101840511A (zh) * | 2010-06-04 | 2010-09-22 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN101976461A (zh) * | 2010-10-25 | 2011-02-16 | 北京理工大学 | 一种新的户外增强现实无标跟踪注册算法 |
CN102129451A (zh) * | 2011-02-17 | 2011-07-20 | 上海交通大学 | 图像检索***中数据聚类方法 |
CN102542058A (zh) * | 2011-12-29 | 2012-07-04 | 天津大学 | 一种融合全局与局部视觉特征的层次化地标识别方法 |
CN102622587A (zh) * | 2012-03-08 | 2012-08-01 | 哈尔滨工程大学 | 基于多尺度二阶微分结构模型及改进分水岭算法的手背静脉识别方法 |
US20150286703A1 (en) * | 2014-04-08 | 2015-10-08 | International Business Machines Corporation | Adaptive variable selection for data clustering |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN107729863A (zh) * | 2017-10-30 | 2018-02-23 | 成都折衍科技有限公司 | 人体指静脉识别方法 |
Non-Patent Citations (4)
Title |
---|
TEE CONNIE 等: "Palmprint Recognition with PCA and ICA", 《IMAGE AND VISION COMPUTING》 * |
孙伟 等: "基于改进K-Means的静脉特征学习与识别", 《控制工程》 * |
杨文文 等: "基于分块LBP和分块PCA的指静脉识别方法", 《电子测量与仪器学报》 * |
杨雨薇 等: "一种改进的SIFT图像检测与特征匹配算法", 《云南大学学报(自然科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871849A (zh) * | 2019-01-11 | 2019-06-11 | 西安艾润物联网技术服务有限责任公司 | 一种车辆识别的方法及*** |
CN111723229A (zh) * | 2020-06-24 | 2020-09-29 | 重庆紫光华山智安科技有限公司 | 数据比对方法、装置、计算机可读存储介质和电子设备 |
CN112200156A (zh) * | 2020-11-30 | 2021-01-08 | 四川圣点世纪科技有限公司 | 基于聚类辅助的静脉识别模型训练方法及装置 |
CN112200156B (zh) * | 2020-11-30 | 2021-04-30 | 四川圣点世纪科技有限公司 | 基于聚类辅助的静脉识别模型训练方法及装置 |
CN113239993A (zh) * | 2021-04-29 | 2021-08-10 | 中国人民解放军海军军医大学第三附属医院 | 一种病理图像的分类方法、病理图像的分类***、终端及计算机可读存储介质 |
CN113239993B (zh) * | 2021-04-29 | 2022-12-16 | 中国人民解放军海军军医大学第三附属医院 | 一种病理图像的分类***、终端及计算机可读存储介质 |
CN113362543A (zh) * | 2021-05-21 | 2021-09-07 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113362543B (zh) * | 2021-05-21 | 2023-10-31 | 北京百度网讯科技有限公司 | 结算方法、装置、电子设备以及存储介质 |
CN113590609A (zh) * | 2021-06-22 | 2021-11-02 | 北京旷视科技有限公司 | 数据分库方法及装置、存储介质及电子设备 |
CN114443876A (zh) * | 2022-01-14 | 2022-05-06 | 广州市玄武无线科技股份有限公司 | 一种快销行业中商品指纹快速匹配方法及*** |
CN118116036A (zh) * | 2024-01-25 | 2024-05-31 | 重庆工商大学 | 基于深度强化学习的手指静脉图像特征提取和编码方法 |
CN118097724A (zh) * | 2024-04-23 | 2024-05-28 | 江西百胜智能科技股份有限公司 | 基于掌静脉的身份识别方法、装置、可读存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109165639B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165639A (zh) | 一种指静脉识别方法、装置及设备 | |
CN109583332B (zh) | 人脸识别方法、人脸识别***、介质及电子设备 | |
CN111143842B (zh) | 一种恶意代码检测方法及*** | |
EP1388804A2 (en) | Method and system for face detection using pattern classifier | |
CN114930352A (zh) | 训练图像分类模型的方法 | |
US8995729B2 (en) | Accelerated comparison using scores from coarse and fine matching processes | |
CN109977980A (zh) | 一种验证码识别方法及装置 | |
CN110134803A (zh) | 基于哈希学习的图像数据快速检索方法 | |
CN111553127A (zh) | 一种多标记的文本类数据特征选择方法及装置 | |
Liu et al. | Finger vein recognition with superpixel-based features | |
CN110287813A (zh) | 身份识别方法及*** | |
CN110688888B (zh) | 一种基于深度学习的行人属性识别方法和*** | |
CN109934255A (zh) | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 | |
US20180247105A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN110348516A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111738341A (zh) | 一种分布式大规模人脸聚类方法及装置 | |
CN111178254A (zh) | 一种签名识别方法及设备 | |
CN116663536B (zh) | 一种临床诊断标准词的匹配方法及装置 | |
Yap et al. | Neural information processing | |
CN116204647A (zh) | 一种目标比对学习模型的建立、文本聚类方法及装置 | |
Zhou et al. | Visual saliency via embedding hierarchical knowledge in a deep neural network | |
Das et al. | Deep representation learning characterized by inter-class separation for image clustering | |
CN108388913A (zh) | 一种基于约束投影的多决策树***欺诈检测方法及*** | |
Liang et al. | Offline writer identification using convolutional neural network and vlad descriptors |
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 |