CN109284744A - 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 - Google Patents
一种从眼部灰度图像似然图对虹膜图像编码检索的方法 Download PDFInfo
- Publication number
- CN109284744A CN109284744A CN201811306066.8A CN201811306066A CN109284744A CN 109284744 A CN109284744 A CN 109284744A CN 201811306066 A CN201811306066 A CN 201811306066A CN 109284744 A CN109284744 A CN 109284744A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- likelihood
- value
- iris
- 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.)
- Pending
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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种从眼部灰度图像似然图对虹膜图像编码检索的方法,首先将图像进行缩放用于生成似然图,利用似然图生成四个不同的局部特征,即均值、标准差、偏度和水平边缘,对于缩小图RD中的每个像素,这些特征都是从以该像素为中心的邻域中导出的,在一个大小为7像素的局部矩形窗口上计算均值、标准差和偏度,并充当旋转不变稀疏边缘滤波器;此外,这些滤波器还可以作为旋转不变稀疏边缘滤波器,对睫毛部分覆盖的边缘也作出处理反馈;在似然图的基础上归一化虹膜图像计算三个特征向量,最后通过特征向量对纹理特征进行编码检索。本发明中图像缩小似然图可以在保证特征不会丢失的情况下,减小图像的计算工作量,有效的提高了虹膜的检索速度。
Description
技术领域
本发明涉及一种虹膜图像编码检索的方法,特别是涉及一种从眼部灰度图像似然图对虹膜图像编码检索的方法。
背景技术
近年来,大量的的虹膜提取算法被提出。目前最前沿的是由Daugman研究并发展。这使用一种复杂的2D Gabor滤波器来提取虹膜实现向量积。现在,这种方法已经成为许多商业***的基本方法。
然而,大多数的方法都需要复杂的数学计算,并可能会需要长时间来等待计算结果。为了加快识别速度和保持较高的识别率,我们提出一种基于从眼部灰度图像的缩小似然图计算出的三个特征量来对虹膜图像特征的编码和检索的新方法,图像的缩小似然图可以在保证特征的不会丢失的情况下,减小图像的计算工作量,通过平均LPB,平均灰度值和图像的熵三个特征量能够更快的提取图像特征,并且维度空间更少,这样有效的提高了虹膜的检索速度。
发明内容
为了克服现有技术的不足,本发明提供一种从眼部灰度图像似然图对虹膜图像编码检索的方法,能解决目前在虹膜识别效率普遍不高的问题。
为解决上述技术问题,本发明提供如下技术方案:
一种从眼部灰度图像似然图对虹膜图像编码检索的方法,具体步骤为:
步骤一:首先将图进行缩放用于生成似然图:
让RF成为一个降尺度因子,该缩小的图像的值RD从像素Pix-i∈Img(Pix-I=Pi),基于方形滑动窗口Width(W)与L=2*RF+1像素和像素计算步幅RF两侧,对于Width的每个位置,窗口中的平均强度u被计算为
计算窗口强度直方图Hist,并且图像中的相对应像素值d计算公式为
步骤二:生成似然图:
利用似然图生成四个不同的局部特征,即均值、标准差、偏度和水平边缘,对于缩小图RD中的每个像素,这些特征都是从以该像素为中心的邻域中导出的,在一个大小为7像素的局部矩形窗口上计算均值、标准差和偏度,并充当旋转不变稀疏边缘滤波器;此外,这些滤波器还可以作为旋转不变稀疏边缘滤波器,对睫毛部分覆盖的边缘也作出处理反馈;计算平均值为第一阶矩(M1),并以缩小图像的补码作为输入(加权靠近眼皮较高的小阴影);计算平均标准偏差为第二阶矩(M2);计算平均偏度为第三阶矩(M3);使用Prwitt算子检测水平边缘,去掉部分伪边缘,对噪声进行平滑处理,并作为似然图中水平边缘的强化;值得注意的是,即使眼睛与摄像机水平不对齐,眼皮的某些部分也会由于眼皮的弧形性质而引起生物反应,每个特征都产生一个相关的图:均值(M1)、标准差(M2)、倾斜度(M3)和水平边缘(E)图,这些逐点进行乘除地组合起来生成似然图L为
有效地实现了E、M1和M2的高通滤波器和M3的低通滤波器,在L上采用了一个高度为3个像素、覆盖了L宽度30%的均值滤波器,以连接水平不相交的高似然区域,并增加了直线水平边缘部分的响应,这一操作引入了一些噪声,通过将可忽略的设置为0,可以部分消除这些噪声(比如值小于最大值0.1%到1%都可以改为0),此外,我们也将似然眼皮区域外的似然映射值设置为零;
步骤三:在似然图的基础上归一化虹膜图像计算三个特征向量
首先将归一化虹膜图像分成N个图像块;
然后在N中提取一组统计纹理特征,并将每个图像块的特征串联起来表示该图像;
其次,利用PCA对高维特征进行压缩,挖掘其主要成分;
最后,通过ITQ对纹理特征进行编码检索。
作为本发明的一种优选技术方案,步骤三中详细的编码检索步骤为:
3.1.静态纹理特征提取:
以LBP直方图作为一个矢量特征,用平均LBP、平均灰度值和图像熵作为三个标量特征。在归一化的虹膜图像划分成n个非重叠的纹理块oi标识,i=1,2,…,n,oi图像块中的像素点用pi,j,j=1,2,…,m表示,经过测试选取n=96,m=64;提取oi块中纹理特征:
3.1.1.矢量特征:针对oi图像点块中pi,j的十进制LBP计算如下:
涉及pi,j点附近的八个邻近像素,即G=8,将斑块中oi的所有点映射到LBP直方图十进制值的对应二进制中,通常将oi的直方图用下面的公式定义:
其中,B是直方图二进制的数量,g是两个相邻的二进制间隔数;
设置B=16,g=256/16;注意,八位二进制数的十进制值从0到255不等,LBP直方图反映出了相邻局部灰度像素值的不同;
3.1.2.计算平均LBP,平均灰度值和图像熵:
首先,平均LBP测量一个图像块中所有点及其相邻点的平均灰度差,可以用以下公式计算
第二个特征是一个图像块中所有点的平均灰度值,它反映了图像的灰度级,它可以用以下公式计算:
第三图像熵测量一个图像块的灰度值的累加,图像块中每一个灰度值0-255出现的概率,图像熵用Qv标识v=0,1,…..255;
nv:是图像块中灰度值V的数
对于一个未包含虹膜纹理的图像块,其灰度值集中在很小的范围内,并且该特征值很低,相反,对于同时填充有虹膜纹理的斑块,灰度值在较大的范围内分散,并且该特征具有较高的值;
结合以上这些特征;LBP作为虹膜纹理特征表示,取得了良好的识别性能,表明它是一种较好的虹膜纹理图像描述;同时,考虑到LBP直方图只提取图像斑块的局部特征,采用三个全局标量特征进行补充辅助;此外,所使用的标量特征是相互的;例如,两个图像块具有相同的灰度级,但是相邻点之间的灰度变化可能不同;或者,两个具有相似图像熵的斑块可能具有不同的灰度变化等;
通过在一个图像中连接所有块的特征,它将是一个1536维的小数特征,即96_16维向量特征,由={Hi|i=1,2,...,n}表示,以及96_3维标量特征,由={MLBPi,MGi,IEi|i=1,2,...,n},因此,为了提高检索速度,必须对这些特征进行压缩并进一步转换成二进制模式;
3.2.压缩特征:
使用PCA分别压缩向量特征和标量特征;以向量特征的压缩为例;假设有N个处理图像块,它们的矢量特征用vi=1,2,…,N表示,这些虹膜特征图像的协方差矩阵可以计算如下
矩阵C的顶部特征向量k被用作PCA基W。因此,每个图像的矢量特征可以通过以下方式来压缩:KCW
CVi=W*Vi
对向量特征和标量特征都设置了K=64;
3.3.通过迭代量化方法(ITQ)将压缩矢量特征和标量特征分别编码为二进制模式:
通过旋转特征来保持十进制特征与编码二进制模式之间的相似性,矩阵的旋转可以通过矩阵和正交矩阵之间的乘法来实现;
以矢量特征编码为例,假设正交矩阵和编码的二进制模式分别由R和B表示,我们可以通过最小化以下量化损失来获得二进制矢量特征:
其中CV=[CV1,CV2,…,CVN],采用交替最小化算法进行求解,类似地,可以得到二进制标量特征,并将两种二进制特征作为检索代码进行组合;通过压缩和编码,将1536维十进制特征转换为128维二进制代码,这将极大地加快图像检索速度。
与现有技术相比,本发明能达到的有益效果是:
本发明中图像的缩小似然图可以在保证特征的不会丢失的情况下,减小图像的计算工作量,通过平均LPB、平均灰度值和图像的熵三个特征量能够更快的提取图像特征,并且维度空间更少,这样有效的提高了虹膜的检索速度。
附图说明
图1是本发明似然图生成模拟示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
请参照图1所示,本发明提供一种从眼部灰度图像似然图对虹膜图像编码检索的方法,具体步骤为:
步骤一:首先将图进行缩放用于生成似然图:
让RF成为一个降尺度因子,该缩小的图像的值RD从像素Pix-i∈Img(Pix-I=Pi),基于方形滑动窗口Width(W)与L=2*RF+1像素和像素计算步幅RF两侧,对于Width的每个位置,窗口中的平均强度u被计算为
计算窗口强度直方图Hist,并且图像中的相对应像素值d计算公式为
步骤二:生成似然图:
利用似然图生成四个不同的局部特征,即均值、标准差、偏度和水平边缘,对于缩小图RD中的每个像素,这些特征都是从以该像素为中心的邻域中导出的,在一个大小为7像素的局部矩形窗口上计算均值、标准差和偏度,并充当旋转不变稀疏边缘滤波器;此外,这些滤波器还可以作为旋转不变稀疏边缘滤波器,对睫毛部分覆盖的边缘也作出处理反馈;计算平均值为第一阶矩(M1),并以缩小图像的补码作为输入(加权靠近眼皮较高的小阴影);计算平均标准偏差为第二阶矩(M2);计算平均偏度为第三阶矩(M3);使用Prwitt算子检测水平边缘,去掉部分伪边缘,对噪声进行平滑处理,并作为似然图中水平边缘的强化;值得注意的是,即使眼睛与摄像机水平不对齐,眼皮的某些部分也会由于眼皮的弧形性质而引起生物反应,每个特征都产生一个相关的图:均值(M1)、标准差(M2)、倾斜度(M3)和水平边缘(E)图,这些逐点进行乘除地组合起来生成似然图L为
有效地实现了E、M1和M2的高通滤波器和M3的低通滤波器,在L上采用了一个高度为3个像素、覆盖了L宽度30%的均值滤波器,以连接水平不相交的高似然区域,并增加了直线水平边缘部分的响应,这一操作引入了一些噪声,通过将可忽略的设置为0,可以部分消除这些噪声(比如值小于最大值0.1%到1%都可以改为0),此外,我们也将似然眼皮区域外的似然映射值设置为零;
步骤三:在似然图的基础上归一化虹膜图像计算三个特征向量
首先将归一化虹膜图像分成N个图像块;
然后在N中提取一组统计纹理特征,并将每个图像块的特征串联起来表示该图像;
其次,利用PCA对高维特征进行压缩,挖掘其主要成分;
最后,通过ITQ对纹理特征进行编码检索。
具体的编码检索步骤为:
静态纹理特征提取:以LBP直方图作为一个矢量特征,用平均LBP、平均灰度值和图像熵作为三个标量特征。在归一化的虹膜图像划分成n个非重叠的纹理块oi标识,i=1,2,…,n,oi图像块中的像素点用pi,j,j=1,2,…,m表示,经过测试选取n=96,m=64;提取oi块中纹理特征:
矢量特征:针对oi图像点块中pi,j的十进制LBP计算如下:
涉及pi,j点附近的八个邻近像素,即G=8,将斑块中oi的所有点映射到LBP直方图十进制值的对应二进制中,通常将oi的直方图用下面的公式定义:
其中,B是直方图二进制的数量,g是两个相邻的二进制间隔数;
设置B=16,g=256/16;注意,八位二进制数的十进制值从0到255不等,LBP直方图反映出了相邻局部灰度像素值的不同;
计算平均LBP,平均灰度值和图像熵:首先,平均LBP测量一个图像块中所有点及其相邻点的平均灰度差,可以用以下公式计算
第二个特征是一个图像块中所有点的平均灰度值,它反映了图像的灰度级,它可以用以下公式计算:
第三图像熵测量一个图像块的灰度值的累加,图像块中每一个灰度值0-255出现的概率,图像熵用Qv标识v=0,1,…..255;
nv:是图像块中灰度值V的数
对于一个未包含虹膜纹理的图像块,其灰度值集中在很小的范围内,并且该特征值很低,相反,对于同时填充有虹膜纹理的斑块,灰度值在较大的范围内分散,并且该特征具有较高的值。
结合以上这些特征;LBP作为虹膜纹理特征表示,取得了良好的识别性能,表明它是一种较好的虹膜纹理图像描述;同时,考虑到LBP直方图只提取图像斑块的局部特征,采用三个全局标量特征进行补充辅助;此外,所使用的标量特征是相互的;例如,两个图像块具有相同的灰度级,但是相邻点之间的灰度变化可能不同;或者,两个具有相似图像熵的斑块可能具有不同的灰度变化等。
通过在一个图像中连接所有块的特征,它将是一个1536维的小数特征,即96_16维向量特征,由={Hi|i=1,2,...,n}表示,以及96_3维标量特征,由={MLBPi,MGi,IEi|i=1,2,...,n},因此,为了提高检索速度,必须对这些特征进行压缩并进一步转换成二进制模式。
压缩特征:使用PCA分别压缩向量特征和标量特征;以向量特征的压缩为例;假设有N个处理图像块,它们的矢量特征用vi=1,2,…,N表示,这些虹膜特征图像的协方差矩阵可以计算如下
矩阵C的顶部特征向量k被用作PCA基W。因此,每个图像的矢量特征可以通过以下方式来压缩:KCW
CVi=W*Vi
对向量特征和标量特征都设置了K=64。
通过迭代量化方法(ITQ)将压缩矢量特征和标量特征分别编码为二进制模式:通过旋转特征来保持十进制特征与编码二进制模式之间的相似性,矩阵的旋转可以通过矩阵和正交矩阵之间的乘法来实现;以矢量特征编码为例,假设正交矩阵和编码的二进制模式分别由R和B表示,我们可以通过最小化以下量化损失来获得二进制矢量特征:
其中CV=[CV1,CV2,…,CVN],采用交替最小化算法进行求解,类似地,可以得到二进制标量特征,并将两种二进制特征作为检索代码进行组合;通过压缩和编码,将1536维十进制特征转换为128维二进制代码,这将极大地加快图像检索速度。
本发明的实施方式不限于此,按照本发明的上述实施例内容,利用本领域的常规技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,以上优选实施例还可以做出其它多种形式的修改、替换或组合,所获得的其它实施例均落在本发明权利保护范围之内。
Claims (2)
1.一种从眼部灰度图像似然图对虹膜图像编码检索的方法,其特征在于,具体步骤为:
步骤一:首先将图进行缩放用于生成似然图:
让RF成为一个降尺度因子,该缩小的图像的值RD从像素Pix-i∈Img(Pix-I=Pi),基于方形滑动窗口Width(W)与L=2*RF+1像素和像素计算步幅RF两侧,对于Width的每个位置,窗口中的平均强度u被计算为
计算窗口强度直方图Hist,并且图像中的相对应像素值d计算公式为
步骤二:生成似然图:
利用似然图生成四个不同的局部特征,即均值、标准差、偏度和水平边缘,对于缩小图RD中的每个像素,这些特征都是从以该像素为中心的邻域中导出的,在一个大小为7像素的局部矩形窗口上计算均值、标准差和偏度,并充当旋转不变稀疏边缘滤波器;此外,这些滤波器还可以作为旋转不变稀疏边缘滤波器,对睫毛部分覆盖的边缘也作出处理反馈;计算平均值为第一阶矩(M1),并以缩小图像的补码作为输入(加权靠近眼皮较高的小阴影);计算平均标准偏差为第二阶矩(M2);计算平均偏度为第三阶矩(M3);使用Prwitt算子检测水平边缘,去掉部分伪边缘,对噪声进行平滑处理,并作为似然图中水平边缘的强化;值得注意的是,即使眼睛与摄像机水平不对齐,眼皮的某些部分也会由于眼皮的弧形性质而引起生物反应,每个特征都产生一个相关的图:均值(M1)、标准差(M2)、倾斜度(M3)和水平边缘(E)图,这些逐点进行乘除地组合起来生成似然图L为
有效地实现了E、M1和M2的高通滤波器和M3的低通滤波器,在L上采用了一个高度为3个像素、覆盖了L宽度30%的均值滤波器,以连接水平不相交的高似然区域,并增加了直线水平边缘部分的响应,这一操作引入了一些噪声,通过将可忽略的设置为0,可以部分消除这些噪声(比如值小于最大值0.1%到1%都可以改为0),此外,我们也将似然眼皮区域外的似然映射值设置为零;
步骤三:在似然图的基础上归一化虹膜图像计算三个特征向量:
首先将归一化虹膜图像分成N个图像块;
然后在N中提取一组统计纹理特征,并将每个图像块的特征串联起来表示该图像;
其次,利用PCA对高维特征进行压缩,挖掘其主要成分;
最后,通过ITQ对纹理特征进行编码检索。
2.根据权利要求1所述的一种从眼部灰度图像似然图对虹膜图像编码检索的方法,其特征在于,步骤三中详细的编码检索步骤为:
3.1.静态纹理特征提取:
以LBP直方图作为一个矢量特征,用平均LBP、平均灰度值和图像熵作为三个标量特征。在归一化的虹膜图像划分成n个非重叠的纹理块oi标识,i=1,2,…,n,oi图像块中的像素点用pi,j,j=1,2,…,m表示,经过测试选取n=96,m=64;提取oi块中纹理特征:
3.1.1.矢量特征:针对oi图像点块中pi,j的十进制LBP计算如下:
涉及pi,j点附近的八个邻近像素,即G=8,将斑块中Oi的所有点映射到LBP直方图十进制值的对应二进制中,通常将Oi的直方图用下面的公式定义:
其中,B是直方图二进制的数量,g是两个相邻的二进制间隔数;
设置B=16,g=256/16;注意,八位二进制数的十进制值从0到255不等,LBP直方图反映出了相邻局部灰度像素值的不同;
3.1.2.计算平均LBP,平均灰度值和图像熵:
首先,平均LBP测量一个图像块中所有点及其相邻点的平均灰度差,可以用以下公式计算
第二个特征是一个图像块中所有点的平均灰度值,它反映了图像的灰度级,它可以用以下公式计算:
第三图像熵测量一个图像块的灰度值的累加,图像块中每一个灰度值0-255出现的概率,图像熵用Qv标识v=0,1,…..255;
nv:是图像块中灰度值V的数
对于一个未包含虹膜纹理的图像块,其灰度值集中在很小的范围内,并且该特征值很低,相反,对于同时填充有虹膜纹理的斑块,灰度值在较大的范围内分散,并且该特征具有较高的值;
结合以上这些特征;LBP作为虹膜纹理特征表示,取得了良好的识别性能,表明它是一种较好的虹膜纹理图像描述;同时,考虑到LBP直方图只提取图像斑块的局部特征,采用三个全局标量特征进行补充辅助;此外,所使用的标量特征是相互的;例如,两个图像块具有相同的灰度级,但是相邻点之间的灰度变化可能不同;或者,两个具有相似图像熵的斑块可能具有不同的灰度变化等;
通过在一个图像中连接所有块的特征,它将是一个1536维的小数特征,即96_16维向量特征,由={Hi|i=1,2,...,n}表示,以及96_3维标量特征,由={MLBPi,MGi,IEi|i=1,2,...,n},因此,为了提高检索速度,必须对这些特征进行压缩并进一步转换成二进制模式;
3.2.压缩特征:
使用PCA分别压缩向量特征和标量特征;以向量特征的压缩为例;假设有N个处理图像块,它们的矢量特征用vi=1,2,…,N表示,这些虹膜特征图像的协方差矩阵可以计算如下
矩阵C的顶部特征向量k被用作PCA基W。因此,每个图像的矢量特征可以通过以下方式来压缩:KCW
CVi=W*Vi
对向量特征和标量特征都设置了K=64;
3.3.通过迭代量化方法(ITQ)将压缩矢量特征和标量特征分别编码为二进制模式:
通过旋转特征来保持十进制特征与编码二进制模式之间的相似性,矩阵的旋转可以通过矩阵和正交矩阵之间的乘法来实现;
以矢量特征编码为例,假设正交矩阵和编码的二进制模式分别由R和B表示,我们可以通过最小化以下量化损失来获得二进制矢量特征:
其中CV=[CV1,CV2,…,CVN],采用交替最小化算法进行求解,类似地,可以得到二进制标量特征,并将两种二进制特征作为检索代码进行组合;通过压缩和编码,将1536维十进制特征转换为128维二进制代码,这将极大地加快图像检索速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306066.8A CN109284744A (zh) | 2018-11-02 | 2018-11-02 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306066.8A CN109284744A (zh) | 2018-11-02 | 2018-11-02 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284744A true CN109284744A (zh) | 2019-01-29 |
Family
ID=65175049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811306066.8A Pending CN109284744A (zh) | 2018-11-02 | 2018-11-02 | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284744A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612786A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 |
CN116052313A (zh) * | 2023-02-10 | 2023-05-02 | 北京中超伟业信息安全技术股份有限公司 | 一种智能保密柜控制方法、装置、设备及存储介质 |
CN116385414A (zh) * | 2023-04-10 | 2023-07-04 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011037684A1 (en) * | 2009-09-25 | 2011-03-31 | International Business Machines Corporation | Iris recognition system and method |
CN102542243A (zh) * | 2010-12-17 | 2012-07-04 | 北京理工大学 | 一种基于lbp图像和分块编码的虹膜特征提取方法 |
CN104036296A (zh) * | 2014-06-20 | 2014-09-10 | 深圳先进技术研究院 | 一种图像的表示和处理方法及装置 |
CN104484649A (zh) * | 2014-11-27 | 2015-04-01 | 北京天诚盛业科技有限公司 | 虹膜识别的方法和装置 |
US20160014121A1 (en) * | 2013-10-08 | 2016-01-14 | Sri International | Authorization of a financial transaction |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
US20170017843A1 (en) * | 2009-09-25 | 2017-01-19 | International Business Machines Corporation | System and method for generating and employing short length iris codes |
US20170154202A1 (en) * | 2013-09-16 | 2017-06-01 | EyeVerify Inc. | Feature extraction and matching for biometric authentication |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
CN107451575A (zh) * | 2017-08-08 | 2017-12-08 | 济南大学 | 一种身份认证***中的人脸防欺骗检测方法 |
CN108681698A (zh) * | 2018-04-28 | 2018-10-19 | 武汉大学 | 一种具有隐私保护功能的大规模虹膜识别方法 |
-
2018
- 2018-11-02 CN CN201811306066.8A patent/CN109284744A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011037684A1 (en) * | 2009-09-25 | 2011-03-31 | International Business Machines Corporation | Iris recognition system and method |
US20170017843A1 (en) * | 2009-09-25 | 2017-01-19 | International Business Machines Corporation | System and method for generating and employing short length iris codes |
CN102542243A (zh) * | 2010-12-17 | 2012-07-04 | 北京理工大学 | 一种基于lbp图像和分块编码的虹膜特征提取方法 |
US20170154202A1 (en) * | 2013-09-16 | 2017-06-01 | EyeVerify Inc. | Feature extraction and matching for biometric authentication |
US20160014121A1 (en) * | 2013-10-08 | 2016-01-14 | Sri International | Authorization of a financial transaction |
CN104036296A (zh) * | 2014-06-20 | 2014-09-10 | 深圳先进技术研究院 | 一种图像的表示和处理方法及装置 |
CN104484649A (zh) * | 2014-11-27 | 2015-04-01 | 北京天诚盛业科技有限公司 | 虹膜识别的方法和装置 |
CN105260698A (zh) * | 2015-09-08 | 2016-01-20 | 北京天诚盛业科技有限公司 | 对虹膜图像进行定位的方法和装置 |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
CN107451575A (zh) * | 2017-08-08 | 2017-12-08 | 济南大学 | 一种身份认证***中的人脸防欺骗检测方法 |
CN108681698A (zh) * | 2018-04-28 | 2018-10-19 | 武汉大学 | 一种具有隐私保护功能的大规模虹膜识别方法 |
Non-Patent Citations (5)
Title |
---|
H. AHMADI 等: "An Efficient Iris Coding Based on Gauss-Laguerre Wavelets", 《ICB 2007》 * |
HUGO PROENCA 等: "Iris Biometrics: Indexing and Retrieving Heavily Degraded Data", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
HUGO PROENCA 等: "Iris Recognition: An Entropy-Based Coding Strategy Robust to Noisy Imaging Environments", 《INTERNATIONAL SYMPOSIUM ON VISUAL COMPUTING》 * |
张丽红 等: "结合图像熵和分块匹配的图像检索", 《微计算机信息》 * |
朱慧敏: "基于LBP的加权分布纹理熵的图像检索算法", 《微型机与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612786A (zh) * | 2020-06-19 | 2020-09-01 | 国网湖南省电力有限公司 | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 |
CN116052313A (zh) * | 2023-02-10 | 2023-05-02 | 北京中超伟业信息安全技术股份有限公司 | 一种智能保密柜控制方法、装置、设备及存储介质 |
CN116052313B (zh) * | 2023-02-10 | 2024-02-23 | 北京中超伟业信息安全技术股份有限公司 | 一种智能保密柜控制方法、装置、设备及存储介质 |
CN116385414A (zh) * | 2023-04-10 | 2023-07-04 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
CN116385414B (zh) * | 2023-04-10 | 2023-11-07 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9736455B2 (en) | Method and apparatus for downscaling depth data for view plus depth data compression | |
US10789465B2 (en) | Feature extraction and matching for biometric authentication | |
Zahran et al. | A MODIFIED LBP METHOD TO EXTRACT FEATURES FROM COLOR IMAGES. | |
Pietikäinen et al. | Local binary patterns for still images | |
Kwon et al. | Data-driven depth map refinement via multi-scale sparse representation | |
Poggi et al. | Learning a general-purpose confidence measure based on o (1) features and a smarter aggregation strategy for semi global matching | |
US9349072B2 (en) | Local feature based image compression | |
US8200021B2 (en) | Image signature matching device | |
Rosenfeld | Image pattern recognition | |
CN109284744A (zh) | 一种从眼部灰度图像似然图对虹膜图像编码检索的方法 | |
Kat et al. | Matching pixels using co-occurrence statistics | |
Minaee et al. | Screen content image segmentation using sparse-smooth decomposition | |
CN108717690B (zh) | 一种高动态范围图片的合成方法 | |
Paschalakis et al. | Real-time face detection and tracking for mobile videoconferencing | |
Naresh et al. | Breast cancer detection using local binary patterns | |
Zhao et al. | Intelligent analysis oriented surveillance video coding | |
Senturk et al. | Seam carving based image retargeting: A survey | |
US20120027306A1 (en) | Image signature extraction device | |
Shivashankar et al. | Galois field-based approach for rotation and scale invariant texture classification | |
Liu et al. | Segmentation by weighted aggregation and perceptual hash for pedestrian detection | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
Lefevre et al. | An extended snake model for real-time multiple object tracking | |
Freeman et al. | Shape recipes: scene representations that refer to the image | |
CN114926348A (zh) | 一种去除低照度视频噪声的装置和方法 | |
Shinde et al. | Image object saliency detection using center surround contrast |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |
|
RJ01 | Rejection of invention patent application after publication |