CN110532851B - 指静脉识别方法、装置、计算机设备和存储介质 - Google Patents
指静脉识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110532851B CN110532851B CN201910600301.0A CN201910600301A CN110532851B CN 110532851 B CN110532851 B CN 110532851B CN 201910600301 A CN201910600301 A CN 201910600301A CN 110532851 B CN110532851 B CN 110532851B
- Authority
- CN
- China
- Prior art keywords
- finger vein
- region
- sub
- identified
- feature map
- 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 232
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 43
- 208000006440 Open Bite Diseases 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/25—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
- 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
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (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
本申请涉及一种指静脉识别方法、装置、计算机设备和存储介质,该方法包括:获取待识别指静脉图像,确定待识别指静脉图像中手指的平移信息;提取待识别指静脉图像中的感兴趣区域,对感兴趣区域进行特征提取,得到感兴趣区域对应的指静脉特征图;将指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;若在待识别指静脉图像中手指向第一方向偏离中心线,则指静脉特征图中在第一方向上的预设子区域的权重值低于位于其他子区域的权重值;计算待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据相似度输出识别结果。本申请可减轻对手指平移的敏感程度,提高识别率。
Description
技术领域
本申请涉及身份识别技术领域,尤其涉及一种指静脉识别方法、装置、计算机设备和存储介质。
背景技术
指静脉识别技术在二十一世纪逐步广泛应用,该技术最早发明于上世纪九十年代的日本科学家,在本世纪初开始相继被日本、韩国逐渐应用到会员识别一体机、银行ATM机、门禁管理***等需要进行个人身份认证的领域。近年来,指静脉识别技术不仅应用在身份鉴别、考勤门禁等传统领域,在医疗边境安防、娱乐领域也获得了很大的发展。指静脉识别技术是利用红外线穿透手指后所得的静脉纹路影像进行个人识别,具有以下优势:(1)属于活体特征,无法利用非活体伪造,不会磨损,具有很高安全性;(2)血管特征通常更明显,容易识别,抗干扰性好;(3)可实现非接触式测量,卫生性好,易于为用户接受;(4)不易受手表面伤痕或油污的影响。然而,目前指静脉识别技术也存在一些问题,比如手指静脉识别算法无法克服平移的影响,导致识别率较低。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种指静脉识别方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种指静脉识别方法,包括:获取待识别指静脉图像;提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果。
第二方面,本申请提供一种指静脉识别装置,包括:图像获取模块,用于获取待识别指静脉图像;特征提取模块,用于提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;权重设置模块,用于将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;相似度计算模块,用于根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果。
第三方面,本申请提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请提供的指静脉识别方法、装置、计算机设备和存储介质,将指静脉特征图划分为多个子区域,并根据预先获得的经验信息为每一个子区域设置一个对应的权重值,所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值,这样增强指静脉图像将中最有可能未被遮挡的区域,或弱化指静脉特征图中最有可能被遮挡的区域的特征,弱化待识别指静脉图像中可能比较模糊的部分,减轻了对手指平移的敏感程度,提高身份识别率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例中指静脉识别方法的流程示意图;
图2a为本申请一实施例中一张待识别指静脉图像的示意图;
图2b为从图2a中提取出的感兴趣区域的示意图;
图3为本申请一实施例中指静脉识别装置的结构框图;
图4为本申请一实施例中计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请的一部分实施例,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的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。
第一方面,本申请实施例提供的一种指静脉识别方法,如图1所示,该方法可包括如下步骤:
S110、获取待识别指静脉图像;
在实际中,可以采用红外摄像机采集指静脉图像,具体将手指放入红外摄像机的图像采集区域中,红外摄像机便可以采集到手指的静脉图像,即指静脉图像。
可理解的是,当用户将手指放置在图像采集区域时,手指可能相对于图像采集区域的中心线偏左或者偏右。例如,当手指相对于中心线偏右时,所采集的指静脉图像中最右侧的部分可能被遮挡住,导致对后续身份的识别造成影响,识别率较低,可见对手指的平移比较敏感。可理解的是,被遮挡的区域一般是边缘区域。
S120、提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;
可理解的是,感应区区域即ROI,是指静脉图像中与指静脉最相关的区域,这样可以去掉一些非相关区域。在提取感兴趣区域之前,可以先对图像进行亮度、对比度进行处理,以便于后续对ROI的提取。例如,图2b为对图2a进行提取得到的感兴趣区域。
实际应用中,在对所述感兴趣区域进行特征提取之前,还可以对感兴趣区域进行一些预处理,例如,尺度归一化、去噪处理和增强处理中的至少一项。其中,可以采用双线插值技术进行尺度归一化,将感兴趣区域转化为预设的标准尺寸。其中,可以采用高斯滤波、中值滤波等方式进行去噪处理。其中,增强处理的方式也有很多,可以根据需要自行选择,通过增强处理可以提升感兴趣区域中纹理的清晰度。
在具体实施时,对所述感兴趣区域进行特征提取的方式有很多,下面介绍其中一种:通过预设的LBP算子提取出所述感兴趣区域中的LBP特征,所述感兴趣区域中的各个LBP特征形成一个LBP特征图,所述LBP特征图为所述待识别指静脉图像对应的指静脉特征图。
其中,LBP算子有很多,例如,一个大小为3*3的窗口,利用该算子对所述感兴趣区域进行特征提取的过程可包括:将感兴趣区域中每个大小为3*3的方块中的中心像素分别与其他8个像素进行灰度值作差,若中心像素的灰度值小于其他8个像素中一个像素的灰度值,则该像素的位置记为1,否则记为0。那么这8个像素就变成了8位二进制数,然后将这8位二进制数转化为一个十进制数,该十进制数为该大小为3*3的区域的LBP特征。如果一张图像的大小为300*300,那么这张图像会有100*100个LBP特征,这100*100个LBP特征就形成了这张图像的LBP特征图。
再例如,LBP算子为圆形LBP算子,具体可以包括符号分量、梯度分量以及中心像素灰度值。例如,将图像中每个圆形区域划分为p份扇形,将这p份扇形中每一份扇形的灰度值与中心像素灰度值做差,若大于中心像素灰度值,则该扇形对应的位置记为1,否则记为-1,1或-1实际上是该位置的符号,该位置的梯度值为将该位置的灰度值以及中心像素灰度值输入某计算公式后得到的值,中心像素灰度值可以选择整幅图像的平均灰度值。然后依据圆形窗口内各位置的符号、梯度值以及中心像素灰度值进行编码,得到该圆形窗口的LBP特征。
当然,还可以采用其他的LBP算子,这里不再一一举例。
S130、将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;
可理解的是,针对一个红外摄像机,当用户将手指放置在红外线照射的钢管内时,由于钢管的尺寸等多种因素,用户的手指会习惯性的往一个方向偏移。针对这一特点,需要提前进行测量,具体可以包括:采用这一红外摄像机进行多次图像采集,根据这多次采集得到的每一张指静脉图像进行分析,确定每一张图像里哪些区域不会被遮挡,哪些区域会被遮挡,对各张指静脉图像中的被遮挡区域和未被遮挡区域进行总结,得到这一红外摄像机进行图像采集时的非遮挡最大概率区域或遮挡最大概率区域。可理解的是,非遮挡最大概率区域是图像中未被遮挡概率最大或次数最多的区域;遮挡最大概率区域是指图像中被遮挡概率最大或次数最多的区域。
可理解的是,在经验信息中可以包括非遮挡最大概率区域或遮挡最大概率区域。当经验信息中包括非遮挡最大概率区域时,则将待识别指静脉图像中非遮挡最大概率区域内的子区域的权重值高于其余子区域的权重值。也就是说,增强最有可能不会被遮挡的区域的特征,弱化其余区域的特征。当经验信息中包括遮挡最大概率区域时,将待识别指静脉图像中遮挡最大概率区域内的子区域的权重值低于其余子区域的权重值。也就是说,削弱最有可能被遮挡的区域的特征,增强其余区域的特征。可见,不论是哪种方式,都可以减轻对手指平移的敏感程度,提高身份识别率。
举例来说,将指静脉特征图分为20*20个子区域,对每一个子区域设置一个权重。经验信息为第19~20列为遮挡最大概率区域,此时可以将第19~20列中所有的子区域的权重值设置为a,将第1~18列中所有子区域的权重值设置为b,其中,a<b。
S140、根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果。
在具体实施时,上述步骤S140可以包括如下步骤:
S141、确定所述预设数据库中每一张指静脉图像对应的第一LBP特征向量以及所述待识别指静脉图像对应的第二LBP特征向量;
可理解的是,这里为了方便说明,将所述预设数据库中每一张指静脉图像的LBP特征向量称为第一LBP特征向量,将所述待识别指静脉图像中感兴趣区域的LBP特征向量称之为第二LBP特征向量。
其中,所述预设数据库中包括多张指静脉图像以及每一张指静脉图像对应的指静脉特征图。
在具体实施时,确定所述预设数据库中每一张指静脉图像对应的第一LBP特征向量的过程可以包括:将该张指静脉图像对应的指静脉特征图划分为多个子区域;将每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征;将各个区域对应的直方统计特征进行连接,得到所述第一LBP特征向量;
其中,直方统计特征,也可以称为统计直方图,是将一个子区域内的所有LBP特征进行统计,统计每一个LBP特征的数量,例如,LBP特征的值是从0~255,那么一个子区域对应的统计直方图为对256个LBP特征的数量进行统计,以直方图的形式表述出来。可理解的是,一个子区域的统计直方图实际上是这一个子区域的特征向量,在该特征向量中包括256个元素,256个元素的值为256个LBP特征的数量统计值。进一步的,假设一张指静脉图像对应的指静脉特征图划分为20*20个子区域,那么将这400个直方统计特征依次连接,形成一个元素个数为256*400=102400的向量,这一向量为该指静脉图像的第一LBP特征向量。
在具体实施时,确定所述待识别指静脉图像对应的第二LBP特征向量的过程可以包括:对所述待识别指静脉图像对应的指静脉特征图中每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征,并将该直方统计特征记为第一直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中每一个子区域的权重值与该区域对应的第一直方统计特征中的各个值均相乘,得到该子区域对应的第二直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中各个子区域对应的第二直方统计特征进行连接,得到所述第二LBP特征向量。
举例来说,待识别指静脉图像对应的指静脉特征图中每一个子区域中各个LBP特征进行统计,得到该区域对应的第一直方统计特征,该第一直方统计特征中包括256个元素。假设经验信息为第19~20列为遮挡最大概率区域,指静脉特征图划分为20*20个子区域,将第19~20列中所有的子区域的权重值设置为0.4,将第1~18列中所有的子区域的权重设置为0.6,这样的话,将0.4乘与第19~20列中每一个子区域对应的第一直方统计特征中的256个元素相乘,得到该区域对应的第二直方统计特征。将0.6与第1~18列中每一个子区域对应的第一直方统计特征中的256个元素相乘,得到该区域对应的第二直方统计特征。这样,就弱化了第19~20列的特征,增强了第1~18列的特征。进一步的,将这400个第二直方统计特征依次连接,形成一个元素个数为256*400=102400的向量,这一向量为待识别指静脉图像对应的第二LBP特征向量。
S142、根据所述第二LBP特征向量和所述预设数据库中每一张指静脉图像对应的第一LBP特征向量,计算所述待识别指静脉图像与所述预设数据库中该张指静脉图像之间的相似度;
在实际中,计算两个向量之间相似度的方式有多种,例如,欧式距离、余弦相似度等。还可以先计算两个向量之间的差异性,利用差异性确定两个向量之间的相似度,例如,先采用如下公式计算两个向量之间的卡方距离,然后采用1-D推导出相似度:
式中,D为两个向量之间的不相似度,X为任一向量中元素的个数,Tx为第一LBP特征向量,Lx为第二LBP特征向量。
在实际中,如果预设数据库中有30张指静脉图像以及每一张指静脉图像的指静脉特征图,那么采用上述步骤S141和S142计算出待识别指静脉图像分别与这30张指静脉图像之间的相似度。在步骤S140中根据所述相似度输出识别结果的过程可以包括:判断所述待识别指静脉图像分别与所述预设数据库中各个指静脉图像的相似度中的最大值是否大于或等于预设阈值:若是,则将所述最大值对应的指静脉图像作为识别结果输出。
可理解的是,只有两个指静脉图像的相似度大于或等于预设阈值,才能认为两个指静脉图像对应的两个用户是同一个人,否则不能认为是同一个人。为了尽快进行身份确认,只将相似度最大值与预设阈值进行大小比对,也就是说,相似度最大值对应的指静脉图像对应的用户最有可能是待识别指静脉图像中手指的所属用户,但如果最大值都小于预设阈值,那么在预设数据库中就不可能存在与待识别指静脉图像身份相同的指静脉图像。
在实际中,如果所述待识别指静脉图像分别与所述预设数据库中所有指静脉图像之间的相似度中的最大值小于所述预设阈值,则将所述待识别指静脉图像以及对应的指静脉特征图添加至所述预设数据库中。也就是说,在数据库中不存在相同身份的指静脉图像,此时将待识别指静脉图像及其指静脉特征图添加到预设数据库中,通过自学习的方式对预设数据库进行补充、丰富。
可理解的是,本申请提供的指静脉识别方法可以由红外摄像机,此时基于红外摄像机的图像采集模组采集的待识别指静脉图像执行上述步骤S110~S140,从而实现身份识别。当然,上述方法也可以由独立于红外摄像机的其他硬件实现。
本申请提供的指静脉识别方法,将指静脉特征图划分为多个子区域,并根据预先获得的经验信息为每一个子区域设置一个对应的权重值,所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值,这样增强指静脉图像将中最有可能未被遮挡的区域,或弱化指静脉特征图中最有可能被遮挡的区域的特征,弱化待识别指静脉图像中可能比较模糊的部分,减轻了对手指平移的敏感程度,提高身份识别率。
第二方面,本申请提供一种指静脉识别装置,该装置的硬件形式可以为红外摄像机中的硬件模组,也可以为独立于红外摄像机的其他硬件。如图3所示,该装置300包括:
图像获取模块310,用于获取待识别指静脉图像;
特征提取模块320,用于提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;
权重设置模块330,用于将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;
相似度计算模块340,用于根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果。
在一些实施例中,所述特征提取模块具体用于:通过预设的LBP算子提取出所述感兴趣区域中的LBP特征,所述感兴趣区域中的各个LBP特征形成一个LBP特征图,所述LBP特征图为所述待识别指静脉图像对应的指静脉特征图。
在一些实施例中,所述特征提取模块在对所述感兴趣区域进行特征提取之前,还用于:对所述感兴趣区域进行预处理,所述预处理包括尺度归一化、去噪处理和增强处理中的至少一项。
在一些实施例中,相似度计算模块包括:
向量确定单元,用于确定所述预设数据库中每一张指静脉图像对应的第一LBP特征向量以及所述待识别指静脉图像对应的第二LBP特征向量;
相似度计算单元,用于根据所述第二LBP特征向量和所述预设数据库中每一张指静脉图像对应的第一LBP特征向量,计算所述待识别指静脉图像与所述预设数据库中该张指静脉图像之间的相似度;
其中,所述向量确定单元具体用于:将该张指静脉图像对应的指静脉特征图划分为多个子区域;将每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征;将各个区域对应的直方统计特征进行连接,得到所述第一LBP特征向量;
其中,所述向量确定单元还具体用于:对所述待识别指静脉图像对应的指静脉特征图中每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征,并将该直方统计特征记为第一直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中每一个子区域的权重值与该区域对应的第一直方统计特征中的各个值均相乘,得到该子区域对应的第二直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中各个子区域对应的第二直方统计特征进行连接,得到所述第二LBP特征向量。
在一些实施例中,相似度计算模块还具体用于:判断所述待识别指静脉图像分别与所述预设数据库中各个指静脉图像的相似度中的最大值是否大于或等于预设阈值:若是,则将所述最大值对应的指静脉图像作为识别结果输出。
在一些实施例中,相似度计算模块还具体用于:若所述待识别指静脉图像分别与所述预设数据库中各个指静脉图像之间的相似度中的最大值小于所述预设阈值,则将所述待识别指静脉图像以及对应的指静脉特征图添加至所述预设数据库中。
可理解的是,本申请实施例提供的控制装置,有关内容的解释、举例、有益效果等部分可以参考第一方面中的相应部分,此处不再赘述。
第三方面,本申请实施例提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现第一方面所提供的方法的步骤。
图4示出了一个实施例中计算机设备的内部结构图。如图4所示,该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏等。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可以存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现指静脉识别方法。该内存储器中也可以储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行指静脉识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的指静脉识别装置可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该指静脉识别装置的各个程序模块,比如,图3所示的图像获取模块310、特征提取模块320、权重设置模块330和相似度计算模块340。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的指静脉识别方法中的步骤。
例如,图4所示的计算机设备可以通过如图3所示的指静脉识别装置中的图像获取模块310执行获取待识别指静脉图像;特征提取模块320执行提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;权重设置模块330执行将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;相似度计算模块340执行根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果。
可理解的是,本申请实施例提供的计算机设备,有关内容的解释、举例、有益效果等部分可以参考第一方面中的相应部分,此处不再赘述。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的方法的步骤。
可理解的是,本申请实施例提供的计算机可读存储介质,有关内容的解释、举例、有益效果等部分可以参考第一方面中的相应部分,此处不再赘述。
可理解的是,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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申请的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种指静脉识别方法,其特征在于,包括:
获取待识别指静脉图像;
提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;
将所述指静脉特征图划分为多个子区域,并根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;
根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果;
其中,所述对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图,包括:
通过预设的LBP算子提取出所述感兴趣区域中的LBP特征,所述感兴趣区域中的各个LBP特征形成一个LBP特征图,所述LBP特征图为所述待识别指静脉图像对应的指静脉特征图。
2.根据权利要求1所述的方法,其特征在于,在对所述感兴趣区域进行特征提取之前,所述方法还包括:对所述感兴趣区域进行预处理,所述预处理包括尺度归一化、去噪处理和增强处理中的至少一项。
3.根据权利要求1所述的方法,其特征在于,所述根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果,包括:
确定所述预设数据库中每一张指静脉图像对应的第一LBP特征向量以及所述待识别指静脉图像对应的第二LBP特征向量;
根据所述第二LBP特征向量和所述预设数据库中每一张指静脉图像对应的第一LBP特征向量,计算所述待识别指静脉图像与所述预设数据库中该张指静脉图像之间的相似度;
其中,所述预设数据库中包括多张指静脉图像以及每一张指静脉图像对应的指静脉特征图,所述确定所述预设数据库中每一张指静脉图像对应的第一LBP特征向量,包括:将该张指静脉图像对应的指静脉特征图划分为多个子区域;将每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征;将各个区域对应的直方统计特征进行连接,得到所述第一LBP特征向量;
其中,确定所述待识别指静脉图像对应的第二LBP特征向量,包括:对所述待识别指静脉图像对应的指静脉特征图中每一个子区域中的各个LBP特征进行统计,得到该子区域对应的直方统计特征,并将该直方统计特征记为第一直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中每一个子区域的权重值与该区域对应的第一直方统计特征中的各个值均相乘,得到该子区域对应的第二直方统计特征;将所述待识别指静脉图像对应的指静脉特征图中各个子区域对应的第二直方统计特征进行连接,得到所述第二LBP特征向量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述相似度输出识别结果,包括:
判断所述待识别指静脉图像分别与所述预设数据库中各个指静脉图像的相似度中的最大值是否大于或等于预设阈值:若是,则将所述最大值对应的指静脉图像作为识别结果输出。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述待识别指静脉图像分别与所述预设数据库中各个指静脉图像之间的相似度中的最大值小于所述预设阈值,则将所述待识别指静脉图像以及对应的指静脉特征图添加至所述预设数据库中。
6.一种指静脉识别装置,其特征在于,包括:
图像获取模块,用于获取待识别指静脉图像;
特征提取模块,用于提取所述待识别指静脉图像中的感兴趣区域,并对所述感兴趣区域进行特征提取,得到所述感兴趣区域对应的指静脉特征图;
权重设置模块,用于将所述指静脉特征图划分为多个子区域,根据预先获得的经验信息为每一个子区域设置一个对应的权重值;所述经验信息为根据多次图像采集而获得,所述经验信息包括遮挡最大概率区域或非遮挡最大概率区域;所述指静脉特征图中所述非遮挡最大概率区域内的子区域的权重值高于所述非遮挡最大概率区域之外的其他子区域的权重值,或者,所述指静脉特征图中所述遮挡最大概率区域内的子区域的权重值低于所述遮挡最大概率区域之外的其他子区域的权重值;
相似度计算模块,用于根据所述指静脉特征图中各个子区域的权重值,计算所述待识别指静脉图像分别与预设数据库中多个指静脉图像之间的相似度,并根据所述相似度输出识别结果;
其中,所述特征提取模块具体用于:通过预设的LBP算子提取出所述感兴趣区域中的LBP特征,所述感兴趣区域中的各个LBP特征形成一个LBP特征图,所述LBP特征图为所述待识别指静脉图像对应的指静脉特征图。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600301.0A CN110532851B (zh) | 2019-07-04 | 2019-07-04 | 指静脉识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600301.0A CN110532851B (zh) | 2019-07-04 | 2019-07-04 | 指静脉识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532851A CN110532851A (zh) | 2019-12-03 |
CN110532851B true CN110532851B (zh) | 2022-04-15 |
Family
ID=68659840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910600301.0A Active CN110532851B (zh) | 2019-07-04 | 2019-07-04 | 指静脉识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532851B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178221A (zh) * | 2019-12-24 | 2020-05-19 | 珠海格力电器股份有限公司 | 身份识别方法及装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN112084953B (zh) * | 2020-09-10 | 2024-05-10 | 济南博观智能科技有限公司 | 一种人脸属性识别的方法、***、设备及可读存储介质 |
CN112132117A (zh) * | 2020-11-16 | 2020-12-25 | 黑龙江大学 | 一种辅助胁迫检测的融合身份认证*** |
CN112395988A (zh) * | 2020-11-18 | 2021-02-23 | 深圳市威富视界有限公司 | 手指静脉识别方法、装置、计算机设备和存储介质 |
CN112488062B (zh) * | 2020-12-18 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种图像识别方法、装置、设备及介质 |
CN112560710B (zh) * | 2020-12-18 | 2024-03-01 | 北京曙光易通技术有限公司 | 一种用于构建指静脉识别***的方法及指静脉识别*** |
CN113724266B (zh) * | 2021-07-26 | 2022-12-20 | 山东师范大学 | 胶质瘤分割方法及*** |
CN114241537B (zh) * | 2021-12-31 | 2022-12-23 | 智慧眼科技股份有限公司 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858773A (zh) * | 2005-04-30 | 2006-11-08 | 中国科学院计算技术研究所 | 一种基于Gabor相位模式的图像识别方法 |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
CN102411711A (zh) * | 2012-01-04 | 2012-04-11 | 山东大学 | 一种基于个性化权重的手指静脉识别方法 |
CN103810490A (zh) * | 2014-02-14 | 2014-05-21 | 海信集团有限公司 | 一种确定人脸图像的属性的方法和设备 |
CN106599834A (zh) * | 2016-12-13 | 2017-04-26 | 浙江省公众信息产业有限公司 | 信息推送方法和*** |
CN106611168A (zh) * | 2016-12-29 | 2017-05-03 | 杭州电子科技大学 | 基于细化图像和方向场图的指静脉快速识别方法 |
CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
CN107766776A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉识别方法及装置 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及*** |
CN108319890A (zh) * | 2017-12-01 | 2018-07-24 | 中国电子科技集团公司电子科学研究院 | 基于多视角图像处理的指静脉识别方法、设备及存储介质 |
CN109766836A (zh) * | 2019-01-11 | 2019-05-17 | 防灾科技学院 | 一种指静脉识别解锁方法及*** |
CN109886220A (zh) * | 2019-02-26 | 2019-06-14 | 北京凌云天润智能科技有限公司 | 一种指静脉图像的特征值提取和对比算法 |
-
2019
- 2019-07-04 CN CN201910600301.0A patent/CN110532851B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858773A (zh) * | 2005-04-30 | 2006-11-08 | 中国科学院计算技术研究所 | 一种基于Gabor相位模式的图像识别方法 |
CN101615245A (zh) * | 2009-07-30 | 2009-12-30 | 上海交通大学 | 基于avr和增强lbp的表情识别方法 |
CN102411711A (zh) * | 2012-01-04 | 2012-04-11 | 山东大学 | 一种基于个性化权重的手指静脉识别方法 |
CN103810490A (zh) * | 2014-02-14 | 2014-05-21 | 海信集团有限公司 | 一种确定人脸图像的属性的方法和设备 |
CN107766776A (zh) * | 2016-08-17 | 2018-03-06 | 广州广电运通金融电子股份有限公司 | 一种手指静脉识别方法及装置 |
CN106599834A (zh) * | 2016-12-13 | 2017-04-26 | 浙江省公众信息产业有限公司 | 信息推送方法和*** |
CN106611168A (zh) * | 2016-12-29 | 2017-05-03 | 杭州电子科技大学 | 基于细化图像和方向场图的指静脉快速识别方法 |
CN107729820A (zh) * | 2017-09-27 | 2018-02-23 | 五邑大学 | 一种基于多尺度hog的手指静脉识别方法 |
CN108319890A (zh) * | 2017-12-01 | 2018-07-24 | 中国电子科技集团公司电子科学研究院 | 基于多视角图像处理的指静脉识别方法、设备及存储介质 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及*** |
CN109766836A (zh) * | 2019-01-11 | 2019-05-17 | 防灾科技学院 | 一种指静脉识别解锁方法及*** |
CN109886220A (zh) * | 2019-02-26 | 2019-06-14 | 北京凌云天润智能科技有限公司 | 一种指静脉图像的特征值提取和对比算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532851A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532851B (zh) | 指静脉识别方法、装置、计算机设备和存储介质 | |
US20200184187A1 (en) | Feature extraction and matching for biometric authentication | |
US10635890B2 (en) | Facial recognition method and apparatus, electronic device, and storage medium | |
CN110766736B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
Qiu et al. | Finger-vein recognition based on dual-sliding window localization and pseudo-elliptical transformer | |
CN109859227B (zh) | 翻拍图像检测方法、装置、计算机设备及存储介质 | |
Nogueira et al. | Evaluating software-based fingerprint liveness detection using convolutional networks and local binary patterns | |
CN108108739B (zh) | 图像目标区域的检测方法、装置、x射线***及存储介质 | |
WO2021027364A1 (zh) | 基于指静脉识别的身份验证方法和装置 | |
Lu et al. | Finger vein identification using polydirectional local line binary pattern | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
Llano et al. | Optimized robust multi-sensor scheme for simultaneous video and image iris recognition | |
Vargas et al. | Off-line signature verification based on gray level information using wavelet transform and texture features | |
US20190332858A1 (en) | Method and device for identifying wrist, method for identifying gesture, electronic equipment and computer-readable storage medium | |
CN111814612A (zh) | 目标的脸部检测方法及其相关装置 | |
CN111178221A (zh) | 身份识别方法及装置 | |
Zhang et al. | Improving texture analysis performance in biometrics by adjusting image sharpness | |
Shaheed et al. | A hybrid proposed image quality assessment and enhancement framework for finger vein recognition | |
CN110705341A (zh) | 基于指静脉图像的验证方法、装置、存储介质 | |
CN113378609B (zh) | 代理商代签名的识别方法及装置 | |
CN109063601B (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
Rajithkumar et al. | Template matching method for recognition of stone inscripted Kannada characters of different time frames based on correlation analysis | |
CN109934870B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
Li et al. | Finger vein feature extraction based on improved maximum curvature description |
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 |