CN111222456B - 一种指静脉超大用户量下的高速检索算法 - Google Patents
一种指静脉超大用户量下的高速检索算法 Download PDFInfo
- Publication number
- CN111222456B CN111222456B CN202010007636.4A CN202010007636A CN111222456B CN 111222456 B CN111222456 B CN 111222456B CN 202010007636 A CN202010007636 A CN 202010007636A CN 111222456 B CN111222456 B CN 111222456B
- Authority
- CN
- China
- Prior art keywords
- image
- user
- identified
- calculating
- derivative
- 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 65
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013519 translation Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种指静脉超大用户量下的高速检索算法,其包括以下步骤:采集待识别用户、所有注册用户的手指静脉图像,并分别进行图像尺寸归一化、图像增强处理和特征点检测;根据图像的一阶导数和二阶导数,计算图像各像素点的平均曲率;根据图像各像素点的平均曲率,利用图像分割对待识别用户和所有注册用户的手指静脉图像进行二值化;基于特征点的中心坐标和旋转角进行图像的平移和旋转校准;利用异或运算,分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离,其中汉明距离最小的即为与待识别图像最相似的注册用户。本发明减少了检索的数据量,无需遍历多个可能的位置、旋转的差异数值,进而极大地加快了检索速度。
Description
技术领域
本发明属于手指静脉识别及信息安全技术领域,尤其涉及一种指静脉超大用户量下的高速检索算法。
背景技术
指静脉识别技术是一种新的生物特征识别技术,它利用手指内的静脉分布图像来进行身份识别,具有活体识别、内部特征和非接触式三个特征,确保了使用者的手指静脉特征很难被伪造,所以手指静脉识别***安全等级高,特别适合于安全要求高的场所使用。由于其安全等级高、操作简单快捷等优点,该技术成为了近些年的研究热点,并得到越来越广泛的应用。
传统的指静脉识别方法如专利号为CN 106096569 B的发明专利公开的手指静脉识别方法,包括如下步骤:S1、采集近红外光下的手指图像;S2、对采集到手指图像进行预处理与去噪,再采用OSTU大津法阈值化对手指图像进行阈值处理或ROI定位,获取手指二值图像;S3、判断手指二值图像是否有旋转扭曲干扰,若存在则进行校正变换;S4、局部自适应阈值进行手指二值图像的静脉特征提取,获取静脉二值图像;S5、计算输入静脉二值图像与注册静脉二值图像之间的匹配距离;S6、利用K近邻算法计算识别结果。
然而,随着指静脉识别技术的应用范围越来越广泛,其识别用户量也越来越大,甚至达到几百万的级别,这就意味着指静脉识别要从几百万个注册用户中检索出一个用户与待识别用户最相似。由于指静脉图像维度高、数据量大,传统的指静脉识别技术的图像检索很费时间,降低了用户的体验感。目前,在超大用户量中高速检索出对应的用户是指静脉识别技术中一个重大挑战。
发明内容
本发明的目的是为了解决现有技术中指静脉超大用户量下检索时间长的问题,提出一种指静脉超大用户量下的高速检索算法,以降低检索时间。
为了达到目的,本发明提供的技术方案为:
本发明涉及的一种指静脉超大用户量下的高速检索算法,包括以下步骤:
1)采集待识别用户及所有注册用户的手指静脉图像,并进行图像尺寸归一化;
2)对尺寸归一化的图像进行图像增强处理;
3)对增强的图像进行特征点检测,计算每一张图像中所有特征点的中心坐标P和旋转角θ;
4)计算增强图像的一阶导数和二阶导数,并根据一阶导数和二阶导数计算图像各像素点的平均曲率Cm;
5)根据图像各像素点的平均曲率Cm,对每一张手指静脉图像进行二值化;
6)基于特征点的中心坐标P和旋转角θ,对待识别用户的二值静脉图像进行平移和旋转校准;
7)设置汉明距离阈值,利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离,其中汉明距离最小的即为与待识别图像最相似的注册用户,并将最小的汉明距离与汉明距离阈值比较,判断是否检索到该用户。
优选地,所述的步骤2)中,图像的增强处理是基于限制对比度的自适应直方图均衡化实现的,其具体步骤包括:
2.1)将图像均分成若干份大小为M个像素的矩形块,统计各块内的灰度直方图Hist(i);
2.2)对灰度直方图Hist(i)进行M/N×Climit限幅剪裁,得到限幅直方图Hcut(i),其中,N表示灰度等级;
2.3)基于限幅直方图Hcut(i),计算各块限幅直方图的累积分布函数CDF(i),
其中,i表示灰度值;
2.4)基于累积分布函数CDF(i),求取直方图均衡化的灰度映射函数m(i),
m(i)=N/M×CDF(i) (2);
2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强,其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强。
优选地,所述的步骤3)的具体步骤包括:
3.1)基于像素点周围的图像灰度值,检测该点周围一圈的像素值,若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大,则认为该点为特征点;
3.2)根据这些特征点的坐标,计算所有特征点的中心坐标P,
其中,x表示特征点的行坐标,y表示特征点的列坐标,C.size为特征点个数,i’为特征点的编号;
3.3)根据中心点坐标P,把所有特征点分为上下两簇,分族的算法为:
计算上下簇的中心PU、PD坐标,其中,U为上簇,D为下簇;
3.4)根据上下族中心坐标PU、PD计算图像的角度θ,
优选地,所述的步骤4)的具体步骤包括:
4.1)对图像增强后的指静脉图像计算其各像素点各方向的一阶导数和二阶导数;
4.2)根据一阶导数和二阶导数计算图像各像素点的平均曲率Cm,
优选地,所述的步骤4.1)采用以下公式计算一阶导数和二阶导数:
式中f(i,j)为图像在i行j列的灰度值。
优选地,所述的步骤5)的具体步骤包括:
5.1)计算各像素点邻域内的平均曲率Cm的均值m和标准差s;
5.2)根据平均曲率Cm的均值m和标准差s,求取二值化的阈值TNiblack,
TNiblack=m+k×s (13),
其中,k为修正系数;
5.3)若该像素点的平均曲率Cm大于阈值TNiblack,则置为1,否则置为0,即
B(i,j)表示图像在i行j列的分割后的二值图,利用图像分割将灰度图像转变为二值图像,得到明显的手指静脉纹路。
优选地,所述的步骤6)的具体步骤包括:
6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值,并将待识别用户图像平移该差值大小的像素;
6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值,并将待识别用户图像旋转该差值大小的角度。
优选地,所述的步骤7)的具体步骤包括:
7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码;
7.2)设定一个汉明距离阈值dthreshold,利用异或运算操作,计算待识别用户编码和每一个注册用户编码的汉明距离d;
7.3)在汉明距离d中选取最小值dmin,并将其与汉明距离阈值dthreshold比较,判断待识别用户是否为与此最小汉明距离dmin对应的注册用户。
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
1、本发明涉及的指静脉超大用户量下的高速检索算法对原图进行了双线性插值的尺寸归一化,且通过其一阶导数、二阶导数计算平均曲率,并基于图像分割二值化,提取出一维的二值编码特征,指静脉特征较小,占用空间至多占原来的八分之一,极大减少了检索的数据量,加快了检索的速度。
2、本发明涉及的指静脉超大用户量下的高速检索算法是根据特征点的中心坐标和旋转角直接计算出待识别图像和注册用户图像之间的位置差异和旋转差异,无需遍历寻找最相似的位置差异和旋转差异,极大地提高了检索速度。
3、本发明涉及的指静脉超大用户量下的高速检索算法提取到的是一维的二值编码特征,利用异或运算即可轻松计算出两二值编码特征间的相似度,相似度度量较快,具有很高的效率,进一步加快了检索的速度。
附图说明
图1为本发明的指静脉超大用户量下的高速检索算法的流程图;
图2为待识别指静脉原图;
图3为本发明算法增强后的原图;
图4为待识别指静脉原图提取出来的特征点分布图;
图5为本发明算法提取的二值图。
具体实施方式
为进一步了解本发明的内容,结合实施例对本发明作详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明涉及一种指静脉超大用户量下的高速检索算法,如图1所示,包括以下步骤:
1)采集待识别用户及所有注册用户的手指静脉图像,并进行图像尺寸归一化,如图2所示。
2)基于限制对比度的自适应直方图均衡化对尺寸归一化的图像进行图像增强处理,其具体步骤包括:
2.1)将图像均分成40份大小为2500个像素的矩形块,统计各块内的灰度直方图Hist(i);
2.2)设对比度限幅Climit=0.196,对灰度直方图Hist(i)进行M/N×Climit限幅剪裁,得到限幅直方图Hcut(i),其中,N为灰度等级,本实施例中N为255;
2.3)基于限幅直方图Hcut(i),计算各块限幅直方图的累积分布函数CDF(i),
其中,i表示灰度值;
2.4)基于累积分布函数CDF(i),求取直方图均衡化的灰度映射函数m(i),
m(i)=N/M×CDF(i) (2);
2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强,其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强,图像增强后如图3所示。
3)对增强的图像进行特征点检测,计算每一张图像中所有特征点的中心坐标P和旋转角θ,其具体步骤包括:
3.1)基于像素点周围的图像灰度值,检测该点周围一圈的像素值,若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大,则认为该点为特征点;图4是提取出来的特征点分布图。
3.2)根据这些特征点的坐标,计算所有特征点的中心坐标,设所有特征点的集合为C,计算所有特征点的中心坐标P,
其中,x表示特征点的行坐标,y表示特征点的列坐标,C.size为特征点个数,i为特征点的编号;
3.3)根据中心点坐标P,把所有特征点分为上下两簇,分族的算法为:
其中,U为上簇,D为下簇,然后按照公式(3)计算上下簇的中心PU、PD坐标;
3.4)根据上下族中心坐标PU、PD计算图像的角度θ,
4)计算增强图像的一阶导数和二阶导数,并根据一阶导数和二阶导数计算图像各像素点的平均曲率Cm,其具体计算方式如下:
4.1)对图像增强后的指静脉图像计算其各像素点各方向的一阶导数和二阶导数:
式中f(i,j)为图像在i行j列的灰度值;
4.2)根据一阶导数和二阶导数计算图像各像素点的平均曲率Cm,
5)根据图像各像素点的平均曲率Cm,对每一张手指静脉图像进行二值化,进而得到明显的手指静脉纹路,其具体步骤为:
5.1)计算各像素点邻域内的平均曲率Cm的均值m和标准差s;
5.2)根据平均曲率Cm的均值m和标准差s,求取二值化的阈值TNiblack,
TNiblack=m+k×s (13),
其中,k为修正系数,本实施例取值为-0.2;
5.3)若分割后的二值图为B,该像素点的平均曲率Cm大于阈值TNiblack,则置为1,否则置为0,则图像分割法有如下变换:
利用上述图像分割法将灰度图像转变为二值图像,得到明显的手指静脉纹路,如图5所示。
6)基于特征点的中心坐标P和旋转角θ,对待识别用户的二值静脉图像进行平移和旋转校准,其具体步骤包括:
6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值,并将待识别用户图像平移该差值大小的像素;
6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值,并将待识别用户图像旋转该差值大小的角度。
7)设置汉明距离阈值,利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离,其中汉明距离最小的即为与待识别图像最相似的注册用户,并将最小的汉明距离与汉明距离阈值比较,判断是否检索到该用户,其具体步骤包括:
7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码;
7.2)设定一个汉明距离阈值dthreshold,利用异或运算操作,计算待识别用户编码和每一个注册用户编码的汉明距离d;
7.3)在汉明距离d中选取最小值dmin,并将其与汉明距离阈值dthreshold比较,判断待识别用户是否为与此最小汉明距离dmin对应的注册用户。
本实施例中,采集两百万个注册用户的手指静脉图像,通过本发明的指静脉超大用户量下的高速检索算法,按照步骤1)和2)的方法进行图像尺寸归一化和图像增强处理,按照步骤3)的方法计算注册用户图像的特征点中心坐标和旋转角,接着按照步骤4)计算增强图像的一阶导数和二阶导数,求取图像各像素点的平均曲率,按照步骤5)对所有注册用户的手指静脉图像进行二值化,并转化为一维二值编码,建立大小为640MB的手指静脉图像检索数据库。
待识别的用户手指静脉图像也通过本发明的指静脉超大用户量下的高速检索算法,按照步骤1)、2)的方法进行图像尺寸归一化和图像增强处理,按照步骤3)的方法计算待识别用户图像的特征点中心坐标和旋转角,接着按照步骤4)计算增强图像的一阶导数和二阶导数,求取图像各像素点的平均曲率,按照步骤5)对待识别用户的手指静脉图像进行二值化,按照步骤6)对待识别用户的二值静脉图进行平移和旋转校准,然后按照步骤7)将待识别用户二值图转化为一维二值编码,与手指静脉图像检索数据库的每一个注册用户的一维二值编码进行异或运算操作,统计获得的新编码中值为1的字码个数,即为待识别用户二值编码和每一个注册用户二值编码的汉明距离。遍历所有注册用户二值编码与待识别用户二值编码的汉明距离,统计最小的汉明距离所对应的注册用户编码,该注册用户即为所有注册用户中检索出来与待识别用户最相似的,整个检索流程结束。本实施例的处理器为2.8GHz的Core i5-8400,平均一次检索时间为289ms,相较于之前直接检索的2436ms,速度有较大的提升。
实施例结果表明,本发明的指静脉超大用户量下的高速检索算法提高了超大用户量下的检索速度,减少了指静脉识别所需时间,改善了用户的体验。
以上结合实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍属于本发明的专利涵盖范围之内。
Claims (6)
1.一种指静脉超大用户量下的高速检索算法,其特征在于:其包括以下步骤:
1)采集待识别用户及所有注册用户的手指静脉图像,并进行图像尺寸归一化;
2)对尺寸归一化的图像进行图像增强处理;
3)对增强的图像进行特征点检测,计算每一张图像中所有特征点的中心坐标P和旋转角θ,具体步骤包括:
3.1)基于像素点周围的图像灰度值,检测该点周围一圈的像素值,若该点周围领域内有足够多的像素点与该候选点的灰度值差别够大,则认为该点为特征点;
3.2)根据这些特征点的坐标,计算所有特征点的中心坐标P,
其中,x表示特征点的行坐标,y表示特征点的列坐标,C.size为特征点个数,i’为特征点的编号;
3.3)根据中心点坐标P,把所有特征点分为上下两簇,分族的算法为:
计算上下簇的中心PU、PD坐标,其中,U为上簇,D为下簇;
3.4)根据上下族中心坐标PU、PD计算图像的角度θ,
4)计算增强图像的一阶导数和二阶导数,并根据一阶导数和二阶导数计算图像各像素点的平均曲率Cm;
5)根据图像各像素点的平均曲率Cm,对每一张手指静脉图像进行二值化;
6)基于特征点的中心坐标P和旋转角θ,对待识别用户的二值静脉图像进行平移和旋转校准;
7)设置汉明距离阈值,利用异或运算分别计算待识别用户二值图和每一个注册用户二值图之间的汉明距离,其中汉明距离最小的即为与待识别图像最相似的注册用户,并将最小的汉明距离与汉明距离阈值比较,判断是否检索到该用户,具体步骤包括:
7.1)分别将经过平移和旋转校准的待识别用户二值图和每一个注册用户二值图转化为一维编码;
7.2)设定一个汉明距离阈值dthreshold,利用异或运算操作,计算待识别用户编码和每一个注册用户编码的汉明距离d;
7.3)在汉明距离d中选取最小值dmin,并将其与汉明距离阈值dthreshold比较,判断待识别用户是否为与此最小汉明距离dmin对应的注册用户。
2.根据权利要求1所述的指静脉超大用户量下的高速检索算法,其特征在于:所述的步骤2)中,图像的增强处理是基于限制对比度的自适应直方图均衡化实现的,其具体步骤包括:
2.1)将图像均分成若干份大小为M个像素的矩形块,统计各块内的灰度直方图Hist(i);
2.2)对灰度直方图Hist(i)进行M/N×Climit限幅剪裁,得到限幅直方图Hcut(i),其中,N表示灰度等级;
2.3)基于限幅直方图Hcut(i),计算各块限幅直方图的累积分布函数CDF(i),
其中,i表示灰度值;
2.4)基于累积分布函数CDF(i),求取直方图均衡化的灰度映射函数m(i),
m(i)=N/M×CDF(i) (2);
2.5)位于矩形块中心的像素点的通过该矩形块的灰度映射函数m(i)实现图像增强,其他位置的像素点通过该点周边的矩形块的灰度映射函数m(i)的插值实现图像增强。
6.根据权利要求1所述的指静脉超大用户量下的高速检索算法,其特征在于:所述的步骤6)的具体步骤包括:
6.1)计算待识别用户图像和注册用户图像之间特征点的中心坐标的差值,并将待识别用户图像平移该差值大小的像素;
6.2)计算待识别用户图像和注册用户图像之间特征点的旋转角的差值,并将待识别用户图像旋转该差值大小的角度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007636.4A CN111222456B (zh) | 2020-01-04 | 2020-01-04 | 一种指静脉超大用户量下的高速检索算法 |
PCT/CN2020/122353 WO2021135533A1 (zh) | 2020-01-04 | 2020-10-21 | 一种指静脉超大用户量下的高速检索算法及识别设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007636.4A CN111222456B (zh) | 2020-01-04 | 2020-01-04 | 一种指静脉超大用户量下的高速检索算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222456A CN111222456A (zh) | 2020-06-02 |
CN111222456B true CN111222456B (zh) | 2023-06-23 |
Family
ID=70830984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010007636.4A Active CN111222456B (zh) | 2020-01-04 | 2020-01-04 | 一种指静脉超大用户量下的高速检索算法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111222456B (zh) |
WO (1) | WO2021135533A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222456B (zh) * | 2020-01-04 | 2023-06-23 | 圣点世纪科技股份有限公司 | 一种指静脉超大用户量下的高速检索算法 |
CN114023249A (zh) * | 2021-10-29 | 2022-02-08 | 卡莱特云科技股份有限公司 | Led显示屏图像的灯点提取方法、装置及led显示屏校正方法 |
CN115578760B (zh) * | 2022-11-15 | 2023-05-30 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制***及控制方法 |
CN117133027B (zh) * | 2023-10-26 | 2024-02-09 | 江苏圣点世纪科技有限公司 | 一种复杂背景下掌静脉识别中手掌边界分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400134A (zh) * | 2013-06-28 | 2013-11-20 | 哈尔滨工程大学 | 非接触式手指静脉样本感兴趣区域提取方法 |
CN108171188A (zh) * | 2018-01-04 | 2018-06-15 | 天津大学 | 用于快速匹配识别手指静脉的mcm方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853378A (zh) * | 2010-05-24 | 2010-10-06 | 哈尔滨工程大学 | 基于相对距离的手指静脉识别方法 |
JP5729029B2 (ja) * | 2011-03-10 | 2015-06-03 | セイコーエプソン株式会社 | 識別装置及び識別方法 |
CN106127151B (zh) * | 2016-06-23 | 2019-04-19 | 北京海鑫科金高科技股份有限公司 | 基于改进局部二值模型的指静脉识别方法及装置 |
CN106228118A (zh) * | 2016-07-13 | 2016-12-14 | 山西圣点世纪科技股份有限公司 | 一种特征点和二值图像结合的手指静脉识别方法 |
CN109583279A (zh) * | 2017-09-29 | 2019-04-05 | 山西圣点世纪科技股份有限公司 | 一种指纹和指静脉联合识别算法 |
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 |
CN110443128B (zh) * | 2019-06-28 | 2022-12-27 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
CN111222456B (zh) * | 2020-01-04 | 2023-06-23 | 圣点世纪科技股份有限公司 | 一种指静脉超大用户量下的高速检索算法 |
-
2020
- 2020-01-04 CN CN202010007636.4A patent/CN111222456B/zh active Active
- 2020-10-21 WO PCT/CN2020/122353 patent/WO2021135533A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400134A (zh) * | 2013-06-28 | 2013-11-20 | 哈尔滨工程大学 | 非接触式手指静脉样本感兴趣区域提取方法 |
CN108171188A (zh) * | 2018-01-04 | 2018-06-15 | 天津大学 | 用于快速匹配识别手指静脉的mcm方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111222456A (zh) | 2020-06-02 |
WO2021135533A1 (zh) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222456B (zh) | 一种指静脉超大用户量下的高速检索算法 | |
Casanova et al. | Plant leaf identification using Gabor wavelets | |
CN111639559B (zh) | 一种基于地形凹凸特性的指静脉机器学习识别方法及装置 | |
CN101561866B (zh) | 基于sift特征与灰度差值直方图特征的文字识别方法 | |
CN108764041B (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
Zagoris et al. | Segmentation-based historical handwritten word spotting using document-specific local features | |
CN112036382A (zh) | 一种基于地形点分类的指静脉特征提取及识别方法和装置 | |
Zohrevand et al. | Line segmentation in Persian handwritten documents based on a novel projection histogram method | |
CN113936303B (zh) | 一种手部图像最大内接矩形确定方法及图像识别方法 | |
CN111445386A (zh) | 基于文本内容四点检测的图像校正方法 | |
Hussain et al. | Keyword based information retrieval system for Urdu document images | |
Anggraeny et al. | Texture feature local binary pattern for handwritten character recognition | |
Thaker et al. | Structural feature extraction to recognize some of the offline isolated handwritten Gujarati characters using decision tree classifier | |
Qu et al. | Research on preprocessing of palmprint image based on adaptive threshold and Euclidian distance | |
Wang et al. | Finger vein roi extraction based on robust edge detection and flexible sliding window | |
Ahmed et al. | Minutiae based partial fingerprint registration and matching method | |
CN113936305A (zh) | 一种手掌识别过程中的中指位置确认方法及特征提取方法 | |
CN112560696A (zh) | 小尺寸指纹图像识别方法 | |
Lakshmi et al. | Plant leaf image detection method using a midpoint circle algorithm for shape-based feature extraction | |
CN113361412B (zh) | 一种基于ulbp和surf的特征递进的手指静脉图像精确匹配方法 | |
Gargoum et al. | Utilizing ear biometrics for individual identifications using hog and lbp | |
CN116403232B (zh) | 一种基于像素值波动的图书信息提取方法 | |
Xiong et al. | Chinese writer identification using contour-directional feature and character pair similarity measurement | |
Zhao et al. | Offline printed Tai Le character recognition using VGGNET | |
CN107844791A (zh) | 基于图像处理技术的长导轨距离检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A High speed Retrieval Algorithm for Finger Vein with Large User Volume Granted publication date: 20230623 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |