CN111639555A - 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 - Google Patents
一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 Download PDFInfo
- Publication number
- CN111639555A CN111639555A CN202010414619.2A CN202010414619A CN111639555A CN 111639555 A CN111639555 A CN 111639555A CN 202010414619 A CN202010414619 A CN 202010414619A CN 111639555 A CN111639555 A CN 111639555A
- Authority
- CN
- China
- Prior art keywords
- noise
- filtering
- finger vein
- response value
- template
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 92
- 210000003462 vein Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
- G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
-
- 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
- G06V10/30—Noise filtering
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置,方法包括:1)基于二维高斯模板计算指静脉图像的多方向曲率响应值;2)设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况确定噪声区域并提取噪声区域图像;3)通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。装置包括计算模块、噪声区域提取模块和噪声区域滤除模块。本发明涉及的方法可以实现指静脉图像的噪声精确有效检测,并对检测出来的噪声区域实现精准快速的滤波处理,有效提升包含噪声的指静脉图像的识别性能,提高指静脉识别***的实际使用体验。
Description
技术领域
本发明属于信息安全中的生物特征识别技术领域,尤其涉及一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置。
背景技术
指静脉识别技术属于生物特征识别技术,是第二代生物特征识别技术中的典型技术。其突出的技术特点是所采集的生物特征位于体内,相比指纹,人脸等传统的生物特征,具有更高的安全性和不可复制性。其特征采集依赖于血液中的血红蛋白对近红外光的吸收,从根源上保证了活体识别,同时手指静脉纹路具有唯一性和长期不变性,是一种高度安全的,具有巨大研究价值的生物特征。
研究发现,手指上的裂纹、起皮区域或者采集窗口上的灰尘均会体现在指静脉图像中,并且其灰度值一般比指静脉纹路区域低,在指静脉图像中属于噪声区域。当指静脉图像中存在噪声时,噪声的不稳定性会对指静脉识别***的实际使用体验造成很大问题:当图像的噪声过多时,验证通过率会降低,甚至无法验证成功。因此当指静脉图像中存在噪声时,需要对噪声区域进行检测和滤波去噪,提高包含噪声图像的验证成功率。
指静脉识别的方法如专利号为CN110119724A公开的指静脉识别方法,包括如下步骤:对高清摄像头采集的图像进行ROI定位;对图像不同部分进行灰度归一化处理;对图像进行均值滤波、高斯滤波消除噪声;使用曲率检测判断纹路中心位置;通过gamma变换增强灰度图的对比度;使用基于索引表的细化方法来判断边缘像素点;将提取指静脉骨架进行融合、膨胀、平滑处理;通过模板匹配、Hu不变矩、改进的Zernike矩,进行指静脉识别。
上述现有技术中,对图像进行均值滤波、高斯滤波消除噪声,该消除噪声的方法存在的缺陷是:噪声区域的定位不够准确,滤波处理的速度不够快。
发明内容
本发明的目的是为了解决现有技术中指静脉识别过程中指静脉图像的噪声区域定位不够准确,滤波处理速度不够快的缺陷,提出一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置。
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图像噪声精确提取和自适应滤波去噪方法,包括以下步骤:
1)基于二维高斯模板计算指静脉图像的多方向曲率响应值;
2)设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况及阈值确定噪声区域并提取噪声区域图像;
3)通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。
优选地,所述的步骤1)的具体步骤包括:
1.1)依据二维高斯函数构造8方向的曲率计算算子,二维高斯函数为:
式中,x和y分别表示模板的长和宽;
1.2)计算多方向曲率,曲率的计算涉及一阶偏导数的计算、二阶偏导数的计算以及计算高斯函数在直线Lθ方向上的一阶、二阶方向导数,其中,
一阶偏导数的计算公式为:
二阶偏导数的计算公式为:
计算高斯函数在直线Lθ方向上的一阶、二阶方向导数的计算公式为:
式中,θ表示引入的夹角,其为某直线Lθ与x轴正方向的夹角;
1.3)计算多方向曲率响应值,计算公式为:
优选地,所述的步骤2)具体包括:
2.1)设定最大曲率响应值阈值T1,根据最大曲率响应值阈值T1进行疑似噪声点的筛选;
2.2)设定曲率响应值阈值S以及超过曲率响应值阈值的数量阈值T2,根据率响应值阈值S和超过曲率响应值阈值的数量阈值T2确定噪声区域;
2.3)提取噪声区域图像。
优选地,所述的率响应值阈值S小于最大曲率响应值阈值T1。
优选地,所述的率响应值阈值S的大小为:S=T1/2。
优选地,所述步骤3)的具体包括:
3.1)设定噪声点的比例值η,根据比例值η计算最大中值滤波模板大小;
3.2)根据最大中值滤波模板大小,进行由外到内的逐圈中值滤波,得到去噪后的指静脉图像。
优选地,所述步骤3.1)中计算最大中值滤波模板大小的具体步骤包括:
3.1.1)设定模板为正方形模板,模板的初始边长为1;
3.1.2)计算当前模板大小内的所有点中噪声点的比例;
3.1.3)若当前模板大小内的所有点中噪声点的比例小于η,则认定当前模板大小为最佳匹配的中值滤波模板大小,若当前模板大小内的所有点中噪声点的比例大于或等于η,则在当前模板边长的基础上增大边长,返回步骤3.1.2)。
优选地,所述的步骤3.1.3)中边长每次的增加量为1。
优选地,所述步骤3.2)中由外到内的逐圈中值滤波的具体方式为:在每一圈中值滤波定义为四个方向都执行一遍,即从上到下,从下到上,从左到右,从右到左为一圈,每次只对一个噪声点进行处理,执行完第一圈后,图像中的噪声区域的最外层噪声点均被滤除,此时将其标记为正常点,再进行下一圈滤波,且每进行一圈滤波,都需要重新计算最大中值滤波模板的大小。
本发明还涉及一种指静脉图像噪声精确提取和自适应滤波去噪装置,包括:
1)计算模块,基于二维高斯模板计算指静脉图像的多方向曲率响应值;
2)噪声区域提取模块,用于设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况确定噪声区域并提取噪声区域图像;
3)噪声区域滤除模块,用于通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。
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:
本发明提出一种指静脉图像噪声精确提取和自适应滤波去噪方法,首先基于二维高斯模板进行指静脉图像的多方向曲率值计算,然后根据曲率值进行噪声区域提取,再通过逐圈自适应大小的中值滤波对噪声点进行滤除,实现指静脉图像的噪声区域检测和噪声滤除,本发明涉及的方法可以实现指静脉图像的噪声精确有效检测,并对检测出来的噪声区域实现精准快速的滤波处理,有效提升包含噪声的指静脉图像的识别性能,提高指静脉识别***的实际使用体验。
附图说明
图1是指静脉图像噪声精确提取和自适应滤波去噪方法的流程图;
图2是一幅包含噪声的指静脉灰度图像;
图3是阈值T2判断出的疑似噪声区域图像;
图4是经过自适应逐圈中值滤波后的图像;
图5是不同噪声形态的指静脉灰度图像例举;
图6是不同噪声图像库去噪后的图像;
图7是指静脉图像噪声精确提取和自适应滤波去噪的框图。
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。
实施例一
结合附图1所示,本发明涉及的指静脉图像噪声精确提取和自适应滤波去噪方法包括以下步骤:
1)对于一幅指静脉灰度图像,如图2所示,图像大小为320×140,明显可见图像中存在灰度值低的,分布较为分散的噪声点,基于二维高斯模板计算指静脉图像的多方向曲率响应值,其具体步骤包括:
1.1)依据二维高斯函数构造8方向的曲率计算算子,二维高斯函数为:
式中,x和y分别表示模板的长和宽,本实施例中选定的二维高斯模板为9×9的正方形模板,及x=y=9;
1.2)计算多方向曲率,曲率的计算涉及一阶偏导数的计算、二阶偏导数的计算以及计算高斯函数在直线Lθ方向上的一阶、二阶方向导数,其中,
一阶偏导数的计算公式为:
二阶偏导数的计算公式为:
计算高斯函数在直线Lθ方向上的一阶、二阶方向导数的计算公式为:
式中,θ表示引入的夹角,其为某直线Lθ与x轴正方向的夹角,本实施例中角度参数θ取值为0°,22.5°,45°,67.5°,90°,112.5°,135°,157.5°;
1.3)计算多方向曲率响应值Kθ,计算公式为:
2)设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况及阈值确定噪声区域并提取噪声区域图像,具体步骤为:
2.1)由于噪声区域的曲率值一般很大,且由于其连续性差,存在多个方向角度上面均有较大值,因此首先设定最大曲率响应值阈值T1,本实施例中T1为280,根据最大曲率响应值阈值T1进行疑似噪声点的筛选,即当某个点的最大曲率值大于T1时,列为疑似噪声点;
2.2)设定率响应值阈值S以及超过曲率响应值阈值的数量阈值T2,其中,率响应值阈值S的大小小于最大曲率响应值阈值T1,本实施例中,S=T1/2,超过曲率响应值阈值的数量阈值T2为5,根据率响应值阈值S和超过曲率响应值阈值的数量阈值T2确定噪声区域,即需要满足至少在5个方向上面,曲率响应值超过140,同时最大曲率响应值超过280,才认为当前点是确定的噪声区域,提取得到如图4所示的噪声区域图像,对比图2和图3可见,提取出的噪声区域图像可以精确反应出图像中的噪声分布情况,做到了精确的检测。
3)得到精确的噪声区域图像后,通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像,其具体步骤包括:
3.1)由于中值滤波的模板大小对于滤波效果和效率有直接影响,指静脉图像中的噪声区域存在大小不一的现象,如果整幅图像使用较大的中值滤波模板,滤波时间会较长;如果使用较小的模板,对于一些大块的噪声区域,滤波效果不佳。因此对于某个噪声点,需要确定它的最佳中值滤波模板大小。中值滤波原理是选取模板内的所有值排序后的中间值替换掉当前值,如果某个点为噪声点,那么该点的灰度值是处于模板大小内所有值排序的边缘区域,要保证中值是接近正常灰度范围,需要保证当前模板内的点中,噪声点数量的比例不能过高,因此在确定中值滤波的模板大小时,需要设定噪声点的比例值η,本实施例中比例值η为30%,即保证当前参与中值滤波的模板内的点中,噪声点的比例不超过30%,此时的滤波效果较佳,根据比例值η计算最大中值滤波模板大小,即
3.1.1)设定模板为正方形模板,模板的初始边长为1;
3.1.2)计算当前模板大小内的所有点中噪声点的比例;
3.1.3)若当前模板大小内的所有点中噪声点的比例小于η,则认定当前模板大小为最佳匹配的中值滤波模板大小,若当前模板大小内的所有点中噪声点的比例大于或等于η,则在当前模板边长的基础上增大边长,边长每次的增加量为1,返回步骤3.1.2),通过上述方法,得到本实施例的最大中值滤波模板边长为6;
3.2)根据最大中值滤波模板大小,进行由外到内的逐圈中值滤波,得到去噪后的指静脉图像,其具体方式为:在每一圈中值滤波定义为四个方向都执行一遍,即从上到下,从下到上,从左到右,从右到左为一圈,每次只对一个噪声点进行处理,执行完第一圈后,图像中的噪声区域的最外层噪声点均被滤除,此时将其标记为正常点,再进行下一圈滤波;需要注意的是:每进行一圈滤波,都需要重新计算最大中值滤波模板的大小,经过滤波后的图像如图4所示,对比图2可见,图像中的噪声区域基本被滤除干净,静脉纹路成为了图像中的主要的灰度值低的区域,静脉特征明显。
为了分析本发明方法的去噪有效性,选择了多种形态不同类型的噪声图像库,例举如图5所示,总共3种噪声类型的图像,作为比对图像,同时还保存了1组正常采集图像库,不包含噪声,作为模板图像。3种噪声图像库去噪后的情况对应如图6所示,可见本发明方法对于不同程度,不同分布形态的噪声均存在较好的滤波效果。对比试验基于上述4组图像库,每组图像库包含100根手指,每根手指5张图像。将正常图像输入***作为模板,将3组噪声图像库直接输入***作为验证图像,得到不去噪处理的验证结果,将3组噪声图像库经过本发明方法去噪处理后输入***作为验证图像,得到去噪处理后的验证结果,分别统计了其验证通过率和认假率,其中统计认假率时,将本根手指模板屏蔽掉,只与其余99根手指模板比对。对于每一种噪声图像库,统计验证成功率的结果共有1500个,统计认假率的结果也共有1500个。得到如表1的去噪前后成功率和认假率比较。
表1:去噪前后成功率和认假率比较
由表1结果可知,指静脉图像包含噪声后,识别率有不同程度的降低,且噪声越严重,识别率降低越大。本发明方法对噪声图像去噪后,可以明显提升其识别率,对于3种不同程度的噪声图像库,识别率分别提升12.40%,15.53%和15.60%,且对噪声越严重的图像,识别率提升越大,而认假率方面去噪后没有新增认假,说明去噪方法可以提升噪声图像库的整体识别性能。
实施例二
参照图7所示,本实施例涉及一种指静脉图像噪声精确提取和自适应滤波去噪装置,包括:
1)计算模块,基于二维高斯模板计算指静脉图像的多方向曲率响应值;所述的计算模块是实现实施例一步骤1)功能的模块。
2)噪声区域提取模块,用于设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况确定噪声区域并提取噪声区域图像;所述噪声区域提取模块是实现实施例一步骤2)功能的模块。
3)噪声区域滤除模块,用于通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。所述噪声区域滤除模块是实现实施例一步骤3)功能的模块。
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 (10)
1.一种指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:其包括以下步骤:
1)基于二维高斯模板计算指静脉图像的多方向曲率响应值;
2)设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况及阈值确定噪声区域并提取噪声区域图像;
3)通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。
3.根据权利要求1所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述的步骤2)具体包括:
2.1)设定最大曲率响应值阈值T1,根据最大曲率响应值阈值T1进行疑似噪声点的筛选;
2.2)设定率响应值阈值S以及超过曲率响应值阈值的数量阈值T2,根据率响应值阈值S和超过曲率响应值阈值的数量阈值T2确定噪声区域;
2.3)提取噪声区域图像。
4.根据权利要求3所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述的率响应值阈值S小于最大曲率响应值阈值T1。
5.根据权利要求4所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述的曲率响应值阈值S的大小为:S=T1/2。
6.根据权利要求1所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述步骤3)的具体包括:
3.1)设定噪声点的比例值η,根据比例值η计算最大中值滤波模板大小;
3.2)根据最大中值滤波模板大小,进行由外到内的逐圈中值滤波,得到去噪后的指静脉图像。
7.根据权利要求6所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述步骤3.1)中计算最大中值滤波模板大小的具体步骤包括:
3.1.1)设定模板为正方形模板,模板的初始边长为1;
3.1.2)计算当前模板大小内的所有点中噪声点的比例;
3.1.3)若当前模板大小内的所有点中噪声点的比例小于η,则认定当前模板大小为最佳匹配的中值滤波模板大小,若当前模板大小内的所有点中噪声点的比例大于或等于η,则在当前模板边长的基础上增大边长,返回步骤3.1.2)。
8.根据权利要求7所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述的步骤3.1.3)中边长每次的增加量为1。
9.根据权利要求6所述的指静脉图像噪声精确提取和自适应滤波去噪方法,其特征在于:所述步骤3.2)中由外到内的逐圈中值滤波的具体方式为:在每一圈中值滤波定义为四个方向都执行一遍,即从上到下,从下到上,从左到右,从右到左为一圈,每次只对一个噪声点进行处理,执行完第一圈后,图像中的噪声区域的最外层噪声点均被滤除,此时将其标记为正常点,再进行下一圈滤波,且每进行一圈滤波,都需要重新计算最大中值滤波模板的大小。
10.一种指静脉图像噪声精确提取和自适应滤波去噪装置,其特征在于:其包括:
1)计算模块,基于二维高斯模板计算指静脉图像的多方向曲率响应值;
2)噪声区域提取模块,用于设定最大曲率响应值阈值T1、曲率响应值阈值S和超过曲率响应值阈值的数量阈值T2,根据曲率响应值分布情况确定噪声区域并提取噪声区域图像;
3)噪声区域滤除模块,用于通过逐圈自适应中值滤波方法将噪声区域滤除,得到去噪后的指静脉图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414619.2A CN111639555B (zh) | 2020-05-15 | 2020-05-15 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414619.2A CN111639555B (zh) | 2020-05-15 | 2020-05-15 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639555A true CN111639555A (zh) | 2020-09-08 |
CN111639555B CN111639555B (zh) | 2023-06-20 |
Family
ID=72330834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414619.2A Active CN111639555B (zh) | 2020-05-15 | 2020-05-15 | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639555B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113790818A (zh) * | 2021-08-10 | 2021-12-14 | 中国电子科技集团公司第十三研究所 | 可见光热反射测温方法及测温设备 |
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100049407A (ko) * | 2008-11-03 | 2010-05-12 | 서울대학교산학협력단 | 평균 곡률을 이용하는 지정맥 인증 방법 및 장치 |
US20130051674A1 (en) * | 2010-05-07 | 2013-02-28 | Bart Goossens | Method and device for estimating noise in a reconstructed image |
CN103020958A (zh) * | 2012-11-22 | 2013-04-03 | 北京理工大学 | 一种基于曲率尺度空间的血管自动匹配方法 |
JP5951817B1 (ja) * | 2015-02-09 | 2016-07-13 | コリセン カンパニー リミテッドKorecen Co.,Ltd. | 指静脈認証システム |
EP3057034A1 (en) * | 2015-02-10 | 2016-08-17 | Korecen Co., Ltd. | Finger vein authentication system |
CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 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 |
CN108256456A (zh) * | 2018-01-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于多特征阈值融合的手指静脉识别方法 |
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN109145792A (zh) * | 2018-08-09 | 2019-01-04 | 钧安科技(深圳)有限公司 | 双指定形指静脉识别装置及方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
CN110751029A (zh) * | 2019-09-12 | 2020-02-04 | 南京邮电大学 | 基于最大曲率自适应指静脉纹路提取方法 |
CN110852280A (zh) * | 2019-11-13 | 2020-02-28 | 圣点世纪科技股份有限公司 | 一种指静脉设备镜面异物的检测算法 |
-
2020
- 2020-05-15 CN CN202010414619.2A patent/CN111639555B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100049407A (ko) * | 2008-11-03 | 2010-05-12 | 서울대학교산학협력단 | 평균 곡률을 이용하는 지정맥 인증 방법 및 장치 |
US20130051674A1 (en) * | 2010-05-07 | 2013-02-28 | Bart Goossens | Method and device for estimating noise in a reconstructed image |
CN103020958A (zh) * | 2012-11-22 | 2013-04-03 | 北京理工大学 | 一种基于曲率尺度空间的血管自动匹配方法 |
JP5951817B1 (ja) * | 2015-02-09 | 2016-07-13 | コリセン カンパニー リミテッドKorecen Co.,Ltd. | 指静脈認証システム |
EP3057034A1 (en) * | 2015-02-10 | 2016-08-17 | Korecen Co., Ltd. | Finger vein authentication system |
CN106096569A (zh) * | 2016-06-20 | 2016-11-09 | 广州中国科学院先进技术研究所 | 一种手指静脉识别方法 |
CN106127151A (zh) * | 2016-06-23 | 2016-11-16 | 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 |
CN108256456A (zh) * | 2018-01-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于多特征阈值融合的手指静脉识别方法 |
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN109145792A (zh) * | 2018-08-09 | 2019-01-04 | 钧安科技(深圳)有限公司 | 双指定形指静脉识别装置及方法 |
CN110188614A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 |
CN110119724A (zh) * | 2019-05-16 | 2019-08-13 | 天津科技大学 | 一种指静脉识别方法 |
CN110751029A (zh) * | 2019-09-12 | 2020-02-04 | 南京邮电大学 | 基于最大曲率自适应指静脉纹路提取方法 |
CN110852280A (zh) * | 2019-11-13 | 2020-02-28 | 圣点世纪科技股份有限公司 | 一种指静脉设备镜面异物的检测算法 |
Non-Patent Citations (9)
Title |
---|
LI, JN ET AL: "Finger vein feature extraction based on improved maximum curvature description", 《PROCEEDING OF THE 38TH CHINESE CONTROL CONFERENCE》 * |
LI, JN ET AL: "Finger vein feature extraction based on improved maximum curvature description", 《PROCEEDING OF THE 38TH CHINESE CONTROL CONFERENCE》, 17 October 2019 (2019-10-17), pages 7566 - 7571 * |
NAMBURETE, AIL ET AL: "Computational methods for quantifying in vivo muscle fascicle curvature from ultrasound images", 《JOURNAL OF BIOMECHANICS》 * |
NAMBURETE, AIL ET AL: "Computational methods for quantifying in vivo muscle fascicle curvature from ultrasound images", 《JOURNAL OF BIOMECHANICS》, vol. 44, no. 14, 12 August 2011 (2011-08-12), pages 2538 - 2543 * |
周昌雄;于盛林;祖克举;: "基于L-曲率流滤波器的图像降噪算法", 《光学精密工程》, no. 06, pages 759 - 765 * |
孙晓琳: "指静脉图像模式提取算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孙晓琳: "指静脉图像模式提取算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, 15 January 2013 (2013-01-15), pages 138 - 1698 * |
蓝师伟: "低图像质量下的手指静脉识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蓝师伟: "低图像质量下的手指静脉识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, 15 January 2020 (2020-01-15), pages 138 - 1234 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113790818A (zh) * | 2021-08-10 | 2021-12-14 | 中国电子科技集团公司第十三研究所 | 可见光热反射测温方法及测温设备 |
CN113790818B (zh) * | 2021-08-10 | 2023-09-26 | 中国电子科技集团公司第十三研究所 | 可见光热反射测温方法及测温设备 |
CN115272684A (zh) * | 2022-09-29 | 2022-11-01 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
CN115272684B (zh) * | 2022-09-29 | 2022-12-27 | 山东圣点世纪科技有限公司 | 一种静脉图像增强过程中伪噪声的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639555B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035163B (zh) | 一种基于深度学习的自适应图像去噪方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN107066942A (zh) | 一种活体人脸识别方法及*** | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN104091145B (zh) | 人体掌脉特征图像采集方法 | |
CN104331683B (zh) | 一种具有噪声鲁棒性的人脸表情识别方法 | |
CN104239769A (zh) | 基于手指静脉特征的身份识别方法及*** | |
CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及*** | |
US11475707B2 (en) | Method for extracting image of face detection and device thereof | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及*** | |
CN102915435A (zh) | 一种基于人脸能量图的多姿态人脸识别方法 | |
US20180144179A1 (en) | Image processing device, image processing method, and image processing program | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
CN106548176A (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN107742302B (zh) | 基于初级视皮层多尺度轮廓融合的轮廓检测方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN105550646A (zh) | 基于对数梯度直方图的广义光照不变人脸特征描述方法 | |
CN107153807A (zh) | 一种二维主成分分析的非贪婪人脸识别方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN112101293A (zh) | 人脸表情的识别方法、装置、设备及存储介质 | |
CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A precise noise extraction and adaptive filtering denoising method and device for finger vein images Granted publication date: 20230620 Pledgee: Bank of China Limited Taiyuan Binzhou sub branch Pledgor: Holy Point Century Technology Co.,Ltd. Registration number: Y2024140000011 |