CN112288010B - 基于网络学习的指静脉图像质量评价方法 - Google Patents
基于网络学习的指静脉图像质量评价方法 Download PDFInfo
- Publication number
- CN112288010B CN112288010B CN202011186315.1A CN202011186315A CN112288010B CN 112288010 B CN112288010 B CN 112288010B CN 202011186315 A CN202011186315 A CN 202011186315A CN 112288010 B CN112288010 B CN 112288010B
- Authority
- CN
- China
- Prior art keywords
- image
- quality evaluation
- finger vein
- vein image
- vein
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明针对手指静脉识别***性能受采集图像质量影响较大的问题,综合考虑手指静脉图像特点,提出了一种基于网络学习的指静脉图像质量评价方法。首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价,并得到七个相应的质量评价分数;再将七个质量评价分数进行归一化处理,以避免数量级相差过大;最后将归一化后的图像质量评价分数作为网络输入,设计MEA‑BP‑Adaboost强分类器获得静脉图像总质量评估等级。本发明为手指静脉图像质量对识别精度影响较大的问题提出新的解决思路,对待识别图像依据图像质量评价指标进行质量评价,有利于提高不同环境下采集到的手指静脉图像的一致性,从而提高静脉识别***后续的匹配识别准确性。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种基于网络学习的手指静脉图像质量评价方法。
背景技术
手指静脉识别技术利用手指内部血管特征成像,不受手指表面情况影响,且由于其成像采用近红外光透射血管,由血管中的血红蛋白吸收红外线形成血管纹路,一旦个体失活无法采集到静脉纹路,具有活体采集的特点,防伪性与安全性极高。
但在采集过程中,由于光照原因、手指摆放位置不当以及传感器噪声等原因,使静脉图像存在降质甚至后续认证***无法识别的情况,严重影响静脉认证***性能。针对这一问题,本发明提出在采集过程进行手指静脉图像质量评价,对于质量严重低下的图像给出重新采集的提示。本发明充分分析了手指静脉的特性,提出一种基于网络学习的指静脉图像质量评价方法,以期获得一种无参考的、实用价值高的手指静脉图像质量评价方法。
发明内容
本发明的目的在于提供一种基于网络学习的指静脉图像质量评价方法,该方法在静脉图像采集过程中综合7种无参考评价指标对图像进行评价,将7个图像质量评估指标分数作为神经网络的输入,采用线性加权得到MEA-BP-Adaboost强分类器,最后使用决策树将各强分类器级联成一个层叠分类器,输出最终的判决结果,能够准确评价出采集到的手指静脉图像的质量。
本发明的目的是这样实现的:
一种基于网络学习的指静脉图像质量评价方法,首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价,并得到七个相应的质量评价分数;再将七个质量评价分数进行归一化处理,以避免数量级相差过大;最后将归一化后的图像质量评价分数作为神经网络输入,设计MEA-BP-Adaboost方法获得静脉图像总质量评估分数。
所述的基于网络学习的指静脉图像质量评价方法,所述的亮度均匀性是测量一幅图像亮度分布变化的指标,衡量的是图像亮度的起伏变化的程度,计算方法如下:
首先对手指静脉图像进行分块处理,将图像分割成大小相等的5×5个小块,然后分别计算图像中每小块的平均亮度。图像亮度公式为:
其中N为每个小块的像素个数;
所述的基于网络学习的指静脉图像质量评价方法,所述的归一化处理是针对亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数这七个质量评价指标的计算结果不完全在同一个数量级上,本发明对上述评价指标进行如下归一化处理:
所述的基于网络学习的指静脉图像质量评价方法,所述的MEA-BP-Adaboost强分类器首先采用思维进化算法(MEA)调整BP神经网络的权值和阈值,设计出融合MEA与BP的静脉图像质量评价网络,再将归一化后的7个图像质量评估指标分数作为该神经网络的输入,然后根据 BP 神经网络的拓扑结构,在解空间随机生成一定规模的个体,将解空间映射到编码空间,每个编码对应一个个体。接下来设置BP神经网络拓扑结构为 7-10-1,编码长度为91。然后对训练集求均方误差,并将其结果求倒数作为个体和种群的得分函数,利用思维进化算法,经过不断迭代,输出最优个体,并将此个体作为初始的权值或阈值,接下来由10个BP弱分类器反复训练预测样本输出,利用Adaboost算法对10个弱分类器线性加权得到强分类器,然后使用决策树将各强分类器级联成一个层叠分类器,其中每一层都是Adaboost算法训练得到的一个强分类器,每层的强分类器经过阈值调整,输出静脉图像质量评价总分数,然后利用sign函数将其转化为标签,并与主观质量评估标签对比,最终得到图像质量评估的识别率。
所述的基于网络学习的指静脉图像质量评价方法,所述的融合MEA与BP的静脉图像质量评价网络选用三层神经网络进行图像分类,采用七个静脉图像质量评价指标作为输入,因此在输入层设置7个神经元,输出层根据输出的结果选择1个输出神经元,隐含层神经元可以采用公式,来计算,最后取值为10,本发明最大训练次数为100,学习率为0.01,训练精度为0.0001,种群规模为60,优胜子种群和临时子种群个数为5,迭代次数设置为10。
本发明的主要贡献和特点在于:本发明针对手指静脉图像特性提出亮度均匀性等7个指标,并将这7个指标综合作为网络输入,通过设计的MEA-BP-Adaboost强分类器得到最终的图像质量评价结果,提高了对手指静脉图像质量评价的准确性。为待识别手指静脉图像质量对识别精度影响较大的问题提出新的解决思路,有助于低质量的静脉图像的识别与重新采集,从而有效提高静脉识别***性能。
附图说明
图1:基于网络学习的指静脉图像质量评价框图。
图2 :MEA初始权值与阈值优化流程图。
图3 :融合MEA与BP方法流程图。
图4 :MEA-BP-Adaboost流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述。
1无参考手指静脉图像质量评估指标
本发明综合考虑了手指静脉图像采集过程中影响图像质量的各种因素,设计出七个无参考评价参数相结合的手指静脉图像质量评价方法;
1.1亮度均匀性
亮度均匀性是测量一幅图像亮度分布变化的指标,衡量的是图像亮度的起伏变化的程度,计算方法如下:
首先对图像进行分块处理,将图像分割成大小相等的5×5个小块,然后分别计算图像中每小块的平均亮度。图像亮度公式为:
其中N为每个小块的像素个数;
1.2面积质量分数
由于手指静脉图像的生物特征集中在手指区域,因此本发明利用手指静脉区域的有效面积来衡量一幅静脉图像质量的高低,有效面积可以通过计算前景图像中指静脉的面积占图像整体面积的比例求得,而前景区域和图像整体的面积可以利用图像的像素点个数表示,因此,手指静脉图像的有效面积可以表示为:
1.3位置偏移质量分数
在采集的过程中,由于手指姿势放置错误,导致手指在图像中发生偏移,根据采集装置的不同,偏移量可分为水平偏移和竖直偏移两种,手指静脉图像的偏移量为水平偏移和竖直偏移综合后的结果;
由于手指静脉的偏移量是手指区域相对于整张图像的偏移,因此可以通过寻找指静脉区域的质心和图像的几何中心,然后计算“二心”的偏移量来表示指静脉的偏移程度,指静脉区域的质心为:
指静脉图像的水平偏移量和竖直偏移量计算如下:
1.4 信息熵
手指静脉图像中包含众多手指静脉纹路,不同的纹路特征反应在像素上表示像素点在空间位置分布概率的不同,而信息熵表示像素点的平均统计量信息,因此可以利用信息熵来衡量一幅图像手指静脉纹路的特征量,信息熵的值越大,图像中包含的纹路信息越丰富,图像的质量越高。图像的信息熵计算如下所示:
1.5对比度质量分数
由于光照、放置姿势以及手指静脉与非静脉组织的差异,导致手指在入射光的照射下,图像的对比度偏高或者偏低,入射光强度较小时,手指静脉图像整体偏暗,对比度偏低,手指静脉区域与非静脉区域区分度较小,静脉纹路模糊,图像质量偏低,入射光强度较大时,手指静脉图像会发生过曝现象,导致手指静脉区域发白发亮,对比度较高,静脉纹路消失,图像质量也偏低,因此图像过曝或者曝光不足都会导致图像质量偏低;
由于对比度表示图像相对于图像整体平均灰度值的偏离程度,因此可以利用图像的标准差来衡量,图像的标准差越大,图像的灰度级越分散,则图像的对比度也就越大,图像的标准差计算如下:
因此对比度质量分数可以表示为:
1.6清晰度
清晰度表示的是图像上各种细节纹理和边缘的清晰程度,受图像噪声水平、动态模糊、边缘锐化程度等因素的影响,由于静脉图像包含较多的静脉纹理特征,静脉纹线走向的清晰程度决定了该图像是否为高质量图像。在计算手指静脉图像的清晰度时,首先要提取静脉图像边缘信息特征。本发明从sobel算子0°、45°、90°、135°四个方向来提取静脉图像的边缘信息;
1.7等效视数
等效视数是图像去噪常用的评价指标,它围绕着静脉图像中噪声的相对强度问题利用等效视数来表示对图像中噪声的抑制效果,因此图像的等效视数越大,图像对噪声的抑制能力越强,图像质量越高,具体来说,等效视数可以用图像的均值和标准差计算,公式如下:
2静脉图像评估指标归一化
由于亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数这七个质量评价指标的计算结果不完全在同一个数量级上,本发明对评价指标进行如下归一化处理:
3基于神经网络的手指静脉图像质量评估
在图像质量评估过程中,传统的BP神经网络预测精度低,泛化能力弱、容易陷入局部最小等问题,BP-AdaBoost神经网络由BP神经网络和AdaBoost算法结合而成,与传统的BP神经网络相比虽然预测精度、训练速度得到了改善,但在训练时可能会陷入局部最优,并且模型的泛化能力较弱,基于上述分析,本发明提出一种改进的BP-AdaBoost算法,首先采用思维进化算法(MEA)调整BP神经网络的权值和阈值,然后采用7个图像质量评估指标分数作为神经网络的输入,10神经元作为隐含层,1个高/低质量分类结果作为网络输出,训练10个BP弱分类器,在此基础上引入AdaBoost算法,采用线性加权得到MEA-BP-Adaboost强分类器,最后使用决策树将各强分类器级联成一个层叠分类器,每层的强分类器经过阈值调整,输出静脉图像质量评估分数,然后利用sign函数将其转化为标签,并与主观质量评估标签对比,最终得到图像质量评估的识别率;
3.1利用MEA优化初始阈值与权值
(1)训练集与测试集产生:为了使神经网络模型具有良好的泛化能力,训练集的选取一定要具有代表性并且数量要尽可能的多;
(2)初始种群产生:在解空间内随机生成一定规模的个体,然后将其转化到编码空间,根据每个个体的得分情况选出得分最高的若干个优胜个体和临时个体;
(3)临时子个体和优胜子个体的产生:将选出的若干优胜个体和临时个体作为中心,在每个个体的周围产生新的个体,新得到的个体称为优胜子群体和临时子群体;
(4)趋同:利用种群成熟判别函数在之群体内部判断各个子种群趋同操作是否完成。当趋同操作结束后,子群体成熟,以该子群体中最优个体的得分作为该子群体的得分;
(5)异化:子群体成熟后,将每个子群体得分在全局公告板上进行公示,然后执行异化操作,计算出全局最优个体及其得分,当异化操作完成后,根据异化结果补充新的子群体;
(6)输出最优个体:当迭代停止条件满足时,思维进化结束优化初始阈值/权值操作,然后根据编码规则对最优个体进行解析,并将解析的结果作为BP神经网络的初始权值和阈值。MEA初始权值与阈值优化流程图如图2所示;
3.2 MEA-BP-Adaboost方法设计
利用思维进化算法对BP神经网络的初始权值和阈值进行优化,设计步骤如图3所示。首先,将数据集采用最大最小归一化进行归一化处理,将输入数据转化为[0,1]之间的数,然后根据 BP 神经网络的拓扑结构,在解空间随机生成一定规模的个体,将解空间映射到编码空间,每个编码对应一个个体。接下来设置BP神经网络拓扑结构为 7-10-1,编码长度为91。然后对训练集求均方误差,并将其结果求倒数作为个体和种群的得分函数,利用思维进化算法,经过不断迭代,输出最优个体,并将此个体作为初始的权值/阈值,接下来由10个BP弱分类器反复训练预测样本输出,利用Adaboost算法对10个弱分类器线性加权得到强分类器,然后使用决策树将各强分类器级联成一个层叠分类器,其中每一层都是Adaboost算法训练得到的一个强分类器,每层的强分类器经过阈值调整,输出预测质量分数,接下来根据训练结果设置分类标签,将分类标签与主观质量评估结果进行对比,计算图像质量评估的识别率;
3.3 参数设置
由于单个隐含层神经网络可以逼近任何闭区间内的连续函数,因此本发明选用三层神经网络进行图像分类,将七个指标作为输入,因此在输入层设置7个神经元,输出层根据输出的结果选择1个输出神经元,隐含层神经元可以采用公式,来计算,最后取值为10,本文最大训练次数为100,学习率为0.01,训练精度为0.0001,种群规模为60,优胜子种群和临时子种群个数为5,迭代次数设置为10。
根据上述设计思路,设计步骤流程图如图4所示。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于网络学习的指静脉图像质量评价方法,其特征是:首先对采集到的手指静脉图像设计出亮度均匀性、清晰度、面积、位置偏移、信息熵、对比度、等效视数七种评价准则进行图像质量评价,并得到七个相应的质量评价分数;再将七个质量评价分数进行归一化处理,以避免数量级相差过大;最后将归一化后的图像质量评价分数作为神经网络输入,设计MEA-BP-Adaboost方法获得静脉图像总质量评估等级;
所述亮度均匀性,包括:所述的亮度均匀性是测量一幅图像亮度分布变化的指标,衡量的是图像亮度的起伏变化的程度,计算方法如下:
首先对手指静脉图像进行分块处理,将图像分割成大小相等的5×5个小块,然后分别计算图像中每小块的平均亮度;图像亮度公式为:
Xrgb= 0.299*R+0.587*G+0.114*B
每个小块的平均亮度为x mean 为
其中N为每个小块的像素个数;
其中 x mean 分块后亮度的均值;
所述清晰度,包括:
在计算手指静脉图像的清晰度时,首先要提取静脉图像边缘信息特征;从sobel算子0°、45°、90°、135°四个方向来提取静脉图像的边缘信息;
所述面积,包括:
所述位置偏移,包括:
通过寻找指静脉区域的质心和图像的几何中心,然后计算“二心”的偏移量来表示指静脉的偏移程度,指静脉区域的质心为:
指静脉图像的水平偏移量和竖直偏移量计算如下:
所述信息熵,包括:
图像的信息熵计算如下所示:
所述对比度,包括:
利用图像的标准差来衡量,图像的标准差越大,图像的灰度级越分散,则图像的对比度也就越大,图像的标准差计算如下:
所述等效视数,包括:
等效视数Q v 可以用图像的均值和标准差计算,公式如下:
Q v =μ/σ
其中μ为静脉图像灰度均值,σ为静脉图像灰度标准差;
所述MEA-BP-Adaboost方法,包括:首先采用思维进化算法MEA调整BP神经网络的权值和阈值,设计出融合MEA与BP的静脉图像质量评价网络,再将归一化后的7个图像质量评估指标分数作为该神经网络的输入,然后根据 BP 神经网络的拓扑结构,在解空间随机生成一定规模的个体,将解空间映射到编码空间,每个编码对应一个个体;接下来设置BP神经网络拓扑结构为 7-10-1,编码长度为91;然后对训练集求均方误差,并将其结果求倒数作为个体和种群的得分函数,利用思维进化算法,经过不断迭代,输出最优个体,并将此个体作为初始的权值或阈值,接下来由10个BP弱分类器反复训练预测样本输出,利用Adaboost算法对10个弱分类器线性加权得到强分类器,然后使用决策树将各强分类器级联成一个层叠分类器,其中每一层都是Adaboost算法训练得到的一个强分类器,每层的强分类器经过阈值调整,输出静脉图像质量评价总分数,然后利用sign函数将其转化为标签,并与主观质量评估标签对比,最终得到图像质量评估的识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186315.1A CN112288010B (zh) | 2020-10-30 | 2020-10-30 | 基于网络学习的指静脉图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186315.1A CN112288010B (zh) | 2020-10-30 | 2020-10-30 | 基于网络学习的指静脉图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288010A CN112288010A (zh) | 2021-01-29 |
CN112288010B true CN112288010B (zh) | 2022-05-13 |
Family
ID=74353636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186315.1A Active CN112288010B (zh) | 2020-10-30 | 2020-10-30 | 基于网络学习的指静脉图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288010B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052821B (zh) * | 2021-03-25 | 2022-05-03 | 贵州电网有限责任公司 | 一种电力设备巡检图片的质量评价方法 |
CN113288452B (zh) * | 2021-04-23 | 2022-10-04 | 北京大学 | 手术质量检测方法及装置 |
CN113792644B (zh) * | 2021-09-10 | 2023-09-26 | 黑龙江大学 | 一种基于偏振与图像质量评价的手指静脉图像采集装置及方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015232911A (ja) * | 2015-09-11 | 2015-12-24 | 株式会社日立製作所 | 生体認証装置および方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估*** |
CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
CN111291709A (zh) * | 2020-02-25 | 2020-06-16 | 华南理工大学 | 一种基于图像处理的手指静脉图像质量评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070237387A1 (en) * | 2006-04-11 | 2007-10-11 | Shmuel Avidan | Method for detecting humans in images |
CN101866486B (zh) * | 2010-06-11 | 2011-11-16 | 哈尔滨工程大学 | 手指静脉图像质量判断方法 |
US10783697B2 (en) * | 2016-02-26 | 2020-09-22 | Yale University | Systems, methods, and computer-readable media for ultra-high resolution 3D imaging of whole cells |
-
2020
- 2020-10-30 CN CN202011186315.1A patent/CN112288010B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015232911A (ja) * | 2015-09-11 | 2015-12-24 | 株式会社日立製作所 | 生体認証装置および方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估*** |
CN109615169A (zh) * | 2018-11-08 | 2019-04-12 | 国家电网有限公司 | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 |
CN110415225A (zh) * | 2019-07-22 | 2019-11-05 | 南充折衍智能光电科技有限公司 | 一种基于多信息融合的手指静脉图像质量评价方法 |
CN111291709A (zh) * | 2020-02-25 | 2020-06-16 | 华南理工大学 | 一种基于图像处理的手指静脉图像质量评价方法 |
Non-Patent Citations (6)
Title |
---|
A Non-contact Finger Vein Image Quality Assessment Method;HUI MA等;《Applied Mechanics and Materials》;20121213;第986-989页 * |
An improved gravity compensation method for high-precision free-INS based on MEC–BP–AdaBoost;Xiao Zhou等;《Measurement Science and Technology》;20161021;第1-11页 * |
Contactless finger-vein verification based on oriented elements feature;Hui Ma等;《Infrared Physics & Technology》;20190331;第1-14页 * |
基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法;李苋兰 等;《计算机***应用》;20200228;第29卷(第3期);第20-28页 * |
基于图像采集质量评价的指纹与指静脉双模态识别决策级融合方法;王科俊 等;《模式识别与人工智能》;20120831;第25卷(第4期);第669-675页 * |
手指静脉图像质量评价;王科俊 等;《智能***学报》;20110831;第6卷(第4期);第324-327页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288010A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288010B (zh) | 基于网络学习的指静脉图像质量评价方法 | |
CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及*** | |
CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN105138993B (zh) | 建立人脸识别模型的方法及装置 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
CN111738064A (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN112561878A (zh) | 基于加权融合的手指静脉图像质量评价方法 | |
CN112001785A (zh) | 一种基于图像识别的网贷欺诈识别方法及*** | |
CN111798404B (zh) | 基于深度神经网络的虹膜图像质量评估方法及评估*** | |
CN117197137B (zh) | 基于高光谱图像的组织样本分析方法及*** | |
CN111209850B (zh) | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 | |
CN107392912A (zh) | 基于伪彩色编码与discov编码的图像分割方法 | |
KR101779642B1 (ko) | 텍스처화된 영역들의 지능형 선택에 의해 홍채들의 이미지들을 비교하는 방법 | |
CN109948564B (zh) | 一种基于有监督深度学习的人脸图像质量分类和评估方法 | |
CN113435249A (zh) | 一种基于Densenet的卷积神经网络手指静脉识别方法 | |
CN113269136A (zh) | 一种基于triplet loss的离线签名验证方法 | |
EP2380110B1 (en) | A method for evaluating quality of image representing a fingerprint pattern | |
CN115331286B (zh) | 一种基于深度学习的内容安全检测*** |
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 |