CN113420582A - 用于掌静脉识别的防伪检测方法及其*** - Google Patents

用于掌静脉识别的防伪检测方法及其*** Download PDF

Info

Publication number
CN113420582A
CN113420582A CN202011215734.3A CN202011215734A CN113420582A CN 113420582 A CN113420582 A CN 113420582A CN 202011215734 A CN202011215734 A CN 202011215734A CN 113420582 A CN113420582 A CN 113420582A
Authority
CN
China
Prior art keywords
palm
palm vein
region
counterfeiting detection
characteristic data
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
Application number
CN202011215734.3A
Other languages
English (en)
Other versions
CN113420582B (zh
Inventor
费志军
邱雪涛
何朔
高鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unionpay Co Ltd
Original Assignee
China Unionpay Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202011215734.3A priority Critical patent/CN113420582B/zh
Publication of CN113420582A publication Critical patent/CN113420582A/zh
Application granted granted Critical
Publication of CN113420582B publication Critical patent/CN113420582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及用于掌静脉识别的防伪检测方法及其***。该方法包括：区域定位步骤，定位输入的掌静脉图像中的手掌位置；区域提取步骤，从所述手掌位置中提取出手掌区域；时序处理步骤，对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及防伪检测步骤，基于所述时变特性数据，利用规定算法模型实现掌静脉图像的防伪检测。根据本发明，通过检测手掌对红外光线反光特征的时变特性，能够实现掌静脉特征的防伪检测。

Description

用于掌静脉识别的防伪检测方法及其***
技术领域
本发明涉及计算机技术，具体地涉及一种用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***。
背景技术
虽然掌静脉识别***广泛应用于许多领域， 但是随着掌静脉识别***的普及，其脆弱性也相应增加。即使掌静脉隐藏于人体内部，肉眼不可见，但仍然可能由于静脉被盗取而导致安全风险。
但具近期研究发现，使用打印的掌静脉图像也能够对掌静脉识别***造成攻击，这个表明手掌静脉识别***存在需要改进的脆弱性。
发明内容
鉴于上述问题，本发明旨在提出一种能够实现掌静脉的真伪鉴别的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***。
本发明的一方面的用于掌静脉识别的防伪检测方法，其特征在于，包括：
区域定位步骤，定位输入的掌静脉图像中的手掌位置；
区域提取步骤，从所述手掌位置中提取出手掌区域；
时序处理步骤，对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
防伪检测步骤，基于所述时变特性数据，利用规定算法模型实现掌静脉图像的防伪检测。
可选地，在所述区域定位步骤中，采用yolo网络结构或者FastRCNN算法实现手掌位置的定位。
可选地，在所述区域提取步骤中，从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征将非手掌区域置为黑色，以生成黑白图片；
根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
可选地，在所述区域提取步骤中，从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及肤色获取和手掌灰度相近的部分，将非手掌区域置为黑色，以生成黑白图片；根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
可选地，在所述区域提取步骤中，采用Canny算子或者Sobel算子提取手掌边缘特征。
可选地，在所述区域提取步骤中，采用用于图像语义分割的卷积神经网络FCN提取手掌区域。
可选地，在所述区域定位步骤之前包括：
图像采集步骤，采集掌静脉图像并获得掌静脉图像的反射特性数据。
可选地，在所述图像采集步骤中，分别采集不同时序的掌静脉图像的红外光线反光特性数据，将采集到的掌静脉图像经过所述区域定位步骤以及所述区域提取步骤处理后提取手掌区域，在所述时序处理步骤中对于所述手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
可选地，在所述时序处理步骤中，采用图像差值法获得时变特性数据。
可选地，在所述时序处理步骤中，采集规定时间间隔的多张掌静脉图像，确定所述多张掌静脉图像中像素差值绝对值之和最大的两张掌静脉图像的像素值之差为时变特性数据。
可选地，所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用深度神经网络训练而形成。
可选地，所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用卷积神经网络ImageNet训练而形成。
本发明的一方面的用于掌静脉识别的防伪检测***，其特征在于，包括：
区域定位模块，用于定位输入的掌静脉图像中的手掌位置；
区域提取模块，用于从所述手掌位置中提取出手掌区域；
时序处理模块，用于对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
防伪检测模块，用于基于所述时变特性数据利用规定算法模型实现掌静脉图像的防伪检测。
可选地，所述区域定位模块采用yolo网络结构或者FastRCNN算法实现手掌位置的定位。
可选地，所述区域提取模块从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征将非手掌区域置为黑色，以生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
可选地，所述区域提取模块从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及肤色获取和手掌灰度相近的部分，将非手掌区域置为黑色，以生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
可选地，所述区域提取模块采用Canny算子或者Sobel算子提取手掌边缘特征。
可选地，所述区域提取模块采用用于图像语义分割的卷积神经网络FCN提取手掌区域。
可选地，进一步包括：
图像采集模块，用于采集掌静脉图像并获得掌静脉图像的反光特性数据以输入所述区域定位模块。
可选地，所述图像采集模块分别采集不同时序的掌静脉图像的红外光线反光特性数据，所述掌静脉图像经过所述区域定位模块以及所述区域提取模块处理后提取出手掌区域，所述时序处理模块中对于所述手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
可选地，所述时序处理模块采用图像差值法获得时变特性数据。
可选地，所述时序处理模块采集规定时间间隔的多张掌静脉图像，确定所述多张掌静脉图像中像素差值绝对值之和最大的两张掌静脉图像的像素值之差为时变特性数据。
可选地，所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用深度神经网络训练而形成。
可选地，所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用卷积神经网络ImageNet训练而形成。
本发明的一方面的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的用于掌静脉识别的防伪检测方法。
本发明的一方面的算机设备，包括存储模块、处理器以及存储在存储模块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上述的用于掌静脉识别的防伪检测方法。
根据本发明的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***，通过检测手掌对红外光线反光特征的时变特性实现掌静脉特征的防伪鉴别，能够短时间内完成掌静脉特征的真伪鉴别，且无需用户进行特殊的动作配合。
附图说明
图1是表示本发明的一个实施方式的用于掌静脉识别的防伪检测方法的流程示意图。
图2是表示定位掌静脉图像中的手掌位置的示意图。
图3是表示从手掌位置中提取出手掌区域的示意图。
图4是表示深度神经网络结构的示意图。
图5是表示本发明的一个实施方式的用于掌静脉识别的防伪检测***的结构框图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些，旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
出于简洁和说明性目的，本文主要参考其示范实施例来描述本发明的原理。但是，本领域技术人员将容易地认识到，相同的原理可等效地应用于所有类型的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***，并且可以在其中实施这些相同的原理，以及任何此类变化不背离本专利申请的真实精神和范围。
而且，在下文描述中，参考了附图，这些附图图示特定的示范实施例。在不背离本发明的精神和范围的前提下可以对这些实施例进行电、机械、逻辑和结构上的更改。此外，虽然本发明的特征是结合若干实施/实施例的仅其中之一来公开的，但是如针对任何给定或可识别的功能可能是期望和/或有利的，可以将此特征与其他实施/实施例的一个或多个其他特征进行组合。因此，下文描述不应视为在限制意义上的，并且本发明的范围由所附权利要求及其等效物来定义。
诸如“具备”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元（模块）和模块以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元（模块）和模块的情形。
在说明本发明的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***之前，先对于本领域的一些技术用语进行说明。
（1）掌静脉图像和掌静脉识别
掌静脉识别利用近红外线照射手掌，并由传感器感应手掌反光的光，其中，流到静脉红血球中的血红蛋白对红外线会有吸收，导致静脉部分的反光较少，在影像上就会产生静脉图案即掌静脉图像。掌静脉识别的主要特点是非侵入式的图像采集，并且掌静脉特征在可见光下无法获取，具有较强的隐蔽性和防伪性。
（2）CNN（Convolution Neural Network）
卷积神经网络，包含卷积计算且具有深度结构的前馈神经网络。
（3）yolo（You Only Look Once）
用于进行图像物体检测的卷积神经网络。
yolo为目标检测方法，该方法的特点是实现快速检测的同时还达到较高的准确率。该方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测。yolo将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速的目标检测与识别。
（4）FCN（Fully Convolutional Networks for Semantic Segmentation）
用于图像语义分割的全卷积神经网络，仅包含卷积接结构算且具有深度结构的前馈神经网络。
（5）FastRCNN
FastRCNN是一个基于区域的目标检测算法。
（6）ImageNet(图片数据集)
ImageNet 是一个计算机视觉***识别项目名称，用于视觉目标识别软件研究。该项目已手动注释了1400多万张图像，以指出图片中的对象，并在至少100万张图像中提供了边框。ImageNet包含2万多个典型类别。
（7）Canny算子
Canny边缘检测算子（Canny算子）是John F. Canny于1986年开发出来的一个多级边缘检测算法。Canny的目标是找到一个最优的边缘检测算法。
（8）Sobel算子（索贝尔算子）
索贝尔算子是计算机视觉领域的一种重要处理方法。索贝尔算子主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。索贝尔算子不但产生较好的检测效果，而且对噪声具有平滑抑制作用。
本发明的用于掌静脉识别的防伪检测方法及其***的发明构思基于如下内容：手掌作为人体器官，时刻发生着复杂的新陈代谢活动，掌静脉内的血液也不息流动，这些细微的变化都会影响手掌静脉的反光特性，进而反映到采集的掌静脉图像之中，而这些反光特性的微变化具有空间分布的不均匀性和时间上的规律性，这是无法通过激光打印或者调整光源等手段进行伪造的。因而通过鉴别手掌反光特性的微变化，能够有效杜绝对掌静脉特征的伪造。
图1是表示本发明的一个实施方式的用于掌静脉识别的防伪检测方法的流程示意图。
如图1所示，本发明的一个实施方式的用于掌静脉识别的防伪检测方法包括以下步骤：
步骤S100：采集掌静脉图像或者输入掌静脉图像并获得掌静脉图像的反光特性数据；
步骤S200：定位采集或者输入的掌静脉图像中的手掌位置；
步骤S300：从所述手掌位置中提取出手掌区域；
步骤S400：对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
步骤S500：基于所述时变特性数据，利用规定算法模型实现掌静脉图像的防伪检测。
以下对于各步骤进行具体说明。
图2是表示定位掌静脉图像中的手掌位置的示意图。如图2所示，在步骤S200中如图2所示，定位被输入的掌静脉图像中的手掌位置。
这里作为一个示例，可以采用yolo网络结构实现对手掌区域的定位。采用yolo网络结构实现对手掌区域的定位的情况下，yolo的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别，例如包括以下过程：将输入图像分成SxS个格、CNN提取特征和预测、过滤bbox。利用yolo进行手掌区域定位的好处在于，准确率高并且检测速度快。
作为又一个示例，也可以采用FastRCNN算法实现对手掌位置的定位。Fast RCNN相比于传统算法，采用神经网络进行分类，这样可以同时训练特征提取网络和分类网络，从而取得更高的准确度并且也加快了训练速度。
图3是表示从手掌位置中提取出手掌区域的示意图。
步骤S300中，提取掌静脉图像内的手掌区域，将非手掌区域全部置为黑色（255）。如图3所示，通过屏蔽手掌以外的区域，从而降低背景光变化对鉴别效果的影响。作为一个示例，从掌静脉图像内的手掌区域中提取手掌边缘特征，根据手掌边缘特征，将非手掌区域置为黑色，生成黑白图片，根据原图片（即采集到的掌静脉图像）和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
作为再一个示例，当手掌边缘数据不完整的情况下（掌边缘数据不完整例如是指手掌边缘线条不封闭），可以附加肤色和灰度，从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及肤色获取和手掌灰度相近的部分，将非手掌区域置为黑色，以生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
在步骤S300中，作为提取手掌区域的方法，可以采用Canny算子或者Sobel算子提取手掌边缘特征。另外，还可以采用用于图像语义分割的卷积神经网络FCN等。其中，采用Canny算子提取手掌边缘特征例如可以通过灰度化、高斯滤波、计算梯度值和方向、非极大值抑制、双阈值的选择和边缘连接等的过程实现。
这里由于FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题，能够判断图像每个像素点的类别从而进行精确分割，能够实现像素级别的图像语义分割。
在步骤S400中，对于手掌区域中的反光特性数据进行时序处理后得到时变特性数据，例如，在步骤S100中，在时间T、T+S1, ..., T+Sn（其中n为自然数）分别采集一幅手掌静脉图像的红外光线反光特性数据，经过步骤S200和步骤S300的处理之后，在步骤S400中，通过图像差值等方法对于手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
作为图像差值法，可以列举，对T+Sp、T+Sq时刻采集的图像，其中，Sp与Sq时间差值可取合理时间之内，作为一个示例，时间取1秒，然后，按像素取差值Qpq=|Ip-Iq|，这里，Ip表示p时刻拍摄的一幅掌静脉图像像素值，Iq表示q时刻拍摄的一幅掌静脉图像像素值，Qpq代表两幅掌静脉图像的差值，选取像素差值绝对值之和最大的两幅图像作为输出结果，这两幅图像的像素差值即所述时变特性数据。
在步骤S500中，基于步骤S400得到的时变特性数据，利用规定算法模型实现掌静脉图像的防伪检测。这里作为规定算法模型的一个示例，例如，可以采用以下方法获得：输入为5000对真实拍摄的活体掌静脉图像以及5000对伪造的掌静脉图像（例如采用打印方式伪造的掌静脉图像），所有输入的掌静脉图像采用步骤S400中相同的方法生成时变特性数据（具体包括：假定采集5000个手掌静脉的数据，根据步骤S400，需要对每个手掌在短时间内拍摄多个图像，然后在多个图像中选取像素取差值Qpq最大的两张），将真实拍摄的掌静脉图像对作差（即，每个掌静脉样本有两幅不同时刻采集的图像，直接将两幅图像的像素值做差值则得到输入网络的差值图像）并标定为真（1），将伪造的掌静脉图像相对作差并标定为假（0），将所有差值图像缩放至例如640*480像素（这里，深度网络对输入图像有要求，不符合尺寸要求的会导致训练程序报异常，这里的640*480像素的尺寸是一个示例，也可以选择其他值），输入至深度神经网络进行训练，深度神经网络结构如图4所示。
图4是表示深度神经网络结构的示意图。如图4所示，将差值图像图4中的“image”输入到深度神经网络进行卷积运算（conv）最后获得avg pool（平均池化层）。深度神经网络是机器学习中的一种技术。作为深度神经网络，例如可以采用用于图像分类的卷积神经网络如ImageNet等。将网络loss训练至收敛，且可以设定当分类准确率达到95%以上后训练完成。将步骤S400中采集到的时变特性数据，输入到以上这样形成的算法模型中，由该算法模型输出预测结果作为真伪判定标准。
以上说明了本发明的用于掌静脉识别的防伪检测方法的一个实施方式。接着，对于本发明的用于掌静脉识别的防伪检测***的一个实施方式进行说明。
图5是表示本发明的一个实施方式的用于掌静脉识别的防伪检测***的结构框图。
如图5所示， 本发明的一个实施方式的用于掌静脉识别的防伪检测***，其特征在于，包括：
图像采集模块100，用于采集掌静脉图像并获得掌静脉图像的反光特性数据；
区域定位模块200，用于定位从图像采集模块100输入的掌静脉图像中的手掌位置；
区域提取模块300，用于从所述手掌位置中提取出手掌区域；
时序处理模块400，用于对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
防伪检测模块500，用于基于所述时变特性数据利用规定算法模型实现掌静脉图像的防伪检测。
其中，区域定位模块200采用yolo网络结构或者FastRCNN算法实现手掌位置的定位。区域提取模块200从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及皮肤获取和手掌灰度相近的部分，生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。作为一个示例，区域提取模块200采用Canny算子或者Sobel算子提取手掌边缘特征。
其中，区域提取模块300采用用于图像语义分割的卷积神经网络FCN提取手掌区域。
作为一个示例，图像采集模块100分别采集不同时序的掌静脉图像的红外光线反光特性数据，所述掌静脉图像经过区域定位模块200以及区域提取模块300处理后提取出手掌区域，时序处理模块400中对于所述手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
作为一个示例，时序处理模块400采用图像差值法获得时变特性数据。
在防伪检测模块500中，所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用深度神经网络训练而形成。作为一个示例，深度神经网络可以采用卷积神经网络ImageNet。
如上所述，由于发明人考虑到手掌内部是存在生物化学活动，且掌静脉数据采集过程中手掌会发生轻微的抖动，在在本发明的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***中，在不同时间采集多个手掌区域的掌纹图像，掌纹图像中同一个像素是随时间变化的（时间变化），不同像素点变化规律也是不同的（空间变化），伪造数据很难模拟真实手掌的时间变化和空间变化特征，鉴于这样的空间分布的不均匀性和时间上的规律性，在本发明中通过检测手掌对红外光线反光特征的时变特性，能够实现掌静脉特征的防伪鉴别，能够短时间内完成掌静脉特征的真伪鉴别，且无需用户进行特殊的动作配合。
本发明还提供一种计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的用于掌静脉识别的防伪检测方法。
本发明还提供一种计算机设备，包括存储模块、处理器以及存储在存储模块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上述的用于掌静脉识别的防伪检测方法。
以上例子主要说明了本发明的用于掌静脉识别的防伪检测方法以及用于掌静脉识别的防伪检测***。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (26)

1.一种用于掌静脉识别的防伪检测方法，其特征在于，包括：
区域定位步骤，定位输入的掌静脉图像中的手掌位置；
区域提取步骤，从所述手掌位置中提取出手掌区域；
时序处理步骤，对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
防伪检测步骤，基于所述时变特性数据，利用规定算法模型实现掌静脉图像的防伪检测。
2.如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述区域定位步骤中，采用yolo网络结构或者FastRCNN算法实现手掌位置的定位。
3. 如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，所述区域提取步骤包括：
从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征将非手掌区域置为黑色，以生成黑白图片；以及
根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
4. 如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，所述区域提取步骤包括：
从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及肤色获取和手掌灰度相近的部分，将非手掌区域置为黑色，以生成黑白图片；以及
根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
5.如权利要求3或4所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述区域提取步骤中，采用Canny算子或者Sobel算子提取手掌边缘特征。
6.如权利要求3或4所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述区域提取步骤中，采用用于图像语义分割的卷积神经网络FCN提取手掌区域。
7.如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，在所述区域定位步骤之前包括：
图像采集步骤，采集掌静脉图像并获得掌静脉图像的反射特性数据。
8.如权利要求6所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述图像采集步骤中，分别采集不同时序的掌静脉图像的红外光线反光特性数据，将采集到的掌静脉图像经过所述区域定位步骤以及所述区域提取步骤处理后提取手掌区域，在所述时序处理步骤中对于所述手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
9.如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述时序处理步骤中，采用图像差值法获得时变特性数据。
10.如权利要求9所述的用于掌静脉识别的防伪检测方法，其特征在于，
在所述时序处理步骤中，采集规定时间间隔的多张掌静脉图像，确定所述多张掌静脉图像中像素差值绝对值之和最大的两张掌静脉图像的像素值之差为时变特性数据。
11.如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，
所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用深度神经网络训练而形成。
12.如权利要求1所述的用于掌静脉识别的防伪检测方法，其特征在于，
所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用卷积神经网络ImageNet训练而形成。
13.一种用于掌静脉识别的防伪检测***，其特征在于，包括：
区域定位模块，用于定位输入的掌静脉图像中的手掌位置；
区域提取模块，用于从所述手掌位置中提取出手掌区域；
时序处理模块，用于对于所述手掌区域中的反光特性数据进行时序处理后得到时变特性数据；以及
防伪检测模块，用于基于所述时变特性数据利用规定算法模型实现掌静脉图像的防伪检测。
14.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述区域定位模块采用yolo网络结构或者FastRCNN算法实现手掌位置的定位。
15.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述区域提取模块从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征将非手掌区域置为黑色，以生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
16.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述区域提取模块从所述手掌位置中提取手掌边缘特征，根据手掌边缘特征以及肤色获取和手掌灰度相近的部分，将非手掌区域置为黑色，以生成黑白图片，根据原图片和黑白图片，利用黑白图片作为掩膜，将非手掌区域置为黑色，以提取手掌区域。
17.如权利要求15或16所述的用于掌静脉识别的防伪检测***，其特征在于，
所述区域提取模块采用Canny算子或者Sobel算子提取手掌边缘特征。
18.如权利要求15或16所述的用于掌静脉识别的防伪检测***，其特征在于，
所述区域提取模块采用用于图像语义分割的卷积神经网络FCN提取手掌区域。
19.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，进一步包括：
图像采集模块，用于采集掌静脉图像并获得掌静脉图像的反光特性数据以输入所述区域定位模块。
20.如权利要求19所述的用于掌静脉识别的防伪检测***，其特征在于，
所述图像采集模块分别采集不同时序的掌静脉图像的红外光线反光特性数据，所述掌静脉图像经过所述区域定位模块以及所述区域提取模块处理后提取出手掌区域，所述时序处理模块中对于所述手掌区域中的红外光线反光特性数据进行时序处理获得时变特性数据。
21.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述时序处理模块采用图像差值法获得时变特性数据。
22.如权利要求21所述的用于掌静脉识别的防伪检测***，其特征在于，
所述时序处理模块采集规定时间间隔的多张掌静脉图像，确定所述多张掌静脉图像中像素差值绝对值之和最大的两张掌静脉图像的像素值之差为时变特性数据。
23.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用深度神经网络训练而形成。
24.如权利要求13所述的用于掌静脉识别的防伪检测***，其特征在于，
所述规定算法模型基于真实拍摄的掌静脉图像和伪造的掌静脉图像利用卷积神经网络ImageNet训练而形成。
25.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该计算机程序被处理器执行时实现权利要求1~12任意一项所述的用于掌静脉识别的防伪检测方法。
26.一种计算机设备，包括存储模块、处理器以及存储在存储模块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1~12任意一项所述的用于掌静脉识别的防伪检测方法。
CN202011215734.3A 2020-11-04 2020-11-04 用于掌静脉识别的防伪检测方法及其*** Active CN113420582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011215734.3A CN113420582B (zh) 2020-11-04 2020-11-04 用于掌静脉识别的防伪检测方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011215734.3A CN113420582B (zh) 2020-11-04 2020-11-04 用于掌静脉识别的防伪检测方法及其***

Publications (2)

Publication Number Publication Date
CN113420582A true CN113420582A (zh) 2021-09-21
CN113420582B CN113420582B (zh) 2023-09-05

Family

ID=77711725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011215734.3A Active CN113420582B (zh) 2020-11-04 2020-11-04 用于掌静脉识别的防伪检测方法及其***

Country Status (1)

Country Link
CN (1) CN113420582B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002430A (zh) * 2022-05-17 2022-09-02 深圳市当智科技有限公司 投影方法、投影仪及计算机可读存储介质
CN115022605A (zh) * 2022-05-17 2022-09-06 深圳市当智科技有限公司 投影方法、投影仪及计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984924A (zh) * 2014-05-08 2014-08-13 山东大学 一种反射式手指静脉识别活体检测装置及方法
CN104778445A (zh) * 2015-03-17 2015-07-15 山东大学 基于手指静脉立体特征的活体识别装置及方法
WO2018043796A1 (ko) * 2016-09-01 2018-03-08 상명대학교서울산학협력단 위조 바이오 정보 검출 장치 및 방법
WO2018061786A1 (ja) * 2016-09-27 2018-04-05 株式会社日立製作所 生体認証装置
CN109255305A (zh) * 2018-08-18 2019-01-22 深圳长元知识产权服务有限公司 一种生物特征识别装置以及使用该装置的共享设备
CN110321870A (zh) * 2019-07-11 2019-10-11 西北民族大学 一种基于lstm的掌静脉识别方法
CN110321871A (zh) * 2019-07-11 2019-10-11 电子科技大学成都学院 一种基于lstm的掌静脉识别***及方法
CN110866235A (zh) * 2019-10-21 2020-03-06 上海交通大学 同时捕获人体脉搏和静脉图像的身份识别方法及装置
CN111462379A (zh) * 2020-03-17 2020-07-28 广东网深锐识科技有限公司 一种含掌静脉和人脸识别的门禁管理方法、***及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984924A (zh) * 2014-05-08 2014-08-13 山东大学 一种反射式手指静脉识别活体检测装置及方法
CN104778445A (zh) * 2015-03-17 2015-07-15 山东大学 基于手指静脉立体特征的活体识别装置及方法
WO2018043796A1 (ko) * 2016-09-01 2018-03-08 상명대학교서울산학협력단 위조 바이오 정보 검출 장치 및 방법
WO2018061786A1 (ja) * 2016-09-27 2018-04-05 株式会社日立製作所 生体認証装置
CN109255305A (zh) * 2018-08-18 2019-01-22 深圳长元知识产权服务有限公司 一种生物特征识别装置以及使用该装置的共享设备
CN110321870A (zh) * 2019-07-11 2019-10-11 西北民族大学 一种基于lstm的掌静脉识别方法
CN110321871A (zh) * 2019-07-11 2019-10-11 电子科技大学成都学院 一种基于lstm的掌静脉识别***及方法
CN110866235A (zh) * 2019-10-21 2020-03-06 上海交通大学 同时捕获人体脉搏和静脉图像的身份识别方法及装置
CN111462379A (zh) * 2020-03-17 2020-07-28 广东网深锐识科技有限公司 一种含掌静脉和人脸识别的门禁管理方法、***及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JEN-CHUN LEE: "A novel biometric system based on palm vein image", PATTERN RECOGNITION LETTERS, vol. 33, no. 12, XP028503876, DOI: 10.1016/j.patrec.2012.04.007 *
刘霞: "基于深度学习的手指静脉特征提取与防伪检测算法研究", CNKI优秀硕士学位论文全文库, no. 2020 *
郑哲章;罗海波;张建华;: "基于指静脉生物特性的身份识别***研究与设计", 闽江学院学报, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115002430A (zh) * 2022-05-17 2022-09-02 深圳市当智科技有限公司 投影方法、投影仪及计算机可读存储介质
CN115022605A (zh) * 2022-05-17 2022-09-06 深圳市当智科技有限公司 投影方法、投影仪及计算机可读存储介质

Also Published As

Publication number Publication date
CN113420582B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN109165593B (zh) 用于生物认证的特征提取及匹配以及模板更新
US7327860B2 (en) Conjunctival scans for personal identification
CN111967427A (zh) 一种伪造人脸视频鉴别方法、***和可读存储介质
Qiu et al. Finger vein presentation attack detection using total variation decomposition
CN102419819B (zh) 人脸图像识别方法和***
CN109784130B (zh) 行人重识别方法及其装置和设备
CN111695406B (zh) 一种基于红外线的人脸识别反欺骗方法、***及终端
Choudhary et al. Signature Recognition & Verification System Using Back Propagation Neural Network
Du et al. A new approach to iris pattern recognition
CN113420582B (zh) 用于掌静脉识别的防伪检测方法及其***
CN115131880A (zh) 一种多尺度注意力融合的双重监督人脸活体检测方法
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN111798404B (zh) 基于深度神经网络的虹膜图像质量评估方法及评估***
CN115620405A (zh) 一种基于rPPG心率特性的人脸伪造视频检测方法
CN111767879A (zh) 一种活体检测方法
Kim et al. Facial manipulation detection based on the color distribution analysis in edge region
CN111832464A (zh) 一种基于近红外摄像头的活体检测方法及装置
Zaidan et al. A novel hybrid module of skin detector using grouping histogram technique for Bayesian method and segment adjacent-nested technique for neural network
CN113014914B (zh) 一种基于神经网络的单人换脸短视频的识别方法和***
KR101767051B1 (ko) 퍼지 추론 기반 지정맥 영상 추출 방법 및 그 장치
CN114663930A (zh) 一种活体检测方法、装置、终端设备及存储介质
CN113989870A (zh) 一种活体检测方法、门锁***及电子设备
CN112906508A (zh) 一种基于卷积神经网络的面部活体检测方法
CN114694196A (zh) 活体分类器建立方法、人脸活体检测方法及装置
CN112084922A (zh) 一种基于手势和面部表情的行为异常人群检测方法

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