CN114241537B - 指静脉图像真伪识别方法、装置、计算机设备及存储介质 - Google Patents
指静脉图像真伪识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114241537B CN114241537B CN202111678966.7A CN202111678966A CN114241537B CN 114241537 B CN114241537 B CN 114241537B CN 202111678966 A CN202111678966 A CN 202111678966A CN 114241537 B CN114241537 B CN 114241537B
- Authority
- CN
- China
- Prior art keywords
- image
- finger vein
- binarization
- identification result
- initial
- 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
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种指静脉图像真伪识别方法、装置、计算机设备及存储介质,应用于生物识别技术领域,用于提高识别出指指静脉图像的真伪性的准确性。本发明提供的方法包括:获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像;对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像;对所述二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果;基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及指静脉图像真伪识别方法、装置、计算机设备及存储介质。
背景技术
指静脉识别是生物识别的一种,通过识别指静脉图像的成像信息,运用先进的滤波、图像二值化等技术提取指静脉特征,以根据指静脉特征进行身份鉴别。
现有技术中,对于指静脉图像的识别主要考虑了中心像素和周围像素之间的关系,一些伪造的指静脉图像根据真实指静脉图像中心像素与周围像素的特征,即可以伪造出指静脉图像,这类伪造指静脉图像难以被识别,导致识别伪造指静脉图像的准确度不高。
发明内容
本发明提供一种指静脉图像真伪识别方法、装置、计算机设备及存储介质,以提高识别指静脉图像的真伪性的准确性。
一种指静脉图像真伪识别方法,包括:
获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像;
对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像;
对所述二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果;
基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果。
一种指静脉图像真伪识别装置,包括:
图像裁剪模块,用于获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像;
二值化模块,用于对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像;
初始识别模块,用于对所述二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果;
结果判断模块,用于基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并在所述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指静脉图像真伪识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述指静脉图像真伪识别方法的步骤。
本发明提供的指静脉图像真伪识别方法、装置、计算机设备及存储介质,通过预设裁剪规则,对待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像,并对初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,基于该二值化阈值对平滑兴趣区域图像进行二值化,得到二值化图像,对所述二值化图像进行边界检测,得到第一识别结果,并对二值化图像进行像素占比判断,得到第二识别结果;基于第一识别结果和第二识别结果对待识别指静脉图像进行防伪识别,得到识别结果,通过对指静脉图像基于预设的裁剪规则,裁剪出初始兴趣区域图像,基于预设的二值化阈值计算公式,对初始兴趣区域图像进行二值化,得到二值化图像,用于提高对指静脉图像进行二值化的效果,在此基础上,根据二值化图像得出的第一识别结果和第二识别结果,得到指静脉图像的真伪性识别结果的准确度更高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明一实施例中指静脉图像真伪识别方法的一应用环境示意图;
图2是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图3是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图4是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图5是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图6是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图7是本发明一实施例中指静脉图像真伪识别方法的一示意图;
图8是本发明一实施例中指静脉图像真伪识别方法的一流程图;
图9是本发明一实施例中指静脉图像真伪识别装置的结构示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的指静脉图像真伪识别方法,可应用在如图1的应用环境中,其中,终端设备通过网络与服务器进行通信。其中,终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是,随着指静脉设备应用领域的广泛推广,如图2所示,出现了一些在医用胶皮手套上绘制线条伪造手指静脉图像,本发明实施例提供的指静脉图像真伪识别方法用于识别出指静脉图像是否是伪造的。
***框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互,以接收或者发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本发明实施例所提供的指静脉图像真伪识别方法由服务器执行,相应地,指静脉图像真伪识别装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的,根据实现需要,可以具有任意数目的终端设备、网络和服务器,本发明实施例中的终端设备具体可以对应的是实际生产中的应用***。
在一实施例中,如图8所示,提供一种指静脉图像真伪识别方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10,获取待识别指静脉图像,并基于预设裁剪规则,对待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像。
具体是,待识别指静脉图像是指需要进行防伪识别的指静脉图像。现实场景中,会在医用胶皮手套上绘制线条仿制指静脉图像,
为了识别出是否是仿制的指静脉图像,将输入的指静脉图像作为待识别指静脉图像。
选取手指区域作为预设裁剪规则,选择待识别指静脉图像的中间区域的像素区间作为初始兴趣区域图像,对待识别指静脉图像进行裁剪,得到初始兴趣区域图像,初始兴趣区域图像的尺寸有利于后续识别出指静脉图像的特征。
S20,对初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对平滑兴趣区域图像进行二值化,得到二值化图像。
具体的,对初始兴趣区域图像进行中值滤波,得到平滑兴趣区域图像,其中,通过中值滤波处理,将伪造的指静脉图像与真实的指静脉图像的区别特征进行放大,便于识别出待识别指静脉图像是否是伪造的。
基于预先设置二值化阈值,对平滑兴趣区域图像进行二值化,得到二值化处理后的二值化图像。
基于预设的二值化阈值计算公式,得到二值化阈值,其中,二值化阈值计算公式如下:
其中,t是二值化阈值,Xn是第n个像素点的像素值,n是像素点的个数。
需要说明的是,在本实施例中,通过对正样本指静脉图像和负样本指静脉图像,生成预设的二值化阈值计算公式。
S30,对二值化图像进行边界检测,得到第一识别结果,并对二值化图像进行像素占比判断,得到第二识别结果。
具体的,对二值化图像进行边界检测,识别出二值化图像的联通区域结果,作为第一识别结果,并判断第一识别结果中的像素占比总数,得到占比值,根据占比值与占比阈值的结果,得到第二识别结果。
进一步的,作为一种可选的实现方式,对二值化图像随机裁剪出二次兴趣图像,并对二次兴趣图像进行边界检测,得到第一识别结果。
S40,基于第一识别结果和第二识别结果对待识别指静脉图像进行防伪识别,得到识别结果。
具体是,根据第一识别结果与第二识别结果,得到待识别指静脉图像的防伪识别结果。
其中,根据第一识别结果得到二值化图像中是否存在线条,如果第一识别结果中存在线条,则判断线条的像素值在二值化图像的总像素值的占比,若占比不超过预设阈值,则待识别指静脉图像为真实的指静脉图像。如果占比超过预设阈值,则该待识别指静脉图像为伪造的指静脉图像。
进一步的,第一识别结果中不存在线条,则认为待识别指静脉图像是真实的指静脉图像。
本实施例提供的指静脉图像真伪识别方法,通过预设裁剪规则,对待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像,并对初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,基于该二值化阈值对平滑兴趣区域图像进行二值化,得到二值化图像,对二值化图像进行边界检测,得到第一识别结果,并对二值化图像进行像素占比判断,得到第二识别结果。基于第一识别结果和第二识别结果对待识别指静脉图像进行防伪识别,得到识别结果,通过对指静脉图像基于预设的裁剪规则,裁剪出初始兴趣区域图像,基于预设的二值化阈值计算公式,对初始兴趣区域图像进行二值化,得到二值化图像,用于提高对指静脉图像进行二值化的效果,在此基础上,根据二值化图像得出的第一识别结果和第二识别结果,得到指静脉图像的真伪性识别结果的准确度更高。
进一步的,作为一种可选的实施方式,在步骤S10中,获取待识别指静脉图像,并基于预设裁剪规则,对待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像包括:
S101,基于预设裁剪规则,生成裁剪像素区域,基于裁剪像素区域对带待识别指静脉图像进行图像裁剪,得到初始兴趣区域图像。
具体是,预设裁剪规则包括进行裁剪之后得到的像素区域,将像素区域作为初始兴趣区域图像。
在本实施例中,通过对待识别指静脉图像进行裁剪,得到初始兴趣区域图像,在基于指静脉图像的成像原理,裁剪出包括指静脉特征的兴趣区域,即初始兴趣区域图像,将边缘因素剔除,提高识别出指静脉特征的可能,进一步提高识别伪造指静脉图像的可能。
进一步的,作为一种可选的实施方式,在步骤S20中,对初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对平滑兴趣区域图像进行二值化,得到二值化图像包括:
S201,对初始兴趣区域图像进行中值滤波处理,得到初始兴趣区域图像的平滑兴趣区域图像。
S202,基于预设的二值化阈值计算公式,计算出二值化阈值,并基于二值化阈值,对平滑兴趣区域图像进行二值化处理,得到二值化图像。
具体的,对初始兴趣区域图像进行中值滤波处理,根据真实的指静脉图像的特征,经过滤波处理之后的平滑兴趣区域图像会出现模糊的特点,根据这个特点使得待识别指静脉图像显示出是否是伪造的特征,进一步提高识别出伪造指静脉图像的特点。
进一步的,作为一种可选的实施方式,本实施例中包括:
S11,获取真实指静脉图像作为正样本,并获取伪造线条图像作为负样本。
S12,对正样本和负样本进行图像裁剪和中值滤波,得到初始样本图像。
S13,按照不同的二值化阈值,对初始样本图像进行二值化处理,得到初始二值化图像。
S14,基于初始二值化图像的图像均值,生成二值化计算公式,作为预设的二值化阈值计算公式。
具体是,采集真实的指静脉图像作为正样本,获取伪造的指静脉图像作为负样本。在本实施例中,伪造的指静脉图像通过在医用胶皮手套上手绘出指静脉线条制成。其中,正样本如图3所示,负样本如图2所示。
对正样本和负样本进行图像裁剪和中值滤波,得到多组裁剪区域不同的初始样本图像。
根据初始样本图像,获取最佳的裁剪区域,作为预设的裁剪规则。
分别对正样本和负样本进行图像裁剪,得到裁剪之后的初始样本图像。
如图4所示,正样本的指静脉图像经过裁剪之后的初始样本图像。如图5所示,负样本的指静脉图像经过裁剪之后的初始样本图像。需要说明的是,图3和图4仅作为正样本指静脉图像经过图像处理之后的示意图像,图2和图5仅作为负样本指静脉图像经过图像处理之后的示意图像。
按照不同的二值化阈值,对初始样本图像进行二值化处理,得到多组二值化图像。根据正样本和负样本二值化处理后得到的二值化图像,确定对应的二值化阈值,得到预设的二值化阈值计算公式。
根据正样本指静脉图像和负样本指静脉图像的图像特点,经过二值化处理之后,正样本和负样本的二值化图像呈现不同的图像特征。
如图6所示,正样本指静脉图像经过二值化处理,原有的静脉线条趋于都已经被剔除掉,只有边界一些噪声信息被保留下来,并且保留下来的噪声信息成区块化特征。
如图7所示,负样本指静脉图像的背景区域平滑,经过二值化处理之后,背景区域噪声很少,且并没有形成区块化分布在图像周围的这个特点。
其中,二值化阈值的计算方式是基于待二值化图像中每个像素点的像素值的总数以及像素点的比值得到,基于正样本和负样本的二值化图像,确定二值化阈值的权重数据,得到预设的二值化阈值计算公式。
在本实施例中,通过预设的二值化阈值计算公式,在对平滑兴趣区域图像进行二值化处理之后,能够最大地显示出指静脉图像的特征,基于该特征能够识别出待识别指静脉图像是否是伪造的,进而提高识别出伪造的指静脉图像的速率。
进一步的,作为一种可选的实施方式,在步骤S30中,对二值化图像进行边界检测,得到第一识别结果,并对二值化图像进行像素占比判断,得到第二识别结果包括:
S301,基于联通区域判断标准,对二值化图像进行边界检测,得到二值化中的线条集合,作为第一识别结果。
S302,计算线条集合的集合像素,基于集合像素与二值化图像的像素总数,得到线条集合的像素占比值,得到第二识别结果。
具体的,基于联通区域的判断标准,对二值化图像进行边界检测,识别出图像中的区块化特征,作为第一识别结果。
基于指静脉图像的特征,经过二值化处理之后,图像中的线条都被过滤,保留下的噪声信息呈区块化特性,并且都集中在二值化图像的边界。
而伪造的指静脉图像经过二值化处理之后,二值化图像的背景区域噪声很少,且并不呈区块化聚集。
基于该特点,对二值化图像进行边界检测,得到的第一识别结果能够作为识别出待识别指静脉图像是否是伪造的判断标准。
进一步的,作为一种可选的实施方式,可对二值化图像进行裁剪,将出现噪声信息的区域裁剪,得到二次兴趣图像,对二次兴趣图像进行边界检测,能够提高得到第一识别结果的速度,并且,二次兴趣图像中保留了待识别指静脉图像是否是真实的指静脉图像的特点,对二次兴趣图像进行检测,有利于减少进行图像处理的数据量。
对第一识别结果中线条集合的像素占比进行计算,得到像素占比值,作为第二识别结果。
进一步的,作为一种可选的实施方式,在步骤S40中,基于第一识别结果和第二识别结果对待识别指静脉图像进行防伪识别,得到识别结果包括:
S401,判断第一识别结果是否满足第一判断标准,得到第一判断结果。
S402,若第一判断结果为第一识别结果满足第一判断标准,则基于第二判断标准,对第二识别结果进行判断,得到第二判断结果。
S403,基于第一判断结果和第二判断结果,得到识别结果。
具体的,通过第一识别结果是否满足第一判断标准,即第一识别结果中是否识别出了像素集中区域,其中,像素集中区域可以是线条区域等,若识别出了像素集中区域,则根据第二判断标准,判断像素集中区域的总像素值在二值化图像中的像素占比,得到第二判断结果,若第二判断结果为像素占比大于预设占比值,则认为待识别指静脉图像是伪造的指静脉图像。
在本实施中,基于第一识别结果的判断标准,得到第一判断结果,根据第二识别结果的判断标准,得到第二判断结果,根据第一判断结果和第二判断结果共同判断待识别指静脉图像是否是伪造的,有效提高识别出待识别指静脉图像的真伪性的效果和准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种指静脉图像真伪识别装置,该指静脉图像真伪识别装置与上述实施例中指静脉图像真伪识别方法一一对应。如图9所示,该指静脉图像真伪识别装置包括:
图像裁剪模块31,用于获取待识别指静脉图像,并基于预设裁剪规则,对待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像。
二值化模块32,用于对初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对平滑兴趣区域图像进行二值化,得到二值化图像。
初始识别模块33,用于对二值化图像进行边界检测,得到第一识别结果,并对二值化图像进行像素占比判断,得到第二识别结果。
结果判断模块34,用于基于第一识别结果和第二识别结果对待识别指静脉图像进行防伪识别,得到识别结果。
进一步的,图像裁剪模块31包括:
图像裁剪单元,用于基于预设裁剪规则,生成裁剪像素区域,基于裁剪像素区域对带待识别指静脉图像进行图像裁剪,得到初始兴趣区域图像。
进一步的,二值化模块32包括:
滤波单元,用于对初始兴趣区域图像进行中值滤波处理,得到初始兴趣区域图像的平滑兴趣区域图像。
二值化单元,用于基于预设的二值化阈值计算公式,计算出二值化阈值,并基于二值化阈值,对平滑兴趣区域图像进行二值化处理,得到二值化图像。
进一步的,指静脉图像真伪识别装置包括:
样本数据获取模块,用于获取真实指静脉图像作为正样本,并获取伪造线条图像作为负样本。
图像处理模块,用于对正样本和负样本进行图像裁剪和中值滤波,得到初始样本图像。
二值化处理模块,用于按照不同的二值化阈值,对初始样本图像进行二值化处理,得到初始二值化图像。
阈值公式生成模块,用于基于初始二值化图像的图像均值,生成二值化计算公式,作为预设的二值化阈值计算公式。
进一步的,初始识别模块33包括:
第一识别单元,用于基于联通区域判断标准,对二值化图像进行边界检测,得到二值化中的线条集合,作为第一识别结果。
第二识别单元,用于计算线条集合的集合像素,基于集合像素与二值化图像的像素总数,得到线条集合的像素占比值,得到第二识别结果。
进一步的,结果判断模块34包括:
第一判断单元,用于判断第一识别结果是否满足第一判断标准,得到第一判断结果。
第二判断单元,用于若第一判断结果为第一识别结果满足第一判断标准,则基于第二判断标准,对第二识别结果进行判断,得到第二判断结果。
识别结果单元,用于基于第一判断结果和第二判断结果,得到识别结果。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分,并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
关于指静脉图像真伪识别装置的具体限定可以参见上文中对于指静脉图像真伪识别方法的限定,在此不再赘述。上述指静脉图像真伪识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储指静脉图像真伪识别方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种指静脉图像真伪识别方法。
在一个实施例中,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在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中指静脉图像真伪识别方法的步骤,例如图8所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中指静脉图像真伪识别装置的各模块/单元的功能,例如图9所示模块31至模块34的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中指静脉图像真伪识别方法的步骤,例如图8所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中指静脉图像真伪识别装置的各模块/单元的功能,例如图9所示模块31至模块34的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种指静脉图像真伪识别方法,其特征在于,包括:
获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像;
对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像;
对所述二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果;
基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果;
其中,所述对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像包括:
对所述初始兴趣区域图像进行中值滤波处理,得到所述初始兴趣区域图像的所述平滑兴趣区域图像;
基于预设的二值化阈值计算公式,计算出二值化阈值,并基于所述二值化阈值,对所述平滑兴趣区域图像进行二值化处理,得到所述二值化图像;
其中,在基于预设的二值化阈值计算公式,计算出二值化阈值,并基于所述二值化阈值,对所述平滑兴趣区域图像进行二值化处理,得到所述二值化图像之前,所述方法包括:
获取真实指静脉图像作为正样本,并获取伪造线条图像作为负样本;
对所述正样本和所述负样本进行图像裁剪和中值滤波,得到初始样本图像;
按照不同的二值化阈值,对所述初始样本图像进行二值化处理,得到初始二值化图像;
基于所述初始二值化图像的图像均值,生成二值化计算公式,作为预设的二值化阈值计算公式。
2.根据权利要求1所述的指静脉图像真伪识别方法,其特征在于,所述获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像包括:
基于预设裁剪规则,生成裁剪像素区域,基于所述裁剪像素区域对所述待识别指静脉图像进行图像裁剪,得到初始兴趣区域图像。
3.根据权利要求1所述的指静脉图像真伪识别方法,其特征在于,对二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果包括:
基于联通区域判断标准,对所述二值化图像进行边界检测,得到所述二值化中的线条集合,作为第一识别结果;
计算所述线条集合的集合像素,基于所述集合像素与所述二值化图像的像素总数,得到所述线条集合的像素占比值,得到第二识别结果。
4.根据权利要求1所述的指静脉图像真伪识别方法,其特征在于,所述基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果包括:
判断所述第一识别结果是否满足第一判断标准,得到第一判断结果;
若所述第一判断结果为所述第一识别结果满足所述第一判断标准,则基于第二判断标准,对所述第二识别结果进行判断,得到第二判断结果;
基于所述第一判断结果和所述第二判断结果,得到所述识别结果。
5.一种指静脉图像真伪识别装置,其特征在于,包括:
图像裁剪模块,用于获取待识别指静脉图像,并基于预设裁剪规则,对所述待识别指静脉图像进行图像裁剪,获取初始兴趣区域图像;
二值化模块,用于对所述初始兴趣区域图像进行滤波处理,得到平滑兴趣区域图像,并基于预设的二值化阈值,对所述平滑兴趣区域图像进行二值化,得到二值化图像;
初始识别模块,用于对所述二值化图像进行边界检测,得到第一识别结果,并对所述二值化图像进行像素占比判断,得到第二识别结果;
结果判断模块,用于基于所述第一识别结果和所述第二识别结果对所述待识别指静脉图像进行防伪识别,得到识别结果;
其中,所述二值化模块包括:
滤波单元,用于对所述初始兴趣区域图像进行中值滤波处理,得到所述初始兴趣区域图像的所述平滑兴趣区域图像;
二值化单元,用于基于预设的二值化阈值计算公式,计算出二值化阈值,并基于所述二值化阈值,对所述平滑兴趣区域图像进行二值化处理,得到所述二值化图像;
其中,所述指静脉图像真伪识别装置还包括:
样本数据获取模块,用于获取真实指静脉图像作为正样本,并获取伪造线条图像作为负样本;
图像处理模块,用于对所述正样本和负样本进行图像裁剪和中值滤波,得到初始样本图像;
二值化处理模块,用于按照不同的二值化阈值,对所述初始样本图像进行二值化处理,得到初始二值化图像;
阈值公式生成模块,用于基于所述初始二值化图像的图像均值,生成二值化计算公式,作为预设的二值化阈值计算公式。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并在所述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如权利要求1至4中任一项所述指静脉图像真伪识别方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述指静脉图像真伪识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678966.7A CN114241537B (zh) | 2021-12-31 | 2021-12-31 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678966.7A CN114241537B (zh) | 2021-12-31 | 2021-12-31 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241537A CN114241537A (zh) | 2022-03-25 |
CN114241537B true CN114241537B (zh) | 2022-12-23 |
Family
ID=80745487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678966.7A Active CN114241537B (zh) | 2021-12-31 | 2021-12-31 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241537B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
CN108197535A (zh) * | 2017-12-19 | 2018-06-22 | 北京智慧眼科技股份有限公司 | 指静脉图像质量评判方法及装置 |
CN109815797A (zh) * | 2018-12-17 | 2019-05-28 | 北京飞搜科技有限公司 | 活体检测方法和装置 |
CN109815970A (zh) * | 2018-12-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 翻拍图像的识别方法、装置、计算机设备和存储介质 |
CN111950408A (zh) * | 2020-07-28 | 2020-11-17 | 深圳职业技术学院 | 基于规则图的手指静脉图像识别方法、装置及存储介质 |
CN113312936A (zh) * | 2021-05-13 | 2021-08-27 | 阳光电源股份有限公司 | 一种图像定位标识识别方法及服务器 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558588B2 (en) * | 2012-06-26 | 2017-01-31 | Schlumberger Technology Corporation | Method for building a 3D model of a rock sample |
US20170287252A1 (en) * | 2016-04-03 | 2017-10-05 | Harshal Dwarkanath Laddha | Counterfeit Document Detection System and Method |
CN109003237A (zh) * | 2018-07-03 | 2018-12-14 | 深圳岚锋创视网络科技有限公司 | 全景图像的天空滤镜方法、装置及便携式终端 |
CN110532851B (zh) * | 2019-07-04 | 2022-04-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-31 CN CN202111678966.7A patent/CN114241537B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
CN108197535A (zh) * | 2017-12-19 | 2018-06-22 | 北京智慧眼科技股份有限公司 | 指静脉图像质量评判方法及装置 |
CN109815797A (zh) * | 2018-12-17 | 2019-05-28 | 北京飞搜科技有限公司 | 活体检测方法和装置 |
CN109815970A (zh) * | 2018-12-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 翻拍图像的识别方法、装置、计算机设备和存储介质 |
CN111950408A (zh) * | 2020-07-28 | 2020-11-17 | 深圳职业技术学院 | 基于规则图的手指静脉图像识别方法、装置及存储介质 |
CN113312936A (zh) * | 2021-05-13 | 2021-08-27 | 阳光电源股份有限公司 | 一种图像定位标识识别方法及服务器 |
Non-Patent Citations (3)
Title |
---|
Finger vein recognition algorithm under reduced field of view;Jian Jin 等;《WILEY》;20210323;第947-955页 * |
一种电网巡检航拍图像中绝缘子定位方法;程海燕等;《***仿真学报》;20170608(第06期);第171-180页 * |
采用旋转校正的指静脉图像感兴趣区域提取方法;马慧等;《智能***学报》;20120615(第03期);第46-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114241537A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200279358A1 (en) | Method, device, and system for testing an image | |
CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN106560840B (zh) | 一种图像信息识别处理方法及装置 | |
CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
CN112102164B (zh) | 一种图像处理方法、装置、终端及存储介质 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN114550241B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN114266946A (zh) | 遮挡条件下的特征识别方法、装置、计算机设备及介质 | |
CN112751883A (zh) | Ip威胁分值判定方法、装置、设备及介质 | |
CN112580668A (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN113887527B (zh) | 人脸图像处理方法、装置、计算机设备及存储介质 | |
WO2023273296A1 (zh) | 车图像分割质量的评估方法、装置、设备及存储介质 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
CN114241537B (zh) | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
CN110909733A (zh) | 基于ocr图片识别的模版定位方法、装置和计算机设备 | |
CN112686847B (zh) | 身份证图像拍摄质量评价方法、装置、计算机设备和介质 | |
CN112037814B (zh) | 一种音频指纹的提取方法、装置、电子设备及存储介质 | |
CN109886865A (zh) | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 | |
CN113283978B (zh) | 基于生物基础与行为特征及业务特征的金融风险评估方法 | |
CN111178340B (zh) | 图像识别方法及图像识别模型的训练方法 | |
CN113011132A (zh) | 竖排文字识别方法、装置、计算机设备和存储介质 | |
CN114443873A (zh) | 数据处理方法、装置、服务器及存储介质 |
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 |