[发明专利]指静脉识别方法及系统在审
申请号: | 201710209064.6 | 申请日: | 2017-03-31 |
公开(公告)号: | CN108664859A | 公开(公告)日: | 2018-10-16 |
发明(设计)人: | 周曦;周细文 | 申请(专利权)人: | 上海云从企业发展有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 上海光华专利事务所(普通合伙) 31219 | 代理人: | 尹丽云 |
地址: | 201203 上海市浦东新区中国(上海*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 静脉图像 静脉识别 图像编码 预处理 编码模型 相关度 编码特征 采集设备 复杂图像 模型特征 匹配结果 手指静脉 图像模型 严重损失 粗匹配 时效性 特征点 采集 保存 优化 | ||
1.一种指静脉识别方法,其特征在于,包括:
采集指静脉图像,并对所述指静脉图像进行预处理;
对预处理后的指静脉图像进行图像编码,根据图像编码建立编码模型并保存;
提取待识别的指静脉图像的所有编码特征,并将其与编码模型进行粗匹配,获取指静脉图像中每个位置与模型特征的相关度;
根据相关度获取匹配结果。
2.根据权利要求1所述的指静脉识别方法,其特征在于,所述预处理包括:对采集的指静脉图像进行归一化处理。
3.根据权利要求2所述的指静脉识别方法,其特征在于,所述预处理还包括:对归一化后的指静脉图像进行局部对比度增强,并对增强后的指静脉图像进行高斯模糊处理。
4.根据权利要求1-3任一权利要求所述的指静脉识别方法,其特征在于,所述提取待识别的指静脉图像的所有模型特征,并将其与编码模型进行匹配,获取每个待匹配位置的相关度,具体包括:
读取编码模型;采集待识别的指静脉图像,并提取其模型特征;
将待识别的指静脉图像的模型特征与编码模型进行匹配,获取待识别的指静脉图像中每个待匹配位置的相关度;
获取相关度最大的匹配位置,并将其作为粗匹配结果。
5.根据权利要求4所述的指静脉识别方法,其特征在于,所述获取相关度最大的匹配位置,并将其作为粗匹配结果后,还包括:根据所述粗匹配结果,获取待识别图像的特征位置与编码模型中的对应的粗匹配后的特征位置之间的偏移量,计算最大的相关度值并将该相关度值作为精匹配结果。
6.根据权利要求1-3任一权利要求所述的指静脉识别方法,其特征在于,所述对预处理后的指静脉图像进行图像编码,根据图像编码建立编码模型并保存,具体包括:
根据预处理后的指静脉图像,获取指静脉图像的积分图;
将每个指静脉图像的积分图划分为若干子图,所述子图由连续排列的网格组成;
通过对所述子图进行编码,获取每个子图的特征编码,根据指静脉图像中所有子图的特征编码,建立对应的编码模型。
7.一种指静脉识别系统,其特征在于,包括:
采集单元,用于采集指静脉图像;
预处理单元,用于对采集的指静脉图像进行预处理;
编码单元,用于对预处理后的指静脉图像进行图像编码,根据图像编码建立编码模型;
存储单元,用于保存编码模型;
匹配单元,用于将提取的待识别的指静脉图像的所有模型特征与编码模型进行匹配,获取每个待匹配位置的相关度,并根据相关度获取匹配结果。
8.根据权利要求7所述的指静脉识别系统,其特征在于,所述预处理单元包括:
归一化子单元,用于对采集的指静脉图像进行归一化处理;
对比度增强子单元,用于对归一化后的指静脉图像进行局部对比度增强,并对增强后的指静脉图像进行高斯模糊处理。
9.根据权利要求7或8所述的指静脉识别系统,其特征在于,所述匹配单元包括:
读取子单元,用于读取编码模型以及采集待识别的指静脉图像,并提取其模型特征;
粗匹配单元,用于将待识别的指静脉图像的模型特征与编码模型进行匹配,获取待识别的指静脉图像中每个待匹配位置的相关度,获取相关度最大的匹配位置,并将其作为粗匹配结果;
精匹配单元,用于根据所述粗匹配结果,获取待识别图像的特征位置与编码模型中的对应的粗匹配后的特征位置之间的偏移量,计算最大的相关度值并将该相关度值作为精匹配结果。
10.根据权利要求7或8所述的指静脉识别系统,其特征在于,所述编码单元包括:
积分图子单元,用于根据预处理后的指静脉图像,获取指静脉图像的积分图,将每个指静脉图像的积分图划分为若干子图,所述子图由连续排列的网格组成;
编码建模子单元,用于通过对所述子图进行编码,获取每个子图的特征编码,根据指静脉图像中所有子图的特征编码,建立对应的编码模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海云从企业发展有限公司,未经上海云从企业发展有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710209064.6/1.html,转载请声明来源钻瓜专利网。