[go: up one dir, main page]

CN112801034A - 一种指静脉识别装置 - Google Patents

一种指静脉识别装置 Download PDF

Info

Publication number
CN112801034A
CN112801034A CN202110203770.6A CN202110203770A CN112801034A CN 112801034 A CN112801034 A CN 112801034A CN 202110203770 A CN202110203770 A CN 202110203770A CN 112801034 A CN112801034 A CN 112801034A
Authority
CN
China
Prior art keywords
hemoglobin
image
image data
feature point
finger 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.)
Withdrawn
Application number
CN202110203770.6A
Other languages
English (en)
Inventor
吕明
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.)
Zhenjiang Yumai Intelligent Technology Co ltd
Original Assignee
Zhenjiang Yumai Intelligent Technology 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 Zhenjiang Yumai Intelligent Technology Co ltd filed Critical Zhenjiang Yumai Intelligent Technology Co ltd
Priority to CN202110203770.6A priority Critical patent/CN112801034A/zh
Publication of CN112801034A publication Critical patent/CN112801034A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V40/14—Vascular patterns

Landscapes

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

Abstract

本发明的一种指静脉识别装置，利用具有近红外感知能力的图像传感器捕获手指中的血红蛋白照影的影像数据，血红蛋白造影的图像采集能力比普通传感器来的强，根据血红蛋白的特点建立粗模型用于评价图像质量等级，可以较好的筛选出符合要求的图像，避免低等级的图像一直进行尝试还原。通过对符合质量要求的图像进行预处理，能够去除噪声，突出血红蛋白造影，然后根据预设的血红蛋白特征对血红蛋白照影进行提取，根据与预设的特征点集合进行比对。

Description

一种指静脉识别装置
技术领域
本发明属于生物特征识别技术领域，具体涉及一种指静脉识别装置。
背景技术
现今社会中随着智能设备的应用和普及，鉴权、验证方式也从早期的卡验证、密码验证逐渐转变为人体生物特征验证，比如指纹、虹膜验证。随着各种生物信息特征识别技术的使用，相关弊端也逐渐暴露出来。作为最常见的指纹识别技术，指纹容易磨损，容易被盗用，使用一个指模就可以轻易骗过验证设备。生物信息的安全问题一直是生物特征识别设备得到推广的主要障碍。
指静脉识别技术的问世和兴起为解决生物信息验证安全的技术问题提供了新的出路。指静脉识别与传统的指纹识别相比有本质不同，有许多优势，比如：指静脉识别是根据静脉里血红蛋白反射的近红外线形成的静脉影像来识别的，属于活体识别技术，由于静脉属于内部生理特征，所以不会受到表皮、污染、温湿度等外部环境的影响，而且静脉像也是无法复制的，图像采集主要依赖于手指中不同结构对红外光的吸收性不同而带来的活体性优势、由于非接触式验证而带来的难以伪造的优势以及手指外部损伤不影响其识别率的稳定性优势等。自Joseph Rice最早提出指静脉识别思路，经过20多年的探索与发展，该项技术已经使用在了民生、金融、交通领域。但是，由于不同设备的图像传感器性能、设备光照条件会引起静脉血管像模糊或者噪声会掩盖细长的静脉血管像造成中断。现有技术中的指静脉识别比对理想情况是基于相同或接近的成像条件下，较少适配低质量的图像比对，指静脉血管在自然环境下或其他成像设备下的成像都存在极大差异，从而使得与数据库中的存储结果进行比对时，存在比对困难。
发明内容
为解决上述问题，本发明提供如下技术方案：
一种指静脉识别装置，包含：一壳体、设置在壳体内部的采集窗口、位于采集窗口上方的设置在所述壳体内部的手指采集区域、设置在采集窗口后面的具有近红外线感知能力的图像传感器，以及与图像传感器电通信连接的处理器电路，所述处理器电路被配置为可执行以下步骤：
S1:获取具有近红外线感知能力的图像传感器捕获多帧用于待采集的手指中含有流动血液中的血红蛋白对近红外光的吸收而形成的血红蛋白照影的影像数据；
S2：对捕获的影像数据利用血红蛋白照影粗模型，进行质量评估，确认质量等级，将符合质量要求的血红蛋白照影特征的影像数据，输入S3；
S3:对捕获的指静脉的血红蛋白照影影像数据进行预处理得到待提取特征的数据，所述预处理进一步包含：
S31.对影像数据进行增强；
S32.对增强后的影像数据去噪声，突出血红蛋白照影影像；
S33.对血红蛋白照影影像进行目标检测和提取；
S34.将利用边缘检测算法收集包含一定数量的血红蛋白的图像；
S4：提取所述包含所述血红蛋白的集合中的第二特征点图像；
S5：将提取到的所述特征点与预先存储的第一特征点图像进行比较，将所述第二特征点集合与所述预存的第一特征点集合进行比对，判断第二特征点集合是否在阈值范围内与所述第一特征点集合吻合，是，则识别比对成功。
所述步骤S31中，将影像数据进行复制，创造一副本，将所述副本进行图像反转，反转后再进行图像平滑处理，然后在进行反转转换得到增强的影像数据。
所述步骤S32中，对增强后的影像数据进行分块处理，按照预设的条件，将影像数据分成若干区块图像进行处理，再将各区块图像进行聚类操作，然后采取增广拉格朗日乘子法求解，得到去噪声的突出血红蛋白照影影像。
所述步骤S33中，采用基于Region Proposal的R-CNN系算法，对所述血红蛋白照影影像产生血红蛋白目标候选框，然后对候选框进行分类和回归，将大部分的血红蛋白作为目标进行检测和提取。
与现有技术相比，本发明的有益效果是：
1、本发明的一种指静脉识别装置，利用具有近红外感知能力的图像传感器捕获手指中的血红蛋白照影的影像数据，血红蛋白造影的图像采集能力比普通传感器来的强，根据血红蛋白的特点建立粗模型用于评价图像质量等级，可以较好的筛选出符合要求的图像，避免低等级的图像一直进行尝试还原。通过对符合质量要求的图像进行预处理，能够去除噪声，突出血红蛋白造影，然后根据预设的血红蛋白特征队血红蛋白照影进行提取，根据与预设的特征点集合进行比对。
2、本发明的一种指静脉识别装置，将影像数据进行复制，创造一副本，将所述副本进行图像反转，反转后再进行图像平滑处理，然后在进行反转转换得到增强的影像数据，由于血红蛋白本身特征不够明显且和血液溶于一体，正常的图像增强也会增强无关的血液背景色，通过将图像进行反转，尽可能的拉开血红蛋白和其他物质的对比度，克服了技术常见的偏见，带来了较好的对比度的效果，通过平滑处理，尽可能的还原出血红蛋白造影的准确度，使得图形贴合原始形状。
3、本发明的一种指静脉识别装置，通过对增强后的影像数据进行分块处理，按照预设的条件，将影像数据分成若干区块图像进行处理，可以提升整体的处理速度，不需要占用较大的运算资源，通过聚类操作和拉格朗日乘子法求解，能使得血红蛋白照影突出且边缘平滑，能够提升后续比对准确率。
4、本发明的一种指静脉识别装置，采用R-CNN细算法能够快速在图像中框选出血红蛋白照影，降低图案大小，提升图像中血红蛋白照影比例。
附图说明
图1为本发明一种指静脉识别装置的识别流程示意图；
图2为本发明一种指静脉识别装置的指静脉示意图；
图3为本发明一种指静脉识别装置的指静脉去噪声后示意图；
图4为本发明一种指静脉识别装置的结构示意图。
附图标记：1-壳体；2-采集窗口；3-手指采集区域。
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，所描述的实施例仅仅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做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。
如图4所示，一种指静脉识别装置，其特征在于，包含：一壳体1、设置在壳体内部的采集窗口2、位于采集窗口2上方的设置在所述壳体1内部的手指采集区域3、设置在采集窗口2后面的具有近红外线感知能力的图像传感器，以及与图像传感器电通信连接的处理器电路，所述处理器电路被配置为在手指伸入采集区域3贴近所述采集窗口2后，所述图像传感器在照明灯光的作用下采集图像，所述处理器电路可执行以下步骤，如图1所示：
S1:获取具有近红外线感知能力的图像传感器捕获多帧用于待采集的手指中含有流动血液中血红蛋白对近红外光的吸收而形成的血红蛋白照影的影像数据；如图2所示，图2是理想情况的影像数据。
S2：对捕获的影像数据利用血红蛋白照影粗模型，进行质量评估，确认质量等级，将符合质量要求的血红蛋白照影特征的影像数据，输入S3，不符合质量要求的剔除，如全部不符合，则停止，质量等级评估的依据是血红蛋白，细血管是否通过噪声可以部分还原。根据血红蛋白的特点比如形状、色度等特征建立粗模型用于评价图像质量等级，如果连粗模型都不匹配，那么这一帧图片无法进行后续识别，通过设置粗模型，可以较好的筛选出符合要求的图像。
S3:对捕获的指静脉的血红蛋白照影影像数据进行预处理得到待提取特征的数据，所述预处理进一步包含：
S21.对影像数据进行增强。将整体图像的对比度增强。
S22.对增强后的影像数据去噪声，这里主要去除椒盐噪声和随机噪声，突出血红蛋白照影影像。
S23.对血红蛋白照影影像进行目标检测和提取。根据血红蛋白的特征进行目标检测并将认为可能是血红蛋白造影影像的目标进行提取。
S24.将利用边缘检测算法收集包含一定数量的血红蛋白的图像。边缘检测是将图片中明暗对比明显的血红蛋白进行标识。经过一系列的收集、提取、还原后如图3所示。
S3：提取所述包含所述血红蛋白的集合中的第二特征点图像，如图3。
S4：将提取到的所述特征点与预先存储的第一特征点图像进行比较，将所述第二特征点集合与所述预存的第一特征点集合进行比对，判断第二特征点集合是否在阈值范围内与所述第一特征点集合吻合，是，则识别比对成功。
所述步骤S21中，将所述血红蛋白照影像数据进行复制，创造一副本，将所述副本进行图像反转，将噪声和血红蛋白进行强对比，反转后再进行图像平滑处理，然后在进行反转转换得到增强的影像数据。
所述步骤S22中，对增强后的影像数据进行分块处理，按照预设的条件，将影像数据分成若干区块图像进行处理，再将各区块图像进行聚类操作，然后采取增广拉格朗日乘子法求解，得到去噪声的突出血红蛋白照影影像。
所述步骤S23中，采用基于Region Proposal的R-CNN系算法，对所述血红蛋白照影影像产生血红蛋白目标候选框，然后对候选框进行分类和回归，将大部分的血红蛋白作为目标进行检测和提取。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (4)

1.一种指静脉识别装置，其特征在于，包含：一壳体(1)、设置在壳体内部的采集窗口(2)、位于采集窗口(2)上方的设置在所述壳体(1)内部的手指采集区域、设置在采集窗口(2)后面的具有近红外线感知能力的图像传感器，以及与图像传感器电通信连接的处理器电路，所述处理器电路被配置为可执行以下步骤：
S1:获取具有近红外线感知能力的图像传感器捕获多帧用于待采集的手指中含有流动血液中的血红蛋白对近红外光的吸收而形成的血红蛋白照影的影像数据；
S2：对捕获的影像数据利用血红蛋白照影粗模型，进行质量评估，确认质量等级，将符合质量要求的血红蛋白照影特征的影像数据，输入S3；
S3:对捕获的指静脉的血红蛋白照影影像数据进行预处理得到待提取特征的数据，所述预处理进一步包含：
S31.对影像数据进行增强；
S32.对增强后的影像数据去噪声，突出血红蛋白照影影像；
S33.对血红蛋白照影影像进行目标检测和提取；
S34.将利用边缘检测算法收集包含一定数量的血红蛋白的图像；
S4：提取所述包含所述血红蛋白的集合中的第二特征点图像；
S5：将提取到的所述特征点与预先存储的第一特征点图像进行比较，将所述第二特征点集合与所述预存的第一特征点集合进行比对，判断第二特征点集合是否在阈值范围内与所述第一特征点集合吻合，是，则识别比对成功。
2.根据权利要求1所述的一种指静脉识别装置，其特征在于，所述步骤S31中，将影像数据进行复制，创造一副本，将所述副本进行图像反转，反转后再进行图像平滑处理，然后在进行反转转换得到增强的影像数据。
3.根据权利要求2所述的一种指静脉识别装置，其特征在于：所述步骤S32中，对增强后的影像数据进行分块处理，按照预设的条件，将影像数据分成若干区块图像进行处理，再将各区块图像进行聚类操作，然后采取增广拉格朗日乘子法求解，得到去噪声的突出血红蛋白照影影像。
4.根据权利要求3所述的一种指静脉识别装置，其特征在于：所述步骤S33中，采用基于Region Proposal的R-CNN系算法，对所述血红蛋白照影影像产生血红蛋白目标候选框，然后对候选框进行分类和回归，将大部分的血红蛋白作为目标进行检测和提取。
CN202110203770.6A 2021-02-23 2021-02-23 一种指静脉识别装置 Withdrawn CN112801034A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110203770.6A CN112801034A (zh) 2021-02-23 2021-02-23 一种指静脉识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110203770.6A CN112801034A (zh) 2021-02-23 2021-02-23 一种指静脉识别装置

Publications (1)

Publication Number Publication Date
CN112801034A true CN112801034A (zh) 2021-05-14

Family

ID=75815427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110203770.6A Withdrawn CN112801034A (zh) 2021-02-23 2021-02-23 一种指静脉识别装置

Country Status (1)

Country Link
CN (1) CN112801034A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333910A (zh) * 2023-09-20 2024-01-02 江苏芯灵智能科技有限公司 一种基于静脉识别的醉酒检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333910A (zh) * 2023-09-20 2024-01-02 江苏芯灵智能科技有限公司 一种基于静脉识别的醉酒检测方法
CN117333910B (zh) * 2023-09-20 2024-05-10 江苏芯灵智能科技有限公司 一种基于静脉识别的醉酒检测方法

Similar Documents

Publication Publication Date Title
US9922238B2 (en) Apparatuses, systems, and methods for confirming identity
Han et al. Palm vein recognition using adaptive Gabor filter
CN108985134B (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及系统
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
TWI599964B (zh) 手指靜脈辨識系統與方法
CN105956578A (zh) 一种基于身份证件信息的人脸验证方法
CN111462379A (zh) 一种含掌静脉和人脸识别的门禁管理方法、系统及介质
Alheeti Biometric iris recognition based on hybrid technique
Alshdadi et al. Exploiting Level 1 and Level 3 features of fingerprints for liveness detection
Vega et al. Biometric personal identification system based on patterns created by finger veins
Carney et al. A multi-finger touchless fingerprinting system: Mobile fingerphoto and legacy database interoperability
Tazim et al. Biometric authentication using CNN features of dorsal vein pattern extracted from NIR image
Estacio et al. A rotation invariant algorithm for bimodal hand vein recognition system
CN112801034A (zh) 一种指静脉识别装置
Shams et al. Fingerprint image enhancement using multiple filters
Amjed et al. Noncircular iris segmentation based on weighted adaptive hough transform using smartphone database
Sisodia et al. A conglomerate technique for finger print recognition using phone camera captured images
KR101767051B1 (ko) 퍼지 추론 기반 지정맥 영상 추출 방법 및 그 장치
Bhale et al. An Novel Approaches for High Security in Finger Vein Based Authentication System in Military Forces
Kubanek et al. Feature extraction of palm vein patterns based on two-dimensional density function
Kaur et al. Finger vein detection using repeated line tracking, even Gabor and multilinear discriminant analysis (mda)
Kehinde et al. Hand geometry recognition: an approach for closed and separated fingers
CN112861756A (zh) 一种指静脉识别方法及系统
Sharma et al. Improved human identification using finger vein images
Safiullina et al. Image processing for biometric scanning of the palm vein pattern

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210514

WW01 Invention patent application withdrawn after publication