申请/专利权人：西安理工大学

申请日：2020-11-11

公开（公告）日：2024-04-09

公开（公告）号：CN112434574B

主分类号：G06V20/60

分类号：G06V20/60;G06V40/12;G06V10/25;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明一种非受限状态下的指节纹识别方法，对于非受限状态下采集的指节纹图像，首先提取指节纹区域图像，然后采用所设计的基于弯曲Gabor滤波器提取指节纹ROI区域，进一步设计了卷积神经网络加持空间变换网络的指节纹深度学习网络模型，并用该模型进行指节纹图像识别。本发明方法根据指节纹弯曲纹理及其对称性的特点，解决了现有技术中指节纹ROI区域定位不够准确的问题；设计了基于卷积神经网络加持空间变换网络的指节纹深度学习网络模型，提高了识别的准确率。

主权项：1.一种非受限状态下的指节纹识别方法，其特征在于，具体按照以下步骤实施：步骤1、在非受限状态下采集指节纹图像，并进行预处理和感兴趣区域提取，得到感兴趣指节纹图像；具体过程为：步骤1.1、采集指节纹图像，对指节纹图像进行二值化处理，得到二值化图像；步骤1.2、对二值化图像进行连通区域分析，求取最大连通区域的外接矩形，根据该外接矩形的坐标信息从原始采集的指节纹图像中裁切出只含有指节纹的区域图像；步骤1.3、对只含有指节纹的区域图像进行对比度增强；所述对比度增强方法为对比度受限自适应直方图均衡化法；步骤1.4、采用基于弯曲Gabor变换的方法，提取对比度增强后的指节纹上的感兴趣区域图像，得到感兴趣指节纹图像；提取对比度增强后的指节纹上的感兴趣区域图像的具体步骤程为：步骤1.4.1、所采用的弯曲Gabor滤波器形式为： 其中X＝x*cosθ+*inθ+*-*sinθ+*osθ2，Y＝-x*sinθ+*cosθ，弯曲度参数c用来模拟指节纹的弯曲纹理；步骤1.4.2、选取参数σ＝20,θ＝π,λ＝20,ψ＝0,γ＝1，创建初始的Gabor滤波器，进一步将该滤波器水平镜像并和创建的初始Gabor滤波器进行拼接，以模拟指节纹的纹理对称性，形成最终的指节纹Gabor滤波器；步骤1.4.3、将对比度增强后的指节纹区域图像与最终的指节纹Gabor滤波器进行卷积；步骤1.4.4、将卷积后响应最大值的点作为指节纹感兴趣区域的中心点，裁切出220×110大小的区域即为感兴趣指节纹图像；步骤2、设计卷积神经网络加持空间变换网络的指节纹深度学习网络模型；所述空间变换网络对感兴趣指节纹图像进行仿射变换，生成统一的规范化的图像；所述卷积神经网络用来对经空间变换后的指节纹图像进行识别；步骤3、将感兴趣指节纹图像输入指节纹深度学习网络模型进行训练，得到优化的指节纹深度学习网络模型；步骤4、对于待识别的指节纹图像，采用步骤1相同的预处理和感兴趣区域提取后，输入优化的指节纹深度学习网络模型进行识别。

全文数据：

权利要求：

百度查询： 西安理工大学 一种非受限状态下的指节纹识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD