CN105335713A - 指纹识别方法及装置 - Google Patents

指纹识别方法及装置 Download PDF

Info

Publication number
CN105335713A
CN105335713A CN201510712896.0A CN201510712896A CN105335713A CN 105335713 A CN105335713 A CN 105335713A CN 201510712896 A CN201510712896 A CN 201510712896A CN 105335713 A CN105335713 A CN 105335713A
Authority
CN
China
Prior art keywords
fingerprint
characteristic
coding
training
module
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.)
Pending
Application number
CN201510712896.0A
Other languages
English (en)
Inventor
张涛
汪平仄
张胜凯
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.)
Beijing Xiaomi Technology Co Ltd
Xiaomi Inc
Original Assignee
Xiaomi Inc
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 Xiaomi Inc filed Critical Xiaomi Inc
Priority to CN201510712896.0A priority Critical patent/CN105335713A/zh
Priority to PCT/CN2015/099511 priority patent/WO2017071083A1/zh
Priority to RU2016129191A priority patent/RU2642369C2/ru
Priority to JP2017547061A priority patent/JP2018500707A/ja
Priority to KR1020167005169A priority patent/KR101992522B1/ko
Priority to MX2016005225A priority patent/MX361142B/es
Publication of CN105335713A publication Critical patent/CN105335713A/zh
Priority to US15/222,107 priority patent/US9904840B2/en
Priority to EP16196099.2A priority patent/EP3163508A1/en
Pending legal-status Critical Current

Links

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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种指纹识别方法及装置。方法包括：对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到第一指纹图像对应的第一指纹特征和第二指纹图像对应的第二指纹特征，其中，第一指纹特征与第二指纹特征的维数相同；对第一指纹特征和第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，第三指纹特征和第四指纹特征的维数相同；根据第三指纹特征和第四指纹特征的余弦距离确定第一指纹图像与第二指纹图像是否为同一指纹。本公开技术方案可以提高低质量的指纹图像在指纹识别时的准确率。

Description

指纹识别方法及装置
技术领域
本公开涉及图像识别技术领域，尤其涉及一种指纹识别方法及装置。
背景技术
从1980年左右开始研究指纹识别以来，到1990后指纹识别不论是在民用领域还是在军用领域，都已经非常成熟，应用也非常普遍。然而，相关技术中的指纹识别通常要求用户的指纹不能太过干燥，并且指纹图像质量要足够清晰，从而确保指纹的全局特征点以及局部特征点的提取，当指纹图像质量较差时，会由于识别不出指纹上的全局特征点以及局部特征点而导致最终的指纹识别不准确，因此在一定程度上约束了指纹识别产品的用户体验。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种指纹识别方法及装置，用以提高低质量的指纹图像在指纹识别时的准确率。
根据本公开实施例的第一方面，提供一种指纹识别方法，包括：
对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
在一实施例中，所述自动编码解码网络包括至少一个编码层，所述方法还可包括：
通过无标签指纹样本对所述至少一个编码层中的每一编码层的编码特征参数进行训练，得到所述每一层编码层对应的编码特征表示参数；
对所述每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到所述无标签指纹样本的指纹重构数据；
确定所述指纹重构数据与所述无标签指纹样本的重构误差；
根据所述重构误差调整所述每一编码层的编码特征表示参数；
在所述重构误差达到最小值时，停止对所述自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
在一实施例中，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述方法还可包括：
将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第二输出结果；
将所述第二输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练；
在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，停止对所述分类器的训练。
在一实施例中，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述方法还可包括：
将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第一输出结果；
将所述第一输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练并对所述第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，停止对所述分类器的训练和对所述每一个编码层的编码特征表示参数的微调。
在一实施例中，所述方法还可包括：
通过已训练的所述自动编码解码网络提取所述无标签指纹样本的第一设定维数的编码特征表示参数；
对所述第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
在一实施例中，所述根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹，可包括：
将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
如果所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
如果所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
根据本公开实施例的第二方面，提供一种指纹识别装置，包括：
第一提取模块，被配置为对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
降维处理模块，被配置为对所述第一提取模块提取到的所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
识别模块，被配置为根据所述降维处理模块降维后的所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
在一实施例中，所述自动编码解码网络包括至少一个编码层，所述装置还可包括：
第一训练模块，被配置为通过无标签指纹样本对所述至少一个编码层中的每一编码层的编码特征参数进行训练，得到所述每一层编码层对应的编码特征表示参数；
第一重构模块，被配置为对所述第一训练模块训练得到的所述每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到所述无标签指纹样本的指纹重构数据；
第一确定模块，被配置为确定所述第一重构模块确定的所述指纹重构数据与所述无标签指纹样本的重构误差；
调整模块，被配置为根据所述第一确定模块确定的所述重构误差调整所述每一编码层的编码特征表示参数；
第一控制模块，被配置为在所述第一确定模块确定的所述重构误差达到最小值时，停止对所述自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
在一实施例中，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述装置还可包括：
第一处理模块，被配置为将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第一输出结果；
第二训练模块，被配置为将所述处理模块得到的所述第一输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练；
第二控制模块，被配置为在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，控制所述第二训练模块停止对所述分类器的训练。
在一实施例中，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述装置还可包括：
第二处理模块，被配置为将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第二输出结果；
第三训练模块，被配置为将所述第二处理模块得到的所述第二输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练并对所述第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
第三控制模块，被配置为在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，控制所述第三训练模块停止对所述分类器的训练和对所述每一个编码层的编码特征表示参数的微调。
在一实施例中，所述装置还可包括：
第二提取模块，被配置为通过已训练的所述自动编码解码网络提取所述无标签指纹样本的第一设定维数的编码特征表示参数；
第四训练模块，被配置为对所述第二提取模块提取的所述第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
在一实施例中，所述识别模块可包括：
比较子模块，被配置为将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
第一确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
第二确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
根据本公开实施例的第三方面，提供一种指纹识别装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
本公开的实施例提供的技术方案可以包括以下有益效果：由于AED网络已经经过大量的指纹图像训练得到的指纹特征，因此AED网络所提取第一指纹图像的第一指纹特征和第二指纹图像的第二指纹特征可以包含有利于指纹识别的指纹特征，避免了相关技术必须通过指纹的全局特征点以及局部特征点才能实现指纹识别，当指纹图像质量较差时，AED网络通过识别有利于指纹识别的特征，确保在第一指纹图像的质量较低时由于提取不出指纹的全局特征点以及局部特征点仍能够实现指纹识别，大大提高了低质量的指纹图像在指纹识别时的准确率；通过对第一指纹特征和第二指纹特征进行降维，可以大大降低在指纹识别过程中的计算复杂度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1A是根据一示例性实施例示出的指纹识别方法的流程图。
图1B是根据一示例性实施例示出的AED网络的结构示意图。
图2A是根据一示例性实施例示出的指纹识别方法的流程图。
图2B是根据一示例性实施例示出的AED网络的结构示意图。
图2C是根据一示例性实施例示出的如何对AED网络进行训练的示意图。
图3A是根据一示例性实施例示出的如何通过有标签指纹样本对AED网络的参数进行微调的流程图。
图3B是根据又一示例性实施例示出的如何通过有标签指纹样本对连接至AED网络的分类器的参数进行微调的流程图。
图3C是根据又一示例性实施例示出的AED网络和分类器的结构示意图。
图4是根据一示例性实施例示出的指纹识别方法的流程图。
图5是根据一示例性实施例示出的一种指纹识别装置的框图。
图6是根据一示例性实施例示出的另一种指纹识别装置的框图。
图7是根据一示例性实施例示出的一种适用于指纹识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1A是根据一示例性实施例示出的指纹识别方法的流程图，图1B是根据一示例性实施例示出的自动编码解码网络的结构示意图；该指纹识别方法可以应用在安装有指纹传感器的指纹识别设备(例如：具有指纹认证的智能手机和平板电脑、指纹打卡机)上。如图1A所示，该指纹识别方法包括以下步骤S101-S103：
在步骤S101中，对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到第一指纹图像对应的第一指纹特征和第二指纹图像对应的第二指纹特征，其中，第一指纹特征与第二指纹特征的维数相同。
在一实施例中，数据库中可以存储有已经采集的一定范围内的用户的指纹图像。例如，A公司内的全部员工的指纹图像，当用户B需要指纹认证时，通过指纹传感器采集用户B的第一指纹图像即可。在一实施例中，自动编码解码(AutoEncodeDecode，简称为AED)网络可以包括编码层和解码层，将第一指纹图像输入到编码层，经过编码层的输出即为第一指纹图像的编码特征，将该编码特征再输入到与该编码层相对应的解码层中，解码层的输出即为第一指纹图像的第一指纹特征。相应地，可以将数据库中的第二指纹图像经过与第一指纹图像相同的方式，得到第二指纹图像的第二指纹特征。
在步骤S102中，对第一指纹特征和第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，第三指纹特征和第四指纹特征的维数相同，且小于第一指纹特征和第二指纹特征的维数。
在一实施例中，可以通过已经训练的线性判别式分析(LinearDiscriminantAnalysis，简称为LDA)对第一指纹特征和第二指纹特征进行降维。在一实施例中，通过已训练的自动编码解码网络提取无标签指纹样本的第一设定维数的指纹特征；对第一设定维数的指纹特征进行线性判别式分析LDA训练，得到LDA的第二设定维数的投影矩阵。例如，无标签指纹样本从AED网络输出的了第一设定维数为500维的编码特征表示参数，经过对LDA训练后，可以从训练后的LDA降维至第二设定维数为200维的编码特征表示参数。从而可以降低在计算余弦距离时的计算复杂度。
在步骤S103中，根据第三指纹特征和第四指纹特征的余弦距离确定第一指纹图像与第二指纹图像是否为同一指纹。
在一实施例中，可以将第三指纹特征和第四指纹特征的余弦距离与预设阈值进行比较，如果余弦距离大于预设阈值，确定第一指纹图像与第二指纹图像为同一指纹，如果余弦距离小于或者等于预设阈值，确定第一指纹图像与第二指纹图像为不同指纹。
作为一个示例性场景，如图1B所示，当用户B需要进行指纹认证时，通过指纹传感器11采集用户A的第一指纹图像，将第一指纹图像和数据库12中已经存储的第二指纹图像输入至已经训练的自动编码解码网络13中，自动编码解码网络13输出第一指纹图像的第一指纹特征和第二指纹图像的第二指纹特征。例如，第一指纹特征和第二指纹特征均为500维的指纹特征。利用LDA模块14的投影矩阵对500维的第一指纹特征和第二指纹特进行降维。例如，LDA模块14将第一指纹特征和第二指纹特征从500维降到了200维，也即LDA模块14输出了第一指纹特征降维后的第三指纹特征和第二指纹特征降维后的第四指纹特征。例如，第三指纹特征和第四指纹特征的维数均为200维。距离计算模块15计算这两个200维的第三指纹特征和第四指纹特征的余弦距离，结果输出模块16将该余弦距离与阈值进行比较，也即，通过该阈值对余弦距离进行分割。如果余弦距离大于该阈值，结果输出模块16输出第一指纹图像和第二指纹图像属于同一个指纹的结果，如果余弦距离小于或者等于该阈值，结果输出模块16输出第一指纹图像和第二指纹图像属于不同指纹的结果。
本实施例中，由于AED网络已经经过大量的指纹图像训练得到的指纹特征，因此AED网络所提取第一指纹图像的第一指纹特征和第二指纹图像的第二指纹特征可以包含有利于指纹识别的指纹特征，避免了相关技术必须通过指纹的全局特征点以及局部特征点才能实现指纹识别，当指纹图像质量较差时，AED网络通过识别有利于指纹识别的特征，确保在第一指纹图像的质量较低时由于提取不出指纹的全局特征点以及局部特征点仍能够实现指纹识别，大大提高了低质量的指纹图像在指纹识别时的准确率；通过对第一指纹特征和第二指纹特征进行降维，可以大大降低在指纹识别过程中的计算复杂度。
在一实施例中，自动编码解码网络包括至少一个编码层，所述指纹识别方法还可包括：
通过无标签指纹样本对至少一个编码层中的每一编码层的编码特征参数进行训练，得到每一层编码层对应的编码特征表示参数；
对每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到无标签指纹样本的指纹重构数据；
确定指纹重构数据与无标签指纹样本的重构误差；
根据重构误差调整每一编码层的编码特征表示参数；
在重构误差达到最小值时，停止对自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
在一实施例中，在第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，方法还可包括：
将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第一输出结果；
将第一输出结果输入到分类器，通过有标签指纹样本对分类器进行训练；
在分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器的训练。
在一实施例中，在第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，方法还可包括：
将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第二输出结果；
将第二输出结果输入到分类器，通过有标签指纹样本对分类器进行训练并对第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
在分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器的训练和对每一个编码层的编码特征表示参数的微调。
在一实施例中，方法还可包括：
通过已训练的自动编码解码网络提取无标签指纹样本的第一设定维数的编码特征表示参数；
对第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到LDA的第二设定维数的投影矩阵。
在一实施例中，根据第三指纹特征和第四指纹特征的余弦距离确定第一指纹图像与第二指纹图像是否为同一指纹，可包括：
将第三指纹特征和第四指纹特征的余弦距离与预设阈值进行比较；
如果余弦距离大于预设阈值，确定第一指纹图像与第二指纹图像为同一指纹；
如果余弦距离小于或者等于预设阈值，确定第一指纹图像与第二指纹图像为不同指纹。
具体如何实现指纹识别的，请参考后续实施例。
至此，本公开实施例提供的上述方法，可以避免相关技术必须通过指纹的全局特征点以及局部特征点才能实现指纹识别，确保在第一指纹图像的质量较低时由于提取不出指纹的全局特征点以及局部特征点仍能够实现指纹识别，大大提高低质量的指纹图像在指纹识别时的准确率，还可以大大降低在指纹识别过程中的计算复杂度。
下面以具体实施例来说明本公开实施例提供的技术方案。
图2A是根据一示例性实施例示出的指纹识别方法的流程图，图2B是根据一示例性实施例示出的AED网络的结构示意图，图2C是根据一示例性实施例示出的如何对AED网络进行训练的示意图；本实施例利用本公开实施例提供的上述方法，以如何通过无标签指纹样本对AED网络和LDA进行训练为例进行示例性说明。如图2A所示，所述指纹识别方法包括如下步骤：
在步骤S201中，通过无标签指纹样本对至少一个编码层中的每一编码层的编码特征参数进行训练，得到每一层编码层对应的编码特征表示参数。
在步骤S202中，对每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到无标签指纹样本的指纹重构数据。
在步骤S203中，确定指纹重构数据与无标签指纹样本的重构误差。
在步骤S204中，根据重构误差调整每一编码层的编码特征表示参数。
在步骤S205中，在重构误差达到最小值时，停止对自动编码解码网络的训练。
在一实施例中，AED网络包括至少一个编码层。例如，如图2B所示的AED网络20包括3个编码层(分别为编码层21、编码层22、编码层23)。如图2C所示，以对编码层21进行训练为例进行示例性说明，对于大量(例如，60万张的无标签指纹样本)的无标签指纹样本，可以将每一个无标签指纹样本输入编码层21，从编码层21得到一个无标签指纹样本的编码特征表示参数，该编码特征表示参数也就是输入的无标签指纹样本的一个表示，为了验证该编码特征表示参数是否与该无标签指纹样本一致，可以将编码特征表示参数输入到解码层24，通过重构误差计算模块25计算得到解码层24的输出信息与无标签指纹样本之间的重构误差。如果重构误差尚未达到最小值，可以根据重构误差调整编码层21的编码特征表示参数，直至重构误差达到最小值，可以视为该编码特征表示参数在编码层21能够表示该无标签指纹样本。
与上述编码层21类似的训练方式，可以对编码层22和编码层23通过各自对应的解码层来验证编码层22和编码层23各自对应的编码特征表示参数是否与该无标签指纹样本一致，直至编码层22和编码层23能够表示该无标签指纹样本，本公开不再详述。
本实施例中，通过对AED网络进行训练，可以使AED网络对指纹图像进行编码，通过编码特征表示参数来表示指纹图像，当无标签指纹样本的数量达到一定数量时，可以使训练后的AED网络能够识别出指纹图像中有利于指纹识别的图像特征，避免出现由于低质量指纹图像提取全局特征点和局部特征点失败导致指纹识别错误的情形。
图3A是根据一示例性实施例示出的如何通过有标签指纹样本对AED网络的参数进行微调的流程图，图3B是根据又一示例性实施例示出的如何通过有标签指纹样本对连接至AED网络的分类器的参数进行微调的流程图，图3C是根据又一示例性实施例示出的AED网络和分类器的结构示意图。
如图3A所示，所述指纹识别方法包括如下步骤：
在步骤S301中，将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第一输出结果。
在步骤S302中，将第一输出结果输入到分类器，通过有标签指纹样本对分类器进行训练。
在步骤S303中，在分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器的训练。
如图3C所示，在经过上述图2A所示实施例对AED进行训练后，可以得到AED网络20的多个编码层(图3C所示的编码层21、编码层22、编码层23)的编码特征表示参数，通过每一个编码层都会得到无标签指纹样本的不同表达，本领域技术人员可以理解的是，本公开对AED网络的层数不做限制。
为了使AED网络能够实现分类，可以在AED网络的的最顶层的编码层(例如，编码层23)添加一个分类器31。该分类器31例如可以为罗杰斯特回归、SVM等分类器。通过标准的多层神经网络的监督训练方法(例如，梯度下降法)采用有标签指纹样本的第一输出结果去训练分类器31，当重构误差计算模块32计算得到的分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器31的分类，从而使AED网络20实现分类的功能。
如图3B所示，所述指纹识别方法包括如下步骤：
在步骤S311中，将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第一输出结果。
在步骤S312中，将第一输出结果输入到分类器，通过有标签指纹样本对分类器进行训练并对第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调。
在步骤S313中，在分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器的训练和对每一个编码层的编码特征表示参数的微调。
与上述图3A的描述类似，通过标准的多层神经网络的监督训练方法(例如，梯度下降法)采用有标签指纹样本的第一输出结果去训练分类器31以及微调编码层21、编码层22和编码层23各层对应的编码特征表示参数。当重构误差计算模块32计算得到的分类器输出的结果与有标签指纹样本的重构误差最小时，停止对分类器31的分类。在AED网络20既能实现分类的基础上，还可以实现对AED网络20的微调，当有标签指纹样本的数据足够多时，可以使AED网络达到实现端对端学习(end-to-endlearning)，从而提高AED网络和分类器在指纹识别时的准确度。
图4是根据一示例性实施例示出的指纹识别方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何通过余弦距离来进行指纹识别为例进行示例性说明，如图4所示，包括如下步骤：
在步骤S401中，对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到第一指纹图像对应的第一指纹特征和第二指纹图像对应的第二指纹特征，其中，第一指纹特征与第二指纹特征的维数相同。
在步骤S402中，对第一指纹特征和第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，第三指纹特征和第四指纹特征的维数相同，且小于第一指纹特征和第二指纹特征的维数。
步骤S401和步骤S402的相关描述请参见上述图1A所示实施例的描述，在此不再详述。
在步骤S403中，将第三指纹特征和第四指纹特征的余弦距离与预设阈值进行比较，如果余弦距离大于预设阈值，执行步骤S404，如果余弦距离小于或者等于预设阈值，执行步骤S405。
在步骤S404中，如果余弦距离大于预设阈值，确定第一指纹图像与第二指纹图像为同一指纹。
在步骤S405中，如果余弦距离小于或者等于预设阈值，确定第一指纹图像与第二指纹图像为不同指纹。
在步骤S403中，可以通过对样本数据库中大量的指纹样本进行训练得到一个合适的预设阈值，预设阈值可以为用户能够接受的识别错误率。例如，如果样本数据库中有类内样本10万对，类间样本100万对，为了保持千分之一的识别错误率，可以对每一对通过余弦距离计算，得到一个0-1之间的值，其中，类内样本的余弦距离的值有10万个，类间样本的余弦距离的值100万个，也即，得到了110万个余弦距离的值，通过该110万个余弦距离的值并结合识别错误率来确定一个合适的预设阈值即可。
本实施例在具有上述实施例有益技术效果的基础上，通过第三指纹特征和第四指纹特征的余弦距离来识别指纹，由于预设阈值可以通过大量的指纹样本训练得到并结合了用户可接受的识别错误率，因此在一定程度上提高了指纹识别产品的用户体验。
图5是根据一示例性实施例示出的一种指纹识别装置的框图，如图5所示，指纹识别装置包括：
第一提取模块51，被配置为对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到第一指纹图像对应的第一指纹特征和第二指纹图像对应的第二指纹特征，其中，第一指纹特征与第二指纹特征的维数相同；
降维处理模块52，被配置为对第一提取模块51提取到的第一指纹特征和第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，第三指纹特征和第四指纹特征的维数相同，且小于第一指纹特征和第二指纹特征的维数；
识别模块53，被配置为根据降维处理模块52降维后的第三指纹特征和第四指纹特征的余弦距离确定第一指纹图像与第二指纹图像是否为同一指纹。
图6是根据一示例性实施例示出的另一种指纹识别装置的框图。如图6所示，在上述图5所示实施例的基础上，在一实施例中，自动编码解码网络包括至少一个编码层，装置还可包括：
第一训练模块54，被配置为通过无标签指纹样本对至少一个编码层中的每一编码层的编码特征参数进行训练，得到每一层编码层对应的编码特征表示参数；
第一重构模块55，被配置为对第一训练模块54训练得到的每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到无标签指纹样本的指纹重构数据；
第一确定模块56，被配置为确定第一重构模块55确定的指纹重构数据与无标签指纹样本的重构误差；
调整模块57，被配置为根据第一确定模块56确定的重构误差调整每一编码层的编码特征表示参数；
第一控制模块58，被配置为在第一确定模块57确定的重构误差达到最小值时，停止对自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
在一实施例中，在第一次训练后的自动编码解码网络的最后一个编码层还可以连接分类器，装置还可包括：
第一处理模块59，被配置为将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第一输出结果；
第二训练模块60，被配置为将第一处理模块59得到的第一输出结果输入到分类器，通过有标签指纹样本对分类器进行训练；
第二控制模块61，被配置为在分类器输出的结果与有标签指纹样本的重构误差最小时，控制第二训练模块60停止对分类器的训练。
在一实施例中，在第一次训练后的自动编码解码网络的最后一个编码层还可以连接分类器，装置还可包括：
第二处理模块62，被配置为将有标签指纹样本输入至第一次训练后的自动编码解码网络，得到第二输出结果；
第三训练模块63，被配置为将第二处理模块62得到的第二输出结果输入到分类器，通过有标签指纹样本对分类器进行训练并对第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
第三控制模块64，被配置为在分类器输出的结果与有标签指纹样本的重构误差最小时，控制第三训练模块63停止对分类器的训练和对每一个编码层的编码特征表示参数的微调。
在一实施例中，装置还可包括：
第二提取模块65，被配置为通过已训练的自动编码解码网络提取无标签指纹样本的第一设定维数的编码特征表示参数；
第四训练模块66，被配置为对第二提取模块65提取的第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到LDA的第二设定维数的投影矩阵。
在一实施例中，识别模块53可包括：
比较子模块531，被配置为将第三指纹特征和第四指纹特征的余弦距离与预设阈值进行比较；
第一确定子模块532，被配置为如果比较子模块531的比较结果表示余弦距离大于预设阈值，确定第一指纹图像与第二指纹图像为同一指纹；
第二确定子模块533，被配置为如果比较子模块531的比较结果表示余弦距离小于或者等于预设阈值，确定第一指纹图像与第二指纹图像为不同指纹。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种适用于指纹识别装置的框图。例如，装置700可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图7，装置700可以包括以下一个或多个组件：处理组件702，存储器704，电源组件706，多媒体组件708，音频组件710，输入/输出(I/O)的接口712，传感器组件714，以及通信组件716。
处理组件702通常控制装置700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理部件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在设备700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件706为装置700的各种组件提供电力。电力组件706可以包括电源管理系统，一个或多个电源，及其他与为装置700生成、管理和分配电力相关联的组件。
多媒体组件708包括在所述装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当装置700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。
I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器，用于为装置700提供各个方面的状态评估。例如，传感器组件714可以检测到设备700的打开/关闭状态，组件的相对定位，例如所述组件为装置700的显示器和小键盘，传感器组件714还可以检测装置700或装置700一个组件的位置改变，用户与装置700接触的存在或不存在，装置700方位或加速/减速和装置700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由装置700的处理器720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种指纹识别方法，其特征在于，所述方法包括：
对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
2.根据权利要求1所述的方法，其特征在于，所述自动编码解码网络包括至少一个编码层，所述方法还包括：
通过无标签指纹样本对所述至少一个编码层中的每一编码层的编码特征参数进行训练，得到所述每一层编码层对应的编码特征表示参数；
对所述每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到所述无标签指纹样本的指纹重构数据；
确定所述指纹重构数据与所述无标签指纹样本的重构误差；
根据所述重构误差调整所述每一编码层的编码特征表示参数；
在所述重构误差达到最小值时，停止对所述自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
3.根据权利要求2所述的方法，其特征在于，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述方法还包括：
将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第一输出结果；
将所述第一输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练；
在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，停止对所述分类器的训练。
4.根据权利要求2所述的方法，其特征在于，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述方法还包括：
将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第二输出结果；
将所述第二输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练并对所述第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，停止对所述分类器的训练和对所述每一个编码层的编码特征表示参数的微调。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
通过已训练的所述自动编码解码网络提取所述无标签指纹样本的第一设定维数的编码特征表示参数；
对所述第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹，包括：
将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
如果所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
如果所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
7.一种指纹识别装置，其特征在于，所述装置包括：
第一提取模块，被配置为对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
降维处理模块，被配置为对所述第一提取模块提取到的所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
识别模块，被配置为根据所述降维处理模块降维后的所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
8.根据权利要求7所述的装置，其特征在于，所述自动编码解码网络包括至少一个编码层，所述装置还包括：
第一训练模块，被配置为通过无标签指纹样本对所述至少一个编码层中的每一编码层的编码特征参数进行训练，得到所述每一层编码层对应的编码特征表示参数；
第一重构模块，被配置为对所述第一训练模块训练得到的所述每一编码层对应的编码特征表示参数通过该编码层对应的解码层进行数据重构，得到所述无标签指纹样本的指纹重构数据；
第一确定模块，被配置为确定所述第一重构模块确定的所述指纹重构数据与所述无标签指纹样本的重构误差；
调整模块，被配置为根据所述第一确定模块确定的所述重构误差调整所述每一编码层的编码特征表示参数；
第一控制模块，被配置为在所述第一确定模块确定的所述重构误差达到最小值时，停止对所述自动编码解码网络的训练，得到第一次训练后的自动编码解码网络。
9.根据权利要求8所述的装置，其特征在于，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述装置还包括：
第一处理模块，被配置为将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第一输出结果；
第二训练模块，被配置为将所述第一处理模块得到的所述第一输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练；
第二控制模块，被配置为在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，控制所述第二训练模块停止对所述分类器的训练。
10.根据权利要求8所述的装置，其特征在于，在所述第一次训练后的自动编码解码网络的最后一个编码层连接有分类器，所述装置还包括：
第二处理模块，被配置为将有标签指纹样本输入至所述第一次训练后的自动编码解码网络，得到第二输出结果；
第三训练模块，被配置为将所述第二处理模块得到的所述第二输出结果输入到所述分类器，通过所述有标签指纹样本对所述分类器进行训练并对所述第一次训练后的自动编码解码网络的每一个编码层的编码特征表示参数进行微调；
第三控制模块，被配置为在所述分类器输出的结果与所述有标签指纹样本的重构误差最小时，控制所述第三训练模块停止对所述分类器的训练和对所述每一个编码层的编码特征表示参数的微调。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二提取模块，被配置为通过已训练的所述自动编码解码网络提取所述无标签指纹样本的第一设定维数的编码特征表示参数；
第四训练模块，被配置为对所述第二提取模块提取的所述第一设定维数的编码特征表示参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
12.根据权利要求7所述的装置，其特征在于，所述识别模块包括：
比较子模块，被配置为将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
第一确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
第二确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
13.一种指纹识别装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过自动编码解码网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
CN201510712896.0A 2015-10-28 2015-10-28 指纹识别方法及装置 Pending CN105335713A (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201510712896.0A CN105335713A (zh) 2015-10-28 2015-10-28 指纹识别方法及装置
PCT/CN2015/099511 WO2017071083A1 (zh) 2015-10-28 2015-12-29 指纹识别方法及装置
RU2016129191A RU2642369C2 (ru) 2015-10-28 2015-12-29 Аппарат и способ распознавания отпечатка пальца
JP2017547061A JP2018500707A (ja) 2015-10-28 2015-12-29 指紋認証方法及びその装置、プログラム及び記録媒体
KR1020167005169A KR101992522B1 (ko) 2015-10-28 2015-12-29 지문 인식 방법, 장치, 프로그램 및 기록매체
MX2016005225A MX361142B (es) 2015-10-28 2015-12-29 Método y aparato de reconocimiento de huellas dactilares.
US15/222,107 US9904840B2 (en) 2015-10-28 2016-07-28 Fingerprint recognition method and apparatus
EP16196099.2A EP3163508A1 (en) 2015-10-28 2016-10-27 Fingerprint recognition method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510712896.0A CN105335713A (zh) 2015-10-28 2015-10-28 指纹识别方法及装置

Publications (1)

Publication Number Publication Date
CN105335713A true CN105335713A (zh) 2016-02-17

Family

ID=55286229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510712896.0A Pending CN105335713A (zh) 2015-10-28 2015-10-28 指纹识别方法及装置

Country Status (8)

Country Link
US (1) US9904840B2 (zh)
EP (1) EP3163508A1 (zh)
JP (1) JP2018500707A (zh)
KR (1) KR101992522B1 (zh)
CN (1) CN105335713A (zh)
MX (1) MX361142B (zh)
RU (1) RU2642369C2 (zh)
WO (1) WO2017071083A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825098A (zh) * 2016-03-16 2016-08-03 广东欧珀移动通信有限公司 一种电子终端的屏幕解锁方法、图像采集方法及装置
CN106599807A (zh) * 2016-12-01 2017-04-26 中科唯实科技（北京）有限公司 一种基于自编码的行人检索方法
CN107478869A (zh) * 2017-08-08 2017-12-15 惠州Tcl移动通信有限公司 一种移动终端指纹模组的测试夹具和测试方法
CN107885312A (zh) * 2016-09-29 2018-04-06 青岛海尔智能技术研发有限公司 一种手势控制方法及装置
CN116311389A (zh) * 2022-08-18 2023-06-23 荣耀终端有限公司 指纹识别的方法和装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713466B2 (en) 2014-03-07 2020-07-14 Egis Technology Inc. Fingerprint recognition method and electronic device using the same
US10776659B2 (en) * 2016-08-26 2020-09-15 Goodrich Corporation Systems and methods for compressing data
IT201600105253A1 (it) * 2016-10-19 2018-04-19 Torino Politecnico Dispositivo e metodi per l'autenticazione di unn apparato d'utente
GB2563599A (en) * 2017-06-19 2018-12-26 Zwipe As Incremental enrolment algorithm
JP6978665B2 (ja) * 2017-07-25 2021-12-08 富士通株式会社 生体画像処理装置、生体画像処理方法及び生体画像処理プログラム
TWI676911B (zh) * 2017-10-12 2019-11-11 神盾股份有限公司 指紋識別方法以及使用指紋識別方法的電子裝置
CN108563767B (zh) 2018-04-19 2020-11-27 深圳市商汤科技有限公司 图像检索方法及装置
US11727100B1 (en) 2022-06-09 2023-08-15 The Government of the United States of America, as represented by the Secretary of Homeland Security Biometric identification using homomorphic primary matching with failover non-encrypted exception handling
US11902416B2 (en) 2022-06-09 2024-02-13 The Government of the United States of America, as represented by the Secretary of Homeland Security Third party biometric homomorphic encryption matching for privacy protection

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7787667B2 (en) * 2003-10-01 2010-08-31 Authentec, Inc. Spot-based finger biometric processing method and associated sensor
CN102646190A (zh) * 2012-03-19 2012-08-22 腾讯科技（深圳）有限公司 一种基于生物特征的认证方法、装置及系统
CN104899579A (zh) * 2015-06-29 2015-09-09 小米科技有限责任公司 人脸识别方法和装置

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6069914A (en) * 1996-09-19 2000-05-30 Nec Research Institute, Inc. Watermarking of image data using MPEG/JPEG coefficients
TW312770B (en) * 1996-10-15 1997-08-11 Japen Ibm Kk The hiding and taking out method of data
JP2815045B2 (ja) * 1996-12-16 1998-10-27 日本電気株式会社 画像特徴抽出装置，画像特徴解析装置，および画像照合システム
US6373970B1 (en) * 1998-12-29 2002-04-16 General Electric Company Image registration using fourier phase matching
WO2002050767A1 (fr) * 2000-12-07 2002-06-27 Kyowa Hakko Kogyo Co., Ltd. Procede et systeme de classification tres precise d'une grande quantite d'informations decrites avec des multivariables
US7058815B2 (en) * 2001-01-22 2006-06-06 Cisco Technology, Inc. Method and system for digitally signing MPEG streams
US7142699B2 (en) * 2001-12-14 2006-11-28 Siemens Corporate Research, Inc. Fingerprint matching using ridge feature maps
US7092584B2 (en) * 2002-01-04 2006-08-15 Time Warner Entertainment Company Lp Registration of separations
US7254275B2 (en) * 2002-12-17 2007-08-07 Symbol Technologies, Inc. Method and system for image compression using image symmetry
US20060104484A1 (en) * 2004-11-16 2006-05-18 Bolle Rudolf M Fingerprint biometric machine representations based on triangles
JP2006330873A (ja) * 2005-05-24 2006-12-07 Japan Science & Technology Agency 指紋照合装置、方法およびプログラム
KR100745980B1 (ko) * 2006-01-11 2007-08-06 삼성전자주식회사 분류기 통합을 위한 스코어 합성 방법 및 장치
KR100797897B1 (ko) * 2006-11-27 2008-01-24 연세대학교 산학협력단 생체정보 최적화 변환 함수를 이용한 인증시스템
JP5207870B2 (ja) * 2008-08-05 2013-06-12 日立コンピュータ機器株式会社 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置
US8520979B2 (en) * 2008-08-19 2013-08-27 Digimarc Corporation Methods and systems for content processing
US8934545B2 (en) * 2009-02-13 2015-01-13 Yahoo! Inc. Extraction of video fingerprints and identification of multimedia using video fingerprinting
US8863096B1 (en) * 2011-01-06 2014-10-14 École Polytechnique Fédérale De Lausanne (Epfl) Parallel symbolic execution on cluster of commodity hardware
US8831350B2 (en) * 2011-08-29 2014-09-09 Dst Technologies, Inc. Generation of document fingerprints for identification of electronic document types
RU2486590C1 (ru) * 2012-04-06 2013-06-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный университет" (ЮЗ ГУ) Способ и устройство инвариантной идентификации отпечатков пальцев по ключевым точкам
CN102750528B (zh) * 2012-06-27 2015-06-03 西安理工大学 一种基于手掌特征提取身份识别方法
US9305559B2 (en) * 2012-10-15 2016-04-05 Digimarc Corporation Audio watermark encoding with reversing polarity and pairwise embedding
US9401153B2 (en) * 2012-10-15 2016-07-26 Digimarc Corporation Multi-mode audio recognition and auxiliary data encoding and decoding
CN103839041B (zh) * 2012-11-27 2017-07-18 腾讯科技（深圳）有限公司 客户端特征的识别方法和装置
US9232242B2 (en) * 2012-12-11 2016-01-05 Cbs Interactive, Inc. Techniques to broadcast a network television program
CN103324944B (zh) * 2013-06-26 2016-11-16 电子科技大学 一种基于svm和稀疏表示的假指纹检测方法
KR20150039908A (ko) * 2013-10-04 2015-04-14 노두섭 영상 인식 장치 및 방법
KR101791518B1 (ko) * 2014-01-23 2017-10-30 삼성전자주식회사 사용자 인증 방법 및 장치
CA2882968C (en) * 2015-02-23 2023-04-25 Sulfur Heron Cognitive Systems Inc. Facilitating generation of autonomous control information
KR102396514B1 (ko) * 2015-04-29 2022-05-11 삼성전자주식회사 지문 정보 처리 방법 및 이를 지원하는 전자 장치
US10339178B2 (en) * 2015-06-30 2019-07-02 Samsung Electronics Co., Ltd. Fingerprint recognition method and apparatus
FR3041423B1 (fr) * 2015-09-22 2019-10-04 Idemia Identity And Security Procede d'extraction de caracteristiques morphologiques d'un echantillon de materiel biologique
KR20170055811A (ko) * 2015-11-12 2017-05-22 삼성전자주식회사 디스플레이를 구비한 전자 장치 및 전자 장치에서 디스플레이의 동작을 제어하기 위한 방법
CN105354560A (zh) * 2015-11-25 2016-02-24 小米科技有限责任公司 指纹识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7787667B2 (en) * 2003-10-01 2010-08-31 Authentec, Inc. Spot-based finger biometric processing method and associated sensor
CN102646190A (zh) * 2012-03-19 2012-08-22 腾讯科技（深圳）有限公司 一种基于生物特征的认证方法、装置及系统
CN104899579A (zh) * 2015-06-29 2015-09-09 小米科技有限责任公司 人脸识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
敖道敢: "无监督特征学习结合神经网络应用于图像识别", 《中国硕士学位论文全文数据库信息科技辑》 *
赵顺东: "基于图像降维的双模式指纹识别算法的研究", 《中国硕士学位论文全文数据库信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825098A (zh) * 2016-03-16 2016-08-03 广东欧珀移动通信有限公司 一种电子终端的屏幕解锁方法、图像采集方法及装置
US10289818B2 (en) 2016-03-16 2019-05-14 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Screen unlocking method for electronic terminal, image acquiring method and electronic terminal
US10346597B2 (en) 2016-03-16 2019-07-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for screen unlocking, method for image acquiring, and electronic terminal
CN107885312A (zh) * 2016-09-29 2018-04-06 青岛海尔智能技术研发有限公司 一种手势控制方法及装置
CN106599807A (zh) * 2016-12-01 2017-04-26 中科唯实科技（北京）有限公司 一种基于自编码的行人检索方法
CN107478869A (zh) * 2017-08-08 2017-12-15 惠州Tcl移动通信有限公司 一种移动终端指纹模组的测试夹具和测试方法
CN116311389A (zh) * 2022-08-18 2023-06-23 荣耀终端有限公司 指纹识别的方法和装置
CN116311389B (zh) * 2022-08-18 2023-12-12 荣耀终端有限公司 指纹识别的方法和装置

Also Published As

Publication number Publication date
WO2017071083A1 (zh) 2017-05-04
US9904840B2 (en) 2018-02-27
MX2016005225A (es) 2017-08-31
US20170124379A1 (en) 2017-05-04
RU2642369C2 (ru) 2018-01-24
EP3163508A1 (en) 2017-05-03
KR20180063774A (ko) 2018-06-12
MX361142B (es) 2018-11-27
KR101992522B1 (ko) 2019-06-24
JP2018500707A (ja) 2018-01-11

Similar Documents

Publication Publication Date Title
CN105335713A (zh) 指纹识别方法及装置
CN106295566B (zh) 人脸表情识别方法及装置
CN105354560A (zh) 指纹识别方法及装置
CN105335754A (zh) 文字识别方法及装置
CN105354543A (zh) 视频处理方法及装置
CN105426857A (zh) 人脸识别模型训练方法和装置
CN105631408A (zh) 基于视频的面孔相册处理方法和装置
CN105512685A (zh) 物体识别方法和装置
CN104408402A (zh) 人脸识别方法及装置
CN104408426A (zh) 人脸图像眼镜去除方法及装置
CN107832741A (zh) 人脸特征点定位的方法、装置及计算机可读存储介质
CN105095881A (zh) 人脸识别方法、装置及终端
CN104899610A (zh) 图片分类方法及装置
CN106295515A (zh) 确定图像中的人脸区域的方法及装置
CN105631406A (zh) 图像识别处理方法和装置
CN106295499A (zh) 年龄估计方法及装置
CN105046231A (zh) 人脸检测方法和装置
CN104461014A (zh) 屏幕解锁方法及装置
CN104408404A (zh) 人脸识别方法及装置
CN104867112B (zh) 照片处理方法及装置
CN107463903A (zh) 人脸关键点定位方法及装置
CN106557755A (zh) 指纹模板获取方法及装置
CN104077597A (zh) 图像分类方法及装置
CN105095860A (zh) 字符分割方法和装置
CN106534951A (zh) 视频分割方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160217

RJ01 Rejection of invention patent application after publication