CN105354560A - 指纹识别方法及装置 - Google Patents

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卷积神经网络进行特征提取，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，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。然后，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卷积神经网络进行特征提取，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，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述方法还可包括：

将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；

将所述有标签指纹样本通过训练后的所述神经网络进行特征提取，得到所述有标签指纹样本的输出结果；

将所述输出结果输入到所述分类器，对所述分类器进行标定训练。

在一实施例中，所述方法还可包括：

通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；

对所述第一设定维数的特征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卷积神经网络进行特征提取，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，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述装置还可包括：

第一训练模块，被配置为将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；

第二提取模块，被配置为将所述有标签指纹样本通过所述第一训练模块训练后的所述卷积神经网络进行特征提取，得到所述有标签指纹样本的输出结果；

第二训练模块，被配置为将所述第二提取模块得到的所述输出结果输入到所述分类器，对所述分类器进行标定训练。

在一实施例中，所述装置还可包括：

第三提取模块，被配置为通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；

第三训练模块，被配置为对所述第三提取模块提取到的所述第一设定维数的特征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卷积神经网络进行特征提取，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：由于卷积神经网络是通过海量的有标签指纹样本训练得到的，因此卷积神经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，卷积神经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卷积神经网络的结构示意图。

图2A是根据一示例性实施例一示出的如何对卷积神经网络进行训练的示意图。

图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图。

图3是根据一示例性实施例二示出的指纹识别方法的流程图。

图4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5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6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卷积神经网络的结构示意图；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卷积神经网络进行特征提取，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，卷积神经网络(ConvolutionalNeuralNetworks，简称为CNN)可以包括至少一个特征提取层和特征映射层，将第一指纹图像输入到卷积神经网络，卷积神经网络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，通过已训练的卷积神经网络提取有标签指纹样本的第一设定维数的特征参数；对第一设定维数的特征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，例如，有标签指纹样本从卷积神经网络输出的了第一设定维数为500维的特征参数，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维的特征参数。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B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卷积神经网络13中，卷积神经网络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。在本实施例中，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，由于卷积神经网络是通过海量的有标签指纹样本训练得到的，因此卷积神经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，卷积神经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，卷积神经网络包括至少一个特征提取层和特征映射层，在卷积神经网络网络的最后一个特征提取层连接有分类器，方法还可包括：

将海量的有标签指纹样本输入至卷积神经网络，对至少一个特征提取层和特征映射层进行训练；

将有标签指纹样本通过训练后的神经网络进行特征提取，得到有标签指纹样本的输出结果；

将输出结果输入到分类器，对分类器进行标定训练。

在一实施例中，方法还可包括：

通过已训练的卷积神经网络提取有标签指纹样本的第一设定维数的特征参数；

对第一设定维数的特征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一示出的如何对卷积神经网络进行训练的示意图，图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图；本实施例利用本公开实施例提供的上述方法，以如何通过有标签指纹样本对卷积神经网络进行训练为例进行示例性说明，如图2A所示，包括如下步骤：

在步骤S201中，将海量的有标签指纹样本输入至卷积神经网络，对至少一个特征提取层和特征映射层进行训练。

在步骤S202中，将有标签指纹样本通过训练后的神经网络进行特征提取，得到有标签指纹样本的输出结果。

在步骤S203中，将输出结果输入到分类器，对分类器进行标定训练。

在对卷积神经网络进行训练之前，需要准备海量的指纹样本(例如，20000个用户的指纹样本)，对这些海量的指纹样本进行标号(label)，例如，用户E的所有指纹样本的标号都为1，用户F的所有指纹样本的标号都为2，等等，可以准备20000个用户的20000类的指纹图像，每个用户的指纹样本为30张，海量的指纹样本的数量可以达到60万张，通过这60万张的指纹样本对卷积神经网络进行训练。

在一实施例中，卷积神经网络包括至少一个特征提取层和特征映射层，在图2B所示的卷积神经网络20中，特征提取层和特征映射层可以分布有多个独立的神经元，在特征提取层21对上述60万张的指纹样本进行特征提取，特征提取层21会输出一个特征映射图，该特征映射图反映了卷积神经网络在特征提取层21上各个神经元的权值参数的分布。通过特征映射层22分别对该特征映射图下采样，得到另外一个特征映射图，在特征提取层23对特征映射层22生成的特征映射图进行进一步的特征提取，特征提取层23所提取出的特征反映了卷积神经网络在特征提取层23上各个神经元的权值参数分布，通过特征映射层24对特征提取后的特征进行下采样，并将特征映射层24下采样后的输出结果输入至分类器25，通过特征映射层24的输出结果对分类器25进行训练，从而实现对卷积神经网络20和分类器25的训练。

本实施例中，通过对卷积神经网络进行训练，通过分类器对卷积神经网络的有标签指纹样本进行分类标定，当有标签指纹样本的数量达到一定级别时，可以使训练后的卷积神经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3是根据一示例性实施例二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3所示，包括如下步骤：

在步骤S301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卷积神经网络进行特征提取，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S302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S301和步骤S302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S303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S304，如果余弦距离小于或者等于预设阈值，执行步骤S305。

在步骤S304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S305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S303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4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4所示，指纹识别装置包括：

第一提取模块41，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卷积神经网络进行特征提取，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42，被配置为对第一提取模块41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43，被配置为根据降维处理模块42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5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5所示，在上述图4所示实施例的基础上，在一实施例中，卷积神经网络包括至少一个特征提取层和特征映射层，在卷积神经网络网络的最后一个特征提取层连接有分类器，装置还可包括：

第一训练模块44，被配置为将海量的有标签指纹样本输入至卷积神经网络，对至少一个特征提取层和特征映射层进行训练；

第二提取模块45，被配置为将有标签指纹样本通过第一训练模块44训练后的卷积神经网络进行特征提取，得到有标签指纹样本的输出结果；

第二训练模块46，被配置为将第二提取模块45得到的输出结果输入到分类器，对分类器进行标定训练。

在一实施例中，装置还可包括：

第三提取模块47，被配置为通过第一训练模块44已训练的卷积神经网络提取有标签指纹样本的第一设定维数的特征参数；

第三训练模块48，被配置为对第三提取模块47提取到的第一设定维数的特征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43可包括：

比较子模块431，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432，被配置为如果比较子模块431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433，被配置为如果比较子模块431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的指纹。

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6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600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6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600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602可以包括一个或多个处理器620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602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600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604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606为装置600的各种组件提供电力。电力组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600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608包括一个前置摄像头和/或后置摄像头。当设备600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610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600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604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602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614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614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614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614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616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600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616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616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600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604，上述指令可由装置600的处理器620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 (9)

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卷积神经网络进行特征提取，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，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述方法还包括：

将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；

将所述有标签指纹样本通过训练后的所述神经网络进行特征提取，得到所述有标签指纹样本的输出结果；

将所述输出结果输入到所述分类器，对所述分类器进行标定训练。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；

对所述第一设定维数的特征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。

4.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。

5.一种指纹识别装置，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卷积神经网络进行特征提取，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。

6.根据权利要求5所述的装置，其特征在于，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述装置还包括：

第一训练模块，被配置为将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；

第二提取模块，被配置为将所述有标签指纹样本通过所述第一训练模块训练后的所述卷积神经网络进行特征提取，得到所述有标签指纹样本的输出结果；

第二训练模块，被配置为将所述第二提取模块得到的所述输出结果输入到所述分类器，对所述分类器进行标定训练。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第三提取模块，被配置为通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；

第三训练模块，被配置为对所述第三提取模块提取到的所述第一设定维数的特征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。

8.根据权利要求1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。

9.一种指纹识别装置，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卷积神经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。