CN106056095A - 指纹处理的方法和装置 - Google Patents

指纹处理的方法和装置 Download PDF

Info

Publication number
CN106056095A
CN106056095A CN201610412992.8A CN201610412992A CN106056095A CN 106056095 A CN106056095 A CN 106056095A CN 201610412992 A CN201610412992 A CN 201610412992A CN 106056095 A CN106056095 A CN 106056095A
Authority
CN
China
Prior art keywords
fingerprint
fingerprint image
identified
convolutional neural
image
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
CN201610412992.8A
Other languages
English (en)
Inventor
张涛
张旭华
汪平仄
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 Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201610412992.8A priority Critical patent/CN106056095A/zh
Publication of CN106056095A publication Critical patent/CN106056095A/zh
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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开公开了一种指纹处理的方法和装置，属于图像识别技术领域。所述方法包括：获取待识别指纹图像；将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。本公开通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。

Description

指纹处理的方法和装置
技术领域
本公开涉及图像识别技术领域，尤其涉及一种指纹处理的方法和装置。
背景技术
指纹是指人的手指末端正面皮肤上凸凹不平产生纹线。指纹可以分为三种类型：有同心圆或螺旋纹线、看上去像水中旋涡的斗形纹，一边开口的、像簸箕似的箕形纹，以及像弓一样的弓形纹。
相关技术中，指纹类型的判定基于特征点的检测，在指纹图像模糊等情况下，可能会由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型。
发明内容
为了克服相关技术中存在无法确定指纹类型的问题，本公开提供一种指纹处理的方法和装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种指纹处理的方法，包括：
获取待识别指纹图像；
将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
在本公开一种可能的实现方式中，所述将所述待识别指纹图像输入卷积神经网络，包括：
对所述待识别指纹图像进行归一化，得到预定规格的所述待识别指纹图像；
将预定规格的所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型。
通过将输入卷积神经网络的指纹图像在大小上进行归一化，可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
在本公开另一种可能的实现方式中，所述方法还包括：
获取若干指纹图像；
接收标定的各个所述指纹图像的指纹类型；
采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练。
利用若干指纹图像和其相应的指纹类型训练卷积神经网络的参数，以使卷积神经网络可以根据指纹图像得到该指纹图像的指纹类型。
可选地，所述采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练，包括：
将所述指纹图像输入所述卷积神经网络，得到所述指纹图像的指纹类型；
确定得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型是否匹配，并统计匹配率；
当通过统计多个得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型得到的所述匹配率低于阈值，或者多次统计的所述匹配率发散时，反向传播调整所述卷积神经网络的参数；
当所述匹配率大于或者等于所述阈值，并且多次统计的所述匹配率收敛时，所述卷积神经网络训练完毕。
利用人为标定生成的指纹类型对卷积神经网络的参数进行调整，提高卷积神经网络输出结果的准确性。
在本公开又一种可能的实现方式中，所述方法还包括：
从若干设定指纹图像中，筛选出与所述待识别指纹图像的指纹类型相同的所述设定指纹图像；
将所述待识别指纹图像与筛选出的所述设定指纹图像逐一进行比对，确定所述待识别指纹图像与筛选出的所述指纹图像是否相同。
基于得到的指纹类型从比对的指纹图像中快速筛选出类型相符的指纹，再对筛选出的指纹进行比对，可以大大提高比对的速度。
根据本公开实施例的第二方面，提供一种指纹处理的装置，包括：
第一获取模块，用于获取待识别指纹图像；
确定模块，用于将所述第一获取模块获取的待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
在本公开一种可能的实现方式中，所述确定模块包括：
归一化子模块，用于对所述第一获取模块获取的待识别指纹图像进行归一化，得到预定规格的待识别指纹图像；
第一确定子模块，用于将所述归一化子模块得到的预定规格的待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型。
在本公开另一种可能的实现方式中，所述装置还包括：
第二获取模块，用于获取若干指纹图像；
接收模块，用于接收标定的所述第二获取模块获取的各个指纹图像的指纹类型；
训练模块，用于采用所述第二获取模块获取的若干指纹图像和所述接收模块接收的各个指纹图像的指纹类型，对所述卷积神经网络的参数进行训练。
可选地，所述训练模块包括：
第二确定子模块，用于将所述第二获取模块获取的指纹图像输入所述卷积神经网络，得到所述指纹图像的指纹类型；
第三确定子模块，用于确定所述第二确定子模块得到的所述指纹图像的指纹类型与所述接收模块接收的所述指纹图像的指纹类型是否匹配，并统计匹配率；
调整子模块，用于当所述第三确定子模块通过统计多个所述第二确定子模块得到的所述指纹图像的指纹类型与所述接收模块接收的所述指纹图像的指纹类型得到的所述匹配率低于阈值，或者多次统计的所述匹配率发散时，反向传播调整所述卷积神经网络的参数；当所述匹配率大于或者等于所述阈值，并且多次统计的所述匹配率收敛时，所述卷积神经网络训练完毕。
在本公开又一种可能的实现方式中，所述装置还包括：
筛选模块，用于从若干设定指纹图像中，筛选出与所述确定模块得到的指纹类型相同的设定指纹图像；
比对模块，用于将所述第一获取模块获取的待识别指纹图像与所述筛选模块筛选出的设定指纹图像逐一进行比对，确定所述待识别指纹图像与筛选出的所述指纹图像是否相同。
根据本公开实施例的第三方面，提供一种指纹处理的装置，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：
获取待识别指纹图像；
将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
本公开实施例提供的技术方案可以包括以下有益效果：
通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
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和图1b是根据一示例性实施例示出的指纹处理的方法的应用场景图；
图2是根据一示例性实施例示出的一种指纹处理的方法的流程图；
图3是根据一示例性实施例示出的一种指纹处理的方法的流程图；
图4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5a是根据一示例性实施例示出的卷积层的工作原理图；
图5b是根据一示例性实施例示出的池化层的工作原理图；
图5c是根据一示例性实施例示出的全连接层的工作原理图；
图6是根据一示例性实施例示出的一种指纹处理的装置的结构示意图；
图7是根据一示例性实施例示出的一种指纹处理的装置的结构示意图；
图8是根据一示例性实施例示出的一种指纹处理的装置的结构框图。
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。
下面先结合图1a和图1b简单介绍一下本公开实施例提供的指纹处理的方法的应用场景。如图1a所示，公安机关等安全部门需要通过台式电脑10等终端将某个指纹与指纹库中存储的大量指纹进行对比，以确定该指纹所属的用户身份。如图1b所示，大型公司的门禁系统上的指纹锁20需要将用户输入的指纹与指纹库中存储的所有员工的指纹进行对比，以确定该指纹所属的用户是否为公司员工。上述场景下若直接一一进行比对，则比对的指纹数量较多，为了减少比对的数量，可以先确定待识别指纹的类型，再基于确定的指纹类型从待比对的指纹中筛选出与待识别指纹类型相同的指纹进行比对，大大提高比对的速度。
需要说明的是，上述应用场景仅为举例，并不作为对本公开的限制。
图2是根据一示例性实施例示出的一种指纹处理的方法的流程图，如图2所示，指纹处理的方法可以应用于终端(如台式电脑、笔记本电脑)或指纹锁中，该方法包括以下步骤。
在步骤S101中，获取待识别指纹图像。
在实际应用中，可以将待识别指纹图像通过终端配置的输入输出(Input/Output，简称I/O)接口或者网络接口传输给终端，也可以将终端与指纹传感器连接，如光学指纹传感器、温差感应式指纹传感器、半导体指纹传感器等，利用指纹传感器采集指纹得到待识别指纹图像。
在步骤S102中，将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型。
其中，指纹类型包括但不限于弓形纹、斗形纹和箕形纹。
在本实施例中，卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。不同的指纹类型可以采用不同的数值表示，比如1表示弓形纹，2表示斗形纹，3表示箕形纹。
需要说明的是，卷积神经网络(Convolutional Neural Network，简称CNN)是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、倾斜或者其他形式的变形具有高度不变性。
本实施例在通用的卷积神经网络的基础上，将输入设定为指纹图像，输出设定为指纹类型，并采用若干标定有指纹类型的指纹图像对卷积神经网络中的参数进行了训练。
本公开通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
图3是根据一示例性实施例示出的一种指纹处理的方法的流程图，如图3所示，指纹处理的方法可以应用于终端(如台式电脑、笔记本电脑)或指纹锁中，该方法包括以下步骤。
在步骤S201中，获取若干指纹图像。
在实际应用中，为了确保卷积神经网络的参数的训练效果(如卷积神经网络的输出准确)，一般获取大量的指纹图像进行训练，如三种指纹类型的指纹图像各5万张。
可选地，该方法还可以包括：
对若干指纹图像进行归一化处理，得到预定规格的指纹图像。
其中，预定规格可以包括设定的尺寸或格式。
在实际应用中，为了保证卷积神经网络输出结果的准确性，将所有输入进行归一化处理，比如归一化为224像素*224像素的图像，可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
在步骤S202中，接收标定的各个指纹图像的指纹类型。
在实际应用中，为了在卷积神经网络输出不正确时对卷积神经网络的参数进行调整，在获取到指纹图像的同时，还相应接收人为标定的各个指纹图像的指纹类型(如用1、2、3分别表示三种指纹类型)，终端根据人为标定的指纹类型对卷积神经网络的参数进行调整，使卷积神经网络输出的指纹类型与接收的指纹类型相同。
在步骤S203中，采用若干指纹图像和接收的各个指纹图像的指纹类型，对卷积神经网络的参数进行训练。
由于人对外界的认知是从局部到全局，而图像的空间联系也是局部的像素较为紧密，距离较远的像素相关性则较弱。因此，神经网络的每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。
卷积神经网络采用通常设置在靠近网络输入端位置的卷积层(alternatingconvolutional layer)实现对局部进行感知，采用通常设置在靠近网络输出端位置的全连接层实现将局部的信息综合起来。另外，除了卷积层和全连接层，卷积神经网络还可以包括通常设置在卷积层输出端的池化层(pooling layer)，用于降低图像特征的维度。
图4为本实施例采用的卷积神经网络的结构示意图。如图4所示，卷积神经网络的输入为224像素*224像素的图片100，第一层为采用96个5像素*5像素的卷积核进行卷积运算的卷积层200，第二层为采用2*像素*2像素的单元进行划分的池化层300，第三层为采用256个3像素*3像素的卷积核进行运算的卷积层400，第四层为采用2*像素*2像素的单元进行划分的池化层500，第五层为采用384个3像素*3像素的卷积核进行运算的卷积层600，第六层为采用384个3像素*3像素的卷积核进行运算的卷积层700，第七层为采用256个3像素*3像素的卷积核进行运算的卷积层800，第八层为采用2*像素*2像素的单元进行划分的池化层900，第九层为全连接层1000，第十层为全连接层1100，输出为(采用softmax函数得到)指纹类型(1、2或者3)1200。
在具体实现中，卷积层采用至少一种卷积核在图像上做卷积，提取图像中各个局部感知区域的特征，不同种类的卷积核提取的图像特征不同。以图5a为例，在5像素*5像素的图像A上采用一个3像素*3像素的卷积核B做卷积，即可得到各个局部感知区域的特征图C。
池化层对不同位置的特征进行聚合统计。以图5b为例，将4像素*4像素的特征图D划分为若干由2像素*2像素的单元E，计算各个单元E中所有像素的特征值的最大值(也可以为平均值)，得到2像素*2像素的特征图F，降低了特征的维度。
全连接层是建立上一层的各个神经元与下一层的所有神经元的连接。全连接层的所有输入与任意一个输出满足如下公式：
h＝f(∑iWi*xi+b)；
其中，h为全连接层的输出，b为偏置值，xi为全连接层的各个输入，Wi为全连接层的各个输入到输出的权重，i表示全连接层的任意一个输入，∑i表示对全连接层的所有输入求和，f()表示函数关系，一般为sigmoid函数或者tanh函数。
以图5c为例，输入为x1、x2、x3，输出h＝f(W1*x1+W2*x2+W3*x3+b)。
因此，本实施例中卷积神经网络的参数包括卷积层采用的卷积核，池化层进行划分的单元，以及全连接层采用的权重和偏置值。
在实际应用中，卷积神经网络的参数的初始值可以随机设置，然后依次将各个指纹图像输入卷积神经网络，并在每个指纹图像输入卷积神经网络输入卷积神经网络之后，获取卷积神经网络输出的指纹图像的指纹类型，并将获取的指纹图像的指纹类型与标定的指纹图像的指纹类型进行对比，当两者不同时调整卷积神经网络的参数，以使两者相同。
可选地，针对一个指纹图像，该步骤S203可以包括：
将指纹图像输入卷积神经网络，得到指纹图像的指纹类型；
确定得到的指纹图像的指纹类型与接收的指纹图像的指纹类型是否匹配，并统计匹配率；
当通过统计多个得到的指纹图像的指纹类型与接收的指纹图像的指纹类型得到的匹配率低于阈值，或者多次统计的匹配率发散时，反向传播调整卷积神经网络的参数；
当匹配率大于或者等于阈值，并且多次统计的匹配率收敛时，卷积神经网络训练完毕。
在实际应用中，可以用1、2、3分别表示三种指纹的类型，如1表示弓形纹，2表示斗形纹，3表示箕形纹。在统计过程中，如果得到的指纹图像的指纹类型与接收的指纹图像的指纹类型相同，则将匹配结果记为1；如果得到的指纹图像的指纹类型与接收的指纹图像的指纹类型不同，则将匹配结果记为0；将多个得到的指纹图像的指纹类型的匹配结果相加，并将相加结果除以多个得到的指纹图像的个数，即为多个得到的指纹图像的指纹类型与接收的指纹图像的指纹类型的匹配率。
优选地，反向传播调整卷积神经网络的参数，可以包括：
采用梯度下降法调整卷积神经网络的参数。
在实际应用中，可以逐渐调整(逐渐增大或逐渐减小)卷积神经网络的参数，如继续增大或减小卷积神经网络的参数，直到匹配率大于或者等于阈值，并且多次统计的匹配率收敛。
需要说明的是，步骤S201-步骤S203为可选步骤，通过步骤S201-步骤S203可以实现对卷积神经网络的参数的训练。
在步骤S204中，获取待识别指纹图像。
在实际应用中，可以将待识别指纹图像通过终端配置的I/O接口或者网络接口传输给终端，也可以将终端与指纹传感器连接，利用指纹传感器采集指纹得到待识别指纹图像。
在步骤S205中，对待识别指纹图像进行归一化，得到预定规格的待识别指纹图像。该步骤S205为可选步骤。
如前所述，将待识别指纹图像归一化，可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
在步骤S206中，将预定规格的待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型。
如前所述，卷积神经网络的参数是通过执行步骤S201-步骤S203进行训练确定的。指纹类型一般包括斗形纹、箕形纹和弓形纹。
在步骤S207中，从若干设定指纹图像中，筛选出与待识别指纹图像的指纹类型相同的设定指纹图像。
在实际应用中，设定指纹图像可以为指纹库中存储的指纹图像。指纹库中存储有至少一个用户的指纹图像。当待识别指纹图像与指纹库中的指纹图像相同时，即可确认待识别指纹图像所属用户的身份。在具体实现中，指纹库可以设置在终端内，也可以独立于终端且与终端连接。
在本实施例的一种实现方式中，当指纹库中没有相应存储指纹图像的指纹类型时，该方法还可以包括：
从指纹库中获取设定指纹图像；
将设定指纹图像输入卷积神经网络，得到设定指纹图像的指纹类型。
在执行步骤S207之前，可以利用训练好的卷积神经网络得到设定指纹图像的指纹类型，进而从若干设定指纹图像中筛选出与待识别指纹图像的指纹类型相同的设定指纹图像。
在本实施例的另一种实现方式中，当指纹库中相应存储指纹图像的指纹类型时，该方法还可以包括：
从指纹库中获取设定指纹图像和指纹类型的对应关系。
预先获取设定指纹图像的指纹类型并将其对应存储在指纹库中，在执行步骤S207时可以直接根据设定指纹图像和指纹类型的对应关系进行筛选。
在步骤S208中，将待识别指纹图像与筛选出的设定指纹图像逐一进行比对，确定待识别指纹图像与筛选出的指纹图像是否相同。
在具体实现中，该步骤S208可以包括：
采用特征点提取算法确定待识别指纹图像的特征点和筛选出的指纹图像的特征点；
计算待识别指纹图像的特征点与筛选出的指纹图像的特征点之间的余弦距离；
当待识别指纹图像的特征点与筛选出的指纹图像的特征点之间的余弦距离小于或等于设定值时，确定待识别指纹图像与筛选出的指纹图像相同；
当待识别指纹图像的特征点与筛选出的指纹图像的特征点之间的余弦距离大于设定值时，确定待识别指纹图像与筛选出的指纹图像不同。
本公开通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
图6是根据一示例性实施例示出的一种指纹处理的装置的结构示意图。参照图6，该装置包括第一获取模块301和确定模块302。
该第一获取模块301被配置为获取待识别指纹图像。
该确定模块302被配置为将第一获取模块301获取的待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
本公开通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
图7是根据一示例性实施例示出的一种指纹处理的装置的结构示意图。参照图7，该装置包括第一获取模块401和确定模块402。
该第一获取模块401被配置为获取待识别指纹图像。
该确定模块402被配置为将第一获取模块401获取的待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
可选地，确定模块402可以包括归一化子模块402a和第一确定子模块402b。
该归一化子模块402a被配置为对第一获取模块401获取的待识别指纹图像进行归一化，得到预定规格的待识别指纹图像。
该第一确定子模块402b被配置为将归一化子模块402a得到的预定规格的待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型。
可选地，该装置还可以包括第二获取模块403、接收模块404和训练模块405。
该第二获取模块403被配置为获取若干指纹图像。
该接收模块404被配置为接收标定的第二获取模块403获取的各个指纹图像的指纹类型。
该训练模块405被配置为采用第二获取模块403获取的若干指纹图像和接收模块404接收的各个指纹图像的指纹类型，对卷积神经网络的参数进行训练。
优选地，训练模块405可以包括第二确定子模块405a、第三确定子模块405b和调整子模块405c。
该第二确定子模块405a被配置为将第二获取模块403获取的指纹图像输入卷积神经网络，得到指纹图像的指纹类型。
该第三确定子模块405b被配置为确定第二确定子模块405a得到的指纹类型与接收模块404接收的指纹图像的指纹类型是否匹配，并统计匹配率。
该调整子模块405c被配置为当第三确定子模块405b通过统计多个第二确定子模块405a得到的指纹图像的指纹类型与接收模块404接收的指纹图像的指纹类型得到的匹配率低于阈值，或者多次统计的匹配率发散时，反向传播调整卷积神经网络的参数；当匹配率大于或者等于阈值，并且多次统计的匹配率收敛时，卷积神经网络训练完毕。
可选地，该装置可以包括筛选模块406和比对模块407。
该筛选模块406被配置为从若干设定指纹图像中，筛选出与确定模块402得到的指纹类型相同的设定指纹图像。
该比对模块407被配置为将第一获取模块401获取的待识别指纹图像与筛选模块406筛选出的设定指纹图像逐一进行比对，确定待识别指纹图像与筛选出的指纹图像是否相同。
本公开通过获取待识别指纹图像，并将待识别指纹图像输入卷积神经网络，得到待识别指纹图像的指纹类型，直接利用卷积神经网络根据待识别指纹图像得到待识别指纹图像的指纹类型，不需要进行特征点检测，可以有效避免在指纹图像模糊等情况下由于检测出的特征点出现问题(数量较少、位置不对等)而造成无法确定指纹类型的问题。而且卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到，指纹类型确定的准确性和稳定性较好。
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8是根据一示例性实施例示出的一种指纹处理的装置800的框图。例如，装置800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8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，I/O(Input/Output，输入/输出)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800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804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SRAM(Static Random Access Memory，静态随机存取存储器)，EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦除可编程只读存储器)，EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，ROM(Read-Only Memory，只读存储器)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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LCD(Liquid Crystal Display，液晶显示器)和TP(TouchPanel，触摸面板)。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808包括一个前置摄像头和/或后置摄像头。当设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个MIC(Microphone，麦克风)，当装置800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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814还可以包括光传感器，如CMOS(Complementary MetalOxide Semiconductor，互补金属氧化物半导体)或CCD(Charge-coupled Device，电荷耦合元件)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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi(Wireless Fidelity，无线保真技术)，2G(Second Generation mobile communication technology，第二代移动通讯技术)或3G(3rd Generation mobile communication technology，第三代移动通讯技术)，或它们的组合。在一个示例性实施例中，通信部件816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816还包括NFC(Near FieldCommunication，近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(RadioFrequency Identification，射频识别)技术，IrDA(Infrared Data Association，红外数据协会)技术，UWB(Ultra Wideband，超宽带)技术，BT(Blue Tooth，蓝牙)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个ASIC(Application SpecificIntegrated Circuit，应用专用集成电路)、DSP(Digital Signal Processing，数字信号处理器)、DSPD(Digital Signal Processing Device，数字信号处理设备)、PLD(Programmable Logic Device，可编程逻辑器件)、FPGA(Field-Programmable GateArray，现场可编程门阵列)、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804，上述指令可由装置800的处理器820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、RAM(Ramdom Access Memory，随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种指纹处理的方法，所述方法包括：
获取待识别指纹图像；
将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
可选地，所述将所述待识别指纹图像输入卷积神经网络，包括：
对所述待识别指纹图像进行归一化，得到预定规格的所述待识别指纹图像；
将预定规格的所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型。
可选地，所述方法还包括：
获取若干指纹图像；
接收标定的各个所述指纹图像的指纹类型；
采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练。
优选地，所述采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练，包括：
将所述指纹图像输入所述卷积神经网络，得到所述指纹图像的指纹类型；
确定得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型是否匹配，并统计匹配率；
当通过统计多个得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型得到的所述匹配率低于阈值，或者多次统计的所述匹配率发散时，反向传播调整所述卷积神经网络的参数；
当所述匹配率大于或者等于所述阈值，并且多次统计的所述匹配率收敛时，所述卷积神经网络训练完毕。
可选地，所述方法还包括：
从若干设定指纹图像中，筛选出与所述待识别指纹图像的指纹类型相同的所述设定指纹图像；
将所述待识别指纹图像与筛选出的所述设定指纹图像逐一进行比对，确定所述待识别指纹图像与筛选出的所述指纹图像是否相同。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种指纹处理的方法，其特征在于，所述方法包括：
获取待识别指纹图像；
将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述将所述待识别指纹图像输入卷积神经网络，包括：
对所述待识别指纹图像进行归一化，得到预定规格的所述待识别指纹图像；
将预定规格的所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取若干指纹图像；
接收标定的各个所述指纹图像的指纹类型；
采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练。
4.根据权利要求3所述的方法，其特征在于，所述采用若干所述指纹图像和接收的各个所述指纹图像的指纹类型，对所述卷积神经网络的参数进行训练，包括：
将所述指纹图像输入所述卷积神经网络，得到所述指纹图像的指纹类型；
确定得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型是否匹配，并统计匹配率；
当通过统计多个得到的所述指纹图像的指纹类型与接收的所述指纹图像的指纹类型得到的所述匹配率低于阈值，或者多次统计的所述匹配率发散时，反向传播调整所述卷积神经网络的参数；
当所述匹配率大于或者等于所述阈值，并且多次统计的所述匹配率收敛时，所述卷积神经网络训练完毕。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
从若干设定指纹图像中，筛选出与所述待识别指纹图像的指纹类型相同的所述设定指纹图像；
将所述待识别指纹图像与筛选出的所述设定指纹图像逐一进行比对，确定所述待识别指纹图像与筛选出的所述指纹图像是否相同。
6.一种指纹处理的装置，其特征在于，所述装置包括：
第一获取模块，用于获取待识别指纹图像；
确定模块，用于将所述第一获取模块获取的待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
7.根据权利要求6所述的装置，其特征在于，所述确定模块包括：
归一化子模块，用于对所述第一获取模块获取的待识别指纹图像进行归一化，得到预定规格的待识别指纹图像；
第一确定子模块，用于将所述归一化子模块得到的预定规格的待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型。
8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取若干指纹图像；
接收模块，用于接收标定的所述第二获取模块获取的各个指纹图像的指纹类型；
训练模块，用于采用所述第二获取模块获取的若干指纹图像和所述接收模块接收的各个指纹图像的指纹类型，对所述卷积神经网络的参数进行训练。
9.根据权利要求8所述的装置，其特征在于，所述训练模块包括：
第二确定子模块，用于将所述第二获取模块获取的指纹图像输入所述卷积神经网络，得到所述指纹图像的指纹类型；
第三确定子模块，用于确定所述第二确定子模块得到的所述指纹图像的指纹类型与所述接收模块接收的所述指纹图像的指纹类型是否匹配，并统计匹配率；
调整子模块，用于当所述第三确定子模块通过统计多个所述第二确定子模块得到的所述指纹图像的指纹类型与所述接收模块接收的所述指纹图像的指纹类型得到的所述匹配率低于阈值，或者多次统计的所述匹配率发散时，反向传播调整所述卷积神经网络的参数；当所述匹配率大于或者等于所述阈值，并且多次统计的所述匹配率收敛时，所述卷积神经网络训练完毕。
10.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
筛选模块，用于从若干设定指纹图像中，筛选出与所述确定模块得到的指纹类型相同的设定指纹图像；
比对模块，用于将所述第一获取模块获取的待识别指纹图像与所述筛选模块筛选出的设定指纹图像逐一进行比对，确定所述待识别指纹图像与筛选出的所述指纹图像是否相同。
11.一种指纹处理的装置，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：
获取待识别指纹图像；
将所述待识别指纹图像输入卷积神经网络，得到所述待识别指纹图像的指纹类型，所述卷积神经网络的参数通过采用多个标定有指纹脊线的指纹图像进行训练得到。
CN201610412992.8A 2016-06-13 2016-06-13 指纹处理的方法和装置 Pending CN106056095A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610412992.8A CN106056095A (zh) 2016-06-13 2016-06-13 指纹处理的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610412992.8A CN106056095A (zh) 2016-06-13 2016-06-13 指纹处理的方法和装置

Publications (1)

Publication Number Publication Date
CN106056095A true CN106056095A (zh) 2016-10-26

Family

ID=57169963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610412992.8A Pending CN106056095A (zh) 2016-06-13 2016-06-13 指纹处理的方法和装置

Country Status (1)

Country Link
CN (1) CN106056095A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845527A (zh) * 2016-12-29 2017-06-13 南京江南博睿高新技术研究院有限公司 一种菜品识别方法
CN109145810A (zh) * 2018-08-17 2019-01-04 中控智慧科技股份有限公司 指纹细节点检测方法、装置、设备、系统及存储介质
WO2020014959A1 (zh) * 2018-07-20 2020-01-23 深圳市汇顶科技股份有限公司 指纹识别的方法、指纹识别装置和电子设备
CN111989689A (zh) * 2018-03-16 2020-11-24 识别股份有限公司 用于识别图像内目标的方法和用于执行该方法的移动装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5825907A (en) * 1994-12-28 1998-10-20 Lucent Technologies Inc. Neural network system for classifying fingerprints
CN105303179A (zh) * 2015-10-28 2016-02-03 小米科技有限责任公司 指纹识别方法、装置
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
US5825907A (en) * 1994-12-28 1998-10-20 Lucent Technologies Inc. Neural network system for classifying fingerprints
CN105303179A (zh) * 2015-10-28 2016-02-03 小米科技有限责任公司 指纹识别方法、装置
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALEX KRIZHEVSKY等: "ImageNet Classification with Deep Convolutional Neural Networks", 《INTERNATIONAL CONFERENCE NEURAL INFORMATION PROCESSING SYSTEMS》 *
张瑞: "基于卷积神经网络的Logo检测与识别研究", 《中国优秀硕士学位论文全文数据库-》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845527A (zh) * 2016-12-29 2017-06-13 南京江南博睿高新技术研究院有限公司 一种菜品识别方法
CN111989689A (zh) * 2018-03-16 2020-11-24 识别股份有限公司 用于识别图像内目标的方法和用于执行该方法的移动装置
WO2020014959A1 (zh) * 2018-07-20 2020-01-23 深圳市汇顶科技股份有限公司 指纹识别的方法、指纹识别装置和电子设备
CN109145810A (zh) * 2018-08-17 2019-01-04 中控智慧科技股份有限公司 指纹细节点检测方法、装置、设备、系统及存储介质

Similar Documents

Publication Publication Date Title
CN105809704B (zh) 识别图像清晰度的方法及装置
CN109829501A (zh) 图像处理方法及装置、电子设备和存储介质
CN105608425B (zh) 对照片进行分类存储的方法及装置
CN105631403B (zh) 人脸识别方法及装置
CN105512685B (zh) 物体识别方法和装置
CN104700353B (zh) 图像滤镜生成方法及装置
CN109670397A (zh) 人体骨骼关键点的检测方法、装置、电子设备及存储介质
CN106651955A (zh) 图片中目标物的定位方法及装置
CN106548145A (zh) 图像识别方法及装置
CN109522910A (zh) 关键点检测方法及装置、电子设备和存储介质
CN106295515B (zh) 确定图像中的人脸区域的方法及装置
CN106104575A (zh) 指纹模板生成方法及装置
CN106331504A (zh) 拍摄方法及装置
CN107527053A (zh) 目标检测方法及装置
CN110503023A (zh) 活体检测方法及装置、电子设备和存储介质
CN107193983A (zh) 图像搜索方法及装置
CN107145904A (zh) 图像类别的确定方法、装置及存储介质
CN107766820A (zh) 图像分类方法及装置
CN106096510B (zh) 指纹识别的方法和装置
CN108010060A (zh) 目标检测方法及装置
CN106295511A (zh) 人脸跟踪方法及装置
CN104077563B (zh) 人脸识别方法和装置
CN106056095A (zh) 指纹处理的方法和装置
CN106169075A (zh) 身份验证方法及装置
CN107563994A (zh) 图像的显著性检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20161026