CN106096510B - 指纹识别的方法和装置 - Google Patents

指纹识别的方法和装置 Download PDF

Info

Publication number
CN106096510B
CN106096510B CN201610378430.6A CN201610378430A CN106096510B CN 106096510 B CN106096510 B CN 106096510B CN 201610378430 A CN201610378430 A CN 201610378430A CN 106096510 B CN106096510 B CN 106096510B
Authority
CN
China
Prior art keywords
fingerprint
image
ridge line
identified
fingerprint 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.)
Active
Application number
CN201610378430.6A
Other languages
English (en)
Other versions
CN106096510A (zh
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 CN201610378430.6A priority Critical patent/CN106096510B/zh
Publication of CN106096510A publication Critical patent/CN106096510A/zh
Application granted granted Critical
Publication of CN106096510B publication Critical patent/CN106096510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/13—Sensors therefor
    • G06V40/1306—Sensors therefor non-optical, e.g. ultrasonic or capacitive sensing
    • 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
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了一种指纹识别的方法和装置，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脊线图像，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；基于所述待识别指纹图像的指纹脊线图像进行指纹识别。本公开通过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脊线图像，卷积神经网络的参数是采用若干标定有指纹脊线的指纹图像进行训练确定的，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别的准确性和稳定性较好。

Description

指纹识别的方法和装置
技术领域
本公开涉及图像识别技术领域，尤其涉及一种指纹识别的方法和装置。
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。由于指纹具有终身不变性、唯一性和方便性，因此指纹被应用在生物特征识别上。指纹的识别涉及图像处理、模式识别、计算机视觉、数学形态学、小波分析等众多学科。
相关技术中，指纹识别的方法只有从待识别指纹图像中估计出指纹脊线的走向，并在待识别指纹图像中确定出指纹脊线的位置，才能得到待识别指纹图像的指纹脊线图像，进而基于该指纹脊线图像进行指纹比对。指纹脊线的走向和位置中的任意一个由于待识别指纹图像模糊等原因而无法确定时，将会得不到指纹脊线图像，进而导致指纹识别失败，稳定性极差。
发明内容
为了克服相关技术中存在指纹识别稳定性极差的问题，本公开提供一种指纹识别的方法和装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种指纹识别的方法，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脊线图像，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；
基于所述待识别指纹图像的指纹脊线图像进行指纹识别。
通过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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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脊线图像。
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；
接收标定在各个所述指纹图像上的指纹脊线，生成各个所述指纹图像的指纹脊线图像；
采用若干所述指纹图像和生成的各个所述指纹图像的指纹脊线图像，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脊线图像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脊线图像。
可选地，所述采用若干所述指纹图像和生成的各个所述指纹图像的指纹脊线图像，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脊线图像；
确定得到的所述指纹图像的指纹脊线图像与生成的所述指纹图像的指纹脊线图像之间的相似度；
根据所述相似度，反向传播调整所述卷积神经网络的参数。
利用人为标定生成的指纹脊线图像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，所述基于所述待识别指纹图像的指纹脊线图像进行指纹识别，包括：
从所述待识别指纹图像的指纹脊线图像中提取指纹特征；
将提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定所述待识别指纹图像与所述设定指纹图像是否相同。
基于得到的指纹脊线图像进行特征提取和特征匹配，完成指纹识别。
根据本公开实施例的第二方面，提供一种指纹识别的装置，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脊线图像，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；
识别模块，用于基于所述确定模块得到的待识别指纹图像的指纹脊线图像进行指纹识别。
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脊线图像。
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；
生成模块，用于接收标定在所述第二获取模块获取的各个指纹图像上的指纹脊线，生成各个指纹图像的指纹脊线图像；
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生成模块生成的各个指纹图像的指纹脊线图像，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，得到指纹图像的指纹脊线图像；
第三确定子模块，用于确定所述第二确定子模块得到的指纹脊线图像与所述生成模块生成的指纹脊线图像之间的相似度；
调整子模块，用于根据所述第三确定子模块确定的相似度，反向传播调整所述卷积神经网络的参数。
在本公开又一种可能的实现方式中，所述识别模块包括：
提取子模块，用于从所述确定模块得到的指纹脊线图像中提取指纹特征；
匹配子模块，用于将所述提取子模块提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定所述待识别指纹图像与所述设定指纹图像是否相同。
根据本公开实施例的第三方面，提供一种指纹识别的装置，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脊线图像，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；
基于所述待识别指纹图像的指纹脊线图像进行指纹识别。
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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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识别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识别的方法的流程图；
图3是根据一示例性实施例示出的一种指纹识别的方法的流程图；
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识别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识别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识别的装置的结构框图。
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识别的方法的应用场景。如图1a所示，智能手机10等终端对用户的指纹进行识别，并在识别的指纹与存储的指纹相符时为用户解开屏幕锁。如图1b所示，门禁系统上的指纹锁20对用户的指纹进行识别，并在识别的指纹与存储的指纹相符时为用户解开门锁。
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识别的方法的流程图，如图2所示，指纹识别的方法可以应用于终端(如手机、平板电脑、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，可以在终端上设置指纹传感器，也可以将终端与指纹传感器连接。当用户将手指放置在指纹传感器上时，指纹传感器自动采集指纹，终端即可获取到待识别指纹图像。当然，还可以利用输入接口(如网络接口、通用总线接口)接收待识别指纹图像。
其中，指纹传感器可以采用光学指纹传感器，将手指放在光学镜片上，手指在内置光源照射下，用棱镜将其透射在电荷耦合元件(Charge-coupled Device，简称CCD)上，进而形成指纹图像。指纹传感器也可以采用温差感应式指纹传感器，每个像素都相当于一个微型化的电荷传感器，用来感应手指与芯片映像区域之间某点的温度差，产生一个代表图像信息的电信号，图像信息汇合形成指纹图像。指纹传感器还可以采用半导体指纹传感器，传感器成为电容的一个极板，手指则是另一个极板，利用手指纹线的脊线和谷线相对于平滑的硅传感器之间的电容差，传感器发出电子信号，直接读取指纹图案，形成指纹图案。
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脊线图像。
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。指纹脊线图像为绘制有指纹脊线的二值图，二值图中各像素均采用两个不同的数值表示是否属于脊线，如1表示脊线，0表示非脊线。
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，输出设定为指纹脊线图像，并采用若干标定有指纹脊线的指纹图像对卷积神经网络中的参数进行了训练。
在步骤S103中，基于待识别指纹图像的指纹脊线图像进行指纹识别。
本公开通过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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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识别的方法的流程图，如图3所示，指纹识别的方法可以应用于终端(如手机、平板电脑、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10万张。
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，接收标定在各个指纹图像上的指纹脊线，生成各个指纹图像的指纹脊线图像。
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，在获取到指纹图像之后，将指纹图像输出给用户，由用户在各个指纹图像上标定出各个指纹图像的指纹脊线，终端根据用户输入的指纹脊线在指纹图像上的位置，相应生成各个指纹图像的指纹脊线图像，进而依据生成的指纹脊线图像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脊线图像更接近生成的指纹脊线图像。
在步骤S203中，采用若干指纹图像和生成的各个指纹图像的指纹脊线图像，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)224像素*224像素的图片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可以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脊线图像，并将获取的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像进行对比，计算两个图像的相似度，并根据该相似度调整卷积神经网络的参数，以增大两个图像的相似度。
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脊线图像；
确定得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度；
根据得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度，反向传播调整卷积神经网络的参数。
优选地，确定得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度，可以包括：
分别将得到的指纹图像的指纹脊线图像中各个像素的脊线值，与生成的指纹图像的指纹脊线图像中相同位置的像素的脊线值相减；
将所有相减结果的绝对值相加；
将指纹脊线图像包括的像素数量减去相加结果，即为得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度。
在实际应用中，可以将属于指纹脊线的像素的脊线值设为1，不属于指纹脊线的像素的脊线值设为0。
优选地，根据得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度，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。当得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度大于设定值时，继续增大或减小卷积神经网络的参数；当得到的指纹图像的指纹脊线图像与生成的指纹图像的指纹脊线图像之间的相似度小于或等于设定值时，停止调整卷积神经网络的参数。
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，可以在终端上设置指纹传感器，也可以将终端与指纹传感器连接。当用户将手指放置在指纹传感器上时，指纹传感器自动采集指纹，终端即可获取到待识别指纹图像。当然，还可以利用输入接口(如网络接口、通用总线接口)接收待识别指纹图像。
可选地，指纹传感器可以采用光学指纹传感器、温差感应式指纹传感器或者半导体指纹传感器。
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脊线图像。
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。指纹脊线图像为绘制有指纹脊线的二值图，二值图中各像素均采用两个不同的数值表示是否属于脊线，如1表示脊线，0表示非脊线。
在步骤S207中，从待识别指纹图像的指纹脊线图像中提取指纹特征。
在实际应用中，该步骤S207可以包括：
采用特征点提取算法从待识别指纹图像的指纹脊线图像中提取若干特征点；
从待识别指纹图像的指纹脊线图像中获取特征点的特征信息，得到待识别指纹图像的指纹特征。
在步骤S208中，将提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定待识别指纹图像与设定指纹图像是否相同。
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，比如智能手机机主的指纹图像、门禁系统允许通行的人员的指纹图像。确定待识别指纹图像与设定指纹图像是否相同，终端即可进行相应处理，如跳过智能手机的锁屏页面、打开门锁等。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。
在实际应用中，该步骤S208可以包括：
计算提取的指纹特征与设定指纹图像的指纹特征余弦距离；
当提取的指纹特征与设定指纹图像的指纹特征余弦距离小于或等于设定值时，确定待识别指纹图像与设定指纹图像相同；
当提取的指纹特征与设定指纹图像的指纹特征余弦距离大于设定值时，确定待识别指纹图像与设定指纹图像不同。
需要说明的是，本实施例通过步骤S207-步骤S208实现基于待识别指纹图像的指纹脊线图像进行指纹识别。
在本实施例的一种实现方式中，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脊线图像；
从设定指纹图像的指纹脊线图像中提取指纹特征，得到设定指纹图像的指纹特征。
在执行步骤S208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脊线图像，进而得到设定指纹图像的指纹特征。
在本实施例的另一种实现方式中，该方法还可以包括：
从指纹库中获取设定指纹图像的指纹特征。
预先获取设定指纹图像的指纹特征并存储在指纹库中，在执行步骤S208时可以直接从指纹库中获取设定指纹图像的指纹特征。
可以理解地，指纹识别基于的指纹特征是从待识别指纹图像的指纹脊线图像中提取的，待识别指纹图像的指纹脊线图像确定的准确性直接影响到指纹识别的准确性，确定的待识别指纹图像的指纹脊线图像的准确性对指纹识别及其重要。本公开基于卷积神经网络得到待识别指纹图像的指纹脊线图像，待识别指纹图像的指纹脊线图像的准确性被大大提高，进而提高了指纹识别的准确性。
本公开通过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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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识别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、确定模块302和识别模块303。
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脊线图像，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。
该识别模块303被配置为基于确定模块302得到的待识别指纹图像的指纹脊线图像进行指纹识别。
本公开通过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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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识别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、确定模块402和识别模块403。
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脊线图像，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。
该识别模块403被配置为基于确定模块402得到的待识别指纹图像的指纹脊线图像进行指纹识别。
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脊线图像。
可选地，该装置还可以包括第二获取模块404、生成模块405和训练模块406。
该第二获取模块404被配置为获取若干指纹图像。
该生成模块405被配置为接收标定在第二获取模块404获取的各个指纹图像上的指纹脊线，生成各个指纹图像的指纹脊线图像。
该训练模块406被配置为采用第二获取模块404获取的若干指纹图像和生成模块405生成的各个指纹图像的指纹脊线图像，对卷积神经网络的参数进行训练。
优选地，训练模块406可以包括第二确定子模块406a、第三确定子模块406b和调整子模块406c。
该第二确定子模块406a被配置为将第二获取模块404获取的指纹图像输入卷积神经网络，得到指纹图像的指纹脊线图像。
该第三确定子模块406b被配置为确定第二确定子模块406a得到的指纹脊线图像与生成模块405生成的指纹脊线图像之间的相似度。
该调整子模块4056被配置为根据第三确定子模块406b确定的相似度，反向传播调整卷积神经网络的参数。
可选地，识别模块403可以包括提取子模块403a和匹配子模块403b。
该提取子模块403a被配置为从确定模块402得到的指纹脊线图像中提取指纹特征。
该匹配子模块403b被配置为将提取子模块403a提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定待识别指纹图像与设定指纹图像是否相同。
本公开通过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脊线图像，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，在待识别指纹图像模糊等情况下也可以得到指纹脊线图像，进而基于指纹脊线图像进行指纹比对，识别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识别的装置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识别的方法，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脊线图像，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；
基于所述待识别指纹图像的指纹脊线图像进行指纹识别。
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脊线图像。
可选地，所述方法还包括：
获取若干指纹图像；
接收标定在各个所述指纹图像上的指纹脊线，生成各个所述指纹图像的指纹脊线图像；
采用若干所述指纹图像和生成的各个所述指纹图像的指纹脊线图像，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生成的各个所述指纹图像的指纹脊线图像，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脊线图像；
确定得到的所述指纹图像的指纹脊线图像与生成的所述指纹图像的指纹脊线图像之间的相似度；
根据所述相似度，反向传播调整所述卷积神经网络的参数。
可选地，所述基于所述待识别指纹图像的指纹脊线图像进行指纹识别，包括：
从所述待识别指纹图像的指纹脊线图像中提取指纹特征；
将提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定所述待识别指纹图像与所述设定指纹图像是否相同。
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 (8)

1.一种指纹识别的方法，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脊线图像，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；
基于所述待识别指纹图像的指纹脊线图像进行指纹识别；
所述方法还包括：
获取若干指纹图像；
接收标定在各个所述指纹图像上的指纹脊线，生成各个所述指纹图像的指纹脊线图像；
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脊线图像；
将得到的所述指纹图像的所述指纹脊线图像中各个像素的脊线值，与生成的所述指纹图像的所述指纹脊线图像中相同位置的所述像素的所述脊线值相减，得到相减结果；
将所有所述像素的所述相减结果的绝对值相加，得到相加结果；
将指纹脊线图像包括的像素数量减去所述相加结果，得到的所述指纹图像的所述指纹脊线图像与生成的所述指纹图像的所述指纹脊线图像之间的相似度， 根据所述相似度，反向传播调整所述卷积神经网络的参数。
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脊线图像。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述待识别指纹图像的指纹脊线图像进行指纹识别，包括：
从所述待识别指纹图像的指纹脊线图像中提取指纹特征；
将提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定所述待识别指纹图像与所述设定指纹图像是否相同。
4.一种指纹识别的装置，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脊线图像，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；
识别模块，用于基于所述确定模块得到的待识别指纹图像的指纹脊线图像进行指纹识别；
所述装置还包括：
第二获取模块，用于获取若干指纹图像；
生成模块，用于接收标定在所述第二获取模块获取的各个指纹图像上的指纹脊线，生成各个指纹图像的指纹脊线图像；
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生成模块生成的各个指纹图像的指纹脊线图像，对所述卷积神经网络的参数进行训练；
其中，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，得到指纹图像的指纹脊线图像；
第三确定子模块，用于将得到的所述指纹图像的所述指纹脊线图像中各个像素的脊线值，与生成的所述指纹图像的所述指纹脊线图像中相同位置的所述像素的所述脊线值相减，得到相减结果；将所有所述像素的所述相减结果的绝对值相加，得到相加结果；将指纹脊线图像包括的像素数量减去所述相加结果，得到的所述指纹图像的所述指纹脊线图像与生成的所述指纹图像的所述指纹脊线图像之间的相似度；
调整子模块，用于根据所述第三确定子模块确定的相似度，反向传播调整所述卷积神经网络的参数。
5.根据权利要求4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脊线图像。
6.根据权利要求4或5所述的装置，其特征在于，所述识别模块包括：
提取子模块，用于从所述确定模块得到的指纹脊线图像中提取指纹特征；
匹配子模块，用于将所述提取子模块提取的指纹特征与设定指纹图像的指纹特征进行匹配，确定所述待识别指纹图像与所述设定指纹图像是否相同。
7.一种指纹识别的装置，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脊线图像，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；
基于所述待识别指纹图像的指纹脊线图像进行指纹识别；
所述处理器还被配置为：
获取若干指纹图像；
接收标定在各个所述指纹图像上的指纹脊线，生成各个所述指纹图像的指纹脊线图像；
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脊线图像；
将得到的所述指纹图像的所述指纹脊线图像中各个像素的脊线值，与生成的所述指纹图像的所述指纹脊线图像中相同位置的所述像素的所述脊线值相减，得到相减结果；
将所有所述像素的所述相减结果的绝对值相加，得到相加结果；
将指纹脊线图像包括的像素数量减去所述相加结果，得到的所述指纹图像的所述指纹脊线图像与生成的所述指纹图像的所述指纹脊线图像之间的相似度， 根据所述相似度，反向传播调整所述卷积神经网络的参数。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括至少一条指令，所述至少一条指令被处理器执行时，执行权利要求1-3任一项所述的指纹识别的方法。
CN201610378430.6A 2016-05-31 2016-05-31 指纹识别的方法和装置 Active CN106096510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610378430.6A CN106096510B (zh) 2016-05-31 2016-05-31 指纹识别的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610378430.6A CN106096510B (zh) 2016-05-31 2016-05-31 指纹识别的方法和装置

Publications (2)

Publication Number Publication Date
CN106096510A CN106096510A (zh) 2016-11-09
CN106096510B true CN106096510B (zh) 2019-08-30

Family

ID=57229669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610378430.6A Active CN106096510B (zh) 2016-05-31 2016-05-31 指纹识别的方法和装置

Country Status (1)

Country Link
CN (1) CN106096510B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133220A (zh) * 2016-11-30 2018-06-08 北京市商汤科技开发有限公司 模型训练、关键点定位及图像处理方法、系统及电子设备
CN108229255A (zh) * 2016-12-21 2018-06-29 江苏迪康姆生物技术有限公司 一种掌纹采集一体机
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
CN108960214A (zh) * 2018-08-17 2018-12-07 中控智慧科技股份有限公司 指纹图像增强二值化方法、装置、设备、系统及存储介质
CN113743371A (zh) * 2021-09-22 2021-12-03 京东方科技集团股份有限公司 一种指纹识别方法及指纹识别装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011097936A1 (zh) * 2010-02-11 2011-08-18 上海点佰趣信息科技有限公司 指纹图像增强方法
CN104268521A (zh) * 2014-09-23 2015-01-07 朱毅 一种基于非限定类别的卷积神经网络的图像识别方法
CN104992167A (zh) * 2015-07-28 2015-10-21 中国科学院自动化研究所 一种基于卷积神经网络的人脸检测方法及装置
CN105069436A (zh) * 2015-08-14 2015-11-18 广东欧珀移动通信有限公司 基于指纹识别的控制方法及系统、指纹识别模组
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011097936A1 (zh) * 2010-02-11 2011-08-18 上海点佰趣信息科技有限公司 指纹图像增强方法
CN104268521A (zh) * 2014-09-23 2015-01-07 朱毅 一种基于非限定类别的卷积神经网络的图像识别方法
CN104992167A (zh) * 2015-07-28 2015-10-21 中国科学院自动化研究所 一种基于卷积神经网络的人脸检测方法及装置
CN105069436A (zh) * 2015-08-14 2015-11-18 广东欧珀移动通信有限公司 基于指纹识别的控制方法及系统、指纹识别模组
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

Also Published As

Publication number Publication date
CN106096510A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106096510B (zh) 指纹识别的方法和装置
CN105608425B (zh) 对照片进行分类存储的方法及装置
CN105809704B (zh) 识别图像清晰度的方法及装置
CN105631403B (zh) 人脸识别方法及装置
CN106295566B (zh) 人脸表情识别方法及装置
CN105654033B (zh) 人脸图像验证方法和装置
CN110516745A (zh) 图像识别模型的训练方法、装置及电子设备
CN104700353B (zh) 图像滤镜生成方法及装置
CN105654039B (zh) 图像处理的方法和装置
WO2021031609A1 (zh) 活体检测方法及装置、电子设备和存储介质
CN105512685B (zh) 物体识别方法和装置
CN106651955A (zh) 图片中目标物的定位方法及装置
CN106295499B (zh) 年龄估计方法及装置
CN109543714A (zh) 数据特征的获取方法、装置、电子设备及存储介质
CN106572299A (zh) 摄像头开启方法及装置
CN108197586A (zh) 脸部识别方法和装置
CN109522910A (zh) 关键点检测方法及装置、电子设备和存储介质
CN105224924A (zh) 活体人脸识别方法和装置
CN104077563B (zh) 人脸识别方法和装置
CN106682736A (zh) 图像识别方法及装置
CN103886284B (zh) 人物属性信息识别方法、装置及电子设备
CN106295515A (zh) 确定图像中的人脸区域的方法及装置
CN112446832A (zh) 一种图像处理方法及电子设备
CN105528078B (zh) 控制电子设备的方法及装置
CN104408404A (zh) 人脸识别方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant