CN106203298A - 生物特征识别方法及装置 - Google Patents

生物特征识别方法及装置 Download PDF

Info

Publication number
CN106203298A
CN106203298A CN201610509765.7A CN201610509765A CN106203298A CN 106203298 A CN106203298 A CN 106203298A CN 201610509765 A CN201610509765 A CN 201610509765A CN 106203298 A CN106203298 A CN 106203298A
Authority
CN
China
Prior art keywords
identified
living things
feature recognition
convolutional neural
things feature
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
CN201610509765.7A
Other languages
English (en)
Inventor
张国栋
朱博
高兴波
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.)
Chipone Technology Beijing Co Ltd
Original Assignee
Chipone Technology Beijing 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 Chipone Technology Beijing Co Ltd filed Critical Chipone Technology Beijing Co Ltd
Priority to CN201610509765.7A priority Critical patent/CN106203298A/zh
Publication of CN106203298A publication Critical patent/CN106203298A/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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology

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)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

公开了一种生物特征识别方法，包括：接收待识别生物特征图像；采用生物特征识别模型对待识别生物特征进行识别，确定待识别生物特征是否与预设生物特征图像匹配，其中生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的；当待识别生物特征与预设生物特征图像匹配时，存储待识别生物特征图像；当存储的待识别生物特征图像大于预设阈值时，更新生物特征识别模型。本发明还提供一种生物特征识别装置，可以保证生物特征图像中生物特征特征提取的高精细度，使得生物特征识别的结果更加准确。

Description

生物特征识别方法及装置
技术领域
本发明属于生物特征识别领域，更具体地，涉及一种生物特征识别方法及装置。
背景技术
随着苹果公司将生物特征识别技术引用于智能移动设备中，生物特征识别已成为智能终端的主流配置。生物特征识别技术包括：注册和验证两个阶段。在注册阶段，采集用户的生物特征信息，并提取生物特征信息中的特征值，存储在存储器中，用于后期生物特征验证；在验证阶段，采集待验证用户的生物特征信息，提取生物特征信息中的特征值，然后和预设的特征值进行匹配。如果匹配成功，即可进行下一部操作；否则，无法进行操作。预存储的生物特征特征值往往不会发生改变。
当手指有油渍、汗渍或者脱皮等情况时，采集到的生物特征信息往往和预设的生物特征信息有差别，这就导致生物特征识别率大大降低。
发明内容
本发明的目的在于提供一种生物特征识别方法及装置。
根据本发明的一方面，提供一种生物特征识别方法，包括：接收待识别生物特征图像；采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的；当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像；当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
优选地，所述卷积神经网络包括卷积层和采样层。
优选地，所述方法还包括：获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像；
将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
优选地，所述方法还包括：对所述生物特征训练样本图像进行归一化处理。
优选地，更新所述生物特征识别模型包括：将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；使用待更新的生物特征识别模型替换所述生物特征识别模型。
优选地，更新所述生物特征识别模型包括：在所述卷积神经网络中，增加一个神经元分支，形成新的卷积神经网络；将存储的所述待识别生物特征图像输入到新的卷积神经网络中，获得新的卷积神经网络的卷积层中各个神经元的权重系数以及新的卷积神经网络的总体误差收敛速度；重复上述步骤直至新的卷积神经网络的总体误差收敛速度小于或等于预设收敛阈值；根据新的卷积神经网络的卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；使用待更新的生物特征识别模型替换所述生物特征识别模型。
优选地，所述方法还包括：将存储的所述待识别图像删除。
优选地，所述方法还包括：对所述待识别生物特征图像进行归一化处理。
根据本发明的另一方面，提供一种生物特征识别装置，包括：接收模块，用于接收待识别生物特征图像；识别模块，用于采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的；存储模块，用于当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像；更新模块，用于当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
优选地，所述卷积神经网络包括卷积层和采样层。
优选地，所述装置还包括：获取模块，用于获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像；训练模块，用于将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
优选地，所述装置还包括：归一化模块，用于对所述生物特征训练样本图像进行归一化处理。
优选地，所述更新模块包括：训练单元，用于将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；更新单元，用于使用待更新的生物特征识别模型替换所述生物特征识别模型。
优选地，所述更新模块包括：训练单元，用于在所述卷积神经网络中，增加一个神经元分支，形成新的卷积神经网络；将存储的所述待识别生物特征图像输入到新的卷积神经网络中，获得新的卷积神经网络的卷积层中各个神经元的权重系数以及新的卷积神经网络的总体误差收敛速度；重复上述步骤直至新的卷积神经网络的总体误差收敛速度小于或等于预设收敛阈值；根据新的卷积神经网络的卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；更新单元，用于使用待更新的生物特征识别模型替换所述生物特征识别模型。
优选地，所述更新单元还用于将存储的所述待识别图像删除。
优选地，所述装置还包括：所述第二归一化模块，用于对所述待识别生物特征图像进行归一化处理。
本发明提供的生物特征识别方法及装置，通过卷积神经网络建立生物特征识别模型，并通过生物特征识别模型对生物特征进行识别，将匹配的生物特征图像作为新的训练样本集通过卷积神经网络训练得到新的生物特征识别模型，更新生物特征识别模型。由于基于深度学习的卷积神经网络构建的上述生物特征识别模型能够自动学习到生物特征图像的多层详细特征信息，从而保证了生物特征图像中生物特征特征提取的高精细度，使得生物特征识别的结果更加准确。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了本发明实施例提供的生物特征识别方法的流程图；
图2示出了卷积神经网络的网络结构示意图；
图3示出了本发明实施例提供的更新生物特征识别模型的流程图；
图4示出了本发明另一实施例提供的更新生物特征识别模型的流程图；
图5示出了本发明实施例提供的卷积神经网络训练过程的流程图；
图6示出了本发明实施例提供的生物特征传输装置的结构框图。
具体实施方式
以下将参照附图更详细地描述本发明的各种实施例。在各个附图中，相同的元件采用相同或类似的附图标记来表示。为了清楚起见，附图中的各个部分没有按比例绘制。
本发明可以各种形式呈现，以下将描述其中一些示例。
图1示出了本发明实施例提供的生物特征识别方法的流程图。该生物特征识别方法可以由生物特征识别装置来执行，该生物特征识别装置具体可以为手机终端、平板电脑等智能终端对应的服务器或者服务器上安装的应用程序APP。该生物特征识别装置还可以为手机终端、平板电脑等智能终端或者智能终端上安装的应用程序APP。如图1所示，所述生物特征识别方法包括以下步骤。
在步骤S101中，接收待识别生物特征图像。
在本实施例中，生物特征识别装置接收到用户输入的待识别生物特征图像的数量可以是一个，也可以是多个。针对多个待识别生物特征图像的情况，需分别针对每个待识别生物特征图像进行识别处理。
所述生物特征可以是单生物特征数据或多生物特征，如纹理(包括指纹、掌纹、静脉及相关附属特征，如汗孔等)、生物膜(如虹膜、视网膜等)、面孔、耳道、语音、体形，个人习惯(例如敲击键盘的力度和频率、签字、步态)等。
在步骤S102中，采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的。
在本实施例中，采用卷积神经网络构建生物特征识别模型。卷积神经网络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。
卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，包括多个卷积层C11-Cmn、多个采样层S11-Smn、全连接层和一个输出层，其中，m、n均为大于1的正整数，每层由多个二维平面组成，而每个平面由多个独立神经元组成。其中，多个卷积层C11-C1n和多个采样层S11-S1n组成一个神经元分支。从一个平面到下一个平面的映射可以看作是作卷积运算。本实施例中，假设基于卷积神经网络获得的生物特征识别模型具有N层结构卷积层中各个神经元的权重系数和偏置系数即卷积核，亦即权重系数和偏置系数由生物特征训练样本集训练确定，其中，N为大于1的正整数。
具体地，对卷积层和输出层的权重系数随机初始化，偏置系数全0初始化。然后，把生物特征图像输入到卷积神经网络中，逐次进行卷积计算和采样。最后输出层的输出与预设输出值比对，通过极小化误差的方法反向传播调整各层的权值和偏置。利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计，即卷积层的权重系数误差估计和偏置误差估计。
由于本实施例中的生物特征识别模型是为了识别待识别生物特征是否与预设生物特征图像匹配，因此，可以理解的，上述对卷积神经网络进行训练所使用的生物特征训练样本集包括若干生物特征样本图像。具体的训练过程在后续实施例中描述。
在实际使用过程中，将待识别的生物特征图像输入到上述生物特征识别模型中，经生物特征识别模型对该待识别的生物特征图像进行逐层的特征提取，最后经生物特征识别模型的最后一层的输出层进行比对，输出该待识别生物特征图像的比对结果，根据该比对结果得知该待识别生物特征图像所对应的生物特征是否与预设生物特征图像匹配。假设生物特征识别模型输出的识别结果即比对结果中，以大于0表示匹配，以小于等于0表示不匹配。如果上述待识别生物特征图像的识别结果大于0，则说明待识别生物特征图像中的生物特征与预设生物特征图像是匹配的，即验证成功。
在步骤S103中，当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像。
在步骤S104中，当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
在本实施例中，当存储的满足预设条件的待识别生物特征图像的数量大于预设阈值时，将存储的所述待识别生物特征图像作为训练样本集对卷积神经网络进行训练得到待更新的生物特征识别模型，然后用新得到的生物特征识别模型更新原来的生物特征识别模型。
结合图3所示的优选实施例，更新所述生物特征识别模型包括以下步骤。
在步骤S301中，将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数；
在步骤S302中，根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型。
在步骤S303中，使用待更新的生物特征识别模型替换所述生物特征识别模型。
具体地，卷积神经网络的结构保持不变，将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型，然后用新得到的生物特征识别模型更新原来的生物特征识别模型。
结合图4所示的优选实施例，更新所述生物特征识别模型包括以下步骤。
在步骤S401中，在所述卷积神经网络中，增加一个神经元分支，形成新的卷积神经网络；
在步骤S402中，将存储的所述待识别生物特征图像输入到新的卷积神经网络中，获得新的卷积神经网络的卷积层中各个神经元的权重系数以及新的卷积神经网络的总体误差收敛速度；
在步骤S403中，重复步骤S401、步骤S402直至新的卷积神经网络的总体误差收敛速度小于或等于预设收敛阈值；
在步骤S404中，根据新的卷积神经网络的卷积层中各个神经元的权重系数得到待更新的生物特征识别模型。
在步骤S405中，使用待更新的生物特征识别模型替换所述生物特征识别模型。
具体地，在卷积神经网络中增加一个神经元分支形成新的卷积神经网络，其中，所述神经元分支与卷积神经网络的神经元分支等长，即n保持不变，m增加1。将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，以及新的神经网络总体误差收敛速度，当新的卷积神经网络的总体误差收敛速度大于预设收敛阈值时，继续增加一个神经元分支，重复上述步骤直至新的卷积神经网络的总体误差收敛速度低于预设收敛阈值。然后根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型。
另外，可选地，为了保证识别结果的准确可靠，可以对输入到生物特征识别模型的待识别生物特征图像进行归一化处理。比如按照预设尺寸要求，进行尺寸的归一化处理，将尺寸都归一化为比如224像素*224像素大小。再比如，对坐标中心化、x-剪切(x-shearing)、缩放和旋转等进行归一化处理。
在一个优选地实施例中，更新生物特征识别模型的同时，将存储的待识别生物特征图像删除。
本发明提供的生物特征识别方法，通过卷积神经网络建立生物特征识别模型，并通过生物特征识别模型对生物特征进行识别，将匹配的生物特征图像作为新的训练样本集通过卷积神经网络训练得到新的生物特征识别模型，更新生物特征识别模型。由于基于深度学习的卷积神经网络构建的上述生物特征识别模型能够自动学习到生物特征图像的多层详细特征信息，从而保证了生物特征图像中生物特征特征提取的高精细度，使得生物特征识别的结果更加准确。
下面结合图5所示实施例，对上述生物特征识别模型的构成过程即卷积神经网络的学习训练过程进行介绍。
在步骤S501中，获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像。
在本实施例中，为了保证生物特征识别模型的准确性，训练时需要采集大量的生物特征训练样本图像，如200万张。
在步骤S502中，将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
另外，为了最小化样本差异性对生物特征识别模型训练过程的影响，本实施例中，也分别对生物特征训练样本图像进行归一化处理，保证各个样本图像的大小一致。比如对尺寸、坐标中心化、x-剪切(x-shearing)、缩放和旋转等进行归一化处理。
可选的，本实施例中，为了进一步提高训练过程的处理效率，降低上述调整的次数，可以采用分批训练的方式。具体来说，将生物特征训练样本集中的所有样本图像随机分批，比如每批100张样本图像。依次随机将一批训练样本图像中的每个训练样本图像输入，在一批训练样本图像完成训练后，统计该批训练样本图像中各训练样本图像的输出值大于预设阈值的训练样本图像数量占该批训练样本图像总数的比例，如果该比例大于一定阈值，则调整经该批训练样本图像训练获得的生物特征识别模型中卷积层中各个神经元的权重系数和偏置系数。然后再将下一批训练样本图像依次输入到经前一批训练样本图像训练得到的生物特征识别模型中，直到所有批次的训练样本图像都训练完成为止。其中，对卷积层中各个神经元的权重系数和偏置系数的调整可以采用梯度下降法进行调整。
本实施例中，通过采用包含有生物特征训练样本图像的生物特征训练样本集，对卷积神经网络进行学习训练，使得得到的生物特征识别模型能够自动深度学习到各训练样本图像中包含的多层次的特征信息，从而提高了基于该生物特征识别模型正确识别待识别生物特征图像。
图6示出了根据本发明实施例提供的生物特征识别装置的结构示意图。如图6所示，该装置包括接收模块10、识别模块20、存储模块30、更新模块40、获取模块50和训练模块60。
其中，接收模块10用于接收待识别生物特征图像。
在本实施例中，生物特征识别装置接收到用户输入的待识别生物特征图像的数量可以是一个，也可以是多个。针对多个待识别生物特征图像的情况，需分别针对每个待识别生物特征图像进行识别处理。
识别模块20用于采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的。
在本实施例中，采用卷积神经网络构建生物特征识别模型。卷积神经网络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。
卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，包括多个卷积层C11-Cmn、多个采样层S11-Smn、全连接层和一个输出层，其中，m、n均为大于1的正整数，每层由多个二维平面组成，而每个平面由多个独立神经元组成。其中，多个卷积层C11-C1n和多个采样层S11-S1n组成一个神经元分支。从一个平面到下一个平面的映射可以看作是作卷积运算。本实施例中，假设基于卷积神经网络获得的生物特征识别模型具有N层结构卷积层中各个神经元的权重系数和偏置系数即卷积核，亦即权重系数和偏置系数由生物特征训练样本集训练确定，其中，N为大于1的正整数。
由于本实施例中的生物特征识别模型是为了识别待识别生物特征是否与预设生物特征图像匹配，因此，可以理解的，上述对卷积神经网络进行训练所使用的生物特征训练样本集包括若干生物特征样本图像。具体的训练过程在后续实施例中描述。
在实际使用过程中，将待识别的生物特征图像输入到上述生物特征识别模型中，经生物特征识别模型对该待识别的生物特征图像进行逐层的特征提取，最后经生物特征识别模型的最后一层的输出层进行比对，输出该待识别生物特征图像的比对结果，根据该比对结果得知该待识别生物特征图像所对应的生物特征是否与预设生物特征图像匹配。假设生物特征识别模型输出的识别结果即比对结果中，以大于0表示匹配，以小于等于0表示不匹配。如果上述待识别生物特征图像的识别结果大于0，则说明待识别生物特征图像中的生物特征与预设生物特征图像是匹配的，即验证成功。
存储模块30用于当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像。
更新模块40用于当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
在本实施例中，更新模块40包括训练单元41和更新单元42，其中，训练单元41用于将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；更新单元42用于使用待更新的生物特征识别模型替换所述生物特征识别模型。
在本实施例中，当存储的满足预设条件的待识别生物特征图像的数量大于预设阈值时，将存储的所述待识别生物特征图像作为训练样本集对卷积神经网络进行训练得到待更新的生物特征识别模型，然后用新得到的生物特征识别模型更新原来的生物特征识别模型。
获取模块50用于获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像。
在本实施例中，为了保证生物特征识别模型的准确性，训练时需要采集大量的生物特征训练样本图像，如200万张。
训练模块60用于将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
在一个优选的实施例中，所述装置还包括第一归一化模块70，用于对所述生物特征训练样本图像进行归一化处理。
在本实施例中，为了最小化样本差异性对生物特征识别模型训练过程的影响，本实施例中，也分别对生物特征训练样本图像进行归一化处理，保证各个样本图像的大小一致。比如对尺寸、坐标中心化、x-剪切(x-shearing)、缩放和旋转等进行归一化处理。
在一个优选的实施例中，所述装置还包括第二归一化模块80还用于对所述待识别生物特征图像进行归一化处理。
在本实施例中，为了保证识别结果的准确可靠，可以对输入到生物特征识别模型的待识别生物特征图像进行归一化处理。比如按照预设尺寸要求，进行尺寸的归一化处理，将尺寸都归一化为比如224像素*224像素大小。再比如，对坐标中心化、x-剪切(x-shearing)、缩放和旋转等进行归一化处理。
在一个优选的实施例中，所述更新单元50还用于将存储的所述待识别图像删除。
本发明提供的生物特征识别装置，通过采用包含有生物特征训练样本图像的生物特征训练样本集对卷积神经网络进行学习训练得到的生物特征识别模型对生物特征进行识别，将匹配的生物特征图像作为新的训练样本集通过卷积神经网络训练得到新的生物特征识别模型，更新生物特征识别模型。由于基于深度学习的卷积神经网络构建的上述生物特征识别模型能够自动学习到生物特征图像的多层详细特征信息，从而保证了生物特征图像中生物特征特征提取的高精细度，使得生物特征识别的结果更加准确。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (16)

1.一种生物特征识别方法，其特征在于，包括：
接收待识别生物特征图像；
采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的；
当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像；
当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
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多个神经元分支，其中，每个神经元分支包括多个卷积层和多个采样层。
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：
获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像；
将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述生物特征训练样本图像进行归一化处理。
5.根据权利要求2所述的方法，其特征在于，更新所述生物特征识别模型包括：
将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；
使用待更新的生物特征识别模型替换所述生物特征识别模型。
6.根据权利要求2所述的方法，其特征在于，更新所述生物特征识别模型包括：
在所述卷积神经网络中，增加一个神经元分支，形成新的卷积神经网络；
将存储的所述待识别生物特征图像输入到新的卷积神经网络中，获得新的卷积神经网络的卷积层中各个神经元的权重系数以及新的卷积神经网络的总体误差收敛速度；
重复上述步骤直至新的卷积神经网络的总体误差收敛速度小于或等于预设收敛阈值；
根据新的卷积神经网络的卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；
使用待更新的生物特征识别模型替换所述生物特征识别模型。
7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：
将存储的所述待识别图像删除。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述待识别生物特征图像进行归一化处理。
9.一种生物特征识别装置，其特征在于，包括：
接收模块，用于接收待识别生物特征图像；
识别模块，用于采用生物特征识别模型对所述待识别生物特征进行识别，确定所述待识别生物特征是否与预设生物特征图像匹配，其中，所述生物特征识别模型是采用生物特征训练样本集对卷积神经网络进行训练后得到的；
存储模块，用于当所述待识别生物特征与预设生物特征图像匹配时，存储所述待识别生物特征图像；
更新模块，用于当存储的所述待识别生物特征图像大于预设阈值时，更新所述生物特征识别模型。
10.根据权利要求9所述的装置，其特征在于，所述卷积神经网络包括卷积层和采样层。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取生物特征训练样本集，其中，所述生物特征训练样本集包括生物特征训练样本图像；
训练模块，用于将所述生物特征训练样本集输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到所述生物特征识别模型。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第一归一化模块，用于对所述生物特征训练样本图像进行归一化处理。
13.根据权利要求10所述的装置，其特征在于，所述更新模块包括：
训练单元，用于将存储的所述待识别生物特征图像输入到卷积神经网络中，获得所述卷积层中各个神经元的权重系数，并根据卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；
更新单元，用于使用待更新的生物特征识别模型替换所述生物特征识别模型。
14.根据权利要求10所述的装置，其特征在于，所述更新模块包括：
训练单元，用于在所述卷积神经网络中，增加一个神经元分支，形成新的卷积神经网络；将存储的所述待识别生物特征图像输入到新的卷积神经网络中，获得新的卷积神经网络的卷积层中各个神经元的权重系数以及新的卷积神经网络的总体误差收敛速度；重复上述步骤直至新的卷积神经网络的总体误差收敛速度小于或等于预设收敛阈值；根据新的卷积神经网络的卷积层中各个神经元的权重系数得到待更新的生物特征识别模型；
更新单元，用于使用待更新的生物特征识别模型替换所述生物特征识别模型。
15.根据权利要求13或14所述的装置，其特征在于，所述更新单元还用于将存储的所述待识别图像删除。
16.根据权利要求9所述的装置，其特征在于，所述装置还包括：
所述第二归一化模块，用于对所述待识别生物特征图像进行归一化处理。
CN201610509765.7A 2016-06-30 2016-06-30 生物特征识别方法及装置 Pending CN106203298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610509765.7A CN106203298A (zh) 2016-06-30 2016-06-30 生物特征识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610509765.7A CN106203298A (zh) 2016-06-30 2016-06-30 生物特征识别方法及装置

Publications (1)

Publication Number Publication Date
CN106203298A true CN106203298A (zh) 2016-12-07

Family

ID=57462766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610509765.7A Pending CN106203298A (zh) 2016-06-30 2016-06-30 生物特征识别方法及装置

Country Status (1)

Country Link
CN (1) CN106203298A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480649A (zh) * 2017-08-24 2017-12-15 浙江工业大学 一种基于全卷积神经网络的指纹汗孔提取方法
WO2018113261A1 (zh) * 2016-12-22 2018-06-28 深圳光启合众科技有限公司 目标对象的识别方法和装置、机器人
CN108376215A (zh) * 2018-01-12 2018-08-07 上海大学 一种身份认证方法
CN108553028A (zh) * 2018-04-12 2018-09-21 深圳市沃特沃德股份有限公司 驱赶老鼠方法及扫地机器人
CN108694212A (zh) * 2017-04-11 2018-10-23 腾讯科技（深圳）有限公司 一种样本对象的处理方法及装置
CN109033107A (zh) * 2017-06-09 2018-12-18 腾讯科技（深圳）有限公司 图像检索方法和装置、计算机设备和存储介质
CN109447090A (zh) * 2018-10-17 2019-03-08 宁波中车时代传感技术有限公司 一种屏蔽门障碍物检测方法及检测系统
CN109472279A (zh) * 2018-08-31 2019-03-15 杭州千讯智能科技有限公司 基于图像处理的物品识别方法和装置
WO2019105218A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
CN110163236A (zh) * 2018-10-15 2019-08-23 腾讯科技（深圳）有限公司 模型的训练方法和装置、存储介质、电子装置
CN110232415A (zh) * 2019-06-12 2019-09-13 中南大学 一种基于生物信息特征的列车转向架故障识别方法
CN110312640A (zh) * 2017-02-20 2019-10-08 株式会社阿尔发 车辆监视设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760434A (zh) * 2012-07-09 2012-10-31 华为终端有限公司 一种声纹特征模型更新方法及终端
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
CN104778448A (zh) * 2015-03-24 2015-07-15 孙建德 一种基于结构自适应卷积神经网络的人脸识别方法
CN104809426A (zh) * 2014-01-27 2015-07-29 日本电气株式会社 卷积神经网络的训练方法、目标识别方法及装置
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法
CN105241524A (zh) * 2015-10-26 2016-01-13 河海大学常州校区 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法
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
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN105654049A (zh) * 2015-12-29 2016-06-08 中国科学院深圳先进技术研究院 人脸表情识别的方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102760434A (zh) * 2012-07-09 2012-10-31 华为终端有限公司 一种声纹特征模型更新方法及终端
CN104809426A (zh) * 2014-01-27 2015-07-29 日本电气株式会社 卷积神经网络的训练方法、目标识别方法及装置
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
CN104778448A (zh) * 2015-03-24 2015-07-15 孙建德 一种基于结构自适应卷积神经网络的人脸识别方法
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法
CN105241524A (zh) * 2015-10-26 2016-01-13 河海大学常州校区 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法
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
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN105654049A (zh) * 2015-12-29 2016-06-08 中国科学院深圳先进技术研究院 人脸表情识别的方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHA ZHANG 等: "Improving Multiview Face Detection with Multi-Task Deep Convolutional Neural Networks", 《 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》 *
张昭昭 等: "《模块化神经网络结构分析与设计》", 30 April 2014 *
汪济民 等: "基于卷积神经网络的人脸性别识别", 《现代电子技术》 *
蔡静颖: "《模糊聚类算法及应用》", 31 August 2015, 《冶金工业出版社》 *
郝博 等: "《智能设计》", 30 November 2013, 《辽宁科学技术出版社》 *
顾佳玲 等: "增长式卷积神经网络及其在人脸检测中的应用", 《系统仿真学报》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018113261A1 (zh) * 2016-12-22 2018-06-28 深圳光启合众科技有限公司 目标对象的识别方法和装置、机器人
CN110312640A (zh) * 2017-02-20 2019-10-08 株式会社阿尔发 车辆监视设备
CN108694212B (zh) * 2017-04-11 2023-04-14 腾讯科技（深圳）有限公司 一种样本对象的处理方法及装置
CN108694212A (zh) * 2017-04-11 2018-10-23 腾讯科技（深圳）有限公司 一种样本对象的处理方法及装置
CN109033107B (zh) * 2017-06-09 2021-09-17 腾讯科技（深圳）有限公司 图像检索方法和装置、计算机设备和存储介质
CN109033107A (zh) * 2017-06-09 2018-12-18 腾讯科技（深圳）有限公司 图像检索方法和装置、计算机设备和存储介质
CN107480649A (zh) * 2017-08-24 2017-12-15 浙江工业大学 一种基于全卷积神经网络的指纹汗孔提取方法
WO2019105218A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
US11526983B2 (en) * 2017-11-30 2022-12-13 Tencent Technology (Shenzhen) Company Limited Image feature recognition method and apparatus, storage medium, and electronic apparatus
CN108376215A (zh) * 2018-01-12 2018-08-07 上海大学 一种身份认证方法
CN108553028A (zh) * 2018-04-12 2018-09-21 深圳市沃特沃德股份有限公司 驱赶老鼠方法及扫地机器人
CN109472279A (zh) * 2018-08-31 2019-03-15 杭州千讯智能科技有限公司 基于图像处理的物品识别方法和装置
CN110163236A (zh) * 2018-10-15 2019-08-23 腾讯科技（深圳）有限公司 模型的训练方法和装置、存储介质、电子装置
CN110163236B (zh) * 2018-10-15 2023-08-29 腾讯科技（深圳）有限公司 模型的训练方法和装置、存储介质、电子装置
CN109447090A (zh) * 2018-10-17 2019-03-08 宁波中车时代传感技术有限公司 一种屏蔽门障碍物检测方法及检测系统
CN109447090B (zh) * 2018-10-17 2021-12-03 宁波中车时代传感技术有限公司 一种屏蔽门障碍物检测方法及检测系统
CN110232415A (zh) * 2019-06-12 2019-09-13 中南大学 一种基于生物信息特征的列车转向架故障识别方法
CN110232415B (zh) * 2019-06-12 2020-10-30 中南大学 一种基于生物信息特征的列车转向架故障识别方法

Similar Documents

Publication Publication Date Title
CN106203298A (zh) 生物特征识别方法及装置
CN108205655B (zh) 一种关键点预测方法、装置、电子设备及存储介质
WO2019127924A1 (zh) 样本权重分配方法、模型训练方法、电子设备及存储介质
CN109344855B (zh) 一种基于排序引导回归的深度模型的人脸美丽评价方法
CN110400575B (zh) 通道间特征提取方法、音频分离方法和装置、计算设备
CN109934197A (zh) 人脸识别模型的训练方法、装置和计算机可读存储介质
JP7396607B2 (ja) オーディオ体験をカスタマイズするためのシステムおよび処理方法
WO2020098256A1 (zh) 基于全卷积神经网络的语音增强方法、装置及存储介质
CN110969250A (zh) 一种神经网络训练方法及装置
JP2021530045A (ja) 顔認識方法及び装置
CN111914936B (zh) 语料数据的数据特征增强方法、装置及计算机设备
CN108197561B (zh) 人脸识别模型优化控制方法、装置、设备及存储介质
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
CN112085745A (zh) 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法
WO2020181706A1 (zh) 植物种类的识别方法及装置
KR20190083127A (ko) 단말 클러스터 내 이미지를 이용하여 컨볼루션 뉴럴 네트워크 모델을 학습시키기 위한 시스템 및 방법
CN115829055B (zh) 联邦学习模型训练方法、装置、计算机设备及存储介质
CN111694977A (zh) 一种基于数据增强的车辆图像检索方法
EP4360098A1 (en) Systems and methods for estimating treatment effects in randomized trials using covariate adjusted stratification and pseudovalue regression
CN109993026A (zh) 亲属识别网络模型的训练方法及装置
CN112395449A (zh) 一种人脸检索方法及装置
CN106776543A (zh) 新词发现方法、装置、终端及服务器
CN107077617B (zh) 指纹提取方法及装置
CN111507218A (zh) 语音与人脸图像的匹配方法、装置、存储介质及电子设备
CN113762019B (zh) 特征提取网络的训练方法、人脸识别方法和装置

Legal Events

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