CN106250857A - 一种身份识别装置及方法 - Google Patents

Abstract

本发明涉及生物识别技术领域，特别涉及一种身份识别装置及方法。所述身份识别装置包括生物特征信号采集模块、生物特征提取模块和生物特征识别模块；所述生物特征信号采集模块用于采集指纹图像以及指部群延迟曲线；所述生物特征提取模块用于根据所述指纹图像以及指部群延迟曲线分别提取指纹特征值和群延迟特征值；所述生物特征识别模块用于通过训练样本集构建身份识别模型，并利用卷积神经网络算法将所提取的指纹特征值和群延迟特征值与所述身份识别模型进行交叉验证，实现用户的身份识别。本发明通过采集用户的指纹特征和指部介电谱特征信息进行身份识别，并采用基于卷积神经网络的多模态融合身份识别算法进行身份识别，提高身份识别的准确性。

Description

一种身份识别装置及方法

技术领域

本发明涉及生物识别技术领域，特别涉及一种身份识别装置及方法。

背景技术

随着科技的迅猛发展，整个社会的信息化程度日益提高，信息泄密的概率与日递增。这些信息一旦被不法分子采集并冒用，将会给被冒用者带来重大的经济利益损失，严重时甚至会危害到他人及整个社会的安全。信息保护的一个重要手段是采用身份识别技术。传统的身份识别技术普遍是基于IC射频卡、静态密码或动态密码等，存在易丢失、易遗忘、易替代等安全漏洞问题。

生物识别技术是指通过计算机，利用人体固有的生物特征来进行身份认证的一种识别技术，目前已被用于生物识别的人体生物特征包括指纹、掌纹、脸形、虹膜、脉搏、声音、脑电、心电、基因等，该技术具有不易遗忘、不易伪造或被盗、随身“携带”和随时随地可用等优点，比传统的身份识别方法更具安全、保密和便捷性。

然而，目前大部分的生物识别技术都是基于单一的生物特征，如仅仅采用指纹、虹膜、声音、脸部等，但由于每一种生物特征都有或多或少的缺陷，尤其是易受外界环境以及生物特征受损等因数的影响，导致识别率下降。如指纹易磨损，沾水后难以识别；虹膜识别结果与光照，角度等都密切相关；人脸识别不能对脸部饰物和整形手术后的脸部进行精确识别等。针对上述问题，有研究人员提出了基于多模态的生物特征识别方法。

例如，中国专利CN105117697A提出了一种指纹识别方法、指纹识别装置及其终端设备，该专利通过向待检测对象发射红光、红外光和绿光，通过反射光的变化来判断待检测对象是否为活体，确定为活体后再通过采集指纹图像对用户的身份进行识别。因此，严格来说，该专利还是采用单一的生物特征进行身份识别。

中国专利CN102542263A提出了一种基于指部生物特征的多模态身份认证装置及方法。该专利主要是通过采集指静脉图像、指节纹图像和指纹图像来采集用户的生物特征信息。然而，在该专利中，只是孤立地采集这三种生物特征信息并进行身份识别，缺乏将这三种模态进行有效的融合，识别率还需进一步提高。

中国专利CN1758263提出了一种基于得分差加权融合的多模态身份识别方法。该专利提出了采用得分差加权融合算法实现多模态的身份识别，然而，该算法并没有考虑其他环境因素对身份识别的影响。

发明内容

本发明提供了一种身份识别装置及方法，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种身份识别装置，包括生物特征信号采集模块、生物特征提取模块和生物特征识别模块；所述生物特征信号采集模块用于采集指纹图像以及指部群延迟曲线；所述生物特征提取模块用于根据所述指纹图像以及指部群延迟曲线分别提取指纹特征值和群延迟特征值；所述生物特征识别模块用于通过训练样本集构建身份识别模型，并利用卷积神经网络算法将所提取的指纹特征值和群延迟特征值与所述身份识别模型进行交叉验证，实现用户的身份识别。

本发明实施例采取的技术方案还包括：所述生物特征信号采集模块包括指纹采集单元和介电谱采集单元，所述指纹采集单元为指纹传感器，用于采集指部的指纹图像；所述介电谱采集单元包括信号发送电极、信号接收电极、信号源、接收器，所述信号发送电极和信号接收电极分别位于指纹传感器的两端；当手指按压到信号发送电极和信号接收电极时，所述信号源产生正弦波，并通过信号发送电极将正弦波耦合到用户的指部，所述信号接收电极接收正弦波经过指部后的信号群延迟曲线，并存储在接收器中。

本发明实施例采取的技术方案还包括信号预处理模块，所述信号预处理模块包括：

指纹预处理单元：用于对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，并采用动态二值化算法对指纹图像进行二值化处理；

群延迟曲线预处理单元：用于将所述群延迟曲线转换为群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理。

本发明实施例采取的技术方案还包括环境参数监测模块，所述环境参数监测模块用于采集用户环境参数信息；所述环境参数监测模块包括湿度传感单元和温度传感单元，所述湿度传感单元包括湿度传感器和油脂传感器，所述湿度传感器和油脂传感器分别用于采集用户手指的水分分布和油腻程度信息；所述温度传感单元为体温传感器，用于采集用户当前的体温信息。

本发明实施例采取的技术方案还包括：所述生物特征提取模块包括：

指纹特征提取单元：用于利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，并根据纹路方向提取指纹的点特征和线特征；

群延迟特征提取单元：用于提取不同频带下的群延迟曲率半径、不同频带下的群延迟平均值，并提取群延迟曲线的频谱特性。

本发明实施例采取的技术方案还包括：所述生物特征识别模块包括训练单元和测试单元；

所述训练单元的训练方式包括：采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线和环境参数信息，将采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，利用卷积神经网络算法对训练样本集进行迭代计算，并输出与所述环境参数信息相关的身份识别模型；将该身份识别模型存储在生物特征数据库中。

所述测试单元的测试方式包括：将所述生物特征提取模块提取的指纹特征值、群延迟特征值以及环境参数监测模块采集的环境参数信息与生物特征数据库中的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，并输出身份识别结果，实现用户的身份识别。

本发明实施例采取的另一技术方案为：一种身份识别方法，包括以下步骤：

步骤a：采集指纹图像以及指部群延迟曲线；

步骤b：根据指纹图像以及指部群延迟曲线分别提取指纹特征值和群延迟特征值；

步骤c：通过训练样本集构建身份识别模型，并利用卷积神经网络算法将所提取的指纹特征值和群延迟特征值与所述身份识别模型进行交叉验证，实现用户的身份识别。

本发明实施例采取的技术方案还包括：所述步骤a还包括：

步骤a1：采集环境参数信息；所述环境参数信息包括水分湿度、油腻程度、体温信息；

步骤a2：对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，采用动态二值化算法对指纹图像进行二值化处理；

步骤a3：将群延迟曲线转换为群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述提取生物特征信息具体包括：利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，根据纹路方向提取指纹的点特征和线特征；提取不同频带下的群延迟曲率半径、群延迟平均值，并提取群延迟曲线的频谱特性。

本发明实施例采取的技术方案还包括：在所述步骤c中，所述的身份识别包括：

步骤c1：采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线和环境参数信息，将采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，利用卷积神经网络算法对训练样本集进行迭代计算，并输出与所述环境参数信息相关的身份识别模型，将该身份识别模型存储在生物特征数据库中；

步骤c2：将提取的指纹特征值、群延迟特征值以及采集的环境参数信息与生物特征数据库中的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，并输出身份识别结果，实现用户的身份识别。

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的身份识别装置及方法通过采集用户的指纹特征和指部介电谱特征信息进行身份识别，同时，为了减小外部环境和内部环境对身份识别的干扰，在采集指纹特征的同时采集用户手指的水分分布、油腻程度及体温等环境参数信息，通过环境参数信息对身份识别进行修正，有效地提高了身份识别的准确性和可靠性。并采用基于卷积神经网络的多模态融合身份识别算法进行身份识别，进一步提高身份识别的准确性和可靠性。

附图说明

图1是本发明实施例的身份识别装置的结构示意图；

图2是本发明实施例的生物特征信号采集模块的结构示意图；

图3是本发明实施例的基于卷积神经网络算法的身份识别示意图；

图4是本发明实施例的生物特征识别模块身份识别过程示意图；

图5是本发明实施例的身份识别方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的身份识别装置的结构示意图。本发明实施例的身份识别装置包括生物特征信号采集模块、环境参数监测模块、信号预处理模块、生物特征提取模块、生物特征识别模块和生物特征数据库；生物特征信号采集模块用于采集指部的指纹图像以及正弦波经过指部后的信号群延迟曲线；环境参数监测模块用于采集用户指部的水分湿度、油腻程度、体温等环境参数信息；信号预处理模块用于对指纹图像和指部群延迟曲线进行预处理，得到二值化指纹图像及指部群延迟图像；生物特征提取模块用于根据二值化指纹图像以及指部群延迟图像分别提取指纹特征值和群延迟特征值；生物特征识别模块用于构建身份识别模型，将身份识别模型存储在生物特征数据库中；并通过卷积神经网络算法将生物特征提取模块提取的指纹特征值、群延迟特征值以及环境参数监测模块采集的环境参数信息进行融合后，与生物特征数据库中存储的身份识别模型进行交叉验证，判断这两种生物特征是否来自于同一个用户，从而实现用户的身份识别。

具体地，请一并参阅图2，是本发明实施例的生物特征信号采集模块的结构示意图；生物特征信号采集模块包括指纹采集单元和介电谱采集单元；

指纹采集单元用于采集指部的指纹图像；其中指纹采集单元F为一个能够连续快速采集的指纹传感器，当用户的手指按压指纹传感器时，指纹传感器则以4帧/秒的速度开始连续采集用户的指纹，当采集到20帧指纹图像后，自动结束指纹图像的采集；可以理解，在本发明其他实施例中，指纹图像的采集速度和数量还可以根据实际应用进行设定。

介电谱采集单元用于采集正弦波经过指部后的信号群延迟曲线；具体地，介电谱采集单元包括信号发送电极A、信号接收电极B、信号源(图未示)、接收器(图未示)，信号发送电极A和信号接收电极B分别位于指纹传感器的两端。当手指按压到信号发送电极A和信号接收电极B时，信号源以1MHz为频率间隔，在5秒内依序产生1MHz-200MHz的正弦波，并通过信号发送电极A将正弦波耦合到用户的指部。由于人体的差异性，每个人的手指的介电常数也不一样，导致正弦波在经过指部时信号的群延迟会发生改变。信号接收电极B通过接收不同频率下的指部信号群延迟，并存储在接收器中，从而采集用户指部的介电谱信息。可以理解，在本发明其他实施例中，介电谱采集单元产生的信号频率还可以根据实际应用进行设定。

通过指纹采集单元采集获得的指纹图像以及通过介电谱采集单元获得的指部群延迟曲线通常都伴有各种各样的噪声。本发明通过信号预处理模块对指纹图像和群延迟曲线进行预处理，使得低质量的指纹图像和群延迟曲线变得更加清晰、饱满，削弱或消除各种噪声干扰因素的影响，以便能提取或识别到精准的特征信息。

具体地，信号预处理模块包括指纹预处理单元和群延迟曲线预处理单元；

指纹预处理单元用于对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，选择出清晰度最高的指纹图像，并采用动态二值化算法对指纹图像进行二值化处理。

其中，指纹预处理单元用于对指纹图像进行傅里叶变换滤波处理的处理方式具体包括：

1.1：利用指纹传感器所采集的20幅指纹图像，建立指纹图像处理数据库：

C＝{c₁,c₂,...,c_n,...,c_N} (1)

在公式(1)中，N＝20，1≤n≤N，c_n表示第n幅指纹图像。

1.2：将指纹图像c₁分成16×16大小的子块，对每一个子块生成矩阵A+Bj，并对矩阵进行傅里叶变换：

$X_{jk}+Y_{jk}j=\underset{p=0}{\overset{15}{\Σ}}\underset{q=0}{\overset{15}{\Σ}}\left\{(A_{pq}+B_{pq}j)\exp \right\{\frac{-2\mathrm{\π}j}{w}(pj+qk)\left\}\right\}---\left(2\right)$

1.3：当X_jk+Y_jkj的频带大于十倍的中心频带时，将其设置为0；同样，当X_jk+Y_jkj的频带小于中心频带的十分之一时，将其设置为0；然后对其进行分线性变换：

C_jk+D_jkj＝(X_jk ²+Y_jk ²)^pow(X_jk+Y_jkj) (3)

1.4：进行逆傅里叶变换，将增强后的频率域信息反转换为空间域信息，实现对指纹图像的傅里叶变换滤波：

$U_{pq}+V_{pq}j=\underset{j=0}{\overset{15}{\Σ}}\underset{k=0}{\overset{15}{\Σ}}\left\{(C_{jk}+D_{jk}j)\exp \right\{\frac{2\mathrm{\π}j}{w}(pj+qk)\left\}\right\}---\left(4\right)$

1.5：对指纹图像处理数据库的其他指纹图像c₂,...,c_n,...,c_N，重复执行上述步骤，对每一幅指纹图像进行傅里叶变换滤波处理。

指纹预处理单元利用梯度算法对指纹图像的清晰度进行分析的分析方式具体包括：

2.1：通过梯度算法采集指纹图像c₁的梯度，指纹图像c₁的梯度可表示为：

$j_{c1}={\[{(\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)})}^2+{(\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)})}^2\]}^{\frac{1}{2}}---\left(5\right)$

在公式(5)中，f(x,y)是位于(x,y)位置处的像素点。

2.2：当指纹图像c₁的大小为M×N时，指纹图像c₁的清晰度可表示为：

$J_{c1}=\underset{1}{\overset{M}{\Σ}}\underset{1}{\overset{N}{\Σ}}{j}_{c1mn}---\left(6\right)$

2.3：对指纹图像处理数据库的其他指纹图像c₂,...,c_n,...,c_N，重复执行上述步骤，对每一幅指纹图像的清晰度进行分析；

2.4：对指纹图像处理数据库中的20幅指纹图像清晰度进行排序，选择出清晰度最高的指纹图像。

指纹预处理单元采用动态二值化算法对指纹图像进行二值化处理的处理方式具体包括：

3.1：确定指纹图像动态二值化的窗口大小，本发明实施例中所采用的窗口大小为8×8；

3.2：确定动态二值化算法的阈值T(x,y)：

$T(x,y)=\left\{\begin{array}{cc}{T}_1(x,y)+\mathrm{\&epsiv;},& T_1(x,y)<T_t\\ T_1(x,y)-\mathrm{\&epsiv;},& T_1(x,y)\&GreaterEqual;T_t\end{array}\right.---\left(7\right)$

在公式(7)中，f(x,y)是位于(x,y)位置处像素点的灰度值，T_t为固定的参考阈值，其大小根据图像的灰度分布图确定，ε为误判修正因子。

3.3：令二值化后的指纹图像为I(x,y)，则I(x,y)可以表示为：

$I(x,y)=\left\{\begin{array}{cc}1,& f(x,y)\&GreaterEqual;T(x,y)\\ 0,& f(x,y)<T(x,y)\end{array}\right.---\left(8\right)$

3.4：根据公式(8)对指纹图像进行二值化运算，采集经过二值化后的指纹图像，并保存。

群延迟曲线预处理单元用于将群延迟曲线转换为相应的群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理；

其中，群延迟曲线预处理单元将群延迟曲线转换为相应的群延迟图像的转换方式具体为：建立一个M×N的空白矩阵；按照线性映射的方法对群延迟曲线从上至下进行扫描，将1MHz-200MHz的群延迟曲线转换为大小为M×N的群延迟图像。

群延迟曲线预处理单元对群延迟图像进行滤波处理的处理方式具体为：

4.1：从群延迟图像中采集N个像素{xⁱ ₀,i＝1,2,...,N}，并令每个样本的初始权值为wⁱ ₀＝1/N,i＝1,2,...,N；

4.2：根据密度函数，更新图像像素{xⁱ _k-1,pⁱ _k-1}的状态，由此得到新的像素集

4.3：计算像素集的均值和方差

4.4：利用上述的均值和方差得到密度函数从中抽样得到新的像素

4.5：根据最新预测所得的结果，计算各个像素的权值并进行归一化：

${{\tilde{w}}^i}_k={{\tilde{w}}^i}_k\frac{p\left(y_k\right|x_k^i)p\left(x_k\right|x_{k-1}^i)}{q\left(x_k^i\right|x_{k-1}^i,y_{1:k})},w_k^i=\frac{{{\tilde{w}}^i}_k}{\underset{i}{\mathrm{\&Sigma;}}{{\tilde{w}}^i}_k}---\left(9\right)$

4.6：通过不断更新像素的位置，每一次迭代结束后重新计算每个像素的权值，直至所有的迭代完成，最终完成信号的滤波处理。

生物特征提取模块用于根据二值化指纹图像和群延迟图像提取用户的指纹特征值以及群延迟特征值；具体地，生物特征提取模块包括指纹特征提取单元和群延迟特征提取单元；

指纹特征提取单元用于利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，并根据纹路方向提取指纹的点特征和线特征；

其中，指纹特征提取单元对指纹图像进行分割的分割方式具体包括：根据指纹的局部方向性、方向图的统计特征等特性，利用log-Gabor滤波器，将指纹图像分割成许多互不重叠的小块；计算每一小块的特征向量，根据特征向量来判断某一小块是否符合特征提取要求，如不合适，则舍弃该一小块。

指纹特征提取单元提取指纹纹路方向特征的提取方式具体为：在某一小块内，以像素(x,y)为中心，计算以W为边长的方形区域的纹路方向O(i,j)，并分别对每一像素的纹路方向进行分析：

$V_x={\mathrm{\&Sigma;}}_w\left(G_x^2\right(x,y)-G_y^2(x,y\left)\right)---\left(10\right)$

V_y＝2G_x(x,y)-G_y(x,y) (11)

$\mathrm{\&theta;}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{V_y}{V_x}\right)---\left(12\right)$

在上述公式中，G_x(x,y)、G_y(x,y)分别为像素(x,y)处的梯度。

指纹特征提取单元根据纹路方向提取指纹的点特征和线特征的提取方式具体为：通过对纹路方向的跟踪获得指纹的点特征和线特征，包括起点和终点的坐标、方向、类型，长度、最大曲率、起点与终点顺序等信息；通过跟踪指纹节点建立纹线之间的相邻拓扑关系，通过纹线的拓扑关系建立节点之间的关联排序关系。

群延迟特征提取单元用于提取不同频带下的群延迟曲率半径以及不同频带下的群延迟平均值等群延迟特征值，并提取群延迟曲线的频谱特性。

其中，群延迟特征提取单元采集群延迟曲率半径的采集方式为：

5.1：根据群延迟曲线变化规律，将群延迟曲线划分为多段曲线G＝{g₁,g₂,...,g_n,...,g_N}，其中g_n表示为第n段曲线；

5.2：采用多项式y＝f(x)＝Ax²+Bx+C对G＝{g₁,g₂,...,g_n,...,g_N}中每一段曲线进行多项式拟合，确定参数A，B，C的大小；

5.3：根据曲率计算公式计算G＝{g₁,g₂,...,g_n,...,g_N}中每一段曲线的曲率半径大小，并将曲线的曲率半径大小作为群延迟的特征值之一，其中为x关于y的一阶偏导，为x关于y的二阶偏导。

群延迟特征提取单元采集群延迟平均值的采集方式包括：

6.1：将1MHz-200MHz的群延迟曲线按照频率的大小，以5MHz为间隔，将群延迟曲线均匀划分为40段，T＝{t₁,t₂,...,t_n,...,t₄₀}，即其中t₁表示1MHz-5MHz的群延迟，t₂表示6MHz-10MHz的群延迟，依此类推；

6.2：计算T＝{t₁,t₂,...,t_n,...,t₄₀}每一段t_n群延迟的平均值，计算方式为

6.3：计算t_n段群延迟平均值在群延迟曲线中的权重并将该权重作为群延迟的特征值之一。

群延迟特征提取单元提取群延迟曲线的频谱特性的采集方式为：根据傅里叶变换原理，对群延迟曲线进行傅里叶变换，获得群延迟曲线在频域的分布情况，采集公式为：

$F(p,q)=\underset{p=0}{\overset{M}{\&Sigma;}}\underset{q=0}{\overset{N}{\&Sigma;}}\left\{(A_{pq}+B_{pq}j)\exp \right\{\frac{-2\mathrm{\&pi;}j}{w}(pj+qk)\left\}\right\}---\left(13\right)$

并计算每一个频带的权重将该权重作为群延迟的特征值之一。

环境参数监测模块用于采集用户手指的水分湿度、油腻程度、用户体温等环境参数信息，所采集的环境参数信息用于对生物特征识别模块进行修正，提高身份识别的可靠性。研究表明，当用户的手指沾水或者有油腻分布时，基于指纹的身份识别效果大幅降低。此外，由于用户体温的变化，可能会引起用户指部介电常数改变，从而导致指部的介电谱也发生改变，造成指部的群延迟特性发生变化，影响身份识别。为了减小外部因素对身份识别的干扰，本发明实施例通过引入环境参数监测模块，可有效提高身份识别的准确性。

具体地，环境参数监测模块包括湿度传感单元和温度传感单元，湿度传感单元包括一个湿度传感器和油脂传感器，分别用于采集用户手指的水分分布和油腻程度等信息。温度传感单元为一个体温传感器，用于采集用户当前的体温信息，该体温传感器的检测范围为34℃-39℃。

生物特征识别模块用于利用卷积神经网络算法对训练样本集(包括多幅指纹图像和指部群延迟曲线以及环境参数信息)进行迭代计算，得到身份识别模型，并将提取的生物特征信息与以及环境参数信息与身份识别模型进行交叉验证，判断所提取的生物特征信息与身份识别模型中的指纹图像、指部群延迟曲线的相关程度，判断这两种生物特征信息是否来自于同一个用户，从而实现用户的身份识别。

请参阅图3，是本发明实施例的基于卷积神经网络算法的身份识别示意图。卷积神经网络算法结构包括输入层，卷积层，子采样层，全连接层和输出层。各层设置如下：

1、输入层设置：

在基于卷积神经网络的多模态融合身份识别算法中，输入层节点数设置为16×16，共256个节点数：

$\left\{\begin{array}{ccccc}{a}_{0101}& a_{0102}& a_{0103}& ...& a_{01\mathrm{16}}\\ a_{0201}& a_{0202}& a_{0203}& ...& a_{0\mathrm{216}}\\ ...& ...& ...& ...& ...\\ a_{1501}& a_{\mathrm{1502}}& a_{1503}& ...& a_{1516}\\ a_{1601}& a_{\mathrm{16}02}& a_{1603}& ...& a_{1\mathrm{616}}\end{array}\right\}---\left(14\right)$

在公式(14)中，a_01n代表纹路方向，a_02n代表纹路长度，a_03n代表纹路中的点特征，a_04n代表纹路中的线特征，a_05n代表纹路节点之间的关联度，a_06n代表纹线之间的相邻拓扑关系，a_07n代表群延迟曲率半径大小，a_08n代表群延迟曲率变化方向，a_09n代表群延迟的平均值，a_10n代表不同频率的群延迟在时域内的权重，a_11n代表群延迟的频谱特征，a_12n代表不同频率的群延迟在频域内的权重，a_13n代表外部环境的湿度，a_14n代表用户手指表面的水分含量，a_15n代表用户手指表面的油腻程度，a_16n代表人体体温大小。此外，{a_01n,a_02n,a_03n,...,a_12n}的值均来自于生物特征提取模块的计算结果，{a_13n,a_14n,a_15n,a_16n}的值则来自于环境参数监测模块的监测结果。

2、输出层设置

输出层的节点数设置为2，分别代表两种识别结果：(1)生物特征匹配，用户为合法用户；(2)生物特征不匹配，用户为非法用户。

3、卷积层设置

在卷积层，该层中的每个单元接收前一层中的一个小邻域内的一组单元作为输入，乘以一个可训练的卷积核，然后加一个偏置，

之后通过激活函数输出。该卷积层按如下方式计算：

$y_{mn}=f(\underset{j=0}{\overset{J-1}{\&Sigma;}}\underset{i=0}{\overset{I-1}{\&Sigma;}}{a}_{m+i,n+j}{w}_{ij}+b)---\left(15\right)$

在公式(15)中，w为尺寸J×I的卷积核，函数f为激活函数，b为偏置量。在本次设置中，卷积核的大小为5×5，激活函数一律采用tanh函数，偏置量则根据经验值确定。

4、子采样层设置

子采样层的目的是对上一层得到的每一个特征图进行采样操作，使得特征图的尺寸减小，并且可以使得网络对物体平移、缩放有一定的不变性，使得网络更加鲁棒。在子采样层中，按如下方式进行采样：

$y_{mn}=\frac{1}{S_1{S}_2}\underset{j=0}{\overset{S_2-1}{\&Sigma;}}\underset{i=0}{\overset{S_1-1}{\&Sigma;}}{x}_{m\&times;S_1+i,{\mathrm{nS}}_2+j}---\left(16\right)$

在公式(16)中，x为二维输入量，y为采样后得到的输出，S₁×S₂为采样模板的尺寸大小，在此算法中，该采样模板的大小设置为2×2。

请参阅图4，是本发明实施例的生物特征识别模块身份识别过程示意图。本发明实施例的生物特征识别模块包括训练单元和测试单元。

训练单元的训练过程具体包括：首先采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线(本发明实施例包括200幅指纹图像、200幅指部群延迟曲线，具体采集数量并不仅限于此)。同时，利用湿度传感器、油脂传感器和体温传感器分别采集志愿者的手指表面水分、油腻程度和体温数据等环境参数信息(本发明实施例分别采集200次志愿者的手指表面水分、油腻程度和体温数据，具体采集次数并不仅限于此)。将所采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，通过对训练样本集进行预处理，将训练样本集划分为指纹、群延迟、水分湿度、油腻程度、体温五个小样本集，并对样本集进行畸变处理。畸变处理完成后，利用卷积神经网络算法对训练样本集进行多次迭代计算，当迭代次数到达一定次数(本发明实施例仅以迭代100次为例)后，停止迭代运算，并输出一个与环境参数信息(即用户手指表面水分湿度、油腻程度、用户体温)相关的身份识别模型，将该身份识别模型存储在生物特征数据库中，完成身份识别的训练过程。

测试单元的测试过程具体包括：将生物特征提取模块提取的指纹特征值、群延迟特征值以及环境参数监测模块采集的环境参数信息与身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与生物特征数据库中存储的身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，判断这两种生物特征是否来自于同一个用户，从而实现用户的身份识别。

请参阅图5，是本发明实施例的身份识别方法的流程图。本发明实施例的身份识别方法包括以下步骤：

步骤100：采集指部的指纹图像以及正弦波经过指部后的信号群延迟曲线；

在步骤100中，本发明实施例通过指纹传感器采集指部的指纹图像；当用户的手指按压指纹传感器时，指纹传感器则以4帧/秒的速度开始连续采集用户的指纹，当采集到20帧指纹图像后，自动结束指纹图像的采集。并通过介电谱采集单元采集正弦波经过指部后的信号群延迟曲线；介电谱采集单元包括信号发送电极A、信号接收电极B、信号源、接收器，信号发送电极A和信号接收电极B分别位于指纹传感器的两端，当手指按压到信号发送电极A和信号接收电极B时，信号源以1MHz为频率间隔，在5秒内依序产生1MHz-200MHz的正弦波，并通过信号发送电极A将正弦波耦合到用户的指部。由于人体的差异性，每个人的手指的介电常数也不一样，导致正弦波在经过指部时信号的群延迟会发生改变。信号接收电极B通过接收不同频率下的指部信号群延迟，并存储在接收器中，从而采集用户指部的介电谱信息。

步骤200：采集用户指部的水分湿度、油腻程度、体温等环境参数信息；

在步骤200中，当用户的手指沾水或者有油腻分布时，基于指纹的身份识别效果大幅降低。此外，由于用户体温的变化，可能会引起用户指部介电常数改变，从而导致指部的介电谱也发生改变，造成指部的群延迟特性发生变化，影响身份识别。为了减小外部因素对身份识别的干扰，本发明实施例通过引入环境参数监测模块，环境参数监测模块包括湿度传感单元和温度传感单元，湿度传感单元包括一个湿度传感器和油脂传感器，分别用于采集用户手指的水分分布和油腻程度等信息。温度传感单元为一个体温传感器，用于采集用户当前的体温信息，该体温传感器的检测范围为34℃-39℃。

步骤300：对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，选择出清晰度最高的指纹图像，并采用动态二值化算法对指纹图像进行二值化处理；

在步骤300中，对指纹图像进行傅里叶变换滤波处理的处理方式具体包括：

步骤310：利用指纹传感器所采集的20幅指纹图像，建立指纹图像处理数据库：

C＝{c₁,c₂,...,c_n,...,c_N} (1)

在公式(1)中，N＝20，1≤n≤N，c_n表示第n幅指纹图像。

步骤311：将指纹图像c₁分成16×16大小的子块，对每一个子块生成矩阵A+Bj，并对矩阵进行傅里叶变换：

$X_{jk}+Y_{jk}j=\underset{p=0}{\overset{15}{\&Sigma;}}\underset{q=0}{\overset{15}{\&Sigma;}}\left\{(A_{pq}+B_{pq}j)\exp \right\{\frac{-2\mathrm{\&pi;}j}{w}(pj+qk)\left\}\right\}---\left(2\right)$

步骤312：当X_jk+Y_jkj的频带大于十倍的中心频带时，将其设置为0；同样，当X_jk+Y_jkj的频带小于中心频带的十分之一时，将其设置为0；然后对其进行分线性变换：

C_jk+D_jkj＝(X_jk ²+Y_jk ²)^pow(X_jk+Y_jkj) (3)

步骤313：进行逆傅里叶变换，将增强后的频率域信息反转换为空间域信息，实现对指纹图像的傅里叶变换滤波：

$U_{pq}+V_{pq}j=\underset{j=0}{\overset{15}{\&Sigma;}}\underset{k=0}{\overset{15}{\&Sigma;}}\left\{(C_{jk}+D_{jk}j)\exp \right\{\frac{2\mathrm{\&pi;}j}{w}(pj+qk)\left\}\right\}---\left(4\right)$

步骤314：对指纹图像处理数据库的其他指纹图像c₂,...,c_n,...,c_N，重复执行上述步骤，对每一幅指纹图像进行傅里叶变换滤波处理。

对指纹图像的清晰度进行分析的分析方式具体包括：

步骤320：通过梯度算法采集指纹图像c¹的梯度，指纹图像c¹的梯度可表示为：

$j_{c1}={\&lsqb;{(\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)})}^2+{(\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)})}^2\&rsqb;}^{\frac{1}{2}}---\left(5\right)$

在公式(5)中，f(x,y)是位于(x,y)位置处的像素点。

步骤321：当指纹图像c₁的大小为M×N时，指纹图像c₁的清晰度可表示为：

$J_{c1}=\underset{1}{\overset{M}{\&Sigma;}}\underset{1}{\overset{N}{\&Sigma;}}{j}_{c1mn}---\left(6\right)$

步骤322：对指纹图像处理数据库的其他指纹图像c₂,...,c_n,...,c_N，重复执行上述步骤，对每一幅指纹图像的清晰度进行分析；

步骤323：对指纹图像处理数据库中的20幅指纹图像清晰度进行排序，选择出清晰度最高的指纹图像。

对指纹图像进行二值化处理的处理方式具体包括：

步骤330：确定指纹图像动态二值化的窗口大小，本发明实施例中所采用的窗口大小为8×8；

步骤331：确定动态二值化算法的阈值T(x,y)：

$T(x,y)=\left\{\begin{array}{cc}{T}_1(x,y)+\mathrm{\&epsiv;},& T_1(x,y)<T_t\\ T_1(x,y)-\mathrm{\&epsiv;},& T_1(x,y)\&GreaterEqual;T_t\end{array}\right.---\left(7\right)$

在公式(7)中，f(x,y)是位于(x,y)位置处像素点的灰度值，T_t为固定的参考阈值，其大小根据图像的灰度分布图确定，ε为误判修正因子。

步骤332：令二值化后的指纹图像为I(x,y)，则I(x,y)可以表示为：

$I(x,y)=\left\{\begin{array}{cc}1,& f(x,y)\&GreaterEqual;T(x,y)\\ 0,& f(x,y)<T(x,y)\end{array}\right.---\left(8\right)$

步骤333：根据公式(8)对指纹图像进行二值化运算，采集经过二值化后的指纹图像，并保存。

步骤400：将群延迟曲线转换为相应的群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理；

在步骤400中，将群延迟曲线转换为相应的群延迟图像的转换方式具体为：建立一个M×N的空白矩阵；按照线性映射的方法对群延迟曲线从上至下进行扫描，将1MHz-200MHz的群延迟曲线转换为大小为M×N的群延迟图像。

上述中，对群延迟图像进行滤波处理的处理方式具体包括：

步骤410：从群延迟图像中采集N个像素{xⁱ ₀,i＝1,2,...,N}，并令每个样本的初始权值为wⁱ ₀＝1/N,i＝1,2,...,N；

步骤411：根据密度函数，更新图像像素{xⁱ _k-1,pⁱ _k-1}的状态，由此得到新的像素集

步骤412：计算像素集的均值和方差

步骤413：利用上述的均值和方差得到密度函数从中抽样得到新的像素

步骤414：根据最新预测所得的结果，计算各个像素的权值并进行归一化：

${{\tilde{w}}^i}_k={{\tilde{w}}^i}_k\frac{p\left(y_k\right|x_k^i)p\left(x_k\right|x_{k-1}^i)}{q\left(x_k^i\right|x_{k-1}^i,y_{1:k})},w_k^i=\frac{{{\tilde{w}}^i}_k}{\underset{i}{\mathrm{\&Sigma;}}{{\tilde{w}}^i}_k}---\left(9\right)$

步骤415：通过不断更新像素的位置，每一次迭代结束后重新计算每个像素的权值，直至所有的迭代完成，最终完成信号的滤波处理。

步骤500：利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，并根据纹路方向提取指纹的点特征和线特征；

在步骤500中，对指纹图像进行分割的分割方式具体包括：根据指纹的局部方向性、方向图的统计特征等特性，利用log-Gabor滤波器，将指纹图像分割成许多互不重叠的小块；计算每一小块的特征向量，根据特征向量来判断某一小块是否符合特征提取要求，如不合适，则舍弃该一小块。

提取指纹纹路方向特征的提取方式具体为：在某一小块内，以像素(x,y)为中心，计算以W为边长的方形区域的纹路方向O(i,j)，并分别对每一像素的纹路方向进行分析：

$V_x={\mathrm{\&Sigma;}}_w\left(G_x^2\right(x,y)-G_y^2(x,y\left)\right)---\left(10\right)$

V_y＝2G_x(x,y)-G_y(x,y) (11)

$\mathrm{\&theta;}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{V_y}{V_x}\right)---\left(12\right)$

在上述公式中，G_x(x,y)、G_y(x,y)分别为像素(x,y)处的梯度。

根据纹路方向提取指纹的点特征和线特征的提取方式具体为：通过对纹路方向的跟踪获得指纹的点特征和线特征，包括起点和终点的坐标、方向、类型，长度、最大曲率、起点与终点顺序等信息；通过跟踪指纹节点建立纹线之间的相邻拓扑关系，通过纹线的拓扑关系建立节点之间的关联排序关系。

步骤600：提取不同频带下的群延迟曲率半径以及不同频带下的群延迟平均值等群延迟特征值，并提取群延迟曲线的频谱特性；

在步骤600中，采集群延迟曲率半径的采集方式为：

步骤610：根据群延迟曲线变化规律，将群延迟曲线划分为多段曲线G＝{g₁,g₂,...,g_n,...,g_N}，其中g_n表示为第n段曲线；

步骤611：采用多项式y＝f(x)＝Ax²+Bx+C对G＝{g₁,g₂,...,g_n,...,g_N}中每一段曲线进行多项式拟合，确定参数A，B，C的大小；

步骤612：根据曲率计算公式计算G＝{g₁,g₂,...,g_n,...,g_N}中每一段曲线的曲率半径大小，并将曲线的曲率半径大小作为群延迟的特征值之一，其中为x关于y的一阶偏导，为x关于y的二阶偏导。

上述中，采集群延迟平均值的采集方式包括：

步骤620：将1MHz-200MHz的群延迟曲线按照频率的大小，以5MHz为间隔，将群延迟曲线均匀划分为40段，T＝{t₁,t₂,...,t_n,...,t₄₀}，即其中t₁表示1MHz-5MHz的群延迟，t₂表示6MHz-10MHz的群延迟，依此类推；

步骤621：计算T＝{t₁,t₂,...,t_n,...,t₄₀}每一段t_n群延迟的平均值，计算方式为

步骤622：计算t_n段群延迟平均值在群延迟曲线中的权重并将该权重作为群延迟的特征值之一。

上述中，提取群延迟曲线的频谱特性的采集方式为：根据傅里叶变换原理，对群延迟曲线进行傅里叶变换，获得群延迟曲线在频域的分布情况，采集公式为：

$F(p,q)=\underset{p=0}{\overset{M}{\&Sigma;}}\underset{q=0}{\overset{N}{\&Sigma;}}\left\{(A_{pq}+B_{pq}j)\exp \right\{\frac{-2\mathrm{\&pi;}j}{w}(pj+qk)\left\}\right\}---\left(13\right)$

并计算每一个频带的权重将该权重作为群延迟的特征值之一。

步骤700：采集多幅指纹图像、指部群延迟曲线以及环境参数信息作为训练样本集，利用卷积神经网络算法对训练样本集进行迭代计算，得到身份识别模型，并将身份识别模型存储在生物特征数据库中；

在步骤700中，卷积神经网络算法结构包括输入层，卷积层，子采样层，全连接层和输出层。各层设置如下：

1、输入层设置：

在基于卷积神经网络的多模态融合身份识别算法中，输入层节点数设置为16×16，共256个节点数：

$\left\{\begin{array}{ccccc}{a}_{0101}& a_{0102}& a_{0103}& ...& a_{01\mathrm{16}}\\ a_{0201}& a_{0202}& a_{0203}& ...& a_{0\mathrm{216}}\\ ...& ...& ...& ...& ...\\ a_{1501}& a_{\mathrm{1502}}& a_{1503}& ...& a_{1516}\\ a_{1601}& a_{\mathrm{16}02}& a_{1603}& ...& a_{1\mathrm{616}}\end{array}\right\}---\left(14\right)$

在公式(14)中，a_01n代表纹路方向，a_02n代表纹路长度，a_03n代表纹路中的点特征，a_04n代表纹路中的线特征，a_05n代表纹路节点之间的关联度，a_06n代表纹线之间的相邻拓扑关系，a_07n代表群延迟曲率半径大小，a_08n代表群延迟曲率变化方向，a_09n代表群延迟的平均值，a_10n代表不同频率的群延迟在时域内的权重，a_11n代表群延迟的频谱特征，a_12n代表不同频率的群延迟在频域内的权重，a_13n代表外部环境的湿度，a_14n代表用户手指表面的水分含量，a_15n代表用户手指表面的油腻程度，a_16n代表人体体温大小。此外，{a_01n,a_02n,a_03n,...,a_12n}的值均来自于生物特征提取模块的计算结果，{a_13n,a_14n,a_15n,a_16n}的值则来自于环境参数监测模块的监测结果。

2、输出层设置

输出层的节点数设置为2，分别代表两种识别结果：(1)生物特征匹配，用户为合法用户；(2)生物特征不匹配，用户为非法用户。

3、卷积层设置

在卷积层，该层中的每个单元接收前一层中的一个小邻域内的一组单元作为输入，乘以一个可训练的卷积核，然后加一个偏置，之后通过激活函数输出。该卷积层按如下方式计算：

$y_{mn}=f(\underset{j=0}{\overset{J-1}{\&Sigma;}}\underset{i=0}{\overset{I-1}{\&Sigma;}}{a}_{m+i,n+j}{w}_{ij}+b)---\left(15\right)$

在公式(15)中，w为尺寸J×I的卷积核，函数f为激活函数，b为偏置量。在本次设置中，卷积核的大小为5×5，激活函数一律采用tanh函数，偏置量则根据经验值确定。

4、子采样层设置

子采样层的目的是对上一层得到的每一个特征图进行采样操作，使得特征图的尺寸减小，并且可以使得网络对物体平移、缩放有一定的不变性，使得网络更加鲁棒。在子采样层中，按如下方式进行采样：

$y_{mn}=\frac{1}{S_1{S}_2}\underset{j=0}{\overset{S_2-1}{\&Sigma;}}\underset{i=0}{\overset{S_1-1}{\&Sigma;}}{x}_{m\&times;S_1+i,{\mathrm{nS}}_2+j}---\left(16\right)$

在公式(16)中，x为二维输入量，y为采样后得到的输出，S₁×S₂为采样模板的尺寸大小，在此算法中，该采样模板的大小设置为2×2。

步骤800：将提取的指纹特征值、群延迟特征值以及环境参数信息与生物特征数据库中存储的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线的相关程度，判断这两种生物特征信息是否来自于同一个用户，从而实现用户的身份识别。

在步骤800中，本发明实施例的身份识别方式包括身份识别的训练过程和身份识别的测试过程；身份识别的训练过程具体包括：首先采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线。同时，利用湿度传感器、油脂传感器和体温传感器分别采集志愿者的手指表面水分、油腻程度和体温数据等环境参数信息，将所采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，通过对训练样本集进行预处理，将训练样本集划分为指纹、群延迟、水分湿度、油腻程度、体温五个小样本集，并对样本集进行畸变处理。畸变处理完成后，利用卷积神经网络算法对训练样本集进行多次迭代计算，当迭代次数到达一定次数后，停止迭代运算，并输出一个与环境参数信息相关的身份识别模型，将该身份识别模型存储在生物特征数据库中，完成身份识别的训练过程。

身份识别的测试过程具体包括：将提取的指纹特征值、群延迟特征值以及采集的环境参数信息与生物特征数据库中的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，从而实现用户的身份识别。

本发明实施例的身份识别装置及方法通过采集用户的指纹特征和指部介电谱特征信息进行身份识别，同时，为了减小外部环境和内部环境对身份识别的干扰，在采集指纹特征的同时采集用户手指的水分分布、油腻程度及体温等环境参数信息，通过环境参数信息对身份识别进行修正，有效地提高了身份识别的准确性和可靠性。并采用基于卷积神经网络的多模态融合身份识别算法进行身份识别，进一步提高身份识别的准确性和可靠性。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种身份识别装置，其特征在于，包括生物特征信号采集模块、生物特征提取模块和生物特征识别模块；所述生物特征信号采集模块用于采集指纹图像以及指部群延迟曲线；所述生物特征提取模块用于根据所述指纹图像以及指部群延迟曲线分别提取指纹特征值和群延迟特征值；所述生物特征识别模块用于通过训练样本集构建身份识别模型，并利用卷积神经网络算法将所提取的指纹特征值和群延迟特征值与所述身份识别模型进行交叉验证，实现用户的身份识别。

2.根据权利要求1所述的身份识别装置，其特征在于，所述生物特征信号采集模块包括指纹采集单元和介电谱采集单元，所述指纹采集单元为指纹传感器，用于采集指部的指纹图像；所述介电谱采集单元包括信号发送电极、信号接收电极、信号源、接收器，所述信号发送电极和信号接收电极分别位于指纹传感器的两端；当手指按压到信号发送电极和信号接收电极时，所述信号源产生正弦波，并通过信号发送电极将正弦波耦合到用户的指部，所述信号接收电极接收正弦波经过指部后的信号群延迟曲线，并存储在接收器中。

3.根据权利要求1所述的身份识别装置，其特征在于，还包括信号预处理模块，所述信号预处理模块包括：

指纹预处理单元：用于对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，并采用动态二值化算法对指纹图像进行二值化处理；

群延迟曲线预处理单元：用于将所述群延迟曲线转换为群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理。

4.根据权利要求1所述的身份识别装置，其特征在于，还包括环境参数监测模块，所述环境参数监测模块用于采集用户环境参数信息；所述环境参数监测模块包括湿度传感单元和温度传感单元，所述湿度传感单元包括湿度传感器和油脂传感器，所述湿度传感器和油脂传感器分别用于采集用户手指的水分分布和油腻程度信息；所述温度传感单元为体温传感器，用于采集用户当前的体温信息。

5.根据权利要求1所述的身份识别装置，其特征在于，所述生物特征提取模块包括：

指纹特征提取单元：用于利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，并根据纹路方向提取指纹的点特征和线特征；

群延迟特征提取单元：用于提取不同频带下的群延迟曲率半径、不同频带下的群延迟平均值，并提取群延迟曲线的频谱特性。

6.根据权利要求1或4所述的身份识别装置，其特征在于，所述生物特征识别模块包括训练单元和测试单元；

所述训练单元的训练方式包括：采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线和环境参数信息，将采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，利用卷积神经网络算法对训练样本集进行迭代计算，并输出与所述环境参数信息相关的身份识别模型；将该身份识别模型存储在生物特征数据库中；

所述测试单元的测试方式包括：将所述生物特征提取模块提取的指纹特征值、群延迟特征值以及环境参数监测模块采集的环境参数信息与生物特征数据库中的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，并输出身份识别结果，实现用户的身份识别。

7.一种身份识别方法，其特征在于，包括以下步骤：

步骤a：采集指纹图像以及指部群延迟曲线；

步骤b：根据指纹图像以及指部群延迟曲线分别提取指纹特征值和群延迟特征值；

步骤c：通过训练样本集构建身份识别模型，并利用卷积神经网络算法将所提取的指纹特征值和群延迟特征值与所述身份识别模型进行交叉验证，实现用户的身份识别。

8.根据权利要求7所述的身份识别方法，其特征在于，所述步骤a还包括：

步骤a1：采集环境参数信息；所述环境参数信息包括水分湿度、油腻程度、体温信息；

步骤a2：对指纹图像进行傅里叶变换滤波处理后，利用梯度算法对指纹图像的清晰度进行分析，采用动态二值化算法对指纹图像进行二值化处理；

步骤a3：将群延迟曲线转换为群延迟图像，并采用无迹粒子滤波算法对群延迟图像进行滤波处理。

9.根据权利要求8所述的身份识别方法，其特征在于，在所述步骤b中，所述提取生物特征信息具体包括：利用log-Gabor滤波器对指纹图像进行分割后，提取指纹纹路方向特征，根据纹路方向提取指纹的点特征和线特征；提取不同频带下的群延迟曲率半径、群延迟平均值，并提取群延迟曲线的频谱特性。

10.根据权利要求9所述的身份识别方法，其特征在于，在所述步骤c中，所述的身份识别包括：

步骤c1：采集多个志愿者在不同时间段的指纹图像、指部群延迟曲线和环境参数信息，将采集的指纹图像、指部群延迟曲线和环境参数信息作为训练样本集，利用卷积神经网络算法对训练样本集进行迭代计算，并输出与所述环境参数信息相关的身份识别模型，将该身份识别模型存储在生物特征数据库中；

步骤c2：将提取的指纹特征值、群延迟特征值以及采集的环境参数信息与生物特征数据库中的身份识别模型进行交叉验证，判断所提取的指纹特征值、群延迟特征值以及环境参数信息与身份识别模型中的指纹图像、指部群延迟曲线以及环境参数信息的相关程度，并输出身份识别结果，实现用户的身份识别。