CN106663203B - 活体指纹识别方法及装置 - Google Patents
活体指纹识别方法及装置 Download PDFInfo
- Publication number
- CN106663203B CN106663203B CN201680001298.5A CN201680001298A CN106663203B CN 106663203 B CN106663203 B CN 106663203B CN 201680001298 A CN201680001298 A CN 201680001298A CN 106663203 B CN106663203 B CN 106663203B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- real time
- living body
- image
- time fingerprint
- 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
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
- 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
- G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
- G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
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)
Abstract
本申请提供一种活体指纹识别方法及装置,活体指纹识别方法包括:从采集的实时指纹图像中提取实时指纹的图像特征;将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度;根据实时指纹的可信度的大小判断实时指纹是否采集自活体。本实施例提供的活体指纹识别方法,通过比对实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成可信度来认证采集到的实时指纹是来自于活体还是非活体,有效地过滤掉了采集自非活体的实时指纹数据,并将其用用到了指纹模板更新、指纹合法性认证中,提高了指纹识别的安全性,且实现此方法不需要增加任何硬件设备,降低了成本。
Description
技术领域
本申请实施例涉及指纹识别技术领域,尤其涉及一种活体指纹识别方法及装置。
背景技术
移动终端使用密码,安全但不方便;移动终端不使用密码,方便但安全性降低。但是,随着移动终端引入指纹识别技术,指纹解锁代替了密码解锁、滑动解锁等,使得解锁不再需要其他操作,只需要手指与传感器接触即可,在保证移动终端安全的同时,极大的增加了移动终端使用的便利性。随着移动终端指纹识别的应用,相应的指纹识别技术也在不断增加,如指纹识别付款等。
但是,由于移动终端中往往存在了大量的个人信息,涉及到了用户的财产和隐私的安全。在移动终端应用指纹识别后,不法分子通过窃取用户指纹制作出假指纹,来破解用户的安全系统,从而得到移动终端中用户的信息,反而增加了移动终端指纹密码被识破的概率,对移动终端的信息安全造成了较大的威胁。
因此,提供一种可以识别并过滤假指纹图样的指纹识别技术,成为现有技术中亟需解决的技术问题。
发明内容
本申请实施例的目的在于提供一种活体指纹识别方法及装置,在现有的指纹识别技术上增加活体指纹识别步骤,增加了移动终端指纹识别的准确率。
本申请实施例采用的技术方案如下:
本申请实施例提供一种活体指纹识别方法,应用于移动终端,包括:
从采集的实时指纹图像中提取实时指纹的图像特征;
将所述实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度;
根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
可选地,在本申请实施例中,所述将所述实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度包括:
通过分类器比对所述实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成所述实时指纹的可信度。
可选地,在本申请实施例中,还包括:根据所述活体和非活体指纹图像的图像质量,对预存的活体和非活体指纹图像进行分级得到活体和非活体指纹图像的等级,提取每一级活体和非活体指纹图像的图像特征向量以建立所述分类器。
可选地,在本申请实施例中,所述分类器包括若干个子分类器,所述每一级活体和非活体指纹图像的图像质量均存在对应所述子分类器。
可选地,在本申请实施例中,所述活体和非活体指纹图像的不同图像特征向量均存在对应的子分类器,所述子分类器根据不同的所述图像特征向量建立。
可选地,在本申请实施例中,所述通过分类器比对所述实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成所述实时指纹的可信度还包括:
根据每一级活体和非活体指纹图像的图像特征向量以及所述分类器的类型,训练出每一级活体和非活体指纹图像的分类器参数,以建立所述分类器;
将所述实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成所述实时指纹的可信度包括:
根据所述实时指纹图像的图像质量,确定实时指纹图像的等级;
根据与实时指纹图像等级相同的活体和非活体指纹图像的所述分类器参数以及所述实时指纹图像的特征向量,生成所述实时指纹的所述可信度。
可选地,在本申请实施例中,通过支持向量机训练出每一级活体和非活体指纹图像的所述分类器参数,以建立所述分类器。
可选地,在本申请实施例中,所述分类器为超平面分类器,所述分类器参数为超平面分类器参数。
可选地,在本申请实施例中,根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体包括:
根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
可选地,在本申请实施例中,所述根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体之后,还包括:
若所述实时指纹采集自活体且与预设的指纹模板匹配,则将所述实时指纹更新至所述预设的指纹模板,否则不更新。
可选地,在本申请实施例中,所述若所述实时指纹采集自活体且与预设的指纹模板匹配,则将所述实时指纹更新至所述预设的指纹模板,否则不更新包括:
判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第一阈值,则将所述实时指纹更新至所述预设的模板,否则不更新。
可选地,在本申请实施例中,所述根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体之后,还包括:
若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
可选地,在本申请实施例中,所述若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹包括:
判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第二阈值,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
可选地,在本申请实施例中,还设定大于所述第二阈值的第三阈值,
若所述可信度大于所述第二阈值、小于所述第三阈值且所述实时指纹与所述预设的指纹模板匹配,则根`据所述移动终端的安全等级判断所述实时指纹是否为合法指纹。
可选地,在本申请实施例中,所述根据所述移动终端的安全等级判断所述实时指纹是否为合法指纹包括:
若所述移动终端的安全等级为高,则判定所述实时指纹为非法指纹,若所述移动终端的安全等级为低,则判定所述实时指纹为合法指纹。
本申请实施例提供一种活体指纹识别装置,包括:
提取模块,设置为从采集的实时指纹图像中提取实时指纹的图像特征;
比对模块,设置为实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度;
判断模块,设置为根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
可选地,在本申请实施例中,还包括:更新模块,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则所述实时指纹更新至所述指纹模板,否则不更新。
可选地,在本申请实施例中,还包括:合法性认证模块,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
本申请实施例的技术方案具有以下优点:
1)通过比对实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成可信度来认证采集到的实时指纹是来自于活体还是非活体,有效地过滤掉了采集自非活体的实时指纹数据,提高了指纹识别的安全性。
2)实现本申请提供的方法及装置不需要增加任何硬件设备,降低了成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一种活体指纹识别方法流程示意图;
图2为图1中步骤S12的具体方法流程示意图;
图3为本申请实施例一种活体指纹识别装置结构示意图;
图4为本申请实施例一种活体指纹识别方法流程示意图;
图5为本申请实施例一种活体指纹识别装置结构示意图;
图6为本申请实施例一种活体指纹识别方法流程示意图;
图7为本申请实施例一种活体指纹识别装置结构示意图;
图8为本申请实施例一种活体指纹识别应用场景示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面通过具体实施方式对本申请的技术方案做进一步的说明。
图1为本申请实施例一种活体指纹识别方法流程示意图,如图1所示,应用于移动终端比如智能手机、平板电脑、笔记本电脑等,其具体包括:
S11、从采集的实时指纹图像中提取实时指纹的图像特征。
采集的实时指纹图像包括在用户使用指纹识别时,通过设置在移动终端的指纹传感器获取的用户的实时指纹图像。实时指纹图像被采集后通过移动终端的处理器进行处理,指纹图像处理可以包括指纹图像增强处理、去噪处理、二值化处理、细化处理、曲波变换等,通过这一系列的处理方式可以得到实时指纹的图像特征,比如指纹的纹理分部、指纹的节点位置、指纹脊线变化趋势等。
S12、将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
具体的,在本实施例中,预存的非活体指纹图像可以包括从网络上获取的具有非活体指纹明显特征的离线指纹图片,从这些离线指纹图片上提取非活体指纹图像的图像特征,处理器以大量的相同工艺的非活体指纹的图像特征为样本,可以得到每种工艺的假指纹的特点,预存的非活体指纹图像越多,样本容量也就越大,得到的非活体指纹图像特征越准确,使得步骤S12中的比对结果越准确,得到的可信度准确率越高。
本实施例中,无论哪种工艺制造出来的非活体指纹,均与在线采集的活体指纹相比具有明显区别,如通过硅胶制作的假指纹脊线灰度变化较为均匀、脊线宽度变化规律;通过木胶制作的假指纹纹理较为分散、平滑性不高。
示例性的,比如可以先获取约2000张非活体指纹图像,在这些非活体指纹图像中不同的制造工艺在总样本中占有的比例大致相同。根据不同的制造工艺将其进行分类、总结、获取对应的指纹图像特征,生成非活体指纹图像特征数据库。该非活体指纹图像特征数据库可以由移动终端的处理器在本地进行生成,也可以由外部处理器处理完成后再将非活体指纹图像特征数据库更新至移动终端。
与预存的非活体指纹相比,预存的活体指纹图像为直接从人体采集的指纹图像,此类指纹的图像样本可以通过网上获取的有活体指纹特征的离线图片获取;也可以通过在线方式直接使用移动终端的预设的指纹模板;或者两者同时使用。同理,预存的活体指纹图像样本的容量越大,根据样本生成的活体指纹图像特征数据库越丰富,将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对得到的对比结果越准确,生成的可信度准确率越高。
在本实施例中,步骤S12中将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度具体可以包括:
将提取得到的实时指纹的图像特征与预存的活体和非活体的指纹图像特征进行比对,得到实时指纹图像特征与活体、非活体指纹图像特征的相似度;根据相似度以及其对应的指纹特征的贡献度综合得到实时指纹的可信度,以确定实时指纹采集自活体还是采集自非活体。
具体的,不同的指纹特征贡献度可以是指不同的指纹特征对判断结果的影响,例如:根据纹理分散程度特征比较得到实时指纹采集自活体的相似度为80%,纹理分散程度特征的贡献度为0.3,根据脊线宽度变化特征比较得到实时指纹采集自活体的相似度为30%,脊线宽度变化特征的贡献度为0.7,则将其综合得到的可信度为80%*0.3+30%*0.7=45%。
可替代地,在本实施例中,还可以通过分类器比对实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成实时指纹的可信度。
分类器是一个函数或模型,此函数或模型建立后,可以将采集到的实时指纹数据映射到活体指纹类别、非活体指纹类别,并根据映射结果输出实时指纹的可信度。
具体的,将活体和非活体指纹图像特征分为基础样本、训练样本、测试样本,根据基础样本,建立分类器,得到分类器基础函数;根据训练样本,训练分类器,确定分类器精确参数,在测试样本上执行分类器,生成测试结果,将测试结果与真实结果比对,确定其准确性。若分类器的准确性可以满足指纹识别的要求,则确定好的分类器可以用于对采集到的实时指纹进行分类,将其映射到其对应的活体指纹类别、非活体指纹类别并输出实时指纹的可信度,以确定实时指纹采集自活体还是采集自非活体。
S13、根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
可信度代表采集到的实时指纹是活体指纹的概率,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
将实时指纹可信度的大小与设定的阈值进行比较,若实时指纹可信度大于预设的阈值,则判定指纹采集自活体,否则采集自非活体。
本实施例中,可以根据分类器的准确度对阈值进行预设,也可以根据移动终端用户的使用习惯计算得到阈值,也可以同时包括预设的阈值以及根据用户的使用习惯计算得到的阈值。
用户的使用习惯包括移动终端的安全等级等,安全等级越高,根据安全等级确定的阈值越大,根据用户的使用习惯生成阈值,更符合用户的习惯,提高了移动终端的安全性。
阈值可以包含多个,不同的阈值将可信度划分为不同的级别,再根据可信度所处的级别得到判断结果,如:设置两个阈值将可信度划分为三个级别,分别为高、中、低,级别为低时直接判断实时指纹采集自非活体,级别为高时直接判断实时指纹采集自活体,级别为中时不能肯定地判断实时指纹采集自活体还是非活体,此时,则需要根据用户使用移动终端的习惯比如安全等级来判断实时指纹是否采集自活体,如安全等级高,判定实时指纹采集自非活体,如果安全级别低,判定实时指纹采集自活体。
具体的,在图1所示实施例中或其他任一实施例中,分类器的建立可以通过如下方式来实现包括:
根据活体和非活体指纹图像的图像质量,对预存的活体和非活体指纹图像进行分级得到活体和非活体指纹图像的等级,提取每一级活体和非活体指纹图像的图像特征向量以建立分类器。
上述建立分类器的步骤可以包括在上述步骤S12中,或者在步骤S12之前、S11之后;或者在步骤S11之前。
图像质量是对一幅图像视觉感受的评价,指纹图像的质量可以根据获取到的指纹图像的对比度、纹理清晰度等特征确定。根据图像质量对指纹图像进行分级,可以使建立的分类器更加细化,生成的可信度准确率更高。
比如可以根据图像质量对指纹图像分为5级,分别对应图像质量优秀、良好、标准、较差、极差。
还可以根据空间关系等对活体和非活体指纹图像进行分级,只要可以提高可信度的准确率即可。
具体的,在本实施例中,所述分类器可以包括若干个子分类器,所述每一级活体和非活体指纹图像的图像质量均存在对应所述子分类器。若图像级别包括n个等级,则子分类器的数量至少为n个。
根据活体和非活体指纹图像的图像质量,对预存的活体和非活体指纹图像进行分级得到活体和非活体指纹图像的等级后,以图像特征为样本建立分类器,图像特征包括指纹的纹理分部、指纹的节点位置、指纹脊线变化趋势等。但是,图像特征不是具体的数值,不能直接作为样本建立分类器。因此,需要对图像特征进行统计得到图像特征向量,以图像特征向量为样本,建立分类器。
具体的,在本实施例中,图像特征向量包括在提取到指纹图像的图像特征后进行处理得到的用于表征图像特征的向量,比如根据二值统计特征得到的二值统计特征向量、根据相位统计特征得到的相位统计特征向量。提取每一级活体和非活体指纹图像的图像特征向量以建立分类器,具体包括:
由于不同的图像特征向量获取的方式不同、且彼此间关系不大,因此应该根据不同的图像特征向量建立参数不同的子分类器,子分类器组合后得到分类器。
具体的,在本实施例中,每个级别下包括至少一个根据不同的指纹图像的图像特征向量建立的子分类器,若图像特征向量的种类为m种,每种图像特征向量对应的子分类器的数量至少为n个,则子分类器的总数量最多为m*n个。
图2为图1中步骤S12的具体方法流程示意图,如图2所示,在通过图像质量对指纹图像分级后,步骤S12具体以超平面分类器为例进行示意性说明,具体包括:
S121、根据每一级活体和非活体指纹图像的图像特征向量以及所述分类器的类型,训练出每一级活体和非活体指纹图像的分类器参数,以建立分类器。
根据每一级活体和非活体指纹图像的图像特征向量建立分类器后,根据每一级活体和非活体指纹图像的图像特征向量以及所述分类器的类型对分类器进行训练,得到每一级活体和非活体指纹图像的分类器参数Wt,级别越高,分类器参数越大,得到的可信度越大。
同理,在t级别下根据不同的图像特征向量v建立的子分类器得到的分类器参数Wt也不同。将建立完成的子分类器组合,可以得到适用于生成实时指纹图像可信度的超平面分类器。
S122、根据实时指纹图像的图像质量,确定实时指纹图像的等级。
根据实时指纹的图像质量确定其处于的质量级别的标准的与步骤S121中相同。
根据不同的图像质量建立不同级别的分类器,确定实时指纹的图像质量后,由于不同的图像质量等级对应的分类器参数不同,因此根据图像质量所处的级别t,确定实时指纹图像对应的子分类器,可以得到更高的准确率。
S123、根据与实时指纹图像等级相同的活体和非活体指纹图像的分类器参数以及实时指纹图像的特征向量,生成实时指纹的可信度。
具体的,在本实施例中,通过支持向量机训练出每一级活体和非活体指纹图像的分类器参数,以建立分类器。建立分类器后根据实时指纹图像特征向量D与分类器参数Wt,生成实时指纹图像的可信度Yt=∑(Wt*D)。
具体的,在本实施例中,支持向量机(Support Vector Machine,SVM)通过相关的算法监督学习模型、分析数据、识别模型、用于分类和回归。通过支持向量机训练得到分类器的参数,可以较好的应用于高维识别中,尤其适用于本申请中由多级别、多个图像特征向量建立的子分类器组合而成的分类器。
具体的,在本实施例中,指纹图像特征包括指纹纹理特征,如指纹图像的二值统计特征、相位统计特征等。
分类器可以预先建立,也可以在采集到实时指纹后,比对实时指纹的图像特征与预存的活体和非活体指纹图像特征前建立,本实施例在此不做限定。
本实施例提供的一种活体指纹识别方法,通过比对实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成可信度来认证采集到的实时指纹是来自于活体还是非活体,有效地过滤掉了采集自非活体的实时指纹数据,且实现本实施例提供的活体指纹识别方法不需要增加任何硬件设备,降低了成本。
图3为本申请实施例一种活体指纹识别装置结构示意图,如图3所示,包括:
提取模块301,设置为从采集的实时指纹图像中提取实时指纹的图像特征。
提取模块对采集到的实时指纹图像进行处理,从而得到实时指纹的图像特征,以进行对比。
比对模块302,设置为实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
比对模块比较实时指纹的图像特征与预存的活体和非活体指纹图像特征,并根据比对结果确定可信度。
判断模块303,设置为根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
本实施例提供的一种活体指纹识别装置,通过比对实时指纹的图像特征与预存的活体和非活体指纹图像特征,生成可信度来认证采集到的实时指纹是来自于活体还是非活体,有效地过滤掉了采集自非活体的实时指纹数据,且实现本实施例提供的活体指纹识别装置不需要增加任何硬件设备,降低了成本。
图4为本申请实施例一种活体指纹识别方法流程示意图,本实施例提供的活体指纹识别方法可以用于更新指纹模板,具体如图4所示,其包括:
S41、从采集的实时指纹图像中提取实时指纹的图像特征。
具体的,在本实施例中,提取图像特征具体包括:先将图像进行小波变换得到不同频率的图像;再将进行小波变换后的图像进行去噪处理,将去燥后的图像重构,得到去噪后的图像;将去燥后的图像与原图像相减,得到噪声图;计算噪声图的标准差,得到标准差图,根据标准差图统计得到图像特征向量。
S42、实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
具体的,在本实施例中,通过分类器比对实时指纹图像的图像特征与预存的活体和非活体指纹图像特征,输出可信度。
可信度是用来衡量采集的实时指纹是否采集自活体的数据,通过比较实时指纹的图像特征与预存的活体和非活体指纹图像特征得到的可信度,可以直观地表示采集的实时指纹更接近活体指纹还是非活体指纹,更加简单的得出判断结果。
S43、根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
具体的,在本实施例中,通过可信度的大小与可信度的阈值判断实时指纹是否采集自活体。
本申请实施例提供的一种活体指纹识别方法的步骤S41、S42、S43与图1提供的一种活体指纹识别方法实施例相同,在此不在赘述。
S44、若所述实时指纹与预设的指纹模板匹配且采集自活体,则所述实时指纹更新至所述指纹模板,否则不更新。
具体的,在本实施例中,与先判断实时指纹采集自活体,再判断实时指纹与预设模板匹配相比,先判断实时指纹与预设模板匹配,再判断实时指纹采集自活体,节省了指纹识别的时间,并降低活体指纹识别的误判率。
具体的,在本实施例中,实时指纹与预设模板匹配包括:
1)获取实时指纹图像;
2)将实时指纹图像进行处理,处理包括图片的强化、去噪等;
3)对处理后的图像进行特征提取,得到与预设的指纹模板相同类别的特征值,特征的类别主要有指纹的节点、指纹的分布规律等;
4)将获取的实时指纹的特征值与预存的指纹模板的特征值进行比对,得到实时指纹与预存的指纹模板的相似度,根据相似度确定实时指纹与预设模板是否匹配。
具体的,在本实施例中,相似度包括特征点匹配个数、直方图分布相似度等可以代表图像之间相似度的度量参数。
具体的,在本实施例中,判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第一阈值,则将所述实时指纹更新至所述预设的模板,否则不更新。其中,指纹模板是指用户在使用移动终端的指纹识别前,输入的用户指纹信息作为预设的指纹模板,用于后续的指纹识别。
更新指纹模板是指将指纹识别通过后,将采集的实时指纹数据与原有的合并,将原有的指纹模板中不存在或不清楚的指纹图像特征更新至预设的指纹模板内形成新的指纹模板,完善了用户的指纹数据,降低了后续的指纹识别的拒识率。
现有的当进行指纹模板更新时,在实时指纹与预设的指纹模板匹配后,直接将实时指纹的数据更新至指纹模板中。因此如果采集自非活体的指纹一旦被识别一次后将被更新至指纹模板;若采集自非活体的指纹特征更新至指纹模板,将会导致后续的采集自非活体的指纹被识别时,很容易识别通过,导致移动终端的指纹识别安全性降低,给用户带来较大的隐私隐患。
本实施例提供的活体指纹识别方法,通过判断实时指纹与预设的指纹模板匹配且实时指纹采集自活体,有效地过滤掉了采集自非活体的实时指纹数据,过滤掉采集自非活体的指纹数据后,再将其更新至指纹模板,在保证指纹识别准确性的基础上降低拒识率,且实现本实施例提供的活体指纹识别方法不需要增加任何硬件设备,降低了成本。
图5为本申请实施例一种活体指纹识别装置结构示意图,本实施例提供的活体指纹识别装置可用于更新指纹模板,具体如图5所示,其包括:
提取模块501,设置为从采集的实时指纹图像中提取实时指纹的图像特征。
提取模块对采集到的实时指纹图像进行处理,从而得到实时指纹的图像特征,以进行对比。
比对模块502,设置为实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
比对模块比较实时指纹的图像特征与预存的活体和非活体指纹图像特征,并根据比对结果确定可信度。
判断模块503,设置为根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
更新模块504,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则所述实时指纹更新至所述指纹模板,否则不更新。
本实施例提供的活体指纹识别装置,通过判断实时指纹与预设的指纹模板匹配且实时指纹采集自活体,有效地过滤掉了采集自非活体的实时指纹数据,过滤掉采集自非活体的指纹数据后,再将其更新至指纹模板,在保证指纹识别准确性的基础上降低拒识率,且实现本实施例提供的活体指纹识别装置不需要增加任何硬件设备,降低了成本。
图6为本申请实施例一种活体指纹识别方法流程示意图,本实施例提供的活体指纹识别方法可用于认证指纹的合法性,具体如图6所示,其包括:
S61、从采集的实时指纹图像中提取实时指纹的图像特征。
S62、将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
将实时指纹图像的图像特征与预存的活体和非活体指纹图像特征进行比对,并生成可信度。
S63、根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
具体的,在申请本实施例中,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
本申请实施例提供的一种活体指纹识别方法的步骤S61、S62、S63与图1提供的一种活体指纹识别方法实施例相同,在此不在赘述。
S64、若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
判断实时指纹与预设模板匹配与判断实时指纹采集自活体的先后顺序可调整,在此不做限制。
具体的,在本实施例中,先判断实时指纹与预设模板匹配,再判断实时指纹采集自活体,以降低活体指纹识别的误判率。
具体的,在本实施例中,合法性认证用于判断指纹是否正确,若指纹合法性认证通过,则可判定采集到的实时指纹来自用户本人,并进行后续操作,如解锁、支付等,若指纹合法性认证未通过,则可判定采集到的实时指纹不来自用户本人,并重新开始识别指纹。
具体的,在本实施例中,判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第二阈值,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
可替代的,在本实施例中,还设定大于所述第二阈值小于所述的第三阈值,若所述可信度大于所述第二阈值、小于所述第三阈值且所述实时指纹与所述预设的指纹模板匹配,则根据所述移动终端的安全等级判断所述实时指纹是否为合法指纹。
具体的,在本实施例中,移动终端的安全等级代表了移动终端的防护程度。根据安全等级的高低,可以设定实时指纹可信度,不同的安全等级代表了不同的安全度要求,因此,其对应的可信度阈值也不同。
具体的,在本实施例中,安全等级为用户根据自己的用户习惯,以及所处的环境等因素,对自己的移动终端进行安全设置。安全等级的级别可以包括多个,以适应不同的情况。而根据可信度判断实时指纹是否为合法指纹,可参考考虑移动终端的安全等级。
如安全等级为高,则代表用户对移动终端的安全性需求高,在验证指纹合法性时应该提高通过的条件,其对应的第二/第三阈值较高,反之则降低通过的条件,则其对应的阈值较低。
本实施例提供的活体指纹识别方法,通过判断实时指纹与预设的指纹模板匹配且实时指纹采集自活体,有效地过滤掉采集自非活体的实时指纹数据后,再认证指纹的合法性,进一步提高了移动终端指纹识别的安全性,且实现本实施例提供的活体指纹识别方法不需要增加任何硬件设备,降低了成本。
图7为本申请实施例一种活体指纹识别装置结构示意图,本实施例提供的活体指纹识别装置可用于认证指纹的合法性,具体如图7所示,其包括:
提取模块701,设置为从采集的实时指纹图像中提取实时指纹的图像特征。
提取模块对采集到的实时指纹图像进行处理,从而得到实时指纹的图像特征,以进行对比。
比对模块702,设置为实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度。
比对模块比较实时指纹的图像特征与预存的活体和非活体指纹图像特征,并根据比对结果确定可信度。
判断模块703,设置为根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体。
根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
合法性认证模块704,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
本实施例提供的活体指纹识别装置,通过判断实时指纹与预设的指纹模板匹配且实时指纹采集自活体,有效地过滤掉采集自非活体的实时指纹数据后,再认证指纹的合法性,进一步提高了移动终端指纹识别的安全性,且实现本实施例提供的活体指纹识别装置不需要增加任何硬件设备,降低了成本。
图8为本申请实施例一种活体指纹识别应用场景示意图,如图8所示,包括:
S801、采集实时指纹数据。实时指纹数据是指用户在进行指纹识别时,移动终端通过指纹传感器采集到的实时指纹数据。
采集到的指纹数据经过强化、去噪等处理,得到预处理后的图像,预处理后的图像再经过曲波变换等方法,进行图像特征的提取。
S802、判断实时指纹是否识别。若识别,则继续步骤S803,否则终止。判断实时指纹是否识别,主要通过采集到的实时指纹与预设的指纹模板比对,得到其相似度,根据相似度判断指纹是否识别。
具体的,在本实施例中,采集到的实时指纹与预设的指纹模板比对主要比对指纹模板的指纹图像特征与实时指纹的图像特征,根据图像特征得到的相似度包括:特征点匹配个数、直方图分布相似度等可以代表图像之间相似度的度量参数。相似度越大,图像匹配概率越大。
S803、提取实时指纹的纹理特征,计算可信度。可信度是指实时指纹采集自活体的概率,可信度可以通过将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对得到。
具体的,在本实施例中可信度是通过分类器比对实时指纹的图像特征与预存的活体和非活体指纹的纹理特征得到的,纹理特征是图像特征的重要组成部分,包括:指纹图像的二值统计特征、相位统计特征等。如,通过提取LBP或者LPQ等相关特征等,经过支持向量机SVM进行分类训练,建立分类超平面,正向离超平面越远则可信度越高,反向离超平面越远则可信度越差。
S804、根据可信度与阈值判断实时指纹的可信度等级,设定两个阈值将可信度等级分为高、中、低三个级别。
具体的,在本实施例中,两个阈值包括对指纹进行合法性认证时使用的第二阈值、第三阈值,其中第三阈值复用为指纹模板更新的第一阈值。
具体的,在本实施例中,可信度大于第三阈值,可信度等级为高,表示实时指纹一定采集自活体,可信度大于第二阈值小于第三阈值,可信度等级为中,表示不能确定实时指纹是采集自活体还是非活体,若可信度小于第二阈值,可信度等级为低,表示实时指纹一定采集自非活体。
若可信度为高,则执行步骤S805,若可信度为低,则执行步骤S806,若可信度为中,则执行步骤S807。
S805、判定指纹为合法指纹、指纹模板更新。
可信度等级为高时,确定实时指纹采集自活体,则指纹为合法指纹、指纹模板更新。
S806、判定指纹为非法指纹、指纹模板不更新。
可信度等级为低时,确定实时指纹采集非自活体,则指纹为非法指纹、指纹模板不更新。
S807、判断移动终端的安全等级。若安全等级为低,则执行步骤S808,若安全等级为高,则执行步骤S809。
S808、判定指纹为合法指纹,但指纹模板不更新。
S809、判定指纹为非法指纹,指纹模板不更新。
本实施例提供的活体指纹识别应用场景,同时包括了在活体指纹识别基础上增加的指纹模板更新、指纹合法性认证,通过增加活体识别步骤,在保证指纹识别拒识率的基础上,极大地提高了移动终端的安全性,且不增加任何硬件设备,降低了成本。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种活体指纹识别方法,应用于移动终端,其特征在于,包括:
从采集的实时指纹图像中提取实时指纹的图像特征;
将所述实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度;
根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体;
其中,所述将实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度包括:
将提取得到的实时指纹的图像特征与预存的活体和非活体的指纹图像特征进行比对,得到实时指纹图像特征与活体、非活体指纹图像特征的相似度;根据所述相似度以及其对应的指纹图像特征的贡献度综合得到实时指纹的可信度,所述指纹图像特征的贡献度用于表征指纹图像特征对可信度结果的影响。
2.根据权利要求1所述的方法,其特征在于,根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体包括:
根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体之后,还包括:
若所述实时指纹采集自活体且与预设的指纹模板匹配,则将所述实时指纹更新至所述预设的指纹模板,否则不更新。
4.根据权利要求3所述的方法,其特征在于,所述若所述实时指纹采集自活体且与预设的指纹模板匹配,则将所述实时指纹更新至所述预设的指纹模板,否则不更新包括:
判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第一阈值,则将所述实时指纹更新至所述预设的指纹模板,否则不更新。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体之后,还包括:
若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
6.根据权利要求5所述的方法,其特征在于,所述若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹包括:
判定所述实时指纹与预设的指纹模板匹配后,根据所述实时指纹的可信度的大小以及设定的阈值判断所述实时指纹是否采集自活体时,所述可信度大于第二阈值,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
7.根据权利要求6所述的方法,其特征在于,还设定大于所述第二阈值的第三阈值,
若所述可信度大于所述第二阈值、小于所述第三阈值且所述实时指纹与所述预设的指纹模板匹配,则根据所述移动终端的安全等级判断所述实时指纹是否为合法指纹。
8.根据权利要求7所述的方法,其特征在于,所述根据所述移动终端的安全等级判断所述实时指纹是否为合法指纹包括:
若所述移动终端的安全等级为高,则判定所述实时指纹为非法指纹,若所述移动终端的安全等级为低,则判定所述实时指纹为合法指纹。
9.一种活体指纹识别装置,其特征在于,包括:
提取模块,设置为从采集的实时指纹图像中提取实时指纹的图像特征;
比对模块,设置为实时指纹的图像特征与预存的活体和非活体指纹图像特征进行比对,生成实时指纹的可信度;
判断模块,设置为根据所述实时指纹的可信度的大小判断所述实时指纹是否采集自活体;
其中,所述比对模块具体设置为:将提取得到的实时指纹的图像特征与预存的活体和非活体的指纹图像特征进行比对,得到实时指纹图像特征与活体、非活体指纹图像特征的相似度;根据所述相似度以及其对应的指纹特征贡献度综合得到实时指纹的可信度,所述指纹特征贡献度用于表征指纹图像特征对可信度结果的影响。
10.根据权利要求9所述的装置,其特征在于,还包括:
更新模块,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则所述实时指纹更新至所述预设的指纹模板,否则不更新。
11.根据权利要求9所述的装置,其特征在于,还包括:
合法性认证模块,设置为若所述实时指纹与预设的指纹模板匹配且采集自活体,则判定所述实时指纹为合法指纹,否则判定所述实时指纹为非法指纹。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/104566 WO2018082011A1 (zh) | 2016-11-04 | 2016-11-04 | 活体指纹识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106663203A CN106663203A (zh) | 2017-05-10 |
CN106663203B true CN106663203B (zh) | 2019-03-22 |
Family
ID=58838931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680001298.5A Active CN106663203B (zh) | 2016-11-04 | 2016-11-04 | 活体指纹识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106663203B (zh) |
WO (1) | WO2018082011A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033933A (zh) * | 2018-05-24 | 2018-12-18 | 太仓鸿策创达广告策划有限公司 | 一种指纹对比系统 |
CN109102609B (zh) * | 2018-08-15 | 2021-02-02 | 广东好太太科技集团股份有限公司 | 一种可识别行为的智能锁及其控制方法 |
CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
CN111353327A (zh) * | 2018-12-20 | 2020-06-30 | 云丁网络技术(北京)有限公司 | 一种指纹识别方法、装置和指纹锁 |
TWI710963B (zh) * | 2019-01-31 | 2020-11-21 | 大陸商北京集創北方科技股份有限公司 | 指紋圖像歸一化方法、指紋圖像歸一化裝置及資訊處理裝置 |
CN112262392A (zh) * | 2019-05-21 | 2021-01-22 | 深圳市汇顶科技股份有限公司 | 指纹识别装置、指纹识别方法及电子设备 |
CN110443217B (zh) * | 2019-08-13 | 2022-09-02 | 深圳大学 | 一种基于多光谱的指纹防伪方法及系统 |
CN110991231B (zh) * | 2019-10-28 | 2022-06-14 | 支付宝(杭州)信息技术有限公司 | 活体检测方法、装置、服务器和人脸识别设备 |
CN112989888B (zh) | 2019-12-17 | 2024-06-07 | 华为技术有限公司 | 一种指纹防伪方法及电子设备 |
TWI792017B (zh) * | 2020-07-01 | 2023-02-11 | 義隆電子股份有限公司 | 生物特徵的辨識系統及辨識方法 |
CN112329518B (zh) * | 2020-09-18 | 2023-10-13 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
TW202215289A (zh) * | 2020-10-14 | 2022-04-16 | 王建華 | 用於指紋圖像識別的方法、設備及計算機可讀介質 |
CN112926041B (zh) * | 2021-02-08 | 2022-09-09 | 西安电子科技大学 | 一种基于生物特征的远程身份认证系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116744A (zh) * | 2013-02-05 | 2013-05-22 | 浙江工业大学 | 基于mrf和svm-knn分类的假指纹检测方法 |
CN104268587A (zh) * | 2014-10-22 | 2015-01-07 | 武汉大学 | 一种基于指波变换和svm的假指纹检测方法 |
CN104392227A (zh) * | 2014-12-15 | 2015-03-04 | 金虎林 | 活体指纹判断方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4088625B2 (ja) * | 2002-09-13 | 2008-05-21 | 富士通株式会社 | 生体検知装置および方法並びに生体検知機能を有する認証装置 |
CN101299762B (zh) * | 2008-06-20 | 2011-08-17 | 北京中星微电子有限公司 | 一种身份认证方法及装置 |
CN102810154B (zh) * | 2011-06-02 | 2016-05-11 | 国民技术股份有限公司 | 一种基于可信模块的生物特征采集融合方法和系统 |
US9633269B2 (en) * | 2014-09-05 | 2017-04-25 | Qualcomm Incorporated | Image-based liveness detection for ultrasonic fingerprints |
-
2016
- 2016-11-04 WO PCT/CN2016/104566 patent/WO2018082011A1/zh active Application Filing
- 2016-11-04 CN CN201680001298.5A patent/CN106663203B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116744A (zh) * | 2013-02-05 | 2013-05-22 | 浙江工业大学 | 基于mrf和svm-knn分类的假指纹检测方法 |
CN104268587A (zh) * | 2014-10-22 | 2015-01-07 | 武汉大学 | 一种基于指波变换和svm的假指纹检测方法 |
CN104392227A (zh) * | 2014-12-15 | 2015-03-04 | 金虎林 | 活体指纹判断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106663203A (zh) | 2017-05-10 |
WO2018082011A1 (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106663203B (zh) | 活体指纹识别方法及装置 | |
US20190251571A1 (en) | Transaction verification system | |
US9633269B2 (en) | Image-based liveness detection for ultrasonic fingerprints | |
US9189686B2 (en) | Apparatus and method for iris image analysis | |
CN105678125B (zh) | 一种用户认证方法、装置 | |
Pirlo et al. | Verification of static signatures by optical flow analysis | |
CN106557723A (zh) | 一种带交互式活体检测的人脸身份认证系统及其方法 | |
CN108306736B (zh) | 使用心电信号进行身份认证的方法及设备 | |
CN106228133A (zh) | 用户验证方法及装置 | |
Sae-Bae et al. | Distinctiveness, complexity, and repeatability of online signature templates | |
Albadarneh et al. | Iris recognition system for secure authentication based on texture and shape features | |
Panetta et al. | LQM: Localized quality measure for fingerprint image enhancement | |
CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
Chaitanya et al. | Verification of pattern unlock and gait behavioural authentication through a machine learning approach | |
CN107615299A (zh) | 用于评估指纹模板的方法和系统 | |
Kaur et al. | Offline signature verification in Punjabi based on SURF features and critical point matching using HMM | |
Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
Khan et al. | An offline signature recognition and verification system based on neural network | |
Aydoğdu et al. | A study on liveness analysis for palmprint recognition system | |
Sujay et al. | Extended local binary pattern features based face recognition using multilevel SVM classifier | |
Putz-Leszczyńska | Signature verification: A comprehensive study of the hidden signature method | |
Giot et al. | Can chronological information be used as a soft biometric in keystroke dynamics? | |
Enström | Authentication using deep learning on user generated mouse movement images | |
Ashraf et al. | THE FRAMEWORK DESIGN FOR INCREASING SECURITY OF MULTI-MODAL BIOMETRIC AUTHENTICATION SYSTEM WITH DNN. | |
Kumar et al. | A brief review of image quality enhancement techniques based multi-modal biometric fusion systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |