CN108960214A - 指纹图像增强二值化方法、装置、设备、系统及存储介质 - Google Patents
指纹图像增强二值化方法、装置、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN108960214A CN108960214A CN201810941045.7A CN201810941045A CN108960214A CN 108960214 A CN108960214 A CN 108960214A CN 201810941045 A CN201810941045 A CN 201810941045A CN 108960214 A CN108960214 A CN 108960214A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- image
- binaryzation
- enhancing
- enhancement
- 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
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
- G06V40/1347—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
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种指纹图像增强二值化方法,将获取的指纹图像输入至预训练的增强二值化模型,增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集训练得到的全卷积神经网络,全卷积网络可以实现对图像像素级别的分析,通过全卷积神经网络中下采样单元通过下采样提取指纹图像的纹理局部特征,上采样单元通过上采样对纹理局部特征区域进行特征统计以及细节重建,可以生成指纹二值化灰度图像。通过全卷积神经网络对指纹纹理特征进行检测定位,可以兼顾多种单一滤波、二值化算法的优点,具有更好的抗干扰能力和鲁棒性,可以实现精确检测定位。本发明还公开了一种指纹图像增强二值化装置、设备、系统及一种可读存储介质,具有上述有益效果。
Description
技术领域
本发明涉及生物识别领域,特别涉及一种指纹图像增强二值化方法、装置、设备、系统及一种可读存储介质。
背景技术
近年来,基于指纹识别为基础的生物识别技术应用越来越广泛,包括指纹门禁、指纹解锁等,优良的指纹识别与匹配算法对于信息的安全与认证十分重要。指纹图像增强与二值化过程是指纹识别和匹配算法中非常重要的一个步骤,也是常规指纹识别算法中正确提取指纹细节特征的基础。
目前,指纹图像增强二值化方法通常先进行滤波,再进行二值化。其中,滤波通常采用空域平滑滤波以及方向滤波。空域平滑滤波可以对清晰度较好的指纹图像滤波效果较好,能有效滤除高频噪声,但对图像质量不太好的指纹图像会使指纹纹路特征更加不清晰;方向滤波方法虽然能够较好地保留或增强指纹图像纹路特征,但对图像中高频噪声抑制效果不好。
二值化过程目前通常采用全局阀值二值化以及自适应阀值二值化方法。全局阀值二值化方法对于指纹图像灰度直方图有明显双峰效果的图像分割效果较好,但对没有双峰的质差图像,应用效果并不是很好;自适应阀值二值化在指纹所在的图像区域具有很好的二值化效果,对于不存在指纹图像的背景区域,容易将部分背景点当作前景点,背景区域二值化效果较差。
因此,如何对指纹纹理进行精确检测定位,提高抗干扰能力以及鲁棒性,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种指纹图像增强二值化方法,该方法通过全卷积神经网络对指纹纹理特征进行检测定位,精确度较高,抗干扰能力以及鲁棒性强;本发明的另一目的是提供一种指纹图像增强二值化装置、设备、系统及一种可读存储介质,具有上述有益效果。
本发明提供一种指纹图像增强二值化方法,包括:
接收采集得到的指纹图像;
将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;
通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;
通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
优选地,所述指纹样本图像集的获取方法包括:
获取预先采集的指纹图像作为源图像;
对所述源图像进行数据增强,得到指纹样本图像集;其中,所述数据增强包括:添加随机噪声、划痕、褶皱、图像模糊化以及随机调节图像明暗。
优选地,所述增强二值化模型的结构具体为:
五层下采样单元串行后与五层串行的上采样单元连接。
优选地,所述目标二值化图像数据集的筛选方法包括:
获取指纹样本图像以及对应的若干二值化图像;
剔除所述二值化图像中不含指纹图像区域的前景图像;
对剩余图像进行清晰度筛选,将清晰度最高的图像作为目标二值化图像数据,得到各指纹样本图像对应的目标二值化图像数据集。
优选地,所述增强二值化模型的结构设置方法包括:
获取检测任务类型以及检测目标类型;
根据所述检测任务类型以及所述检测目标类型对基础网络结构进行对应调整,得到原始增强二值化模型。
优选地,所述指纹图像增强二值化方法还包括:
对所述指纹图像进行预处理;
其中,所述预处理包括:数字化、几何变换、归一化、平滑、复原;
则将所述指纹图像输入至预训练的增强二值化模型具体为:
将预处理后的指纹图像输入至预训练的增强二值化模型。
本发明公开一种指纹图像增强二值化装置,包括:
图像接收单元,用于接收采集得到的指纹图像;
图像输入单元,用于将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;
纹理特征提取单元,用于通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;
纹理特征重建单元,用于通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
本发明公开一种指纹图像增强二值化设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述指纹图像增强二值化方法的步骤。
本发明公开一种指纹图像增强二值化系统,包括:
指纹采集设备,用于采集指纹图像,并将采集到的指纹图像发送至指纹图像增强二值化设备;
所述指纹图像增强二值化设备,用于接收采集得到的指纹图像;将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
本发明公开一种可读存储介质,所述可读存储介质上存储有程序,所述程序被处理器执行时实现所述指纹图像增强二值化方法的步骤。
本发明提供的指纹图像增强二值化方法,通过将获取的指纹图像输入至预训练的增强二值化模型,增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络,全卷积网络可以实现对图像像素级别的分析,通过全卷积神经网络中下采样单元通过下采样提取指纹图像的纹理局部特征,上采样单元通过上采样对纹理局部特征区域进行特征统计以及细节重建,可以生成指纹二值化灰度图像。通过全卷积神经网络对指纹纹理特征进行检测定位,可以兼顾多种单一滤波、二值化算法的优点,具有更好的抗干扰能力和鲁棒性,表现性能更良好,特别是对于指纹检测中常见的指纹褶皱、划痕,湿手指,图像模糊等情况下较传统检测方法具有更稳定的检测性能,且可以实现精确检测定位。
本发明还公开了一种指纹图像增强二值化装置、设备、系统及一种可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的指纹图像增强二值化方法的流程图;
图2为本发明实施例提供的下采样单元结构示意图;
图3为本发明实施例提供的上采样单元结构示意图;
图4为本发明实施例提供的一种下采样单元、连接合并单元与上采样单元的通道数示意图;
图5为本发明实施例提供的一种源图像与进行图像增强后的输入图像的对比示意图;
图6为本发明实施例提供的一种输入的指纹图像与输出的二值化灰度图对比示意图;
图7为本发明实施例提供的指纹图像增强二值化装置结构框图;
图8为本发明实施例提供的指纹图像增强二值化设备的结构框图;
图9为本发明实施例提供的指纹图像增强二值化设备的结构示意图;
图10为本发明实施例提供的指纹图像增强二值化系统的结构框图。
具体实施方式
本发明的核心是提供一种指纹图像增强二值化方法,该方法通过全卷积神经网络对指纹纹理特征进行检测定位,精确度较高,抗干扰能力以及鲁棒性强;本发明的另一核心是提供一种指纹图像增强二值化装置、系统及一种可读存储介质,具有上述有益效果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的指纹图像增强二值化方法的流程图;该方法可以包括:
步骤s110、接收采集得到的指纹图像。
指纹图像可以通过指纹采集设备采集得到,指纹采集过程可参照现有指纹采集方法,在此不再赘述。
步骤s120、将指纹图像输入至预训练的增强二值化模型。
模型输入的指纹图像的尺寸由模型结构类型以及具体参数决定,一般每种网络模型都有根据实际情况设计为固定大小的输入,增强二值化模型输入指纹图像可根据网络参数进行适当裁剪再向网络输入,当然,如果网络模型对图像尺寸无要求或者获取的图像尺寸与模型输入尺寸要求相匹配可以不进行裁剪,直接将获取的指纹图像输入至检测模型,在此不做限定。
增强二值化模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络(FCN),FCN使用卷积层通过学习让图片实现end to end纹理特征检测,对图像进行像素级的分类,从而解决了语义级别的纹理特征检测问题。与传统用CNN进行图像分割的方法相比,FCN可以接受任意大小的输入图像,而不用要求所有的训练图像和测试图像具有同样的尺寸;另外因为避免了由于使用像素块而带来的重复存储和计算卷积的问题,通过FCN进行图像处理更加高效。本实施例采用FCN进行指纹纹理特征的检测,具有更好的抗干扰能力和鲁棒性。
步骤s130、通过增强二值化模型中下采样单元提取指纹图像的纹理局部特征。
步骤s140、通过增强二值化模型中上采样单元对纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
本实施例对增强二值化模型的具体结构形式不做限定,检测模型可以包括若干下采样单元、和与下采样单元相同数量上采样单元。
下采样单元与上采样单元具体的网络结构形式不做限定。下采样单元主要可以由若干卷积层以及若干正则化层构成,可以根据数据处理需要配置其他层,比如线性激活层以及池化层等,网络中各种类型的层数也不做限定,可以根据数据精度以及数据处理量的需要自行设置,比如可以设置两个卷积层与一个正则化层连接后与一个线性激活层连接。由于下采样后的特征图尺寸远小于原输入图像尺寸,因此,在上采样过程中,可以引入反卷积层对二值化指纹纹路细节进行重建,扩大特征图尺寸至输入原图像尺寸大小。上采样单元与下采样单元对应设置,在此不做赘述。
此外,对下采样单元与上采样单元的数量不做限定。比如可以设置若干下采样单元连接后与相同数量的上采样单元串行连接,用于更精确化地进行指纹纹理特征的提取以及细节特征的重建。层数越多,特征提取越精确化,但需要计算的数据量会大大增加,具体下采样单元与上采样单元的数量可以自行根据需要进行设定。下采样单元与上采样单元的数量相同,下采样单元增多,特征学习的感受野也在不断扩大,网络的全局位置信息的表达能力更强。
其中,优选地,经过实验验证,五层下采样单元串行后与五层串行的上采样单元连接时,全局特征提取能力较强的同时所需的计算资源较为合理。
检测模型除了下采样单元与上采样单元外,还可以设置其他有助于进行数据传输与优化计算的单元,比如用于进行数据传输的连接合并单元等。
例如增强二值化模型具体可以包括:五个下采样单元、五个连接合并单元和五个上采样单元。其中,下采样单元的结构如图2所示,由一个或多个卷积层(conv3*3)、可选批量正则化层(BatchNormalization)、线性激活层(ReLU or LeakyReLU)和池化层(maxpool2*2)组成。上采样单元的结构如图3所示,由反卷积层(convTranspose),若干卷积层(conv3*3)和若干线性激活层(ReLU or LeakyReLU)组成,线性激活层连接反卷积层和卷积层之后。连接合并单元将每个下采样单元输出与上采样单元反卷积层的输出合并作为下一层的输入。一个下采样单元通过一个连接合并单元与同级别上采样单元连接,后面可以继续续接下一级别的下采样单元,以此类推,数据从第一层中的下采样单元输入,从最后一层的上采样单元输出。
模型中各卷积层通道数不固定,可根据学习目标特征复杂度进行适当调整,图4所示为一种下采样单元、连接合并单元与上采样单元的通道数示意图,其它通道设置均可参照该图,在此不再赘述。选取合理网络参数对模型参数进行训练,模型训练完成后,即可固定模型网络参数,对测试指纹图像进行图像增强和二值化。
网络模型结构可自行根据不同的检测任务和目标在模型训练过程中进行灵活调整。其中,优选地,增强二值化模型的结构设置方法具体可以为:获取检测任务类型以及检测目标类型;根据检测任务类型以及检测目标类型对基础网络结构进行对应调整,得到原始增强二值化模型。
预先对不同任务类型以及不同检测目标在模型训练过程中对模型结构参数进行相应的设置,比如检测目标为高度模糊的指纹图像时,设置上下采样单元中卷积层数量增加等。通过预先对不同类型的模型结构规则进行设置,在得到不同的检测任务或者检测目标在模型训练时可以立即对网络结构进行调整,具有广泛的适用性。
在此仅以上述网络模型结构为例对本实施例中的增强二值化模型进行介绍,对模型的训练以及指纹纹理特征检测均以图4所示的结构示意图为基础进行介绍,其他结构类型的检测模型均可参照本实施例的介绍,在此不再赘述。
网络训练过程可以将采集得到的指纹样本图像作为网络输入,使用预先提取的优选的指纹样本图像对应的目标二值化图像数据集作为源目标数据,将指纹样本图像和目标二值化图像数据集作为输入对网络模型进行训练,模型中卷积层的卷积核可学习到指纹图像的纹理局部特征,以共享权值方式同时可以减少网络参数,下采样单元中的池化层,对特征图局部区域取最大值(或平均值),实现统计特征的平移不变性。
其中,源目标数据为优选的经过指纹图像增强二值化图像,在此对筛选过程不做限定,目标二值化图像数据集优选过程中,可以通过人工或图像处理算法对目标数据集进行优化,优选地,为实现对数据集的自动筛选,同时保证目标图像性能的优良,筛选过程具体可以为:
获取指纹样本图像以及对应的若干二值化图像;
剔除二值化图像中不含指纹图像区域的前景图像;
对剩余图像进行清晰度筛选,将清晰度最高的图像作为目标二值化图像数据,得到各指纹样本图像对应的目标二值化图像数据集。
另外,训练过程中网络输入可以直接将采集的指纹图像作为源图像,为了增加样本集,也为了增加样本多样性,优选地,可以将源图像进行图像增强(增加干扰项)后作为网络输入,使网络模型学习到指纹图像更加通用的特征,在此对网络模型输入图像的获取方法不做限定。具体地,随机对指纹图像进行图像增强例如:添加随机噪声、划痕、褶皱,图像模糊化以及随机调节图像明暗等,如图5所示为源图像与进行图像增强后的输入图像的对比示意图。训练过程中,对输入图像进行增强是随机的,即对于同一张输入指纹图像,可以选择不同的训练批次加入不同干扰项。采用深度学习技术,通过建立全卷积神经网络模型,对输入指纹图像进行训练学习,使网络具有指纹图像增强二值化能力。
对模型参数训练完成后,即可固定模型网络参数,对测试指纹图像进行纹理特征预测,模型输出为进行图像增强与二值化后指纹二值化灰度图像,图6所示为输入的指纹图像与输出的二值化灰度图对比示意图。
基于上述技术方案,本实施例所提供的指纹图像增强二值化方法,通过将获取的指纹图像输入至预训练的增强二值化模型,增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络,全卷积网络可以实现对图像像素级别的分析,通过全卷积神经网络中下采样单元通过下采样提取指纹图像的纹理局部特征,上采样单元通过上采样对纹理局部特征区域进行特征统计以及细节重建,可以生成指纹二值化灰度图像。通过全卷积神经网络对指纹纹理特征进行检测定位,可以兼顾多种单一滤波、二值化算法的优点,具有更好的抗干扰能力和鲁棒性,表现性能更良好,特别是对于指纹检测中常见的指纹褶皱、划痕,湿手指,图像模糊等情况下较传统检测方法具有更稳定的检测性能,且可以实现精确检测定位。
基于上述实施例,由于获取的指纹图像可能存在一些无用信息,为增强有关信息的可检测性、最大限度地简化数据,从而改进图像识别的可靠性,优选地,在将指纹图像输入至增强二值化模型之前,还可以对指纹图像进行预处理。预处理的具体操作类型不做限定,比如可以进行数字化、几何变换、归一化、平滑、复原等。通过数字化得到计算机能够处理的数字图像;通过几何变换修正图像采集系统的系统误差和仪器位置的随机误差,通过归一化使图像的某些特征在给定变换下具有不变性质的一种图像标准形式;通过平滑操作消除图像中随机噪声;通过图像复原操作校正各种原因所造成的图像退化,使重建或估计得到的图像尽可能逼近于理想无退化的像场。将预处理后的指纹图像输入至增强二值化模型,可以大大提升特征提取的精确度,从而得到更精准、清晰度更高的指纹二值化灰度图像。
下面对本发明提供的指纹图像增强二值化装置进行介绍,请参考图7,图7为本发明实施例提供的指纹图像增强二值化装置的结构框图;该装置可以包括:图像接收单元700、图像输入单元701、纹理特征提取单元702以及位置信息重建单元703。
其中,图像接收单元700主要用于接收采集得到的指纹图像;
图像输入单元701主要用于将指纹图像输入至预训练的增强二值化模型;其中,增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;
纹理特征提取单元702主要用于通过增强二值化模型中下采样单元提取指纹图像的纹理局部特征;
纹理特征重建单元703主要用于通过增强二值化模型中上采样单元对纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
本发明提供的指纹图像增强二值化装置本发明采用深度学习技术,通过建立全卷积神经网络模型,对输入指纹图像进行训练学习,使网络模型学习指纹纹路特征,根据原指纹图像重建生成增强二值化后二值化指纹图像,从而完成指纹图像增强与二值化。
优选地,指纹样本图像获取单元可以主要包括:
源图像获取子单元,用于获取预先采集的指纹图像作为源图像;
数据增强子单元,用于对源图像进行数据增强;其中,数据增强包括:添加随机噪声、划痕、褶皱,图像模糊化以及随机调节图像明暗。
优选地,目标二值化图像数据集筛选单元可以主要包括:
二值化图像获取子单元,用于获取指纹样本图像以及对应的若干二值化图像;
剔除子单元,用于剔除二值化图像中不含指纹图像区域的前景图像;
筛选子单元,用于对剩余图像进行清晰度筛选,将清晰度最高的图像作为目标二值化图像数据,得到各指纹样本图像对应的目标二值化图像数据集。
优选地,增强二值化模型结构设置单元可以主要包括:
类型获取单元,用于获取检测任务类型以及检测目标类型;
网络结构调整单元,用于根据检测任务类型以及检测目标类型对基础网络结构进行对应调整,得到原始增强二值化模型。
优选地,指纹图像增强二值化装置可以还包括:预处理单元,用于对指纹图像进行预处理。预处理单元具体可以包括:数字化子单元、几何变换子单元、归一化子单元、平滑子单元以及复原子单元。
预处理单元的输入端与图像接收单元的输出端连接,输出端与图像输入单元的输入端连接,则与预处理单元连接的图像输入单元主要用于将预处理后的指纹图像输入至预训练的增强二值化模型。
需要说明的是,本发明具体实施方式中的指纹图像增强二值化装置中的各个单元,其工作过程请参考图1对应的具体实施方式,在此不再赘述。
下面对本发明提供的指纹图像增强二值化设备进行介绍,具体对指纹图像增强二值化设备的介绍可参照上述指纹图像增强二值化方法的步骤,图8为本发明实施例提供的指纹图像增强二值化设备的结构框图;该设备可以包括:
存储器800,用于存储计算机程序;
处理器801,用于执行计算机程序时实现指纹图像增强二值化方法的步骤。
请参考图9,本发明实施例提供的指纹图像增强二值化设备的结构示意图,该二值化设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在二值化设备301上执行存储介质330中的一系列指令操作。
二值化设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上面图1所描述的指纹图像增强二值化方法中的步骤可以由指纹图像增强二值化设备的结构实现。
下面对本发明实施例提供的指纹图像增强二值化系统进行介绍,下文描述的指纹图像增强二值化系统与上文描述的指纹图像增强二值化设备可相互对应参照。
图10为本发明实施例提供的指纹图像增强二值化系统的结构框图;该系统可以包括:指纹采集设备900以及指纹图像增强二值化设备901。
指纹采集设备900主要用于采集指纹图像,并将采集到的指纹图像发送至指纹图像增强二值化设备。
指纹图像增强二值化设备901与指纹采集设备900连接,主要用于接收采集得到的指纹图像;将指纹图像输入至预训练的增强二值化模型;其中,增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;通过增强二值化模型中下采样单元提取指纹图像的纹理局部特征;通过增强二值化模型中上采样单元对纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
下面对本发明实施例提供的可读存储介质进行介绍,下文描述的可读存储介质与上文描述的指纹图像增强二值化方法可相互对应参照。
本发明公开的一种可读存储介质,其上存储有程序,程序被处理器执行时实现指纹图像增强二值化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,设备,存储介质和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,系统,存储介质和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个移动终端中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该产品存储在一个存储介质中,包括若干指令用以使得一台移动终端(可以是手机,或者平板电脑等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、终端或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的指纹图像增强二值化方法、装置、设备、系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种指纹图像增强二值化方法,其特征在于,包括:
接收采集得到的指纹图像;
将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;
通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;
通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
2.如权利要求1所述的指纹图像增强二值化方法,其特征在于,所述指纹样本图像集的获取方法包括:
获取预先采集的指纹图像作为源图像;
对所述源图像进行数据增强,得到指纹样本图像集;其中,所述数据增强包括:添加随机噪声、划痕、褶皱、图像模糊化以及随机调节图像明暗。
3.如权利要求1所述的指纹图像增强二值化方法,其特征在于,所述增强二值化模型的结构具体为:
五层下采样单元串行后与五层串行的上采样单元连接。
4.如权利要求1所述的指纹图像增强二值化方法,其特征在于,所述目标二值化图像数据集的筛选方法包括:
获取指纹样本图像以及对应的若干二值化图像;
剔除所述二值化图像中不含指纹图像区域的前景图像;
对剩余图像进行清晰度筛选,将清晰度最高的图像作为目标二值化图像数据,得到各指纹样本图像对应的目标二值化图像数据集。
5.如权利要求1所述的指纹图像增强二值化方法,其特征在于,所述增强二值化模型的结构设置方法包括:
获取检测任务类型以及检测目标类型;
根据所述检测任务类型以及所述检测目标类型对基础网络结构进行对应调整,得到原始增强二值化模型。
6.如权利要求1所述的指纹图像增强二值化方法,其特征在于,还包括:
对所述指纹图像进行预处理;
其中,所述预处理包括:数字化、几何变换、归一化、平滑、复原;
则将所述指纹图像输入至预训练的增强二值化模型具体为:
将预处理后的指纹图像输入至预训练的增强二值化模型。
7.一种指纹图像增强二值化装置,其特征在于,包括:
图像接收单元,用于接收采集得到的指纹图像;
图像输入单元,用于将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;
纹理特征提取单元,用于通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;
纹理特征重建单元,用于通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
8.一种指纹图像增强二值化设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述指纹图像增强二值化方法的步骤。
9.一种指纹图像增强二值化系统,其特征在于,包括:
指纹采集设备,用于采集指纹图像,并将采集到的指纹图像发送至指纹图像增强二值化设备;
所述指纹图像增强二值化设备,用于接收采集得到的指纹图像;将所述指纹图像输入至预训练的增强二值化模型;其中,所述增强二值化模型为对指纹样本图像集以及对应的目标二值化图像数据集基于卷积神经网络训练得到的全卷积神经网络;通过所述增强二值化模型中下采样单元提取所述指纹图像的纹理局部特征;通过所述增强二值化模型中上采样单元对所述纹理局部特征区域进行特征统计以及细节重建,生成指纹二值化灰度图像。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序,所述程序被处理器执行时实现如权利要求1至6任一项所述指纹图像增强二值化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941045.7A CN108960214A (zh) | 2018-08-17 | 2018-08-17 | 指纹图像增强二值化方法、装置、设备、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810941045.7A CN108960214A (zh) | 2018-08-17 | 2018-08-17 | 指纹图像增强二值化方法、装置、设备、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960214A true CN108960214A (zh) | 2018-12-07 |
Family
ID=64470511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810941045.7A Pending CN108960214A (zh) | 2018-08-17 | 2018-08-17 | 指纹图像增强二值化方法、装置、设备、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960214A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947756A (zh) * | 2019-03-18 | 2019-06-28 | 成都好享你网络科技有限公司 | 用于增广数据的数据清洗方法、装置和设备 |
CN110136132A (zh) * | 2019-05-24 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 设备发热故障的检测方法、检测装置及终端设备 |
CN110991457A (zh) * | 2019-11-26 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 二维码处理方法、装置、电子设备及存储介质 |
CN111461022A (zh) * | 2020-04-01 | 2020-07-28 | 北京心智计算科技有限公司 | 一种基于人工智能技术的皮纹识别系统 |
CN111783822A (zh) * | 2020-05-20 | 2020-10-16 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置及存储介质 |
CN112668399A (zh) * | 2020-12-07 | 2021-04-16 | 北京极豪科技有限公司 | 图像处理方法、指纹信息提取方法、装置、设备及介质 |
CN113657498A (zh) * | 2021-08-17 | 2021-11-16 | 展讯通信(上海)有限公司 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
CN113705519A (zh) * | 2021-09-03 | 2021-11-26 | 杭州乐盯科技有限公司 | 一种基于神经网络的指纹识别方法 |
TWI754241B (zh) * | 2020-02-27 | 2022-02-01 | 大陸商敦泰電子(深圳)有限公司 | 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 |
WO2022236877A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种基于深度学习的指纹纹理提取方法、系统、装置及存储介质 |
TWI818496B (zh) * | 2022-01-27 | 2023-10-11 | 大陸商敦泰電子(深圳)有限公司 | 指紋識別方法、指紋模組及電子設備 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414349A (zh) * | 2007-12-04 | 2009-04-22 | 浙江师范大学 | 一种基于bp神经网络的指纹图像纹路方向计算和图像分割方法 |
CN102254172A (zh) * | 2011-06-16 | 2011-11-23 | 电子科技大学 | 一种基于细胞神经网络和形态学的指纹图像分割方法 |
CN104778473A (zh) * | 2014-01-09 | 2015-07-15 | 深圳市中瀛鑫科技股份有限公司 | 图像二值化方法和装置、视频分析系统 |
CN106096510A (zh) * | 2016-05-31 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹识别的方法和装置 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
-
2018
- 2018-08-17 CN CN201810941045.7A patent/CN108960214A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414349A (zh) * | 2007-12-04 | 2009-04-22 | 浙江师范大学 | 一种基于bp神经网络的指纹图像纹路方向计算和图像分割方法 |
CN102254172A (zh) * | 2011-06-16 | 2011-11-23 | 电子科技大学 | 一种基于细胞神经网络和形态学的指纹图像分割方法 |
CN104778473A (zh) * | 2014-01-09 | 2015-07-15 | 深圳市中瀛鑫科技股份有限公司 | 图像二值化方法和装置、视频分析系统 |
CN106096510A (zh) * | 2016-05-31 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹识别的方法和装置 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
Non-Patent Citations (3)
Title |
---|
HAIXIA WANG ET AL: "Fingerprint Pore Extraction Using U-Net Based Fully Convolutional Network", 《BIOMETRIC RECOGNITION. 12TH CHINESE CONFERENCE》 * |
HASAN DEMIREL ET AL: "A Fully CNN Based Fingerprint Recognition System", 《11TH INTERNATIONAL WORKSHOP ON CELLULAR NEURAL NETWORKS AND THEIR APPLICATIONS》 * |
李辉等: "PCNN在指纹图像二值化中的应用", 《郑州轻工业学院学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947756A (zh) * | 2019-03-18 | 2019-06-28 | 成都好享你网络科技有限公司 | 用于增广数据的数据清洗方法、装置和设备 |
CN110136132A (zh) * | 2019-05-24 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 设备发热故障的检测方法、检测装置及终端设备 |
CN110991457A (zh) * | 2019-11-26 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 二维码处理方法、装置、电子设备及存储介质 |
CN110991457B (zh) * | 2019-11-26 | 2023-12-08 | 北京达佳互联信息技术有限公司 | 二维码处理方法、装置、电子设备及存储介质 |
TWI754241B (zh) * | 2020-02-27 | 2022-02-01 | 大陸商敦泰電子(深圳)有限公司 | 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 |
CN111461022A (zh) * | 2020-04-01 | 2020-07-28 | 北京心智计算科技有限公司 | 一种基于人工智能技术的皮纹识别系统 |
CN111783822A (zh) * | 2020-05-20 | 2020-10-16 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置及存储介质 |
CN111783822B (zh) * | 2020-05-20 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置及存储介质 |
WO2022121858A1 (zh) * | 2020-12-07 | 2022-06-16 | 北京极豪科技有限公司 | 图像处理方法、指纹信息提取方法、装置、设备、产品及介质 |
CN112668399A (zh) * | 2020-12-07 | 2021-04-16 | 北京极豪科技有限公司 | 图像处理方法、指纹信息提取方法、装置、设备及介质 |
WO2022236877A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种基于深度学习的指纹纹理提取方法、系统、装置及存储介质 |
CN113657498A (zh) * | 2021-08-17 | 2021-11-16 | 展讯通信(上海)有限公司 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
CN113657498B (zh) * | 2021-08-17 | 2023-02-10 | 展讯通信(上海)有限公司 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
CN113705519A (zh) * | 2021-09-03 | 2021-11-26 | 杭州乐盯科技有限公司 | 一种基于神经网络的指纹识别方法 |
CN113705519B (zh) * | 2021-09-03 | 2024-05-24 | 杭州乐盯科技有限公司 | 一种基于神经网络的指纹识别方法 |
TWI818496B (zh) * | 2022-01-27 | 2023-10-11 | 大陸商敦泰電子(深圳)有限公司 | 指紋識別方法、指紋模組及電子設備 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960214A (zh) | 指纹图像增强二值化方法、装置、设备、系统及存储介质 | |
CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
Nakamura et al. | Scene text eraser | |
Zhou et al. | Classification of histology sections via multispectral convolutional sparse coding | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN107145885B (zh) | 一种基于卷积神经网络的单字图文字识别方法及装置 | |
CN112507997A (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
Bhunia et al. | Improving document binarization via adversarial noise-texture augmentation | |
CN113191969A (zh) | 一种基于注意力对抗生成网络的无监督图像除雨方法 | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN113807356B (zh) | 一种端到端的低能见度图像语义分割方法 | |
CN112528782B (zh) | 水下鱼类目标检测方法及装置 | |
CN113450288A (zh) | 基于深度卷积神经网络单图像去雨方法、系统和存储介质 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
Mahapatra | Retinal image quality classification using neurobiological models of the human visual system | |
CN109145810A (zh) | 指纹细节点检测方法、装置、设备、系统及存储介质 | |
CN114119428B (zh) | 一种图像去模糊方法和装置 | |
CN110909601A (zh) | 一种基于深度学习的美瞳识别方法及系统 | |
Devakumar et al. | Forensic sketch to real image using dcgan | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Applicant after: Entropy Technology Co., Ltd Address before: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Applicant before: Zhongkong Smart Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |