CN110020617A - 一种基于生物特征的身份识别方法、装置和存储介质 - Google Patents
一种基于生物特征的身份识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110020617A CN110020617A CN201910235191.2A CN201910235191A CN110020617A CN 110020617 A CN110020617 A CN 110020617A CN 201910235191 A CN201910235191 A CN 201910235191A CN 110020617 A CN110020617 A CN 110020617A
- Authority
- CN
- China
- Prior art keywords
- network
- characteristic
- depth
- data
- identification
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于生物特征的身份识别方法、装置和存储介质。将采集的人脸图像、指纹图像和DNA图像进行预处理和归一化后作为网络输入,经过训练网络的训练后提取出深度特征,将深度特征融合成融合特征后,与特征库中的数据进行对比,完成身份识别。确保了对不同类型生物特征图像均能够实现足够深度的训练,通过融合特征避免了特征不足所导致的身份识别失败,提高了身份识别的准确性和全面性。
Description
技术领域
本发明涉及智能识别领域,特别是一种基于生物特征的身份识别方法、装置和存储介质。
背景技术
目前,执法机关在办理案件的过程中,对嫌疑人进行身份识别是办案流程的重点,快速准确地识别嫌疑人的身份并且读取背景信息能有效地提高案件办理的效率。传统的方法主要执法机关根据嫌疑人的证件信息从执法系统中进行手动查询获取,这种方法耗时较长,且遇到证件造假的时候并不能得出可靠的信息。
为了提高信息的可靠性,避免造假,需要寻求基于不同个人唯一、可靠和稳定的识别基准。能够随着计算机技术的发展,为基于可测量的生物特征建立个人的背景信息数据库提供了技术基础。生物特征为个人的身体特征,主要包括脸型、指纹、视网膜、手的血管和DNA等,这些特征无法篡改,能实现与个人的唯一对应。而在不同的生物特征所对应的数据库中所保存的个人信息不同,为了能获取全面的背景信息,需要将采集的每一个生物特征用于身份识别。
在现有技术中,已经有利用人脸、指纹、DNA等多种生物特征结合进行身份识别的技术方案,在采集生物特征后,通过训练好的神经网络进行特征提取,将提取的特征分别与对应的特征库对比识别得出结果。虽然能够实现生物特征的提取,但是由于不同的生物特征在同一个网络中所提取的特征深度并不一致,很容易不同特征识别的结果不同,影响身份识别。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于生物特征的身份识别方法、装置和存储介质,在实际应用中能够结合多种生物特征,准确完成身份识别。
本发明解决其问题所采用的技术方案是:
第一方面,本发明提供了一种基于生物特征的身份识别方法,包括以下步骤:
读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入;
将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
将所述深度特征进行融合,生成融合特征;
读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
进一步,所述将生物特征图像的数据进行归一化之前,还包括:对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声。
进一步,所述生物特征图像包括人脸特征图、指纹特征图和DNA特征图。
进一步,所述网络输入生成后,还包括:生成与所述生物特征图像相对应的网络输入数据库;所述网络输入数据库包括人脸网络输入数据库、指纹网络输入数据库和DNA网络输入数据库。
进一步,所述深度特征的生成具体包括以下步骤:
读取预先设定的标准判别性和标准鲁棒性;
获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征。
进一步,所述将所述融合特征与所述用户身份数据进行比对,完成身份识别具体包括以下步骤:
对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
根据所述身份分类查询对应的用户身份,输出身份识别结果。
第二方面,本发明提供了一种基于生物特征的身份识别装置,包括以下装置:
网络输入获取单元,用于读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入,并将网络输入保存至网络输入数据库中;
深度特征生成单元,用于将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
融合特征生成单元,用于将所述深度特征进行融合,生成融合特征;
身份识别单元,用于读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
进一步,还包括以下装置:
预处理单元,用于对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声;
网络输入数据库生成单元,用于生成与所述生物特征图像相对应的网络输入数据库;
深度特征标准获取单元,用于读取预先设定的标准判别性和标准鲁棒性;
深度特征设置单元,用于获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征;
身份分类获取单元,用于对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
身份识别结果输出单元,用于根据所述身份分类查询对应的用户身份,输出身份识别结果。
第三方面,本发明提供了一种基于生物特征的身份识别设备,
包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上所述的基于生物特征的身份识别方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上所述的基于生物特征的身份识别方法。
第五方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上所述的基于生物特征的身份识别方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明采用了一种基于生物特征的身份识别方法、装置和存储介质,在读采集到生物特征图像后,通过训练网络提取出深度特征,将得出的深度特征进行融合成融合特征,并将融合特征与预先录入特征库中的身份数据进行比对,从而确定所述分类,即确定采集的生物特征图像所对应的身份信息,完成身份识别。相比起现有技术的技术方案,本发明的技术方案在训练得出深度特征后融合得出融合特征,通过融合特征与身份数据进行比对,有效避免了训练网络中某种特征图的特征提取深度不足所导致的身份识别失败,提高了身份识别的准确性和全面性。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一个实施例提供的一种基于生物特征的身份识别方法的流程图;
图2是本发明另一个实施例提供的一种基于生物特征的身份识别方法中生成深度特征的流程图;
图3是本发明另一个实施例提供的一种基于生物特征的身份识别方法的完成身份识别的流程图;
图4是本发明另一个实施例提供的一种基于生物特征的身份识别方法的完整步骤图;
图5是本发明另一个实施例提供的一种基于生物特征的身份识别装置的装置示意图;
图6是本发明另一个实施例提供的一种基于生物特征的身份识别设备的结构示意图。
具体实施方式
目前,执法机关在办理案件的过程中,对嫌疑人进行身份识别是办案流程的重点,快速准确地识别嫌疑人的身份并且读取背景信息能有效地提高案件办理的效率。传统的方法主要执法机关根据嫌疑人的证件信息从执法系统中进行手动查询获取,这种方法耗时较长,且遇到证件造假的时候并不能得出可靠的信息。
为了提高信息的可靠性,避免造假,需要寻求基于不同个人唯一、可靠和稳定的识别基准。能够随着计算机技术的发展,为基于可测量的生物特征建立个人的背景信息数据库提供了技术基础。生物特征为个人的身体特征,主要包括脸型、指纹、视网膜、手的血管和DNA等,这些特征无法篡改,能实现与个人的唯一对应。而在不同的生物特征所对应的数据库中所保存的个人信息不同,为了能获取全面的背景信息,需要将采集的每一个生物特征用于身份识别。
在现有技术中,已经有利用人脸和指纹等多个生物特征进行身份识别的技术方案,在采集生物特征后,通过训练好的神经网络进行特征提取处理,根据提取的特征与特征库对比识别。虽然能够实现生物特征的提取,但是现有方案大多数将生物特征输入至一个训练网络中进行训练,不同的生物特征输入至同一训练网络中所得到特征的置信度并不一致,很容易出现某个生物特征提取不全面的情况,影响身份识别的全面性。
基于此,本发明采用了一种基于生物特征的身份识别方法、装置和存储介质,在读采集到生物特征图像后,通过训练网络提取出深度特征,将得出的深度特征进行融合成融合特征,并将融合特征与预先录入特征库中的身份数据进行比对,从而确定所述分类,即确定采集的生物特征图像所对应的身份信息,完成身份识别。相比起现有技术的技术方案,本发明的技术方案在训练得出深度特征后融合得出融合特征,通过融合特征与身份数据进行比对,有效避免了训练网络中某种特征图的特征提取深度不足所导致的身份识别失败,提高了身份识别的准确性和全面性。
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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
其中,本发明中所涉及的生物特征图像由常规的采集装置获取,例如指纹采集装置、人脸图像采集装置、DNA采集装置等,上述装置属于现有的常规产品,并不属于本发明的保护范围内。
参照图1,本发明实施例的一种基于生物特征的身份识别方法,包括以下步骤:
步骤S1,读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入;
步骤S2,将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
步骤S3,将所述深度特征进行融合,生成融合特征;
步骤S4,读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
其中,在本实施例中,所获取的生物特征图像可以进行归一化,也可以不进行归一化。本实施例中优选对生物特征图像进行归一化,若不对生物特征图像进行归一化,容易导致特征图中的特征向量在量纲上相差的倍数较大,从而在后期的训练中导致精确度收到影响,因此本实施例中在利用生物特征图像进行输入之前进行归一化处理,例如所采集的生物特征图像为人脸图像时,将代表人脸的d维向量Ff按照最大最小原则将Ff归一化特征向量Ff′,即:
其中,Ff={Ff1Ff2,…,Ffx}。
其中,在本实施例中的步骤S2中,所述训练网络可以是深度森林网络、深度卷积网络或贝叶斯分类器中任意一种,能实现特征提取即可。
其中,在采用深度森林网络的实施例中,深度森林采用级联结构,其中级联接收由前一级别森林处理的特征信息并输入至下一级。每层包含两个随机森林和两个完全随机森林,每个随机森林包含500棵树,完全随机森林由1000棵决策树组成。在进行特征提取的过程中,随机森林中的每棵树随机选取一个特征作为分裂树的分裂节点进行生长,直到每个叶节点细分到只有1个类别或者不多于10个样本。而在完全随机森林中利用函数sqrt(d)选取出适当的候选特征个数,d为输入特征维度,通过gini分数筛选分裂节点。例如本实施例中当输入的样本包含3个生物特征图像时,4个森林中的每一个将产生三维类向量,因此下一级级联将获得12(3×4)增强特征。深度森林网络具有容易训练的特点,在参数设置相同的情况下,处理不同领域的不同数据,都能达到较佳的效果,因此对于本实施例中采取多个生物特征图像的方法,引入深度森林网络作为训练网络能够保证不同领域的生物特征图像在训练好均能得出较好的特征图。
其中,在采用深度卷积网络的实施例中,深度卷积网络包括卷积层、池化层和全连接层,经过卷积层和池化层计算后所提取的特征不容易过度拟合,避免了样本重合之后的变造过程,同时采用深度卷积网络能够利用不同的卷积、池化和最后输出的特征相连的大小控制整体模型的拟合能力,提高了特征提取的适用范围。在本实施例中,卷积层特征图的计算表达式采用其中L为卷积层的层数,j表示第L层的第j个特征图,f函数为激活函数,k为卷积核,Mj为输入的特征图的一个选择,b表示对应的偏置。所述池化层中经过计算后将特征图的高度和宽度缩小,所述池化层中计算表达式为:其中,down函数为池化函数,β表示乘性偏置,t表示加性偏置。本实施例中优选的卷积层中包括3个卷积层C1-C2,其中C1中包括6个5×5的卷积核,C2中包括10个5×5的卷积核。
其中,在采用贝叶斯分类的实施例中,所述贝叶斯分类器优选朴素贝叶斯分类器,朴素贝叶斯分类器是根据先验概率预测样本属于某一类别的概率,具体算法分为分类器训练阶段和判别分类阶段,分类器训练阶段用于生成分类器,判别分类阶段用于根据生成的分类器判断样本所属。例如,当样本为x(x1,x2,…xn)时,类别集合表示为C={y1,y2,…ym},要对样本x判别分类,则需分别计算P(y1|x),P(y2|x),…P(yn|x),则x的预测类别计算表达式为P(yk|x)=max{P(y1|x),P(y2|x),…,P(ym|x)},其中,yk即为贝叶斯分类器判别的未知样本x的类别。上述条件概率的计算步骤包括构造已知类别的训练样本集合以及统计训练集中各特征属性在每个类别中的条件概率估计,所述特征属性是独立的情况下,条件概率的计算表达式为P(yi|x)=P(x|yi)P(yi)/P(x)。
其中,在本实施例中,可以通过各生物特征图像提取出的深度特征进行与特征库比对,也可以进行特征融合之后进行比对,本实施例中优选采用将特征融合之后进行比对,若单独进行比对,则需要根据每个类型的生物特征建立独立的特征库,在这种情况下,还需要增加判断所识别出的身份是否属于同一个人,增加了不必要的步骤,同时当深度特征数量较模糊时很容易识别出多个身份,准确性不强。而本实施例中采用融合特征进行比对,只需建立一个特征库用于存储身份信息,更加便利和准确地完成身份识别。
优选地,本实施例中的特征融合采用KPCA算法,获取所得的深度特征的数据集X,将数据进行归一化处理后利用核函数将数据集X∈Rd映射到高维特征空间H(X)∈Rh(h≥d),在高维特征空间H(X),通过主元分析方法,并依据累计特征贡献率达到95%的标准,通过提取非线性主元,得到高维特征空间向地位空间的投影向量,从而得到降维的数据,即融合特征。
进一步,在本发明的另一个实施例中,所述将生物特征图像的数据进行归一化之前,还包括:对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声。
其中,在本实施例中,优选通过梯度卷积算子对所获取的生物特征图像进行分割处理,从而去除背景和降低噪声。在采集到生物特征图像后,获取生物特征图像的像素集,通过梯度卷积算子计算出每个像素的梯度值,并以该梯度值组成梯度矩阵,当梯度矩阵中的梯度值大于预设的参考值时,将该梯度值设置为1,否则设置为0,被设置为0的梯度值即为图像边缘集。将图像边缘集中的每个元素与像素集中相应的像素点相乘后得出分割图像。
进一步,在本发明的另一个实施例中,所述生物特征图像包括人脸特征图、指纹特征图和DNA特征图。
其中,在本实施例中,所述生物特征图像中的生物特征可以是任意形式的特征,例如脸型、指纹、视网膜、手的血管和DNA等具有唯一识别性的生物特征,本实施例中优选采用人脸、指纹和DNA,上述三种生物特征具有采集方便的特点,所采集的图像较清晰,便于提高身份识别的效率。
进一步,在本发明的另一个实施例中,所述网络输入生成后,还包括:生成与所述生物特征图像相对应的网络输入数据库;所述网络输入数据库包括人脸网络输入数据库、指纹网络输入数据库和DNA网络输入数据库。
其中,在本实施例中,可以以任意形式存储所获取的网络输入,本实施例中优选根据生物特征图像的生物特征类型独立建立数据库。例如人脸网络输入数据库用于存储根据人脸特征图所获取的网络输入,便于数据管理。
进一步,在本发明的另一个实施例中,所述深度特征的生成具体包括以下步骤:
步骤S21,读取预先设定的标准判别性和标准鲁棒性;
步骤S22,获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征。
其中,在本实施例的步骤S21中,虽然生物特征图像在训练前经过预处理,但是实际应用当中所采集的图像并非理想状态的图像,因此所提取的特征并非所有均可用于身份识别,可能会训练出一些包含有效信息较少,干扰较多的特征,因此需要设置鲁棒性和判别性的评判标准,选取出符合鲁棒性和判别性的特征用于身份识别。
进一步,在本发明的另一个实施例中,所述将所述融合特征与所述用户身份数据进行比对,完成身份识别具体包括以下步骤:
步骤S41,对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
步骤S42,根据所述身份分类查询对应的用户身份,输出身份识别结果。
其中,在本实施例中,优选将用户身份作为分类标准进行分类,即每个用户作为一个类别,并保存有预先录入的特征库,因此对用户的身份进行识别,其本质在于识别所提取出的融合特征与具体某个类别的特征库中的特征一致,由于融合之后的融合特征数量较多,因此为了提高身份识别的准确性,需要通过置信度和阈值对融合特征进行筛选,增加识别的准确性和效率。
参考图4,另外,本发明的另一个实施例还提供了一种基于生物特征的身份识别方法,包括以下步骤:
步骤S110:读取采集到的生物特征图像,所述生物特征图像包括人脸特征图、指纹特征图和DNA特征图;
步骤S120:去除所述生物特征图像中的背景,并降低图像噪声;
步骤S130:生物特征图像进行归一化后生成网络输入;
步骤S140:生成与所述生物特征图像相对应的网络输入数据库;所述网络输入数据库包括人脸网络输入数据库、指纹网络输入数据库和DNA网络输入数据库;
步骤S210:将所述网络输入发送至训练网络中进行网络训练,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
步骤S220:读取预先设定的标准判别性和标准鲁棒性;
步骤S230:获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征;
步骤S310:将所述深度特征进行融合,生成融合特征;
步骤S410:读取用于保存身份识别信息的特征库中的用户身份数据;
步骤S420:对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
步骤S430:根据所述身份分类查询对应的用户身份,输出身份识别结果。
其中,本实施例中在读采集到生物特征图像后进行预处理,有效降低了外界干扰对特征提取的影响;获取的网络输入通过训练网络提取出深度特征,训练得出的初始特征经过预先设定的标准判别性和标准鲁棒性的筛选后得出符合条件的深度特征,有利于确保用于身份识别的特征具有参考性;将得出的深度特征进行融合成融合特征,通过融合有利于将输入的所有生物特征图像用于身份识别,有效避免了身份识别的错漏,保证了背景信息的全面性;将融合特征与预先录入的特征库进行比对,从而确定所述分类,即确定采集的生物特征图像所对应的身份信息,完成身份识别。本发明的技术方案采用了多个训练网络结合成的训练网络对特征图进行独立的训练,确保了对不同类型生物特征图像均能够实现足够深度的训练,避免了特征不足所导致的身份识别失败,提高了身份识别的准确性和全面性。
参照图5,本发明实施例还提供了一种基于生物特征的身份识别装置,在该基于生物特征的身份识别装置1000中,包括但不限于:网络输入获取单元1100、深度特征生成单元1200、融合特征生成单元1300和身份识别单元1400。
其中,网络输入获取单元1100用于读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入,并将网络输入保存至网络输入数据库中;
深度特征生成单元1200用于将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
融合特征生成单元1300用于将所述深度特征进行融合,生成融合特征;
身份识别单元1400用于读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
进一步,本发明的另一个实施例中,还包括但不限于:预处理单元1110、网络输入数据库生成单元1120、深度特征标准获取单元1210、深度特征设置单元1220、身份分类获取单元1410和身份识别结果输出单元1420。
其中,预处理单元1110用于对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声;
网络输入数据库生成单元1120用于生成与所述生物特征图像相对应的网络输入数据库;
深度特征标准获取单元1210用于读取预先设定的标准判别性和标准鲁棒性;
深度特征设置单元1220用于获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征;
身份分类获取单元1410用于对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
身份识别结果输出单元1420用于根据所述身份分类查询对应的用户身份,输出身份识别结果。
需要说明的是,由于本实施例中的基于生物特征的身份识别装置与上述的基于生物特征的身份识别方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参照图6,本发明实施例还提供了一种基于生物特征的身份识别设备,该基于生物特征的身份识别设备6000可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体地,该基于生物特征的身份识别设备6000包括:一个或多个控制处理器6001和存储器6002,图6中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的基于生物特征的身份识别设备对应的程序指令/模块,例如,图5中所示的网络输入获取单元1100和深度特征生成单元1200。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行基于生物特征的身份识别装置1000的各种功能应用以及数据处理,即实现上述方法实施例的基于生物特征的身份识别方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于生物特征的身份识别装置1000的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该基于生物特征的身份识别设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器6002中,当被所述一个或者多个控制处理器6001执行时,执行上述方法实施例中的基于生物特征的身份识别方法,例如,执行以上描述的图1中的方法步骤S1至S4,图2中的方法步骤S21至S22,图3中的方法步骤S41至S42,实现图5中的单元1100-1400的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图4中的一个控制处理器6001执行,可使得上述一个或多个控制处理器6001执行上述方法实施例中的基于生物特征的身份识别方法,例如,执行以上描述的图1中的方法步骤S1至S4,图2中的方法步骤S21至S22,图3中的方法步骤S41至S42,实现图5中的单元1100-1400的功能。
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单元可以是或者也可以不是物理上分开的,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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于生物特征的身份识别方法,其特征在于,包括以下步骤:读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入;
将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
将所述深度特征进行融合,生成融合特征;
读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
2.根据权利要求1所述的一种基于生物特征的身份识别方法,其特征在于,所述将生物特征图像的数据进行归一化之前,还包括:对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声。
3.根据权利要求2所述的一种基于生物特征的身份识别方法,其特征在于:所述生物特征图像包括人脸特征图、指纹特征图和DNA特征图。
4.根据权利要求3所述的一种基于生物特征的身份识别方法,其特征在于,所述网络输入生成后,还包括:生成与所述生物特征图像相对应的网络输入数据库;所述网络输入数据库包括人脸网络输入数据库、指纹网络输入数据库和DNA网络输入数据库。
5.根据权利要求1所述的一种基于生物特征的身份识别方法,其特征在于,所述深度特征的生成具体包括以下步骤:
读取预先设定的标准判别性和标准鲁棒性;
获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征。
6.根据权利要求1所述的一种基于生物特征的身份识别方法,其特征在于,所述将所述融合特征与所述用户身份数据进行比对,完成身份识别具体包括以下步骤:
对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
根据所述身份分类查询对应的用户身份,输出身份识别结果。
7.一种基于生物特征的身份识别装置,其特征在于,包括以下装置:网络输入获取单元,用于读取采集到的生物特征图像,将所述生物特征图像进行归一化后生成网络输入,并将网络输入保存至网络输入数据库中;
深度特征生成单元,用于将所述网络输入发送至训练网络中进行网络训练,生成深度特征,所述训练网络为深度森林网络、深度卷积网络或贝叶斯分类器;
融合特征生成单元,用于将所述深度特征进行融合,生成融合特征;身份识别单元,用于读取用于保存身份识别信息的特征库中的用户身份数据,将所述融合特征与所述用户身份数据进行比对,完成身份识别。
8.根据权利要求7所述的基于生物特征的身份识别装置,其特征在于,还包括以下装置:
预处理单元,用于对所述生物特征图像进行预处理,所述预处理包括去除背景和降低噪声;
网络输入数据库生成单元,用于生成与所述生物特征图像相对应的网络输入数据库;
深度特征标准获取单元,用于读取预先设定的标准判别性和标准鲁棒性;
深度特征设置单元,用于获取训练网络中训练得出的初始特征,若所述初始特征的判别性和鲁棒性优于标准判别性和标准鲁棒性,将该初始特征设置为深度特征;
身份分类获取单元,用于对比所述融合特征的数据与用户特征数据的置信度和阈值,若检测到所述置信度和阈值相同,将融合特征设置为用户特征数据相对应的身份分类;
身份识别结果输出单元,用于根据所述身份分类查询对应的用户身份,输出身份识别结果。
9.一种基于生物特征的身份识别设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器所通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的一种基于生物特征的身份识别方法。
10.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的一种基于生物特征的身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910235191.2A CN110020617A (zh) | 2019-03-27 | 2019-03-27 | 一种基于生物特征的身份识别方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910235191.2A CN110020617A (zh) | 2019-03-27 | 2019-03-27 | 一种基于生物特征的身份识别方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020617A true CN110020617A (zh) | 2019-07-16 |
Family
ID=67190022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910235191.2A Pending CN110020617A (zh) | 2019-03-27 | 2019-03-27 | 一种基于生物特征的身份识别方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020617A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052197A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 身份识别的方法、装置、设备和介质 |
CN113539357A (zh) * | 2021-06-10 | 2021-10-22 | 阿里巴巴新加坡控股有限公司 | 基因检测方法、模型训练方法、装置、设备及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及系统 |
CN105046277A (zh) * | 2015-07-15 | 2015-11-11 | 华南农业大学 | 特征显著性在图像质量评价中的鲁棒机理研究方法 |
CN105224849A (zh) * | 2015-10-20 | 2016-01-06 | 广州广电运通金融电子股份有限公司 | 一种多生物特征融合身份鉴别方法以及装置 |
CN106570467A (zh) * | 2016-10-25 | 2017-04-19 | 南京南瑞集团公司 | 一种基于卷积神经网络的人员离岗检测方法 |
CN107122798A (zh) * | 2017-04-17 | 2017-09-01 | 深圳市淘米科技有限公司 | 基于深度卷积网络的引体向上计数检测方法及装置 |
CN107423703A (zh) * | 2017-07-21 | 2017-12-01 | 山东大学 | 基于人脸、指纹和指静脉特征的多模态识别装置及方法 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN109165682A (zh) * | 2018-08-10 | 2019-01-08 | 中国地质大学(武汉) | 一种融合深度特征和显著性特征的遥感图像场景分类方法 |
CN109389037A (zh) * | 2018-08-30 | 2019-02-26 | 中国地质大学(武汉) | 一种基于深度森林和迁移学习的情感分类方法 |
-
2019
- 2019-03-27 CN CN201910235191.2A patent/CN110020617A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794266A (zh) * | 2005-12-31 | 2006-06-28 | 清华大学 | 生物特征融合的身份识别和认证方法 |
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及系统 |
CN105046277A (zh) * | 2015-07-15 | 2015-11-11 | 华南农业大学 | 特征显著性在图像质量评价中的鲁棒机理研究方法 |
CN105224849A (zh) * | 2015-10-20 | 2016-01-06 | 广州广电运通金融电子股份有限公司 | 一种多生物特征融合身份鉴别方法以及装置 |
CN106570467A (zh) * | 2016-10-25 | 2017-04-19 | 南京南瑞集团公司 | 一种基于卷积神经网络的人员离岗检测方法 |
CN107122798A (zh) * | 2017-04-17 | 2017-09-01 | 深圳市淘米科技有限公司 | 基于深度卷积网络的引体向上计数检测方法及装置 |
CN107423703A (zh) * | 2017-07-21 | 2017-12-01 | 山东大学 | 基于人脸、指纹和指静脉特征的多模态识别装置及方法 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN108921191A (zh) * | 2018-05-25 | 2018-11-30 | 北方工业大学 | 基于图像质量评估的多生物特征融合识别方法 |
CN109165682A (zh) * | 2018-08-10 | 2019-01-08 | 中国地质大学(武汉) | 一种融合深度特征和显著性特征的遥感图像场景分类方法 |
CN109389037A (zh) * | 2018-08-30 | 2019-02-26 | 中国地质大学(武汉) | 一种基于深度森林和迁移学习的情感分类方法 |
Non-Patent Citations (1)
Title |
---|
翁理国等: "基于多维多粒度级联森林的高原地区云雪分类", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052197A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 身份识别的方法、装置、设备和介质 |
CN113052197B (zh) * | 2019-12-28 | 2024-03-12 | 中移(成都)信息通信科技有限公司 | 身份识别的方法、装置、设备和介质 |
CN113539357A (zh) * | 2021-06-10 | 2021-10-22 | 阿里巴巴新加坡控股有限公司 | 基因检测方法、模型训练方法、装置、设备及系统 |
CN113539357B (zh) * | 2021-06-10 | 2024-04-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 基因检测方法、模型训练方法、装置、设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rothe et al. | Deep expectation of real and apparent age from a single image without facial landmarks | |
CN106815566B (zh) | 一种基于多任务卷积神经网络的人脸检索方法 | |
CN107609497B (zh) | 基于视觉跟踪技术的实时视频人脸识别方法及系统 | |
Moreira et al. | Image provenance analysis at scale | |
WO2020114118A1 (zh) | 面部属性识别方法、装置、存储介质及处理器 | |
Galleguillos et al. | Context based object categorization: A critical survey | |
Liu et al. | Micro-expression recognition using advanced genetic algorithm | |
Folego et al. | From impressionism to expressionism: Automatically identifying van Gogh's paintings | |
CN110413825B (zh) | 面向时尚电商的街拍推荐系统 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
CN102637255A (zh) | 用于处理图像中包含的面部的方法和设备 | |
Chu et al. | Local region partition for person re-identification | |
Dagnes et al. | 3D geometry-based face recognition in presence of eye and mouth occlusions | |
Berretti et al. | Distinguishing facial features for ethnicity-based 3D face recognition | |
CN110020617A (zh) | 一种基于生物特征的身份识别方法、装置和存储介质 | |
CN114818963A (zh) | 一种基于跨图像特征融合的小样本检测算法 | |
Booysens et al. | Ear biometrics using deep learning: A survey | |
Liu et al. | Presentation attack detection for face in mobile phones | |
Goud et al. | Smart attendance notification system using SMTP with face recognition | |
Winter et al. | Demystifying face-recognition with locally interpretable boosted features (libf) | |
Wu et al. | A new multiple‐distribution GAN model to solve complexity in end‐to‐end chromosome karyotyping | |
Li et al. | Measuring visual surprise jointly from intrinsic and extrinsic contexts for image saliency estimation | |
Omara et al. | LDM-DAGSVM: learning distance metric via DAG support vector machine for ear recognition problem | |
CN113378609A (zh) | 代理商代签名的识别方法及装置 | |
Liu et al. | Lightweight Single Shot Multi-Box Detector: A fabric defect detection algorithm incorporating parallel dilated convolution and dual channel attention |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
RJ01 | Rejection of invention patent application after publication |