CN110059700B - 图像摩尔纹识别方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请涉及一种图像摩尔纹识别方法，该方法包括：获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像，对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像，对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量，将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。该图像摩尔纹识别方法能够简洁便捷地识别摩尔纹，且准确度高。此外，还提出了一种图像摩尔纹识别装置、计算机设备及存储介质。

Description

图像摩尔纹识别方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其是涉及一种图像摩尔纹识别方法、装置、计算机设备及存储介质。

背景技术

图像中的目标识别(比如，人脸识别)技术目前已相对比较成熟且应用广泛，但是识别目标时存在一个问题，当图像中出现摩尔纹时，会严重影响人脸识别技术的效果。如果能事先识别到图像中的摩尔纹(摩尔纹是图像上出现的一种高频率不规则的条纹)，并用相应的图像处理技术予以消除，则能大幅度提高识别的效果。但是传统的摩尔纹的识别要么计算复杂，要么识别准确度低。

发明内容

基于此，有必要针对上述问题，提供了一种简单便捷且准确度高的图像摩尔纹识别方法、装置、计算机设备及存储介质。

第一方面，本发明实施例提供一种图像摩尔纹识别方法，所述方法包括：

获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；

根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

第二方面，本发明实施例提供一种图像摩尔纹识别装置，所述装置包括：

滤波模块，用于获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

变换模块，用于对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

提取模块，用于对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；

确定模块，用于根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

识别模块，用于将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；

根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

第四方面，本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；

根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

上述图像摩尔纹识别方法、装置、计算机设备及存储介质，通过对待识别的目标图像分别采用不同的频率进行滤波，得到多个频率滤波图像，然后对每个频率滤波图像进行傅里叶变换得到幅值响应图像，对幅值响应图像进行特征提取确定与幅值响应图像对应的特征向量，然后将目标图像对应的多个幅值响应图像进行组合得到目标特征向量，最后将目标特征向量作为训练好的摩尔纹识别模型的输入，得到输出的识别结果。该图像摩尔纹识别方法通过滤波、傅里叶变换、特征提取确定目标图像对应的目标特征向量，然后直接使用训练好的摩尔纹识别模型进行预测识别图像中的摩尔纹，简单便捷，且采用训练模型的方式进行识别，不仅有利于提高摩尔纹识别的准确度，而且有利于提高泛化性能。

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示出的结构获得其他的附图。

图1为一个实施例中图像摩尔纹识别方法的流程图；

图2为一个实施例中对目标图像进行多个频率滤波的示意图；

图3为一个实施例中确定与每个幅值响应图像对应的特征向量的流程图；

图4为一个实施例中图像摩尔纹识别的流程示意图；

图5为一个实施例中摩尔纹识别模型训练以及识别的过程示意图；

图6为一个实施例中图像摩尔纹识别装置的结构框图；

图7为另一个实施例中图像摩尔纹识别装置的结构框图；

图8为又一个实施例中图像摩尔纹识别装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

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仅用以解释本发明，并不用于限定本发明。

如图1所示，提出了一种图像摩尔纹识别方法，该图像摩尔纹识别方法可以应用于终端或服务器，本实施例中以应用于终端为例说明，具体包括以下步骤：

步骤102，获取待识别的目标图像，对目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像。

其中，目标图像是指需要识别是否有摩尔纹存在的图像。预先将摩尔纹对应的检测频段分为多个不同范围的频率段，然后通过使用带通滤波器对目标图像进行滤波，带通滤波器是指让指定频率通过的滤波器。对目标图像分别采用不同频率的带通滤波器进行滤波，相应地得到多个频率滤波图像。多个带通滤波器是并列的关系，如图2所示，为一个实施例中，将目标图像进行多个不同频率的滤波相应地得到多个频率滤波图像的示意图，分别通过不同频率的带通滤波器，然后得到多个频率滤波图像。

在一个实施例中，可以采用高斯差分滤波(difference of Gaussian，DOG)处理，不同带通滤波器可以通过调整高斯差分滤波的均值和方差来实现，即带通滤波器的带宽由DOG的参数控制，公式表示如下：D(sigma,k)＝G(0,sigma^2)-G(0,k sigma^2)，其中，G是一个均值为0，方差为sigma^2的高斯函数，其对应的带通滤波器的带宽由k决定，中心频率由sigma决定。在一个实施例中，为了覆盖从低频到高频的范围，sigma会使用从小到大的值，比如，sigma从最小值0.1到最大值2，步长可以选择为0.2，k的值可以自定义设置，通常取为2。

步骤104，对每个频率滤波图像进行傅里叶变换，得到与每个频率滤波图像对应的幅值响应图像。

其中，傅里叶变换是指将时域转换为频域的函数，对得到的频率滤波图像进行傅里叶变换，得到频域上的幅值响应图像。分别对每个频率滤波图像进行傅里叶变换，得到与每个频率滤波图像对应的幅值响应图像。

步骤106，对每个幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量。

其中，对目标图像经过滤波以及傅里叶变换后得到的幅值响应图像进行特征提取，以便得到与该幅值响应图像对应的特征向量。在一个实施例中，可以直接对幅值响应图像的特征进行提取，然后得到幅值响应图像对应的特征向量，在另一个实施例中，也可以对幅值响应图像进行进一步处理得到二值化图像，然后提取二值化图像的特征，最后根据提取到的二值化图像的特征确定幅值响应图像的特征向量。

步骤108，根据每个幅值响应图像对应的特征向量确定与目标图像对应的目标特征向量。

其中，由于进行滤波后得到了多个频率滤波图像，然后每个频率滤波图像都对应有幅值响应图像，所以目标图像对应有多个幅值响应图像。在已知每个幅值响应图像对应的特征向量后，可以通过组合得到与目标图像对应的目标特征向量。比如，每个幅值响应图像对应的特征向量表示为Xi(不同幅值响应图像对应的i不同)，相应地得到目标特征向量为[X1，X2，X3……,XN]。

步骤110，将目标特征向量作为摩尔纹识别模型的输入，获取摩尔纹识别模型输出的识别结果。

其中，摩尔纹识别模型用于对图像中的摩尔纹进行识别，其对应的输入为目标特征向量。识别结果可以是图像中存在摩尔纹的概率，然后根据该概率来确定图像中是否存在摩尔纹。识别结果也可以直接是识别是否为摩尔纹图像。在一个实施例中，摩尔纹识别模型是基于卷积神经网络训练得到的。在另一个实施例中，摩尔纹识别模型是基于MLP(multiple layer perceptron多层感知器)的分类器训练得到的。具体地，获取训练样本集，将训练样本集分为两类，一类是包含有摩尔纹的图像，一类是没有摩尔纹的图像，相应地分别标注为正样本和负样本。按照上述方法提取每个训练样本图像对应的目标特征向量，然后将训练样本图像的目标特征向量作为摩尔纹识别模型的输入，将相应的标注作为期望的输出对模型进行训练，得到摩尔纹识别模型。

上述图像摩尔纹识别方法，通过对待识别的目标图像分别采用不同的频率进行滤波，得到多个频率滤波图像，然后对每个频率滤波图像进行傅里叶变换得到幅值响应图像，对幅值响应图像进行特征提取确定与幅值响应图像对应的特征向量，然后将目标图像对应的多个幅值响应图像进行组合得到目标特征向量，最后将目标特征向量作为训练好的摩尔纹识别模型的输入，得到输出的识别结果。该图像摩尔纹识别方法通过滤波、傅里叶变换、特征提取确定目标图像对应的目标特征向量，然后直接使用训练好的摩尔纹识别模型进行预测识别图像中的摩尔纹，简单便捷，且采用训练模型的方式进行识别，不仅有利于提高摩尔纹识别的准确度，而且有利于提高泛化性能。

如图3所示，在一个实施例中，所述对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，包括:

步骤106A，根据多个二值化阈值分别对每个幅值响应图像进行二值化处理，得到与每个幅值响应图像对应的多个二值化图像。

其中，二值化阈值是指用于对图像进行二值化处理所选用的阈值。图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。具体的方式是，设置一个二值化阈值，将图像中像素大于等于二值化阈值的灰度值设为0，将图像中像素小于二值化阈值的灰度值设为255，或者将图像中像素大于等于二值化阈值的灰度值设为255，将图像中小于二值化阈值的灰度值设为0，即根据二值化阈值将像素点分为两类。预先设置多个二值化阈值，分别对幅值响应图像进行二值化处理，相应地得到多个二值化图像，不同的二值化阈值对应的二值化图像不同。

步骤106B，对每个二值化图像进行特征提取，得到与每个二值化图像对应的特征值。

其中，通过对每个二值化图像进行特征提取，计算得到每个二值化图像对应的特征值，特征值是指提取到的特征所对应的值。在一个实施例中，可以将二值化图像中灰度值255的像素点的数目与灰度值为0的像素点的数目的比例作为特征值。在另一个实施例中，也可以将灰度值为0或255的像素点数目占总的像素点数目的比例作为特征值。

步骤106C，将每个幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量。

其中，分别计算每个二值化图像对应的特征值，然后将多个二值化图像的特征值进行组合得到每个幅值响应图像对应的特征向量。在一个实施例中，可以简单地将多个二值化图像对应的特征值组合成一个特征向量，假设二值化图像对应的特征值为Xi,j，此处i对应不同的幅值响应图像，j对应不同的二值化阈值Tj。那么此幅值响应图像对应的特征向量可以表示为Xi＝[Xi,1，Xi,2，Xi,3，……,Xi,j,……,Xi,M],M为总的二值化阈值的个数。

在一个实施例中，所述对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值，包括：获取每个二值化图像中大于所述二值化阈值的像素点的比例；根据每个二值化图像的比例确定与每个二值化图像对应的特征值。

其中，计算二值化图像中大于二值化阈值的像素点的比例，将大于二值化阈值的像素点的比例作为二值化图像的特征值。

传统的图像摩尔纹识别方法是计算幅值响应图像与二值化图像之间的相关性，找到使得幅值响应图像与二值化图像之间的相关性最大的二值化阈值，然后计算在该二值化阈值情况下，二值化图像中大于二值化阈值的像素点的比例，如果比例大于设定的阈值比例，则说明没有摩尔纹存在，如果小于设定的阈值比例，则说明幅值响应图像中有峰值出现，有摩尔纹的存在。由于找到使得幅值响应图像与二值化图像之间的相关性最大的二值化阈值的计算量非常大，所以传统的图像摩尔识别方法比较复杂，且由于不同摄像机对应的阈值比例也会有差异，所以导致识别的准确度也偏低。而本申请中通过采用摩尔纹识别模型，统计每个二值化阈值下的二值化图像中大于二值化阈值的像素点的比例，然后将该比例作为一个个特征值，组合在同一个特征向量中，然后把每个幅值响应图像对应的特征向量又组合为一个更大的目标特征向量，然后该目标特征向量作为摩尔纹识别模型的输入，就可以输出摩尔纹识别的结果。摩尔纹模型是指对图像的特征进行提取学习训练得到的模型。本申请中的图像摩尔纹识别方法不需要找使相关性最暗的二值化阈值，计算量小，且通过模型的方式进行识别，提高了识别的泛化能力，适用于不同的摄像头。

如图4所示，在一个实施例中，为图像摩尔纹识别的流程示意图。首先，获取待识别的目标图像，然后采用多个不同频率的带通滤波器(比如，N个)对目标图像进行滤波，得到多个频率滤波图像，然后对多个频率滤波图像进行傅里叶变换得到多个幅值响应图像。然后对每个幅值响应图像采用多个二值化阈值(比如，M个)进行二值化处理，得到与每个幅值响应图像对应的二值化图像，继而计算二值化图像中大于二值化阈值的像素点比例，得到二值化图像对应的特征值，根据二值化图像对应的特征值组合得到幅值响应图像对应的特征向量，之后根据每个幅值响应图像对应的特征向量得到目标图像对应的目标特征向量。

如前文所述，幅值响应图像对应的特征向量表示为Xi,其中i对应不同的幅值响应图像，也就是对应不同sigma-i(幅值响应图像是由sigma的值有关，不同的sigma的值对应不同的幅值响应图像，其中，i＝1,2,3……)，可表示为Xi＝X(sigma-i)。则最终的总特征向量为不同的幅值响应图像对应的特征向量的组合，X＝[X1,X2,……,XN].其中每个Xi由多个不同阈值Tj对应的二值化图像的特征值Xi,j＝Xi(Tj)组成，表示为Xi＝[Xi,1，Xi,2，……，Xi,M]。在一个实施例中，采用的幅值响应图像为归一化到0-255的灰度图像，可以设置步长为5，二值化阈值可以从5开始，每隔5取一个，一直到255，这样就会得到一个M＝51维的特征向量Xi。实际使用中可以做进一步优化，去掉过小或过大的阈值，得到一个较短的特征向量。

在一个实施例中，在所述获取待识别的目标图像之前，还包括：获取待识别的初始图像，对所述初始图像中的目标进行检测，提取包含有目标的区域，得到目标区域图像；将所述目标区域图像转换为灰度图像，将所述灰度图像作为所述待识别的目标图像。

其中，由于进行摩尔纹识别的目的是为了后续去除摩尔纹，以便对图像中的目标进行识别，所以在选取图像时，选取包含有目标的图像。通过对获取到的初始图像进行目标检测，然后提取包含有目标的区域，这样就得到了目标区域图像，之后将目标区域图像转换为灰度图像，将该灰度图像作为待识别的目标图像。将图像转换为灰度图像的目的是减少后续图像处理的计算复杂度。

在一个实施例中，在所述将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果之前，还包括：获取训练样本图像，对每个所述训练样本图像分别采用不同的频率进行滤波，相应地得到多个训练频率滤波图像；对每个所述训练频率滤波图像进行傅里叶变换，得到与每个所述训练频率滤波图像对应的训练幅值响应图像；根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量；根据所述训练幅值响应图像对应的训练特征向量确定与所述训练样本图像对应的训练目标特征向量；获取每个所述训练样本图像对应的样本标注，所述样本标注分为正样本标注和负样本标注；将每个所述训练样本图像对应的训练目标特征向量作为输入，将相应的样本标注作为期望的输出对所述摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

其中，在使用摩尔纹识别模型之前，需要对摩尔纹识别模型进行训练，使用训练好的摩尔纹识别模型来识别图像中是否存在摩尔纹。首先获取训练样本图像，然后需要对训练样本图像进行滤波、傅里叶变换得到多个训练幅值响应图像，针对每个训练幅值响应图像进行特征提取，然后确定与每个训练幅值响应图像对应的训练特征向量，将多个训练特征向量组合为一个训练目标特征向量，然后获取训练样本图像对应的样本标注，样本标注分为正样本标注和负样本标注，正样本是指包含摩尔纹的图像，负样本是不包含摩尔纹的图像。将训练目标特征向量作为训练输入，将相应的样本标注作为期望的输出对摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

在一个实施例中，为了减少训练的计算复杂度，训练样本图像是处理之后的灰度图像。在得到样本初始图像之后，首先对训练样本图像进行目标(比如，人脸)检测，然后提取包含有目标的区域，提取图像时可以按比例放大边界，使图像包含有更丰富的摩尔纹，然后将该图像转换为灰度图像。

在一个实施例中，所述根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量，包括：根据多个二值化阈值分别对每个所述训练幅值响应图像进行二值化处理，得到与每个所述训练幅值响应图像对应的多个训练二值化图像；对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值；将每个所述训练幅值响应图像对应的多个训练二值化图像的训练特征值进行组合，得到与每个训练幅值响应图像对应的训练特征向量。

其中，为了对训练幅值响应图像进行特征提取，首先将幅值响应图像转换为多个二值化图像，根据设置的多个二值化阈值对训练幅值响应图像进行二值化处理，得到多个训练二值化图像，对每个训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值，然后进行组合得到训练特征向量。

在一个实施例中，所述对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值，包括：获取每个训练二值化图像中大于所述二值化阈值的像素点的比例；根据每个训练二值化图像的比例确定与每个二值化图像对应的训练特征值。

其中，对训练二值化图像进行特征提取是通过计算二值化图像中大于二值化阈值的像素点比例，然后根据每个训练二值化图像的比例得到二值化图像对应的训练特征值。

如图5所示，为一个实施例中，训练摩尔纹识别模型以及采用训练好的摩尔纹识别模型进行识别的示意图。首先，对训练样本图像通过特征提取模块进行特征提取得到训练目标特征向量，然后将训练目标特征向量以及相应的样本标注作为待训练的摩尔纹识别模型输入以及期望的输出对模型进行训练，得到训练好的摩尔纹识别模型。获取到待识别的目标图像后，首先进行特征提取得到目标特征向量，将目标特征向量作为训练后的摩尔纹识别模型的输入，获取输出的结果。图中的特征提取模块是指对图像进行滤波、傅里叶变换、二值化等一些列处理。

如图6所示，在一个实施例中，提出了一种图像摩尔纹识别装置，该装置包括：

滤波模块602，用于获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

变换模块604，用于对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

提取模块606，用于对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；

确定模块608，用于根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

识别模块610，用于将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

在一个实施例中，所述提取模块606还用于根据多个二值化阈值分别对每个所述幅值响应图像进行二值化处理，得到与每个所述幅值响应图像对应的多个二值化图像；对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值；将每个所述幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量。

在一个实施例中，所述提取模块606还用于获取每个二值化图像中大于所述二值化阈值的像素点的比例；根据每个二值化图像的比例确定与每个二值化图像对应的特征值。

如图7所示，在一个实施例中，上述图像摩尔纹识别装置还包括：

检测模块612，用于获取待识别的初始图像，对所述初始图像中的目标进行检测，提取包含有目标的区域，得到目标区域图像；

转换模块614，用于将所述目标区域图像转换为灰度图像，将所述灰度图像作为所述待识别的目标图像。

如图8所示，在一个实施例中，上述图像摩尔纹识别装置还包括：训练模块601，训练模块601包括：

训练滤波模块601A，用于获取训练样本图像，对每个所述训练样本图像分别采用不同的频率进行滤波，相应地得到多个训练频率滤波图像；

训练变换模块601B，用于对每个所述训练频率滤波图像进行傅里叶变换，得到与每个所述训练频率滤波图像对应的训练幅值响应图像；

训练特征提取模块601C，用于根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量；

训练向量确定模块601D，用于根据所述训练幅值响应图像对应的训练特征向量确定与所述训练样本图像对应的训练目标特征向量；

标注获取模块601E，用于获取每个所述训练样本图像对应的样本标注，所述样本标注分为正样本标注和负样本标注；

模型训练模块601F，用于将每个所述训练样本图像对应的训练目标特征向量作为输入，将相应的样本标注作为期望的输出对所述摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

在一个实施例中，训练特征提取模块601C还用于根据多个二值化阈值分别对每个所述训练幅值响应图像进行二值化处理，得到与每个所述训练幅值响应图像对应的多个训练二值化图像；对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值；将每个所述训练幅值响应图像对应的多个训练二值化图像的训练特征值进行组合，得到与每个训练幅值响应图像对应的训练特征向量。

在一个实施例中，训练特征提取模块601C还用于获取每个训练二值化图像中大于所述二值化阈值的像素点的比例；根据每个训练二值化图像的比例确定与每个二值化图像对应的训练特征值。

图9示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是终端或服务器。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像摩尔纹识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像摩尔纹识别方法。网络接口用于与外接进行通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的图像摩尔纹识别方法可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像摩尔纹识别装置的各个程序模板。比如，滤波模块602，变换模块604，提取模块606，确定模块608，识别模块610。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

在一个实施例中，所述对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，包括：根据多个二值化阈值分别对每个所述幅值响应图像进行二值化处理，得到与每个所述幅值响应图像对应的多个二值化图像；对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值；将每个所述幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量。

在一个实施例中，所述对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值，包括：获取每个二值化图像中大于所述二值化阈值的像素点的比例；根据每个二值化图像的比例确定与每个二值化图像对应的特征值。

在一个实施例中，在所述获取待识别的目标图像之前，所述计算机程序被所述处理器执行时，还用于执行以下步骤：获取待识别的初始图像，对所述初始图像中的目标进行检测，提取包含有目标的区域，得到目标区域图像；将所述目标区域图像转换为灰度图像，将所述灰度图像作为所述待识别的目标图像。

在一个实施例中，在所述将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果之前，所述计算机程序被所述处理器执行时，还用于执行以下步骤：获取训练样本图像，对每个所述训练样本图像分别采用不同的频率进行滤波，相应地得到多个训练频率滤波图像；对每个所述训练频率滤波图像进行傅里叶变换，得到与每个所述训练频率滤波图像对应的训练幅值响应图像；根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量；根据所述训练幅值响应图像对应的训练特征向量确定与所述训练样本图像对应的训练目标特征向量；获取每个所述训练样本图像对应的样本标注，所述样本标注分为正样本标注和负样本标注；将每个所述训练样本图像对应的训练目标特征向量作为输入，将相应的样本标注作为期望的输出对所述摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

在一个实施例中，所述根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量，包括：根据多个二值化阈值分别对每个所述训练幅值响应图像进行二值化处理，得到与每个所述训练幅值响应图像对应的多个训练二值化图像；对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值；将每个所述训练幅值响应图像对应的多个训练二值化图像的训练特征值进行组合，得到与每个训练幅值响应图像对应的训练特征向量。

在一个实施例中，所述对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值，包括：获取每个训练二值化图像中大于所述二值化阈值的像素点的比例；根据每个训练二值化图像的比例确定与每个二值化图像对应的训练特征值。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量；根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

在一个实施例中，所述对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，包括：根据多个二值化阈值分别对每个所述幅值响应图像进行二值化处理，得到与每个所述幅值响应图像对应的多个二值化图像；对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值；将每个所述幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量。

在一个实施例中，所述对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值，包括：获取每个二值化图像中大于所述二值化阈值的像素点的比例；根据每个二值化图像的比例确定与每个二值化图像对应的特征值。

在一个实施例中，在所述获取待识别的目标图像之前，所述计算机程序被所述处理器执行时，还用于执行以下步骤：获取待识别的初始图像，对所述初始图像中的目标进行检测，提取包含有目标的区域，得到目标区域图像；将所述目标区域图像转换为灰度图像，将所述灰度图像作为所述待识别的目标图像。

在一个实施例中，在所述将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果之前，所述计算机程序被所述处理器执行时，还用于执行以下步骤：获取训练样本图像，对每个所述训练样本图像分别采用不同的频率进行滤波，相应地得到多个训练频率滤波图像；对每个所述训练频率滤波图像进行傅里叶变换，得到与每个所述训练频率滤波图像对应的训练幅值响应图像；根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量；根据所述训练幅值响应图像对应的训练特征向量确定与所述训练样本图像对应的训练目标特征向量；获取每个所述训练样本图像对应的样本标注，所述样本标注分为正样本标注和负样本标注；将每个所述训练样本图像对应的训练目标特征向量作为输入，将相应的样本标注作为期望的输出对所述摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

在一个实施例中，所述根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量，包括：根据多个二值化阈值分别对每个所述训练幅值响应图像进行二值化处理，得到与每个所述训练幅值响应图像对应的多个训练二值化图像；对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值；将每个所述训练幅值响应图像对应的多个训练二值化图像的训练特征值进行组合，得到与每个训练幅值响应图像对应的训练特征向量。

在一个实施例中，所述对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值，包括：获取每个训练二值化图像中大于所述二值化阈值的像素点的比例；根据每个训练二值化图像的比例确定与每个二值化图像对应的训练特征值。

本领域普通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非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种图像摩尔纹识别方法，其特征在于，所述方法包括：

获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，包括：根据多个二值化阈值分别对每个所述幅值响应图像进行二值化处理，得到与每个所述幅值响应图像对应的多个二值化图像；对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值；将每个所述幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量；

根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值，包括：

获取每个二值化图像中大于所述二值化阈值的像素点的比例；

根据每个二值化图像的比例确定与每个二值化图像对应的特征值。

3.根据权利要求1所述的方法，其特征在于，在所述获取待识别的目标图像之前，还包括：

获取待识别的初始图像，对所述初始图像中的目标进行检测，提取包含有目标的区域，得到目标区域图像；

将所述目标区域图像转换为灰度图像，将所述灰度图像作为所述待识别的目标图像。

4.根据权利要求1所述的方法，其特征在于，在所述将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果之前，还包括：

获取训练样本图像，对每个所述训练样本图像分别采用不同的频率进行滤波，相应地得到多个训练频率滤波图像；

对每个所述训练频率滤波图像进行傅里叶变换，得到与每个所述训练频率滤波图像对应的训练幅值响应图像；

根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量；

根据所述训练幅值响应图像对应的训练特征向量确定与所述训练样本图像对应的训练目标特征向量；

获取每个所述训练样本图像对应的样本标注，所述样本标注分为正样本标注和负样本标注；

将每个所述训练样本图像对应的训练目标特征向量作为输入，将相应的样本标注作为期望的输出对所述摩尔纹识别模型进行训练，得到目标摩尔纹识别模型。

5.根据权利要求4所述的方法，其特征在于，所述根据每个所述训练幅值响应图像进行特征提取，确定与每个所述训练幅值响应图像对应的训练特征向量，包括：

根据多个二值化阈值分别对每个所述训练幅值响应图像进行二值化处理，得到与每个所述训练幅值响应图像对应的多个训练二值化图像；

对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值；

将每个所述训练幅值响应图像对应的多个训练二值化图像的训练特征值进行组合，得到与每个训练幅值响应图像对应的训练特征向量。

6.根据权利要求5所述的方法，其特征在于，所述对每个所述训练二值化图像进行特征提取，得到与每个训练二值化图像对应的训练特征值，包括：

获取每个训练二值化图像中大于所述二值化阈值的像素点的比例；

根据每个训练二值化图像的比例确定与每个二值化图像对应的训练特征值。

7.一种图像摩尔纹识别装置，其特征在于，所述装置包括：

滤波模块，用于获取待识别的目标图像，对所述目标图像分别采用不同的频率进行滤波，相应地得到多个频率滤波图像；

变换模块，用于对每个所述频率滤波图像进行傅里叶变换，得到与每个所述频率滤波图像对应的幅值响应图像；

提取模块，用于对每个所述幅值响应图像进行特征提取，确定与每个幅值响应图像对应的特征向量，包括：根据多个二值化阈值分别对每个所述幅值响应图像进行二值化处理，得到与每个所述幅值响应图像对应的多个二值化图像；对每个所述二值化图像进行特征提取，得到与每个二值化图像对应的特征值；将每个所述幅值响应图像对应的多个二值化图像的特征值进行组合，得到与每个幅值响应图像对应的特征向量；

确定模块，用于根据每个所述幅值响应图像对应的特征向量确定与所述目标图像对应的目标特征向量；

识别模块，用于将所述目标特征向量作为摩尔纹识别模型的输入，获取所述摩尔纹识别模型输出的识别结果。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至/6中任一项所述方法的步骤。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。

Images