CN111191642B - 基于多任务分类的指纹防伪识别方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种基于多任务分类的指纹防伪识别方法、装置、电子设备及计算机可读存储介质；方法包括：响应于对指纹采集设备的指纹感测区域的触发操作，采集触发操作所形成的指纹；获取当前设备状态，并根据当前设备状态确定当前指纹认证阶段；调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；当目标分类任务对应的预测类别为允许认证类别时，确定采集的指纹通过当前指纹认证阶段的防伪认证，并执行指纹入库操作、指纹匹配操作及模板更新操作中与当前指纹认证阶段对应的操作；其中，目标分类任务是与当前指纹认证阶段对应的分类任务。通过本发明，能够提升指纹防伪识别的精度，加强指纹认证阶段的安全性。

Description

基于多任务分类的指纹防伪识别方法、装置及电子设备

技术领域

本发明涉及人工智能和安全技术，尤其涉及一种基于多任务分类的指纹防伪识别方法、装置、电子设备及计算机可读存储介质。

背景技术

人工智能（AI，Artificial Intelligence）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。机器学习（ML，Machine Learning）是人工智能的一个分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

指纹防伪认证是机器学习的一个重要应用，在实际生活中应用广泛。在相关技术提供的方案中，通常是通过独立的分类任务，如“指纹/非指纹”的分类任务来训练模型，并根据训练好的模型进行指纹分类，根据指纹分类的结果判断该指纹是否伪造。但是，该种方式会导致模型的泛化能力弱，容易出现过拟合的情况，指纹防伪识别的精度较低。

发明内容

本发明实施例提供一种基于多任务分类的指纹防伪识别方法、装置、电子设备及计算机可读存储介质，能够提升指纹防伪识别的精度，加强指纹认证阶段的安全性。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于多任务分类的指纹防伪识别方法，包括：

响应于对指纹采集设备的指纹感测区域的触发操作，采集所述触发操作所形成的指纹；

获取所述指纹采集设备的当前设备状态，并

根据设备状态与指纹认证阶段之间的映射关系，在多个指纹认证阶段中确定与所述当前设备状态对应的当前指纹认证阶段；

调用多任务分类模型对所述采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个所述分类任务对应一个指纹认证阶段；

当目标分类任务对应的预测类别为允许认证类别时，确定所述采集的指纹通过所述当前指纹认证阶段的防伪认证，并

执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作；

其中，所述目标分类任务是与所述当前指纹认证阶段对应的分类任务。

本发明实施例提供一种基于多任务分类的指纹防伪识别装置，包括：

采集模块，用于响应于对指纹采集设备的指纹感测区域的触发操作，采集所述触发操作所形成的指纹；

阶段确定模块，用于获取所述指纹采集设备的当前设备状态，在多个指纹认证阶段中确定与所述当前设备状态对应的当前指纹认证阶段；

分类模块，用于调用多任务分类模型对所述采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个所述分类任务对应一个指纹认证阶段；

确定通过模块，用于当目标分类任务对应的预测类别为允许认证类别时，确定所述采集的指纹通过所述当前指纹认证阶段的防伪认证，并

执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作；

其中，所述目标分类任务是与所述当前指纹认证阶段对应的分类任务。

本发明实施例提供一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的基于多任务分类的指纹防伪识别方法。

本发明实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的基于多任务分类的指纹防伪识别方法。

本发明实施例具有以下有益效果：

本发明实施例通过多任务分类模型对采集的指纹进行分类处理，并根据当前指纹认证阶段确定相应的目标分类任务，当目标分类任务对应的预测类别为预设的允许认证类别时，确定采集的指纹成功通过当前指纹认证阶段的防伪认证，并执行当前指纹认证阶段对应的操作，相较于独立的分类任务形式，通过多任务分类模型能够学习到不同分类任务之间的相关性，故本发明实施例能够提升指纹防伪识别的精度，加强指纹认证阶段的安全性。

附图说明

图1是本发明实施例提供的基于多任务分类的指纹防伪识别系统的一个可选的架构示意图；

图2是本发明实施例提供的结合区块链网络的基于多任务分类的指纹防伪识别系统的一个可选的架构示意图；

图3是本发明实施例提供的终端设备的一个可选的架构示意图；

图4是本发明实施例提供的基于多任务分类的指纹防伪识别装置的一个可选的架构示意图；

图5A是本发明实施例提供的基于多任务分类的指纹防伪识别方法的一个可选的流程示意图；

图5B是本发明实施例提供的基于多任务分类的指纹防伪识别方法的一个可选的流程示意图；

图5C是本发明实施例提供的基于多任务分类的指纹防伪识别方法的一个可选的流程示意图；

图6是本发明实施例提供的模型训练及模型应用的一个可选的示意图；

图7是本发明实施例提供的模型训练及模型应用的一个可选的示意图；

图8是本发明实施例提供的硬参数共享的多任务分类模型的一个可选的示意图；

图9是本发明实施例提供的软参数共享的多任务分类模型的一个可选的示意图；

图10是本发明实施例提供的多任务分类模型的一个可选的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解, “一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。另外，以下描述中的“多个”是指“至少两个”。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1）分类任务：用于对某种类型的对象（如指纹）进行分类，将其预测为分类任务的多个类别中的一种。

2）指纹入库操作：指将指纹存储至模板中，例如将具有解锁权限的用户的指纹保存在移动终端设备本地的模板中。

3）指纹匹配操作：将采集的指纹与模板中的指纹进行匹配，判断采集的指纹与模板中的指纹是否一致，根据匹配结果可执行相应的操作，如解锁或拒绝解锁的操作。

4）模板更新操作：基于采集的指纹更新模板中对应的指纹。

5）活体指纹：真人活体的手指指纹。

6）仿冒指纹：包括2D假体指纹和3D假体指纹，其中，2D假体指纹是指通过拓印或打印等方法制作的假体指纹，没有凹凸感；3D假体指纹是指通过制作指纹模具等方法制作的假体指纹，有凹凸感，呈现三维特征，和人体的活体指纹的仿真度更高。

7）固定条纹：指纹感测区域上的裂纹（Crack）、污点（Stain）或覆盖有固定图案的薄膜（例如带有固定纹路的手机膜或有心人士制作的具有固定图案的薄膜）等，其中，指纹感测区域用于采集指纹。

8）固定条纹攻击：攻击者故意或用户无意将固定条纹录入，导致固定条纹作为模板或模板的一部分保存了起来。当下次进行指纹匹配时，若固定条纹仍然存在于指纹感测区域上，即使按压指纹者并非合法用户，也会因为包括固定条纹的模板而造成误匹配。

9）混合指纹：当人体的活体手指在带有固定条纹的指纹感测区域上按压时，所采集到的混合了固定条纹和活体指纹的图像。

10）非指纹：布料、果皮、树叶及纸张等非指纹的物体在指纹感测区域上按压时，所采集到的图像。在本发明实施例中，活体指纹、仿冒指纹、混合指纹和非指纹均可作为分类任务中的类别。

在相关技术提供的方案（如现有的指纹防伪模块）中，通常是构建两个分类模型来进行指纹防伪识别，其中一个分类模型用于执行“指纹/非指纹”的分类任务，即是将输入的指纹图像判定为属于活体指纹类别或非指纹类别；另一个分类模型用于执行“指纹/仿冒指纹”的分类任务，用于将输入的指纹图像判定为属于活体指纹类别或者仿冒指纹类别。两个分类模型通常在各自的数据集里进行独立训练，彼此之间不共享任何信息。由于相关技术的分类任务的分类粒度较粗，导致在根据训练后的分类模型进行指纹防伪识别时，存在固定条纹攻击的安全风险。另外，在相关技术中，不同的分类模型独立进行训练，导致训练出的分类模型的泛化能力弱，且容易出现过拟合的情况，尤其是当某个分类任务所需的样本数量不足时。综上，在根据相关技术中的分类模型进行指纹防伪识别时，精度较低，无法有效地保证指纹防伪识别的安全性。

本发明实施例提供一种基于多任务分类的指纹防伪识别方法、装置、电子设备及计算机可读存储介质，能够提升指纹防伪识别的精度，加强指纹认证阶段的安全性。

下面说明本发明实施例提供的电子设备的示例性应用，本发明实施例提供的电子设备可以是服务器，例如部署在云端的服务器，根据终端设备（指纹采集设备）远程发送的指纹以及终端设备的当前设备状态，确定指纹是否通过当前设备状态对应的当前指纹认证阶段的防伪认证，并将确定出的结果发送至终端设备，以使终端设备执行后续操作；也可以是终端设备，例如指纹门禁设备或公安机关的身份证指纹采集设备；甚至可以是手持终端等设备。本发明实施例提供的基于多任务分类的指纹防伪识别方法可适用于涉及指纹防伪识别的多个应用场景，例如门禁指纹匹配、手持终端解锁、相似指纹搜索及身份证指纹入库等场景。

参见图1，图1是本发明实施例提供的基于多任务分类的指纹防伪识别系统100的一个可选的架构示意图，为实现支撑一个基于多任务分类的指纹防伪识别应用，终端设备400（示例性示出了终端设备400-1和终端设备400-2）通过网络300连接服务器200，服务器200连接数据库500，其中，网络300可以是广域网或者局域网，又或者是二者的组合，终端设备400即为指纹采集设备。

在一些实施例中，终端设备400可在本地执行本发明实施例提供的基于多任务分类的指纹防伪识别方法，具体地，终端设备400通过指纹感测平台进行指纹采集，同时确定当前指纹认证阶段，其中，指纹感测平台承载有指纹感测区域，指纹感测平台可以是终端设备400的内置模块，也可以是终端设备400的外接模块，本发明实施例对此不做限定。终端设备400通过调用本地存储中的多任务分类模型，确定采集的指纹是否通过当前指纹认证阶段的防伪认证，并根据是否通过的结果执行不同的操作。其中，多任务分类模型包括指纹入库模型、指纹匹配模型及模板更新模型，分别执行不同的分类任务。

以指纹解锁的场景举例说明指纹防伪识别的过程，当终端设备400处于已解锁状态、且接收到指纹入库指令（例如用户在终端设备400的设置中触发了增加解锁指纹的选项）时，若此时采集到指纹，则确定当前指纹认证阶段是指纹入库阶段。调用多任务分类模型对采集的指纹进行分类处理，同时将与指纹入库阶段对应的分类任务确定为目标分类任务，若该目标分类任务对应的预测类别与目标分类任务的允许认证类别（如活体指纹类别）相同，确定采集的指纹通过指纹入库阶段的防伪认证，进而执行指纹入库操作，即是将该指纹存储至终端设备400本地的模板中。

当终端设备400处于未解锁状态、且采集到指纹时，确定当前指纹认证阶段为指纹匹配阶段，调用多任务分类模型对采集的指纹进行分类处理，并将与指纹匹配阶段对应的分类任务确定为目标分类任务。若该目标分类任务对应的预测类别与目标分类任务的允许认证类别相同，确定采集的指纹通过指纹匹配阶段的防伪认证，进而将采集的指纹与模板中的指纹进行匹配，并在两者之间的相似度大于指纹匹配的相似度阈值时，确定匹配成功，终端设备400执行解锁操作。

若采集的指纹与模板中的指纹之间的相似度大于模板更新的相似度阈值，且两个指纹之间存在一定位移，同时终端设备400处于未解锁状态，则确定当前指纹认证阶段为模板更新阶段，调用多任务分类模型对采集的指纹进行分类处理，并将与指纹匹配阶段对应的分类任务确定为目标分类任务。若该目标分类任务对应的预测类别与允许认证类别相同，确定采集的指纹通过模板更新阶段的防伪认证，进而基于采集的指纹更新模板中相应的指纹。其中，指纹匹配的相似度阈值与模板更新的相似度阈值可以相同，也可以是不同，根据实际应用场景而定。

服务器200也可以执行本发明实施例提供的基于多任务分类的指纹防伪识别方法，具体从终端设备400获取指纹，并调用存储于数据库500或文件系统中的多任务分类模型对指纹进行分类处理，根据得到的预测类别执行相应的操作，此处不再赘述，其中，模板可存储于数据库500。值得说明的是，图1中的数据库500泛指能够进行数据存储的实体，例如Oracle数据库及MySQL数据库等传统数据库，又例如以账本形式存储数据的区块链等。

终端设备400可以在图形界面410（示例性示出了图形界面410-1和图形界面410-2）中显示指纹防伪识别过程中的各种结果，例如采集的指纹等。在图1中，以指纹匹配的过程进行举例说明，指纹1即为终端设备400采集的指纹，服务器200在通过调用多任务分类模型，确定出指纹1通过指纹匹配阶段的防伪认证后，将指纹1与模板中的指纹2进行匹配，并将指纹2和匹配结果输出至终端设备400呈现。

本发明实施例也可结合区块链技术实现，区块链（Blockchain）是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成（账户管理）、密钥管理以及用户真实身份和区块链地址对应关系维护（权限管理）等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置（风控审计）；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理（接口适配），然后通过共识算法将业务信息加密（共识管理），在加密之后完整一致的传输至共享账本上（网络通信），并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上（合约注册），根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

参见图2，图2是本发明实施例提供的基于多任务分类的指纹防伪识别系统110的一个可选的架构示意图，包括区块链网络600（示例性地示出了节点610-1至节点610-3）、认证中心700、业务系统800（示例性地示出了归属于业务系统800的电子设备810，电子设备810可以是图1中的服务器200或终端设备400），下面分别进行说明。

区块链网络600的类型是灵活多样的，例如可以为公有链、私有链及联盟链中的任意一种。以公有链为例，任何业务系统的电子设备例如终端设备和服务器，都可以在不需要授权的情况下接入区块链网络600；以联盟链为例，业务系统在获得授权后其下辖的电子设备（例如终端设备/服务器）可以接入区块链网络600，此时，成为区块链网络600中的一类特殊的节点即客户端节点。

需要指出地，客户端节点可以只提供支持业务系统发起交易（例如，用于上链存储数据或查询链上数据）功能，对于区块链网络600的原生节点的功能，例如下文的排序功能、共识服务和账本功能等，客户端节点可以缺省或者有选择性（例如，取决于业务系统的具体业务需求）地实现。从而，可以将业务系统的数据和业务处理逻辑最大程度迁移到区块链网络600中，通过区块链网络600实现数据和业务处理过程的可信和可追溯。

区块链网络600接收来自业务系统（例如图2中示出的业务系统800）的客户端节点（例如，图2中示出的归属于业务系统800的电子设备810）提交的交易，执行交易以更新账本或者查询账本。

下面以业务系统接入区块链网络以实现模板的上链为例，说明区块链网络的示例性应用。

业务系统800的电子设备810接入区块链网络600，成为区块链网络600的客户端节点。电子设备810生成提交包括指纹的模板的交易，在交易中指定了实现提交操作需要调用的智能合约以及向智能合约传递的参数，交易还携带了业务系统800签署的数字签名（例如，使用业务系统800的数字证书中的私钥，对交易的摘要进行加密得到），并将交易广播到区块链网络600。其中，数字证书可由业务系统800向认证中心700进行登记注册得到。

区块链网络600中的节点610在接收到交易时，对交易携带的数字签名进行验证，数字签名验证成功后，根据交易中携带的业务系统800的身份，确认业务系统800是否是具有交易权限，数字签名和权限验证中的任何一个验证判断都将导致交易失败。验证成功后签署节点610自己的数字签名，并继续在区块链网络600中广播。

区块链网络600中具有排序功能的节点610接收到验证成功的交易后，将交易填充到新的区块中，并广播到区块链网络中600提供共识服务的节点。

区块链网络600中的提供共识服务的节点610对新区块进行共识过程以达成一致，提供账本功能的节点将新区块追加到区块链的尾部，并执行新区块中的交易：对于提交模板的交易，将模板以键值对的形式存储至状态数据库。

若业务系统800需要模板进行指纹匹配或模板更新，则可通过电子设备810生成查询模板的交易，并将交易广播到区块链网络600。区块链网络的节点610经验证、区块填充及共识一致后，提供账本功能的节点610将形成的新区块追加到区块链的尾部，并执行新区块中的交易：对于用于查询模板的交易，从状态数据库中查询相应的模板，并将其发送至电子设备810。值得说明的是，状态数据库中存储的数据通常与区块链存储的数据相同，在响应查询交易时，优先根据状态数据库中的数据进行响应，从而提升响应效率。

除此之外，还可将多任务分类模型以智能合约的形式部署至区块链网络的节点610，从而将指纹防伪识别的部分工作集成于区块链网络600内部实现，降低电子设备810的处理压力。具体地，区块链网络的节点610在获取到电子设备810提交的指纹后，可执行预先部署的智能合约，调用多任务分类模型进行指纹防伪识别。对于指纹防伪识别过程中的各种结果（如模板或匹配结果等），区块链网络的节点610可将其存储于区块链及状态数据库，也可将其发送至电子设备810，根据实际应用场景而定。

下面继续说明本发明实施例提供的电子设备的示例性应用。电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备（例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备）等各种类型的终端设备，也可以实施为服务器。下面，以电子设备为终端设备为例进行说明。

参见图3，图3是本发明实施例提供的终端设备400（例如，可以是图1所示的终端设备400-1或终端设备400-2）的架构示意图，图3所示的终端设备400包括：至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。终端设备400中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统440。

处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器 410的一个或多个存储设备。

存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（ROM，Read Only Memory），易失性存储器可以是随机存取存储器（RAM，Random Access Memory）。本发明实施例描述的存储器450旨在包括任意适合类型的存储器。

在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块452，用于经由一个或多个（有线或无线）网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线（USB，Universal Serial Bus）等；

呈现模块453，用于经由一个或多个与用户接口430相关联的输出装置431（例如，显示屏、扬声器等）使得能够呈现信息（例如，用于操作外围设备和显示内容和信息的用户接口）；

输入处理模块454，用于对一个或多个来自一个或多个输入装置432之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本发明实施例提供的基于多任务分类的指纹防伪识别装置可以采用软件方式实现，图3示出了存储在存储器450中的基于多任务分类的指纹防伪识别装置455，其可以是程序和插件等形式的软件，包括以下软件模块：采集模块4551、阶段确定模块4552、分类模块4553及确定通过模块4554，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本发明实施例提供的基于多任务分类的指纹防伪识别装置可以采用硬件方式实现，作为示例，本发明实施例提供的基于多任务分类的指纹防伪识别装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于多任务分类的指纹防伪识别方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，ComplexProgrammable Logic Device）、现场可编程门阵列（FPGA，Field-Programmable GateArray）或其他电子元件。

本发明实施例提供的基于多任务分类的指纹防伪识别方法可以由上述的服务器执行，也可以由终端设备（例如，可以是图1所示的终端设备400-1和终端设备400-2）执行，或者由服务器和终端设备共同执行。

下面将结合上文记载的电子设备的示例性应用和结构，说明电子设备中通过嵌入的基于多任务分类的指纹防伪识别装置，而实现基于多任务分类的指纹防伪识别方法的过程。

参见图4和图5A，图4是本发明实施例提供的基于多任务分类的指纹防伪识别装置455的架构示意图，示出了通过一系列模块实现指纹防伪识别的流程，图5A是本发明实施例提供的基于多任务分类的指纹防伪识别方法的流程示意图，将结合图4对图5A示出的步骤进行说明。

在步骤101中，响应于对指纹采集设备的指纹感测区域的触发操作，采集触发操作所形成的指纹。

例如，指纹采集设备可以是终端设备，指纹感测区域可以是终端设备上的具有指纹感测功能的屏幕等。作为示例，参见图4，在采集模块4551中，响应于对指纹感测区域的触发操作，采集该触发操作所形成的指纹。

在步骤102中，获取指纹采集设备的当前设备状态，并根据设备状态与指纹认证阶段之间的映射关系，在多个指纹认证阶段中确定与当前设备状态对应的当前指纹认证阶段。

作为示例，参见图4，在阶段确定模块4552中，在采集到指纹的同时，获取指纹采集设备的当前设备状态，并根据设备状态与指纹认证阶段之间的预设映射关系，在多个指纹认证阶段中确定当前设备状态对应的当前指纹认证阶段。在本发明实施例中，指纹认证阶段可为指纹入库阶段、指纹匹配阶段或模板更新阶段，并可预先建立映射关系，即为三种阶段分别设定对应的设备状态。

在一些实施例中，还可以通过这样的方式来实现上述的在多个指纹认证阶段中确定与当前设备状态对应的当前指纹认证阶段：若当前设备状态为已解锁状态、且接收到指纹入库指令，则确定当前指纹认证阶段为指纹入库阶段；若当前设备状态为未解锁状态，则确定当前指纹认证阶段为指纹匹配阶段；若当前设备状态为未解锁状态、且采集的指纹与模板中的指纹之间的相似度大于模板更新的相似度阈值，则确定当前指纹认证阶段为模板更新阶段。

这里，在终端解锁场景中，可设定当指纹采集设备的当前设备状态为已解锁状态、且指纹采集设备接收到指纹入库指令时，确定当前指纹认证阶段为指纹入库阶段，其中，指纹入库指令如指纹采集设备中录入有权限的解锁指纹的选项被触发而生成的指令；当指纹采集设备的当前设备状态为未解锁状态时，确定当前指纹认证阶段为指纹匹配阶段；若指纹采集设备的当前设备状态为未解锁状态，同时采集的指纹与模板中的指纹之间的相似度大于模板更新的相似度阈值、且两个指纹之间存在一定位移（偏移），确定当前指纹认证阶段为模板更新阶段，其中，模板更新的相似度阈值可根据实际应用场景进行设定，如设定为90%。以上仅为示例，根据实际应用场景的不同，可以结合指纹采集设备的当前设备状态以及其他参数来确定相应的当前指纹认证阶段，本发明实施例对此不做限定。

在步骤103中，调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个分类任务对应一个指纹认证阶段。

作为示例，参见图4，在分类模块4553中，调用多任务分类模型对采集的指纹进行分类处理，多任务分类模型可位于本地存储、数据库或文件系统中，其用于执行多个分类任务，每个分类任务对应一个指纹认证阶段，例如图4所示的分类任务1、分类任务2和分类任务3。在经分类处理后，得到与每个分类任务一一对应的预测类别。

在一些实施例中，还可以通过这样的方式来实现上述的调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务对应的预测类别：将采集的指纹发送至区块链网络，以使区块链网络的节点根据预先部署的智能合约，调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务对应的预测类别。

在本发明实施例中，还可将多任务分类模型以智能合约的形式部署至区块链网络的节点中，将分类处理的工作集成于区块链网络内部实现。具体地，指纹采集设备在采集到指纹后，可将采集的指纹发送至区块链网络，区块链网络的节点执行预先部署好的智能合约，具体通过调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务一一对应的预测类别。区块链网络的节点在得到预测类别后，可将预测类别发送至指纹采集设备，或者将预测类别保存在区块链中，以待后续处理。通过上述方式，能够降低指纹采集设备的处理压力。

在步骤104中，若当前指纹认证阶段为指纹入库阶段、且目标分类任务对应的预测类别为允许认证类别，则确定采集的指纹通过指纹入库阶段的防伪认证，并将采集的指纹存储至模板中。

在经分类处理得到与多个分类任务一一对应的预测类别后，将当前指纹认证阶段对应的分类任务确定为目标分类任务，根据目标分类任务对应的预测类别，判断采集的指纹是否通过当前指纹认证阶段的防伪认证，并根据当前指纹认证阶段执行相应的后续操作。为了便于理解，后文以当前指纹认证阶段分别为指纹入库阶段、指纹匹配阶段和模板更新阶段的情况进行说明。

若步骤102中确定出的当前指纹认证阶段为指纹入库阶段、且目标分类任务对应的预测类别为允许认证类别，则确定采集的指纹通过指纹入库阶段的防伪认证，进而执行指纹入库操作，具体地，将采集的指纹存储至模板中，其中，模板可存储于本地、数据库或文件系统，模板中的指纹可用于指纹匹配及模板更新，具体在后文进行阐述。值得说明的是，指纹入库阶段对应的目标分类任务为三分类任务，该三分类任务的三个类别分别为允许认证类别、混合指纹类别及禁止入库类别，其中，允许认证类别包括活体指纹类别，禁止入库类别包括仿冒指纹类别和非指纹类别。

在一些实施例中，在步骤104之后，还包括：将包括采集的指纹的模板发送至区块链网络，以使区块链网络的节点模板以区块形式存储至区块链中。

在将采集的指纹存储到模板后，可将模板以交易形式发送至区块链网络，区块链网络的节点经验证、区块填充及共识一致后，将包括模板的区块追加至区块链的尾部，同时在状态数据库中存储相应的数据。由于区块链具有不可篡改的特性，故能够保证区块链上模板的准确性和有效性，便于后续从区块链中获取模板，以进行指纹匹配或模板更新。

在步骤105中，若当前指纹认证阶段为指纹入库阶段、且目标分类任务对应的预测类别为混合指纹类别，则忽略采集的指纹，并输出清除提示。

若当前指纹认证阶段为指纹入库阶段、且目标分类任务对应的预测类别为混合指纹类别，则确定采集的指纹并未通过指纹入库阶段的防伪认证，并且，为了防止因将固定条纹保存至模板而导致的固定条纹攻击的安全风险，忽略采集的指纹，并输出清除提示，该清除提示用于提示用户清除指纹感测区域上的固定条纹。

在步骤106中，若当前指纹认证阶段为指纹入库阶段、且目标分类任务对应的预测类别为禁止入库类别，则忽略采集的指纹。

在该种情况下，确定采集的指纹并未通过指纹入库阶段的防伪认证，并忽略采集的指纹。通过上述方式，针对指纹入库阶段执行三分类任务，并根据得到的预测类别执行对应的安全策略，能够有效地防御固定条纹攻击，提升了指纹入库阶段的安全性。

在步骤107中，若当前指纹认证阶段为指纹匹配阶段、且目标分类任务对应的预测类别为允许认证类别，则确定采集的指纹通过指纹匹配阶段的防伪认证，并将采集的指纹与模板中的指纹进行匹配，得到表征采集的指纹与模板中的指纹是否一致的匹配结果。

这里，与指纹入库阶段对应的分类任务不同的是，指纹匹配阶段对应的三分类任务的三个类别包括允许认证类别、仿冒指纹类别及非指纹类别，其中，允许认证类别包括活体指纹类别和混合指纹类别。

若当前指纹认证阶段为指纹匹配阶段、且目标分类任务对应的预测类别为允许认证类别，则确定采集的指纹通过指纹匹配阶段的防伪认证，进而执行指纹匹配操作，具体将采集的指纹与模板中的指纹进行匹配处理，得到表征采集的指纹与模板中的指纹是否一致的匹配结果，其中，模板中的指纹可为一个或多个。具体地，当采集的指纹与模板中的指纹之间的相似度大于指纹匹配的相似度阈值时，确定匹配结果为匹配成功；否则，确定匹配结果为匹配失败，指纹匹配的相似度阈值可根据实际应用场景进行设定，例如设定为80%。根据匹配结果可执行相应的操作，例如，在相似指纹搜索的场景中，模板中包括多个指纹，则可将模板中匹配成功的指纹，作为采集的指纹的相似指纹进行呈现；在解锁场景中，当采集的指纹与模板中的任意一个指纹之间的匹配结果为匹配成功时，解锁指纹采集设备的屏幕。

在步骤108中，若当前指纹认证阶段为指纹匹配阶段、且目标分类任务对应的预测类别为仿冒指纹类别，则忽略采集的指纹，并将指纹匹配难度提升至设定级别。

这里，若目标分类任务对应的预测类别为仿冒指纹类别，则证明存在恶意匹配的情况，故确定采集的指纹未通过指纹匹配阶段的防伪认证，忽略采集的指纹，并将指纹匹配难度提升至设定级别，从而降低恶意攻击的成功率。

在一些实施例中，还可以通过以下任意一种处理，以将指纹匹配难度提升至设定级别：将指纹匹配的模式切换为密码匹配的模式；将指纹匹配原有的重试次数阈值降低为设定级别的重试次数阈值；将指纹匹配原有的相似度阈值提升为设定级别的相似度阈值，以在采集的指纹与模板中的指纹之间的相似度小于或等于设定级别的相似度阈值时，确定匹配结果为匹配失败。

本发明实施例提供了以下三种方式，以将指纹匹配难度提升至设定级别。第一种方式是，将指纹匹配的模式切换为密码匹配的模式，并在获取到的密码与设定密码一致时，确定匹配结果为匹配成功。第二种方式是，将指纹匹配原有的重试次数阈值降低为设定级别的重试次数阈值，例如原有重试次数阈值为5次，在确定出目标分类任务对应的预测类别为仿冒指纹类别时，降低为设定级别的重试次数阈值，如3次。在重试次数达到重试次数阈值时，可为指纹匹配设定一个禁止时长，如在1分钟期间内，对采集的指纹不做处理。

第三种方式是，将指纹匹配原有的相似度阈值提升为设定级别的相似度阈值，以在采集的指纹与模板中的指纹之间的相似度小于或等于设定级别的相似度阈值时，确定匹配结果为匹配失败；在采集的指纹与模板中的指纹之间的相似度大于设定级别的相似度阈值时，确定匹配结果为匹配成功。例如指纹匹配原有的相似度阈值为80%，则在确定出目标分类任务对应的预测类别为仿冒指纹类别时，将相似度阈值提升为90%。通过上述方式，实现了提升指纹匹配难度的灵活化，可适用于不同的应用场景。

在步骤109中，若当前指纹认证阶段为指纹匹配阶段、且目标分类任务对应的预测类别为非指纹类别，则忽略采集的指纹。

在该情况下，确定采集的指纹未通过指纹匹配阶段的防伪认证，忽略采集的指纹，以节省计算资源，同时提升指纹匹配阶段的安全性。

在步骤110中，若当前指纹认证阶段为模板更新阶段、且目标分类任务对应的预测类别为允许认证类别，则基于采集的指纹更新模板中的指纹。

在当前指纹认证阶段为模板更新阶段时，目标分类任务为二分类任务，该二分类任务包括允许认证类别和禁止更新类别两个类别，其中，允许认证类别包括活体指纹类别，禁止更新类别包括混合指纹类别、仿冒指纹类别及非指纹类别。当目标分类任务对应的预测类别为允许认证类别时，确定采集的指纹通过模板更新阶段的防伪认证，并执行模板更新操作，具体基于采集的指纹更新模板中的指纹，以使更新后的模板中的指纹更符合用户的指纹按压习惯，提升用户后续进行指纹匹配的成功率。这里，被更新的指纹是模板中与采集的指纹之间的相似度大于模板更新的相似度阈值、且与采集的指纹之间存在一定位移的指纹。

在步骤111中，若当前指纹认证阶段为模板更新阶段、且目标分类任务对应的预测类别为禁止更新类别，则忽略采集的指纹。

在目标分类任务对应的预测类别为禁止更新类别时，确定采集的指纹未通过模板更新阶段的防伪认证，忽略该采集的指纹，以提升模板更新阶段的安全性。

通过发明实施例对于图5A的上述示例性实施可知，本发明实施例通过调用多任务分类模型对采集的指纹进行分类处理，根据得到的多个分类任务的预测类别以及当前指纹认证阶段，执行相应的安全策略，由于多任务分类模型能够挖掘到不同分类任务之间的相关性，故能够提升指纹防伪识别的精度，加强当前指纹认证阶段的安全性。

在一些实施例中，参见图5B，图5B是本发明实施例提供的基于多任务分类的指纹防伪识别方法的一个可选的流程示意图，图5A示出的步骤103可通过步骤201至步骤202实现，将结合各个步骤进行说明。

在步骤201中，调用多任务分类模型中的特征提取模型，对采集的指纹进行特征提取处理，得到指纹特征。

作为示例，参见图4，在分类模块4553中，多任务分类模型可包括指纹入库模型、指纹匹配模型及模板更新模型，其中，指纹入库模型、指纹匹配模型及模板更新模型分别对应一个分类任务。除此之外，多任务分类模型还包括特征提取模型。在分类处理的过程中，首先调用特征提取模型，对采集的指纹进行特征提取处理，得到指纹特征。值得说明的是，在特征提取处理之前，还可对采集的指纹进行预处理，例如对采集的指纹执行滤波、去噪及纹路增强等处理，以提升指纹质量。

在一些实施例中，还可以通过这样的方式来实现上述的调用多任务分类模型中的特征提取模型，对采集的指纹进行特征提取处理，得到指纹特征：当特征提取模型包括共享网络层时，调用共享网络层对采集的指纹进行特征提取处理，得到指纹入库模型、指纹匹配模型和模板更新模型共享的指纹特征；当特征提取模型包括与指纹入库模型、指纹匹配模型和模板更新模型一一对应的子网络层时，调用子网络层对采集的指纹进行特征提取处理，得到子网络层对应的模型独享的指纹特征。

本发明实施例提供了多任务分类模型中的特征提取模型的两种构建方式，第一种方式是，特征提取模型包括指纹入库模型、指纹匹配模型和模板更新模型共享的共享网络层，通过调用共享网络层对采集的指纹进行特征提取处理，得到指纹入库模型、指纹匹配模型和模板更新模型共享的指纹特征。

第二种方式是，特征提取模型包括与指纹入库模型、指纹匹配模型和模板更新模型一一对应的子网络层，每个子网络层经特征提取处理后输出的指纹特征，由该子网络层对应的模型独享。例如，调用与指纹入库模型对应的子网络层，对采集的指纹进行特征提取处理后，得到指纹入库模型独享的指纹特征，以此类推。通过上述方式，提升了模型构建的灵活性，可根据实际应用场景选用上文的任意一种构建方式。

在步骤202中，调用多任务分类模型中的指纹入库模型、指纹匹配模型及模板更新模型，分别根据指纹特征执行分类任务，得到与分类任务对应的预测类别。

这里，调用多任务分类模型中的指纹入库模型、指纹匹配模型及模板更新模型，分别根据指纹特征执行分类任务，得到分类任务的预测类别，其中，指纹入库模型、指纹匹配模型及模板更新模型执行分类任务的过程彼此独立。值得说明的是，指纹入库模型执行的分类任务对应指纹入库阶段，指纹匹配模型执行的分类任务对应指纹匹配阶段，模板更新模型执行的分类任务对应模板更新阶段。

在图5B中，在步骤202之后，还在步骤203中，当目标分类任务对应的预测类别为允许认证类别时，确定采集的指纹通过当前指纹认证阶段的防伪认证，并执行指纹入库操作、指纹匹配操作及模板更新操作中与当前指纹认证阶段对应的操作。

这里，在三个分类任务中，将与当前指纹认证阶段对应的分类任务确定为目标分类任务。当目标分类任务对应的预测类别为该目标分类任务预设的允许认证类别时，确定采集的指纹通过当前指纹认证阶段的防伪认证，并执行指纹入库操作、指纹匹配操作及模板更新操作中与当前指纹认证阶段对应的操作。具体地，若当前指纹认证阶段为指纹入库阶段，则执行指纹入库操作；若当前指纹认证阶段为指纹匹配阶段，则执行指纹匹配操作；若当前指纹认证阶段为模板更新阶段，则执行模板更新操作。当目标分类任务对应的预测类别是允许认证类别之外的类别时，确定采集的指纹未通过当前指纹认证阶段的防伪认证。从而，保证当前指纹认证阶段的安全性。

通过发明实施例对于图5B的上述示例性实施可知，本发明实施例通过包括特征提取模型、指纹入库模型、指纹匹配模型及模板更新模型的多任务分类模型，对采集的指纹进行分类处理，提升了分类处理的有序性，有效实现了多个分类任务的并行执行。

在一些实施例中，参见图5C，图5C是本发明实施例提供的基于多任务分类的指纹防伪识别方法的一个可选的流程示意图，基于图5B，在步骤101之前，还可以在步骤301中，获取样本指纹及对应的样本类别。

这里，获取多个样本指纹及与每个样本指纹对应的样本类别，以构成模型训练的数据集。

在步骤302中，调用多任务分类模型中的特征提取模型，对样本指纹进行特征提取处理，得到样本指纹特征。

这里，通过特征提取模型，对样本指纹进行特征提取处理，为了便于区分，将得到的指纹特征命名为样本指纹特征。当然，在特征提取处理之前，也可对样本指纹进行预处理。

在步骤303中，调用多任务分类模型中的指纹入库模型、指纹匹配模型和模板更新模型，分别根据样本指纹特征执行分类任务，得到与分类任务对应的预测类别。

同样地，当特征提取模型包括指纹入库模型、指纹匹配模型和模板更新模型共享的共享网络层时，通过指纹入库模型、指纹匹配模型和模板更新模型，分别根据共享网络层输出的样本指纹特征执行分类任务，得到与分类任务对应的预测类别。

当特征提取模型包括指纹入库模型、指纹匹配模型和模板更新模型一一对应的子网络层时，调用指纹入库模型，根据指纹入库模型对应的子网络层输出的样本指纹特征执行分类任务；调用指纹匹配模型，对指纹匹配模型对应的子网络层输出的样本指纹特征执行分类任务；通过模板更新模型，根据模板更新模型对应的子网络层输出的样本指纹特征执行分类任务。

在步骤304中，根据样本指纹对应的预测类别与样本类别之间的差异，更新指纹入库模型、指纹匹配模型、模板更新模型和特征提取模型的权重参数。

在本发明实施例中，应用反向传播的机制来实现参数更新，具体地，根据样本指纹对应的预测类别与样本类别之间的差异，更新指纹入库模型、指纹匹配模型、模板更新模型和特征提取模型的权重参数，直至满足设定的迭代条件为止，这里对迭代条件的具体内容不做限定，如设定的迭代次数等。

在一些实施例中，可以通过这样的方式来实现上述的根据样本指纹对应的预测类别与样本类别之间的差异，更新指纹入库模型、指纹匹配模型、模板更新模型和特征提取模型的权重参数：将包括多个样本指纹及对应的样本类别的数据集划分为训练集、验证集和测试集；通过训练集和验证集，在多任务分类模型的多组超参数中确定最优超参数；将训练集和验证集组合为新的训练集；通过新的训练集对应的预测类别与样本类别之间的差异，对部署最优超参数的多任务分类模型的权重参数进行更新处理；通过测试集，确定更新后的多任务分类模型的分类分数；当分类分数未达到分数阈值时，通过新的训练集对应的预测类别与样本类别之间的差异，对更新后的多任务分类模型的权重参数再次进行更新处理。

超参数是指模型训练之前提前设定的参数，例如特征提取模型的网络层的数量等，在本发明实施例中，可在多组超参数中确定效果最好的超参数，并在部署效果最好的超参数的情况下，进行权重参数的更新。具体地，将包括多个样本指纹及对应的样本类别的数据集，按照设定比例划分为训练集、验证集和测试集，例如按照7：1：2的比例进行划分。遍历多组超参数，通过训练集对部署了遍历到的超参数的多任务分类模型进行更新，并通过验证集确定更新后的多任务分类模型的分类分数，其中，分类分数可为F1-score，F1-score是准确率和召回率的调和平均，能够较为准确地体现模型训练的效果。

在得到各组超参数对应的分类分数后，将分类分数最高的一组超参数确定为最优超参数，并将最优超参数部署至原始（未经过更新）的多任务分类模型中。同时，将训练集和验证集组合为新的训练集，并通过新的训练集对应的预测类别与样本类别之间的差异，以反向传播的机制，对部署最优超参数的多任务分类模型的权重参数进行更新处理。通过划分出的测试集，确定更新后的多任务分类模型的分类分数，当分类分数未达到分数阈值时，通过新的训练集对应的预测类别与样本类别之间的差异，对更新后的多任务分类模型的权重参数再次进行更新处理；当分类分数达到分数阈值时，确定多任务分类模型更新完成。通过上述方式，能够实现超参数的参数调优，提升多任务分类模型的训练效果。

在图5C中，示出的步骤304可通过步骤401至步骤402实现，将结合各个步骤进行说明。

在步骤401中，根据子分类模型对应的预测类别与样本类别之间的差异，对子分类模型及特征提取模型的权重参数进行第一次更新处理；其中，子分类模型为指纹入库模型、指纹匹配模型及模板更新模型中的任意一个。

为了便于说明，将指纹入库模型、指纹匹配模型及模板更新模型中的任意一个命名为子分类模型，则在训练过程中，根据子分类模型的损失函数，确定子分类模型对应的预测类别与样本类别之间的差异（即损失值），并将差异反向传播至子分类模型及特征提取模型中，对子分类模型及特征提取模型的权重参数进行第一次更新处理。

在一些实施例中，可以通过这样的方式来实现上述的根据子分类模型对应的预测类别与样本类别之间的差异，对子分类模型及特征提取模型的权重参数进行第一次更新处理：根据更新顺序对多个子分类模型进行遍历，并对遍历到的子分类模型执行以下处理：根据子分类模型对应的预测类别与样本类别之间的差异，对子分类模型及特征提取模型的权重参数进行第一次更新处理；其中，更新顺序是子分类模型对应的样本指纹数量的降序。

在本发明实施例中，可根据更新顺序对指纹入库模型、指纹匹配模型及模板更新模型依次进行第一次更新处理，其中，更新顺序是子分类模型对应的样本指纹数量的降序。具体地，根据更新顺序对多个子分类模型进行遍历，根据遍历到的子分类模型对应的预测类别与样本类别之间的差异，对遍历到的子分类模型及特征提取模型的权重参数进行第一次更新处理。通过上述方式，提升了模型更新的有序性，并且通过样本数量从多到少的顺序进行模型更新，也提升了模型更新的稳定性。

在一些实施例中，在步骤303之前，还包括：确定子分类模型对应的分类任务的多个类别；其中，分类任务的每个类别由至少一种样本类别组成，且不同子分类模型对应的分类任务的类别不同；对分类任务的多个类别对应的样本指纹数量进行均衡处理；其中，样本类别为活体指纹类别、混合指纹类别、仿冒指纹类别和非指纹类别中的一种；混合指纹类别用于表示属于活体指纹类别的指纹和固定条纹的混合。

为了提升对单个子分类模型的训练效果，在本发明实施例中，确定子分类模型对应的分类任务的多个类别，其中，每个类别由至少一种样本类别组成，且不同子分类模型对应的分类任务的类别组成不同。然后，对分类任务的多个类别对应的样本指纹数量进行均衡处理。举例来说，获取到的样本指纹的总数量为400个，对于活体指纹类别、仿冒指纹类别、混合指纹类别和非指纹类别中的每一种样本类别，对应的样本指纹的数量均为100个。另外，子分类模型为模板更新模型，对应的分类任务的类别包括允许认证类别和禁止更新类别，则可确定允许认证类别对应的样本指纹数量为100个，禁止更新类别对应的样本指纹数量为300个，若直接根据不均衡的样本指纹进行模型更新，则会导致更新后的模板更新模型的泛化能力差，且容易陷入过拟合。在均衡处理时，可根据设定的均衡比例，平衡分类任务的不同类别对应的样本指纹数量，例如均衡比例为1：1，则在禁止更新类别对应的样本指纹中，随机选取100个保留。值得说明的是，均衡比例可根据实际应用场景进行设定，并不限于1：1。通过上述方式，从样本的角度提升了子分类模型及特征提取模型的训练效果。

在一些实施例中，可以通过这样的方式来实现上述的对子分类模型及特征提取模型的权重参数进行第一次更新处理：当特征提取模型包括多个子分类模型共享的共享网络层时，根据差异在子分类模型及共享网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及共享网络层的权重参数；当特征提取模型包括与多个子分类模型一一对应的子网络层时，在差异中添加正则化参数，根据添加后的差异在子分类模型及对应的子网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及对应的子网络层的权重参数；其中，正则化参数用于对子分类模型对应的子网络层与其他子网络层之间的向量距离进行最小化约束。

根据特征提取模型的不同构建方式，可应用相应的方式对特征提取模型进行更新。当特征提取模型包括指纹入库模型、指纹匹配模型及模板更新模型共享的共享网络层时，根据子分类模型对应的预测类别与样本类别之间的差异，在子分类模型及共享网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及共享网络层的权重参数。当特征提取模型包括与不同的子分类模型一一对应的子网络层时，在差异中添加正则化参数，根据添加后的差异在子分类模型及对应的子网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及对应的子网络层的权重参数，其中，正则化参数用于对子分类模型对应的子网络层与其他子分类模型对应的子网络层之间的向量距离进行最小化约束，本发明实施例对正则化参数的具体类型不做限定，例如正则化参数可为L2正则化参数，也可为迹正则化参数。通过上述方式，根据特征提取模型的网络层的类型，针对性地进行了权重参数的更新。

在步骤402中，固定第一次更新处理得到的特征提取模型的权重参数，并根据差异，对子分类模型的权重参数进行第二次更新处理。

在根据每个子分类模型对应的差异完成第一次更新处理后，固定第一次更新处理得到的特征提取模型的权重参数，并将子分类模型对应的预测类别与样本类别之间的差异，再次反向传播至子分类模型中，对子分类模型的权重参数进行第二次更新处理。

在图5C中，在步骤304之后，还可以执行步骤101至步骤203，在此对执行过程不做赘述。其中，值得说明的是，图5C的步骤103中调用的多任务分类模型，是通过执行步骤301至步骤304后得到的已更新的多任务分类模型。

通过发明实施例对于图5C的上述示例性实施可知，本发明实施例通过获取样本指纹及样本类别，并根据预测类别与样本类别之间的差异，以反向传播的机制进行权重参数的更新，使得在模型训练过程中能够挖掘出不同分类任务之间的相关性，学习到多个分类任务之间可相互借鉴的特性表示，有效避免模型陷入过拟合。并且，通过结合第一次更新处理和第二次更新处理，提升了更新的有序性和稳定性。如此，在通过更新后的多任务分类模型进行指纹防伪识别时，能够有效提升防伪识别的精度。

下面，将说明本发明实施例在一个实际的应用场景中的示例性应用。本发明实施例的电子设备可以是部署在云端的服务器，通过调用数据库或文件系统中的多任务分类模型，执行远程的指纹防伪识别操作；也可以是终端设备，通过调用部署在终端设备本地的多任务分类模型，对采集的指纹进行指纹防伪识别。

为了便于说明多任务分类模型的训练过程，本发明实施例提供了如图6所示的模型训练及模型应用的示意图，在图6中，首先获取数据集，该数据集包括多个样本指纹及与每个样本指纹对应的样本类别，然后通过数据集训练多任务分类模型。在训练完成多任务分类模型后，通过多任务分类模型对采集的指纹的图像进行指纹防伪识别，同时得到三个分类任务的输出结果，最后基于当前所处的指纹认证阶段，选择对应分类任务的输出结果，并执行相应的操作。其中，多任务分类模型包括三个子分类模型，每个子分类模型用于执行对应的分类任务，图6示出了分类任务1、分类任务2和分类任务3，另外，指纹认证阶段为指纹录入阶段、指纹匹配阶段及模板更新阶段中的一种，这里的指纹录入阶段相当于上文的指纹入库阶段。

本发明实施例提供了如图7所示的模型训练及模型应用的具体示意图，为了便于理解，以步骤形式进行说明。

1）构建多任务分类模型。

该步骤中，构建用于执行三个分类任务的多任务分类模型，多任务分类模型的输入为指纹（图像），输出为三个分类任务的分类结果（即预测类别）。其中，每个分类任务对应一个子分类模型（相当于用于执行分类任务的分类器），这些子分类模型共享同一个特征提取模型，此外每个子分类模型还具有独有的网络层。

本发明实施例提供了多任务分类模型的两种实现方式：基于硬参数共享的多任务分类模型和基于软参数共享的多任务分类模型。如图8所示，在基于硬参数共享的多任务分类模型中，多个卷积层构成了特征提取模型，多个分类任务完全共享特征提取模型的多个卷积层的权重参数。而在图9所示的基于软参数共享的多任务分类模型中，特征提取模型包括与每个分类任务一一对应的子网络层，例如图9中与输出层1位于同一水平线的多个卷积层，即构成了与输出层1的分类任务单独对应的子网络层，其中，在训练多任务分类模型时，对不同分类任务对应子网络层的权重参数之间的向量距离进行正则化，来保证不同分类任务对应的子网络层之间尽量相似，本发明实施例对正则化的方式不做限定，例如可采用L2正则化或迹正则化等。值得说明的是，图8和图9所示的输出层1、输出层2和输出层3可依次为各个分类任务对应的子分类模型，本发明实施例对卷积层的类型不做限定，例如可为带残差结构的卷积层或其他形式的卷积层。

2）获取数据集。

这里，获取包括多个样本指纹及对应的样本类别的数据集，数据集中的样本类别包括活体指纹类别、混合指纹类别、仿冒指纹类别和非指纹类别，数据集可由人为制备。其中，属于混合指纹类别的样本指纹可以是在以下三种场景下（并不限于以下三种场景）由真人手指按压指纹感测区域所获得的：①指纹感测区域表面上存在因磨损而导致的划痕；②有心人士在指纹感测区域表面留下了刻痕；③指纹感测区域表面覆盖有固定图案的薄膜。属于仿冒指纹类别的样本指纹可包括2D假体指纹和3D假体指纹。属于非指纹类别的样本指纹可以是布料、果皮、树叶及纸张等非指纹的物体在指纹感测区域上按压所产生的图像。

在获取到数据集后，可对数据集中的样本指纹进行预处理，以提升样本指纹的图像质量，预处理可包括滤波、去噪及纹路增强等操作。

3）训练多任务分类模型

将获取的数据集按照一定的比例划分为训练集、测试集和验证集，例如训练集包括样本指纹的数量：测试集包括样本指纹的数量：验证集包括样本指纹的数量=7：2：1。通过划分出的训练集和验证集，在多组超参数中确定最优超参数，并通过训练集和验证集对部署最优超参数的多任务分类模型进行训练，训练时可应用反向传播的机制，采用随机梯度下降法来更新多任务分类模型的权重参数。通过划分出的测试集，确定更新后的多任务分类模型的训练效果，训练效果可通过F1-score或其他指标体现。值得说明的是，多任务分类模型中的指纹录入模型（相当于上文的指纹入库模型）和指纹匹配模型执行的是三分类任务，采用的损失函数可以是softmax归一化多分类函数，而模板更新模型执行是二分类任务，采用的损失函数可以是sigmoid二分类函数。

4）使用多任务分类模型进行分类。

在该步骤中，根据步骤3）训练好的多任务分类模型，对输入的指纹图像进行分类，如图10所示，具体包括：

a）使用指纹录入模型将指纹确定为三种类别中的一种，指纹录入模型所执行的分类任务1的类别一为活体指纹类别，类别二为混合指纹类别，类别三由仿冒指纹类别和非指纹类别组成。

b）使用指纹匹配模型将指纹确定为三种类别中的一种，指纹匹配模型所执行的分类任务2的类别一由活体指纹类别和混合指纹类别组成，类别二为仿冒指纹类别，类别三为非指纹类别。

c）使用模板更新模型将指纹确定为两种类别中的一种，模板更新模型所执行的分类任务3的类别一为活体指纹类别，类别二由混合指纹类别、仿冒指纹类别及非指纹类别组成。

5）根据分类结果选择安全策略

该步骤依据步骤4）的分类结果、以及当前指纹认证阶段选择相应的安全策略。

具体来说，若当前指纹认证阶段为指纹录入阶段，则选取图10所示的分类任务1的分类结果。当分类任务1输出的分类结果（即预测类别）为类别一时，采用的安全策略为“允许录入”，即执行上文的指纹入库操作，将输入的指纹存储到模板中；当输出的分类结果为类别二时，采用的安全策略为“禁止录入+提示”，即忽略输入的指纹，并提示用户清除指纹感测区域上的固定条纹；当分类结果为类别三时，采用的安全策略为“禁止录入”，即忽略输入的指纹。

若当前处于指纹匹配阶段，则选取图10所示的分类任务2的分类结果。当分类任务2输出的分类结果为类别一时，采用的安全策略为“允许匹配”，即执行上文的指纹匹配操作，将输入的指纹与模板中的指纹进行匹配，在匹配结果为匹配成功时，解锁终端设备的屏幕；当输出的分类结果为类别二时，采用的安全策略为“禁止匹配+安全模式”，即忽略输入的指纹，并切换至安全模式，此外还可进行预警；当分类结果为类别三时，采用的安全策略为“禁止匹配”，即忽略输入的指纹。其中，切换至安全模式，可以是将指纹匹配的模式切换至密码匹配的模式，也可以是降低指纹匹配的重试次数阈值，还可以是提高指纹匹配的相似度阈值，从而使解锁难度提高。

若当前处于模板更新阶段，则选取图10所示的分类任务3的分类结果。当分类任务3输出的分类结果为类别一时，采用的安全策略为“允许更新”，即执行上文的模板更新操作，基于输入的指纹更新模板中对应的指纹；当分类结果为类别二时，采用的安全策略为“禁止更新”，即忽略输入的指纹。

上文的指纹防伪识别的安全策略可总结如下：

通过训练多任务分类模型，可挖掘出不同分类任务之间的相关性，学习到多个分类任务之间可相互借鉴的特性表示，从而不仅使拥有数量较小样本的分类任务（如区分混合指纹的任务）的分类准确度得到提升，而且也可避免具有数量较大样本的分类任务（如区分非指纹的任务）陷入过拟合。通过训练后的多任务分类模型进行指纹防伪识别时，可提升防伪识别的精度，加强指纹认证阶段的安全性。

下面继续说明本发明实施例提供的基于多任务分类的指纹防伪识别装置455实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器450的基于多任务分类的指纹防伪识别装置455中的软件模块可以包括：采集模块4551，用于响应于对指纹采集设备的指纹感测区域的触发操作，采集触发操作所形成的指纹；阶段确定模块4552，用于获取指纹采集设备的当前设备状态，并根据设备状态与指纹认证阶段之间的映射关系，在多个指纹认证阶段中确定与当前设备状态对应的当前指纹认证阶段；分类模块4553，用于调用多任务分类模型对采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个分类任务对应一个指纹认证阶段；确定通过模块4554，用于当目标分类任务对应的预测类别为允许认证类别时，确定采集的指纹通过当前指纹认证阶段的防伪认证，并执行指纹入库操作、指纹匹配操作及模板更新操作中与当前指纹认证阶段对应的操作；其中，目标分类任务是与当前指纹认证阶段对应的分类任务。

在一些实施例中，确定通过模块4554，还用于：当当前指纹认证阶段为指纹入库阶段时，将采集的指纹存储至模板中；

基于多任务分类的指纹防伪识别装置455还包括：提示输出模块，用于当目标分类任务对应的预测类别为混合指纹类别时，忽略采集的指纹，并输出清除提示；禁止入库模块，用于当目标分类任务对应的预测类别为禁止入库类别时，忽略采集的指纹；其中，允许认证类别包括活体指纹类别；禁止入库类别包括仿冒指纹类别和非指纹类别；混合指纹类别用于表示属于活体指纹类别的指纹和固定条纹的混合；清除提示用于提示清除固定条纹。

在一些实施例中，确定通过模块4554，还用于：当当前指纹认证阶段为指纹匹配阶段时，将采集的指纹与模板中的指纹进行匹配，得到表征采集的指纹与模板中的指纹是否一致的匹配结果；

基于多任务分类的指纹防伪识别装置455还包括：难度提升模块，用于当目标分类任务对应的预测类别为仿冒指纹类别时，忽略采集的指纹，并将指纹匹配难度提升至设定级别；禁止匹配模块，用于当目标分类任务对应的预测类别为非指纹类别时，忽略采集的指纹；其中，允许认证类别包括活体指纹类别和混合指纹类别；混合指纹类别用于表示属于活体指纹类别的指纹和固定条纹的混合。

在一些实施例中，难度提升模块还用于：执行以下任意一种处理，以将指纹匹配难度提升至设定级别：将指纹匹配的模式切换为密码匹配的模式；将指纹匹配原有的重试次数阈值降低为设定级别的重试次数阈值；将指纹匹配原有的相似度阈值提升为设定级别的相似度阈值，以在采集的指纹与模板中的指纹之间的相似度小于或等于设定级别的相似度阈值时，确定匹配结果为匹配失败。

在一些实施例中，确定通过模块4554，还用于：当当前指纹认证阶段为模板更新阶段时，基于采集的指纹更新模板中的指纹；

基于多任务分类的指纹防伪识别装置455还包括：禁止更新模块，用于当目标分类任务对应的预测类别为禁止更新类别时，忽略采集的指纹；其中，允许认证类别包括活体指纹类别；禁止更新类别包括混合指纹类别、仿冒指纹类别及非指纹类别；混合指纹类别用于表示属于活体指纹类别的指纹和固定条纹的混合。

在一些实施例中，分类模块4553，还用于：调用多任务分类模型中的特征提取模型，对采集的指纹进行特征提取处理，得到指纹特征；调用多任务分类模型中的指纹入库模型、指纹匹配模型及模板更新模型，分别根据指纹特征执行分类任务，得到与分类任务对应的预测类别；其中，指纹入库模型、指纹匹配模型及模板更新模型分别对应一个分类任务。

在一些实施例中，分类模块4553，还用于：执行以下任意一种处理，以得到采集的指纹的指纹特征：当特征提取模型包括共享网络层时，调用共享网络层对采集的指纹进行特征提取处理，得到指纹入库模型、指纹匹配模型和模板更新模型共享的指纹特征；当特征提取模型包括与指纹入库模型、指纹匹配模型和模板更新模型一一对应的子网络层时，调用子网络层对采集的指纹进行特征提取处理，得到子网络层对应的模型独享的指纹特征。

在一些实施例中，基于多任务分类的指纹防伪识别装置455还包括：样本获取模块，用于获取样本指纹及对应的样本类别；样本特征提取模块，用于调用特征提取模型对样本指纹进行特征提取处理，得到样本指纹特征；样本分类模块，用于调用指纹入库模型、指纹匹配模型和模板更新模型，分别根据样本指纹特征执行分类任务，得到与分类任务对应的预测类别；参数更新模块，用于根据样本指纹对应的预测类别与样本类别之间的差异，更新指纹入库模型、指纹匹配模型、模板更新模型和特征提取模型的权重参数。

在一些实施例中，参数更新模块，还用于：根据子分类模型对应的预测类别与样本类别之间的差异，对子分类模型及特征提取模型的权重参数进行第一次更新处理；固定第一次更新处理得到的特征提取模型的权重参数，并根据差异，对子分类模型的权重参数进行第二次更新处理；其中，子分类模型为指纹入库模型、指纹匹配模型及模板更新模型中的任意一个。

在一些实施例中，参数更新模块，还用于：根据更新顺序对多个子分类模型进行遍历，并对遍历到的子分类模型执行以下处理：根据子分类模型对应的预测类别与样本类别之间的差异，对子分类模型及特征提取模型的权重参数进行第一次更新处理；其中，更新顺序是子分类模型对应的样本指纹数量的降序。

在一些实施例中，基于多任务分类的指纹防伪识别装置455还包括：类别确定模块，用于确定子分类模型对应的分类任务的多个类别；其中，分类任务的每个类别由至少一种样本类别组成，且不同子分类模型对应的分类任务的类别不同；均衡处理模块，用于对分类任务的多个类别对应的样本指纹数量进行均衡处理；其中，样本类别为活体指纹类别、混合指纹类别、仿冒指纹类别和非指纹类别中的一种；混合指纹类别用于表示属于活体指纹类别的指纹和固定条纹的混合。

在一些实施例中，参数更新模块，还用于：当特征提取模型包括多个子分类模型共享的共享网络层时，根据差异在子分类模型及共享网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及共享网络层的权重参数；当特征提取模型包括与多个子分类模型一一对应的子网络层时，在差异中添加正则化参数，根据添加后的差异在子分类模型及对应的子网络层中进行反向传播，并在反向传播的过程中，更新子分类模型及对应的子网络层的权重参数；其中，正则化参数用于对子分类模型对应的子网络层与其他子网络层之间的向量距离进行最小化约束。

在一些实施例中，阶段确定模块4552，还用于：当当前设备状态为已解锁状态、且接收到指纹入库指令时，确定当前指纹认证阶段为指纹入库阶段；当当前设备状态为未解锁状态时，确定当前指纹认证阶段为指纹匹配阶段；当当前设备状态为未解锁状态、且采集的指纹与模板中的指纹之间的相似度大于模板更新的相似度阈值时，确定当前指纹认证阶段为模板更新阶段。

本发明实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的方法，例如，如图5A、图5B或图5C示出的基于多任务分类的指纹防伪识别方法。值得说明的是，计算机包括终端设备和服务器在内的各种计算设备。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上，通过本发明实施例能够实现以下技术效果：

1）在对本发明实施例的多任务分类模型进行训练时，可以挖掘不同分类任务之间的相关性，学习到多个分类任务之间可相互借鉴的特性表示，借助多个分类任务中包括的泛化信息提升每个分类任务的准确性，从而，不仅使拥有数量较小样本的分类任务（如区分混合指纹的任务）的分类准确度得到提升，而且也可避免具有数量较大样本的分类任务（如区分非指纹的任务）陷入过拟合。

2）本方案提供了更细粒度的指纹防伪识别能力，特别是增加了混合指纹类别，因此可在指纹入库阶段、指纹匹配阶段和模板更新阶段，根据预测类别采用相应的安全策略，在保证用户体验的同时，增强指纹防伪识别的安全性。

3）本发明实施例提供了硬共享和软共享的两种模型构建方式，并提供了相应的训练方式，提升了模型结构的灵活性。

4）本发明实施例可结合区块链网络实现，具体可将模板上链保存，也可将多任务分类模型以智能合约的形式部署至区块链网络的节点，从而将指纹防伪识别的部分操作迁移至链上完成，降低电子设备的处理压力，同时提升数据的准确性和有效性。

以上，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (15)

1.一种基于多任务分类的指纹防伪识别方法，其特征在于，包括：

响应于对指纹采集设备的指纹感测区域的触发操作，采集所述触发操作所形成的指纹；

获取所述指纹采集设备的当前设备状态，并

根据设备状态与指纹认证阶段之间的映射关系，在多个指纹认证阶段中确定与所述当前设备状态对应的当前指纹认证阶段；

调用多任务分类模型对所述采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个所述分类任务对应一个指纹认证阶段；

当目标分类任务对应的预测类别为允许认证类别时，确定所述采集的指纹通过所述当前指纹认证阶段的防伪认证，并

执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作；

其中，所述目标分类任务是与所述当前指纹认证阶段对应的分类任务。

2.根据权利要求1所述的指纹防伪识别方法，其特征在于，

所述执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作，包括：

当所述当前指纹认证阶段为指纹入库阶段时，将所述采集的指纹存储至模板中；

所述指纹防伪识别方法，还包括：

当所述目标分类任务对应的预测类别为混合指纹类别时，忽略所述采集的指纹，并输出清除提示；

当所述目标分类任务对应的预测类别为禁止入库类别时，忽略所述采集的指纹；

其中，所述允许认证类别包括活体指纹类别；所述禁止入库类别包括仿冒指纹类别和非指纹类别；所述混合指纹类别用于表示属于所述活体指纹类别的指纹和固定条纹的混合；所述清除提示用于提示清除所述固定条纹。

3.根据权利要求1所述的指纹防伪识别方法，其特征在于，

所述执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作，包括：

当所述当前指纹认证阶段为指纹匹配阶段时，将所述采集的指纹与模板中的指纹进行匹配，得到表征所述采集的指纹与所述模板中的指纹是否一致的匹配结果；

所述指纹防伪识别方法，还包括：

当所述目标分类任务对应的预测类别为仿冒指纹类别时，忽略所述采集的指纹，并将指纹匹配难度提升至设定级别；

当所述目标分类任务对应的预测类别为非指纹类别时，忽略所述采集的指纹；

其中，所述允许认证类别包括活体指纹类别和混合指纹类别；所述混合指纹类别用于表示属于所述活体指纹类别的指纹和固定条纹的混合。

4.根据权利要求3所述的指纹防伪识别方法，其特征在于，所述将指纹匹配难度提升至设定级别，包括：

执行以下任意一种处理，以将指纹匹配难度提升至设定级别：

将指纹匹配的模式切换为密码匹配的模式；

将指纹匹配原有的重试次数阈值降低为设定级别的重试次数阈值；

将指纹匹配原有的相似度阈值提升为设定级别的相似度阈值，以

在所述采集的指纹与所述模板中的指纹之间的相似度小于或等于所述设定级别的相似度阈值时，确定匹配结果为匹配失败。

5.根据权利要求1所述的指纹防伪识别方法，其特征在于，

所述执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作，包括：

当所述当前指纹认证阶段为模板更新阶段时，基于所述采集的指纹更新模板中的指纹；

所述指纹防伪识别方法，还包括：

当所述目标分类任务对应的预测类别为禁止更新类别时，忽略所述采集的指纹；

其中，所述允许认证类别包括活体指纹类别；所述禁止更新类别包括混合指纹类别、仿冒指纹类别及非指纹类别；所述混合指纹类别用于表示属于所述活体指纹类别的指纹和固定条纹的混合。

6.根据权利要求1至5任一项所述的指纹防伪识别方法，其特征在于，所述调用多任务分类模型对所述采集的指纹进行分类处理，得到与多个分类任务对应的预测类别，包括：

调用所述多任务分类模型中的特征提取模型，对所述采集的指纹进行特征提取处理，得到指纹特征；

调用所述多任务分类模型中的指纹入库模型、指纹匹配模型及模板更新模型，分别根据所述指纹特征执行分类任务，得到与所述分类任务对应的预测类别；

其中，所述指纹入库模型、所述指纹匹配模型及所述模板更新模型分别对应一个所述分类任务。

7.根据权利要求6所述的指纹防伪识别方法，其特征在于，所述调用所述多任务分类模型中的特征提取模型，对所述采集的指纹进行特征提取处理，得到指纹特征，包括：

执行以下任意一种处理，以得到所述采集的指纹的指纹特征：

当所述特征提取模型包括共享网络层时，调用所述共享网络层对所述采集的指纹进行特征提取处理，得到所述指纹入库模型、所述指纹匹配模型和所述模板更新模型共享的指纹特征；

当所述特征提取模型包括与所述指纹入库模型、所述指纹匹配模型和所述模板更新模型一一对应的子网络层时，调用所述子网络层对所述采集的指纹进行特征提取处理，得到所述子网络层对应的模型独享的指纹特征。

8.根据权利要求6所述的指纹防伪识别方法，其特征在于，还包括：

获取样本指纹及对应的样本类别；

调用所述特征提取模型对所述样本指纹进行特征提取处理，得到样本指纹特征；

调用所述指纹入库模型、所述指纹匹配模型和所述模板更新模型，分别根据所述样本指纹特征执行分类任务，得到与所述分类任务对应的预测类别；

根据所述样本指纹对应的预测类别与样本类别之间的差异，更新所述指纹入库模型、所述指纹匹配模型、所述模板更新模型和所述特征提取模型的权重参数。

9.根据权利要求8所述的指纹防伪识别方法，其特征在于，所述根据所述样本指纹对应的预测类别与样本类别之间的差异，更新所述指纹入库模型、所述指纹匹配模型、所述模板更新模型和所述特征提取模型的权重参数，包括：

根据子分类模型对应的预测类别与样本类别之间的差异，对所述子分类模型及所述特征提取模型的权重参数进行第一次更新处理；

固定第一次更新处理得到的所述特征提取模型的权重参数，并

根据所述子分类模型对应的预测类别与样本类别之间的差异，对所述子分类模型的权重参数进行第二次更新处理；

其中，所述子分类模型为所述指纹入库模型、所述指纹匹配模型及所述模板更新模型中的任意一个。

10.根据权利要求9所述的指纹防伪识别方法，其特征在于，所述根据子分类模型对应的预测类别与样本类别之间的差异，对所述子分类模型及所述特征提取模型的权重参数进行第一次更新处理，包括：

根据更新顺序对多个所述子分类模型进行遍历，并对遍历到的子分类模型执行以下处理：

根据所述子分类模型对应的预测类别与样本类别之间的差异，对所述子分类模型及所述特征提取模型的权重参数进行第一次更新处理；

其中，所述更新顺序是所述子分类模型对应的样本指纹数量的降序。

11.根据权利要求10所述的指纹防伪识别方法，其特征在于，所述调用所述指纹入库模型、所述指纹匹配模型和所述模板更新模型，分别根据所述样本指纹特征执行分类任务，得到与所述分类任务对应的预测类别之前，还包括：

确定所述子分类模型对应的分类任务的多个类别；其中，所述分类任务的每个类别由至少一种所述样本类别组成，且不同所述子分类模型对应的分类任务的类别不同；

对所述分类任务的多个类别对应的样本指纹数量进行均衡处理；

其中，所述样本类别为活体指纹类别、混合指纹类别、仿冒指纹类别和非指纹类别中的一种；所述混合指纹类别用于表示属于所述活体指纹类别的指纹和固定条纹的混合。

12.根据权利要求9所述的指纹防伪识别方法，其特征在于，所述对所述子分类模型及所述特征提取模型的权重参数进行第一次更新处理，包括：

当所述特征提取模型包括多个所述子分类模型共享的共享网络层时，根据所述子分类模型对应的预测类别与样本类别之间的差异，在所述子分类模型及所述共享网络层中进行反向传播，并

在反向传播的过程中，更新所述子分类模型及所述共享网络层的权重参数；

当所述特征提取模型包括与多个所述子分类模型一一对应的子网络层时，在所述子分类模型对应的预测类别与样本类别之间的差异中添加正则化参数，根据添加后的所述子分类模型对应的预测类别与样本类别之间的差异，在所述子分类模型及对应的子网络层中进行反向传播，并

在反向传播的过程中，更新所述子分类模型及对应的子网络层的权重参数；

其中，所述正则化参数用于对所述子分类模型对应的子网络层与其他子网络层之间的向量距离进行最小化约束。

13.根据权利要求1至5任一项所述的指纹防伪识别方法，其特征在于，所述在多个指纹认证阶段中确定与所述当前设备状态对应的当前指纹认证阶段，包括：

当所述当前设备状态为已解锁状态、且接收到指纹入库指令时，确定当前指纹认证阶段为指纹入库阶段；

当所述当前设备状态为未解锁状态时，确定当前指纹认证阶段为指纹匹配阶段；

当所述当前设备状态为所述未解锁状态、且所述采集的指纹与模板中的指纹之间的相似度大于模板更新的相似度阈值时，确定当前指纹认证阶段为模板更新阶段。

14.一种基于多任务分类的指纹防伪识别装置，其特征在于，

采集模块，用于响应于对指纹采集设备的指纹感测区域的触发操作，采集所述触发操作所形成的指纹；

阶段确定模块，用于获取所述指纹采集设备的当前设备状态，在多个指纹认证阶段中确定与所述当前设备状态对应的当前指纹认证阶段；

分类模块，用于调用多任务分类模型对所述采集的指纹进行分类处理，得到与多个分类任务对应的预测类别；其中，每个所述分类任务对应一个指纹认证阶段；

确定通过模块，用于当目标分类任务对应的预测类别为允许认证类别时，确定所述采集的指纹通过所述当前指纹认证阶段的防伪认证，并

执行指纹入库操作、指纹匹配操作及模板更新操作中与所述当前指纹认证阶段对应的操作；

其中，所述目标分类任务是与所述当前指纹认证阶段对应的分类任务。

15.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至13任一项所述的基于多任务分类的指纹防伪识别方法。

Images