CN111259692A - 一种生物特征分析方法、存储介质及神经网络 - Google Patents
一种生物特征分析方法、存储介质及神经网络 Download PDFInfo
- Publication number
- CN111259692A CN111259692A CN201811457996.3A CN201811457996A CN111259692A CN 111259692 A CN111259692 A CN 111259692A CN 201811457996 A CN201811457996 A CN 201811457996A CN 111259692 A CN111259692 A CN 111259692A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- characteristic value
- training
- biometric
- 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
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种生物特征分析方法、存储介质及神经网络,其中方法包括步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整指纹的若干部分指纹图像,输出为若干部分指纹图像,在训练完成后,将获取到的部分指纹图像输入神经网络,获取神经网络中特征值层输出的特征值。通过设计带有特征值层的图像处理用神经网络,在技术层面上将多个部分指纹图像转化为了一个特征值,并在应用层面上避免了解析合成多个部分指纹图像的计算,由于最终并不合成整体指纹图像,也避免了数据的泄露及被盗用,也提高了生物特征分析方法的安全性。
Description
技术领域
本发明涉及指纹识别领域,特别涉及一种部分指纹图像特征化分析的方法及存储介质。
背景技术
随着科技的发展和技术的进步,触控显示面板已经广泛应用在需要进行人机交互接口的装置中,如工业计算机的操作屏幕、平板计算机、智能手机的触控屏幕等等。由于这些装置在使用过程中通常伴随着大量的用户信息,因而用户信息安全的保护就显得尤为重要。在众多的信息安全保护方式中,指纹识别加密是其中的重要一项。
目前的显示面板技术,不论是液晶显示屏(LCD)、有源阵列式有机发光二极管(AMOLED)显示屏、或微发光二极管(micro-LED)显示屏,皆是以薄膜电晶管(TFT)结构扫描并驱动单一像素,以实现屏上像素阵列之显示功能。形成TFT开关功能的主要结构为半导体场效晶体管(FET),其中熟知的半导体层主要材料有非晶硅、多晶硅、氧化铟镓锌(IGZO)、或是混有碳纳米材料的有机化合物等等。由于光侦测二极管(Photo Diode)的结构亦可采用此类半导体材料制备,且生产设备也兼容于TFT阵列的生产设备,所制备的光敏二极管又可直接与TFT集成并以TFT实现对光敏二极管进行扫描与驱动功能,因此近年来TFT光侦测二极管开始以TFT阵列制备方式作生产,并广泛应用在X光感测平板器件,如中华人民共和国专利CN103829959B、CN102903721B所描述。
相较于传统结晶材料制备的影像传感器件,上述TFT光侦测阵列薄膜材料之光宽度(Band gap)皆以可见光为主要吸收范围,因此较易受环境可见光之干扰形成噪声,导致信号噪声比(SNR)较低。受限于此,TFT光感测阵列初期的应用乃是以X光感测平板器件应用为主,主要原因即为X光属短波长光且准直性高,X光影像先入射到感测平板上配置之光波长转换材料,将X光影像转换较长波长之可见光再直接于感测平板内部传输至TFT光侦测阵列薄膜上,避免了周围环境之可见光形成噪声干扰,如上述中华人民共和国专利CN103829959B、CN102903721B所描述。
若将此类熟知的TFT可见光侦测阵列薄膜配置在显示屏结构内,可作为将光侦测功能集成在显示屏之一种实现方案。然而受限于显示屏的厚度以及显示像素开口孔径等因素,光侦测二极管阵列感测的真实影像已是发生绕射等光学失真之影像,且因光学信号穿透显示屏多层结构,并且在光学显示信号、触摸感测信号并存的情况下,欲从低信噪比场景提取有用光学信号具备很高的困难度,技术困难等级达到近乎单光子成像之程度,必须借由相关算法依光波理论运算重建方能解析出原始影像。为了避开此一技术难点,熟知将可见光传感器薄膜配置在原显示屏结构内会需要额外的光学增强器件,或是仅将光传感器薄膜配置在显示屏侧边内,利用非垂直反射到达侧边之光线进行光影像重建,例如:中华人民共和国专利CN101359369B所述。然而虽然此类技术可避开了弱光成像的技术难点,额外的光学器件增加了光侦测显视屏的厚度,在显视屏侧边的配置方式则无法满足用户的全屏体验。
在我们设计的指纹感测器中,已经能够通过屏下多单元结构同时得到单指纹的多部分成像结果,在使用该成像结果进行分析的操作中,一种方法是通过复杂的算法进行除重、补充、插值、拼接等来还原完整指纹图像。神经网络在图片处理领域的应用目前均有优异表现,如果能够训练神经网络完成对多幅单幅指纹图像的处理,使其特征值化。无疑能够进一步提高指纹识别判断的速度。
综上所述,提供一种在对部分指纹图像输入环境下的识别、分析速度的方法、提高屏下指纹识别装置的用户体验的目的就显得尤为必要。
发明内容
为此,需要提供一种生物特征分析方法,包括如下步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,在训练完成后,将获取到的部分纹图像输入神经网络,获取神经网络中特征值层输出的特征值。
进一步地,还包括如下步骤,生物特征纹库存储生物特征纹样对应的特征值。
具体地,还包括如下步骤,还包括步骤,将神经网络输出的特征值与生物特征纹库内的特征值进行比对。
优选地,所述神经网络包括依次连接的第一卷积层、第二卷积层、第一全连接层、特征值层、第二全连接层、第一反卷积层、第二反卷积层。
优选地,所述卷积层的卷积核大小为5×5,步长为2,特征地图的数量为64。
可选地,第一全连接层的神经元数量为1600,第二全连接层的神经元数量为6400;特征值层的神经元数量为128个。
一种生物特征分析存储介质,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,在训练完成后,将获取到的部分纹图像输入神经网络,获取神经网络中特征值层输出的特征值。
进一步地,所述计算机程序在被运行时还执行包括如下步骤,生物特征纹库存储生物特征纹样对应的特征值。
可选地,所述计算机程序在被运行时还执行包括如下步骤,还包括步骤,将神经网络输出的特征值与生物特征纹库内的特征值进行比对。
一种生物特征分析神经网络,所述神经网络包括依次连接的卷积层、连接层、特征值层;所述卷积层、连接层、特征值层间的神经元连接权重固化关系通过如下步骤形成:
建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,直至训练完成。
区别于现有技术,上述技术方案通过设计带有特征值层的图像处理用神经网络,在技术层面上将多个部分指纹图像转化为了一个特征值,并在应用层面上避免了解析合成多个部分指纹图像的计算,由于最终并不合成整体指纹图像,也避免了数据的泄露及被盗用,也提高了生物特征分析方法的安全性。
附图说明
图1为本发明的一实施例涉及的生物特征分析方法流程示意图;
图2为本发明的一实施例涉及的生物特征分析神经网络架构示意图;
图3为本发明的一实施例涉及的生物特征掌纹分析方法流程示意图;
图4为本发明的一实施例涉及的生物特征虹膜分析方法流程示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
如图1所示,为一种生物特征分析方法的流程图,这里的生物特征可以是将指纹替换为掌纹、足纹、趾纹、视网膜、虹膜等生物特征纹样,本方案描述的方案以指纹为例,但若要也是能够进行简单替换为其他生物特征纹样,也是清楚从而容易实现的。这里请看图1,我们的方法包括如下步骤,S100建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
S102通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整指纹的若干部分指纹图像,输出为若干部分指纹图像对应的整体指纹图像,在训练完成后,我们便得到神经元固化的神经网络,再进行步骤S104将获取到的部分指纹图像输入神经网络,获取神经网络中特征值层输出的特征值。图2为本发明的生物特征分析的神经网络,在我们的实施例中,生物特征分析神经网络包括依次连接的第一卷积层、第二卷积层、第一全连接层、特征值层、第二全连接层、第一反卷积层、第二反卷积层;具体的卷积层、连接层、反卷积层的数量可以根据实际需要自行设置。在图2所示的实施例中通过对该神经网络进行上述方式的训练,则在训练完成后,特征值层内的神经元及其前的神经网络层次已经固化形成特定的连接系数,且特定的部分指纹图像,能够对应特定的整体图像输出,同样地在神经网络的特征值层的输出也能够特定化。在我们的实施例中,特征值层的神经元为128个,则特征值层的输出是128维的向量,能够用于特征化表示对应的整体指纹图像输出,同时也能够表征其对应的若干部分指纹图像,特征值层的神经元数越多,则表征越准确。在实际应用该训练完毕的神经网络的时候,可以无需输出最终的整体指纹图像,只需要计算到特征值层调取特征值用于表征部分指纹图像即可。通过设计带有特征值层的图像处理用神经网络,在技术层面上将多个部分指纹图像转化为了一个特征值,并在应用层面上避免了解析合成多个部分指纹图像的计算,由于最终并不合成整体指纹图像,也避免了数据的泄露及被盗用,也提高了生物特征分析方法的安全性。
为了更好地满足生物特征分析的需求,我们可以将通过上述分析方法得到的生物特征纹的部分图像和特征值之间的对应关系作为资料库进行存储,还包括如下步骤,S106指纹库存储部分指纹图像与特征值的对应关系。例如某个实施例中其中同一批次输入的部分指纹图像a1、a2、a3、a4都属于同一个指纹A1,将a1、a2、a3、a4输入前述训练好的神经网络,得到其特征值层的输出d1,我们可以在资料库中存储对应的整体指纹与特征值的对应关系【A1,d1】;也可以存储部分指纹图像与特征值的对应关系【a1,a2,a3,a4,d1】;甚至可以只在资料库中存储有效的特征值d1。许许多多的指纹的特征值d1,d2,d3……d100等等构成了指纹资料库。在需要进行比对的时候,可以进行步骤,比对第一指纹、第二指纹通过上述方法训练获得的神经网络获取特征值层的输出。S108匹配待比对指纹图像与指纹库的特征值。若待比对的若干部分指纹图像经过神经网络处理后得到的特征值与资料库中既存的特征值的差值小于预设阈值,则视为待比对的指纹与资料库中的指纹匹配。差值的计算方法可以参照向量差值的计算方法,预设阈值可以根据实际情况的不同进行调整,优选为1。通过上述方案建立指纹资料库,存储既有指纹的特征值,再后续验证指纹的时候将新的指纹纹样与资料库中进行比对,就能够实现不同指纹之间的比对操作。进一步增强了指纹识别的效率。
在图2所示的优选的实施例中,卷积的核心大小为5×5每次核心的位移为2,特征地图的数量为64。第一层全连接层的神经元数量为1600,第二层的神经元数量为6400。特征码层有128个神经元,其系数即为特征码,可以表示成128维的向量,藉由计算不同输入影像所得到的特征码之间的距离,我们进行指纹比对。令输入影像为x,其对应的完整指纹影像为y,而神经网络的输出为训练目标是最小化重建错误函数上述的卷积核大小、步长及特征地图的数量、神经元数量均可以根据具体需要进行改动。上述优选设置能够使得本神经网络更好更快地进行特征值层的计算并提高鲁棒性。
其他一些可选的实施例中。生物特征纹为掌纹,也请参照图3,目标物变为掌纹。我们的方法包括如下步骤,S300建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;S302通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整掌纹的若干部分掌纹图像,输出为若干部分掌纹图像对应的整体掌纹图像,在训练完成后,我们便得到神经元固化的神经网络,再进行步骤S304将获取到的部分掌纹图像输入神经网络,获取神经网络中特征值层输出的特征值。在图2所示的实施例中通过对该神经网络进行上述方式的训练,则在训练完成后,特征值层内的神经元及其前的神经网络层次已经固化形成特定的连接系数,且特定的部分掌纹图像,能够对应特定的整体图像输出,同样地在神经网络的特征值层的输出也能够特定化。在我们的实施例中,特征值层的神经元为128个,则特征值层的输出是128维的向量,能够用于特征化表示对应的整体掌纹图像输出,同时也能够表征其对应的若干部分掌纹图像,特征值层的神经元数越多,则表征越准确。在实际应用该训练完毕的神经网络的时候,可以无需输出最终的整体掌纹图像,只需要计算到特征值层调取特征值用于表征部分掌纹图像即可。通过设计带有特征值层的图像处理用神经网络,在技术层面上将多个部分掌纹图像转化为了一个特征值,并在应用层面上避免了解析合成多个部分掌纹图像的计算,由于最终并不合成整体掌纹图像,也避免了数据的泄露及被盗用,也提高了生物特征分析方法的安全性。
为了更好地满足生物特征分析的需求,我们可以将通过上述分析方法得到的生物特征纹的部分图像和特征值之间的对应关系作为资料库进行存储,还包括如下步骤,S306掌纹库存储部分掌纹图像与特征值的对应关系。例如某个实施例中其中同一批次输入的部分掌纹图像c1、c2、c3、c4都属于同一个掌纹C1,将c1、c2、c3、c4输入前述训练好的神经网络,得到其特征值层的输出h1,我们可以在资料库中存储对应的整体掌纹与特征值的对应关系【C1,h1】;也可以存储部分掌纹图像与特征值的对应关系【c1,c2,c3,c4,h1】;甚至可以只在资料库中存储有效的特征值h1。许许多多的掌纹的特征值h1,h2,h3……h100等等构成了掌纹资料库。在需要进行比对的时候,可以进行步骤,比对第一掌纹、第二掌纹通过上述方法训练获得的神经网络获取特征值层的输出。S308匹配待比对掌纹图像与掌纹库的特征值。若待比对的若干部分掌纹图像经过神经网络处理后得到的特征值与资料库中既存的特征值的差值小于预设阈值,则视为待比对的掌纹与资料库中的掌纹匹配。差值的计算方法可以参照向量差值的计算方法,预设阈值可以根据实际情况的不同进行调整,优选为1。通过上述方案建立掌纹资料库,存储既有掌纹的特征值,再后续验证掌纹的时候将新的掌纹纹样与资料库中进行比对,就能够实现不同掌纹之间的比对操作。进一步增强了掌纹识别的效率。
另一些可选的实施例中。生物特征纹为虹膜,请参照图4,目标物为虹膜。我们的方法包括如下步骤,S400建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;S402通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整虹膜的若干部分虹膜图像,输出为若干部分虹膜图像对应的整体虹膜图像,在训练完成后,我们便得到神经元固化的神经网络,再进行步骤S404将获取到的部分虹膜图像输入神经网络,获取神经网络中特征值层输出的特征值。在图2所示的实施例中通过对该神经网络进行上述方式的训练,则在训练完成后,特征值层内的神经元及其前的神经网络层次已经固化形成特定的连接系数,且特定的部分虹膜图像,能够对应特定的整体图像输出,同样地在神经网络的特征值层的输出也能够特定化。在我们的实施例中,特征值层的神经元为128个,则特征值层的输出是128维的向量,能够用于特征化表示对应的整体虹膜图像输出,同时也能够表征其对应的若干部分虹膜图像,特征值层的神经元数越多,则表征越准确。在实际应用该训练完毕的神经网络的时候,可以无需输出最终的整体虹膜图像,只需要计算到特征值层调取特征值用于表征部分虹膜图像即可。通过设计带有特征值层的图像处理用神经网络,在技术层面上将多个部分虹膜图像转化为了一个特征值,并在应用层面上避免了解析合成多个部分虹膜图像的计算,由于最终并不合成整体虹膜图像,也避免了数据的泄露及被盗用,也提高了生物特征分析方法的安全性。
为了更好地满足生物特征分析的需求,我们可以将通过上述分析方法得到的生物特征纹的部分图像和特征值之间的对应关系作为资料库进行存储,还包括如下步骤,S406虹膜库存储部分虹膜图像与特征值的对应关系。例如某个实施例中其中同一批次输入的部分虹膜图像e1、e2、e3、e4都属于同一个虹膜E1,将e1、e2、e3、e4输入前述训练好的神经网络,得到其特征值层的输出g1,我们可以在资料库中存储对应的整体虹膜与特征值的对应关系【E1,g1】;也可以存储部分虹膜图像与特征值的对应关系【e1,e2,e3,e4,g1】;甚至可以只在资料库中存储有效的特征值d1。许许多多的虹膜的特征值g1,g2,g3……g100等等构成了虹膜资料库。在需要进行比对的时候,可以进行步骤,比对第一虹膜、第二虹膜通过上述方法训练获得的神经网络获取特征值层的输出。S408匹配待比对虹膜图像与虹膜库的特征值。若待比对的若干部分虹膜图像经过神经网络处理后得到的特征值与资料库中既存的特征值的差值小于预设阈值,则视为待比对的虹膜与资料库中的虹膜匹配。差值的计算方法可以参照向量差值的计算方法,预设阈值可以根据实际情况的不同进行调整,优选为1。通过上述方案建立虹膜资料库,存储既有虹膜的特征值,再后续验证虹膜的时候将新的虹膜纹样与资料库中进行比对,就能够实现不同虹膜之间的比对操作。进一步增强了虹膜识别的效率。
其他一些优选的实施例中,我们还介绍一种生物特征分析存储介质,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,在训练完成后,将获取到的部分纹图像输入神经网络,获取神经网络中特征值层输出的特征值。
进一步地,所述计算机程序在被运行时还执行包括如下步骤,生物特征纹库存储生物特征纹样对应的特征值。
可选地,所述计算机程序在被运行时还执行包括如下步骤,还包括步骤,将神经网络输出的特征值与生物特征纹库内的特征值进行比对。进一步地,所述卷积层的卷积核大小为5×5,步长为2,特征地图的数量为64。
进一步地,第一全连接层的神经元数量为1600,第二全连接层的神经元数量为6400;特征值层的神经元数量为128个。
我们的另一些实施例还提供一种生物特征分析神经网络,所述神经网络包括依次连接的卷积层、连接层、特征值层;所述卷积层、连接层、特征值层间的神经元连接权重固化关系通过如下步骤形成:
建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,直至训练完成。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种生物特征分析方法,其特征在于,包括如下步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,在训练完成后,将获取到的部分纹图像输入神经网络,获取神经网络中特征值层输出的特征值。
2.根据权利要求1所述的生物特征分析方法,其特征在于,还包括如下步骤,生物特征纹库存储生物特征纹样对应的特征值。
3.根据权利要求1所述的生物特征分析方法,其特征在于,还包括如下步骤,还包括步骤,将神经网络输出的特征值与生物特征纹库内的特征值进行比对。
4.根据权利要求1所述的生物特征分析方法,其特征在于,所述神经网络包括依次连接的第一卷积层、第二卷积层、第一全连接层、特征值层、第二全连接层、第一反卷积层、第二反卷积层。
5.根据权利要求4所述的生物特征分析方法,其特征在于,所述卷积层的卷积核大小为5×5,步长为2,特征地图的数量为64。
6.根据权利要求4所述的生物特征分析方法,其特征在于,第一全连接层的神经元数量为1600,第二全连接层的神经元数量为6400;特征值层的神经元数量为128个。
7.一种生物特征分析存储介质,其特征在于,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤,建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,在训练完成后,将获取到的部分纹图像输入神经网络,获取神经网络中特征值层输出的特征值。
8.根据权利要求7所述的生物特征分析存储介质,其特征在于,所述计算机程序在被运行时还执行包括如下步骤,生物特征纹库存储生物特征纹样对应的特征值。
9.根据权利要求7所述的生物特征分析存储介质,其特征在于,所述计算机程序在被运行时还执行包括如下步骤,还包括步骤,将神经网络输出的特征值与生物特征纹库内的特征值进行比对。
10.一种生物特征分析神经网络,其特征在于,所述神经网络包括依次连接的卷积层、连接层、特征值层;所述卷积层、连接层、特征值层间的神经元连接权重固化关系通过如下步骤形成:
建立神经网络,所述神经网络包括卷积层、连接层、特征值层和反卷积层;
通过训练样本对神经网络进行训练,所述训练样本的输入为同属一完整生物特征纹的若干部分纹图像,输出为完整纹图像,直至训练完成。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457996.3A CN111259692A (zh) | 2018-11-30 | 2018-11-30 | 一种生物特征分析方法、存储介质及神经网络 |
TW108143695A TWI813820B (zh) | 2018-11-30 | 2019-11-29 | 一種指紋重建方法與一種生物特徵分析方法、儲存介質及生物特徵分析神經網路程式產品 |
US16/699,738 US11495049B2 (en) | 2018-11-30 | 2019-12-02 | Biometric feature reconstruction method, storage medium and neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457996.3A CN111259692A (zh) | 2018-11-30 | 2018-11-30 | 一种生物特征分析方法、存储介质及神经网络 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259692A true CN111259692A (zh) | 2020-06-09 |
Family
ID=70948336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811457996.3A Pending CN111259692A (zh) | 2018-11-30 | 2018-11-30 | 一种生物特征分析方法、存储介质及神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259692A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
CN115035640A (zh) * | 2022-08-10 | 2022-09-09 | 湖南朗国视觉识别研究院有限公司 | 一种基于人体特征识别的智能门锁解锁方法及门锁系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729640A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉特征提取方法、装置及一种终端 |
CN104281841A (zh) * | 2014-09-30 | 2015-01-14 | 深圳市汇顶科技股份有限公司 | 一种指纹识别系统及其指纹处理方法和装置 |
CN104615991A (zh) * | 2015-02-10 | 2015-05-13 | 深圳市亚耕电子科技有限公司 | 指纹感测装置、电子产品及其指纹感测方法 |
CN105354544A (zh) * | 2015-10-29 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN105447436A (zh) * | 2014-12-19 | 2016-03-30 | 比亚迪股份有限公司 | 指纹识别系统及指纹识别方法及电子设备 |
CN105975838A (zh) * | 2016-06-12 | 2016-09-28 | 北京集创北方科技股份有限公司 | 安全芯片、生物特征识别方法和生物特征模板注册方法 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
-
2018
- 2018-11-30 CN CN201811457996.3A patent/CN111259692A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729640A (zh) * | 2013-12-24 | 2014-04-16 | 小米科技有限责任公司 | 一种手指静脉特征提取方法、装置及一种终端 |
CN104281841A (zh) * | 2014-09-30 | 2015-01-14 | 深圳市汇顶科技股份有限公司 | 一种指纹识别系统及其指纹处理方法和装置 |
CN105447436A (zh) * | 2014-12-19 | 2016-03-30 | 比亚迪股份有限公司 | 指纹识别系统及指纹识别方法及电子设备 |
CN104615991A (zh) * | 2015-02-10 | 2015-05-13 | 深圳市亚耕电子科技有限公司 | 指纹感测装置、电子产品及其指纹感测方法 |
CN105354544A (zh) * | 2015-10-29 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN105975838A (zh) * | 2016-06-12 | 2016-09-28 | 北京集创北方科技股份有限公司 | 安全芯片、生物特征识别方法和生物特征模板注册方法 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
CN115035640A (zh) * | 2022-08-10 | 2022-09-09 | 湖南朗国视觉识别研究院有限公司 | 一种基于人体特征识别的智能门锁解锁方法及门锁系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9865040B2 (en) | Electronic device including sub-array based deblurring of a blurred finger image and related methods | |
Xie et al. | Deep convolutional networks with residual learning for accurate spectral-spatial denoising | |
Uss et al. | Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images | |
Zhang et al. | Integrating spectral and image data to detect Fusarium head blight of wheat | |
CN112116065A (zh) | 一种rgb图像光谱重建方法、系统、存储介质及应用 | |
CN109801275B (zh) | 基于图像识别的马铃薯病害检测方法和系统 | |
CN111259692A (zh) | 一种生物特征分析方法、存储介质及神经网络 | |
CN111242228B (zh) | 高光谱图像分类方法、装置、设备及存储介质 | |
TWI813820B (zh) | 一種指紋重建方法與一種生物特徵分析方法、儲存介質及生物特徵分析神經網路程式產品 | |
Ge et al. | Adaptive hash attention and lower triangular network for hyperspectral image classification | |
CN109190511A (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN115496976A (zh) | 多源异构数据融合的视觉处理方法、装置、设备及介质 | |
CN113239828B (zh) | 一种基于tof摄像模组的人脸识别方法及装置 | |
Singh et al. | SEAM-an improved environmental adaptation method with real parameter coding for salient object detection | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN116563606A (zh) | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 | |
CN115170456A (zh) | 检测方法及相关设备 | |
Miao et al. | Hierarchical CNN classification of hyperspectral images based on 3-D attention soft augmentation | |
CN113032622A (zh) | 一种新型医学视频图像采集和数据管理系统 | |
Sun et al. | Visual saliency detection based on multi-scale and multi-channel mean | |
Wang et al. | Saliency detection based on color descriptor and high-level prior | |
WO2018185992A1 (ja) | 生体認証装置、及び方法 | |
CN110517212A (zh) | 基于非重叠波段模拟的高光谱和多光谱图像融合方法 | |
CN113222908B (zh) | 基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法 | |
Singh | Saliency threshold: a novel saliency detection model using Ising’s theory on Ferromagnetism (STIF) |
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 |