CN111310515A - 编码遮罩生物特征分析方法、存储介质及神经网络 - Google Patents
编码遮罩生物特征分析方法、存储介质及神经网络 Download PDFInfo
- Publication number
- CN111310515A CN111310515A CN201811509957.3A CN201811509957A CN111310515A CN 111310515 A CN111310515 A CN 111310515A CN 201811509957 A CN201811509957 A CN 201811509957A CN 111310515 A CN111310515 A CN 111310515A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- biological characteristic
- image
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 102
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 36
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 21
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06V40/13—Sensors therefor
- G06V40/1324—Sensors therefor by using geometrical optics, e.g. using prisms
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
Abstract
一种编码遮罩生物特征分析方法、存储介质及神经网络,其中方法包括如下步骤,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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,获取神经网络中特征值层输出的特征值。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,在技术层面上将编码遮罩滤波后的指纹图像转化为了一个特征值,并在应用层面上跳过了反解为原始指纹图像的计算,提高了生物特征分析方法的安全性。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及一种带有编码遮罩的生物特征光学成像分析方法设计。
背景技术
随着信息科技的发展,生物特征识别技术在保障信息安全的方面发挥着越来越重要的作用,其中指纹识别已经成为移动互联网领域广泛应用的身份识别、设备解锁的关键技术手段之一。在设备的屏占比越来越大的趋势下,传统的电容式指纹识别已经不能满足需求,而超声波指纹识别则存在技术成熟度和成本等方面的问题,光学指纹识别是有望成为屏下指纹识别的主流技术方案。
现有的光学指纹识别方案是通过OLED的光线经由屏幕全反射之后直接被光学传感器接收,并对接收到的图片进行分析处理,首先可能是会带来安全性方面的问题,无论是感应到的整体指纹影像还是部分指纹影像都直接携带有指纹的信息,容易被别有用心的人盗取。其次借助透镜的成像方式也有针对现在越来越薄的手持设备与焦距及设备设计厚度上的无从适应。
从光学原理的角度来说,如果一张白纸放在自然环境中,上面不会有任何影像,或者说,上面有无数多重影像,外界所有物体反射的光线都从各个角度能打在白纸上,观察起来就是白茫茫的一片,若要形成可以被观察的像,则需要强化某些入射光。其中一种方法就是用透镜,位于特定距离的光线能被透镜汇聚到另一特定距离的一点,而其他距离的光线则不能够聚焦,发散在空间中则不会影响观察,位于特定距离的一个白纸自然能够承载蜡烛的光影。这是初中物理实验的内容,并且广泛应用于现在的相机、摄像机等光学设备中。另一种方法就是小孔成像,在暗室中的白纸能够呈现一个清晰倒立的像,是因为室壁上的小孔相当于一个过滤装置,将原本散射的无数多重影响过滤成只剩一幅画面,使得成像变得清晰。如果小孔的数量多了起来,成像仍然会变成多幅画面的叠加,在肉眼看来仍然是模糊的,但如果是成一定规律的小孔,这种多幅画面的叠加在信号与系统的原理中是有规律可循的,能够通过一定方式的反解计算得到原画面。这种方法在学术论文《FlatCam:Thin,Bare-Sensor,Cameras using CodedAperture and Computation》中已经有所披露,我们致力于将这种方法应用于屏下生物特征成像的领域中来,用以提高安全性。
发明内容
为此,需要提供一种能够对入射光在进入传感器之前进行光波的相关编码,并利用神经网络进行特征码编码表征入射图像的方案。
为实现上述目的,发明人提供了一种编码遮罩生物特征分析方法,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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,获取神经网络中特征值层输出的特征值。
具体地,还包括步骤,生物特征纹库存储生物特征纹样对应的特征值。
进一步地,还包括如下步骤,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。
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。
一种编码遮罩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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,获取神经网络中特征值层输出的特征值。
具体地,所述计算机程序在被运行时还执行包括步骤,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。
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经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,直至训练完成。
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,在技术层面上将编码遮罩滤波后的指纹图像转化为了一个特征值,并在应用层面上跳过了反解为原始指纹图像的计算,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为具体实施方式所述的屏下生物特征扫描单元生物特征扫描单元的架构示意图;
图2为具体实施方式所述的编码遮罩设计样式图;
图3为具体实施方式所述的编码遮罩样式图;
图4为具体实施方式所述的传感器感光影像及原始影像示意图;
图5为具体实施方式所述的屏下生物特征识别方法流程图;
图6为具体实施方式所述的屏下生物特征识别方法流程图;
图7为具体实施方式所述的编码遮罩生物特征重建方法示意图;
图8为具体实施方式所述的编码遮罩生物特征重建神经网络示意图;
图9为具体实施方式所述的编码遮罩生物特征分析方法示意图;
图10为具体实施方式所述的编码遮罩生物特征分析神经网络示意图。
附图标记:
2、编码遮罩;
21、编码单元。
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。
本技术发明的目的通过以下技术方案来实现:
这里先请看图1,图1为本发明某些实施例中屏下的生物特征扫描单元的架构示意图,生物特征扫描单元可以包括,发光组件、感光组件。发光组件设置在图示的发光层中,感光组件可以设置在传感器层中。具体的设置可以参照我们其他的相关专利方案。发光组件发出的光线经过全反射能够在屏下的传感器层中的感光组件中留下影像。这里所称的屏下可以指代惯常使用的触摸屏,以手机常见的触摸屏为例,则可能有4.7寸屏,5.1寸屏,5.4寸屏等等,通过布设多个生物特征扫描单元,我们旨在整个屏幕的任意范围都可通过以上的生物特征扫描单元来获取到扫描数据,但不会耗费过多的能量。这里的生物特征可以指纹为例,但若要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,也是足够清楚实现的。作为一种进一步的方案,为了提升指纹识别中间影像的安全性,我们提出一种编码遮罩式屏下生物特征识别结构,包括显示面板、光源、传感器,可以类比于前述的触摸屏、发光组件、感光组件,但又有所不同。我们的光源、传感器可以为一对一的形式,遵从部分指纹成像的设计理念,也可以为多光源照亮整个指纹后进行成像,也可以是光源光线经过显示面板全反射之后的成像。在我们的实施例中,传感器处于上述光路的最末端,并且在传感器前,还设计有编码遮罩2,所述编码遮罩设置于传感器前的光路上,编码遮罩以矩阵化表示为第一矩阵,所述第一矩阵满足自相关运算后为狄拉克函数。在具体的实施例中,如图2展示了一种编码遮罩2的设计样式,编码遮罩的矩阵化可以理解为将编码遮罩的二维结构进行投影、分割出若干横竖均等的区块。编码遮罩为具有遮光与透光部分混合的二维平面,那么编码遮罩的矩阵化可以理解为,将编码遮罩最小化为编码单元21,编码单元具备遮光部分与透光部分两种属性,如在图2展示的实施例中在矩阵化的时候可分别用0,1表示,且编码遮罩可以矩阵化,则其上的遮光部分与透光部分满足行对齐及列对齐的关系,每个最小化的编码单元通常是正矩形,但是也可以进行长或宽方向的拉伸,构成透光部分的编码单元可以是全部透光,也可以是部分镂空,如图2所示的示例中,编码单元可以仅是其中的部分透光,右侧的编码遮罩中每个遮罩单元可以仅有圆形部分透光,还可以将圆形换成编码单元内的任意形状,只要其符合在整个编码遮罩中的行列对齐即可,部分透光在编码遮罩的小尺度上并不影响信息的表达,图2所示的实例中编码遮罩则可以矩阵化为
对整个编码遮罩以编码单元为单位进行矩阵化之后,其矩阵应当满足自相关运算结果为狄拉克函数(delta function),满足上述条件的编码遮罩才能够被反解析,具体的解析方法可以参照现有技术,在本发明方案中,主要利用编码遮罩的再编码特性,经过编码遮罩的光线照射在传感器上之后获得的感光影像,肉眼不能够直接看到具体的内容,因为其影像是多个透光部分的叠加总和。图3的一个实例中展示了具体可用的编码遮罩的样式,图4展示的示例中则是经过编码遮罩的感光影像与原始影像之间的对应关系,我们可以看到传感器的感应图像十分模糊,肉眼无法分辨其中的信息。只有通过编码遮罩对应的第一矩阵信息进行反解,才能够获得生物特征的原始图像。通过上述方案,本发明达到了对指纹信息进行加密的效果,提高了指纹信息录入的安全性,起到了防止指纹信息泄露的技术效果。
在其他一些具体的实施例中,所述编码遮罩的遮挡与透光比率为1;在编码遮罩中编码单元被划归为遮光部分与被划归为透光部分的数量比为1:1。在我们的实施例中,遮光与透光的比率在35:65至65:35之间的图像可解析率及信噪比均有较为良好的表现,在优选的实施例中,编码遮罩的遮挡与透光的占比分别为50%,这样的设计好处在于最终的成像有最好的信噪比表现。在另一些优选的实施例中,编码遮罩与传感器的距离设置为30-100传感器像素宽度之间,这种距离设置方式的好处在于具有相对较好的信息保留,太远传感器上的成像信息会变得模糊同时容易受到干扰,信噪比会降低,太近则会被衍射图像干扰,也会降低信噪比,我们提出基于传感器像素宽度的结构设计,能够更好地保证成像质量。
为了更好地提高生物特征识别的整体方案的安全性,我们还提供一种编码遮罩式屏下生物特征识别系统,包括上述的识别结构,还包括存储单元、处理单元;所述存储单元用于获取传感器接收到的感光影像,并预存有编码遮罩对应的第一矩阵,所述处理单元用于根据感光影像及第一矩阵反解出生物特征影像。基于上述方案,我们的生物特征识别结构可以集成于带有显示面板的终端设备中,进一步地说,存储单元与处理单元可以同集成在一终端设备中,也可以是设计在云端服务器上,通过云端服务器进行反解感光影像并进行反解,也可以进一步地进行验证步骤,以更好地完成生物特征的识别,通过云端验证还能够进一步提高本发明方案的安全性能。因为起到密码功能的第一矩阵不用存储在本地设备终端上。
在具体的实施例中,如图5所示的流程图中,我们的屏下生物特征识别系统进行如下方法步骤:
S500屏下传感器接收光源经显示面板反射后经过编码遮罩滤波后的感光影像,
S502将感光影像传输给处理单元,
S504处理单元调用存储单元中记录的第一矩阵信息,反解感光影像。
最终得到生物特征图像信息。
在另一些实施例中,生物特征识别结构相对较小,仅设计用于识别生无征图像中的部分区域,我们的屏下生物特征识别系统进行如下方法步骤:
S500屏下传感器接收光源经显示面板反射后经过编码遮罩滤波后的感光影像,
S502将感光影像传输给处理单元,
S504处理单元调用存储单元中记录的第一矩阵信息,反解感光影像。
最终得到部分生物特征图像信息。
同时由于生物特征识别结构相对较小,多个上述结构共同作用,我们可以将多个结构中的编码遮罩并不相同,因此同时第二生物特征识别结构还进行如下方法步骤:
S500第二屏下传感器接收光源经显示面板反射后经过编码遮罩滤波后的感光影像,
S502将感光影像传输给处理单元,
S504处理单元调用存储单元中记录的第二矩阵信息,反解感光影像。
最终得到第二部分生物特征图像信息。
在其他一些实施例中,如图6所示,存储单元与处理单元位于云端,生物设备终端还包括我们的屏下生物特征识别系统进行如下方法步骤:
S600屏下传感器接收光源经显示面板反射后经过编码遮罩滤波后的感光影像,
S602将感光影像通过通信单元传输给云端服务器,同时上传设备码信息,
S604云端服务器的处理单元调用云端服务器的存储单元中记录的设备码对应的第一矩阵信息,反解感光影像。
最终S606得到生物特征图像信息,将生物特征图像信息返回设备。
在如图7所示的实施例中,为一种编码遮罩生物特征重建方法示意图,方案可以开始于步骤,S702建立神经网络,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经过编码遮罩滤波的生物特征感光影像,输出为生物特征图像对应的生物特征原始影像,得到训练好的神经网络。
S704获取经过编码遮罩滤波的生物特征的感光影像,输入训练好的神经网络,获取神经网络输出的对生物特征影像的预测值。
在本实施例中,神经网络为专用于处理被上述结构中的编码遮罩滤波过的传感器接收到的感光影像,根据神经网络的特性学习得到,或者说反解得到编码遮罩原始图像的神经网络,其中编码遮罩滤波过的感光影像可以对应整个指纹的全貌,也可以是特定装置获取的部分指纹图像。具体的实施方式可以为,预先在指纹库中存储编码遮罩滤波过的感光影像,及其对应的指纹原始影像,原始影像的获得方法就是通过前文的方法根据矩阵信息及信号与系统的原理进行反解。在本方法过程中,指纹库中存储的多组感光影像与原始影像之间的矩阵信息可以不一致,这是由于神经网络的学习特性决定的因此本方法可以预进行步骤,S700建立指纹资料库,资料库中存储编码遮罩滤波过的感光影像,及其对应的指纹原始影像。当这样的预存的指纹原始影像数量足够多的时候,就可以便于进行步骤,建立图像处理用的神经网络架构,将对应的编码遮罩滤波过的指纹感光影像作为输入,将对应的指纹原始影像作为输出进行训练,当训练结果稳定之后,该神经网络架构将专门化为处理编码遮罩滤波过的指纹感光影像而计算出指纹原始影像的神经网络。通过将神经网络图像应用于编码遮罩滤波过的指纹感光影像的分析处理,能够简化其中的计算步骤,无论是去重、归一化、拼接等都化为其内部自身的神经元参数。其次能够利用神经网络的学习特性,即便是缺失部分信息的指纹,也能够在神经网络中得到对应的完整指纹的指纹原始影像的预测值,当训练样本越多,这一预测结果将越精确。再次通过神经网络还原完整的指纹图像,也避免了信息的泄露,提高现有指纹分析技术的安全性。
在某些实施例中,我们可以针对性地调整神经网络中的结构及对应参数。,我们的神经网络包括依次连接的卷积层、和反卷积层,在这一实施例中,神经网络的输入为若干的编码遮罩滤波过的指纹感光影像,经过卷积层得到卷积结果数据,卷积层可以根据需要设置层数,再将卷积结果数据输入到反卷积层后,输出最终神经网络对编码遮罩滤波过的指纹感光影像对应的指纹原始影像的预测结果。通过上述神经网络架构设计,我们能够达到更快地进行编码遮罩滤波过的指纹感光影像的分析,并且对于多种不同编码遮罩表示的不同结果均有较好表现,普适性强。
在如图8所示的某些实施例中,我们的神经网络包括依次连接的第一卷积层、第二卷积层、第一反卷积层和第二反卷积层。其中第一卷积层的卷积核大小为5×5;卷积核的步长即每次核心的位移为2,特征地图的数量为64;第二反卷积层的设置与第一卷积层对应;第二卷积层的卷积核大小、步长、及特征地图数量可设置为与第一卷积层相同,也可以根据需要另行选取不同的参数。在图2所示的实施例中,输入的编码遮罩滤波过的指纹感光影像大小为80*80像素,经过第一卷积层后获得40*40的数据结果;再将此结果输入第二卷积层,可以得到20*20的二次卷积结果。再将此二次卷积结果通过两层反卷积层进行反卷积运算,调整参数使其获得160*160大小的完整指纹图像输出。通过上述设计,能够更好地进行指纹的重建步骤。从实践的角度来说,卷积核的大小越小,则卷积算法提取的特征越细致,但更容易出现过拟合,且对算力要求越高,卷积核越大则特征提取更为粗糙,以致匹配结果不够精确。步长的选取也有相同的特性,读者可以根据需要调整卷积核的大小和步长。
在另一些实施例中,神经网络架构的层级还可进一步优化,在第二卷积层与第一反卷积层中可以设置连接层,连接层用于将第二卷积层的卷积运算结果处理后输入第一反卷积层。连接层内可以设置多层结构,每层结构设计多个神经元,连接层的层级越多,每层神经元数量越丰富,神经网络的处理结果就越精确,占用的算力也就越多。在某些实施例中,还包括第一连接层及第二连接层,每层的神经元数量设置为400个。通过设计多层级的连接层,进一步提升了神经网络的处理能力,优化了处理效率,提升了重建指纹分析的准确性。通过上述方法设计本发明方案达到了借助神经网路完成过滤后的感光影像复原原始影像的有益效果,降低了对硬件设备反解算力资源的需求,提高了指纹识别方法的普适性,同时也提高了指纹识别方法的安全性。
在如图9所示的实施例中,我们还提供一种生物特征的分析方法包括如下步骤,S900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;
S902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编码遮罩滤波过的指纹感光影像,输出为若干编码遮罩滤波过的指纹感光影像对应的指纹原始影像,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S904将获取到的编码遮罩滤波过的指纹感光影像输入神经网络,获取神经网络中特征值层输出的特征值。图10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。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,且特定的编码遮罩滤波过的指纹感光影像,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,特征值层的神经元优选为128个,当然也可以选择为32个、64个、256个等任意数值。神经元选为128个的时候特征值层的输出是128维的向量,能够用于特征化表示对应的指纹原始影像输出,同时也能够表征其对应的若干编码遮罩滤波过的指纹感光影像,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指纹原始影像,只需要计算到特征值层调取特征值用于表征指纹原始影像即可。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编码遮罩滤波过的指纹感光影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编码遮罩滤波过的指纹感光影像的计算,由于最终并不合成指纹原始影像,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,S806指纹库存储编码遮罩滤波过的指纹感光影像与特征值的对应关系。例如某个实施例中的编码遮罩滤波过的指纹感光影像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指纹原始影像与特征值的对应关系【A1,d1】;也可以存储编码遮罩滤波过的指纹感光影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。S808匹配待比对指纹图像与指纹库的特征值。若待比对的若干编码遮罩滤波过的指纹感光影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10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。
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,在技术层面上将编码遮罩滤波后的指纹图像转化为了一个特征值,并在应用层面上跳过了反解为原始指纹图像的计算计算,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。
具体的实施例中,还包括一种编码遮罩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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,获取神经网络中特征值层输出的特征值。
具体地,所述计算机程序在被运行时还执行包括步骤,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。
具体的实施例中,还包括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经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,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)
1.一种编码遮罩生物特征分析方法,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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,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所述的编码遮罩生物特征分析方法,其特征在于,还包括步骤,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所述的编码遮罩生物特征分析方法,其特征在于,还包括如下步骤,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所述的编码遮罩生物特征分析方法,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所述的编码遮罩生物特征分析方法,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。
6.一种编码遮罩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,所述训练样本的为经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,得到训练好的神经网络,在训练完成后,将经过编码遮罩滤波的生物特征的感光影像,获取神经网络中特征值层输出的特征值。
7.根据权利要求6所述的编码遮罩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步骤,生物特征纹库存储生物特征纹样对应的特征值。
8.根据权利要求6所述的编码遮罩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。
9.根据权利要求6所述的生物特征分析存储介质,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。
10.一种编码遮罩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经过编码遮罩滤波的生物特征感光影像,输出为生物特征感光影像对应的生物特征原始影像,直至训练完成。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811509957.3A CN111310515A (zh) | 2018-12-11 | 2018-12-11 | 编码遮罩生物特征分析方法、存储介质及神经网络 |
US16/708,452 US11263419B2 (en) | 2018-12-11 | 2019-12-10 | Biometric analysis structure, method and neural network with coded mask |
TW108145130A TWI756598B (zh) | 2018-12-11 | 2019-12-10 | 編碼遮罩生物特徵重建與分析方法、儲存介質及神經網路與編碼遮罩式螢幕下生物特徵辨識結構、系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811509957.3A CN111310515A (zh) | 2018-12-11 | 2018-12-11 | 编码遮罩生物特征分析方法、存储介质及神经网络 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310515A true CN111310515A (zh) | 2020-06-19 |
Family
ID=71159560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811509957.3A Pending CN111310515A (zh) | 2018-12-11 | 2018-12-11 | 编码遮罩生物特征分析方法、存储介质及神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310515A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107454963A (zh) * | 2017-06-16 | 2017-12-08 | 深圳市汇顶科技股份有限公司 | 指纹图像处理方法、光学指纹辨识系统及电子装置 |
CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置和存储介质 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN108305214A (zh) * | 2017-12-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、存储介质和计算机设备 |
CN108323208A (zh) * | 2018-02-12 | 2018-07-24 | 深圳市汇顶科技股份有限公司 | 图像获取方法和装置 |
WO2018138597A1 (ja) * | 2017-01-26 | 2018-08-02 | 株式会社半導体エネルギー研究所 | 半導体装置、及び電子機器 |
-
2018
- 2018-12-11 CN CN201811509957.3A patent/CN111310515A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992794A (zh) * | 2016-12-30 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 一种活体检测方法、装置和存储介质 |
WO2018138597A1 (ja) * | 2017-01-26 | 2018-08-02 | 株式会社半導体エネルギー研究所 | 半導体装置、及び電子機器 |
CN107454963A (zh) * | 2017-06-16 | 2017-12-08 | 深圳市汇顶科技股份有限公司 | 指纹图像处理方法、光学指纹辨识系统及电子装置 |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统 |
CN108305214A (zh) * | 2017-12-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、存储介质和计算机设备 |
CN108323208A (zh) * | 2018-02-12 | 2018-07-24 | 深圳市汇顶科技股份有限公司 | 图像获取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
Zhang et al. | Multiple view image denoising | |
Raghavendra et al. | Exploring the usefulness of light field cameras for biometrics: An empirical study on face and iris recognition | |
CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN112232155B (zh) | 非接触指纹识别的方法、装置、终端及存储介质 | |
KR20070107655A (ko) | 3d 지문 인식을 위한 비접촉 광학 수단 및 방법 | |
CN112232163B (zh) | 指纹采集方法及装置、指纹比对方法及装置、设备 | |
CN110222486A (zh) | 用户身份验证方法、装置、设备及计算机可读存储介质 | |
CN112016525A (zh) | 非接触式指纹采集方法和装置 | |
CN112232159B (zh) | 指纹识别的方法、装置、终端及存储介质 | |
Ribeiro et al. | Iris super‐resolution using CNNs: is photo‐realism important to iris recognition? | |
Lu et al. | Improved image classification with 4D light-field and interleaved convolutional neural network | |
Gottemukkula et al. | Method for using visible ocular vasculature for mobile biometrics | |
CN111582155A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN112232157B (zh) | 指纹区域检测方法、装置、设备、存储介质 | |
CN114170690A (zh) | 活体识别和构建活体识别模型的方法、装置 | |
Hong et al. | Reflection removal with nir and rgb image feature fusion | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
US20230394871A1 (en) | Method for verifying the identity of a user by identifying an object within an image that has a biometric characteristic of the user and separating a portion of the image comprising the biometric characteristic from other portions of the image | |
CN111310515A (zh) | 编码遮罩生物特征分析方法、存储介质及神经网络 | |
CN111310514A (zh) | 编码遮罩生物特征重建方法及存储介质 | |
TWI756598B (zh) | 編碼遮罩生物特徵重建與分析方法、儲存介質及神經網路與編碼遮罩式螢幕下生物特徵辨識結構、系統及方法 | |
CN112232152B (zh) | 非接触式指纹识别方法、装置、终端和存储介质 | |
CN111310513A (zh) | 编码遮罩式屏下生物特征识别结构、系统及方法 | |
Shu et al. | Face anti-spoofing based on weighted neighborhood pixel difference pattern |
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 |