CN111461091A - 万能指纹生成方法和装置、存储介质及电子装置 - Google Patents
万能指纹生成方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN111461091A CN111461091A CN202010562673.1A CN202010562673A CN111461091A CN 111461091 A CN111461091 A CN 111461091A CN 202010562673 A CN202010562673 A CN 202010562673A CN 111461091 A CN111461091 A CN 111461091A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- images
- target
- image
- sample
- 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.)
- Granted
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
- G06V40/1365—Matching; Classification
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于人工智能与云服务器的万能指纹生成方法和装置、存储介质及电子装置。其中,该方法包括:获取目标指纹生成模型输出的多个原始指纹图像,其中,目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的模型,目标指纹生成模型用于输入随机数据后输出多个原始指纹图像,目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练原始生成对抗网络的图像,第一样本指纹子图像为从样本指纹图像中截取的图像,获取多个原始指纹图像中每个原始指纹图像对应的目标图像,从多个原始指纹图像中选择目标指纹图像,将目标指纹图像所指示的指纹确定为万能指纹。本发明解决了万能指纹生成准确度低的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种基于人工智能与云服务器的万能指纹生成方法和装置、存储介质及电子装置。
背景技术
现有技术中,在某些情况下,需要生成万能指纹,如使用万能指纹对终端的指纹解锁系统的安全性进行测试等。万能指纹又称万事达指纹(MasterPrints),是一种人工构造的指纹图像。使用该指纹图像进行指纹认证时会造成比随机自然指纹更高的FMR。FMR(False Match Rate):错误匹配率,即把不应该匹配的指纹当成匹配指纹的概率。
现有技术中,在生成万能指纹的过程中,通常是从指纹库中随机裁剪指纹,将裁剪的指纹进行解锁测试,将解锁率高的指纹作为万能指纹。然而,上述方法生成的万能指纹准确度低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种万能指纹生成方法和装置、存储介质及电子装置,以至少解决万能指纹生成准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种万能指纹生成方法,包括:获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,其中,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的所述目标图像的数量大于第二阈值;将所述目标指纹图像所指示的指纹确定为万能指纹。
根据本发明实施例的另一方面,还提供了一种万能指纹生成装置,包括:第一获取单元,用于获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;第二获取单元,用于获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;第三获取单元,用于从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;确定单元,用于将所述目标指纹图像所指示的指纹确定为万能指纹。
作为一种可选的示例,所述第二获取单元包括:第一获取模块,用于从所述样本指纹图像中获取多个所述第二样本指纹子图像;第一确定模块,用于将所述多个原始指纹图像中的每一个所述原始指纹图像确定为当前指纹图像,执行以下步骤,直到遍历所述多个原始指纹图像:计算所述当前指纹图像与每一个所述第二样本指纹子图像的相似度;将所述相似度大于所述第一阈值的所述第二样本指纹子图像确定为所述当前指纹图像的所述目标图像;所述第二获取单元还包括:统计模块,用于在遍历完成后,统计每一个所述原始指纹图像对应的所述目标图像的数量。
作为一种可选的示例,所述确定单元包括:第三确定模块,用于将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵,其中,所述目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,所述目标矩阵的初始值为所述目标指纹图像中的值;第四确定模块,用于将训练后的所述目标矩阵确定为所述万能指纹。
作为一种可选的示例,所述第三确定模块包括:第一确定子模块,用于确定所述目标指纹图像对应的所述目标图像中每一个图像与所述目标矩阵的第一损失;第二确定子模块,用于确定获取到的多个所述第一损失的和,得到总损失;调整子模块,用于在所述总损失大于或者等于第一阈值的情况下,调整所述目标矩阵中的参数数值,直到所述总损失小于所述第一阈值;第三确定子模块,用于将调整后的所述目标矩阵所指示的指纹确定为所述万能指纹。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述万能指纹生成方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的万能指纹生成方法。
在本发明实施例中,采用了获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的所述目标图像的数量大于第二阈值;将所述目标指纹图像所指示的指纹确定为万能指纹的方法,由于在上述方法中,首先,在训练目标指纹生成模型的过程中,所使用的样本是经过筛选过的样本,从而训练目标指纹生成模型的训练效果更好,保证了生成万能指纹的准确度。进一步,在生成原始指纹图像之后,本申请还对原始指纹图像进行了筛选,选择出目标指纹图像,将目标指纹图像中的指纹作为万能指纹,从而进一步实现了提高万能指纹生成准确度的效果,进而解决了万能指纹生成准确度低的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的万能指纹生成方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的万能指纹生成方法的流程示意图;
图3是根据本发明实施例的一种可选的万能指纹生成方法的流程示意图;
图4是根据本发明实施例的一种可选的万能指纹生成方法的流程示意图;
图5是根据本发明实施例的一种可选的万能指纹生成方法的原始指纹图像的示意图;
图6是根据本发明实施例的一种可选的万能指纹生成方法的截取样本指纹子图像的示意图;
图7是根据本发明实施例的一种可选的万能指纹生成方法的散点图的示意图;
图8是根据本发明实施例的一种可选的万能指纹生成方法的子图像归一化的示意图;
图9是根据本发明实施例的一种可选的万能指纹生成方法的第一神经网络模型的结构示意图;
图10是根据本发明实施例的一种可选的万能指纹生成方法的目标指纹生成模型的结构示意图;
图11是根据本发明实施例的一种可选的万能指纹生成装置的结构示意图;
图12是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence, AI)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、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision, CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。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。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的计算机视觉等技术,具体通过如下实施例进行说明。
根据本发明实施例的一个方面,提供了一种基于云服务器与人工智能的万能指纹生成方法,可选地,作为一种可选的实施方式,上述万能指纹生成方法可以但不限于应用于如图1所示的环境中。
图1中服务器102可以获取目标指纹生成模型输出的多个原始指纹图像,然后获取所述多个原始指纹图像中每个原始指纹图像对应的图像集,接着从所述多个原始指纹图像中获取目标指纹图像,最后将所述目标指纹图像所指示的指纹确定为万能指纹,从而生成万能指纹。生成万能指纹后,可以通过网络104将万能指纹发送给终端106。
上述终端106可以但不限于为手机、平板电脑、笔记本电脑、PC机等终端,上述网络104可以包括但不限于无线网络或有线网络。其中,该无线网络包括: WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。
上述服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本方案中的上述服务器102可以部署有上述目标神经网络模型,通过目标神经网络模型获取到第一图片与第二图片,并实现识别第一图片与第二图片中的目标对象是否为同一对象。
可选地,作为一种可选的实施方式,如图2所示,上述万能指纹生成方法包括:
S202,获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;
S204,获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;
S206,从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;
S208,将所述目标指纹图像所指示的指纹确定为万能指纹。
可选地,上述万能指纹生成方法可以但不限于应用于安全领域、测试领域、维修领域、开发领域等。具体可以应用于测试现有指纹锁安全性、测试开发的指纹锁的性能等过程中。
例如,对于开发过程中开发的指纹锁,可以通过本申请中记载的方法生成万能指纹,然后使用万能指纹测试开发的指纹锁的安全性。或者,警方可以使用生成的万能指纹解锁指纹锁抓捕嫌疑人等。
以测试开发的指纹锁的安全性为例,本申请中首先需要生成万能指纹,通过获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;将所述目标指纹图像所指示的指纹确定为万能指纹的方法生成万能指纹,将生成的万能指纹发送给终端,然后使用该万能指纹解锁终端的指纹锁等。
由于在上述方法中,首先,在训练目标指纹生成模型的过程中,所使用的样本是经过筛选过的样本,从而训练目标指纹生成模型的训练效果更好,保证了生成万能指纹的准确度。进一步,在生成原始指纹图像之后,本申请还对原始指纹图像进行了筛选,选择出目标指纹图像,将目标指纹图像中的指纹作为万能指纹,从而进一步实现了提高万能指纹生成准确度的效果。
可选地,本申请中用于生成万能指纹的目标指纹生成模型需要进行预先的训练。训练过程中首先需要获取用于训练的目标样本指纹子图像,目标样本指纹子图像从样本指纹图像中截取。样本指纹图像为获取到的原始样本,图像中包括的是指纹信息,如五指中任意一个或多个的指纹信息。
目标样本指纹子图像是对第一样本指纹子图像筛选后得到的图像。第一样本指纹子图像是从样本指纹图像中截取的图像。
截取第一样本指纹子图像时,可以截取不同大小的第一样本指纹子图像,也可以固定大小,截取多个第一样本指纹子图像。多个第一样本指纹子图像中的任意两个或者两个以上的第一样本指纹子图像可以完全重叠或者部分重叠。也就是说,两个第一样本指纹子图像可以包含相同的部分。
截取到第一样本指纹子图像之后,从第一样本指纹子图像中筛选出目标样本指纹子图像。筛选的过程可以使用一个预训练的第一神经网络模型来实现。
本申请中的第一神经网络模型为使用第三样本指纹子图像训练的模型。第三样本指纹子图像与第一样本指纹子图像大小相同,均是从样本指纹图像中截取的图像。将第三样本指纹子图像输入到原始自编码网络中,训练原始自编码网络,从而得到第一神经网络模型。第一神经网络模型用于在输入第一样本指纹子图像之后,对第一样本指纹子图像执行编码与解码操作,得到编解码后的第一样本指纹子图像。比对编解码前与编解码后的第一样本指纹子图像的差异值,如果差异值大于了第三阈值,则删除第一样本指纹子图像。剩余的第一样本指纹子图像作为目标样本指纹子图像,训练原始生成对抗网络,得到目标指纹生成模型。目标指纹生成模型可以输入一个随机数据,随机数据可以为随机向量,则输出多个原始指纹图像。
可选地,得到多个原始指纹图像之后,还需要获取多个原始指纹图像的图像集。每个原始指纹图像对应一个图像集。
首先,从样本指纹图像中截取第二样本指纹子图像,第二样本指纹子图像大于第一样本指纹子图像尺寸。例如,第二样本指纹子图像可以为长与宽均大于第一样本指纹子图像的图像。获取到多个第二样本指纹子图像之后,计算一个原始指纹图像与多个第二样本指纹子图像中每一个第二样本指纹子图像的相似度。如果相似度大于第一阈值,则第二样本指纹子图像作为该原始指纹图像的图像集中的一个图像。通过该方法获取到每一个原始指纹图像的图像集,图像集中的第二样本指纹子图像数量有多有少。
将图像集中第二样本指纹子图像数量大于第二阈值的原始指纹图像确定为目标指纹图像,目标指纹图像中的指纹为万能指纹。
可选地,在获取到目标指纹图像之后,还可以对目标指纹图像进行微调,进一步提高万能指纹的准确性。
将所述目标指纹图像对应的所述图像集中的图像作为训练样本训练目标矩阵,目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,目标矩阵的初始值为所述目标指纹图像中的值,将训练后的所述目标矩阵确定为所述万能指纹。
在训练过程中,确定所述目标指纹图像对应的所述图像集中每一个图像与所述目标矩阵的第一损失,将多个第一损失的和与第四阈值进行比对,如果损失的和大于或者等于第四阈值,则需要调整目标矩阵中的参数,直到损失的和小于第四阈值。调整后的目标矩阵所指示的指纹为万能指纹。
使用该万能指纹可以协助警方开启嫌疑人的指纹锁,或者测试开发的指纹锁的安全性等。
流程图可以参见图3,图3的步骤S302到步骤S304为生成万能指纹的过程。主要涉及三个模型,分别为模型302,模型304与模型306。三个模型均需要训练方可使用。模型302通过输入第三样本指纹子图像进行训练,使用过程中,输入第一样本指纹子图像,模型302输出编解码后的第一样本指纹子图像。比对第一样本指纹子图像与编解码后的第一样本指纹子图像的差异值,筛选出目标样本指纹子图像,目标样本指纹子图像训练模型304,得到训练好的模型304,模型304输入随机向量,输出原始指纹图像。原始指纹图像训练模型306,模型306训练好后输出万能指纹。
以下结合具体示例解释上述万能指纹生成方法,如图4的步骤S402到步骤S422所示:
首先,S402,获取样本指纹图像,样本指纹图像可以如图5所示,图5是一张大拇指指纹的图像。样本指纹图像可以从图像库获取。
获取到样本指纹图像之后,S404,对样本指纹图像进行裁剪,得到第三样本指纹子图像,第三样本指纹子图像的长与宽例如为1。如图6所示,图6中的602与604均为截取的第三样本指纹子图像。
S406,截取到第三样本指纹子图像之后,将第三样本指纹子图像进行图像方向归一化。归一化的过程中,是将第三样本指纹子图像旋转一定的角度。旋转的角度经过计算得到。
目的为对第三样本指纹子图像进行归一化,以下为伪代码:
详细过程如下:
1、使用二维傅立叶变换将第三样本指纹子图像转换到频域。伪代码为:
2、将频谱图转换为振幅图。伪代码为:
3、将振幅图中的每个像素转换为二维空间中的散点坐标,并将该点添加到点集P中。伪代码为:
4、使用最小二乘法拟合一条过原点的直线,并将该直线与坐标轴的夹角作为小指纹的方向角。将第三样本指纹子图像顺时针旋转方向角的角度,得到归一化结果。伪代码为:
转换的三点图如图7所示,角度702为方向角。归一化结果如图8所示,图8中将第三样本指纹子图片802旋转方向角进行归一化。归一化后的第三样本指纹子图像中的指纹的朝向基本一致,误差不会超出一个值。
S408,归一化后的图片训练一个自编码网络(AutoEncoder)该网络的输入为第一样本指纹图像,输出为该样本经编码再解码后还原出的指纹图像。该网络训练时采用输入图像与输出图像之间的图像相关性差异作为损失函数进行梯度反传更新神经网络中的参数。S410输入第一样本指纹子图像,S412,获取目标样本指纹子图像。自编码网络结构如图9所示图9中,第一样本指纹子图像902经过该网络,得到编解码后的图像904,判断图像902与图像904的差异度。差异度可以通过均方误差、结构相似度等方法计算。差异度大于第三阈值,则将该第一样本指纹子图像删除。例如,10张第一样本指纹子图像输入到第一神经网络模型中,第一神经网络模型输出10张编解码后的第一样本指纹子图像。编解码前的图像与编解码后的图像的差异度如果小于30,则与编解码后的图像差异度小于30的第一样本指纹子图像作为目标样本指纹子图像,如果差异度大于30,则删除该第一样本指纹子图像。激活函数可以为reakyReLU函数,线性整流函数可以为ReLU函数,双曲函数可以为Tanh函数。
S414,得到目标样本指纹子图像之后,将目标指纹子图像输入到生成对抗网络中。生成对抗网络的结构如图10所示,图10左边为生成器网络结构,图10右边为鉴别器网络结构。网络在训练时可采用生成对抗网络的通用损失函数以及训练流程。在训练生成对抗网络后,得到目标指纹生成模型。S416,目标指纹生成模型输入随机向量,例如,100维的符合正态分布的随机向量后,目标指纹生成模型输出多张原始指纹图像(假指纹图像)。原始指纹图像微调后可以得到万能指纹。
得到多个原始指纹图像之后,还需要获取第二样本指纹子图像。例如,第二样本指纹子图像为长与宽为第一样本指纹子图像1.2倍的图像,同样从样本指纹图像中截取。
S418,以原始指纹图像为模板(Template),以所有的第二样本指纹子图像目标,依次运行模板匹配算法进行滑动窗口匹配。然后将匹配出的相似度得分与一个设定的第一阈值进行比较,若大于阈值则保留对应子图到子图集合里。从而,每一个原始指纹图像得到一个对应的子图集。S420,设定一个第二数量阈值,若子图集中包含的指纹数量大于该第二阈值则保留该子图集及其对应的指纹模板。
S422,微调步骤:将子图集对应的指纹模板图像的像素视为待训练的神经网络参数初始值,将其与该子图集中的所有指纹图像之间的图像相关性作为损失函数,利用反向传播算法微调指纹模板的像素值,直至收敛。经过微调后原指纹模板图像即位最终的万能指纹图像。
具体步骤:子图集为F={f1,f2,f3,…fN},对应的指纹模板为T,M与T为长宽一致的待训练的参数矩阵,且M的初始值设置为T,N为正整数,则定义损失函数L如下:
至此得到万能指纹,将万能指纹应用到解锁指纹锁或测试指纹锁的过程中。
通过本实施例,首先,在训练目标指纹生成模型的过程中,所使用的样本是经过筛选过的样本,从而训练目标指纹生成模型的训练效果更好,保证了生成万能指纹的准确度。进一步,在生成原始指纹图像之后,本申请还对原始指纹图像进行了筛选,选择出目标指纹图像,将目标指纹图像中的指纹作为万能指纹,从而进一步实现了提高万能指纹生成准确度的效果。
作为一种可选的实施方案,所述获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量包括:
S1,从所述样本指纹图像中获取多个所述第二样本指纹子图像;
S2,将所述多个原始指纹图像中的每一个所述原始指纹图像确定为当前指纹图像,执行以下步骤,直到遍历所述多个原始指纹图像:计算所述当前指纹图像与每一个所述第二样本指纹子图像的相似度;将所述相似度大于所述第一阈值的所述第二样本指纹子图像确定为所述当前指纹图像的所述目标图像;
S3,在遍历完成之后,统计每一个所述原始指纹图像对应的所述目标图像的数量。
也就是说,本实施例中,在获取到多个第二样本指纹子图像之后,从第二样本指纹子图像中获取与一个原始指纹图像的相似度大于一个值的多张图像作为该原始指纹图像的目标图像,并统计目标图像的数量。通过本实施例,通过上述方法,从而可以准确确定出每一个原始指纹图像的图像集,进而可以从多个原始指纹图像中筛选出更加准确的原始指纹图像,提高了确定万能指纹的准确性。
作为一种可选的实施方案,在获取所述目标指纹生成模型输出的多个原始指纹图像之前,所述方法还包括:
S1,获取所述多个第一样本指纹子图像;
S2,对所述多个第一样本指纹子图像执行旋转归一化操作;
S3,删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像;
S4,使用所述目标样本指纹子图像训练所述原始生成对抗网络得到所述目标指纹生成模型。
本实施例中,对第一样本指纹子图像进行旋转归一化目的在于,将所有的第一样本指纹子图像中的指纹的朝向旋转到一个方向。此步骤调整的是多个第一样本指纹子图像中的指纹的总体朝向,可能存在两个第一样本指纹子图像中的指纹的朝向总体朝向一致,但是存在误差的情况。例如,两者指纹朝向相差5度等。通过本实施例,通过上述方法,从而可以使用筛选后的图像训练原始生成对抗网络,提高了目标指纹生成模型的生成准确度。
作为一种可选的实施方案,所述对所述多个第一样本指纹子图像执行旋转归一化操作包括:
S1,将每一个所述第一样本指纹子图像确定为当前样本指纹子图像,执行以下步骤,直到遍历所述多个第一样本指纹子图像:
使用二维傅立叶变换获取所述当前样本指纹子图像的频谱图;
获取所述频谱图位于频域中的振幅图;
将所述振幅图转换为二维坐标系中的坐标;
将所述坐标拟合为一条过所述二维坐标系原点的直线;
将所述当前样本指纹子图像顺时针旋转目标角度,其中,所述目标角度为所述直线与所述二维坐标系的纵坐标的夹角。
本实施例中,需要获取每一个第一样本指纹子图像的频谱图,然后获取频谱图位于频域中的振幅图。将振幅图中的每一个像素点转换为二维坐标系中的坐标,然后拟合过原点的直线。通过上述方法,从而可以准确的对每一个第一样本指纹子图像进行归一化,得到第一样本指纹子图像所需要旋转的方向角,实现准确归一化的效果。
作为一种可选的实施方案,所述删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像包括:
S1,将所述旋转归一化后的所述多个第一样本指纹子图像输入到第一神经网络模型中,得到所述第一神经网络模型输出的多个第一结果,其中,每一个所述第一样本指纹子图像对应一个所述第一结果;
S2,在所述第一样本指纹子图像与所述第一结果的差异值大于第三阈值的情况下,将所述第一样本指纹子图像删除;
S3,将剩余的所述第一样本指纹子图像确定为所述目标样本指纹子图像。
本实施例中,将第一样本指纹子图像与经过第一神经网络模型编解码后的第一样本指纹子图像进行比对差异值,从而将差异值不符合要求的第一样本指纹子图像删除,剩余的第一样本指纹子图像作为目标样本指纹子图像。该步骤目的在于删除第一样本指纹子图像中,比较不常见的指纹图像。通过本实施例,通过上述方法,从而可以使用第一神经网络模型对第一样本指纹子图像进行筛选,提高了筛选的准确度,进一步提高了目标指纹生成模型的准确度。
作为一种可选的实施方案,在将所述旋转归一化后的所述多个第一样本指纹子图像输入到所述第一神经网络模型中,得到所述第一神经网络模型输出的所述多个第一结果之前,所述方法还包括:
S1,获取多个第三样本指纹子图像,其中,所述第三样本指纹子图像为从所述样本指纹图像中截取的图像,所述第三样本指纹子图像与所述第一样本指纹子图像大小相同;
S2,对所述多个第三样本指纹子图像执行旋转归一化操作;
S3,使用执行所述旋转归一化操作后的所述多个第三样本指纹子图像训练原始自编码网络,得到所述第一神经网络模型。
本实施例中,第三样本指纹子图像与第一样本指纹子图像可以为相同的图像。也就是说,使用第一样本指纹子图像训练原始自编码网络,训练得到第一神经网络模型后,同样输入第一样本指纹子图像进行筛选。通过本实施例,通过上述方法,从而可以准确对第一样本指纹子图像进行筛选,提高了筛选的准确度,进一步提高了目标指纹生成模型的准确度。
作为一种可选的实施方案,所述将所述目标指纹图像所指示的指纹确定为万能指纹包括:
S1,将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵,其中,所述目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,所述目标矩阵的初始值为所述目标指纹图像中的值;
S2,将训练后的所述目标矩阵确定为所述万能指纹。
本实施例中对目标指纹生成模型所输出的原始指纹图像进行了微调,从而得到更加准确的万能指纹。通过本实施例,通过上述方法,从而可以提高确定的万能指纹的准确度。
作为一种可选的实施方案,所述将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵包括:
S1,确定所述目标指纹图像对应的所述目标图像中每一个图像与所述目标矩阵的第一损失;
S2,确定获取到的多个所述第一损失的和,得到总损失;
S3,在所述总损失大于或者等于第一阈值的情况下,调整所述目标矩阵中的参数数值,直到所述总损失小于所述第四阈值;
S4,将调整后的所述目标矩阵所指示的指纹确定为所述万能指纹。
通过上述方法,实现了提高目标矩阵的准确度的效果,进一步提高了确定的万能指纹的准确度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述万能指纹生成方法的万能指纹生成装置。如图11所示,该装置包括:
(1)第一获取单元1102,用于获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;
(2)第二获取单元1104,用于获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;
(3)第三获取单元1106,用于从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;
(4)确定单元1108,用于将所述目标指纹图像所指示的指纹确定为万能指纹。
可选地,上述万能指纹生成装置可以但不限于应用于安全领域、测试领域、维修领域、开发领域等。具体可以应用于测试现有指纹锁安全性、测试开发的指纹锁的性能等过程中。
例如,对于开发过程中开发的指纹锁,可以通过本申请中记载的方法生成万能指纹,然后使用万能指纹测试开发的指纹锁的安全性。或者,警方可以使用生成的万能指纹解锁指纹锁抓捕嫌疑人等。
以测试开发的指纹锁的安全性为例,本申请中首先需要生成万能指纹,通过获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;将所述目标指纹图像所指示的指纹确定为万能指纹的方法生成万能指纹,将生成的万能指纹发送给终端,然后使用该万能指纹解锁终端的指纹锁等。
由于在上述方法中,首先,在训练目标指纹生成模型的过程中,所使用的样本是经过筛选过的样本,从而训练目标指纹生成模型的训练效果更好,保证了生成万能指纹的准确度。进一步,在生成原始指纹图像之后,本申请还对原始指纹图像进行了筛选,选择出目标指纹图像,将目标指纹图像中的指纹作为万能指纹,从而进一步实现了提高万能指纹生成准确度的效果。
可选地,本申请中用于生成万能指纹的目标指纹生成模型需要进行预先的训练。训练过程中首先需要获取用于训练的目标样本指纹子图像,目标样本指纹子图像从样本指纹图像中截取。样本指纹图像为获取到的原始样本,图像中包括的是指纹信息,如五指中任意一个或多个的指纹信息。
目标样本指纹子图像是对第一样本指纹子图像筛选后得到的图像。第一样本指纹子图像是从样本指纹图像中截取的图像。
截取第一样本指纹子图像时,可以截取不同大小的第一样本指纹子图像,也可以固定大小,截取多个第一样本指纹子图像。多个第一样本指纹子图像中的任意两个或者两个以上的第一样本指纹子图像可以完全重叠或者部分重叠。也就是说,两个第一样本指纹子图像可以包含相同的部分。
截取到第一样本指纹子图像之后,从第一样本指纹子图像中筛选出目标样本指纹子图像。筛选的过程可以使用一个预训练的第一神经网络模型来实现。
本申请中的第一神经网络模型为使用第三样本指纹子图像训练的模型。第三样本指纹子图像与第一样本指纹子图像大小相同,均是从样本指纹图像中截取的图像。将第三样本指纹子图像输入到原始自编码网络中,训练原始自编码网络,从而得到第一神经网络模型。第一神经网络模型用于在输入第一样本指纹子图像之后,对第一样本指纹子图像执行编码与解码操作,得到编解码后的第一样本指纹子图像。比对编解码前与编解码后的第一样本指纹子图像的差异值,如果差异值大于了第三阈值,则删除第一样本指纹子图像。剩余的第一样本指纹子图像作为目标样本指纹子图像,训练原始生成对抗网络,得到目标指纹生成模型。目标指纹生成模型可以输入一个随机数据,则输出多个原始指纹图像。
可选地,得到多个原始指纹图像之后,还需要获取多个原始指纹图像的图像集。每个原始指纹图像对应一个图像集。
首先,从样本指纹图像中截取第二样本指纹子图像,第二样本指纹子图像与第一样本指纹子图像尺寸不同。例如,第二样本指纹子图像可以为长与宽均大于第一样本指纹子图像的图像。获取到多个第二样本指纹子图像之后,计算一个原始指纹图像与多个第二样本指纹子图像中每一个第二样本指纹子图像的相似度。如果相似度大于第一阈值,则第二样本指纹子图像作为该原始指纹图像的图像集中的一个图像。通过该方法获取到每一个原始指纹图像的图像集,图像集中的第二样本指纹子图像数量有多有少。
将图像集中第二样本指纹子图像数量大于第二阈值的原始指纹图像确定为目标指纹图像,目标指纹图像中的指纹为万能指纹。
可选地,在获取到目标指纹图像之后,还可以对目标指纹图像进行微调,进一步提高万能指纹的准确性。
将所述目标指纹图像对应的所述图像集中的图像作为训练样本训练目标矩阵,目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,目标矩阵的初始值为所述目标指纹图像中的值,将训练后的所述目标矩阵确定为所述万能指纹。
在训练过程中,确定所述目标指纹图像对应的所述图像集中每一个图像与所述目标矩阵的第一损失,将多个第一损失的和与第四阈值进行比对,如果损失的和大于或者等于第四阈值,则需要调整目标矩阵中的参数,直到损失的和小于第四阈值。调整后的目标矩阵所指示的指纹为万能指纹。
使用该万能指纹可以协助警方开启嫌疑人的指纹锁,或者测试开发的指纹锁的安全性等。
流程图可以参见图3,图3的步骤S302到步骤S316为生成万能指纹的过程。主要涉及三个模型,三个模型均需要训练方可使用。模型302通过输入第三样本指纹子图像进行训练,使用过程中,输入第一样本指纹子图像,经过模型302筛选出目标样本指纹子图像,目标样本指纹子图像训练模型304,得到训练好的模型304,模型304输入随机向量,输出原始指纹图像。原始指纹图像训练模型306,模型306训练好后输出万能指纹。
作为一种可选的实施方案,所述第二获取单元包括:
(1)第一获取模块,用于从所述样本指纹图像中获取多个所述第二样本指纹子图像;
(2)第一确定模块,用于将所述多个原始指纹图像中的每一个所述原始指纹图像确定为当前指纹图像,执行以下步骤,直到遍历所述多个原始指纹图像:计算所述当前指纹图像与每一个所述第二样本指纹子图像的相似度;将所述相似度大于所述第一阈值的所述第二样本指纹子图像确定为所述当前指纹图像的所述目标图像;
(3)统计模块,用于在遍历完成后,统计每一个所述原始指纹图像对应的所述目标图像的数量。
通过本实施例,通过上述方法,从而可以准确确定出每一个原始指纹图像的目标图像的数量。
也就是说,本实施例中,在获取到多个第二样本指纹子图像之后,从第二样本指纹子图像中获取与一个原始指纹图像的相似度大于一个值的多张图像作为该原始指纹图像的图像集。通过本实施例,通过上述方法,从而可以准确确定出每一个原始指纹图像的图像集,进而可以从多个原始指纹图像中筛选出更加准确的原始指纹图像,提高了确定万能指纹的准确性。
作为一种可选的实施方案,所述装置还包括:
(1)第四获取单元,用于在获取所述目标指纹生成模型输出的多个原始指纹图像之前,获取所述多个第一样本指纹子图像;
(2)执行单元,用于对所述多个第一样本指纹子图像执行旋转归一化操作;
(3)删除单元,用于删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像;
(4)训练单元,用于使用所述目标样本指纹子图像训练所述原始生成对抗网络得到所述目标指纹生成模型。
本实施例中,对第一样本指纹子图像进行旋转归一化目的在于,将所有的第一样本指纹子图像中的指纹的朝向旋转到一个方向。此步骤调整的是多个第一样本指纹子图像中的指纹的总体朝向,可能存在两个第一样本指纹子图像中的指纹的朝向总体朝向一致,但是存在误差的情况。例如,两者指纹朝向相差5度等。通过本实施例,通过上述方法,从而可以使用筛选后的图像训练原始生成对抗网络,提高了目标指纹生成模型的生成准确度。
作为一种可选的实施方案,所述执行单元包括:
(1)处理模块,用于将每一个所述第一样本指纹子图像确定为当前样本指纹子图像,执行以下步骤,直到遍历所述多个第一样本指纹子图像:
使用二维傅立叶变换获取所述当前样本指纹子图像的频谱图;
获取所述频谱图位于频域中的振幅图;
将所述振幅图转换为二维坐标系中的坐标;
将所述坐标拟合为一条过所述二维坐标系原点的直线;
将所述当前样本指纹子图像顺时针旋转目标角度,其中,所述目标角度为所述直线与所述二维坐标系的纵坐标的夹角。
本实施例中,需要获取每一个第一样本指纹子图像的频谱图,然后获取频谱图位于频域中的振幅图。将振幅图中的每一个像素点转换为二维坐标系中的坐标,然后拟合过原点的直线。通过上述方法,从而可以准确的对每一个第一样本指纹子图像进行归一化,得到第一样本指纹子图像所需要旋转的方向角。
作为一种可选的实施方案,所述删除单元包括:
(1)输入模块,用于将所述旋转归一化后的所述多个第一样本指纹子图像输入到第一神经网络模型中,得到所述第一神经网络模型输出的多个第一结果,其中,每一个所述第一样本指纹子图像对应一个所述第一结果;
(2)删除模块,用于在所述第一样本指纹子图像与所述第一结果的差异值大于第三阈值的情况下,将所述第一样本指纹子图像删除;
(3)第二确定模块,用于将剩余的所述第一样本指纹子图像确定为所述目标样本指纹子图像。
本实施例中,将第一样本指纹子图像与经过第一神经网络模型编解码后的第一样本指纹子图像进行比对差异值,从而将差异值不符合要求的第一样本指纹子图像删除,剩余的第一样本指纹子图像作为目标样本指纹子图像。该步骤目的在于删除第一样本指纹子图像中,比较不常见的指纹图像。通过本实施例,通过上述方法,从而可以使用第一神经网络模型对第一样本指纹子图像进行筛选,提高了筛选的准确度,进一步提高了目标指纹生成模型的准确度。
作为一种可选的实施方案,所述删除单元还包括:
(1)第二获取模块,用于在将所述旋转归一化后的所述多个第一样本指纹子图像输入到所述第一神经网络模型中,得到所述第一神经网络模型输出的所述多个第一结果之前,获取多个第三样本指纹子图像,其中,所述第三样本指纹子图像为从所述样本指纹图像中截取的图像,所述第三样本指纹子图像与所述第一样本指纹子图像大小相同;
(2)执行模块,用于对所述多个第三样本指纹子图像执行旋转归一化操作;
(3)训练模块,用于使用执行所述旋转归一化操作后的所述多个第三样本指纹子图像训练原始自编码网络,得到所述第一神经网络模型。
本实施例中,第三样本指纹子图像与第一样本指纹子图像可以为相同的图像。也就是说,使用第一样本指纹子图像训练原始自编码网络,训练得到第一神经网络模型后,同样输入第一样本指纹子图像进行筛选。通过本实施例,通过上述方法,从而可以准确对第一样本指纹子图像进行筛选,提高了筛选的准确度,进一步提高了目标指纹生成模型的准确度。
作为一种可选的实施方案,所述确定单元包括:
(1)第三确定模块,用于将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵,其中,所述目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,所述目标矩阵的初始值为所述目标指纹图像中的值;
(2)第四确定模块,用于将训练后的所述目标矩阵确定为所述万能指纹。
本实施例中对目标指纹生成模型所输出的原始指纹图像进行了微调,从而得到更加准确的万能指纹。通过本实施例,通过上述方法,从而可以提高确定的万能指纹的准确度。
作为一种可选的实施方案,所述第三确定模块包括:
(1)第一确定子模块,用于确定所述目标指纹图像对应的所述目标图像中每一个图像与所述目标矩阵的第一损失;
(2)第二确定子模块,用于确定获取到的多个所述第一损失的和,得到总损失;
(3)调整子模块,用于在所述总损失大于或者等于第四阈值的情况下,调整所述目标矩阵中的参数数值,直到所述总损失小于所述第一阈值;
(4)第三确定子模块,用于将调整后的所述目标矩阵所指示的指纹确定为所述万能指纹。
通过上述方法,实现了提高目标矩阵的准确度的效果,进一步提高了确定的万能指纹的准确度。
根据本发明实施例的又一个方面,还提供了一种用于实施上述万能指纹生成方法的电子装置,如图12所示,该电子装置包括存储器1202和处理器1204,该存储器1202中存储有计算机程序,该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标指纹生成模型输出的多个原始指纹图像,其中,目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,目标指纹生成模型用于输入随机数据后输出多个原始指纹图像,目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练原始生成对抗网络的图像,第一样本指纹子图像为从样本指纹图像中截取的图像;
S2,获取多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,目标图像为与原始指纹图像相似度大于第一阈值的第二样本指纹子图像,第二样本指纹子图像为从样本指纹图像中截取的图像,第二样本指纹子图像的图像尺寸大于第一样本指纹子图像的图像尺寸;
S3,从多个原始指纹图像中选择目标指纹图像,其中,目标指纹图像对应的目标图像的数量大于第二阈值;
S4,将目标指纹图像所指示的指纹确定为万能指纹。
可选地,本领域普通技术人员可以理解,图12所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图12其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图12中所示更多或者更少的组件(如网络接口等),或者具有与图12所示不同的配置。
其中,存储器1202可用于存储软件程序以及模块,如本发明实施例中的万能指纹生成方法和装置对应的程序指令/模块,处理器1204通过运行存储在存储器1202内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的万能指纹生成方法。存储器1202可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1202可进一步包括相对于处理器1204远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。其中,存储器1202具体可以但不限于用于存储万能指纹等信息。作为一种示例,如图12所示,上述存储器1202中可以但不限于包括上述万能指纹生成装置中的第一获取单元1102、第二获取单元1104、第三获取单元1106与确定单元1108。此外,还可以包括但不限于上述万能指纹生成装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1206包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1206为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1208,用于显示万能指纹;和连接总线1210,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标指纹生成模型输出的多个原始指纹图像,其中,目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,目标指纹生成模型用于输入随机数据后输出多个原始指纹图像,目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练原始生成对抗网络的图像,第一样本指纹子图像为从样本指纹图像中截取的图像;
S2,获取多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,目标图像为与原始指纹图像相似度大于第一阈值的第二样本指纹子图像,第二样本指纹子图像为从样本指纹图像中截取的图像,第二样本指纹子图像的图像尺寸大于第一样本指纹子图像的图像尺寸;
S3,从多个原始指纹图像中选择目标指纹图像,其中,目标指纹图像对应的目标图像的数量大于第二阈值;
S4,将目标指纹图像所指示的指纹确定为万能指纹。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种万能指纹生成方法,其特征在于,包括:
获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;
获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,其中所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;
从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;
将所述目标指纹图像所指示的指纹确定为万能指纹。
2.根据权利要求1所述的方法,其特征在于,所述获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量包括:
从所述样本指纹图像中获取多个所述第二样本指纹子图像;
将所述多个原始指纹图像中的每一个所述原始指纹图像确定为当前指纹图像,执行以下步骤,直到遍历所述多个原始指纹图像:计算所述当前指纹图像与每一个所述第二样本指纹子图像的相似度;将所述相似度大于所述第一阈值的所述第二样本指纹子图像确定为所述当前指纹图像的所述目标图像;
在遍历完成后,统计每一个所述原始指纹图像对应的所述目标图像的数量。
3.根据权利要求1所述的方法,其特征在于,在获取所述目标指纹生成模型输出的多个原始指纹图像之前,所述方法还包括:
获取所述多个第一样本指纹子图像;
对所述多个第一样本指纹子图像执行旋转归一化操作;
删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像;
使用所述目标样本指纹子图像训练所述原始生成对抗网络得到所述目标指纹生成模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述多个第一样本指纹子图像执行旋转归一化操作包括:
将每一个所述第一样本指纹子图像确定为当前样本指纹子图像,执行以下步骤,直到遍历所述多个第一样本指纹子图像:
使用二维傅立叶变换获取所述当前样本指纹子图像的频谱图;
获取所述频谱图位于频域中的振幅图;
将所述振幅图转换为二维坐标系中的坐标;
将所述坐标拟合为一条过所述二维坐标系原点的直线;
将所述当前样本指纹子图像顺时针旋转目标角度,其中,所述目标角度为所述直线与所述二维坐标系的纵坐标的夹角。
5.根据权利要求3所述的方法,其特征在于,所述删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像包括:
将所述旋转归一化后的所述多个第一样本指纹子图像输入到第一神经网络模型中,得到所述第一神经网络模型输出的多个第一结果,其中,每一个所述第一样本指纹子图像对应一个所述第一结果;
在所述第一样本指纹子图像与所述第一结果的差异值大于第三阈值的情况下,将所述第一样本指纹子图像删除;
将剩余的所述第一样本指纹子图像确定为所述目标样本指纹子图像。
6.根据权利要求5所述的方法,其特征在于,在将所述旋转归一化后的所述多个第一样本指纹子图像输入到所述第一神经网络模型中,得到所述第一神经网络模型输出的所述多个第一结果之前,所述方法还包括:
获取多个第三样本指纹子图像,其中,所述第三样本指纹子图像为从所述样本指纹图像中截取的图像,所述第三样本指纹子图像与所述第一样本指纹子图像大小相同;
对所述多个第三样本指纹子图像执行旋转归一化操作;
使用执行所述旋转归一化操作后的所述多个第三样本指纹子图像训练原始自编码网络,得到所述第一神经网络模型。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述将所述目标指纹图像所指示的指纹确定为万能指纹包括:
将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵,其中,所述目标矩阵为长和宽与所述目标指纹图像一致的参数矩阵,所述目标矩阵的初始值为所述目标指纹图像中的值;
将训练后的所述目标矩阵确定为所述万能指纹。
8.根据权利要求7所述的方法,其特征在于,所述将所述目标指纹图像对应的所述目标图像作为训练样本训练目标矩阵包括:
确定所述目标指纹图像对应的所述目标图像中每一个图像与所述目标矩阵的第一损失;
确定获取到的多个所述第一损失的和,得到总损失;
在所述总损失大于或者等于第一阈值的情况下,调整所述目标矩阵中的参数数值,直到所述总损失小于所述第一阈值;
将调整后的所述目标矩阵所指示的指纹确定为所述万能指纹。
9.一种万能指纹生成装置,其特征在于,包括:
第一获取单元,用于获取目标指纹生成模型输出的多个原始指纹图像,其中,所述目标指纹生成模型为使用目标样本指纹子图像对原始生成对抗网络进行训练后得到的神经网络模型,所述目标指纹生成模型用于输入随机数据后输出所述多个原始指纹图像,所述目标样本指纹子图像为从多个第一样本指纹子图像中筛选的用于训练所述原始生成对抗网络的图像,所述第一样本指纹子图像为从样本指纹图像中截取的图像;
第二获取单元,用于获取所述多个原始指纹图像中每个原始指纹图像对应的目标图像的数量,其中,所述目标图像为与所述原始指纹图像相似度大于第一阈值的第二样本指纹子图像,所述第二样本指纹子图像为从所述样本指纹图像中截取的图像,所述第二样本指纹子图像的图像尺寸大于所述第一样本指纹子图像的图像尺寸;
第三获取单元,用于从所述多个原始指纹图像中选择目标指纹图像,其中,所述目标指纹图像对应的目标图像的数量大于第二阈值;
确定单元,用于将所述目标指纹图像所指示的指纹确定为万能指纹。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第四获取单元,用于在获取所述目标指纹生成模型输出的多个原始指纹图像之前,获取所述多个第一样本指纹子图像;
执行单元,用于对所述多个第一样本指纹子图像执行旋转归一化操作;
删除单元,用于删除所述旋转归一化后的所述多个第一样本指纹子图像中的多个指纹子图像,得到所述目标样本指纹子图像;
训练单元,用于使用所述目标样本指纹子图像训练所述原始生成对抗网络得到所述目标指纹生成模型。
11.根据权利要求10所述的装置,其特征在于,所述执行单元包括:
处理模块,用于将每一个所述第一样本指纹子图像确定为当前样本指纹子图像,执行以下步骤,直到遍历所述多个第一样本指纹子图像:
使用二维傅立叶变换获取所述当前样本指纹子图像的频谱图;
获取所述频谱图位于频域中的振幅图;
将所述振幅图转换为二维坐标系中的坐标;
将所述坐标拟合为一条过所述二维坐标系原点的直线;
将所述当前样本指纹子图像顺时针旋转目标角度,其中,所述目标角度为所述直线与所述二维坐标系的纵坐标的夹角。
12.根据权利要求10所述的装置,其特征在于,所述删除单元包括:
输入模块,用于将所述旋转归一化后的所述多个第一样本指纹子图像输入到第一神经网络模型中,得到所述第一神经网络模型输出的多个第一结果,其中,每一个所述第一样本指纹子图像对应一个所述第一结果;
删除模块,用于在所述第一样本指纹子图像与所述第一结果的差异值大于第三阈值的情况下,将所述第一样本指纹子图像删除;
第二确定模块,用于将剩余的所述第一样本指纹子图像确定为所述目标样本指纹子图像。
13.根据权利要求12所述的装置,其特征在于,所述删除单元还包括:
第二获取模块,用于在将所述旋转归一化后的所述多个第一样本指纹子图像输入到所述第一神经网络模型中,得到所述第一神经网络模型输出的所述多个第一结果之前,获取多个第三样本指纹子图像,其中,所述第三样本指纹子图像为从所述样本指纹图像中截取的图像,所述第三样本指纹子图像与所述第一样本指纹子图像大小相同;
执行模块,用于对所述多个第三样本指纹子图像执行旋转归一化操作;
训练模块,用于使用执行所述旋转归一化操作后的所述多个第三样本指纹子图像训练原始自编码网络,得到所述第一神经网络模型。
14.一种计算机可读的存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至8任一项中所述的方法。
15.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562673.1A CN111461091B (zh) | 2020-06-19 | 2020-06-19 | 万能指纹生成方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562673.1A CN111461091B (zh) | 2020-06-19 | 2020-06-19 | 万能指纹生成方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461091A true CN111461091A (zh) | 2020-07-28 |
CN111461091B CN111461091B (zh) | 2020-09-29 |
Family
ID=71685543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010562673.1A Active CN111461091B (zh) | 2020-06-19 | 2020-06-19 | 万能指纹生成方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461091B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563561A (zh) * | 2020-07-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 指纹图像的处理方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5623552A (en) * | 1994-01-21 | 1997-04-22 | Cardguard International, Inc. | Self-authenticating identification card with fingerprint identification |
CN104881668A (zh) * | 2015-05-13 | 2015-09-02 | 中国科学院计算技术研究所 | 一种基于代表性局部模式的图像指纹提取方法及系统 |
CN104951748A (zh) * | 2015-04-28 | 2015-09-30 | 广东光阵光电科技有限公司 | 一种假指纹识别方法及装置 |
KR20160103597A (ko) * | 2015-02-24 | 2016-09-02 | 광운대학교 산학협력단 | 광학식 지문 인식 장치 |
CN106062778A (zh) * | 2016-04-01 | 2016-10-26 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、装置和终端 |
CN109241957A (zh) * | 2018-11-19 | 2019-01-18 | Oppo广东移动通信有限公司 | 电子装置、指纹采集方法、装置、存储介质及移动终端 |
CN110427785A (zh) * | 2019-07-23 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 设备指纹的获取方法和装置、存储介质及电子装置 |
CN111191642A (zh) * | 2020-04-08 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 基于多任务分类的指纹防伪识别方法、装置及电子设备 |
-
2020
- 2020-06-19 CN CN202010562673.1A patent/CN111461091B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5623552A (en) * | 1994-01-21 | 1997-04-22 | Cardguard International, Inc. | Self-authenticating identification card with fingerprint identification |
KR20160103597A (ko) * | 2015-02-24 | 2016-09-02 | 광운대학교 산학협력단 | 광학식 지문 인식 장치 |
CN104951748A (zh) * | 2015-04-28 | 2015-09-30 | 广东光阵光电科技有限公司 | 一种假指纹识别方法及装置 |
CN104881668A (zh) * | 2015-05-13 | 2015-09-02 | 中国科学院计算技术研究所 | 一种基于代表性局部模式的图像指纹提取方法及系统 |
CN106062778A (zh) * | 2016-04-01 | 2016-10-26 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、装置和终端 |
CN109241957A (zh) * | 2018-11-19 | 2019-01-18 | Oppo广东移动通信有限公司 | 电子装置、指纹采集方法、装置、存储介质及移动终端 |
CN110427785A (zh) * | 2019-07-23 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 设备指纹的获取方法和装置、存储介质及电子装置 |
CN111191642A (zh) * | 2020-04-08 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 基于多任务分类的指纹防伪识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
ROY A , MEMON N , ROSS A: "MasterPrint: Exploring the Vulnerability of Partial Fingerprint-based Authentication Systems", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563561A (zh) * | 2020-07-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 指纹图像的处理方法及装置 |
US11354544B2 (en) | 2020-07-13 | 2022-06-07 | Alipay (Hangzhou) Information Technology Co., Ltd. | Fingerprint image processing methods and apparatuses |
Also Published As
Publication number | Publication date |
---|---|
CN111461091B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680672B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
CN111898696A (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
CN111368943B (zh) | 图像中对象的识别方法和装置、存储介质及电子装置 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN111680675B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
CN110929806B (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
CN111553267A (zh) | 图像处理方法、图像处理模型训练方法及设备 | |
CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
CN114612902A (zh) | 图像语义分割方法、装置、设备、存储介质及程序产品 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN114707589A (zh) | 对抗样本的生成方法、装置、存储介质、设备及程序产品 | |
CN111461091B (zh) | 万能指纹生成方法和装置、存储介质及电子装置 | |
CN110008922A (zh) | 用于终端设备的图像处理方法、设备、装置、介质 | |
CN111626212B (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN115708135A (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN114972016A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
CN115115699A (zh) | 姿态估计方法、装置、相关设备和计算机产品 | |
CN115222064A (zh) | 数据处理方法、装置、设备以及介质 | |
CN114677611A (zh) | 数据识别方法、存储介质及设备 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
CN113569887B (zh) | 图片识别模型训练和图片识别方法、装置和存储介质 | |
CN117079336B (zh) | 样本分类模型的训练方法、装置、设备及存储介质 | |
CN113572913B (zh) | 图像加密方法、装置、介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026175 Country of ref document: HK |