CN111753723A - 一种基于密度校准的指纹识别方法及装置 - Google Patents
一种基于密度校准的指纹识别方法及装置 Download PDFInfo
- Publication number
- CN111753723A CN111753723A CN202010587598.4A CN202010587598A CN111753723A CN 111753723 A CN111753723 A CN 111753723A CN 202010587598 A CN202010587598 A CN 202010587598A CN 111753723 A CN111753723 A CN 111753723A
- Authority
- CN
- China
- Prior art keywords
- feature point
- subgraph
- sample
- preset
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000106 sweat gland Anatomy 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
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G06V40/1376—Matching features related to ridge properties or fingerprint texture
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开涉及指纹识别技术领域,特别涉及一种基于密度校准的指纹识别方法及装置,用于减少冗余信息,提高指纹识别准确率和识别效率,该方法为:基于二值化图生成初始特征点子图,然后,确定每一个初始特征点子图对应的密度宽度,并在确定密度宽度不满足预设的密度宽度范围时,对初始特征点子图进行密度校准,之后,采用预设的神经网络模型,确定相应的图像特征信息,进而确定相应的指纹识别结果。这样,通过采用初始特征点子图进行后续的识别过程,减少了冗余信息,提高了识别效率和识别准确率,此外,通过对不满足条件的初始特征点子图进行密度校准,保证了初始特征点子图与样本子图的密度宽度保持一致,从而进一步提高了识别准确率。
Description
技术领域
本公开涉及指纹识别技术领域,特别涉及一种基于密度校准的指纹识别方法及装置。
背景技术
指纹识别技术是目前应用最为广泛的一种生物特征识别技术,主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份鉴定。随着技术的成熟和成本的降低,指纹识别技术的应用领域也越来越广泛。
目前,指纹识别方法通常包括指纹采集、指纹预处理、指纹特征比对和匹配四个步骤,即,在完成指纹采集之后,通过指纹预处理,提取指纹的特征点,然后,根据特征点的位置信息,采用特征点匹配算法进行指纹特征比对,之后,将采集的指纹和数据库中保存的指纹进行匹配,得到指纹识别结果。
然而,在一些场景下,采集的指纹的质量较差,指纹可能存在模糊不清、残缺、遮挡、其他纹路交叉等问题,而现有的指纹识别技术对于低质量的指纹,存在识别准确率较差或无法识别的问题。
由此可见,需要设计一种新的方案,以克服上述缺陷。
发明内容
本公开提供了一种基于密度校准的指纹识别方法及装置,用以提高指纹识别准确率和识别效率。
本公开实施例提供的具体技术方案如下:
第一方面,一种基于密度校准的指纹识别方法,包括:
获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
可选的,获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,具体包括:
获取原始指纹图像,并确定所述原始指纹图像中包含的各个像素的灰度值,以及基于所述各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图;
基于预设的细化像素宽度,对所述二值化图中包含的脊线进行细化,生成相应的细化图;
基于预设的特征点匹配规则,确定所述细化图中包含的各个细化特征点,并基于所述各个细化特征点,确定所述二值化图中包含相应的各个特征点。
可选的,基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图,具体包括:
基于所述各个特征点,从所述二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图;
基于预设的图像方向生成规则,确定获得的各个第一特征点子图对应的原始方向,并基于预设的图像方向,对所述各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图;
从获得的各个第二特征点子图中,筛选出符合预设的图像质量过滤规则的第二特征点子图,作为相应的初始特征点子图。
可选的,确定一个初始特征点子图对应的密度宽度,具体包括:
基于预设的各个测量方向,将所述一个初始特征点子图中,所述各个测量方向各自对应的各个第二像素,作为所述各个测量方向各自对应的各组像素,其中,所述第二像素用于表征指纹脊线;
基于所述各组像素中包含的第二像素的总数目,计算得到所述各组像素中包含的第二像素的平均数目,作为所述一个初始特征点子图对应的密度宽度。
可选的,将任意一个侯选特征点子图,与预设的任意一个样本指纹图像对应的任意一个样本特征点子图进行匹配,具体包括:
若所述任意一个侯选特征点子图的密度宽度小于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个侯选特征点子图的密度宽度,对所述任意一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将所述任意一个侯选特征点子图与截取得到的样本特征点子图进行匹配;
若所述任意一个侯选特征点子图的密度宽度大于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个样本特征点子图的密度宽度,对所述任意一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与所述任意一个样本特征点子图进行匹配。
可选的,基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果,具体包括:
针对所述原始指纹图像和预设的每一个样本指纹图像,执行以下操作:
获取预设的一个样本指纹图像,并确定所述一个样本指纹图像对应的样本特征点子图集合,所述样本特征点子图集合中包含各个样本特征点子图;
针对所述原始指纹图像对应的每一个侯选特征点子图,执行以下操作:
基于一个侯选特征点子图对应的图像特征信息,以及所述各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算所述一个侯选特征点子图与所述各个样本特征点子图之间的距离;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图;
基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算所述原始指纹图像与所述一个样本指纹图像之间的相似度;
基于所述原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果;其中,N为预设的正整数。
可选的,确定各个初始特征点子图相应的候选特征点子图之后,采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息之前,进一步包括:
基于获得的各个候选特征点子图,分别确定所述各个候选特征点子图各自对应的辅助特征信息;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图,具体包括:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定所述一个侯选特征点子图对应的辅助特征信息,与所述各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
可选的,所述辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,所述中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,所述中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,所述三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
第二方面,一种基于密度校准的指纹识别装置,包括:
预处理单元,用于获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
密度校准单元,用于针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
匹配单元,用于采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
可选的,获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点时,所述预处理单元具体用于:
获取原始指纹图像,并确定所述原始指纹图像中包含的各个像素的灰度值,以及基于所述各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图;
基于预设的细化像素宽度,对所述二值化图中包含的脊线进行细化,生成相应的细化图;
基于预设的特征点匹配规则,确定所述细化图中包含的各个细化特征点,并基于所述各个细化特征点,确定所述二值化图中包含相应的各个特征点。
可选的,基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图时,所述预处理单元具体用于:
基于所述各个特征点,从所述二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图;
基于预设的图像方向生成规则,确定获得的各个第一特征点子图对应的原始方向,并基于预设的图像方向,对所述各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图;
从获得的各个第二特征点子图中,筛选出符合预设的图像质量过滤规则的第二特征点子图,作为相应的初始特征点子图。
可选的,确定一个初始特征点子图对应的密度宽度时,所述密度校准单元具体用于:
基于预设的各个测量方向,将所述一个初始特征点子图中,所述各个测量方向各自对应的各个第二像素,作为所述各个测量方向各自对应的各组像素,其中,所述第二像素用于表征指纹脊线;
基于所述各组像素中包含的第二像素的总数目,计算得到所述各组像素中包含的第二像素的平均数目,作为所述一个初始特征点子图对应的密度宽度。
可选的,将任意一个侯选特征点子图,与预设的任意一个样本指纹图像对应的任意一个样本特征点子图进行匹配时,所述匹配单元具体用于:
若所述任意一个侯选特征点子图的密度宽度小于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个侯选特征点子图的密度宽度,对所述任意一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将所述任意一个侯选特征点子图与截取得到的样本特征点子图进行匹配;
若所述任意一个侯选特征点子图的密度宽度大于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个样本特征点子图的密度宽度,对所述任意一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与所述任意一个样本特征点子图进行匹配。
可选的,基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果时,所述匹配单元具体用于:
针对所述原始指纹图像和预设的每一个样本指纹图像,执行以下操作:
获取预设的一个样本指纹图像,并确定所述一个样本指纹图像对应的样本特征点子图集合,所述样本特征点子图集合中包含各个样本特征点子图;
针对所述原始指纹图像对应的每一个侯选特征点子图,执行以下操作:
基于一个侯选特征点子图对应的图像特征信息,以及所述各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算所述一个侯选特征点子图与所述各个样本特征点子图之间的距离;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图;
基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算所述原始指纹图像与所述一个样本指纹图像之间的相似度;
基于所述原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果;其中,N为预设的正整数。
可选的,确定各个初始特征点子图相应的候选特征点子图之后,采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息之前,所述匹配单元进一步用于:
基于获得的各个候选特征点子图,分别确定所述各个候选特征点子图各自对应的辅助特征信息;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图,所述匹配单元具体用于:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定所述一个侯选特征点子图对应的辅助特征信息,与所述各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
可选的,所述辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,所述中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,所述中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,所述三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
第三方面,一种基于密度校准的指纹识别装置,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现上述第一方面中任一项所述的基于密度校准的指纹识别方法。
第四方面,一种存储介质,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行上述第一方面中任一项所述的基于密度校准的指纹识别方法。
综上所述,本公开实施例中,基于原始指纹图像生成二值化图之后,基于二值化图中包含的各个特征点,生成相应的各个初始特征点子图,然后,确定每一个初始特征点子图对应的密度宽度,并在确定密度宽度不满足预设的密度宽度范围时,对初始特征点子图进行密度校准,作为相应的候选特征点子图,之后,采用预设的神经网络模型,确定相应的图像特征信息,并基于图像特征信息,确定相应的指纹识别结果。这样,通过采用各个特征点对应的初始特征点子图,而不是直接采用二值化图进行后续的识别过程,减少了冗余信息,从而减少了识别过程中的计算量,提高了指纹识别效率,同时,避免了图像中冗余信息对指纹识别结果的影响,从而提高了指纹识别的准确率,此外,通过对不满足条件的初始特征点子图进行密度校准,能够使初始特征点子图与样本子图的密度宽度保持一致,避免了由于密度宽度不一致导致识别结果出现误差,从而进一步提高了指纹识别的识别准确率。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例中提供的一种基于密度校准的指纹识别方法的流程示意图;
图2A为本公开实施例中提供的一种二值化图;
图2B为本公开实施例中提供的一种细化图;
图3A为本公开实施例中提供的一种像素P的8邻域示意图;
图3B为本公开实施例中提供的一种第一特征点子图;
图4A为本公开实施例中提供的一种第一特征点子图的方向示意图;
图4B为本公开实施例中提供的另一种第一特征点子图的方向示意图;
图4C为本公开实施例中提供的一种第二特征点子图;
图5为本公开实施例中提供的一种测量方向的示意图;
图6为本公开实施例中提供的一种经密度校准后的初始特征点子图;
图7为本公开实施例中提供的一种指纹识别装置的逻辑架构示意图;
图8为本公开实施例中提供的一种指纹识别装置的实体架构示意图。
具体实施方式
在进行指纹识别时,为了减少冗余信息,提高指纹识别准确率和识别效率,本公开实施例中,对获取原始指纹图像进行二值化,并确定各个特征点之后,生成相应的初始特征点子图,然后,针对每一个初始特征点子图,确定各自对应的密度宽度,并在确定密度宽度不满足预设的密度宽度范围时,对相应的初始特征点子图进行密度校准,作为候选特征点子图,之后,基于采用神经网络模型确定的图像特征信息,将原始指纹图像与预设的各个样本指纹图像进行匹配,确定相应的指纹识别结果。
下面结合附图对本公开优先的实施方式做出进一步详细说明。
参阅图1所示,本公开实施例中,进行指纹识别的流程如下:
步骤S101:获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定二值化图中包含的各个特征点,并基于各个特征点和二值化图,生成预设子图尺寸的各个初始特征点子图。
具体的,在执行步骤S101时,分为以下几个步骤:
A1、获取原始指纹图像,并确定原始指纹图像中包含的各个像素的灰度值。
例如,获取原始指纹图像,仅以原始指纹图像中包含的像素1、像素2、像素3为例,确定像素1、像素2、像素3的灰度值分别为0、25、122。
A2、基于各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图。
需要说明的是,本公开实施例中,预设的二值化门限值可以采用但不限于直方图双峰法、最大类间方差法、熵方法等现有方法确定,本公开对此并不限定,在此不再赘述。
具体的,基于各个像素的灰度值和预设的二值化门限值,确定各个像素的灰度值是否达到预设的二值化门限值,若是,则将相应的像素的新的灰度值设置为预设的第一灰度值,否则,将相应的像素的新的灰度值设置为预设的第二灰度值。
例如,假设,预设的二值化门限值为76,预设的第一灰度值为255,预设的第二灰度值为0,仍以像素1、像素2、像素3为例,基于像素1的灰度值0和二值化门限值76,确定像素1的灰度值未达到76,将像素1的新的灰度值设置为0,然后,基于像素2的灰度值25和二值化门限值76,确定像素2的灰度值未达到76,将像素2的新的灰度值设置为0,之后,基于像素3的灰度值122和二值化门限值76,确定像素3的灰度值达到76,将像素3的新的灰度值设置为255。
进一步的,基于获得的各个像素的新的灰度值,生成相应的二值化图。
例如,参阅图2A所示,基于像素1的新的灰度值0、像素2的新的灰度值0、像素3的新的灰度值255,生成如图2A所示的二值化图。
A2、基于预设的细化像素宽度,对二值化图中包含的脊线进行细化,生成相应的细化图。
例如,假设,预设的细化像素宽度为1个像素,基于预设的表征1个像素的细化像素宽度,对如图2A所示二值化图中包含的脊线进行细化,生成如图2B所示的细化图。
A3、基于预设的特征点匹配规则,确定细化图中包含的各个细化特征点,并基于各个细化特征点,确定二值化图中包含相应的各个特征点。
本公开实施例中,细化特征点可以但不限于是指核心点、端点、交叉点、分叉点、孤点、孔点等,其中,核心点用于表征指纹纹路的渐进中心,端点用于表征一条指纹纹路的终结点,交叉点用于表征至少两条指纹纹路的交点,分叉点用于表征一条指纹纹路分为至少两条指纹纹路,孤点用于表征未达到预设长度门限值的一条指纹纹路,孔点用于表征指纹纹路中包含的汗腺点。
具体的,本公开实施例中,可采用但不限于以下方式确定细化图中包含的各个细化特征点:
针对细化图中包含的各个像素,分别确定各个像素各自对应的检测值,并基于检测值的取值,确定各个像素是否为细化特征点。
需要说明的是,由于在实际应用中,最典型的细节特征点是端点和分叉点,下面仅以端点和分叉点为例,进行说明。
本公开实施例中,可采用但不限于以下公式计算一个像素P的检测值CP:
其中,参阅图3A所示,R(k)为像素P的8邻域中Pk点的灰度值,R(9)=R(1)。
具体的,若目标像素的CP取值为2,则确定一个像素为端点,若确定标像素的CP取值为6,则确定一个像素为分叉点。
例如,以细化图中包含的像素1和像素2为例,假设,像素1对应的检测值C1的取值为2,像素2对应的检测值C2的取值为6,基于像素1、像素2的检测值C1、C2,确定像素1为端点1、像素2为分叉点1。
A4、基于各个特征点和二值化图,生成预设子图尺寸的各个初始特征点子图。
具体的,基于各个特征点,从二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图。
例如,参阅图3B所示,假设,预设子图尺寸为3×3,基于端点1、分叉点1,从二值化图中,根据预设子图尺寸3×3,分别截取端点1、分叉点1对应的第一特征点子图1、第一特征点子图2。
截取相应的各个第一特征点子图之后,可采用但不限于以下几种方式,确定获得的各个第一特征点子图对应的原始方向,为了便于描述,下面仅以一个第一特征点子图为例进行说明:
第一种方式:预定方式逼近算法。
具体的,确定一个第一特征点子图在预设的各个标定方向上,灰度值的取值为第二灰度值的第二像素的数目,并将第二像素的数目最多的方向,确定为一个第一特征点子图的原始方向。
例如,假设,预设的标定方向分别为上、下、左、右,参阅图4A所示,第一特征点子图1在预设的各个标定方向上,即在标定方向分别为上、下、左、右时,灰度值的取值为0的第二像素的数目分别为1、1、2、1,并将第二像素的数目最多的方向,即表征向左的标定方向,确定为第一特征点子图1的原始方向。
又例如,假设,预设的标定方向分别为上、下、左、右,参阅图4B所示,第一特征点子图2在预设的各个图像方向上,即在标定方向分别为上、下、左、右时,灰度值的取值为0的第二像素的数目分别为1、1、2、3,并将第二像素的数目最多的方向,即表征向右的标定方向,确定为第一特征点子图2的原始方向。
第二种方式:最小均方估计块方向算法。
具体的,采用预设的最小均方估计块方向算法,确定一个第一特征点子图的原始方向。
例如,假设,采用预设的最小均方估计块方向算法,确定第一特征点子图1的原始方向1,原始方向1表征向左。
进一步,基于预设的图像方向,对各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图。
例如,预设的图像方向为向右,基于预设的图像方向,对第一特征点子图1进行方向调整,生成如图4C所示的第二特征点子图1。
本公开实施例中,生成相应的各个第二特征点子图之后,采用但不限于以下图像质量过滤规则,确定相应的初始特征点子图,为了便于描述,下面仅以一个第二特征点子图为例进行说明:
规则1:确定第二特征点子图中,不存在连续M条不平行的间断的指纹纹路时,将第二特征点子图作为初始特征点子图。
本公开实施例中,M为预设的整数。
例如,假设,M的取值为4,确定第二特征点子图1中,不存在连续4条不平行的间断的指纹纹路时,将第二特征点子图1作为初始特征点子图1。
规则2:确定第二特征点子图中,有效图片面积达到预设的面积门限值时,将第二特征点子图作为初始特征点子图。
本公开实施例中,有效图片面积用于表征指纹脊线在第二特征点子图中的面积占比。
例如,预设的面积门限值为90%,确定第二特征点子图1中,指纹脊线在第二特征点子图中的面积占比为95%,即,第二特征点子图1的有效图片面积为95%,此时,有效图片面积达到90%,将第二特征点子图1作为初始特征点子图1。
需要说明的是,本公开实施例中,可直接采用规则1或规则2确定相应的初始特征点子图,也可以采用规则1和规则2的结合确定相应的初始特征点子图。
步骤S102:针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,密度宽度用于表征一个初始特征点子图中指纹纹路的密度;
确定密度宽度不满足预设的密度宽度范围时,对一个初始特征点子图进行密度校准,作为相应的候选特征点子图。
为了便于描述,下文中,仅以一个初始特征点子图为例,进行说明。
具体的,基于预设的各个测量方向,将一个初始特征点子图中,各个测量方向各自对应的各个第二像素,作为各个测量方向各自对应的各组像素,以及基于各组像素中包含的第二像素的总数目,计算得到各组像素中包含的第二像素的平均数目,作为一个初始特征点子图对应的密度宽度。
需要说明的是,本公开实施例中,第二像素用于表征指纹脊线。
例如,参阅图5所示,预设的各个测量方向分别为测量方向1、测量方向2、测量方向3,基于测量方向1、测量方向2和测量方向3,将初始特征点子图1中,测量方向1对应的一个第二像素,作为测量方向1对应的第1组像素,测量方向2对应的一个第二像素,作为测量方向2对应的第2组像素,此时,测量方向3上无第二像素,即,测量方向3对应的第3组像素包含的第二像素的数目为0,然后,基于各组像素中包含的第二像素的总数目2,计算得到各组像素中包含的第二像素的平均数目2/3,作为初始特征点子图1对应的密度宽度。
需要说明的是,本公开实施例中,可以将各组像素中包含的第二像素的平均数目作为初始特征点子图对应的密度宽度,也可以测量表征指纹谷线的第一像素,进而各组像素中包含的第一像素的平均数目作为初始特征点子图对应的密度宽度,本公开对此不做限定,在此不再赘述。
进一步的,确定密度宽度不满足预设的密度宽度范围时,对一个初始特征点子图进行密度校准,作为相应的候选特征点子图。
本公开实施中,根据预设的校准密度门限值,对一个初始特征点子图进行密度校准。
例如,假设,初始特征点子图1的密度宽度为3,参阅图6所示,假设,预设的密度宽度范围为5.5-6,确定初始特征点子图1的密度宽度不满足预设的密度宽度范围时,根据预设的校准密度门限值6,对初始特征点子图1进行密度校准,使得初始特征点子图1的密度宽度校准为6,然后,将校准后的初始特征点子图1作为候选特征点子图1。
步骤S103:采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
具体的,在执行步骤S103时,分为以下几个步骤:
B1、基于获得的各个候选特征点子图,分别确定各个候选特征点子图各自对应的辅助特征信息。
本公开实施中,辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
例如,仍以候选特征点子图1为例,基于获得的候选特征点子图1,确定候选特征点子图1各自对应的辅助特征信息1,其中,辅助特征信息1包含中心角度、中心距离,中心角度表征候选特征点子图1对应的端点1与核心点之间的角度为60°,中心距离表征候选特征点子图1对应的端点1与核心点之间的距离为10毫米。
B2、采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息。
本公开实施例中,图像特征信息中至少包含图像纹理信息、图像边缘信息中的任一项或组合。
例如,仍以候选特征点子图1为例,采用预设的神经网络模型,确定获得的候选特征点子图1对应的图像特征信息1,其中,图像特征信息1中包含图像纹理信息,图像纹理信息表征候选特征点子图1的对比度为50%。
B3、基于获得的图像特征信息,将各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
需要说明的是,本公开实施例中,原始指纹图像和预设的每一个样本指纹图像进行匹配,为了便于描述,下文中,仅以原始指纹图像和一个样本指纹图像进行匹配的过程说明。
具体的,获取预设的一个样本指纹图像,并确定一个样本指纹图像对应的样本特征点子图集合,样本特征点子图集合中包含各个样本特征点子图。
例如,获取预设的一个样本指纹图像1,并确定一个样本指纹图像1对应的样本特征点子图集合1,样本特征点子图集合1中包含200个样本特征点子图。
确定一个样本指纹图像对应的样本特征点子图集合之后,将原始指纹图像对应的每一个侯选特征点子图,分别与样本特征点子图集合中包含的各个样本特征点子图进行匹配,接下来,仅以原始指纹图像对应的一个侯选特征点子图为例进行说明。
需要说明的是,本公开实施例中,将一个侯选特征点子图与一个样本特征点子图进行匹配时,存在但不限于以下几种情况:
第一种情况:一个侯选特征点子图的密度宽度小于一个样本特征点子图的密度宽度。
此时,基于一个侯选特征点子图的密度宽度,对一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将一个侯选特征点子图与截取得到的样本特征点子图进行匹配。
例如,假设,侯选特征点子图2、样本特征点子图1的密度宽度分别为3、6,基于侯选特征点子图2的密度宽度,对样本特征点子图1进行放大,并截取得到相应的样本特征点子图1,以及将侯选特征点子图2与截取得到的样本特征点子图1进行匹配。
第二种情况:一个侯选特征点子图的密度宽度大于一个样本特征点子图的密度宽度。
此时,基于一个样本特征点子图的密度宽度,对一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与一个样本特征点子图进行匹配。
例如,假设,侯选特征点子图2、样本特征点子图1的密度宽度分别为6、3,基于样本特征点子图1的密度宽度,对侯选特征点子图2进行放大,并截取得到相应的侯选特征点子图2,以及将截取得到的侯选特征点子图2与样本特征点子图1进行匹配。
第三种情况:一个侯选特征点子图的密度宽度与一个样本特征点子图的密度宽度相同。
此时,直接将一个侯选特征点子图与一个样本特征点子图进行匹配。
例如,假设,样本特征点子图1的密度宽度为6、6,侯选特征点子图1与样本特征点子图1的密度宽度相同,直接将侯选特征点子图1与样本特征点子图1进行匹配。
需要说明的是,下文中,将截取得到的侯选特征点子图和截取得到的样本特征点子图分别简称为侯选特征点子图和样本特征点子图。
进一步的,基于一个侯选特征点子图对应的图像特征信息,以及各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算一个侯选特征点子图与各个样本特征点子图之间的距离。
例如,假设,预设的距离计算算法为欧氏距离算法,基于侯选特征点子图1对应的图像特征信息1,其中,图像特征信息1中包含图像纹理信息,图像纹理信息表征候选特征点子图1的对比度为50%,以及各个样本特征点子图对应的样本图像特征信息,采用欧氏距离算法,分别计算侯选特征点子图1与各个样本特征点子图之间的距离,仅以样本特征点子图1、样本特征点子图2、样本特征点子图3为例,侯选特征点子图1与样本特征点子图1、样本特征点子图2、样本特征点子图3之间的距离分别为0.1、0.2、0.3。
进一步的,可采用但不限于以下方式,确定目标样本子图:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定一个侯选特征点子图对应的辅助特征信息,与各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
例如,假设,预设的距离门限值为0.25,筛选出未达到0.25的样本特征点子图1、样本特征点子图2,作为候选样本子图1、候选样本子图2,然后,基于得到的候选样本子图1、候选样本子图2,确定侯选特征点子图1对应的辅助特征信息,与候选样本子图1、候选样本子图2对应的样本辅助特征信息之间的辅助信息相似度分别为90%、80%,之后,将辅助信息相似度的取值最高的候选样本子图1,作为对应的目标样本子图。
针对原始指纹图像对应的每一个侯选特征点子图,确定各自对应的目标样本子图之后,基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算原始指纹图像与所述一个样本指纹图像之间的相似度。
例如,假设,获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目分别为80、100、300,基于获得的目标样本子图的数目80、侯选特征点子图的数目100、样本特征点子图的数目300,计算原始指纹图像与一个样本指纹图像之间的相似度为80/(100+300),即0.2。
针对原始指纹图像和预设的每一个样本指纹图像进行匹配之后,基于原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果,其中,N为预设的正整数。
例如,假设,N的取值为2,原始指纹图像与样本指纹图像1、样本指纹图像2、样本指纹图像3之间的相似度分别为0.2、0.4、0.6,基于原始指纹图像与样本指纹图像1、样本指纹图像2、样本指纹图像3之间的相似度,将相似度的取值最高的2个样本指纹图像,作为相应的指纹识别结果,即,将样本指纹图像2、样本指纹图像3作为相应的指纹识别结果。
需要说明的是,本公开实施例中,也可以不执行步骤B1,相应的,在执行确定目标样本子图时,直接筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图。
基于同一发明构思,参阅图7所示,本公开实施例中,提供一种基于密度校准的指纹识别装置,至少包括:预处理单元701、密度校准单元702和匹配单元703,其中,
预处理单元701,用于获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
密度校准单元702,用于针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
匹配单元703,用于采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
可选的,获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点时,所述预处理单元701具体用于:
获取原始指纹图像,并确定所述原始指纹图像中包含的各个像素的灰度值,以及基于所述各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图;
基于预设的细化像素宽度,对所述二值化图中包含的脊线进行细化,生成相应的细化图;
基于预设的特征点匹配规则,确定所述细化图中包含的各个细化特征点,并基于所述各个细化特征点,确定所述二值化图中包含相应的各个特征点。
可选的,基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图时,所述预处理单元701具体用于:
基于所述各个特征点,从所述二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图;
基于预设的图像方向生成规则,确定获得的各个第一特征点子图对应的原始方向,并基于预设的图像方向,对所述各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图;
从获得的各个第二特征点子图中,筛选出符合预设的图像质量过滤规则的第二特征点子图,作为相应的初始特征点子图。
可选的,确定一个初始特征点子图对应的密度宽度时,所述密度校准单元702具体用于:
基于预设的各个测量方向,将所述一个初始特征点子图中,所述各个测量方向各自对应的各个第二像素,作为所述各个测量方向各自对应的各组像素,其中,所述第二像素用于表征指纹脊线;
基于所述各组像素中包含的第二像素的总数目,计算得到所述各组像素中包含的第二像素的平均数目,作为所述一个初始特征点子图对应的密度宽度。
可选的,将任意一个侯选特征点子图,与预设的任意一个样本指纹图像对应的任意一个样本特征点子图进行匹配时,所述匹配单元703具体用于:
若所述任意一个侯选特征点子图的密度宽度小于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个侯选特征点子图的密度宽度,对所述任意一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将所述任意一个侯选特征点子图与截取得到的样本特征点子图进行匹配;
若所述任意一个侯选特征点子图的密度宽度大于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个样本特征点子图的密度宽度,对所述任意一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与所述任意一个样本特征点子图进行匹配。
可选的,基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果时,所述匹配单元703具体用于:
针对所述原始指纹图像和预设的每一个样本指纹图像,执行以下操作:
获取预设的一个样本指纹图像,并确定所述一个样本指纹图像对应的样本特征点子图集合,所述样本特征点子图集合中包含各个样本特征点子图;
针对所述原始指纹图像对应的每一个侯选特征点子图,执行以下操作:
基于一个侯选特征点子图对应的图像特征信息,以及所述各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算所述一个侯选特征点子图与所述各个样本特征点子图之间的距离;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图;
基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算所述原始指纹图像与所述一个样本指纹图像之间的相似度;
基于所述原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果;其中,N为预设的正整数。
可选的,确定各个初始特征点子图相应的候选特征点子图之后,采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息之前,所述匹配单元703进一步用于:
基于获得的各个候选特征点子图,分别确定所述各个候选特征点子图各自对应的辅助特征信息;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图,所述匹配单元703具体用于:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定所述一个侯选特征点子图对应的辅助特征信息,与所述各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
可选的,所述辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,所述中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,所述中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,所述三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
基于同一发明构思,参阅图8所示,本公开实施例提供一种基于密度校准的指纹识别装置,至少包括:
存储器801,用于存储可执行指令;
处理器802,用于读取并执行存储器中存储的可执行指令,执行下列过程:
获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
可选的,获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点时,所述处理器802具体用于:
获取原始指纹图像,并确定所述原始指纹图像中包含的各个像素的灰度值,以及基于所述各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图;
基于预设的细化像素宽度,对所述二值化图中包含的脊线进行细化,生成相应的细化图;
基于预设的特征点匹配规则,确定所述细化图中包含的各个细化特征点,并基于所述各个细化特征点,确定所述二值化图中包含相应的各个特征点。
可选的,基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图时,所述处理器802具体用于:
基于所述各个特征点,从所述二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图;
基于预设的图像方向生成规则,确定获得的各个第一特征点子图对应的原始方向,并基于预设的图像方向,对所述各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图;
从获得的各个第二特征点子图中,筛选出符合预设的图像质量过滤规则的第二特征点子图,作为相应的初始特征点子图。
可选的,确定一个初始特征点子图对应的密度宽度时,所述处理器802具体用于:
基于预设的各个测量方向,将所述一个初始特征点子图中,所述各个测量方向各自对应的各个第二像素,作为所述各个测量方向各自对应的各组像素,其中,所述第二像素用于表征指纹脊线;
基于所述各组像素中包含的第二像素的总数目,计算得到所述各组像素中包含的第二像素的平均数目,作为所述一个初始特征点子图对应的密度宽度。
可选的,将任意一个侯选特征点子图,与预设的任意一个样本指纹图像对应的任意一个样本特征点子图进行匹配时,所述处理器802具体用于:
若所述任意一个侯选特征点子图的密度宽度小于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个侯选特征点子图的密度宽度,对所述任意一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将所述任意一个侯选特征点子图与截取得到的样本特征点子图进行匹配;
若所述任意一个侯选特征点子图的密度宽度大于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个样本特征点子图的密度宽度,对所述任意一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与所述任意一个样本特征点子图进行匹配。
可选的,基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果时,所述处理器802具体用于:
针对所述原始指纹图像和预设的每一个样本指纹图像,执行以下操作:
获取预设的一个样本指纹图像,并确定所述一个样本指纹图像对应的样本特征点子图集合,所述样本特征点子图集合中包含各个样本特征点子图;
针对所述原始指纹图像对应的每一个侯选特征点子图,执行以下操作:
基于一个侯选特征点子图对应的图像特征信息,以及所述各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算所述一个侯选特征点子图与所述各个样本特征点子图之间的距离;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图;
基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算所述原始指纹图像与所述一个样本指纹图像之间的相似度;
基于所述原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果;其中,N为预设的正整数。
可选的,确定各个初始特征点子图相应的候选特征点子图之后,采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息之前,所述处理器802进一步用于:
基于获得的各个候选特征点子图,分别确定所述各个候选特征点子图各自对应的辅助特征信息;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图,所述处理器802具体用于:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定所述一个侯选特征点子图对应的辅助特征信息,与所述各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
可选的,所述辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,所述中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,所述中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,所述三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
其中,在图8中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器802代表的一个或多个处理器和存储器801代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机803可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器802负责管理总线架构和通常的处理,存储器801可以存储处理器802在执行操作时所使用的数据。
基于同一发明构思,本公开实施例提供一种存储介质,当所述存储介质中的指令由处理器执行时,使得所述处理器能够执行上述流程中基于密度校准的指纹识别装置实现的任一项方法。
综上所述,本公开实施例中,基于原始指纹图像生成二值化图之后,基于二值化图中包含的各个特征点,生成相应的各个初始特征点子图,然后,确定每一个初始特征点子图对应的密度宽度,并在确定密度宽度不满足预设的密度宽度范围时,对初始特征点子图进行密度校准,作为相应的候选特征点子图,之后,采用预设的神经网络模型,确定相应的图像特征信息,并基于图像特征信息,确定相应的指纹识别结果。
这样,通过采用各个特征点对应的初始特征点子图,而不是直接采用二值化图进行后续的识别过程,减少了冗余信息,从而减少了识别过程中的计算量,提高了指纹识别效率,同时,避免了图像中冗余信息对指纹识别结果的影响,从而提高了指纹识别的准确率,此外,通过对不满足条件的初始特征点子图进行密度校准,能够使初始特征点子图与样本子图的密度宽度保持一致,避免了由于密度宽度不一致,导致识别结果出现误差,从而进一步提高了识别准确率。
对于系统/装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者一个操作与另一个实体或者另一个操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
Claims (10)
1.一种基于密度校准的指纹识别方法,其特征在于,包括:
获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
2.如权利要求1所述的方法,其特征在于,获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,具体包括:
获取原始指纹图像,并确定所述原始指纹图像中包含的各个像素的灰度值,以及基于所述各个像素的灰度值和预设的二值化门限值,采用预设的第一灰度值和第二灰度值,生成相应的二值化图;
基于预设的细化像素宽度,对所述二值化图中包含的脊线进行细化,生成相应的细化图;
基于预设的特征点匹配规则,确定所述细化图中包含的各个细化特征点,并基于所述各个细化特征点,确定所述二值化图中包含相应的各个特征点。
3.如权利要求2所述的方法,其特征在于,基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图,具体包括:
基于所述各个特征点,从所述二值化图中,根据预设子图尺寸,分别截取相应的各个第一特征点子图;
基于预设的图像方向生成规则,确定获得的各个第一特征点子图对应的原始方向,并基于预设的图像方向,对所述各个第一特征点子图进行方向调整,生成相应的各个第二特征点子图;
从获得的各个第二特征点子图中,筛选出符合预设的图像质量过滤规则的第二特征点子图,作为相应的初始特征点子图。
4.如权利要求1、2或3所述的方法,其特征在于,确定一个初始特征点子图对应的密度宽度,具体包括:
基于预设的各个测量方向,将所述一个初始特征点子图中,所述各个测量方向各自对应的各个第二像素,作为所述各个测量方向各自对应的各组像素,其中,所述第二像素用于表征指纹脊线;
基于所述各组像素中包含的第二像素的总数目,计算得到所述各组像素中包含的第二像素的平均数目,作为所述一个初始特征点子图对应的密度宽度。
5.如权利要求1、2或3所述的方法,其特征在于,将任意一个侯选特征点子图,与预设的任意一个样本指纹图像对应的任意一个样本特征点子图进行匹配,具体包括:
若所述任意一个侯选特征点子图的密度宽度小于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个侯选特征点子图的密度宽度,对所述任意一个样本特征点子图进行放大,并截取得到相应的样本特征点子图,以及将所述任意一个侯选特征点子图与截取得到的样本特征点子图进行匹配;
若所述任意一个侯选特征点子图的密度宽度大于所述任意一个样本特征点子图的密度宽度,则基于所述任意一个样本特征点子图的密度宽度,对所述任意一个侯选特征点子图进行放大,并截取得到相应的样本特征点子图,以及将截取得到的侯选特征点子图与所述任意一个样本特征点子图进行匹配。
6.如权利要求1、2或3所述的方法,其特征在于,基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果,具体包括:
针对所述原始指纹图像和预设的每一个样本指纹图像,执行以下操作:
获取预设的一个样本指纹图像,并确定所述一个样本指纹图像对应的样本特征点子图集合,所述样本特征点子图集合中包含各个样本特征点子图;
针对所述原始指纹图像对应的每一个侯选特征点子图,执行以下操作:
基于一个侯选特征点子图对应的图像特征信息,以及所述各个样本特征点子图对应的样本图像特征信息,采用预设的距离计算算法,分别计算所述一个侯选特征点子图与所述各个样本特征点子图之间的距离;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图;
基于获得的目标样本子图的数目、侯选特征点子图的数目、样本特征点子图的数目,计算所述原始指纹图像与所述一个样本指纹图像之间的相似度;
基于所述原始指纹图像与各个样本指纹图像之间的相似度,将相似度的取值最高的N个样本指纹图像,作为相应的指纹识别结果;其中,N为预设的正整数。
7.如权利要求6所述的方法,其特征在于,确定各个初始特征点子图相应的候选特征点子图之后,采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息之前,进一步包括:
基于获得的各个候选特征点子图,分别确定所述各个候选特征点子图各自对应的辅助特征信息;
筛选出未达到预设的距离门限值的样本特征点子图,作为对应的目标样本子图,具体包括:
筛选出未达到预设的距离门限值的样本特征点子图,作为候选样本子图;
基于得到的各个候选样本子图,确定所述一个侯选特征点子图对应的辅助特征信息,与所述各个候选样本子图对应的样本辅助特征信息之间的辅助信息相似度;
将辅助信息相似度的取值最高的一个候选样本子图,作为对应的目标样本子图。
8.如权利要求7所述的方法,其特征在于,所述辅助特征信息包含中心角度、中心距离、三角特征信息中的任一项或任意组合,其中,所述中心角度用于表征候选特征点子图对应的特征点与核心点之间的角度,所述中心距离用于表征候选特征点子图对应的特征点与核心点之间的距离,所述三角特征信息用于表征候选特征点子图对应的特征点与预设范围内的相邻特征点之间的三角相似性。
9.一种基于密度校准的指纹识别装置,其特征在于,包括:
预处理单元,用于获取原始指纹图像并生成相应的二值化图,以及基于预设的特征点匹配规则,确定所述二值化图中包含的各个特征点,并基于所述各个特征点和所述二值化图,生成预设子图尺寸的各个初始特征点子图;
密度校准单元,用于针对每一个初始特征点子图,执行以下操作:
确定一个初始特征点子图对应的密度宽度,所述密度宽度用于表征所述一个初始特征点子图中指纹纹路的密度;
确定所述密度宽度不满足预设的密度宽度范围时,对所述一个初始特征点子图进行密度校准,作为相应的候选特征点子图;
匹配单元,用于采用预设的神经网络模型,确定获得的各个候选特征点子图各自对应的图像特征信息,并基于获得的图像特征信息,将所述各个侯选特征点子图,与预设的各个样本指纹图像各自对应的样本特征点子图集合进行匹配,确定相应的指纹识别结果。
10.一种基于密度校准的指纹识别装置,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于读取并执行所述存储器中存储的可执行指令,以实现如权利要求1至8中任一项所述的基于密度校准的指纹识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587598.4A CN111753723B (zh) | 2020-06-24 | 2020-06-24 | 一种基于密度校准的指纹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587598.4A CN111753723B (zh) | 2020-06-24 | 2020-06-24 | 一种基于密度校准的指纹识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753723A true CN111753723A (zh) | 2020-10-09 |
CN111753723B CN111753723B (zh) | 2024-03-26 |
Family
ID=72677064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010587598.4A Active CN111753723B (zh) | 2020-06-24 | 2020-06-24 | 一种基于密度校准的指纹识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753723B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113764070A (zh) * | 2021-09-09 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 家庭健康策略的生成方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050014406A (ko) * | 2003-07-31 | 2005-02-07 | (주)엘젠 | 이동통신 단말기에서의 지문인식 시스템 및 방법 |
CN101276411A (zh) * | 2008-05-12 | 2008-10-01 | 北京理工大学 | 指纹识别方法 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
CN105389541A (zh) * | 2015-10-19 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹图像的识别方法及装置 |
CN105426853A (zh) * | 2015-11-24 | 2016-03-23 | 成都四象联创科技有限公司 | 基于图像的人体特征识别方法 |
CN110555348A (zh) * | 2018-06-01 | 2019-12-10 | 中兴通讯股份有限公司 | 一种指纹识别方法、设备及计算机可读存储介质 |
-
2020
- 2020-06-24 CN CN202010587598.4A patent/CN111753723B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050014406A (ko) * | 2003-07-31 | 2005-02-07 | (주)엘젠 | 이동통신 단말기에서의 지문인식 시스템 및 방법 |
CN101276411A (zh) * | 2008-05-12 | 2008-10-01 | 北京理工大学 | 指纹识别方法 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
CN105389541A (zh) * | 2015-10-19 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹图像的识别方法及装置 |
CN108427932A (zh) * | 2015-10-19 | 2018-08-21 | 广东欧珀移动通信有限公司 | 指纹图像的识别方法及装置 |
CN105426853A (zh) * | 2015-11-24 | 2016-03-23 | 成都四象联创科技有限公司 | 基于图像的人体特征识别方法 |
CN110555348A (zh) * | 2018-06-01 | 2019-12-10 | 中兴通讯股份有限公司 | 一种指纹识别方法、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
张志伟;: "自动指纹识别系统中关于指纹特征算法的研究", 吉林化工学院学报, no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113764070A (zh) * | 2021-09-09 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 家庭健康策略的生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111753723B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8306288B2 (en) | Automatic identification of fingerprint inpainting target areas | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
US9092697B2 (en) | Image recognition system and method for identifying similarities in different images | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
WO2019238104A1 (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
CN110738222B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
CN115205866A (zh) | 一种基于区块链的科技论文大数据抄袭检测方法及系统 | |
CN109840529B (zh) | 一种基于局部敏感置信度评估的图像匹配方法 | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN117115117B (zh) | 基于小样本下的病理图像识别方法、电子设备及存储介质 | |
CN111160142B (zh) | 一种基于数值预测回归模型的证件票据定位检测方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN111753722B (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
CN113516096B (zh) | 指静脉roi区域提取方法及装置 | |
CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 | |
Ahmed et al. | Blind copy-move forgery detection using SVD and KS test | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
WO2020001400A1 (zh) | 纹路识别设备分辨率的测试方法及装置、系统及存储介质 |
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 |