CN112115917B - 指纹识别方法、指纹识别装置、电子设备及存储介质 - Google Patents

指纹识别方法、指纹识别装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112115917B
CN112115917B CN202011052141.XA CN202011052141A CN112115917B CN 112115917 B CN112115917 B CN 112115917B CN 202011052141 A CN202011052141 A CN 202011052141A CN 112115917 B CN112115917 B CN 112115917B
Authority
CN
China
Prior art keywords
fingerprint
determining
ridge
valley
detected
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.)
Active
Application number
CN202011052141.XA
Other languages
English (en)
Other versions
CN112115917A (zh
Inventor
余书宝
张珂
伍明扬
杨方明
孙建城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Goodix Technology Co Ltd
Original Assignee
Shenzhen Goodix Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Goodix Technology Co Ltd filed Critical Shenzhen Goodix Technology Co Ltd
Priority to CN202011052141.XA priority Critical patent/CN112115917B/zh
Publication of CN112115917A publication Critical patent/CN112115917A/zh
Application granted granted Critical
Publication of CN112115917B publication Critical patent/CN112115917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/1318—Sensors therefor using electro-optical elements or layers, e.g. electroluminescent sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Input (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请实施例提供一种指纹识别方法、指纹识别装置、电子设备和存储介质。该指纹识别方法包括根据待检测指纹对应的指纹数据，确定用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息；将指纹特征信息输入至预先训练的决策树模型，得到用于指示待检测指纹为真指纹的得分；根据所述得分和预设指纹阈值的比较结果，确定待检测指纹的真伪。基于上述技术方案，可以确定待检测指纹是真指纹还是具有三维深度特征的假指纹，提高了指纹检测的安全性。

Description

指纹识别方法、指纹识别装置、电子设备及存储介质
技术领域
本申请实施例涉及生物特征识别技术领域，尤其涉及一种指纹识别方法、指纹识别装置、电子设备及存储介质。
背景技术
随着光学指纹识别技术在终端设备中的广泛应用，用户对指纹识别的安全性要求越来越高。相关的指纹识别方案基于设备屏幕的偏振信息，可以较好地识别真指纹和伪造的平面假指纹(也称为2D假指纹)，对2D假指纹具有较好防伪的效果。然而，由于根据提取的用户指纹通过腐蚀电路板等简单工艺制作的假指纹(也称为2.5D假指纹)具有3D深度特征，上述指纹识别方案对此类假指纹的拦截效果较差，严重影响终端用户的信息安全。
因此，如何识别真指纹与2.5D假指纹，以提升指纹识别的安全性是一项亟需解决的问题。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种指纹识别方法、指纹识别装置及电子设备，用以克服上述全部或者部分缺陷。
第一方面，本申请实施例提供了一种指纹识别方法，其包括：
根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息，其中，所述指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，所述多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道；
将所述指纹特征信息输入至预先训练的决策树模型，得到用于指示所述待检测指纹为真指纹的得分；
根据所述得分和预设指纹阈值的比较结果，确定所述待检测指纹的真伪。
第二方面，本申请实施例提供了一种指纹识别装置，其包括：
特征提取模块，用于根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息，其中，所述指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，所述多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道；
得分计算模块，用于将所述指纹特征信息输入至预先训练的决策树模型，得到用于指示所述待检测指纹为真指纹的得分；
真伪指纹确定模块，用于根据所述得分和预设指纹阈值的比较结果，确定所述待检测指纹的真伪。
第三方面，本申请实施例提供了一种电子设备，其包括：处理器、存储器、显示屏、触摸控制模块、以及指纹识别装置；
所述存储器用于存储计算机程序；
所述指纹识别装置包括光学图像采集模块，所述光学图像采集模块中包括像素阵列；
所述处理器执行所述存储器存储的所述计算机程序，使得所述电子设备执行如第一方面任一项所述的指纹识别方法。
第四方面，本申请实施例提供了一种存储介质，其包括：可读存储介质和计算机程序，所述计算机程序存储在所述可读存储介质中，所述计算机程序用于第一方面任一项所述的指纹识别方法。
基于上述技术方案，由于多光路结构包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道，根据多光路结构引导的多路光信号得到的指纹数据可以确定出用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息，通过将该特征信息输入预先训练的决策树模型，并将决策树模型输出的用于指示待检测指纹为真指纹的得分与预设指纹阈值的比较结果，可以确定待检测指纹是真指纹还是具有三维深度特征的假指纹，提高了指纹检测的安全性。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：
图1为本申请实施例可以适用的电子设备的剖面示意图；
图2为本申请实施例提供的一种四光路导光通道组中各光路间的相对位置关系的示意图；
图3为本申请实施例提供的一种指纹识别方法的示意性流程图；
图4为本申请实施例提供的另一种指纹识别方法的示意性流程图；
图5a和图5b分别为本申请实施例提供的获取第一预设数据组和第二预设数据组的示意图；
图6a和图6b为本申请实施例提供的确定公共区域的过程的示意图；
图7为本申请实施例提供的示例性真手指和2.5D假指纹以及对应的指纹剖面图；
图8为本申请实施例提供的确定脊线变异系数和谷线变异系数的方法的流程图；
图9为本申请实施例提供的真指纹的指纹脊线与指纹谷线的偏振特性的示意图；
图10为本申请实施例提供的确定第一信号强度比和第二信号强度比的示例性流程图；
图11为本申请实施例提供的确定灰度相似度的方法的示意性流程图；
图12a和图12b为本申请实施例提供的真指纹和2.5D假指纹的灰度分布的示意图；
图13为本申请实施例提供的一种指纹识别装置的结构示意图。
具体实施方式
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
本申请实施例提供的技术方案可以应用于各种电子设备。例如，智能手机、平板电脑以及其他具有显示屏和指纹识别装置的移动终端或者其他电子设备。更具体地，在上述电子设备中，指纹识别装置可以具体为光学指纹装置，其可以设置在显示屏下方的局部区域或者全部区域，从而形成屏下(Under-display或Under-screen)光学指纹系统。具体地，在该电子设备中，指纹识别装置接收从电子设备的显示屏的顶面返回的光，这种返回的光携带有与显示屏的顶面接触的物体，例如手指的信息，通过采集和检测这种返回来的光来手指的指纹信息。
图1为本申请实施例可以适用的电子设备的剖面示意图。如图1所示，电子设备包括显示屏12和指纹识别装置13。
显示屏12包括上盖板121、发光层122和下盖板123。根据发光层不同，显示屏12可以是具有自发光显示单元的显示屏，也可以是非自发光的显示屏。
在显示屏12是具有自发光显示单元的显示屏，例如，如图1所示，显示屏12可以为采用有机发光二极管(Organic Light-Emitting Diode,OLED)显示屏，然而，本申请不限于此，例如也可以采用微型发光二极管(Micro-LED)。在采用OLED显示屏时，指纹识别装置13可以利用显示屏12的与指纹采集区域位置对应的OLED光源作为指纹检测的激励光源。当手指按压在显示屏12的指纹采集区域时，显示屏12中对应位置的光源向指纹采集区域上方的手指发射光束，该光束在手指与屏幕接触的表面发生反射形成反射光。来自指纹脊的反射光和来自指纹谷的反射光具有不同的光强，不同强度的反射光经过光学部件后，由指纹识别装置13接收并转换为相应的电信号，即指纹检测信号。基于该指纹检测信号，可以获得指纹数据，用于在电子设备实现指纹识别功能。
在显示屏12是非自发光的显示屏，例如液晶显示屏。指纹识别装置13需要采用内置光源或外置光源作为激励光源，以提供用于进行指纹检测的光信号。在采用内置光源或外置光源作为激励光源时的指纹检测原理与上面提及的采用OLED显示屏时的指纹检测原理相同，此处不再赘述。
显示屏12还可以包括偏振单元124，如图1所示，偏振单元124位于发光层122的上方，偏振单元122可以设置一个偏振方向，偏振单元122可以允许与其偏振方向平行的光通过，并且阻挡与其偏振方向垂直的光。
指纹识别装置13，具体地为光学指纹识别装置，可以设置在显示屏12下方的局部区域，并且可以包括多光路结构131和光学检测部件132。其中，多光路结构131可以设置在光学检测部件132的上方，主要用于将从手指处反射或散射的光信号引导至光学检测部件以由光学检测部件132进行光学检测。光学检测部件132包括感光阵列和与感光阵列电连接的读取电路及其他辅助电路。感光阵列可以包括多个呈阵列分布的多个感光单元，其也可以称为像素单元或感光像素。感光阵列主要用于对接收到的光信号进行检测，以便通过与其电连接的读取电路等生成指纹数据。
在本实施例中，多光路结构131可以包括至少一个导光通道组，每个导光通道组至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的N1个偏振导光通道和垂直于屏幕偏振方向的N2个非偏振导光通道，其中N1和N2均为正整数。
例如，如图2所示，在一种实现方式中，N1和N2均为2，每个导光通道组包括四个导光通道21～24，该四个导光通道21～24相对于光学检测部件132的感光区域所在的平面倾斜，例如30度。四个导光通道21～24中的相邻两个导光通道在空间上的夹角为45度，该四个导光通道中的相邻两个导光通道在感光区域所在平面上的投影的夹角为90度。如图2所示，假设显示屏12的屏幕偏振方向为135度，则该四个导光通道21～24包括在感光区域所在平面的投影平行于显示屏12的屏幕偏振方向的两个导光通道21和24和垂直于显示屏12的屏幕偏振方向的两个导光通道22和23。
应理解，与显示屏的屏幕偏振方向平行可以理解为与显示屏的屏幕偏振方向大致平行，与显示屏的屏幕偏振方向垂直可以理解为与显示屏的屏幕偏振方向大致垂直。四个导光通道21～24分别对应感光阵列的四个感光单元，四个感光单元的感光区域分别对角接收通过四个导光通道的四路光信号0～3，根据接收到的四路光信号0～3可以生成四组指纹数据。
在进行指纹检测时，通过根据待检测指纹对应的指纹数据确定用于待检测指纹的脊谷线特征和偏振特性的指纹特征信息，通过将该特征信息输入预先训练的决策树模型，并将决策树模型输出的用于指示待检测指纹为真指纹的得分与预设指纹阈值的比较结果，可以确定待检测指纹的真伪。本申请实施例可以不仅可以应用于平面假指纹识别，并且还可以有效识别具有3D深度信息的2.5D假指纹，例如，通过简单的打印机打印或腐蚀电路板的工艺制作2.5D假指纹模具，然后用胶水拓印并定型得到的具有立体特征的2.5D假指纹，从而提升了指纹识别的安全性。
图3为本申请实施例的指纹识别的方法的示例性流程图。该指纹识别方法适用于图1所示的电子设备。如图3所示，该方法包括：
S301、根据待检测指纹对应的指纹数据，确定用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息。
其中，指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道。
本实施例中，指纹数据可以包括N组指纹数据，N为大于或等于2的正整数。N的具体大小与多光路结构中的每个导光通道组包含的偏振导光通道和非偏振导光通道的数量有关。具体地，若每个导光通道组包括N1个偏振导光通道和N2的非偏振导光通道，则N小于或等于N1+N2。换句话说，指纹数据可以是多光路结构中的部分或全部偏振导光通道和非偏振导光通道引导的多路光信号得到的。
显示屏屏幕通常具有偏振特性，其偏振方向与显示屏屏幕水平(或竖直)向的夹角呈一定角度，例如45度或135度。显示屏屏幕的偏振特性使得携带指纹信息的光信号会随着入射面与屏幕偏振方向的夹角不同而不同。当入射面平行于屏幕偏振方向时光信号强度最大，当入射面垂直于屏幕偏振方向时信号量最小。换句话说，沿着屏幕偏振方向可以最佳收光，垂直于屏幕偏振方向收光最差。
由于显示屏屏幕的偏振特征，偏振导光通道引导的光信号强度大于非偏振导光通道引导的光信号强度，因此与偏振导光通道和非偏振导光通道对应的感光区域接收到的光信号强度存在差异，这进而使得根据光信号生成的指纹数据之间也存在不同，换言之，不同指纹数据携带的信息存在差异。基于这些指纹数据可以确定用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息。由此，基于这些指纹特征信息，可以确定待检测指纹为真指纹或2.5D假指纹。
S302、将指纹特征信息输入预先训练的决策树模型，得到用于指示待检测指纹为真指纹的得分。
其中，决策树模型是根据指纹样本集合中每个指纹样本的指纹特征信息以及每个指纹样本的真伪结果训练得到的。每个指纹样本的指纹特征信息与待检测指纹的指纹特征信息具有相同的特征类型。例如，指纹特征信息的特征类型包括用于指示指纹的均匀性的变异系数(包括脊线变异系数和谷线变异系数)、用于指示指纹的偏振特性的信号强度比、用于指示指纹的灰度分布特性的灰度相似度，或其任意组合。应理解，此处的指纹特征信息的特征类型进行举例说明，本实施例不限于此。
指纹样本集合中的指纹样本例如可以包括在各种场景下的真手指和假手指，例如、在低温场景、高温场景、常温场景、油污状态下的真手指和假手指、干手指和/或湿手指灯。相应地，指纹样本的指纹特征信息为根据各种场景下的指纹样本对应的指纹数据确定的指纹特征信息。
在训练决策树模型时，可以将指纹特征信息的每个特征类型看作一个决策节点，使用每个决策节点对指纹样本进行分类，由此训练生成的决策树模型，该决策树模型可以包括与每个特征类型对应的判断阈值和权重。
在进行指纹识别时，将根据待检测指纹对应的指纹数据生成的指纹特征信息输入到预先训练的决策树模型，预先训练的决策树模型根据预先确定的判断阈值和权重，生成待检测指纹的得分。
例如，若指纹特征信息的特征类型包括脊线变异系数、谷线变异系数、信号强度比和灰度相似度，在训练决策树模型时，可以提取指纹样本集合中的每个指纹样本对应的脊线变异系数、谷线变异系数、信号强度比和灰度相似度作为指纹样本对应的指纹特征信息，将所提取的每个指纹样本的指纹特征信息和每个指纹样本对应的真伪结构输入决策树模型进行训练，得到训练的预测模型，该训练的预测模型包括脊线变异系数对应的第一判断阈值和第一权重、谷线变异系数对应的第二判断阈值和第二权重、信号强度比对应的第三判断阈值和第三权重、以及灰度相似度对应的第四判断阈值和第四权重。在对待检测指纹进行识别时，可以提取待检测指纹的脊线变异系数、谷线变异系数、信号强度比和灰度相似度，训练的决策树模型根据待检测指纹的脊线变异系数与第一判断阈值的比较结果、待检测指纹的脊线变异系数与第二判断阈值的比较结果、待检测指纹的信号强度比与第三判断阈值的比较结果、待检测指纹的灰度相似度与第四判断阈值的比较结果，以及各个判断条件对应的权重确定用于指示待检测指纹为真指纹的得分。
S303、根据所述得分和预设指纹阈值的比较结果，确定待检测指纹的真伪。
具体地，当待检测指纹的得分大于预设指纹阈值时，确定待检测指纹为真指纹。当待检测指纹的得分小于预设指纹阈值时，确定待检测指纹为假指纹。
其中，预设指纹阈值可以根据用户的安全级别要求进行灵活设置，例如在安全级别要求较低的应用场景中，例如在通过指纹验证对电子设备进行解锁的应用场景中，可以将预设指纹阈值设置得相对较低，例如0.5。而在安全级别要求较高的应用场景中，例如在通过指纹验证进行费用支付的应用场景中，可以将预设指纹阈值设置得相对较高，例如0.7。
本申请实施例中，由于多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道，根据多光路结构引导的多路光信号对应的指纹数据可以确定出用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息，通过将该特征信息输入预先训练的决策树模型，并将决策树模型输出的用于指示待检测指纹为真指纹的得分与预设指纹阈值的比较结果，可以确定待检测指纹是真指纹还是具有三维深度特征的假指纹，提高了指纹检测的安全性。
基于图3所示的实施例，进一步地，本申请实施例提供了另一指纹识别方法，如图4所示，该指纹识别方法包括：
S401、利用第一预设数据组和第二预设数据组对待检测指纹对应的指纹原始数据进行正则化处理，得到指纹数据。
其中，第一预设数据组和第二预设数据组分别是在指纹传感器的校准阶段获取、用于标定指纹传感器的指纹原始数据的数据组。
指纹原始数据可以包括N组指纹原始数据，N为大于或等于2的正整数。N的具体大小与多光路结构中的每个导光通道组包含的偏振导光通道和非偏振导光通道的数量有关。N组指纹原始数据可以是多光路结构中的部分或全部偏振导光通道和非偏振导光通道引导的多路光信号得到的且未经过正则化处理的指纹数据。
在进行屏下指纹识别时，显示屏的发光层会向置于显示屏上的手指发射屏幕光信号，该屏幕光信号在显示屏与指纹谷空气层的交界面处、指纹谷处和指纹脊处发生反射，反射的光线进入显示屏内经过多次折射、反射和衍射等被指纹传感器接收。此外，显示屏的发光层发射的屏幕光信号中有一部分光信号(也称为屏幕漏光)直接向下经过多次折射、反射和衍射等被指纹传感器接收。指纹传感器根据接收到的光信号生成指纹原始数据，由于指纹脊与指纹谷的光反射率不同，使得生成的指纹原始数据可以反映指纹脊和指纹谷。然而，该指纹原始数据不仅包括指纹信息，还包括显示屏背景噪声(例如屏幕漏光)等干扰信息(在下文中，也称为底噪)，各个指纹传感器的底噪不同。为了消除由于指纹传感器的底噪差异对指纹原始数据的影响，因此对指纹原始数据进行正则化处理。具体地，使用在指纹传感器的校准阶段获取第一预设数据组和第二预设数据组对原始指纹数据进行正则化处理，该第一预设数据组和第二预设数据组通常可以存储在指纹传感器校准阶段生成的base文件中。
第一预设数据组可以是在指纹传感器的校准阶段利用肉色平头指纹模型51来模拟用户的手指而获取的数据组。肉色平头指纹模型51用于模拟无指纹的用户手指，即肉色平头指纹模型51相当于全是指纹谷的手指。如图5a所示，在获取第一预设数据组时，可以将肉色平头指纹模型51按压在指纹采集区域上(即指纹传感器对应的显示屏12的局部区域)，指纹传感器根据接收到的光信号确定第一预设数据组。由于肉色平头指纹模型51相当于全是指纹谷的手指，因此，第一预设数据组不仅包含有与肉色平头指纹模型51的中央凹面反射的光有关的信息，还包括显示屏12的背景噪声(例如显示屏12的漏光信息)等干扰信息。
第二预设数据组可以是在指纹传感器的校准阶段利用黑色平头指纹模型52模拟用户的手指而获取的数据组。黑色平头指纹模型52用于模拟没有手指触摸的按压状态。如图5b所示，在获取第二指纹数据组时，可以将黑色平头指纹模型52按压在指纹采集区域，指纹传感器根据接收到的光信号确定第二预设数据组。由于黑色平头指纹模型52会吸收向显示屏上方透射的光，因此，第二指纹数据仅包括显示屏的背景噪声(例如显示屏12的漏光信息)等干扰信息，即仅包括指纹传感器的底噪。
将第一预设数据组减去第二预设数据组，可以得到不包含底噪的指纹数据。本实施例中利用第一预设数据组和第二预设数据组对待检测指纹对应的指纹原始数据进行正则化处理，由此消除不同指纹传感器的底噪对指纹数据的影响，提高指纹识别的准确度。下面以对N组指纹原始数据中的一组指纹原始数据进行正则化处理为例，对一种可能的正则化处理方式进行说明。
此处，为了便于描述，可以将第一预设数据组和第二预设数据组分别表示为H_Flesh和H_black，将待检测指纹的一组指纹原始数据表示为Rawdata，并且假设H_Flesh、H_black和Rawdata均包含T个数据，其中，T为指纹传感器采集到的指纹数据的大小，例如可以为120×120。若该组指纹原始数据中的任一指纹原始数据表示为Rawdata(t)，第一预设数据组和第二预设数据组中与Rawdata(t)对应的数据表示为H_Flesh(t)和H_black(t)，其中，1≤t≤T，则可以通过正则化公式(1)计算出与Rawdata(t)对应的指纹数据Ndata(t)。该正则化公式(1)可以表示为：
Ndata(t)＝(Rawdata(t)-H_black(t))/(H_Flesh(t)-H_black(t))
以此方式，可以计算出一组指纹原始数据对应的指纹数据。需要说明的是，此处的计算方式仅是为了说明正则化处理的具体原理，在实际计算时可以利用矩阵运算，提高处理速度。
应理解，上述正则化处理的实现方式仅是一种示例，本实施例对正则化处理的具体实现方式不做限定，也可以利用第一预设数据组和第二预设数据组通过其他合适的正则化处理方式对指纹原始数据进行正则化处理。
S402、根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息。
本实施例中，指纹数据包括N组指纹数据，可以直接根据待检测指纹的N组指纹数据来确定待检测指纹的指纹特征信息。然而，由于指纹数据分别是根据不同导光通道引导的多路光信号得到的，不同导光通道对应的感光区域接收到的光信号角度不同，因此生成的N组指纹数据及对应的N个指纹图像之间会存在一定的偏移量。
为了提高提取的指纹特征信息的准确度，可选的，如图4所示，在一种可能的实现方式中，根据待检测指纹对应的指纹数据，确定用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息，包括：
S4021、根据N组指纹数据生成对应的N个指纹图像；
例如，可以对N组指纹数据进行图像最大最小值量化处理，将N组指纹数据规范化至图像的灰度级范围，例如0～255之间，以生成对应的N个指纹图像。应理解，为了提高指纹图像清晰度，在根据指纹数据生成指纹图像时还可以包括其他图像处理过程，本实施例对此不做限定。
S4022、根据N个指纹图像中的任意两个指纹图像之间的指纹公共区域，确定待使用的指纹公共区域；
本实施例中，在确定待使用的指纹公共区域之前需要根据N个指纹图像中的任意两个指纹图像之间的偏移量，确定N个指纹图像中的任意两个指纹图像之间的指纹公共区域。
例如，在N为1时，根据两个指纹图像之间的偏移量，可以确定一个指纹公共区域；在N为2时，根据四个指纹图像中两两之间的偏移量，总共可以确定六个指纹公共区域。
指纹公共区域是指相应两个指纹图像的共有部分。各个指纹公共区域的大小相同。例如，指纹图像的大小为120×120，指纹公共区域的大小可以为100×100。N个指纹图像中任意两个指纹图像之间的偏移量与对应的感光区域接收到的光信号的方向有关，两个指纹图像可以仅在水平方向上发生偏移，也可以仅在垂直方向发生偏移，或者也可以在水平和垂直方向上均发生偏移。
下面参照图6a和图6b来具体说明确定两个指纹图像之间的指纹公共区域的过程。为了便于描述，下文中在以指纹图像的左下角的坐标为圆心，以水平方向为X轴，以垂直方向为Y轴的坐标系中表示两个指纹图像之间的偏移量。
参照图6a，在确定指纹图像I1和指纹图像I2之间的指纹公共区域时，首先，在指纹图像I1中确定参考特征点A，然后，在指纹图像I2中进行匹配，确定与指纹图像I1中的参考特征点A对应的目标特征点A’。如图6a所示，指纹图像I1中的目标特征点A’与指纹图像I2中的参考特征点A在x方向上未发生偏移，在y方向上，目标特征点A’相对于参考特征点A偏移△y。根据指纹图像I1和指纹图像I2在y方向上的偏移量△y，可以在指纹图像I2中分割出指纹图像I1和指纹图像I2之间的指纹公共区域，如图6a右下角的实线框所示的区域。应理解，根据指纹图像I1和指纹图像I2在y方向上的偏移量△y，也可以在指纹图像I1中分割出指纹图像I1和指纹图像I2之间的指纹公共区域(未示出)。
参照图6b，在确定指纹图像I1和指纹图像I3之间的公共区域时，以与图6a相同的方式，首先，在指纹图像I1中确定参考特征点A，然后，在指纹图像I3中进行匹配，确定与指纹图像I1中的参考特征点A对应的目标特征点A”。如图6b所示，指纹图像I1中的目标特征点A’与指纹图像I3中的参考特征点A”在x方向上偏移△x，在y方向上未发生偏移。因此，根据指纹图像I1和指纹图像I2在x方向上的偏移量△x，可以在指纹图像I1中分割出指纹图像I1和指纹图像I3之间的指纹公共区域，如图6b右下角实线框所示的区域。应理解，根据指纹图像I1和指纹图像I3在x方向上的偏移量△x，也可以在指纹图像I1中分割出指纹图像I1和指纹图像I3之间的指纹公共区域(未示出)。
需要注意的是，图6a和图6b的实施例分别仅示出了3个参考特征点进行说明，在实际应用中，参考特征点的数量可以根据实际需要进行设置。此外，应理解，以相同的方式还可以确定在X轴和Y轴方向上均存在偏移的两个指纹图像的公共区域。为了简洁起见，此处不再赘述。
在确定N个指纹图像中的任意两个指纹图像之间的指纹公共区域之后，可以从所确定的指纹公共区域中选择至少一个指纹公共区域作为待使用的指纹公共区域。
待使用的指纹公共区域可以是所确定的指纹公共区域中的任意选择指纹公共区域。可选的，在一种可选的实现方式中，待使用的指纹公共区域为包含所述偏振导光通道对应的第一指纹图像部分，且，包含所述非偏振导光通道对应的第二指纹图像部分的指纹公共区域。由于偏振导光通道引导的光信号的强度与非偏振导光通道的引导的光信号的强度存在较大差异，相应地，第一指纹图像部分对应的指纹数据和第二指纹图像部分对应的指纹数据的区分度较大，因此根据该待使用的指纹公共区域可以更好地提取指纹特征信息。
S4023、根据待使用的指纹公共区域确定指纹特征信息。
具体地，根据指纹特征信息的特征类型不同，可以根据待使用的指纹公共区域的像素数据和/或对应的指纹数据来确定指纹特征信息。
可选地，在本申请的一种实施例中，如图8所示，根据待使用的指纹公共区域确定指纹特征信息，包括：
S801、对待使用的指纹公共区域中的脊线和谷线进行识别，确定待使用的指纹公共区域中的指纹脊线和指纹谷线。
S802、根据指纹脊线对应的指纹数据确定脊线变异系数，并且根据指纹谷线对应的指纹数据确定谷线变异系数。
其中，脊线变异系数用于指示待检测指纹的脊线的均匀性，谷线变异系数用于指示待检测指纹的谷线的均匀性。
具体地，根据指纹脊线对应的指纹数据，计算脊线标准差stdv和脊线平均值avgv，并且根据指纹谷线对应的指纹数据，计算谷线标准差stdr和谷线平均值avgr；将脊线标准差与脊线平均值之比作为脊线变异系数并且将谷线标准差与谷线平均值之比作为谷线变异系数/>
S803、将脊线变异系数和谷线变异系数确定为指纹特征信息。
本实施例中，由于2.5D假指纹受成型(mold)工艺的影响，指纹谷线和指纹脊线的一致性较高，因此，指纹传感器针对2.5D假指纹获取到的指纹脊谷线对应的指纹数据的波动性小于针对真手指获取到的指纹脊谷线对应的指纹数据的波动性。具体地，如图7中指纹剖面图中左下角的图所示，2.5D假指纹中脊线高度和谷线深度均一致，因此2.5D的脊线和谷线的均匀性较好，相应地，用于2.5D假指纹的脊线变异系数和谷线变异系数较小。而如图7中指纹剖面图中右下角的图所示，真指纹中，每条脊线中间最高，并且朝向两侧逐渐变小，每条谷线中间最低，并且朝向两侧逐渐升高，因此真指纹的脊线和谷线的均匀性较差，由此真指纹的脊线变异系数和谷线变异系数较大。
由于真指纹的脊线变异系数和谷线变异系数大于2.5D假指纹的脊线变异系数和谷线变异系数，在确定了待检测指纹对应的脊线变异系数和谷线变异系数之后，将该脊线变异系数和谷线变异系数分别与相应的第一预设阈值进行比较，若大于第一预设阈值，则表示待检测指纹为真指纹，若小于第一预设阈值，则表示待检测指纹为假指纹。
需要说明的是，每个指纹公共区域对应有两组指纹数据，例如，第k个指纹图像与第p个指纹图像的指纹公共区域对应的指纹数据包括第k个指纹图像中的指纹公共区域对应的指纹数据和第p个指纹图像中的指纹公共区域对应的指纹数据。因此，在确定脊线变异系数和谷线变异系数时，可以选择待使用的指纹公共区域对应的两组指纹数据中任意一组或两组指纹数据来确定脊线变异系数和谷线变异系数。
例如，若待使用的指纹公共区域为第k个指纹图像与第P个指纹图像之间的指纹公共区域，在一种可能的实现方式中，可以根据第k个指纹图像中的指纹公共区域对应的指纹数据和第p个指纹图像中的指纹公共区域对应的指纹数据中任一组数据来确定脊线变异系数和谷线变异数据作为指纹特征信息，以减少计算量。
又例如，若待使用的指纹公共区域为第k个指纹图像与第P个指纹图像之间的指纹公共区域，并且第k个指纹图像为偏振导光通道引导的光信号对应的指纹图像，第p个指纹图像为非偏振导光通道对应的光信号引导的指纹图像，则在另一种可能的实现方式中，可以根据第k个指纹图像中的指纹公共区域对应的指纹数据和第p个指纹图像中的指纹公共区域对应的指纹数据来分别确定脊线变异系数和谷线变异系数作为指纹特征信息，以提高指纹识别的准确度。为了便于描述，将所确定的脊线变异系数和谷线变异系数分别称为第一脊线变异系数、第一谷线变异系数、第二脊线变异系数和第二谷线变异系数。
具体地，根据第k个指纹图像中的指纹公共区域中的指纹脊线对应的指纹数据，计算第一脊线标准差和第一脊线平均值。根据第k个指纹图像中的指纹公共区域中的指纹谷线对应的指纹数据，计算第一谷线标准差和第一谷线平均值。将第一脊线标准差与第一脊线平均值之比作为第一脊线变异系数，并且将第一谷线标准差与第一谷线平均值之比作为第一谷线变异系数。
根据第p个指纹图像中的指纹公共区域中的指纹脊线对应的指纹数据，计算第二脊线标准差和第二脊线平均值。根据第p个指纹图像中的指纹公共区域中的指纹谷线对应的指纹数据，计算第二谷线标准差和第二谷线平均值。将第二脊线标准差与第二脊线平均值之比作为第二脊线变异系数，并且将第二谷线标准差与第二谷线平均值之比作为第二谷线变异系数。
由于偏振导光通道引导的光信号的强度高于非偏振导光通道引导的光信号的强度，因此第k个指纹图像中的指纹公共区域对应的指纹数据和第p个指纹图像中的指纹公共区域对应的指纹数据存在非线性差异并且数据区分度不同，根据存在非线性关系且数据区分度不同的两组指纹数据分别确定脊线变异系数和谷线变异系数作为指纹特征信息，可以更好地识别待检测指纹为真指纹或2.5D假指纹，进而提高指纹检测的准确度。
此外，由于空气的折射率n1＝1，真指纹的折射率n2＝1.3，显示屏的屏幕的折射率n3＝1.4。真指纹相对于显示屏的屏幕为光疏介质，相应地，显示屏的屏幕相对于真指纹为光密介质。如图9所示，当真指纹按压在显示屏的指纹采集区域以用于指纹识别时，显示屏13的发光层发射包括有S波和P波的屏幕光信号，该屏幕光信号在显示屏13与指纹谷空气层的交界面处、指纹谷线112处和指纹脊线111处发生反射。具体地，真指纹的指纹脊线与显示屏的屏幕接触时，光从光疏介质到光密介质，真指纹的相对折射率为0.92。根据菲涅尔定律，S波的反射率Rs～＝0.116％，P波的反射率Rp～＝1.14％。
2.5D假指纹的制作材料通常为白胶、木胶、黑胶、硅胶、美缝剂、油漆或眀胶等，其折射率n4＝1.6～1.8，这与真指纹的折射率差异较大。对于2.5D假指纹而言，2.5D假指纹相对于显示屏的屏幕为光密介质，相应地，显示屏的屏幕相对于2.5D假指纹为光疏介质。当2.5D手指按压在显示屏的指纹采集区域以用于指纹识别时，2.5D假指纹的指纹脊线与显示屏的屏幕接触，光从光疏介质到光密介质，2.5D假指纹的相对折射率1.21。假设2.5D假指纹的折射率n4＝1.7，根据菲涅尔原理，此时S波的反射率Rs和P波的反射率均趋于0.02％。因此，真指纹与2.5D假指纹在指纹脊线处的反射光信号的强度存在差异。
同时，由于从显示屏上返回的光信号中的S波被显示屏内的偏振单元过滤。如图9所示，对于真指纹而言，由于S波的反射率Rs～＝0.116％，P波的反射率Rp～＝1.14％，偏振导光通道引导的光信号的强度大于非偏振导光通道引导的光信号的强度。然而，对于假指纹而言，由于s波的反射率Rs和P波的反射率均趋于0.02％，反射光的强度较弱，偏振导光通道引导的光信号的强度与非偏振导光通道引导的光信号的强度近似相等。因此，可以根据待检测指纹对应的非偏振导光通道引导的光信号的强度与偏振导光通道引导的光信号的强度之比作为指纹特征信息来确定待检测指纹是真指纹还是2.5D假指纹。若待检测指纹对应的非偏振导光通道引导的光信号的强度与偏振导光通道引导的光信号的强度的比值小于或大于对应的第二预设阈值，例如1，则表示待检测指纹为真指纹。相反，若待检测指纹对应的非偏振导光通道引导的光信号的强度与偏振导光通道引导的光信号的强度的比值近似等于对应的第二预设阈值，则表示待检测指纹为2.5D假指纹。
可选的，如图10所示，在本申请的一种实施例中，待使用的指纹公共区域的数量为M，M为大于或等于1的正整数，根据待使用的指纹公共区域确定指纹特征信息，包括：
S1001、根据第i个待使用的指纹公共区域包含的第一指纹图像部分对应的第一指纹数据和第i个待使用的指纹公共区域包含的第二指纹图像部分对应的第二指纹数据确定第一信号强度比，其中，i为小于或等于M的正整数。
其中，第一信号强度比用于指示待检测指纹的第一偏振特性。
S1002、将第一信号强度比确定为指纹特征信息。
具体地，在一种实现方式中，可以根据第一指纹指纹数据确定第一偏振平均值，并且根据第二指纹数据确定第一非偏振平均值；根据第一非偏振平均值与第一偏振平均值的比值确定第一信号强度比。
需要说明的是，在一种可能的实现方式中，第一非偏振平均值与第一偏振平均值的比值可以是第一非偏振平均值与第一偏振平均值之比，可选的，在另一种可能的实现方式中，第一非偏振平均值与第一偏振平均值的比值可以是第一偏振平均值与第一非偏振平均值之比。
本实施例中，由于对于真指纹而言，偏振导光通道引导的光信号的强度大于非偏振导光通道引导的光信号的强度；对于假指纹而言，偏振导光通道引导的光信号的强度与非偏振导光通道引导的光信号的强度近似相等。因此，若第一信号强度比小于或大于对应的第三预设阈值，例如1，则表示待检测指纹为真指纹。若第一信号强度比近似等于该第三预设阈值，则表示待检测指纹为2.5D假指纹。
可选的，在本申请的另一种实施例中，在待使用的指纹公共区域的数量M大于或等于2时，根据待使用的指纹公共区域确定指纹特征信息，还包括：
S1003、根据第j个待使用的指纹公共区域的指纹图像部分对应的第三指纹数据和第j个待使用的指纹公共区域的指纹图像部分对应的第四指纹数据确定第二信号强度比，其中，j为不等于i且小于或等于M的正整数。
其中，第二信号强度用于指示待检测指纹的第二偏振特性。
S1004、将第二信号强度比确定为指纹特征信息。
具体地，在一种实现方式中，可以根据第三指纹数据确定第二偏振平均值；根据第四指纹数据确定第二非偏振平均值；根据第二偏振平均值与第二非偏振平均值的比值，确定第二信号强度比。
需要说明的是，在第一信号强度比为第一非偏振平均值与第一偏振平均值之比时，第二信号强度比为第二偏振平均值与第二非偏振平均值之比；相反，若第一信号强度比为第一偏振平均值与第一非偏振平均值之比，第二信号强度比为第二非偏振平均值与第二偏振平均值之比。
本实施例中，由于对于真指纹而言，偏振导光通道引导的光信号的强度小于或大于非偏振导光通道引导的光信号的强度；对于假指纹而言，偏振导光通道引导的光信号的强度与非偏振导光通道引导的光信号的强度近似相等。因此，对于真指纹而言，第一信号强度比小于对应第三预设阈值，且第二信号强度比大于对应第四预设阈值，或者第一信号强度比大于对应第三预设阈值，且第二信号强度比小于对应第四预设阈值。对于假指纹而言，第一信号强度比近似等于第三预设阈值，并且第二信号强度比近似等于第四预设阈值。通过结合第一信号强度比和第二信号强度比，可以更好地区分真指纹和2.5D假指纹，由此提高指纹检测的准确度。
可选地，在本申请的一种实施例中，根据待使用的指纹公共区域确定指纹特征信息包括：
S1101、根据待使用的指纹公共区域的像素数据，确定待使用的指纹公共区域对应的哈希值列表。
S1102、根据待使用的指纹公共区域对应的哈希值列表之间的汉明距离，确定灰度相似度。其中，灰度相似度用于指示待检测指纹的灰度分布特性。
S1103、将灰度相似度确定为指纹特征信息。
参照图12a至12b，图12a示出了示例性真指纹的指纹图像对应的灰度分布。可以看出，真指纹的灰度在0～255之间有明显的广泛分布。然而，受到成型工艺的影响，2.5D假指纹的指纹脊线和指纹谷线的一致性较高，相应地，2.5D假指纹的指纹脊线和指纹谷线的均匀度较高。如图12b所示，图12b示出了示例性假指纹的指纹图像对应的灰度分布，可以看出，假指纹的灰度分布集中。例如，如图12b所示，假指纹的灰度分布于0～190之间，并且主要集中于70～125之间。基于真指纹和2.5D假指纹的指纹图像在灰度级上的差异，可以利用灰度相似度来表征待检测指纹的灰度分布特性，根据灰度相似度来区分真指纹和2.5D假指纹。
具体地，待使用的指纹公共区域可以是N个指纹图像中的两两之间的指纹公共区域中的所有指纹公共区域或一部分指纹公共区域。每个待使用的指纹公共区域对应有两个指纹图像。根据每个待使用的指纹公共区域的像素数据，可以确定两个哈希值列表。
可选的，哈希值列表可以包括均值哈希值列表和/或差值哈希值列表。均值哈希值列表和/或差值哈希值列表的具体获取方法，可以参考图像领域中常用的ahash和dhash算法。
以哈希值列表为均值哈希值列表为例，可以根据每个指纹公共区域的像素数据，获取对应的像素平均值；将该指纹公共区域中的每个像素数据与对应的像素平均值进行比较，若大于或等于对应的像素平均值，则将对应的哈希值列表中的值设置为1，若小于对应的像素平均值，则将对应的哈希值列表中的值设置为0。
在确定待使用的指纹公共区域对应的两个哈希值列表之后，可以计算两个哈希值列表之间的汉明距离，作为灰度相似度。
本实施例中，由于2.5D假指纹的指纹脊线和指纹谷线的均匀度较高，对应的指纹图像灰度分布较为集中，因此，根据2.5D假指纹的指纹图像计算的汉明距离较小，相应地，2.5D假指纹对应的灰度相似度较高。相反，真指纹的指纹脊线和指纹谷线的均匀度低于2.5D假指纹，对应的指纹图像灰度分布较为广泛，因此，根据真指纹的指纹图像计算的汉明距离较大，相应地，真指纹的灰度相似度较低。在获取到待检测指纹的灰度相似度之后，可以将该灰度相似度与对应的预设阈值进行比较，若小于所述预设阈值，则表示灰度相似度较高，可以确定待检测指纹为2.5D假指纹，若高于所述预设阈值，则表示灰度相似度较低，可以确定待检测指纹为真指纹。
应理解，为了提高计算速度，在根据待使用的指纹公共区域的像素数据，确定该公共区域对应的哈希列表之前，还可以包括对待使用的指纹公共区域进行其他图像处理，例如，对待使用的指纹公共区域进行缩放，根据处理后的指纹公共区域，确定待使用的指纹公共区域对应的哈希值列表。
为了便于理解，下面以待使用的指纹公共区域为第k个指纹图像和第p个指纹图像之间的指纹公共区域，并且灰度相似度为aHash相似度为例对确定灰度相似度的方法进行详细说明。具体地，该方法包括：
S1201a、对第k指纹图像的指纹公共区域进行图像缩放；
例如，第k指纹图像的指纹公共区域的大小为100×100，缩放后的指纹公共区域的大小为60×60，通过对指纹公共区域进行图像缩放，可以减少计算的数据量，提高处理速度。
S1202a、计算缩放后的第k个指纹图像的指纹公共区域的像素数据的像素平均值。
S1203a、将缩放后的第k个指纹图像的指纹公共区域的像素数据与像素平均值进行比较，若像素数据大于或等于像素平均值，则将第k指纹图像对应的第一哈希值列表中的相应值设置为1。若像素数据大于或等于像素平均值，则将第一哈希值列表中的相应值设置为0。
以相同的方式，通过S1201b、S1202b和S1203b对第p指纹图像进行处理，得到第p指纹图像对应的第二哈希值列表。S1201a、S1202a和S1203a分别与S1201b、S1202b和S1203b的处理方式类似，此处不再赘述。此外，S1201a和S1201b，S1202a和S1202b，以及S1203a和S1203b可以并行执行，本申请对此不做限定。
S1205、计算第一哈希值列表和第二哈希值列表之间的汉明距离，以作为第k指纹图像和第p指纹图像之间的灰度相似度。
若S1205中计算得到的汉明距离越小，则表示第k指纹图像和第p指纹图像之间的灰度相似度越高，与该第k指纹图像和第p指纹图像对应的待检测指纹为2.5D假指纹的概率越高。相反，与该第k指纹图像和第p指纹图像对应的待检测指纹为真指纹的概率越高。
以相同的方式，可以计算N个指纹图像中其他任意两个指纹图像之间的灰度相似度作为指纹特征信息，本申请对此不做限定。
S403、根据指纹特征信息作为预先训练的决策树模型的输入，得到待检测指纹的得分。
需要说明的是，本实施例中根据待检测指纹的2N组指纹数据获取的指纹特征信息例如可以包括第一脊线变异系数、第一谷线变异系数、第一脊线变异系数、第一谷线变异系数、第一信号强度比、第二信号强度比、灰度相似度或其任意组合，本实施例对此不做限定。
S404、根据待检测指纹的得分和预设指纹阈值的比较结果，确定待检测指纹的真伪。
上述步骤S403和S404与图3所示实施例的S302和S303的工作原理相同，此处不再赘述。
本申请实施例中，通过由于多光路结构包括在感光区域所在平面上的投影平行于屏幕偏振方向的N个偏振导光通道和垂直于屏幕偏振方向的N个非偏振导光通道，根据多光路结构引导的2N路光信号对应2N组指纹数据可以确定诸如脊线变异系数、谷线变异系数、第一信号强度比、第二信号强度比和/或灰度相似度等可用于确定待检测指纹为真指纹或2.5D假指纹的指纹特征信息，通过将该特征信息输入预先训练的决策树模型，并将决策树模型输出的用于指示待检测指纹为真指纹的得分与预设指纹阈值的比较结果，可以确定待检测指纹是真指纹还是具有三维深度特征的假指纹，提高了指纹检测的安全性。
图13为本申请实施例还提供了一种指纹识别装置，该指纹识别装置用于执行上述任意方法实施例提供的指纹识别方法。如图13所示，该指纹识别装置包括：
特征提取模块1301，用于根据待检测指纹对应的指纹数据，确定用于指示待检测指纹的脊谷线特征和偏振特性的指纹特征信息，其中，指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道；
得分计算模块1302，用于将指纹特征信息输入至预先训练的决策树模型，得到用于指示待检测指纹为真指纹的得分；
真伪指纹确定模块1303，用于根据得分和预设指纹阈值的比较结果，确定待检测指纹的真伪。
可选的，在本申请的一种实施例中，该指纹识别装置还包括数据正则化模块，用于利用第一预设数据组和第二预设数据组对待检测指纹的指纹原始数据进行正则化处理，得到指纹数据，其中，第一预设数据组和第二预设数据组是在指纹传感器的校准阶段获取的、用于标定指纹传感器的指纹原始数据的数据组。
可选的，在本申请的一种实施例中，待检测指纹对应的指纹数据包括N组指纹数据，特征提取模块1301进一步用于：
根据N组指纹数据生成对应的N个指纹图像；
根据N个指纹图像中的任意两个指纹图像之间的指纹公共区域，确定待使用的指纹公共区域；
根据待使用的指纹公共区域确定指纹特征信息。
可选的，在本申请的一种实施例中，待使用的指纹公共区域为包含偏振导光通道对应的第一指纹图像部分，且，包含非偏振导光通道对应的第二指纹图像部分的指纹公共区域。
可选的，在本申请的一种实施例中，特征提取模块1301进一步用于：
对待使用的指纹公共区域中的脊线和谷线进行识别，确定该指纹公共区域中的指纹脊线和指纹谷线；
根据指纹脊线对应的指纹数据确定脊线变异系数，并且根据指纹谷线对应的指纹数据确定谷线变异系数；
将脊线变异系数和谷线变异系数确定为指纹特征信息。
可选的，在本申请的一种实施例中，特征提取模块1301进一步用于：
根据指纹脊线对应的指纹数据，计算脊线标准差和脊线平均值，并且根据指纹谷线对应的指纹数据，计算谷线标准差和谷线平均值；
根据脊线标准差与脊线平均值之比，确定脊线变异系数，并且根据谷线标准差与谷线平均值之比，确定谷线变异系数。
可选的，在本申请的一种实施例中，待使用的指纹公共区域的数量为M，M为大于或等于1的正整数，特征提取模块1301进一步用于：
根据第i个待使用的指纹公共区域包含的第一指纹图像部分对应的第一指纹数据和第i个待使用的指纹公共区域包含的第二指纹图像部分对应的第二指纹数据确定第一信号强度比，其中，i为小于或等于M的正整数，第一信号强度比用于指示待检测指纹的第一偏振特性。
将第一信号强度比确定为指纹特征信息。
可选的，在本申请的一种实施例中，特征提取模块1301具体用于：
根据第一指纹数据确定第一偏振平均值，并且根据第二指纹数据确定第一非偏振平均值；
根据第一非偏振平均值与第一偏振平均值的比值，确定第一信号强度比。
可选的，在本申请的一种实施例中，在待使用的指纹公共区域的数量M大于或等于2时，特征提取模块1301进一步用于：
根据第j个待使用的指纹公共区域的第一指纹图像部分对应的第三指纹数据和第j个待使用的指纹公共区域的第二指纹图像部分对应的第四指纹数据确定第二信号强度比，其中，j为不等于i且小于或等于M的正整数，第二信号强度用于指示待检测指纹的第二偏振特性；
将第二信号强度比确定为指纹特征信息。
可选的，在本申请的一种实施例中，特征提取模块1301进一步用于：
根据第三指纹数据确定第二偏振平均值，并且根据第四指纹数据确定第二非偏振平均值；
根据第二偏振平均值与第二非偏振平均值的比值，确定第二信号强度比。
可选的，在本申请的一种实施例中，特征提取模块1301进一步用于：
根据待使用的指纹公共区域的像素数据，确定待使用的指纹公共区域对应的哈希值列表；
根据待使用的指纹公共区域对应的哈希值列表之间的汉明距离，确定灰度相似度，灰度相似度用于指示待检测指纹的灰度分布特性；
将灰度相似度确定为指纹特征信息。
可选的，在本申请的一种实施例中，哈希值列表包括均值哈希列表和/或差分哈希值列表。
本实施例提供的指纹识别装置用于实现前述方法实施例提供的指纹识别方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的指纹识别装置中的各个模块的功能实现均可参照前述实施例的相应部分的描述，在此亦不再赘述。
本申请实施例还提供了一种电子设备，处理器、存储器、显示屏、触摸控制模块、以及指纹识别装置；
存储器用于存储计算机程序；
指纹识别装置包括光学图像采集模块，光学图像采集模块中包括像素阵列；
所述处理器执行所述存储器存储的所述计算机程序，使得电子设备执行前述任一方法实施例提供所述的指纹识别方法。
处理器可以包括中央处理器(CPU，单核或者多核)，图形处理器(GPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器，或者多个用于控制程序执行的集成电路。
存储器可以包括只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以包括电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立设置的，也可以和处理器集成在一起。
在具体实现中，作为一种实施例，处理器可以包括一个或多个CPU。在具体实现中，作为一种实施例，上述电子设备可以包括多个处理器。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
电子设备的具体执行过程可参见本申请任意方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本申请实施例还提供了一种存储介质，其包括可读存储介质和计算机程序，计算机程序存储在可读存储介质中，该计算机程序用于实现前述任意方法实施例提供的指纹识别方法。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (18)

1.一种指纹识别方法，其特征在于，包括：
根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息，其中，所述指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，所述多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道；
将所述指纹特征信息输入至预先训练的决策树模型，得到用于指示所述待检测指纹为真指纹的得分；
根据所述得分和预设指纹阈值的比较结果，确定所述待检测指纹的真伪；
所述方法还包括：利用第一预设数据组和第二预设数据组对所述待检测指纹的指纹原始数据进行正则化处理，得到所述指纹数据，其中，所述第一预设数据组和所述第二预设数据组是在所述指纹传感器的校准阶段获取的、用于标定所述指纹传感器的指纹原始数据的数据组；
所述待检测指纹对应的指纹数据包括N组指纹数据，N为大于或等于2的正整数；
所述根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息，包括：
根据所述N组指纹数据生成对应的N个指纹图像；
根据所述N个指纹图像中的任意两个指纹图像之间的指纹公共区域，确定待使用的指纹公共区域；
根据所述待使用的指纹公共区域确定所述指纹特征信息；
所述待使用的指纹公共区域为包含所述偏振导光通道对应的第一指纹图像部分，且，包含所述非偏振导光通道对应的第二指纹图像部分的指纹公共区域；
所述根据所述待使用的指纹公共区域确定所述指纹特征信息，包括：
对所述待使用的指纹公共区域中的脊线和谷线进行识别，确定所述待使用的指纹公共区域中的指纹脊线和指纹谷线；
根据所述指纹脊线对应的指纹数据确定脊线变异系数，并且根据所述指纹谷线对应的指纹数据确定谷线变异系数；
将所述脊线变异系数和所述谷线变异系数确定为所述指纹特征信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述指纹脊线对应的指纹数据确定脊线变异系数，并且根据所述指纹谷线对应的指纹数据确定谷线变异系数，包括：
根据所述指纹脊线对应的指纹数据，计算脊线标准差和脊线平均值，并且根据所述指纹谷线对应的指纹数据，计算谷线标准差和谷线平均值；
根据所述脊线标准差与所述脊线平均值之比，确定所述脊线变异系数，并且根据所述谷线标准差与所述谷线平均值之比，确定所述谷线变异系数。
3.根据权利要求1所述的方法，其特征在于，所述待使用的指纹公共区域的数量为M，M为大于或等于1的正整数，所述根据所述待使用的指纹公共区域确定所述指纹特征信息，包括：
根据第i个所述待使用的指纹公共区域包含的第一指纹图像部分对应的第一指纹数据和第i个所述待使用的指纹公共区域包含的第二指纹图像部分对应的第二指纹数据确定第一信号强度比，其中，i为小于或等于M的正整数，所述第一信号强度比用于指示所述待检测指纹的第一偏振特性；
将所述第一信号强度比确定为所述指纹特征信息。
4.根据权利要求3所述的方法，其特征在于，所述根据第i个所述待使用的指纹公共区域包含的第一指纹图像部分对应的第一指纹数据和第i个所述待使用的指纹公共区域包含的第二指纹图像部分对应的第二指纹数据确定第一信号强度比包括：
根据所述第一指纹数据确定第一偏振平均值，并且根据所述第二指纹数据确定第一非偏振平均值；
根据所述第一非偏振平均值与所述第一偏振平均值的比值，确定所述第一信号强度比。
5.根据权利要求3所述的方法，其特征在于，在所述待使用的指纹公共区域的数量M大于或等于2时，所述根据所述待使用的指纹公共区域确定所述指纹特征信息，还包括：
根据第j个所述待使用的指纹公共区域的第一指纹图像部分对应的第三指纹数据和第j个所述待使用的指纹公共区域的第二指纹图像部分对应的第四指纹数据确定第二信号强度比，其中，j为不等于i且小于或等于M的正整数，所述第二信号强度用于指示所述待检测指纹的第二偏振特性；
将所述第二信号强度比确定为所述指纹特征信息。
6.根据权利要求5所述的方法，其特征在于，所述根据第j个所述待使用的指纹公共区域的第一指纹图像部分对应的第三指纹数据和第j个所述待使用的指纹公共区域的第二指纹图像部分对应的第四指纹数据确定所述第二信号强度比，包括：
根据所述第三指纹数据确定第二偏振平均值，并且根据所述第四指纹数据确定第二非偏振平均值；
根据所述第二偏振平均值与所述第二非偏振平均值的比值，确定所述第二信号强度比。
7.根据权利要求1所述的方法，其特征在于，所述根据所述待使用的指纹公共区域确定所述指纹特征信息包括：
根据所述待使用的指纹公共区域的像素数据，确定所述待使用的指纹公共区域对应的哈希值列表；
根据所述待使用的指纹公共区域对应的哈希值列表之间的汉明距离，确定灰度相似度，所述灰度相似度用于指示所述待检测指纹的灰度分布特性；
将所述灰度相似度确定为所述指纹特征信息。
8.根据权利要求7所述的方法，其特征在于，所述哈希值列表包括均值哈希列表和/或差分哈希值列表。
9.一种指纹识别装置，其特征在于，包括：
特征提取模块，用于根据待检测指纹对应的指纹数据，确定用于指示所述待检测指纹的脊谷线特征和偏振特性的指纹特征信息，其中，所述指纹数据是指纹传感器根据多光路结构引导的多路光信号得到的，所述多光路结构至少包括在感光区域所在平面上的投影平行于屏幕偏振方向的偏振导光通道和垂直于屏幕偏振方向的非偏振导光通道；
得分计算模块，用于将所述指纹特征信息输入至预先训练的决策树模型，得到用于指示所述待检测指纹为真指纹的得分；
真伪指纹确定模块，用于根据所述得分和预设指纹阈值的比较结果，确定所述待检测指纹的真伪；
所述装置还包括：数据正则化模块，用于：
利用第一预设数据组和第二预设数据组对所述待检测指纹的指纹原始数据进行正则化处理，得到所述指纹数据，其中，所述第一预设数据组和所述第二预设数据组是在所述指纹传感器的校准阶段获取的、用于标定所述指纹传感器的指纹原始数据的数据组；
所述待检测指纹对应的指纹数据包括N组指纹数据，N为大于或等于2的正整数；
所述特征提取模块，进一步用于：
根据所述N组指纹数据生成对应的N个指纹图像；
根据所述N个指纹图像中的任意两个指纹图像之间的指纹公共区域，确定待使用的指纹公共区域；
根据所述待使用的指纹公共区域确定所述指纹特征信息；
所述待使用的指纹公共区域为包含所述偏振导光通道对应的第一指纹图像部分，且，包含所述非偏振导光通道对应的第二指纹图像部分的指纹公共区域；
所述特征提取模块进一步用于：
对所述待使用的指纹公共区域中的脊线和谷线进行识别，确定该指纹公共区域中的指纹脊线和指纹谷线；
根据所述指纹脊线对应的指纹数据确定脊线变异系数，并且根据所述指纹谷线对应的指纹数据确定谷线变异系数；
将所述脊线变异系数和所述谷线变异系数确定为所述指纹特征信息。
10.根据权利要求9所述的装置，其特征在于，所述特征提取模块进一步用于：
根据所述指纹脊线对应的指纹数据，计算脊线标准差和脊线平均值，并且根据所述指纹谷线对应的指纹数据，计算谷线标准差和谷线平均值；
根据所述脊线标准差与所述脊线平均值之比，确定所述脊线变异系数，并且根据所述谷线标准差与所述谷线平均值之比，确定所述谷线变异系数。
11.根据权利要求9所述的装置，其特征在于，所述待使用的指纹公共区域的数量为M，M为大于或等于1的正整数，所述特征提取模块进一步用于：
根据第i个所述待使用的指纹公共区域包含的所述第一指纹图像部分对应的第一指纹数据和第i个所述待使用的指纹公共区域包含的第二指纹图像部分对应的第二指纹数据确定第一信号强度比，其中，i为小于或等于M的正整数，所述第一信号强度比用于指示所述待检测指纹的第一偏振特性；
将所述第一信号强度比确定为所述指纹特征信息。
12.根据权利要求11所述的装置，其特征在于，所述特征提取模块进一步用于：
根据所述第一指纹数据确定第一偏振平均值，并且根据所述第二指纹数据确定第一非偏振平均值；
根据所述第一非偏振平均值与所述第一偏振平均值的比值，确定所述第一信号强度比。
13.根据权利要求11所述的装置，其特征在于，在所述待使用的指纹公共区域的数量M大于或等于2时，所述特征提取模块进一步用于：
根据第j个所述待使用的指纹公共区域的第一指纹图像部分对应的第三指纹数据和第j个所述待使用的指纹公共区域的第二指纹图像部分对应的第四指纹数据确定第二信号强度比，其中，j为不等于i且小于或等于M的正整数，所述第二信号强度用于指示所述待检测指纹的第二偏振特性；
将所述第二信号强度比确定为所述指纹特征信息。
14.根据权利要求13所述的装置，其特征在于，所述特征提取模块进一步用于：
根据所述第三指纹数据确定第二偏振平均值，并且根据所述第四指纹数据确定第二非偏振平均值；
根据所述第二偏振平均值与所述第二非偏振平均值的比值，确定所述第二信号强度比。
15.根据权利要求9所述的装置，其特征在于，所述特征提取模块进一步用于：
根据每个所述指纹公共区域的像素数据，确定该指纹公共区域对应的两个哈希值列表；
根据每个所述指纹公共区域对应的两个哈希值列表之间的汉明距离，确定灰度相似度，所述灰度相似度用于指示所述待检测指纹的灰度分布特性；
将所述灰度相似度确定为所述指纹特征信息。
16.根据权利要求15所述的装置，其特征在于，所述哈希值列表包括均值哈希列表和/或差分哈希值列表。
17.一种电子设备，其特征在于，包括：
处理器、存储器、显示屏、触摸控制模块、以及指纹识别装置；
所述存储器用于存储计算机程序；
所述指纹识别装置包括光学图像采集模块，所述光学图像采集模块中包括像素阵列；
所述处理器执行所述存储器存储的所述计算机程序，使得所述电子设备执行权利要求1至8任一项所述的指纹识别方法。
18.一种存储介质，其特征在于，包括：可读存储介质和计算机程序，所述计算机程序存储在所述可读存储介质中，所述计算机程序用于实现权利要求1至8任一项所述的指纹识别方法。
CN202011052141.XA 2020-09-29 2020-09-29 指纹识别方法、指纹识别装置、电子设备及存储介质 Active CN112115917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052141.XA CN112115917B (zh) 2020-09-29 2020-09-29 指纹识别方法、指纹识别装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052141.XA CN112115917B (zh) 2020-09-29 2020-09-29 指纹识别方法、指纹识别装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112115917A CN112115917A (zh) 2020-12-22
CN112115917B true CN112115917B (zh) 2024-05-28

Family

ID=73797582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052141.XA Active CN112115917B (zh) 2020-09-29 2020-09-29 指纹识别方法、指纹识别装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112115917B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022134079A1 (zh) * 2020-12-25 2022-06-30 深圳市汇顶科技股份有限公司 指纹识别装置、电子设备和指纹识别的方法
CN113177516A (zh) * 2021-05-21 2021-07-27 深圳市汇顶科技股份有限公司 指纹识别方法、装置、电子设备及存储介质
CN113408447A (zh) * 2021-06-25 2021-09-17 北京小米移动软件有限公司 指纹识别方法、指纹识别装置及存储介质
CN117253262B (zh) * 2023-11-15 2024-01-30 南京信息工程大学 一种基于共性特征学习的伪造指纹检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107137077A (zh) * 2017-06-14 2017-09-08 西南大学 自主神经恢复检测方法、装置及电子设备
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN109063745A (zh) * 2018-07-11 2018-12-21 南京邮电大学 一种基于决策树的网络设备类型识别方法及系统
CN110008931A (zh) * 2019-04-16 2019-07-12 上海应用技术大学 结合指纹与指静脉信息的混合识别方法
CN111095281A (zh) * 2019-08-06 2020-05-01 深圳市汇顶科技股份有限公司 指纹检测的装置和电子设备
CN111095275A (zh) * 2019-08-29 2020-05-01 深圳市汇顶科技股份有限公司 指纹识别的装置、方法和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9818020B2 (en) * 2013-04-02 2017-11-14 Precise Biometrics Ab Fingerprint pore analysis for liveness detection
RU2627926C1 (ru) * 2016-07-18 2017-08-14 Самсунг Электроникс Ко., Лтд. Оптическая система для биометрической идентификации пользователя

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107137077A (zh) * 2017-06-14 2017-09-08 西南大学 自主神经恢复检测方法、装置及电子设备
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN109063745A (zh) * 2018-07-11 2018-12-21 南京邮电大学 一种基于决策树的网络设备类型识别方法及系统
CN110008931A (zh) * 2019-04-16 2019-07-12 上海应用技术大学 结合指纹与指静脉信息的混合识别方法
CN111095281A (zh) * 2019-08-06 2020-05-01 深圳市汇顶科技股份有限公司 指纹检测的装置和电子设备
CN111095275A (zh) * 2019-08-29 2020-05-01 深圳市汇顶科技股份有限公司 指纹识别的装置、方法和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于前景灰度特征值的伪指纹图像判别法;曾庆勇 等;微型机与应用;第32卷(第16期);第3.2节 *

Also Published As

Publication number Publication date
CN112115917A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112115917B (zh) 指纹识别方法、指纹识别装置、电子设备及存储介质
JP7377879B2 (ja) 指紋画像強調、指紋認識、アプリケーションプログラム起動方法、指紋検知システム、電子機器及び記憶媒体
US8103109B2 (en) Recognizing hand poses and/or object classes
US8050502B2 (en) Two-Dimensional code generation method, two-dimensional code, two-dimensional code recognition method, and image recognition device
Sinha et al. Class-wise difficulty-balanced loss for solving class-imbalance
Pinto et al. Leveraging shape, reflectance and albedo from shading for face presentation attack detection
KR20120052246A (ko) 다중 터치 입력 구역들에 대한 이미징에 의한 포인터들의 모호성 해소
CN106952393B (zh) 纸币识别方法和装置、电子设备和存储介质
Huang et al. Improved YOLOv3 Model for miniature camera detection
CN107610321B (zh) 一种鉴别纸币真伪方法、装置、设备及存储介质
CN111695499B (zh) 一种琴键识别方法、装置、电子设备及存储介质
CN116188956A (zh) 一种深度伪造人脸图像检测的方法及相关设备
TW202127312A (zh) 影像處理方法及存儲介質
CN111611925A (zh) 一种建筑物检测与识别方法及装置
CN116171462A (zh) 对象序列的识别方法、网络训练方法、装置、设备及介质
CN113743365A (zh) 人脸识别过程中的欺诈行为检测方法及装置
CN112990440A (zh) 用于神经网络模型的数据量化方法、可读介质和电子设备
WO2022067543A1 (zh) 指纹识别方法、指纹识别装置、电子设备及存储介质
Li et al. SPCS: a spatial pyramid convolutional shuffle module for YOLO to detect occluded object
Du et al. MDCS with fully encoding the information of local shape description for 3D Rigid Data matching
Shu et al. Face spoofing detection based on multi-scale color inversion dual-stream convolutional neural network
CN114677737A (zh) 生物信息识别方法、装置、设备及介质
CN113177516A (zh) 指纹识别方法、装置、电子设备及存储介质
Chang et al. SPANet: a self-balancing position attention network for anchor-free SAR ship detection
Zhong et al. A novel steganalysis method with deep learning for different texture complexity images

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