CN112215194A - 光学指纹识别模组及其识别方法和显示装置 - Google Patents

Abstract

本发明提供了一种光学指纹识别模组及其识别方法和显示装置，将手指指纹的第一图像输入到指纹识别模型中，利用指纹识别模型对手指指纹进行真假判定，由于指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型，因此，可以将人体真指纹与2D指纹图像以及3D指纹模具进行区分，有效提高了光学指纹识别模组的防伪性能和安全性能；并且，由于手指指纹的第一图像是根据随机选取不同区域的预设个数的像素单元的图像信息获得的，因此，可以增加选取像素单元图像信息的灵活性，降低某些区域如过渡曝光区域的像素单元的图像信息对第一图像的影响，提高了真假指纹的识别率。

Description

光学指纹识别模组及其识别方法和显示装置

技术领域

本发明涉及指纹识别技术领域，更具体地说，涉及一种光学指纹识别模组及其识别方法和显示装置。

背景技术

光学指纹识别技术是通过采集手指反射或散射的光信号，来获得指纹信息，并将获得的指纹信息与存储的指纹信息进行对比，来实现指纹识别。目前，光学指纹识别技术主要应用于智能手机等电子设备领域，其通过对用户指纹进行识别，来进行设备的解锁或进行金钱的支付，给用户带来了方便友好的体验。但是，目前的光学指纹识别模组还无法有效地将打印的2D指纹图像以及3D指纹模具与人体真指纹进行区分，导致光学指纹识别模组的防伪性能和安全性较差。

发明内容

有鉴于此，本发明提供了一种光学指纹识别模组及其识别方法和显示装置，以提高指纹识别的安全性。

为实现上述目的，本发明提供如下技术方案：

一种光学指纹识别模组，包括感光芯片和处理器；

所述感光芯片包括多个像素单元，所述像素单元用于接收手指反射的光信号，并根据所述光信号获得所述手指指纹的图像信息；

所述处理器用于随机选取不同区域的预设个数的像素单元的图像信息，根据所述预设个数的像素单元的图像信息获得所述手指指纹的第一图像，并将所述手指指纹的第一图像输入到指纹识别模型中，以利用所述指纹识别模型对所述手指指纹进行真假判定，所述指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型；

所述处理器还用于根据部分或全部像素单元的图像信息获得所述手指指纹的第二图像，将所述第二图像与预先存储的指纹图像进行对比，并根据对比结果和真假判定结果确定指纹识别结果。

可选地，所述训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元的图像信息获得的手指指纹的第一图像。

可选地，还包括镜头组，所述镜头组包括多个透镜；

所述镜头组通过支架固定在所述感光芯片的顶部，以使所述光信号经过所述镜头组后进入所述感光芯片中。

可选地，还包括光学滤光片，所述光学滤光片包括红光截止滤光片或带通滤光片；

所述光学滤光片设置在所述感光芯片与所述镜头组之间，或者，所述光学滤光片设置在所述感光芯片的顶层。

可选地，所述红光截止滤光片的截止波段为580nm-600nm。

可选地，至少一个带通滤光片的通带波段为470nm-490nm，至少一个带通滤光片的通带波段为540nm-560nm。

一种指纹识别方法，应用于如上任一项所述的光学指纹识别模组，所述指纹识别方法包括：

获取感光芯片中多个像素单元的手指指纹的图像信息，所述图像信息由所述像素单元根据接收到的手指反射的光信号获得的；

随机选取不同区域的预设个数的像素单元的图像信息，根据所述预设个数的像素单元的图像信息获得所述手指指纹的第一图像，并将所述手指指纹的第一图像输入到指纹识别模型中，以利用所述指纹识别模型对所述手指指纹进行真假判定，所述指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型；

根据若部分或全部像素单元的图像信息获得所述手指指纹的第二图像，将所述第二图像与预先存储的指纹图像进行对比；

根据对比结果和真假判定结果确定指纹识别结果。

可选地，所述训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元的图像信息获得的手指指纹的第一图像。

可选地，还包括：

获取真假指纹训练样本集，所述训练样本集包括真指纹训练样图像和假指纹训练样本图像，所述真指纹训练样图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的真手指指纹的第一图像，所述假指纹训练样本图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的假手指指纹的第一图像；

将所述真手指指纹的第一图像和所述假手指指纹的第一图像输入到卷积神经网络中，对所述卷积神经网络中各层节点之间的特征系数进行训练，得到所述指纹识别模型。

一种显示装置，包括显示面板和光学指纹识别模组，所述光学指纹识别模组设置在所述显示面板下方，所述光学指纹识别模组为如上任一项所述的光学指纹识别模组。

与现有技术相比，本发明所提供的技术方案具有以下优点：

本发明所提供的光学指纹识别模组及其识别方法和显示装置，将所述手指指纹的第一图像输入到指纹识别模型中，利用所述指纹识别模型对所述手指指纹进行真假判定，由于指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型，因此，可以将人体真指纹与2D指纹图像以及3D指纹模具进行区分，有效提高了光学指纹识别模组的防伪性能和安全性能；

并且，由于手指指纹的第一图像是根据随机选取不同区域的预设个数的像素单元的图像信息获得的，因此，可以增加选取像素单元图像信息的灵活性，降低某些区域如过渡曝光区域的像素单元的图像信息对第一图像的影响，提高了真假指纹的识别率；

此外，由于像素单元的个数是可以预先设定的，因此，可以根据不同的应用场景灵活设置像素单元的个数，如在某些应用场景下，可以通过减少像素单元的预设个数减少识别时间，在某些应用场景下，可以通过增加像素单元的预设个数提高真假指纹的识别率。

附图说明

为了更清楚地说明本发明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，还可以根据提供的附图获得其他的附图。

图1为本发明一个实施例提供的一种光学指纹识别模组的结构示意图；

图2为本发明一个实施例提供的一种随机选取的像素单元的分布示意图；

图3为本发明一个实施例提供的显示面板和光学指纹识别模组的结构示意；

图4为本发明一个实施例提供的镜头式屏下光学指纹识别模组的结构示意；

图5为本发明另一个实施例提供的镜头式屏下光学指纹识别模组的结构示意；

图6为本发明另一个实施例提供的镜头式屏下光学指纹识别模组的结构示意；

图7为本发明一个实施例提供的光学指纹识别方法的流程图。

具体实施方式

以上是本发明的核心思想，为使本发明的上述目的、特征和优点能够更加明显易懂，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，都属于本发明保护的范围。

本发明实施例提供了一种光学指纹识别模组，如图1所示，包括感光芯片10和与感光芯片10相连的处理器11。

其中，感光芯片10包括多个像素单元，像素单元用于接收手指反射的光信号，并根据光信号获得手指指纹的图像信息。感光芯片10获得手指指纹的图像信息之后，会将该手指指纹的图像信息传输至处理器11。

处理器11用于随机选取不同区域的预设个数的像素单元的图像信息，根据预设个数的像素单元的图像信息获得手指指纹的第一图像，并将手指指纹的第一图像输入到指纹识别模型中，以利用指纹识别模型对手指指纹进行真假判定，指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型。处理器11还用于根据部分或全部像素单元的图像信息获得手指指纹的第二图像，将第二图像与预先存储的指纹图像进行对比，并根据对比结果和真假判定结果确定指纹识别结果。

本发明实施例中，处理器11将手指指纹的第一图像输入到指纹识别模型中后，利用指纹识别模型对手指指纹进行真假判定，由于指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型，因此，可以将人体真指纹与2D指纹图像以及3D指纹模具进行区分，有效提高了光学指纹识别模组的防伪性能和安全性能；

并且，由于手指指纹的第一图像是处理器11根据随机选取的不同区域的预设个数的像素单元的图像信息获得的，如图2所示，选取的像素单元100分布在感光芯片10的不同区域如S1至S9，因此，可以增加选取像素单元100图像信息的灵活性，降低某些区域如过渡曝光区域的像素单元100的图像信息对第一图像的影响，提高了真假指纹的识别率。

此外，由于像素单元100的个数是可以预先设定的，如区域S1内包括的像素单元100的个数是可以预先设定的，因此，可以根据不同的应用场景灵活设置像素单元100的个数，如在某些应用场景下，可以减少像素单元100的预设个数，以减少识别时间，在某些应用场景下，可以增加像素单元100的预设个数，以提高真假指纹的识别率。

本发明一些实施例中，光学指纹识别模组为屏下指纹识别模组，即光学指纹识别模组设置在显示屏幕的下方的部分区域或全部区域，当然，本发明并不仅限于此，在另一些实施例中，光学指纹识别模组还可以集成在显示屏幕的内部。

下面以光学指纹识别模组设置在显示屏幕的下方为例对感光芯片10获得手指指纹的图像信息的过程进行说明。

如图3所示，当手指Z按在显示屏幕2上时，显示屏幕2上的光源20发出的光照射到手指Z上，被手指Z反射或散射后形成携带有手指Z的指纹信息的光信号，感光芯片10中的像素单元100接收到手指Z反射的光信号后，根据光信号获得手指Z的指纹的图像信息。其中，光源20包括LED和OLED等。

需要说明的是，由于手指Z的指纹的谷Z1和脊Z2与显示屏幕2的盖板玻璃21的接触有差异，即手指Z的指纹的脊Z2与盖板玻璃21直接接触，手指Z的指纹的谷Z1与盖板玻璃21之间有空气间隙Z0，因此，在脊Z2的区域，光在盖板玻璃21和手指Z的界面发生反射形成光信号，在谷Z1的区域，光先在盖板玻璃21和空气间隙Z0的界面发生折射，折射光穿过空气间隙Z0到达手指Z表面，然后在手指Z表面发生发射形成光信号。

由于盖板玻璃21的折射率约为1.5，手指Z的折射率约为1.45，空气的折射率约为1，因此，通过计算可知，在脊Z2的区域，大约有9.97％的光发生反射形成光信号，在谷Z1的区域，大约有7.2％的光发生反射形成光信号。基于此，可以获得脊Z2谷Z1亮度差异较大的指纹图像，进而可以根据指纹图像进行识别。

虽然从肉眼看来，真指纹图像与2D打印的假指纹图像(尤其是与手指颜色接近的纸张打印的指纹图像)以及3D指纹模具的指纹图像的差别不大，但是，经过对样本进行统计后发现，真指纹图像与2D打印的假指纹图像以及3D指纹模具的假指纹图像之间的灰度值分布还是存在明显差异的，并且，由于人体真手指由静脉血管、血氧蛋白等不同的有机体组成，而3D指纹模具只是由单一材料组成，因此，人体真手指的反射光信号携带的信息和3D指纹模具的反射光信息携带的信息也会略有不同。基于此，本发明实施例中引入了指纹识别模型，利用预先训练好的指纹识别模型对人体真指纹图像、2D打印的假指纹图像和3D指纹模具的指纹图像进行区分。

本发明的一些实施例中，采用真假指纹训练样本集对卷积神经网络进行深度学习训练形成卷积神经网络模型即指纹识别模型，当然，本发明并不仅限于此，在其他实施例中，可以采用真假指纹训练样本集对其他深度学习网络进行训练形成指纹识别模型。可选地，为了提高识别率，可以采用真假指纹训练样本集对卷积神经网络进行10层及以上的卷积神经网络训练。

其中，真假指纹训练样本集包含大量的真假指纹数据。也就是说，本发明一些实施例中的指纹识别模型是采用大量真假指纹数据预先训练好的卷积神经网络模型，该卷积神经网络模型提取特征的度量向量是预先训练好的已知的，该度量向量包括谷脊梯度、空间频率和均方差等。在真假指纹的识别过程中，将手指指纹的第一图像输入到指纹识别模型中后，指纹识别模型会基于训练好的度量向量对第一图像的进行处理，确定手指指纹的真假。

本发明一些实施例中，为了提高训练效率，在满足识别率要求的情况下，尽量减少运算资源，参考图2，采用由随机选取的不同区域的预设个数的像素单100的图像信息获得的手指指纹的第一图像作为训练样本，即本发明一些实施例中，训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元100的图像信息获得的手指指纹的第一图像。当然，本发明并不仅限于此，在其他实施例中，也可以采用全部像素单元100的图像信息构成的图像作为训练样本。

在光学指纹识别模组的实际应用过程中，用户需先录入手指指纹信息，录入的手指指纹信息被存储到相应的存储模块中。当感光芯片10获得手指指纹的图像信息之后，处理器11随机选取不同区域的预设个数的像素单元100的图像信息，根据预设个数的像素单元100的图像信息获得手指指纹的第一图像，并将手指指纹的第一图像输入到指纹识别模型中，以利用指纹识别模型对手指指纹进行真假判定，并且，处理器11还会根据部分或全部像素单元100的图像信息获得手指指纹的第二图像，将第二图像与预先存储的指纹图像进行对比，若判定第一图像为假指纹图像，或者，第二图像与预先存储的指纹图像不一致，则处理器11输出第一识别结果，此时，智能手机等电子设备不执行解锁或支付等动作，只有当判定第一图像为真指纹图像且第二图像与预先存储的指纹图像一致时，处理器11才会输出第二识别结果，此时，智能手机等电子设备执行解锁或支付等动作。并且处理器11会根据识别结果对预先存储的指纹图像进行更新，以完善存储的指纹图像。

需要说明的是，本发明一些实施例中，处理器11可以先将第二图像与预先存储的指纹图像进行对比，若第二图像与预先存储的指纹图像一致，处理器11随机选取不同区域的预设个数的像素单元100的图像信息并进行后续的真假判定步骤。若第二图像与预先存储的指纹图像不一致，则处理器11不再执行后续的真假判定步骤，直接输出第一识别结果。

当然，本发明并不仅限于此，在另一些实施例中，处理器11还可以先进行真假判断，若判定结果为假指纹，则不再进行对比步骤，直接输出第一识别结果，若判定结果为真指纹，则再进行真假判定步骤，再根据真假判定结果输出识别结果。而在另一些实施例中，处理器11可以同时进行对比步骤和真假判定步骤，再根据二者结果输出识别结果。

本发明一些实施例中，为了提高感光芯片10的成像效果，如图4所示，光学指纹识别模组还包括镜头组12，镜头组12包括多个透镜，其中，镜头组12通过支架13固定在感光芯片10的顶部，以使光信号经过镜头组12后进入感光芯片10中。

需要说明的是，在屏下指纹识别模组中，感光芯片10以及镜头组12和支架13等都位于显示屏幕的下方。还需要说明的是，感光芯片10设置在柔性线路板14上，处理器11也设置在柔性线路板14上，或者，处理器11与柔性线路板14电连接，以实现处理器11与感光芯片10的电连接。

在上述实施例的基础上，为了更有效地区分红色纸打印的2D指纹图像与真指纹图像，本发明一些实施例中，如图5所示，光学指纹识别模组还包括光学滤光片15，光学滤光片15包括红光截止滤光片或带通滤光片。当然，本发明并不仅限于此，在其他实施例中，光学滤光片15还可以是其他滤光片。

如图5所示，光学滤光片15可以设置在感光芯片10与镜头组12之间，当然，本发明并不仅限于此，在另一些实施例中，如图6所示，光学滤光片15还可以设置在感光芯片10的顶层，如可以采用蒸镀的方式将光学滤光片15设置在感光芯片10的顶层。镜头部分不用截止滤光片，而直接把光学滤光片蒸镀在芯片的顶层。具体地，可以用高/低折射率交替的薄膜形成光学滤光片，其中，高折射率的材料可以为氮化物、五氧化二钽、二氧化钛、二氧化铪、二氧化锆、二氧化铌等金属化合物，低折射率的材料可以为二氧化硅等能够兼容CMOS工艺的薄膜材料。

本发明一些实施例中，光学滤光片15包括红光截止滤光片，基于此，不仅可以有效地区分红色纸打印的2D指纹图像与真指纹图像，而且，由于长波长的红光被红光截止滤光片截止，即红光不会进入感光芯片10，能够有效抑制感光芯片10对红光的吸收，可以减小像素单元100之间的串扰。

可选地，红光截止滤光片的截止波段为580nm-600nm，即红光截止滤光片的能够截止580nm-600nm波长的红光。当然，本发明并不仅限于此，在其他实施例中，红光截止滤光片的截止波段还可以为其他波段，具体可以根据显示屏幕光源的光源进行设定。

本发明的另一些实施例中，光学滤光片15可以包括带通滤光片，其可以只让某个波段或某几个波段的光通过，以过滤掉背景环境光或光源光线中不需要的光，以进一步提高感光芯片10的性能，增强指纹图像的脊谷纹路信息，同时还能够提高不同颜色背景纸张的2D打印假指纹的识别率。

可选地，光学滤光片15可以包括多个带通滤光片。进一步可选地，至少一个带通滤光片的通带波段为470nm-490nm，至少一个带通滤光片的通带波段为540nm-560nm。

本发明另一实施例还提供了一种指纹识别方法，应用于如上任一实施例提供的光学指纹识别模组，如图7所示，指纹识别方法包括：

S101：获取感光芯片中多个像素单元的手指指纹的图像信息，图像信息由像素单元根据接收到的手指反射的光信号获得的；

如图3所示，当手指Z按在显示屏幕2上时，显示屏幕2上的光源20发出的光照射到手指Z上，被手指Z反射或散射后形成携带有手指Z的指纹信息的光信号，感光芯片10中的像素单元100接收到手指Z反射的光信号后，根据光信号获得手指Z的指纹的图像信息。

S102：随机选取不同区域的预设个数的像素单元的图像信息，根据预设个数的像素单元的图像信息获得手指指纹的第一图像，并将手指指纹的第一图像输入到指纹识别模型中，以利用指纹识别模型对手指指纹进行真假判定，指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型；

S103：根据若部分或全部像素单元的图像信息获得手指指纹的第二图像，将第二图像与预先存储的指纹图像进行对比；

S104：根据对比结果和真假判定结果确定指纹识别结果。

当感光芯片10获得手指指纹的图像信息之后，随机选取不同区域的预设个数的像素单元100的图像信息，根据预设个数的像素单元100的图像信息获得手指指纹的第一图像，并将手指指纹的第一图像输入到指纹识别模型中，以利用指纹识别模型对手指指纹进行真假判定，并且，根据部分或全部像素单元100的图像信息获得手指指纹的第二图像，将第二图像与预先存储的指纹图像进行对比，若判定第一图像为假指纹图像，或者，第二图像与预先存储的指纹图像不一致，则输出第一识别结果，此时，智能手机等电子设备不执行解锁或支付等动作，只有当判定第一图像为真指纹图像且第二图像与预先存储的指纹图像一致时，才会输出第二识别结果，此时，智能手机等电子设备执行解锁或支付等动作。

本发明一些实施例中，可以先将第二图像与预先存储的指纹图像进行对比，若第二图像与预先存储的指纹图像一致，随机选取不同区域的预设个数的像素单元100的图像信息并进行后续的真假判定步骤。若第二图像与预先存储的指纹图像不一致，则不再执行后续的真假判定步骤，直接输出第一识别结果。

当然，本发明并不仅限于此，在另一些实施例中，还可以先进行真假判断，若判定结果为假指纹，则不再进行对比步骤，直接输出第一识别结果，若判定结果为真指纹，则再进行真假判定步骤，再根据真假判定结果输出识别结果。而在另一些实施例中，可以同时进行对比步骤和真假判定步骤，再根据二者结果输出识别结果。

本发明一些实施例中，训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元的图像信息获得的手指指纹的第一图像。

基于此，本发明一些实施例提供的方法还包括：

获取真假指纹训练样本集，训练样本集包括真指纹训练样图像和假指纹训练样本图像，真指纹训练样图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的真手指指纹的第一图像，假指纹训练样本图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的假手指指纹的第一图像；

将真手指指纹的第一图像和假手指指纹的第一图像输入到卷积神经网络中，对卷积神经网络中各层节点之间的特征系数进行训练，得到指纹识别模型。

由于指纹识别模型是采用大量真假指纹数据预先训练好的卷积神经网络模型，因此，该卷积神经网络模型提取特征的度量向量是预先训练好的已知的，该度量向量包括谷脊梯度、空间频率和均方差等。在真假指纹的识别过程中，将手指指纹的第一图像输入到指纹识别模型中后，指纹识别模型会基于训练好的度量向量对第一图像的进行处理，确定手指指纹的真假。

本发明实施例还提供了一种显示装置，参考图3，该显示装置包括显示面板2和光学指纹识别模组10，光学指纹识别模组10设置在显示面板2下方，光学指纹识别模组10为如上任一实施例提供的光学指纹识别模组。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种光学指纹识别模组，其特征在于，包括感光芯片和处理器；

所述感光芯片包括多个像素单元，所述像素单元用于接收手指反射的光信号，并根据所述光信号获得所述手指指纹的图像信息；

所述处理器用于随机选取不同区域的预设个数的像素单元的图像信息，根据所述预设个数的像素单元的图像信息获得所述手指指纹的第一图像，并将所述手指指纹的第一图像输入到指纹识别模型中，以利用所述指纹识别模型对所述手指指纹进行真假判定，所述指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型；

所述处理器还用于根据部分或全部像素单元的图像信息获得所述手指指纹的第二图像，将所述第二图像与预先存储的指纹图像进行对比，并根据对比结果和真假判定结果确定指纹识别结果。

2.根据权利要求1所述的光学指纹识别模组，其特征在于，所述训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元的图像信息获得的手指指纹的第一图像。

3.根据权利要求2所述的光学指纹识别模组，其特征在于，还包括镜头组，所述镜头组包括多个透镜；

所述镜头组通过支架固定在所述感光芯片的顶部，以使所述光信号经过所述镜头组后进入所述感光芯片中。

4.根据权利要求3所述的光学指纹识别模组，其特征在于，还包括光学滤光片，所述光学滤光片包括红光截止滤光片或带通滤光片；

所述光学滤光片设置在所述感光芯片与所述镜头组之间，或者，所述光学滤光片设置在所述感光芯片的顶层。

5.根据权利要求4所述的光学指纹识别模组，其特征在于，所述红光截止滤光片的截止波段为580nm-600nm。

6.根据权利要4所述的光学指纹识别模组，其特征在于，至少一个带通滤光片的通带波段为470nm-490nm，至少一个带通滤光片的通带波段为540nm-560nm。

7.一种指纹识别方法，其特征在于，应用于权利要求1～6任一项所述的光学指纹识别模组，所述指纹识别方法包括：

获取感光芯片中多个像素单元的手指指纹的图像信息，所述图像信息由所述像素单元根据接收到的手指反射的光信号获得的；

随机选取不同区域的预设个数的像素单元的图像信息，根据所述预设个数的像素单元的图像信息获得所述手指指纹的第一图像，并将所述手指指纹的第一图像输入到指纹识别模型中，以利用所述指纹识别模型对所述手指指纹进行真假判定，所述指纹识别模型包括采用真假指纹训练样本集进行深度学习训练的卷积神经网络模型；

根据若部分或全部像素单元的图像信息获得所述手指指纹的第二图像，将所述第二图像与预先存储的指纹图像进行对比；

根据对比结果和真假判定结果确定指纹识别结果。

8.根据权利要求7所述的方法，其特征在于，所述训练样本集中的训练样本包括由随机选取的不同区域的预设个数的像素单元的图像信息获得的手指指纹的第一图像。

9.根据权利要求8所述的方法，其特征在于，还包括：

获取真假指纹训练样本集，所述训练样本集包括真指纹训练样图像和假指纹训练样本图像，所述真指纹训练样图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的真手指指纹的第一图像，所述假指纹训练样本图像包括随机选取的不同区域的预设个数的像素单元的图像信息获得的假手指指纹的第一图像；

将所述真手指指纹的第一图像和所述假手指指纹的第一图像输入到卷积神经网络中，对所述卷积神经网络中各层节点之间的特征系数进行训练，得到所述指纹识别模型。

10.一种显示装置，其特征在于，包括显示面板和光学指纹识别模组，所述光学指纹识别模组设置在所述显示面板下方，所述光学指纹识别模组为权利要求1～～6任一项所述的光学指纹识别模组。

Images