CN112507987B - 指纹识别方法、存储介质及计算机设备 - Google Patents
指纹识别方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN112507987B CN112507987B CN202110149226.8A CN202110149226A CN112507987B CN 112507987 B CN112507987 B CN 112507987B CN 202110149226 A CN202110149226 A CN 202110149226A CN 112507987 B CN112507987 B CN 112507987B
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- public
- preset
- fingerprint
- public area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供了一种指纹识别方法,该指纹识别方法包括:获取待识别指纹图像和模板指纹图像;利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码;根据一组公共区域掩码获取待识别指纹图像和模板指纹图像的一组公共区域;利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,获取一组配准后的公共区域;利用预设算法对一组配准后的公共区域进行打分,获取待识别指纹图像和模板指纹图像的相似分数,预设算法包括NCC算法和方向场算法;根据相似分数输出识别结果。本申请还提供了一种存储介质和计算机设备。上述方法通过预设的Unet网络和BLPOC算法对待识别指纹图像和模板指纹图像进行匹配从而实现对待识别指纹图像的精准识别。
Description
技术领域
本申请涉及指纹识别领域,尤其涉及一种指纹识别方法、存储介质及计算机设备。
背景技术
近年来,利用指纹进行身份验证的指纹识别技术广泛应用于智能手机、门锁等电子设备上。以智能手机为例,随着全面屏技术的流行,智能手机上留给指纹芯片的嵌入式传感器的空间越来越少,为此不少厂商采取了侧边指纹技术,即将指纹模块放置在智能手机的侧边。虽然,侧边指纹技术方便易用,同时还能兼顾用户全面屏的需求,但与此同时,侧边指纹的感应区域大小十分有限,一次只能获取少量的指纹信息,因此实现侧边指纹的准确识别是一项具有很大的挑战性的任务。
另一个方面,为了弥足侧边指纹的感应区域获取的指纹信息不足的问题,现有技术往往要求用户在注册时存储单个手指的多个角度的指纹信息,即模板信息,而在验证时只要待匹配指纹与注册指纹的模板信息中的某一个匹配即可。另外还需考虑到手指在注册与验证时存在旋转、平移甚至形变的问题。最后,还需考虑到侧边指纹的感应区域的小感应区域导致的低信息熵,所以如何保证侧边指纹识别技术的安全性又是另一个重要的问题。
因此,提供一种快速准确安全的识别侧边指纹的方法是亟需解决的问题。
申请内容
本申请提供一种指纹识别方法、存储介质及计算机设备,实现了对小面积待测指纹的速准确安全的识别。
第一方面,本申请实施例提供一种指纹识别方法,指纹识别方法包括:
获取待识别指纹图像和模板指纹图像;
利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码,一组公共区域掩码包括待识别指纹图像的公共区域掩码和模板指纹图像的公共区域掩码;
根据一组公共区域掩码获取待识别指纹图像和模板指纹图像的一组公共区域,一组公共区域包括待识别指纹图像的公共区域和模板指纹图像的公共区域;
利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,获取一组配准后的公共区域,一组配准后的公共区域包括待识别指纹图像的公共区域和配准后的模板指纹图像的公共区域;
利用预设算法对一组配准后的公共区域进行打分,获取待识别指纹图像和模板指纹图像的相似分数,预设算法包括NCC算法和方向场算法;
根据相似分数输出识别结果。
第二方面,本申请实施例提供一种存储介质,存储介质上存储有能够被处理器加载并执行的上述的指纹识别方法的程序指令。
第三方面,本申请实施例提供一种计算机设备,计算机设备包括:
存储器,用于存储指纹识别方法的程序指令;以及
处理器,用于执行程序指令以使计算机设备实现上述的指纹识别方法。
上述,指纹识别方法利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码,然后利用公共区域掩码获取待识别指纹图像的公共区域和模板指纹图像的公共区域。通过公共区域去除部分无效指纹区域,减少指纹识别过程中无效识别,提升指纹识别的效率。利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,将公共区域的指纹图像旋转至同一角度,便于由NCC算法和方向场算法构成的评分标准进行打分,并输出相似分数。该方法不仅利用了NCC等常规衡量指标进行打分,还通过计算公共区域方向图的方差进行了打分,相比于单一的使用NCC打分,考虑方向图后的算法更具优越性。利用多种测试算法对待识别指纹图像和模板指纹图像的公共区域进行多个维度进行打分,使得每一个维度的指纹特征信息都能够得到很好地利用,减少了小面积指纹图像中包含的指纹图像特征信息少导致的低信息熵的问题,保证了指纹匹配的结果,提高了指纹匹配的精准度。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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示出的结构获得其他的附图。
图1为本申请第一实施例提供的指纹识别方法的流程图。
图2为本申请第一实施例提供的待识别指纹图像的公共区域掩码和模板指纹图像的公共区域掩码示意图。
图3为本申请第二实施例提供的指纹识别方法的子流程图。
图4为本申请第一实施例提供的指纹识别方法的第一子流程图。
图5为本申请第一实施例提供的公共区域掩码示意图。
图6为本申请第三实施例提供的指纹识别方法的子流程图。
图7为本申请第一实施例提供的指纹识别方法的第二子流程图。
图8为本申请第一实施例提供的指纹识别方法的第三子流程图。
图9为本申请实施例提供的计算机设备内部示意图。
图10为本申请第一实施例提供的公共区域配准过程示意图。
图11为本申请第一实施例提供的经带宽限制方法处理后的图像示意图。
图12为本申请第二实施例提供的一组指纹图像公共区域示意图。
图13为本申请第三实施例提供的测试公共区域掩码与实际公共区域掩码之间差别示意图。
图中各元件标号
900 | 计算机设备 | 901 | 存储器 |
902 | 处理器 | 903 | 总线 |
904 | 显示组件 | 905 | 通信组件 |
120 | 一组公共区域 | 121 | 一组指纹图像的公共区域 |
122 | 一组公共区域一致的指纹图像 | 110 | 未经BL处理的图像 |
111 | 经过BL处理的图像 | 101 | 未经过配准的一组公共区域 |
102 | 配准后的一组公共区域 | 201 | 待识别指纹图像 |
202 | 模板指纹图像 | 203 | 待识别指纹图像的公共区域掩码 |
204 | 模板指纹图像的公共区域掩码 | 130 | 测试公共区域掩码 |
131 | 实际公共区域掩码 | 401 | 第一待定公共区域 |
402 | 第二待定公共区域 | 403 | 公共区域 |
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
请结合参看图1,其为本申请第一实施例提供的指纹识别方法流程图。其中,第一实施例提供的指纹识别方法具体包括下面步骤。
步骤S101,获取待识别指纹图像和模板指纹图像。在本实施例中,通过样本数据库获取待识别指纹图像和模板指纹图像。
步骤S102,利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码。一组公共区域掩码包括待识别指纹图像的公共区域掩码和模板指纹图像的公共区域掩码。在本实施例中,预设的Unet网络是由左侧的四层卷积层、中间的一层转化层和右侧的四层上采样层构成,四层卷积层从上至下依次连接,四层上采样层从下至上依次连接,四层卷积层的第四层与四层上采样层的第一层通过转化层连接,进一步地,待识别指纹图像和模板指纹图像从四层卷积层的第一层输入经训练后得一组公共区域掩码,一组公共区域掩码由四层上采样层的第四层输出。其中,预设的Unet网络中四层卷积层、一层转化层和四层上采样层中的上一层的输出为下一层的输入,待识别指纹图像和模板指纹图像从四层卷积层的第一层输入,经训练后得所述一组公共区域掩码,一组公共区域掩码由四层上采样层的第四层输出。在实际的应用中,大量的非公共区域会影响BLPOC算法的性能所以本实施例利用Unet网络排除非公共区域的干扰,以提升BLPOC算法的在指纹识别中的性能。为了模型的轻量化,本申请中的Unet网络与传统的Unet网络不同的是,本申请并没有采用跳跃层。无跳跃层减少了Unet网络的运算量,提升网络的运算速度。请结合参看图2,待识别指纹图像201和模板指纹图像202经过Unet网络后获取待识别指纹图像的公共区域掩码203和模板指纹图像的公共区域掩码204,待识别指纹图像的公共区域掩码203和模板指纹图像的公共区域掩码204构成一组公共区域掩码。
步骤S103,根据一组公共区域掩码获取待识别指纹图像和模板指纹图像的一组公共区域,一组公共区域包括待识别指纹图像的公共区域和模板指纹图像的公共区域。具体请参看步骤S1031-步骤S1032。
步骤S104,利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,获取一组配准后的公共区域,一组配准后的公共区域包括待识别指纹图像的公共区域和配准后的模板指纹图像的公共区域。具体请参看步骤S1041-步骤S1045。
步骤S105,利用预设算法对一组配准后的公共区域进行打分,获取待识别指纹图像和模板指纹图像的相似分数,预设算法包括NCC算法和方向场算法。
NCC算法的公式为:
其中g(x-a, y-b)为经选择平移后的模板指纹图像,h(x, y)为待识别指纹图像。本申请利用NCC算法进行评价打分时还利用了指纹的二级特征,即细节特征。本申请在细节特征的像素点上给一个较大的权值,有利于进一步提高识别精度。
在前面的待识别指纹图像的处理中,由于存在二值化和旋转平移变换,因此待识别指纹图像的某些特性发生了变化,这在某些程度上影响了配准识别的精准度,但是上述处理并不会改变图像的方向场,为此本申请在打分规则中加入了方向场算法,利用方向场算法提供的方向场信息,即我们认为:待识别指纹图像与模板指纹图像的公共区域方向场方差趋于相等或者相近,方向场算法的公式为:
SCORE_HOG = var(query) + var(template)
因此,我们的最终打分为:
SCORE = SCORE_NCC + α(1 – SCORE_HOG)
其中,α为权重因子。
步骤S106,根据相似分数输出识别结果。具体请参看步骤S1061-步骤S1063。
在本实施例中,指纹识别方法利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码,然后利用公共区域掩码获取待识别指纹图像的公共区域和模板指纹图像的公共区域。通过公共区域去除部分无效指纹区域,减少指纹识别过程中无效识别,提升指纹识别的效率。利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,将公共区域的指纹图像旋转至同一角度,便于由NCC算法和方向场算法构成的评分标准进行打分,并输出相似分数。该方法不仅利用了NCC等常规衡量指标进行打分,还通过计算公共区域方向图的方差进行了打分,相比于单一的使用NCC打分,考虑方向图后的算法更具优越性。利用多种测试算法对待识别指纹图像和模板指纹图像的公共区域进行多个维度进行打分,使得每一个维度的指纹特征信息都能够得到很好地利用,减少了因小面积指纹图像中包含的指纹图像特征信息少导致的低信息熵的问题,保证了指纹匹配的结果的准确性,提高了指纹匹配的精准度。
请结合参看图3,其为本申请第二实施例提供的指纹识别方法的子流程图。第二实施例提供的指纹识别方法与第一实施例提供的指纹识别方法的差异在于在根据一组公共区域掩码获取待识别指纹图像和模板指纹图像的一组公共区域之后,第二实施例提供的指纹识别方法还包括下面步骤。
步骤S301,计算一组公共区域中的待识别指纹图像的公共区域与模板指纹图像的公共区域的面积差。
步骤S302,判断面积差是否大于或者等于预设面积差值。
步骤S303,当面积差大于或者等于预设面积差值时,输出指纹匹配失败的结果。
步骤S304,当面积差小于预设面积差值时,计算一组公共区域的公共面积。
步骤S305,判断公共面积是否小于预设公共面积值。
步骤S306,当公共面积小于预设公共面积值时,输出指纹匹配失败的结果。
在本实施例中,请结合参看图12,获取一组公共区域120,从一组公共区域120中分离出只有一组指纹图像的公共区域121,再将指纹图像的公共区域121变换为一组公共区域一致的指纹图像122。在获取一组公共区域后就对待识别指纹图像的公共区域与模板指纹图像的公共区域的面积差和公共面积值进行筛选,将不符合预设标准的待识别指纹图像与模板指纹图像全部筛选出来,保证提取公共区域一致,使得本申请能够快速的计算出待识别指纹图像与模板指纹图像完全不匹配的结果,加快识别速度。
请结合参看图4,其为本申请第一实施例提供的步骤S103的子步骤流程图。步骤S103根据一组公共区域掩码获取待识别指纹图像和模板指纹图像的一组公共区域,具体包括下面步骤。
步骤S1031,对一组公共区域掩码进行二值化处理获取一组二值化的公共区域掩码,一组二值化的公共区域掩码中的每一张二值化的公共区域掩码包括一个或者多个待定公共区域。请结合参照图5,一组二值化的公共区域掩码中的每一张二值化的公共区域掩码包括一个或者多个待定公共区域,例如第一待定公共区域401和第二待定公共区域402。
步骤S1032,筛选一组二值化的公共区域掩码中面积最大的一组待定公共区域作为一组公共区域。请再次结合参照图5,筛选一组二值化的公共区域掩码中面积最大的一组待定公共区域,也就是第二待定公共区域402。第二待定公共区域402转化为公共区域403。待识别指纹图像和模板指纹图像都具有公共区域403。
在本实施例中,对一组公共区域掩码进行二值化处理获取更加准确的一组二值化的公共区域,进一步细化了需要进行指纹识别区域,减少指纹识别时不必要的运算,并从多个待定公共区域中筛选出公共区域面积最大作为一组公共区域,减少了对面积小的公共区域的不必要的运算,提升了整个识别算法的识别效率。
请结合参看图6,其为本申请第三实施例提供的指纹识别方法的子流程图。第三实施例提供的指纹识别方法与第一实施例提供的指纹识别方法的差异在于在利用预设的Unet网络获取待识别指纹图像和模板指纹图像的一组公共区域掩码之前,还包括利用多张训练指纹图像训练预设的Unet网络。进一步地,第三实施例提供的指纹识别方法具体包括下面步骤。
步骤S601,利用多张训练指纹图像训练待定预设的Unet网络。
步骤S602,将一张测试指纹图像输入待定预设的Unet网络获取测试公共区域掩码。
步骤S603,计算测试公共区域掩码与一张测试指纹图像的实际公共区域掩码的差异。
步骤S604,根据差异判断待定预设的Unet网络输出的测试公共区域掩码是否符合预设的掩码标准。
步骤S605,当测试公共区域掩码符合预设的掩码标准时,将述待定预设的Unet网络设置为预设的Unet网络。请结合参看图13,达到预设的掩码标准的预设的Unet网络输出的测试公共区域掩码130已经十分接近实际公共区域掩码131。
步骤S606,当测试公共区域掩码不符合预设的掩码标准时,添加另外的多张训练指纹图像训练待定预设的Unet网络。
在本实施例中,在使用预设的Unet网络之前,还会利用已有的测试指纹图像来测试预设的Unet网络的性能,保证预设的Unet网络输出的数据实现准确输出待识别指纹图像需要的数据,同时能够以更快的速度完成对输入的待测试指纹图像的处理。提升预设的Unet网络在实际应用中的指纹图像的处理速度和处理效果。
请结合参看图7,其为本申请第一实施例提供的步骤S104的子步骤流程图。步骤S104,利用BLPOC算法为一组公共区域中的模板指纹图像的公共区域进行配准,获取一组配准后的公共区域,其中,本申请中的BLPOC算法包括极坐标POC算法和BLPOC算法,具体包括下面步骤。
步骤S1041,利用极坐标POC算法计算模板指纹图像的公共区域的旋转量。
步骤S1042,根据旋转量对模板指纹图像进行变换得到第一模板指纹图像。
步骤S1043,利用BLPOC算法计算模板指纹图像的公共区域的平移量。
步骤S1044,根据平移量对第一模板指纹图像进行平移变换得到第二模板指纹图像。
步骤S1045,将待识别指纹图像的公共区域和第二模板指纹图像的公共区域构成一组配准后的公共区域。请结合参看图10,未经过配准的一组公共区域101再经过BLPOC配准后变为配准后的一组公共区域102。
在本实施例中,利用BLPOC进行待识别指纹图像与模板指纹图像的配准,具体地,在本实施例中是先利用极坐标POC求得两指纹图像之间的旋转量,根据旋转量对模板指纹图像进行变换之后再利用BLPOC进行平移量的求解,而后根据求得的平移量对经旋转变换的模板指纹图像进行平移变换,待识别指纹图像的公共区域和模板指纹图像的公共区域已经配准。本申请采用的BLPOC区别于传统的POC技术的地方在于,BLPOC中BL即BandLimited,带宽限制,是将经傅里叶变换后的频域图像进行类似于带通的处理,获取目标指纹图像,请结合参照图11,未经BL处理的图像110在经过BL处理后获得经过BL处理的图像111。经过BL处理的图像111比未经BL处理的图像110具有更明显的图像特征。所以相比于传统的POC技术,BLPOC抗干扰能力更强,经过BLPOC的指纹图像更容易别识别匹配,提高了该指纹识别方法的稳定性。
请结合参看图8,其为本申请第一实施例提供的步骤S106的子步骤流程图。步骤S106,根据相似分数输出识别结果,具体包括下面步骤。
步骤S1061,判断相似分数是否大于或者等于预设结果值。
步骤S1062,当相似分数大于或者等于预设结果值时,输出指纹匹配成功的结果。
步骤S1063,当相似分数小于预设结果值时,输出指纹匹配失败的结果。
在本实施例中,提出了基于细节加权的NCC联合方向场的打分方式,使得待识别指纹图像中更多的图像特征量被添加进识别待识别指纹图像的应用,从而令本申请得到的指纹识别结果更具有准确性。
本申请还提供了一种存储介质。存储介质上存储有能够被处理器加载并执行的上述的指纹识别方法的程序指令。由于存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再赘述。
本申请还提供一种计算机设备900,计算机设备900至少包括存储器901和处理器902。存储器901用于存储指纹识别方法的程序指令。处理器902用于执行程序指令以使计算机设备实现上述的指纹识别方法。请结合参看图9,其为本申请第一实施例提供的计算机设备900的内部结构示意图。
其中,存储器901至少包括一种类型的可读存储介质,该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器901在一些实施例中可以是计算机设备900的内部存储单元,例如计算机设备900的硬盘。存储器901在另一些实施例中也可以是计算机设备900的外部存储设备,例如计算机设备900上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字卡(SecureDigital, SD),闪存卡(Flash Card)等。进一步地,存储器901还可以既包括计算机设备900的内部存储单元也包括外部存储设备。存储器901不仅可以用于存储安装于计算机设备900的应用软件及各类数据,例如指纹识别方法的程序指令等,还可以用于暂时地存储已经输出或者将要输出的数据,例如指纹识别方法执行产生的数据等。
处理器902在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器901中存储的程序指令或处理数据。具体地,处理器902执行指纹识别方法的程序指令以控制计算机设备900实现指纹识别方法。
进一步地,计算机设备900还可以包括总线903可以是外设部件互连标准总线(peripheral component interconnect,简称PCI)或扩展工业标准结构总线(extendedindustry standard architecture,简称EISA)等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
进一步地,计算机设备900还可以包括显示组件904。显示组件904可以是LED(Light Emitting Diode,发光二极管)显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示组件904也可以适当的称为显示装置或显示单元,用于显示在计算机设备900中处理的信息以及用于显示可视化的用户界面。
进一步地,计算机设备900还可以包括通信组件905,通信组件905可选的可以包括有线通信组件和/或无线通信组件(如WI-FI通信组件、蓝牙通信组件等),通常用于在计算机设备900与其他计算机设备之间建立通信连接。
图9仅示出了具有组件901-905以及实现指纹识别方法的程序指令的计算机设备900,本领域技术人员可以理解的是,图9示出的结构并不构成对计算机设备900的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。由于计算机设备900采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
进一步地,该指纹识别方法包括一个或多个程序指令。在计算机设备上加载和执行该程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机设备可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该指纹识别方法的程序指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,该程序指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的纹识别方法的实施例仅仅是示意性的,例如,该单元的划分,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
该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,在本申请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。
该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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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一个存储介质中,包括若干指令用以使得一台计算机 设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、流动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序指令的介质。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘且本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上所列举的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (9)
1.一种指纹识别方法,其特征在于,所述指纹识别方法包括:
获取待识别指纹图像和模板指纹图像;
利用预设的Unet网络获取所述待识别指纹图像和所述模板指纹图像的一组公共区域掩码,所述一组公共区域掩码包括所述待识别指纹图像的公共区域掩码和所述模板指纹图像的公共区域掩码;
根据所述一组公共区域掩码获取所述待识别指纹图像和所述模板指纹图像的一组公共区域,所述一组公共区域包括所述待识别指纹图像的公共区域和所述模板指纹图像的公共区域;
计算所述一组公共区域中的所述待识别指纹图像的公共区域与所述模板指纹图像的公共区域的面积差;
判断所述面积差是否大于或者等于预设面积差值;
当所述面积差大于或者等于所述预设面积差值时,输出指纹匹配失败的结果;
当所述面积差小于所述预设面积差值时,计算所述一组公共区域的公共面积;
判断所述公共面积是否小于预设公共面积值;
当所述公共面积小于所述预设公共面积值时,输出指纹匹配失败的结果;
当所述公共面积大于或者等于所述预设公共面积值时,利用BLPOC算法为所述一组公共区域中的所述模板指纹图像的公共区域进行配准,获取一组配准后的公共区域,所述一组配准后的公共区域包括所述待识别指纹图像的公共区域和配准后的模板指纹图像的公共区域;
利用预设算法对所述一组配准后的公共区域进行打分,获取所述待识别指纹图像和所述模板指纹图像的相似分数,所述预设算法包括NCC算法和方向场算法;以及
根据所述相似分数输出识别结果。
2.如权利要求1所述的指纹识别方法,其特征在于,所述预设的Unet网络是由左侧的四层卷积层、中间的一层转化层和右侧的四层上采样层构成,所述四层卷积层从上至下依次连接,所述四层上采样层从下至上依次连接,所述四层卷积层的第四层与所述四层上采样层的第一层通过所述转化层连接,其中,所述预设的Unet网络中所述四层卷积层、所述一层转化层和所述四层上采样层中的上一层的输出为下一层的输入,所述待识别指纹图像和所述模板指纹图像从所述四层卷积层的第一层输入,经训练后得所述一组公共区域掩码,所述一组公共区域掩码由所述四层上采样层的第四层输出。
3.如权利要求1所述的指纹识别方法,其特征在于,根据所述一组公共区域掩码获取所述待识别指纹图像和所述模板指纹图像的一组公共区域,具体包括:
对所述一组公共区域掩码进行二值化处理获取一组二值化的公共区域掩码,所述一组二值化的公共区域掩码中的每一张二值化的公共区域掩码包括一个或者多个待定公共区域;以及
筛选所述一组二值化的公共区域掩码中面积最大的一组待定公共区域作为所述一组公共区域。
4.如权利要求1所述的指纹识别方法,其特征在于,在利用预设的Unet网络获取所述待识别指纹图像和所述模板指纹图像的一组公共区域掩码之前,还包括:
利用多张训练指纹图像训练所述预设的Unet网络。
5.如权利要求4所述的指纹识别方法,其特征在于,利用多张训练指纹图像训练所述预设的Unet网络,具体包括:
利用所述多张训练指纹图像训练待定预设的Unet网络;
将一张测试指纹图像输入所述待定预设的Unet网络获取测试公共区域掩码;
计算所述测试公共区域掩码与所述一张测试指纹图像的实际公共区域掩码的差异;
根据所述差异判断所述待定预设的Unet网络输出的测试公共区域掩码是否符合预设的掩码标准;
当所述测试公共区域掩码符合所述预设的掩码标准时,将述所述待定预设的Unet网络设置为所述预设的Unet网络;以及
当所述测试公共区域掩码不符合所述预设的掩码标准时,添加另外的多张训练指纹图像训练所述待定预设的Unet网络。
6.如权利要求1所述的指纹识别方法,其特征在于,利用BLPOC算法为所述一组公共区域中的所述模板指纹图像的公共区域进行配准,获取一组配准后的公共区域,具体包括:
利用极坐标POC算法计算所述模板指纹图像的公共区域的旋转量;
根据所述旋转量对所述模板指纹图像进行变换得到第一模板指纹图像;
利用BLPOC算法计算所述模板指纹图像的公共区域的平移量;
根据所述平移量对所述第一模板指纹图像进行平移变换得到第二模板指纹图像;以及
将所述待识别指纹图像的公共区域和所述第二模板指纹图像的公共区域构成所述一组配准后的公共区域。
7.如权利要求1所述的指纹识别方法,其特征在于,根据所述相似分数输出识别结果,具体包括:
判断所述相似分数是否大于或者等于预设结果值;
当所述相似分数大于或者等于所述预设结果值时,输出指纹匹配成功的结果;以及
当所述相似分数小于所述预设结果值时,输出指纹匹配失败的结果。
8.一种存储介质,其特征在于,所述存储介质上存储有能够被处理器加载并执行的如权利要求1~7中任意一项所述的指纹识别方法的程序指令。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,用于存储指纹识别方法的程序指令;以及
处理器,用于执行所述程序指令以使所述计算机设备实现如权利要求1~7任意一项所述的指纹识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149226.8A CN112507987B (zh) | 2021-02-03 | 2021-02-03 | 指纹识别方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149226.8A CN112507987B (zh) | 2021-02-03 | 2021-02-03 | 指纹识别方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507987A CN112507987A (zh) | 2021-03-16 |
CN112507987B true CN112507987B (zh) | 2021-05-07 |
Family
ID=74952469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149226.8A Active CN112507987B (zh) | 2021-02-03 | 2021-02-03 | 指纹识别方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990163B (zh) * | 2021-05-18 | 2021-08-06 | 深圳阜时科技有限公司 | 指纹校准方法、电子设备及存储介质 |
CN116311395B (zh) * | 2022-08-18 | 2023-11-14 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539993A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于尺寸缩放估算的多采集仪间指纹交叉匹配方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718214B (zh) * | 2015-10-21 | 2019-02-26 | 深圳芯启航科技有限公司 | 指纹掩膜图像的存取方法及装置 |
CN110648350B (zh) * | 2019-09-26 | 2022-10-21 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN111079626B (zh) * | 2019-12-11 | 2023-08-01 | 深圳市迪安杰智能识别科技有限公司 | 一种活体指纹识别方法、电子设备及计算机可读存储介质 |
-
2021
- 2021-02-03 CN CN202110149226.8A patent/CN112507987B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539993A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 基于尺寸缩放估算的多采集仪间指纹交叉匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507987A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766809B (zh) | 电子装置、票据信息识别方法和计算机可读存储介质 | |
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
CN111639535B (zh) | 基于深度学习的人脸识别方法及装置 | |
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
US20190279045A1 (en) | Methods and apparatuses for identifying object category, and electronic devices | |
CN108154171B (zh) | 一种人物识别方法、装置及电子设备 | |
CN112507987B (zh) | 指纹识别方法、存储介质及计算机设备 | |
WO2016127734A1 (zh) | 指纹识别方法和装置 | |
WO2021136027A1 (zh) | 相似图像检测方法、装置、设备及存储介质 | |
CN109740606A (zh) | 一种图像识别方法及装置 | |
CN112597978B (zh) | 指纹匹配方法、装置、电子设备及存储介质 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN109165657A (zh) | 一种基于改进sift的图像特征检测方法及装置 | |
Fu et al. | Novel affine‐invariant curve descriptor for curve matching and occluded object recognition | |
CN111126268A (zh) | 关键点检测模型训练方法、装置、电子设备及存储介质 | |
WO2021120589A1 (zh) | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 | |
CN110287361B (zh) | 一种人物图片筛选方法及装置 | |
US20200093392A1 (en) | Brainprint signal recognition method and terminal device | |
CN112418191A (zh) | 指纹识别模型构建方法、存储介质及计算机设备 | |
CN112560818A (zh) | 应用于窄条形指纹传感器的指纹识别方法及存储介质 | |
CN104573651B (zh) | 指纹识别方法和装置 | |
CN113743187A (zh) | 工程图纸中的图例识别方法、装置、电子设备和存储介质 | |
WO2014198055A1 (en) | Image processing including adjoin feature based object detection, and/or bilateral symmetric object segmentation | |
WO2021217854A1 (zh) | 假阳性过滤方法、装置、设备及存储介质 | |
CN113033257B (zh) | 指纹识别方法、装置、电子设备及可读存储介质 |
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 |