CN112560813A - 窄条形指纹的识别方法、存储介质及电子设备 - Google Patents
窄条形指纹的识别方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112560813A CN112560813A CN202110189381.2A CN202110189381A CN112560813A CN 112560813 A CN112560813 A CN 112560813A CN 202110189381 A CN202110189381 A CN 202110189381A CN 112560813 A CN112560813 A CN 112560813A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- training
- groups
- registered
- 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 76
- 238000012549 training Methods 0.000 claims abstract description 226
- 230000004927 fusion Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (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
本申请提供了一种窄条形指纹的识别方法,该方法包括,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组;将多组训练指纹组喂入多图融合分类网络得到预训练模型;根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组;将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID;将一组待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别手指ID;根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果。本申请解决了窄条形指纹尺寸过小不易识别的问题。
Description
技术领域
本申请涉及消费电子领域,尤其涉及一种窄条形指纹的识别方法、存储介质、电子设备、窄条形指纹识别装置、训练窄条形指纹识别模型的方法、指纹识别模组以及窄条形指纹传感器。
背景技术
指纹识别技术消费电子领域应用十分广泛,如电脑、智能手机、智能手表等。随着科技产品不断向着高、精、尖方向发展,以智能手机为例,指纹识别经历了正面指纹识别方案、背面指纹识别方案等阶段,不断优化,后来一些设计者出于对手机外观的考虑,又将指纹传感器设计在手机侧面。不同于针对较大面积或者具有正方形形状指纹图像的传统指纹识别方法,这种窄条形(长宽比超过1.5)指纹图像在实现指纹的准确识别时难度较大。传统指纹识别方法依赖指纹端、叉点等细节点,来达到较高的指纹识别精度,窄条形指纹传感器由于获取的指纹面积太小,每个指纹图像上的细节点很少甚至提取不到,导致无法直接使用传统指纹识别方法对窄条形指纹传感器获取的指纹图像进行识别,原来的优良算法性能严重下降。除了传统指纹识别方法,还有一些基于深度学习的指纹识别方法也可以用于窄条形指纹的识别,但一般的基于深度学习的指纹识别方法在训练多图融合分类网络时需要指纹图像的长和宽基本一致,但是直接改变窄条形指纹图像的长宽比例将会导致图像失真,不利于指纹的识别,导致指纹识别的准确率大大降低。
因此,提供一种适用于识别窄条形微小面积指纹图像的窄条形指纹识别方法是亟需解决的问题。
发明内容
本申请提供一种窄条形指纹的识别方法、存储介质、电子设备、窄条形指纹识别装置、训练窄条形指纹识别模型的方法、指纹识别模组以及窄条形指纹传感器,能够准确识别窄条形微小面积指纹图像,找出窄条形微小面积指纹图像对应的注册手指,实现窄条形指纹识别的功能。
第一方面,本申请实施例提供一种窄条形指纹的识别方法,该窄条形指纹的识别方法包括:
根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID;
将多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID;
根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID;
将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID;
根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,一组待识别指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同;
将一组待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别手指ID;
根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果。
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中任一项的窄条形指纹的识别方法的程序指令。
第三方面,本申请实施例提供一种电子设备,该电子设备包括:
存储器,用于存储程序指令;
处理器,用于执行程序指令以使电子设备实现上述的窄条形指纹的识别方法。
上述的电子设备还包括主体和窄条形指纹识别传感器,窄条形指纹识别传感器设置于主体的侧面,主体的侧面外形和窄条形指纹识别传感器的外形相适配。
第四方面,本申请实施例提供一种窄条形指纹识别装置,该窄条形指纹识别装置包括:
预训练模型训练模块,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID;将多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID;
目标模型训练模块,根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID;将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID;
指纹识别模块,根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,一组待识别指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同;将一组待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别手指ID;根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果。
第五方面,本申请实施例提供一种训练窄条形指纹识别模型的方法,训练窄条形指纹识别模型的方法包括:
根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID;
将多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID;
根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID;
将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID。
第六方面,本申请实施例提供一种指纹识别模组,该指纹识别模组包括:
存储器,用于存储程序指令;
处理器,用于执行程序指令以使指纹识别模组实现上述的窄条形指纹的识别方法。
第七方面,本申请实施例提供一种窄条形指纹传感器,该窄条形指纹传感器包括上述的指纹识别模组。进一步地,该窄条形指纹传感器为窄条形曲面指纹传感器。更进一步的,该窄条形指纹传感器为窄条形电容式曲面指纹传感器。
在本实施例中,根据预设的第一图像处理规则将多张训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同,多张训练指纹图像取样于同一手指。是为了能够喂入多图融合分类网络的样本,一般的多图融合分类网络不能够识别窄条形的指纹,所以在本申请中就对窄条形的指纹进行了预处理,获取了到能够被多图融合分类网络学习的正方形图像,并减少了指纹图像指纹线方向的判断维度,使得多图融合分类网络能够提取到训练指纹图像的指纹图像特征,得到预训练模型。加载过预训练模型的多图融合分类网络能够通过指纹图像特征对训练指纹图像进行分类,获取训练指纹ID,最终实现初步的指纹识别的功能。进一步地,在实际使用中将由多张注册指纹图像得到的多组注册指纹组输入加载了预训练模型的多图融合分类网络,得到目标模型。加载了预训练模型的多图融合分类网络能够使多图融合分类网络能够更加快捷的进行学习,得到更准确的对指纹图像进行特征提取以及分类,得到一个能准确识别待识别指纹图像的识别结果的目标模型。将待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别指纹ID,并根据指待识别指纹ID获取窄条形指纹识别的结果,从而实现窄条形指纹图像被准确识别的功能。
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为本申请实施例提供的窄条形指纹的识别方法的流程图。
图2为本申请实施例提供的窄条形指纹的识别方法的第一子流程图。
图3为本申请实施例提供的窄条形指纹的识别方法的第二子流程图。
图4为本申请实施例提供的窄条形指纹的识别方法的第三子流程图。
图5为本申请实施例提供的窄条形指纹的识别方法的第四子流程图。
图6为本申请实施例提供的窄条形指纹的识别方法的第五子流程图。
图7为本申请实施例提供的窄条形指纹的识别方法的第六子流程图。
图8为本申请实施例提供的训练指纹图像及其无效区域和有效区域示意图。
图9为本申请实施例提供的电子设备内部结构示意图。
图10为本申请实施例提供的正方形的子图像和指纹线方向为主方向的正方形的子图像的示意图。
图11为本申请实施例提供的训练指纹图像的有效区域和其正方形子图像示意图。
图12为本申请实施例提供的窄条形指纹的识别方法的第七子流程图。
图中各元件标号
900 | 电子设备 | 901 | 存储器 |
902 | 处理器 | 903 | 总线 |
904 | 显示组件 | 905 | 通信组件 |
810 | 训练指纹图像 | 811 | 训练指纹图像的无效区域 |
820 | 训练指纹图像的有效区域 | 101 | 正方形的子图像 |
102 | 指纹线方向为主方向的正方形的子图像 |
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,其为本申请实施例提供的窄条形指纹的识别方法的流程图。其中,实施例提供的窄条形指纹的识别方法具体包括下面步骤。
步骤S101,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组。其中,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID。身份标识号(Identity document,ID)。训练手指ID是训练指纹图像对应的手指标号。在本申请中,第一图像处理规则是首先去除无效区域,然后对裁剪得到的指纹图像进行直方图均衡化处理,防止不同图像之间对比度差异的干扰,最后将得到的指纹图像有效区域(160像素×32像素)按预设的步长裁剪为5个(32像素×32像素)的子图像。根据图像的梯度直方图找到子图像的主方向,根据主方向对应夹角将所有图像旋转至同一方向。请结合参看图11,训练指纹图像的有效区域820处理为方向一致的5个指纹线方向为主方向的正方形的子图像102。
具体地,首先去除无效区域,不同于传统指纹识别方法,可以根据掩膜忽略指纹图像上的所有无效图像块,深度学习方案需要确保输入网络的图像尽可能没有无效区域干扰,需要裁剪掉无效区域,根据经验,窄条形指纹图像的无效区域主要分布在两端。采用矩形框依次从图像两端向中间滑动,统计滑窗内的无效点数量,超过阈值则裁剪当前的区域,继续遍历直到滑窗内无效点数量小于阈值,处理结果如图3,然后对裁剪得到的指纹图像进行直方图均衡化处理,防止不同图像之间对比度差异的干扰。将得到的指纹图像(160像素×32像素)按预设的步长裁剪为5个(32像素×32像素)的子图像。根据图像的梯度直方图找到子图像的主方向,根据主方向对应夹角将所有图像旋转至同一方向。进一步地,请参看步骤S1011-步骤S1015。
在本实施例中,去除无效区域,减少了无效区域对指纹识别的影响,提升指纹识别的效率。将指纹图像有效区域(160像素×32像素)按预设的步长裁剪为5个(32像素×32像素)的子图像将窄条形指纹图像从多图融合分类网络不能识别的窄条形指纹转化为多图融合分类网络可以识别的正方形图像,使得多图融合分类网络通过学习窄条形指纹图像的子图像的图形特征,达到识别窄条形指纹图像的功能,同时增加了多图融合分类网络的应用场景,提高了多图融合分类网络的利用率,增加了多图融合分类网络的应用场景。
步骤S102,将多组训练指纹组喂入多图融合分类网络得到预训练模型。其中,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID。预训练模型是从训练指纹图像中提取的指纹图像特征。在本实施例中,多图融合分类网络是深度残差网络的一种,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID。进一步地,多图融合分类网络使用Multi-View CNN,将裁剪得到的5个不同的小块看成 5 个不同的视角,通过中间层融合,使多图融合分类网络在学习局部信息时也可以关注整体,就可以有效解决模板和解锁录入角度不同的问题,如横录竖解、360°解锁和任意角度解锁。
为了使多图融合分类网络重点学习指纹的脊骨线走势,多图融合分类网络除了学习指纹图像特征,还学习一个指纹线的主方向。该主方向是预设的。由于训练时需输入多个(32像素×32像素)的子图像,多图融合分类网络添加了用于特征融合的视角池层,具体地,视角池层可选MaxPooling算法、Avgpooling算法来获取或者用直接堆叠的方法获取。视角池层将5个子图的子图像特征量并行输出的同时,将5个子图的子图像特征量进行有效融合得到一个新的总图像特征量,根据总图像特征量,输出训练手指ID,训练手指ID为手指设置识别编号(Identity document,ID),不同手指的ID不同。在本实施例中,训练手指ID是指纹数据库中不同手指具有的身份识别。
步骤S103,根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组。其中,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID。具体请参照步骤S1031-步骤S1034。
步骤S104,将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型。其中,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID。目标模型是是从注册指纹图像中提取的指纹图像特征。在本实施例中,每个待注册的手指大概要注册10~20个注册指纹图像作为模板,并设置指纹图像质量筛选条件,例如录入的注册指纹图像的面积是否达到预设的面积数值,以确保录入注册指纹图像有效。将录入的注册指纹图像经过预设的第二图像处理规则处理后作为正样本,并为每一根手指设置注册手指ID,不同手指的注册手指ID不同,将注册手指ID构建为注册指纹ID库。
验证加载了目标模型的多图融合分类网络是否能够识别出输入的多组注册指纹组来自哪一个手指,当加载了目标模型的多图融合分类网络能够识别输入的任意一组注册指纹组的注册手指ID时,目标模型构建成功,可用于窄条形指纹图像的识别。
步骤S105,根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组。一组待识别指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同。待识别指纹图像与注册指纹图像取样于同样的手指。具体请参照步骤S1051-步骤S1054。
步骤S106,将一组待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别手指ID。
步骤S107,根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果。具体请参照步骤S1071-步骤S1074。进一步的,应用在手指指纹屏幕解锁中就是,识别成功就是解开屏锁,识别失败就是输出解锁失败的信息。应用在智能门锁指纹解锁中,识别成功就是打开门锁,识别失败发出识别失败的警报声。在不同的应用场景中,窄条形指纹的识别方法输出的识别结果将被转化为对应的信号,这里的示例仅做说明不做限定。
在本实施例中,根据预设的第一图像处理规则将多张训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同,多张训练指纹图像取样于同一手指。是为了能够喂入多图融合分类网络的样本,一般的多图融合分类网络不能够识别窄条形的指纹,所以在本申请中就对窄条形的指纹进行了预处理,获取了到能够被多图融合分类网络学习的正方形图像,并减少了指纹图像指纹线方向的判断维度,使得多图融合分类网络能够提取到训练指纹图像的指纹图像特征,得到预训练模型。加载了预训练模型的多图融合分类网络能够通过指纹图像特征对训练指纹图像进行分类,获取训练指纹ID,最终实现初步的指纹识别的功能。进一步地,在实际使用中将由多张注册指纹图像得到的多组注册指纹组输入加载了预训练模型的多图融合分类网络,得到目标模型。加载了预训练模型的多图融合分类网络能够使多图融合分类网络能够更加快捷的进行学习,得到更准确的对指纹图像进行特征提取以及分类,得到一个能准确识别待识别指纹图像的识别结果的目标模型。将待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别指纹ID,并根据指待识别指纹ID获取窄条形指纹识别的结果,从而实现窄条形指纹图像被准确识别的功能。
请结合参看图2,其为本申请实施例提供的步骤S101的子步骤流程图。步骤S101根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,其中,获取每一组训练指纹组具体包括下面步骤。
步骤S1011,根据预设的计算规则计算出训练指纹图像的无效区域。预设的计算规则为利用矩形框筛选无效区域,具体请参看步骤S10111-步骤S10116。请结合参看图8,利用矩形框筛选出训练指纹图像810中的训练指纹图像的无效区域811。
步骤S1012,裁剪训练指纹图像的无效区域,得到训练指纹图像的有效区域,得到每一张训练指纹图像的有效区域。请继续结合参看图8,裁剪每一张训练指纹图像810的训练指纹图像的无效区域811得到训练指纹图像的有效区域820。
步骤S1013,将训练指纹图像的有效区域裁剪为多张正方形的子图像。
步骤S1014,根据预设的旋转规则将多张正方形的子图像旋转至指纹线方向相同,得到训练指纹组。预设的旋转规则为获取多张正方形的子图像的主方向,然后将多张正方形的子图像旋转至主方向。具体请参看步骤S10141-步骤S10144。
步骤S1015,为训练指纹组添加对应的训练指纹图像所属的训练手指ID的标签。
在本实施例中,将多张正方形的子图像旋转至同一方向,减少了方向维度干扰,使得多图融合分类网络能够更快的学习训练指纹组中各个正方形子图像的图像特征。
请结合参看图3,其为本申请实施例提供的步骤S1011的子步骤流程图。步骤S1011根据预设的计算规则计算出训练指纹图像的无效区域,具体包括下面步骤。
步骤S10111,提取训练指纹图像上的所有无效点。
步骤S10112,根据训练指纹图像的宽度构建矩形框。具体请参看步骤S101121-步骤S101123。
步骤S10113,利用两个矩形框从训练指纹图像的两端向中间滑动。
步骤S10114,计算每一个矩形框内无效点的数量。
步骤S10115,判断每一个矩形框内无效点的数量是否大于或者等于预设阈值。
步骤S10116,当某一个矩形框内无效点的数量大于或者等于预设阈值时,将某一个矩形框对应的指纹图像区域标记为训练指纹图像的无效区域。
在本实施例中,减少了需要被多图融合分类网络学习的部分,保证多图融合分类网络中输入多张正方形子图像尽可能没有无效区域干扰,提升多图融合分类网络的训练的效率。
请结合参看图4,其为本申请实施例提供的步骤S10112的子步骤流程图。步骤S10112,根据训练指纹图像的宽度构建矩形框,具体包括下面步骤。
步骤S101121,获取训练指纹图像的宽度作为矩形框的长度。
步骤S101122,获取预设矩形框的宽度。
步骤S101123,根据矩形框的长度和预设矩形框的宽度构建出矩形框。
请结合参看图5,其为本申请实施例提供的步骤S1014的子步骤流程图。步骤S1014,根据预设的旋转规则将多张正方形的子图像旋转至指纹线方向相同,得到训练指纹组,具体包括下面步骤。
步骤S10141,构建多张正方形的子图像的指纹线方向的梯度直方图。
步骤S10142,获取预设的主方向。
步骤S10143,根据梯度直方图计算出每一张正方形的子图像的指纹线方向与主方向的夹角。
步骤S10144,根据夹角将每一张正方形的子图像的指纹线方向旋转至与主方向一致的方向,得到训练指纹组。请结合参看图10,正方形的子图像101经旋转操作后得到指纹线方向为主方向的正方形的子图像。
请结合参看图6,其为本申请实施例提供的步骤S103的子步骤流程图。步骤S103,根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,其中,获取每一组注册指纹组具体包括下面步骤。
步骤S1031,根据预设的第一图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组。
步骤S1032,获取多组注册指纹组中所有标签。
步骤S1033,获取每一个标签所对应的所有正方形的子图像。
步骤S1034,从每一个标签所对应的所有正方形的子图像中随机选取多张正方形的子图像组成注册指纹组。
在本实施例中,将一个手指的所有正方形子图像打乱顺序,每次随机取5个正方形子图像,喂入加载了预训练模型的多图融合分类网络进行学习、验证和测试,提升了训练指纹的多样性,能够为目标训练模型提供更多可学习样本,能够提升目标模型的准确定。
在此阶段,加载了预训练模型的多图融合分类网络是具有一定指纹类别区分能力的多图融合分类网络,使得加载了预训练模型的多图融合分类网络具有较好的移植性,可以更好的应用于各种实际指纹识别的场景中。
请结合参看图7,其为本申请实施例提供的步骤S105的子步骤流程图。步骤S105根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,具体包括下面步骤。
步骤S1051,根据预设的计算规则计算出待识别指纹图像的无效区域。
步骤S1052,裁剪待识别指纹图像的无效区域,得到待识别指纹图像的有效区域。
步骤S1053,将待识别指纹图像的有效区域裁剪为多张正方形的子图像。
步骤S1054,根据预设的旋转规则将多张正方形的子图像旋转至指纹线方向相同,得到待识别指纹组。
在本实施例中,减少了因角度问题导致的窄条形指纹识别失败问题,使加载了目标模型的多图融合分类网络的识别更准确。
请结合参看图12,其为本申请实施例提供的步骤S107的子步骤流程图。步骤S107根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果,具体包括下面步骤。
步骤S1071,利用多个注册手指ID构建注册指纹ID库。
步骤S1072,判断待识别手指ID是否与注册指纹ID库中包含的注册手指ID相匹配。
步骤S1073,当待识别手指ID与注册指纹ID库中包含的注册手指ID相匹配时,输出识别成功信息。
步骤S1074,当待识别手指ID与注册指纹ID库中包含的注册手指ID不相匹配时,输出识别失败信息。
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窄条形指纹的识别方法的程序指令。具体地,该存储介质可以是光盘、高密度数字视频光盘 (DigitalVideoDisc,DVD) 或者U盘等。由于存储介质存储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。
本申请还提供了一种窄条形指纹识别装置,该窄条形指纹识别装置具体包括以下模块。
预训练模型训练模块,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID;将多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID。
目标模型训练模块,根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID;将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID。
指纹识别模块,根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,一组待识别指纹组包括多张正方形的子图像,多张正方形的子图像的指纹线方向相同;将一组待识别指纹组输入加载了目标模型的多图融合分类网络得到待识别指纹图像的待识别手指ID;根据待识别手指ID和多个注册手指ID得出待识别指纹图像的识别结果。
由于窄条形指纹识别装置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。
本申请还提供了一种训练窄条形指纹识别模型的方法,该训练窄条形指纹识别模型的方法包括。
根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,多组训练指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组训练指纹组对应的训练指纹图像所属的训练手指ID。
将多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的训练手指ID。
根据预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,多组注册指纹组中所有正方形的子图像的指纹线方向相同,标签表示每一组注册指纹组对应的注册指纹图像所属的注册手指ID。
将多组注册指纹组喂入加载了预训练模型的多图融合分类网络得到目标模型,加载了目标模型的多图融合分类网络能够识别出每一张注册指纹图像的注册手指ID。
本申请还提供一种电子设备900,电子设备900至少包括存储器901和处理器902。存储器901用于存储窄条形指纹的识别方法的程序指令。处理器902,用于执行程序指令以使电子设备实现上述的窄条形指纹的识别方法。请结合参看图9,其为本申请实施例提供的电子设备900的内部结构示意图。具体地,电子设备可以是智能手机等。
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电子设备900的内部存储单元,例如电子设备900的硬盘。存储器901在另一些实施例中也可以是电子设备900的外部存储介质,例如电子设备900上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字卡(Secure Digital, SD),闪存卡(Flash Card)等。进一步地,存储器901还可以既包括电子设备900的内部存储单元也包括外部存储介质。存储器901不仅可以用于存储安装于电子设备900的应用软件及各类数据,例如窄条形指纹的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,例如窄条形指纹的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执行窄条形指纹的识别方法的程序指令以控制电子设备900实现窄条形指纹的识别方法。
进一步地,电子设备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,电子设备900还可以包括显示组件904。显示组件904可以是LED(LightEmitting 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(OrganicLight-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,用于显示在电子设备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,电子设备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),通常用于在电子设备900与其他电子设备之间建立通信连接。
图9仅示出了具有组件901-905以及实现窄条形指纹的识别方法的程序指令的电子设备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电子设备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。由于电子设备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。
进一步地,在本实施例中,电子设备还包括主体和窄条形指纹识别传感器,窄条形指纹识别传感器设置于所述主体的侧面,主体的侧面外形和窄条形指纹识别传感器的外形相适配。
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。
该窄条形指纹的识别方法包括一个或多个程序指令。在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介质。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 StateDisk(SSD))等。
本申请还提供一种指纹识别模组,该指纹识别模组包括,存储器,用于存储程序指令。处理器,用于执行程序指令以使指纹识别模组实现上述的窄条形指纹的识别方法。本说明书中描述的许多功能单元已经作为模块被标注,以便更具体地强调他们的独立实施。例如,模块可以作为硬件电路而被实施,其中所述硬件电路包括定制的超大规模集成(VLSI)电路或门电路阵列、现成的半导体,诸如逻辑芯片、晶体管、或其他分立元件。模块还可以在可编程的硬件设备内被实施,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等等。
模块也可以在软件中被实施以便被各种类型的处理器执行。识别的可执行代码的模块可以,例如,包括一个或多个计算机指令的物理或逻辑块,其中物理或逻辑块可以例如被作为对象、程序、或功能而被组织。然而,识别的模块的可执行文件不需要物理上位于一起,但是可以包括储存在不同位置的不同的指令,当逻辑上结合到一起时,其包括模块且实现模块的规定的目标。
可执行代码的模块可以是单一指令或许多指令,并且甚至可以分布于不同程序间的众多不同的代码段,且遍及许多存储设备。同样地,可操作的数据在本文模块内会被识别及示出,并且可以以任何适合的形式被体现,且被组织在任何适合类型的数据结构内。可操作的数据可以作为单一数据集而被收集,或可以被分布于不同位置,其包括分布于不同的存储设备,并且可以至少部分地仅作为系统或网络上的电子信号而存在。
本领域的技术人员将意识到在所要求发明的范围内,可以针对描述的示例实施例进行修改,并且意识到许多其他实施例也是有可能的。
本申请还提供一种窄条形指纹传感器,该窄条形指纹传感器包括上述的指纹识别模组。进一步地,窄条形指纹传感器为窄条形曲面指纹传感器。更进一步地,窄条形指纹传感器为窄条形电容式曲面指纹传感器。由于窄条形指纹传感器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。
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,以上所描述的窄条形指纹的识别方法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 (17)
1.一种窄条形指纹的识别方法,其特征在于,所述窄条形指纹的识别方法包括:
根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,所述多组训练指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组训练指纹组对应的训练指纹图像所属的训练手指ID;
将所述多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了所述预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的所述训练手指ID;
根据所述预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,所述多组注册指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组注册指纹组对应的注册指纹图像所属的注册手指ID;
将所述多组注册指纹组喂入加载了所述预训练模型的多图融合分类网络得到目标模型,加载了所述目标模型的多图融合分类网络能够识别出每一张注册指纹图像的所述注册手指ID;
根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,所述一组待识别指纹组包括多张正方形的子图像,所述多张正方形的子图像的指纹线方向相同;
将所述一组待识别指纹组输入加载了所述目标模型的多图融合分类网络得到所述待识别指纹图像的待识别手指ID;以及
根据所述待识别手指ID和多个注册手指ID得出所述待识别指纹图像的识别结果。
2.如权利要求1所述的窄条形指纹的识别方法,其特征在于,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,其中,获取所述每一组训练指纹组,具体包括:
根据预设的计算规则计算出所述训练指纹图像的无效区域;
裁剪所述训练指纹图像的无效区域,得到所述训练指纹图像的有效区域;
将所述训练指纹图像的有效区域裁剪为所述多张正方形的子图像;
根据预设的旋转规则将所述多张正方形的子图像旋转至指纹线方向相同,得到所述训练指纹组;以及
为所述训练指纹组添加对应的训练指纹图像所属的训练手指ID的标签。
3.如权利要求2所述的窄条形指纹的识别方法,其特征在于,根据预设的计算规则计算出所述训练指纹图像的无效区域,具体包括:
提取所述训练指纹图像上的所有无效点;
根据所述训练指纹图像的宽度构建矩形框;
利用两个所述矩形框从所述训练指纹图像的两端向中间滑动;
计算每一个矩形框内无效点的数量;
判断所述每一个矩形框内无效点的数量是否大于或者等于预设阈值;以及
当某一个矩形框内无效点的数量大于或者等于所述预设阈值时,将所述某一个矩形框对应的指纹图像区域标记为所述训练指纹图像的无效区域。
4.如权利要求3所述的窄条形指纹的识别方法,其特征在于,根据所述训练指纹图像的宽度构建矩形框,具体包括:
获取所述训练指纹图像的宽度作为所述矩形框的长度;
获取预设矩形框的宽度;以及
根据所述矩形框的长度和所述预设矩形框的宽度构建出所述矩形框。
5.如权利要求2所述的窄条形指纹的识别方法,其特征在于,根据预设的旋转规则将所述多张正方形的子图像旋转至指纹线方向相同,得到训练指纹组,具体包括:
构建所述多张正方形的子图像的指纹线方向的梯度直方图;
获取预设的主方向;
根据所述梯度直方图计算出每一张正方形的子图像的指纹线方向与所述主方向的夹角;以及
根据所述夹角将所述每一张正方形的子图像的指纹线方向旋转至与所述主方向一致的方向,得到所述训练指纹组。
6.如权利要求1所述的窄条形指纹的识别方法,其特征在于,根据所述预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,其中,获取所述每一组注册指纹组,具体包括:
根据所述预设的第一图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组;
获取所述多组注册指纹组中所有标签;
获取每一个标签所对应的所有正方形的子图像;以及
从所述每一个标签所对应的所有正方形的子图像中随机选取多张正方形的子图像组成所述注册指纹组。
7.如权利要求1所述的窄条形指纹的识别方法,其特征在于,根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,具体包括:
根据所述预设的计算规则计算出待识别指纹图像的无效区域;
裁剪所述待识别指纹图像的无效区域,得到所述待识别指纹图像的有效区域;
将所述待识别指纹图像的有效区域裁剪为所述多张正方形的子图像;以及
根据所述预设的旋转规则将所述多张正方形的子图像旋转至指纹线方向相同,得到所述待识别指纹组。
8.如权利要求1所述的窄条形指纹的识别方法,其特征在于,根据所述待识别手指ID和多个注册手指ID得出所述待识别指纹图像的识别结果,具体包括:
利用所述多个注册手指ID构建注册指纹ID库;
判断所述待识别手指ID是否与所述注册指纹ID库中包含的注册手指ID相匹配;
当所述待识别手指ID与所述注册指纹ID库中包含的注册手指ID相匹配时,输出识别成功信息;或者
当所述待识别手指ID与所述注册指纹ID库中包含的注册手指ID不相匹配时,输出识别失败信息。
9.一种存储介质,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1~8中任一项所述的窄条形指纹的识别方法的程序指令。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储程序指令;以及
处理器,用于执行所述程序指令以使所述电子设备实现如权利要求1~8任意一项所述的窄条形指纹的识别方法。
11.如权利要求10所述的电子设备,其特征在于,所述电子设备还包括主体和窄条形指纹识别传感器,所述窄条形指纹识别传感器设置于所述主体的侧面,所述主体的侧面外形和所述窄条形指纹识别传感器的外形相适配。
12.一种窄条形指纹识别装置,其特征在于,所述窄条形指纹识别装置包括:
预训练模型训练模块,根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,所述多组训练指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组训练指纹组对应的训练指纹图像所属的训练手指ID;将所述多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了所述预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的所述训练手指ID;
目标模型训练模块,根据所述预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,所述多组注册指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组注册指纹组对应的注册指纹图像所属的注册手指ID;将所述多组注册指纹组喂入加载了所述预训练模型的多图融合分类网络得到目标模型,加载了所述目标模型的多图融合分类网络能够识别出每一张注册指纹图像的所述注册手指ID;
指纹识别模块,根据预设的第三图像处理规则将一张待识别指纹图像处理为一组待识别指纹组,所述一组待识别指纹组包括多张正方形的子图像,所述多张正方形的子图像的指纹线方向相同;将所述一组待识别指纹组输入加载了所述目标模型的多图融合分类网络得到所述待识别指纹图像的待识别手指ID;根据所述待识别手指ID和多个注册手指ID得出所述待识别指纹图像的识别结果。
13.一种训练窄条形指纹识别模型的方法,其特征在于,所述训练窄条形指纹识别模型的方法包括:
根据预设的第一图像处理规则将多张不同的训练指纹图像处理为多组训练指纹组,每一组训练指纹组包括多张正方形的子图像和一个标签,所述多组训练指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组训练指纹组对应的训练指纹图像所属的训练手指ID;
将所述多组训练指纹组喂入多图融合分类网络得到预训练模型,加载了所述预训练模型的多图融合分类网络能够识别出每一张训练指纹图像的所述训练手指ID;
根据所述预设的第二图像处理规则将多张不同的注册指纹图像处理为多组注册指纹组,每一组注册指纹组包括多张正方形的子图像和一个标签,所述多组注册指纹组中所有正方形的子图像的指纹线方向相同,所述标签表示所述每一组注册指纹组对应的注册指纹图像所属的注册手指ID;以及
将所述多组注册指纹组喂入加载了所述预训练模型的多图融合分类网络得到目标模型,加载了所述目标模型的多图融合分类网络能够识别出每一张注册指纹图像的所述注册手指ID。
14.一种指纹识别模组,其特征在于,所述指纹识别模组包括:
存储器,用于存储程序指令;以及
处理器,用于执行所述程序指令以使所述指纹识别模组实现如权利要求1~8任意一项所述的窄条形指纹的识别方法。
15.一种窄条形指纹传感器,其特征在于,所述窄条形指纹传感器包括如权利要求14所述的指纹识别模组。
16.如权利要求15所述的窄条形指纹传感器,其特征在于,所述窄条形指纹传感器为窄条形曲面指纹传感器。
17.如权利要求15所述的窄条形指纹传感器,其特征在于,所述窄条形指纹传感器为窄条形电容式曲面指纹传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189381.2A CN112560813B (zh) | 2021-02-19 | 2021-02-19 | 窄条形指纹的识别方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189381.2A CN112560813B (zh) | 2021-02-19 | 2021-02-19 | 窄条形指纹的识别方法、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560813A true CN112560813A (zh) | 2021-03-26 |
CN112560813B CN112560813B (zh) | 2021-05-25 |
Family
ID=75036003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189381.2A Active CN112560813B (zh) | 2021-02-19 | 2021-02-19 | 窄条形指纹的识别方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560813B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070076187A (ko) * | 2006-01-18 | 2007-07-24 | 엘지전자 주식회사 | 지문 인식 방법 |
CN102483805A (zh) * | 2009-08-19 | 2012-05-30 | 贺利实公司 | 指纹补绘目标区域的自动识别 |
CN103077377A (zh) * | 2012-12-31 | 2013-05-01 | 清华大学 | 基于方向场分布的指纹校正方法 |
US20140003680A1 (en) * | 2012-06-29 | 2014-01-02 | Apple Inc. | Zero Reference Based Ridge Flow Map |
CN106295539A (zh) * | 2016-08-03 | 2017-01-04 | 乐视控股(北京)有限公司 | 指纹识别方法、指纹识别装置和终端设备 |
US20170124380A1 (en) * | 2015-11-04 | 2017-05-04 | Himax Technologies Limited | Fingerprint image processing method and device |
CN107169479A (zh) * | 2017-06-26 | 2017-09-15 | 西北工业大学 | 基于指纹验证的智能移动设备敏感数据防护方法 |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN109214246A (zh) * | 2017-07-04 | 2019-01-15 | 清华大学深圳研究生院 | 基于全局方向信息的指纹检索方法 |
CN110383287A (zh) * | 2019-05-27 | 2019-10-25 | 深圳市汇顶科技股份有限公司 | 反色区域的确定方法、指纹芯片及电子设备 |
CN110765857A (zh) * | 2019-09-12 | 2020-02-07 | 敦泰电子(深圳)有限公司 | 指纹识别方法、芯片及电子装置 |
CN111666807A (zh) * | 2020-04-20 | 2020-09-15 | 浙江工业大学 | 一种基于卷积稀疏表示的多源指纹图像融合方法 |
US20210004560A1 (en) * | 2019-07-01 | 2021-01-07 | Gemalto Cogent Inc | Slap segmentation of contactless fingerprint images |
-
2021
- 2021-02-19 CN CN202110189381.2A patent/CN112560813B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070076187A (ko) * | 2006-01-18 | 2007-07-24 | 엘지전자 주식회사 | 지문 인식 방법 |
CN102483805A (zh) * | 2009-08-19 | 2012-05-30 | 贺利实公司 | 指纹补绘目标区域的自动识别 |
US20140003680A1 (en) * | 2012-06-29 | 2014-01-02 | Apple Inc. | Zero Reference Based Ridge Flow Map |
CN103077377A (zh) * | 2012-12-31 | 2013-05-01 | 清华大学 | 基于方向场分布的指纹校正方法 |
US20170124380A1 (en) * | 2015-11-04 | 2017-05-04 | Himax Technologies Limited | Fingerprint image processing method and device |
CN106295539A (zh) * | 2016-08-03 | 2017-01-04 | 乐视控股(北京)有限公司 | 指纹识别方法、指纹识别装置和终端设备 |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN107169479A (zh) * | 2017-06-26 | 2017-09-15 | 西北工业大学 | 基于指纹验证的智能移动设备敏感数据防护方法 |
CN109214246A (zh) * | 2017-07-04 | 2019-01-15 | 清华大学深圳研究生院 | 基于全局方向信息的指纹检索方法 |
CN110383287A (zh) * | 2019-05-27 | 2019-10-25 | 深圳市汇顶科技股份有限公司 | 反色区域的确定方法、指纹芯片及电子设备 |
US20210004560A1 (en) * | 2019-07-01 | 2021-01-07 | Gemalto Cogent Inc | Slap segmentation of contactless fingerprint images |
CN110765857A (zh) * | 2019-09-12 | 2020-02-07 | 敦泰电子(深圳)有限公司 | 指纹识别方法、芯片及电子装置 |
CN111666807A (zh) * | 2020-04-20 | 2020-09-15 | 浙江工业大学 | 一种基于卷积稀疏表示的多源指纹图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112560813B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
WO2019128646A1 (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
US20230376527A1 (en) | Generating congruous metadata for multimedia | |
US8867828B2 (en) | Text region detection system and method | |
WO2019033571A1 (zh) | 面部特征点检测方法、装置及存储介质 | |
CN110598686B (zh) | 发票的识别方法、系统、电子设备和介质 | |
TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
WO2019119396A1 (zh) | 人脸表情识别方法及装置 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
WO2021128846A1 (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
CN110781856A (zh) | 异质人脸识别模型训练方法、人脸识别方法及相关装置 | |
CN112529939A (zh) | 一种目标轨迹匹配方法、装置、机器可读介质及设备 | |
CN112560818B (zh) | 应用于窄条形指纹传感器的指纹识别方法及存储介质 | |
CN112560813B (zh) | 窄条形指纹的识别方法、存储介质及电子设备 | |
CN111402177A (zh) | 一种清晰度检测方法、系统、设备和介质 | |
CN116704528A (zh) | 票据识别核验方法、装置、计算机设备及存储介质 | |
CN112784816A (zh) | 窄条形指纹的识别方法、存储介质及电子设备 | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN108596127A (zh) | 一种指纹识别方法、身份验证方法及装置和身份核验机 | |
CN110827261B (zh) | 图像质量检测方法及装置、存储介质及电子设备 | |
CN113033512B (zh) | 窄条形指纹识别方法、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |