CN112784816A - 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
- CN112784816A CN112784816A CN202110197747.0A CN202110197747A CN112784816A CN 112784816 A CN112784816 A CN 112784816A CN 202110197747 A CN202110197747 A CN 202110197747A CN 112784816 A CN112784816 A CN 112784816A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- registered
- training
- finger
- identified
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 98
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 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
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 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
- 238000012360 testing method 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
- G06V40/13—Sensors therefor
- G06V40/1306—Sensors therefor non-optical, e.g. ultrasonic or capacitive sensing
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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;将所述多组训练指纹组喂入多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分类网络得到目标模型,加载了目标模型的多分类网络能够识别出每一张注册指纹图像的注册手指ID及特征向量;将一组待识别指纹组输入加载了目标模型的多合分类网络得到待识别指纹图像的待识别手指ID及特征向量;根据所述待识别手指ID及对应的特征向量和多个注册手指ID及对应的特征向量得出所述待识别指纹图像的识别结果。还提供了电子设备。
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。随着科技不断发展,这些电子产品快速向着集成度更高、体积更小的方向迭代,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。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。
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、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指纹微小面积指纹图像,找出窄条形指纹微小面积指纹图像对应的注册手指。
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,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,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分类网络得到预训练模型,其中,加载了所述预训练模型的多分类网络能够将每一组训练指纹图像的多张正方形的子图像输出所述训练手指ID和一个特征向量;
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,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分类网络得到目标模型,其中,加载了所述目标模型的多分类网络能够输出每一张注册指纹图像的所述注册手指ID和一个特征向量;
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,其中,所述一组待识别指纹组包括多张正方形的子图像;
将所述一组待识别指纹组输入加载了所述目标模型的多分类网络得到所述待识别指纹图像的待识别手指ID和一个特征向量;以及
根据所述待识别手指ID及对应的特征向量和多个注册手指ID及对应的特征向量得出所述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任意一项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任意一项的窄条形指纹的识别方法。
第五方面,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。
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。由于窄条形指纹传感器能够获取的指纹面积太小,每个图像上的细节点很少甚至无细节点,一般的多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,使得多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每组的多个子图的特征信息进行融合,使多张子图输出一个ID和一个特征向量,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经过筛选及预处理得到的多组注册指纹组喂入加载了预训练模型的多分类网络,得到目标模型。再次将多组注册指纹组喂入加载了目标模型的多分类网络进行特征提取,每个注册指纹组对应一个多维特征。为了节省存储资源,和方便后面指纹识别,使用KNN聚类对这些多维特征进行聚类,将数个注册指纹图像映射到特征空间,生成对应数量的特征向量。将最后得到的ID和特征向量构成注册指纹特征向量模板库,用于指纹的识别。将待识别指纹组输入加载了目标模型的多分类网络得到待识别指纹图像的待识别指纹ID和特征向量,并根据指待识别指纹ID和特征向量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电子设备示意图。
图3为本申请实施例提供的步骤S101的子步骤流程图。
图4为本申请实施例提供的步骤S103的子步骤流程图。
图5为本申请实施例提供的步骤S105的子步骤流程图。
图6为本申请实施例提供的步骤S107的子步骤流程图。
图7为本申请实施例提供的电子设备内部结构示意图。
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注册手指示意图。
图10为本申请实施例提供的窄条形指纹传感器的内部结构示意图。
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。
本发明提供一种指纹识别方法可以对狭小形(如窄条形、窄小弧条形)的指纹图像进行识别。该指纹识别方法可适用电子设备上设置狭小形指纹识别传感器,例如,在手机、平板电脑等窄条形指纹别传感器。
请参看图1和图2,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、图2为本申请实施例提供的电子设备示意图。该窄条形指纹的识别方法应用于设置在电子设备100的窄条形指纹识别传感器1中。窄条形指纹识别传感器1包括设有感测区10,窄条形指纹传感器1用于当用户的手指放置于感测区10时感测指纹图像。该指纹识别方法包括下面步骤。
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,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。在本实施例中,训练指纹图像为窄条形指纹图像。第一图像处理规则是首先利用阈值分割法确定掩膜,将训练指纹图像划分为有效区域及无效区域,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图像两端。其次,利用无效区域的最小包围矩形去除无效区域。如何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,具体内容将在下文描述。
步骤S102,将多组训练指纹组喂入多分类网络得到预训练模型。其中,加载了所述预训练模型的多分类网络能够输出每一组训练指纹图像的所述训练手指ID和一个特征向量。具体地,将多组训练指纹组构成训练集,并按照比例划分验证集,使用该多组训练指纹组训练多分类网络,其中,训练阶段将每组的所有子图打乱顺序每次取N个送入网络,增加多种可能性,增强多分类网络的性能;但验证、测试阶段是直接将来自同一指纹图像的N个子图送入网路。其中,多分类网络选用经典的网络包括但不限于:VGG、ResNet、InceptionNet、MobileNe。网络输出端设有多图特征融合模块,将每组的多张正方形子图的特征进行融合,使多张正方形子图输出一个ID和一个特征向量。
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,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。如何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,具体内容将在下文描述。
步骤S104,将多组注册指纹组喂入加载了预训练模型的多分类网络得到目标模型。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。这个步骤是对多分类网络的优化,增强网络的识别性能。如图9,指纹901、指纹902及指纹903为同一手指的不同位置,注册手指指纹时,尽可能的采集手指的全部面积,本实施例采集指纹为窄条形指纹别传感器,采集的指纹面积有限,故每个注册手指需多注册几个指纹图像作为模板。
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。其中,加载了所述目标模型的多分类网络能够输出每一张注册指纹图像的所述注册手指ID和一个特征向量。如何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,具体内容将在下文描述。
步骤S106,将一组待识别指纹组输入加载了目标模型的多分类网络得到待识别指纹图像的待识别手指ID和一个特征向量。具体地,将待识别指纹组喂入加载了所述目标模板的多分类网络,得到待识别指纹的ID及对应的原始特征向量,其中,原始特征向量为多维特征向量,不利于存储和后面的指纹匹配。使用KNN聚类将所述每个注册手指的原始特征向量进行聚类,得到特征向量。
步骤S107,根据所述待识别手指ID及对应的特征向量和多个注册手指ID及对应的特征向量得出所述待识别指纹图像的识别结果。如何根据所述待识别手指ID及对应的特征向量和多个注册手指ID及对应的特征向量得出所述待识别指纹图像的识别结果,具体内容将在下文描述。
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。由于窄条形指纹传感器能够获取的指纹面积太小,每个图像上的细节点很少甚至无细节点,一般的多分类网络不能够识别窄条形的指纹,所以在本申请中对窄条形的指纹进行了预处理,使得多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每组的多个子图的特征信息进行融合,使多张子图输出一个ID和一个特征向量,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经过筛选及预处理得到的多组注册指纹组喂入加载了预训练模型的多分类网络,得到目标模型。再次将多组注册指纹组喂入加载了目标模型的多分类网络进行特征提取,每个注册指纹组对应一个多维特征。为了节省存储资源,和方便后面指纹识别,使用KNN聚类对这些多维特征进行聚类,将数个注册指纹图像映射到特征空间,生成对应数量的特征向量。将最后得到的ID和特征向量构成注册指纹特征向量模板库,用于指纹的识别。将待识别指纹组输入加载了目标模型的多分类网络得到待识别指纹图像的待识别指纹ID和特征向量,并根据指待识别指纹ID和特征向量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3,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,根据预设的算法计算出所述训练指纹图像的无效区域。具体地,本实施例利用阈值分割法,确定训练指纹图像的掩膜,将训练指纹图像分为前景(有效区域)和背景(无效区域),请结合参看图8,根据经验,窄条形指纹图像的无效区域主要分布在两端,利用无效区域的最小包围矩形去除无效区域,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。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。
步骤S1013,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,得到所述训练指纹组。具体地,在本实施例中,选取训练指纹图像的有效区域的宽度,将该宽度作为正方形的边长,裁剪出多张正方形。
步骤S1014,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。
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,使得多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4,其为本申请实施例提供的步骤S103的子步骤流程图。
步骤S1031,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。
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。
请结合参看图5,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,根据预设的算法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,得到所述待识别指纹组。
请结合参看图6,其为本申请实施例提供的步骤S107的子步骤流程图。
步骤S1071,利用所述多个注册手指ID及对应的特征向量构建注册指纹特征向量模板库。具体地,将所述多个注册手指喂入加载了所述目标模板的多分类网络,得到每个注册手指的ID及对应的原始特征向量,其中,原始特征向量为多维特征向量,不利于存储和后面的指纹匹配。使用KNN聚类将所述每个注册手指的原始特征向量进行聚类,将数个注册手指图像映射到特征空间生成每个注册手指的特征向量,将每个注册手指的ID及对应的特征向量作为注册指纹特征向量模板库。
步骤S1072,判断所述待识别手指ID是否与所述注册指纹特征向量模板库中包含的注册手指ID相匹配。
步骤S1073,当所述待识别手指ID与所述注册指纹特征向量模板库中包含的注册手指ID相匹配时,判断所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离是否小于预设阈值。具体地,计算待识别手指的特征向量与注册指纹特征向量模板库中的特征向量的距离,选取距离最小的注册指纹特征向量,当待识别手指ID与所述注册指纹ID库相匹配,进行下一步。
步骤S1074,当所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离小于预设阈值时,输出识别成功信息。
在其他一些实施例中,当待识别手指ID与注册指纹特征向量模板库中包含的注册手指ID不匹配时,输出识别失败的信息。
在其他一些实施例中,当待识别手指ID与注册指纹特征向量模板库中包含的注册手指ID相匹配时,所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离没有小于预设阈值时,输出识别失败信息。
或者,在其他一些实施例中,当所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离小于预设阈值时,待识别手指ID与注册指纹特征向量模板库中包含的注册手指ID不匹配时,输出识别失败信息。
请参看图10,其为本申请实施例提供的窄条形指纹传感器的内部结构示意图。
窄条形指纹传感器1包括指纹检测模组11和指纹识别模组12。指纹检测模组11用于当手指放置于窄条形指纹传感器1时,输出指纹图像。指纹识别模组12包括存储器1201和处理器1202。存储器1201用于存储计算机程序指令。处理器1202,用于执行计算机程序指令以使指纹识别模组12实现上述的窄条形指纹的识别方法。
其中,存储器1201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1201在一些实施例中可以是窄条形指纹传感器1的内部存储单元,例如窄条形指纹传感器1的硬盘。存储器1201在另一些实施例中也可以是窄条形指纹传感器1的外部存储介质,例如窄条形指纹传感器1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1201还可以既包括窄条形指纹传感器1的内部存储单元也包括外部存储介质。存储器1201不仅可以用于存储安装于窄条形指纹传感器1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1202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1201中存储的程序指令或处理数据。具体地,处理器1202执行窄条形指纹的识别方法的程序指令以控制指纹识别模组12实现窄条形指纹的识别方法。
上述实施例中,指纹识别是由窄条形指纹传感器1执行。在另一些可行的实施例中,指纹识别方法还可以由电子设备100的处理器执行。
请结合参看图2和图7,窄条形指纹传感器1应用于电子设备100中。电子设备100可以为手机、平板电脑、笔记本电脑等。在本实施例中,以电子设备100为手机为例描述窄条形指纹传感器1具体应用。电子设备100包括主体1001。主体1001包括正面1002、背面1003、位于正面1002和背面1003之间的侧面1004。窄条形指纹传感器1的感测区10设置于主体1001的侧面1004。在一些可行实施例中,感测区10还可以设置于电子设备100的位置其他位置,在此不作限定。可以理解地,当电子设备为其他电子产品时,可以根据实际设计进行改变感测区10的位置。窄条形指纹传感器1用于获取指纹图像,并输入给电子设备100。进一步地,窄条形指纹传感器1为窄条形曲面指纹识别传感器。其中,主体的侧面1004外形和窄条形指纹传感器1的外形相适配。
电子设备100至少还包括存储器101和处理器102。存储器101用于存储计算机程序指令。处理器102,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。
其中,存储器101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101在一些实施例中可以是电子设备100的内部存储单元,例如电子设备100的硬盘。存储器101在另一些实施例中也可以是电子设备100的外部存储介质,例如电子设备100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101还可以既包括电子设备100的内部存储单元也包括外部存储介质。存储器101不仅可以用于存储安装于电子设备100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102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101中存储的程序指令或处理数据。具体地,处理器102执行窄条形指纹的识别方法的程序指令以控制电子设备100实现窄条形指纹的识别方法。
进一步地,电子设备100还可以包括总线103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7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100还可以包括显示组件104。显示组件104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104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100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100还可以包括通信组件105,通信组件105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100与其他电子设备之间建立通信连接。
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。
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 (14)
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,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,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分类网络得到预训练模型,其中,加载了所述预训练模型的多分类网络能够将每一组训练指纹图像的多张正方形的子图像输出所述训练手指ID和一个特征向量;
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,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分类网络得到目标模型,其中,加载了所述目标模型的多分类网络能够输出每一张注册指纹图像的所述注册手指ID和一个特征向量;
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,其中,所述一组待识别指纹组包括多张正方形的子图像;
将所述一组待识别指纹组输入加载了所述目标模型的多分类网络得到所述待识别指纹图像的待识别手指ID和一个特征向量;以及
根据所述待识别手指ID及对应的特征向量和多个注册手指ID及对应的特征向量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:
根据预设的算法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,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;
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。
4.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:
根据所述预设的算法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,得到所述待识别指纹组。
5.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及对应的特征量和多个注册手指ID及对应的特征量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及对应的特征量构建注册指纹特征向量模板库;
判断所述待识别手指ID是否与所述注册指纹特征向量模板库中包含的注册手指ID相匹配;
当所述待识别手指ID与所述注册指纹特征向量模板库中包含的注册手指ID相匹配时,判断所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离是否小于预设阈值;
当所述待识别手指对应的特征向量与相匹配的注册手指对应的特征向量的距离小于预设阈值时,输出识别成功信息。
6.如权利要求5所述的窄条形指纹的识别方法,其特征在于,当所述待识别手指ID与所述注册指纹特征向量模板库中包含的注册手指ID不相匹配时,输出识别失败信息。
7.如权利要求5所述的窄条形指纹的识别方法,其特征在于,利用所述多个注册手指ID及对应的特征向量构建注册指纹特征向量模板库,具体包括:
将所述多个注册手指喂入加载了所述目标模板的多分类网络,得到每个注册手指的ID及对应的原始特征向量;
使用KNN聚类将所述每个注册手指的原始特征向量进行聚类,生成每个注册手指的特征向量;
将每个注册手指的ID及对应的特征向量作为注册指纹特征向量模板库。
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中任一项所述的窄条形指纹的识别方法的程序指令。
9.一种电子设备,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1~7任意一项所述的窄条形指纹的识别方法。
10.如权利要求9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。
11.一种指纹识别模组,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1~7任意一项所述的窄条形指纹的识别方法。
12.一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11所述的指纹识别模组。
13.如权利要求12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。
14.如权利要求12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 |
---|---|---|---|
CN202110197747.0A CN112784816A (zh) | 2021-02-22 | 2021-02-22 | 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 |
---|---|---|---|
CN202110197747.0A CN112784816A (zh) | 2021-02-22 | 2021-02-22 | 窄条形指纹的识别方法、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784816A true CN112784816A (zh) | 2021-05-11 |
Family
ID=75761703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197747.0A Pending CN112784816A (zh) | 2021-02-22 | 2021-02-22 | 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) | CN112784816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033512A (zh) * | 2021-05-21 | 2021-06-25 | 深圳阜时科技有限公司 | 窄条形指纹识别方法、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025434A (zh) * | 2017-03-08 | 2017-08-08 | 广东欧珀移动通信有限公司 | 一种指纹注册方法及移动终端 |
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 |
US20180150679A1 (en) * | 2016-11-29 | 2018-05-31 | Samsung Electronics Co., Ltd. | Method and apparatus of fingerprint recognition |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
CN109077732A (zh) * | 2018-05-12 | 2018-12-25 | 广东可穿戴数字技术有限公司 | 一种基于指纹识别的心电测量身份确认的系统 |
CN110956468A (zh) * | 2019-11-15 | 2020-04-03 | 西安电子科技大学 | 一种指纹支付系统 |
-
2021
- 2021-02-22 CN CN202110197747.0A patent/CN112784816A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180150679A1 (en) * | 2016-11-29 | 2018-05-31 | Samsung Electronics Co., Ltd. | Method and apparatus of fingerprint recognition |
CN107025434A (zh) * | 2017-03-08 | 2017-08-08 | 广东欧珀移动通信有限公司 | 一种指纹注册方法及移动终端 |
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 |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
CN109077732A (zh) * | 2018-05-12 | 2018-12-25 | 广东可穿戴数字技术有限公司 | 一种基于指纹识别的心电测量身份确认的系统 |
CN110956468A (zh) * | 2019-11-15 | 2020-04-03 | 西安电子科技大学 | 一种指纹支付系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033512A (zh) * | 2021-05-21 | 2021-06-25 | 深圳阜时科技有限公司 | 窄条形指纹识别方法、存储介质及电子设备 |
CN113033512B (zh) * | 2021-05-21 | 2021-09-21 | 深圳阜时科技有限公司 | 窄条形指纹识别方法、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416198B (zh) | 人机识别模型的建立装置、方法及计算机可读存储介质 | |
CN108520196B (zh) | 奢侈品辨别方法、电子装置及存储介质 | |
WO2019033571A1 (zh) | 面部特征点检测方法、装置及存储介质 | |
CN110751043A (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
US20170337449A1 (en) | Program, system, and method for determining similarity of objects | |
US10068073B2 (en) | Verification device and control method for verifiction device, as well as computer program | |
US8582872B1 (en) | Place holder image detection via image clustering | |
WO2019056793A1 (zh) | 简历识别装置、方法及计算机可读存储介质 | |
CN106156794B (zh) | 基于文字风格识别的文字识别方法及装置 | |
CN112036362A (zh) | 图像处理方法、装置、计算机设备和可读存储介质 | |
CN112965645A (zh) | 页面拖拽方法、装置、计算机设备及存储介质 | |
CN107357782B (zh) | 一种识别用户性别的方法及终端 | |
CN115862075A (zh) | 指纹识别模型训练方法、指纹识别方法、装置及相关设备 | |
CN112784816A (zh) | 窄条形指纹的识别方法、存储介质及电子设备 | |
US9250802B2 (en) | Shaping device | |
TWI528219B (zh) | 辨識機敏資料之方法、電子裝置及電腦可讀取記錄媒體 | |
CN112396048A (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
CN111177450A (zh) | 一种图像检索云识别方法、系统及计算机可读存储介质 | |
CN108596127B (zh) | 一种指纹识别方法、身份验证方法及装置和身份核验机 | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
JP6582464B2 (ja) | 情報入力装置、およびプログラム | |
CN113033512B (zh) | 窄条形指纹识别方法、存储介质及电子设备 | |
CN112560813B (zh) | 窄条形指纹的识别方法、存储介质及电子设备 | |
CN111626074A (zh) | 一种人脸分类方法及装置 | |
CN113260973A (zh) | 一种基于轨迹执行指令的方法、电子设备及计算机可读存储介质 |
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 |