CN112906613A - 一种身份信息采集方法及装置 - Google Patents
一种身份信息采集方法及装置 Download PDFInfo
- Publication number
- CN112906613A CN112906613A CN202110249173.7A CN202110249173A CN112906613A CN 112906613 A CN112906613 A CN 112906613A CN 202110249173 A CN202110249173 A CN 202110249173A CN 112906613 A CN112906613 A CN 112906613A
- Authority
- CN
- China
- Prior art keywords
- palm print
- print image
- image
- palm
- reconstructed
- 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 55
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000037303 wrinkles 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
- G06V40/13—Sensors therefor
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种身份信息采集方法及装置,用于简化操作流程,提高身份信息采集以及后期身份鉴证的安全性。其中的身份验证方法包括:采集手掌的掌纹图像;对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;对所述重建掌纹图像进行目标检测;基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;将所述掌纹图像的特征数据进行存储。上述方法,对掌纹图片进行超分辨率技术处理,有效提高掌纹图像的质量;然后,基于重建后的掌纹图像,进行目标检测,获取掌纹的特征数据,能够更加精准的进行用户身份的识别,缩短识别时间,减低成本,提高认证安全性以及身份验证效率。
Description
技术领域
本公开涉及计算机技术领域,特别涉及一种身份信息采集方法及装置。
背景技术
在当前的网络化信息社会中,经常需要对个人的身份信息进行采集,用于后续对个人的身份进行鉴别,例如,在办理身份证、港澳通行证、驾驶证等个人证件过程,都进行了身份信息的采集工作。
目前,对个人身份信息采集的方式主要有两种:一种是基于人脸识别,另一种是指纹识别。然而,当前通过人脸识别进行个人身份信息采集的方式,经常存在化妆后或整容后无法准确识别,甚至还有可能伪装成他人,对个人身份鉴别存在安全隐患。而另一种通过指纹识别进行个人身份信息采集的方式,存在采集过程繁琐、需要多次多角度进行采集,采集效率低;此外,指纹采集方式对于环境要求高,对手指的湿度和清洁度都有要求,采集指纹的设备一般都采用接触式,设备成本较高,并且接触式采集致使指纹痕迹容易留存,存在被复制的可能性,安全性降低,风险增加。
而目前并没有一种高效且安全性较高的身份信息采集方法。
发明内容
本发明实施例提供一种身份信息采集方法及装置,用于简化操作流程,提高身份信息采集以及后期身份鉴证的安全性。
第一方面,本发明实施例提供一种身份信息采集方法,所述方法包括:
采集手掌的掌纹图像;对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;对所述重建掌纹图像进行目标检测;基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;将所述掌纹图像的特征数据进行存储。
在本发明实施例中,掌纹识别具有采样简单、图像信息丰富、不易伪造、受噪声干扰小等特点,在采集过程中可以进行非接触采集,不需要用特殊光线照射(红外),成本较低,且信息不留存在设备上,不涉及隐私问题,更加安全。此外,本申请实施例在进行掌纹采集过程中,对掌纹图片进行超分辨率技术处理,有效提高掌纹图像的质量;然后,基于重建后的掌纹图像,进行目标检测,获取掌纹的纹线特点、点特征、纹理特征、几何特征等相关特征数据,能够更加精准的进行用户身份的识别,具有更高的分辨能力与更高的鉴别能力,缩短识别时间,减低成本,提高认证安全性,更大程度提升身份验证效率。
可选的,对所述待测掌纹图像进行超分辨率重构,得到重建掌纹图像,包括:基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
在本发明实施例中,对拍摄的掌纹图像基于拉普拉斯金字塔网络采用逐步上采样策略对掌纹的点特征信息进行图像超分辨率处理,有效提高掌纹图像的质量。
可选的,对所述重建掌纹图像进行目标检测,包括:基于Mask-RCNN框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
在本发明实施例中,利用Mask-RCNN实例分割框架分支网络对手掌进行目标检测,有效提升了目标检测的精度。可选的,对每个目标进行像素级目标分割,包括:将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;
其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
可选的,基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据,包括:基于边缘检测canny算法对所述不确定图层进行边缘检测,确定所述手掌图像的最优边缘;基于所述最优边缘对所述手掌进行特征定位,分别得到每个特征定位对应的特征数据。
在本发明实施例中,基于图像边缘检测canny技术,对采集的纹线特点、纹理特征进行像素级增强,自动快速准确提取纹路信息,对提取的掌纹的特征确认人员身份,提高办证过程中对比效率以及安全性认证,拥有较低的侵入性,较高的可靠性和积极的社会接受度。
可选的,所述方法还包括:用户在使用掌纹进行身份认证时,采集待认证的掌纹图像;将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配;若匹配成功,确定所述用户为身份核验成功;若匹配失败,确定所述用户身份核验失败。
第二方面,本发明实施例提供一种身份信息采集的装置,所述装置包括:
采集模块,用于采集手掌的掌纹图像;
处理模块,用于对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;
对所述重建掌纹图像进行目标提取;基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;
存储模块,用于将所述掌纹图像的特征数据进行存储。
可选的,所述处理模块用于:
基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
可选的,所述处理模块用于:
基于Mask-RCNN框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
可选的,所述处理模块用于:
将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
可选的,所述处理模块用于:
基于边缘检测canny算法对所述不确定图层进行边缘检测,确定所述手掌图像的最优边缘;基于所述最优边缘对所述手掌进行特征定位,分别得到每个特征定位对应的特征数据。
可选的,所述处理模块还用于:
用户在使用掌纹进行身份认证时,采集待认证的掌纹图像;将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配;若匹配成功,确定所述用户为身份核验成功;若匹配失败,确定所述用户身份核验失败。
第三方面,本发明实施例提供一种身份信息采集的装置,所述装置包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如第一方面实施例所述方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面实施例所述方法的步骤。
附图说明
图1为本发明实施例提供的一种身份信息采集方法的流程示意图;
图2为本发明实施例提供的手掌纹理示意图;
图3为本发明实施例提供的装置的结构示意图;
图4为本发明实施例提供的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
当前的网络化信息社会中,经常需要对个人的身份信息进行采集,用于后续对个人的身份进行鉴别,例如,在办理身份证、港澳通行证、驾驶证等个人证件过程,都进行了身份信息的采集工作。
目前,对个人身份信息采集的方式主要有两种:一种是基于人脸识别,另一种是指纹识别。然而,当前通过人脸识别进行个人身份信息采集的方式,经常存在化妆后或整容后无法准确识别,甚至还有可能伪装成他人,对个人身份鉴别存在安全隐患。而另一种通过指纹识别进行个人身份信息采集的方式,存在采集过程繁琐、需要多次多角度进行采集,采集效率低;此外,指纹采集方式对于环境要求高,对手指的湿度和清洁度都有要求,采集指纹的设备一般都采用接触式,设备成本较高,并且接触式采集致使指纹痕迹容易留存,存在被复制的可能性,安全性降低,风险增加。
而目前并没有一种高效且安全性较高的身份信息采集方法。
鉴于此,本发明实施例提供一种身份信息采集方法,该方法主要通过采集设备对掌纹图像取图,对拍摄的掌纹图像基于拉普拉斯金字塔网络采用逐步上采样策略对掌纹的点特征信息进行图像超分辨率处理,提高掌纹图像的质量,然后,利用Mask-RCNN实例分割框架分支网络对手掌目标检测,在基于图像边缘检测Canny技术,对目标检测后的掌纹图像进行像素级增强,从而自动快速准确提取掌纹图像中的特征数据,能够更加精准的进行用户身份的识别,具有更高的分辨能力与更高的鉴别能力,缩短识别时间,减低成本,提高认证安全性,更大程度提升身份验证效率。
为了便于理解,首先介绍本发明实施例的一种应用场景。该身份信息采集的方法可应用于终端设备,本发明实施例中提及的终端设备包括但不限于:台式电脑、智能手机(如Android手机、IOS手机)、平板电脑、笔记本电脑、掌上电脑、穿戴式智能设备等电子设备。也可以是别的电子设备,在此,就不一一举例了。
进一步的,本申请一种可选的方式,所述终端设备为具有摄像功能的处理设备。
例如,所述终端设备上可以安装有具有摄像功能的硬件设备,所述具有摄像功能的硬件设备可以为工业相机、安防相机以及数码相机中的部分或全部。
示例性的,终端设备可以通过图像信号处理器(image signal processor,ISP),摄像头,视频编解码器,图形处理器(graphics processing unit,GPU),显示屏以及应用处理器等实现拍摄功能。
ISP用于处理摄像头反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头中。
摄像头用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到数字信号处理器(digital signal processor,DSP)加工处理。DSP将数字图像信号转换成图像信号。在一些实施例中,终端设备可以包括1个或N个摄像头,N为大于1的正整数。
本申请一种可选的方式,所述终端设备为具有处理功能的摄像设备。
例如,所述终端设备可以为工业相机、安防相机以及数码相机中的一种,且该相机除了具有拍照功能外,还具有执行本申请实施例所述身份信息采集方法的处理功能。
本申请一种可选的方式,所述终端设备为具有连接至少一个摄像装置的设备。其中,所述终端设备与所述至少一个摄像装置的连接方式可以为蓝牙连接和/或数据线连接,本申请实施例在此不进行限定。所述摄像装置可以为工业相机、安防相机以及数码相机中的部分或全部。
下面结合附图对本发明实施例提供的技术方案进行介绍。在下面的描述中以终端设备作为应用场景。请参见图1,本发明实施例提供的一种身份信息采集的方法,该方法的流程描述如下。
步骤101:终端设备采集手掌的掌纹图像。
本申请实施例一种可选的方式,终端设备可以通过终端设备上的摄像装置采集手掌的掌纹图像。
本申请实施例一种可选的方式,终端设备可以通过与自身连接的外部摄像装置采集手掌的掌纹图像。
例如,终端设备可以使用与自身通过数据线连接的摄像装置采集手掌的掌纹图像;或者,终端设备可以使用与自身蓝牙连接的摄像装置采集手掌的掌纹图像等,具体并不进行限定。
进一步的,为了提高信息采集的准确度,在一种可能的实施方式中,所述终端设备可以通过摄像装置采集多张手掌的掌纹图片。其中,可以从多张掌纹图片中选取一张清晰度和/或拍摄角度比较好的掌纹图片用于后续身份信息采集。
可选的,本申请实施例中用于进行手掌掌纹图片拍摄的摄像装置可以为一个或多个。
步骤102:终端设备对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
具体的,基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
示例性的,将采集到的手掌图像输入拉普拉斯金字塔(laplacian pyramid superresolution network,LapSRN)网络,基于LapSRN网络逐级预测金字塔层的残差图像。
其中,所述LapSRN网络主要由特征提取分支与图像重构分支组成,前者负责学习高频残差,后者负责重构图像。两个分支都采用逐步上采样的结构,每一级都通过将上采样后的低清图像与高频残差进行图像重构。
进一步的,选择特定的初始化方法对网络权值进行初始化,从而加快模型收敛。其中,引入多通道映射提取更加丰富的特征,采用卷积级联,共享权重的方式进行图像超分辨率重构,得到重建掌纹图像,更好地重建出手掌的纹理和点特征细节,提高图片的质量,便于特征识别。
步骤103:终端设备对所述重建掌纹图像进行目标检测。
具体的,基于Mask-RCNN(目标检测)框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
进一步的,本申请实施例中,对每个目标进行像素级目标分割,包括:
将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;
其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
示例性的,所述终端设备对重建的掌纹图像,进行目标提取,通过深度抠图将低分辨率图像分解成前景图层、背景图层以及不确定图层。
其中,使用自建的掌纹图像数据集,基于一种实例分割深度学习Mask-RCNN框架的分支网络,对候选区域进行特征检测,之后,对每一张待处理的掌纹图像,先将其输入深度抠图网络,网络将输出与输入图像等大的前景图层、背景图层以及不确定图层,其中前景图层与背景图层主要包含颜色信息与较少的边缘信息,不确定图层包含大部分的高频边缘信息。
步骤104:终端设备基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据。
示例性的,所述终端设备将不确定图层使用图像canny检测算法,进行边缘处理,找到一个最优的边缘。
其中,为了尽可能地标识出图像中的实际边缘,再采用阈值分割方法,确定手部目标掌纹中每个像素点的处于灰度范围的某个灰度值,将所得到的图像中各个像素的灰度值与之前确定的阈值进行比较,分割,以及进行二值化算法处理,最后自动化地定位手掌的主线、皱纹、细小的纹理、分叉点等特征,进行特征数据的提取。
示例性的,假设本申请实施例得到的所述掌纹图像如图2所示。
本申请实施例中通过选取合适的阈值可以减少由于环境造成的光照对图像特征的影响,能够更好的进行特征定位,完成特征数据的提取。
步骤105:终端设备将所述掌纹图像的特征数据进行存储。
本申请实施例一种可选的方式,所述终端设备可以将所述掌纹图像的特征数据存储到所述终端设备本地中。本申请实施例一种可选的方式,所述终端设备可以将所述掌纹图像的特征数据存储到所述终端设备能够进行通信的第三方存储平台中,从而有效节省终端设备的内存占用。
进一步的,为了有效的增强系统的安全性,所述终端设备将所述掌纹图像的特征数据进行存储时,可以进行加密存储。
其中,为了加快验证效率,可以将所述掌纹图像的特征数据与该掌纹的用户的身份进行绑定,从而作为该用户身份的认证标准,用于后续的身份验证。
此外,本申请实施例在需要通过掌纹采集进行身份验证时,可以继续执行下述步骤:
步骤106:终端设备采集用户待认证的掌纹图像。
步骤107:终端设备将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配,得到身份验证结果。
其中,若匹配成功,确定所述用户为身份核验成功;若匹配失败,确定所述用户身份核验失败。
在本发明实施例中,掌纹识别具有采样简单、图像信息丰富、不易伪造、受噪声干扰小等特点,在采集过程中可以进行非接触采集,不需要用特殊光线照射(红外),成本较低,且信息不留存在设备上,不涉及隐私问题,更加安全。此外,本申请实施例在进行掌纹采集过程中,对掌纹图片进行超分辨率技术处理,有效提高掌纹图像的质量;然后,基于重建后的掌纹图像,进行目标检测,获取掌纹的纹线特点、点特征、纹理特征、几何特征等相关特征数据,能够更加精准的进行用户身份的识别,具有更高的分辨能力与更高的鉴别能力,缩短识别时间,减低成本,提高认证安全性,更大程度提升身份验证效率。下面结合附图介绍本发明实施例提供的装置。
请参见图3,基于同一发明构思,本发明实施例提供一种身份信息采集装置,该身份信息采集装置包括采集模块301、处理模块302和存储模块303。
其中:
采集模块301,用于采集手掌的掌纹图像;
处理模块302,用于对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;对所述重建掌纹图像进行目标提取;基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;
存储模块303,用于将所述掌纹图像的特征数据进行存储。可选的,所述处理模块302用于:
基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
可选的,所述处理模块302用于:
基于Mask-RCNN框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
可选的,所述处理模块302用于:
将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;
其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
可选的,所述处理模块302用于:
基于canny检测算法对所述不确定图层进行边缘检测,确定所述手掌图像的最优边缘;基于所述最优边缘对所述手掌进行特征定位,分别得到每个特征定位对应的特征数据。
可选的,所述处理模块302还用于:
用户在使用掌纹进行身份认证时,采集待认证的掌纹图像;将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配;
若匹配成功,确定所述用户为身份核验成功;
若匹配失败,确定所述用户身份核验失败。请参见图4,基于同一发明构思,本发明实施例提供一种身份信息采集装置,该身份验证装置包括至少一个处理器401,处理器401用于执行存储器中存储的计算机程序,实现本发明实施例提供的如图1所示的身份信息采集方法的步骤。
可选的,处理器401具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该身份验证装置还可以包括与至少一个处理器401连接的存储器402,存储器402可以包括ROM、RAM和磁盘存储器。存储器402用于存储处理器401运行时所需的数据,即存储有可被至少一个处理器401执行的指令,至少一个处理器401通过执行存储器402存储的指令,执行如图1所示的方法。其中,存储器402的数量为一个或多个。其中,存储器402在图4中一并示出,但需要知道的是存储器402不是必选的功能模块,因此在图4中以虚线示出。
其中,采集模块301、处理模块302以及存储模块303所对应的实体设备均可以是前述的处理器401。该身份信息采集装置可以用于执行图1所示的实施例所提供的方法。因此关于该设备中各功能模块所能够实现的功能,可参考图1所示的实施例中的相应描述,不多赘述。
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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
Claims (14)
1.一种身份信息采集方法,其特征在于,所述方法包括:
采集手掌的掌纹图像;
对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;
对所述重建掌纹图像进行目标检测;
基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;
将所述掌纹图像的特征数据进行存储。
2.如权利要求1所述的方法,其特征在于,对所述待测掌纹图像进行超分辨率重构,得到重建掌纹图像,包括:
基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
3.如权利要求1所述的方法,其特征在于,对所述重建掌纹图像进行目标检测,包括:
基于Mask-RCNN框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
4.如权利要求3所述的方法,其特征在于,对每个目标进行像素级目标分割,包括:
将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;
其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
5.如权利要求4所述的方法,其特征在于,基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据,包括:
基于图像边缘检测canny算法对所述不确定图层进行边缘检测,确定所述手掌图像的最优边缘;
基于所述最优边缘对所述手掌进行特征定位,分别得到每个特征定位对应的特征数据。
6.如权利要求1~5任一项所述的方法,其特征在于,所述方法还包括:
用户在使用掌纹进行身份认证时,采集待认证的掌纹图像;
将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配;
若匹配成功,确定所述用户为身份核验成功;
若匹配失败,确定所述用户身份核验失败。
7.一种身份信息采集的装置,其特征在于,所述装置包括:
采集模块,用于采集手掌的掌纹图像;
处理模块,用于对所述掌纹图像进行超分辨率重构,得到重建掌纹图像;对所述重建掌纹图像进行目标提取;基于目标检测结果对所述掌纹图像进行特征定位,确定所述掌纹图像的特征数据;
存储模块,用于将所述掌纹图像的特征数据进行存储。
8.如权利要求7所述的装置,其特征在于,所述处理模块用于:
基于拉普拉斯金字塔网络采用逐步上采样策略对所述掌纹图像进行超分辨率重构,得到重建掌纹图像。
9.如权利要求8所述的装置,其特征在于,所述处理模块用于:
基于Mask-RCNN框架的分支网络确定所述重建掌纹图像中的至少一个目标框;确定每个目标框中的目标类别;对每个目标进行像素级目标分割。
10.如权利要求9所述的装置,其特征在于,所述处理模块用于:
将所述掌纹图像输入深度抠图网络,得到所述掌纹图像对应的前景图层、背景图层以及不确定图层;
其中,所述前景图层与所述背景图层包含所述手掌图像的颜色信息与所述手掌图像的低频边缘信息,所述不确定图层包含所述手掌图像的高频边缘信息。
11.如权利要求10所述的装置,其特征在于,所述处理模块用于:
基于canny检测算法对所述不确定图层进行边缘检测,确定所述手掌图像的最优边缘;
基于所述最优边缘对所述手掌进行特征定位,分别得到每个特征定位对应的特征数据。
12.如权利要求11所述的装置,其特征在于,所述处理模块还用于:
用户在使用掌纹进行身份认证时,采集待认证的掌纹图像;
将所述待认证的掌纹图像同数据库中的所述用户存储的掌纹图像的特征数据进行匹配;
若匹配成功,确定所述用户为身份核验成功;
若匹配失败,确定所述用户身份核验失败。
13.一种身份信息采集的装置,其特征在于,所述装置包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-6中任一项所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249173.7A CN112906613A (zh) | 2021-03-08 | 2021-03-08 | 一种身份信息采集方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249173.7A CN112906613A (zh) | 2021-03-08 | 2021-03-08 | 一种身份信息采集方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906613A true CN112906613A (zh) | 2021-06-04 |
Family
ID=76107876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110249173.7A Pending CN112906613A (zh) | 2021-03-08 | 2021-03-08 | 一种身份信息采集方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906613A (zh) |
-
2021
- 2021-03-08 CN CN202110249173.7A patent/CN112906613A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288504B2 (en) | Iris liveness detection for mobile devices | |
CN106446873B (zh) | 人脸检测方法及装置 | |
WO2019134536A1 (zh) | 基于神经网络模型的人脸活体检测 | |
CN108985134B (zh) | 基于双目摄像机的人脸活体检测及刷脸交易方法及系统 | |
CN111783629B (zh) | 一种面向对抗样本攻击的人脸活体检测方法及装置 | |
CN112232155B (zh) | 非接触指纹识别的方法、装置、终端及存储介质 | |
US20100215223A1 (en) | Vein Pattern Management System, Vein Pattern Registration Apparatus, Vein Pattern Authentication Apparatus, Vein Pattern Registration Method, Vein Pattern Authentication Method, Program, and Vein Data Configuration | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN111201537A (zh) | 在指纹分析中通过机器学习来区分活体手指与欺骗手指 | |
CN112232163B (zh) | 指纹采集方法及装置、指纹比对方法及装置、设备 | |
CN112016525A (zh) | 非接触式指纹采集方法和装置 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN112232159B (zh) | 指纹识别的方法、装置、终端及存储介质 | |
CN114387548A (zh) | 视频及活体检测方法、系统、设备、存储介质及程序产品 | |
Purnapatra et al. | Presentation attack detection with advanced cnn models for noncontact-based fingerprint systems | |
CN112232157B (zh) | 指纹区域检测方法、装置、设备、存储介质 | |
WO2018121552A1 (zh) | 基于掌纹数据的业务处理方法、装置、程序及介质 | |
CN112308035A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN108875472B (zh) | 图像采集装置及基于该图像采集装置的人脸身份验证方法 | |
CN112232152B (zh) | 非接触式指纹识别方法、装置、终端和存储介质 | |
CN112906613A (zh) | 一种身份信息采集方法及装置 | |
CN111291586B (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
CN114663930A (zh) | 一种活体检测方法、装置、终端设备及存储介质 | |
CN110705352A (zh) | 基于深度学习的指纹图像检测方法 |
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 |