CN112989888A - 一种指纹防伪方法及电子设备 - Google Patents

一种指纹防伪方法及电子设备 Download PDF

Info

Publication number
CN112989888A
CN112989888A CN201911300678.0A CN201911300678A CN112989888A CN 112989888 A CN112989888 A CN 112989888A CN 201911300678 A CN201911300678 A CN 201911300678A CN 112989888 A CN112989888 A CN 112989888A
Authority
CN
China
Prior art keywords
fingerprint
vibration
network
sound signal
training
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
Application number
CN201911300678.0A
Other languages
English (en)
Inventor
黄庆超
龙水平
石腾
常冰
赵晓娜
雷文超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201911300678.0A priority Critical patent/CN112989888A/zh
Priority to EP20903794.4A priority patent/EP4060551B1/en
Priority to PCT/CN2020/135111 priority patent/WO2021121112A1/zh
Priority to US17/785,990 priority patent/US11881011B2/en
Publication of CN112989888A publication Critical patent/CN112989888A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • 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
    • G06V40/1376—Matching features related to ridge properties or fingerprint texture
    • 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
    • G06V40/1382—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger
    • G06V40/1388—Detecting the live character of the finger, i.e. distinguishing from a fake or cadaver finger using image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Abstract

本申请提供一种指纹防伪方法、电子设备。所述指纹防伪方法包括以下步骤：电子设备检测到用户的指纹输入动作后，获取指纹输入动作产生的指纹图像，同时获取所述指纹输入动作产生的振声信号；该设备依据指纹防伪模型判断所述指纹图像和振声信号是否为真手指的指纹输入动作产生，所述指纹防伪模型为依据训练用指纹图像及对应的振声信号学习获得的多维网络模型。本申请实施例的指纹防伪方法，有助于提高电子设备对假指纹攻击的防护能力。

Description

一种指纹防伪方法及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种指纹防伪方法和电子设备。
背景技术
人类的指纹互不相同，是一种常见的用于身份识别的生物特征，现在已广泛应用于设备解锁、门禁系统、考勤系统、金融支付等领域。但是在生活中，指纹信息很容易被泄露、伪造，给基于指纹识别的身份认证系统带来安全隐患。另外，随着手机等智能终端进入全面屏时代，屏下光学指纹识别方案已经是很多厂家首选的指纹识别技术，且随着LCD屏下光学指纹识别技术的成熟，屏下光学指纹识别方案已经成为趋势。具体来说，屏下光学指纹识别技术利用屏下光源发射光线至手指表面，反射光经感光组件转换为包含指纹信息的电信号，进一步完成指纹信息识别。然而，由于光线只能到达手指皮肤的表皮层，不能到达真皮层，因此光学指纹识别设备可能被制作简单、成本低的假指纹(尤其是3D指纹膜)欺骗。
综上所述，假指纹攻击是现有指纹识别技术的一个痛点，给用户的隐私、财产的安全带来广泛影响。目前，针对假指纹攻击的解决方案可概括为两类：一类为硬件层面的解决方案，通过增加额外硬件模块对手指的真皮层、血管、心率、血氧等生物特征信号进行检测，结合指纹识别对假指纹攻击进行检测；另一类是基于软件算法的解决方案，基于真假指纹本身的特征，利用图像识别技术对指纹图像进行真假的判断。
在硬件层面假指纹攻击解决方案方面，业界提出一种采用指纹传感器和心率传感器结合的方案进行真假指纹识别，其中心率传感器利用了心脏收缩和扩张时软组织中血液含量的不同进行心率检测，进而判断指纹图像是否来自活体。比如，某厂商公开了其单芯片活体指纹检测方案，其通过集成的硬件传感器对手指的血液流动、心率进行识别，以检测假指纹攻击行为。
另外，也有相关文献报道了一种综合利用光学相干层析成像技术和光学微血管造影技术的方案进行真假指纹判断，该方案通过光学相干层析成像装置获取指尖表皮层、真皮层和汗腺等结构信息，同时利用光学微血管造影装置获取微血管结构及血流信息，进一步结合获取的两种信息进行活体检测。此外，还有一种公开专利显示，可以通过增加红外硬件模块，利用红外反射率检测手指真皮下的各种物质进行活体检测。
然而，硬件层面假指纹攻击解决方案具有如下缺点。首先，额外增加特征检测硬件模块会增加设备成本，如一套光学相干层析成像装置的费用高达数十万美元，应用于手机的可能性较小。第二，额外的特征检测硬件模块与终端设备集成困难。第三，假指纹攻击手段层出不穷，基于硬件的假指纹攻击解决方案在面对不断出现的新型攻击手段时升级困难。
在基于软件算法的假指纹攻击解决方案方面，有相关专利提出了基于SVM与稀疏表示以及基于朴素贝叶斯分类器的假指纹检测方案，这两种方案是基于不同的传统机器学习方法，采集真指纹和假指纹图像数据集，进行特征提取和学习，最终利用得到的模型进行真假指纹判别；另外有相关专利公开了一种利用卷积神经网络进行真假指纹判别的方法，利用真指纹数据集和假指纹数据集对神经网络进行训练，指纹识别过程中，利用训得的卷积神经网络对指纹进行真假分类。
可是，软件算法解决方案也具有如下一些缺点。比如，真假指纹图像特征相近，人眼也很难判断，传统机器学习方案缺乏对指纹信息纹理特征的深层挖掘；而目前的深度学习方案在手机等移动设备的小面积指纹传感器上仍然存在局限，尤其是对于3D假指纹攻击识别率还有待进一步提升等。
发明内容
为改善现有假指纹攻击对指纹识别可靠性的影响，本申请提出一种指纹防伪方法和电子设备。
本申请一种实施例提供一种指纹防伪方法，其包括如下步骤：
获取指纹输入动作产生的指纹图像；
获取所述指纹输入动作产生的振声信号；及
依据指纹防伪模型判断所述指纹图像和振声信号是否为真手指的指纹输入动作产生，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型。
在一种实施例中，所述指纹防伪模型包括依据所述多个训练用指纹图像及对应的振声信号组成多个训练样本对在所述多维防伪网络中进行训练获得的多维网络模型，所述依据指纹防伪模型判断所述指纹输入是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像及所述振声信号组成待判定样本对；
将所述待判定样本对输入所述多维网络模型获得计算结果。
在一种实施例中，所述多维防伪网络包括指纹图像子网络及振声信号子网络，分别用于对所述指纹图像和所述振声信号进行特征提取。
在一种实施例中，所述多个训练用指纹图像及对应的振声信号在组成所述多个训练样本前分别进行了归一化处理，所述方法还包括在将所述指纹图像及所述振声信号组成待判定样本对的步骤之前，将所述指纹图像及所述振声信号分别进行归一化处理的步骤。
在一种实施例中，所述电子设备中保存有所述指纹防伪模型，所述多维防伪网络包括指纹图像子网络及振声信号子网络，所述多维防伪网络依据多个训练用指纹图像和对应的多个振声信号构成的训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量；
所述电子设备对所述第三特征向量进行分类，计算分类结果；
所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。
在一种实施例中，所述电子设备中保存有所述指纹防伪模型，所述多维防伪网络包括指纹图像子网络及振声信号子网络，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
所述电子设备对所述第一特征向量及第二特征向量进行分类，计算分类结果；
所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。
在一种实施例中，所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生，包括：
所述分类结果包括置信度，若所述置信度大于或等于所设阈值，所述电子设备判定所述指纹输入动作为真手指产生，若小于所设阈值，所述电子设备判定所述指纹输入动作为假手指产生，所述置信度为所述指纹输入动作为真手指产生的置信度。
在一种实施例中，所述方法还包括：
所述电子设备将所述指纹图像和所述振声信号送入所述多维防伪网络之前，对所述指纹图像和所述振声信号进行融合处理；
在将所述指纹图像和所述振声信号送入所述多维防伪网络之后，所述电子设备将所述指纹图像和所述振声信号进行分离处理。
在一种实施例中，所述指纹图像子网络包括卷积神经网络，所述振声信号子网络包括循环神经网络。
在一种实施例中，所述方法还包括检测是否发生触发事件的步骤，且在检测结果为发生触发事件时控制指纹传感器开始采集指纹图像以获取指纹输入动作产生的指纹图像，以及控制振声传感器开始采集振声以获取所述指纹输入动作产生的振声信号。
在一种实施例中，所述方法还包括检测是否发生触发事件的步骤，且在检测结果为发生触发事件时控制指纹传感器开始采集指纹图像以获取指纹输入动作产生的指纹图像，以及控制振声激励源发出振声激励信号，以及控制振声传感器在振声激励信号发出时开始计算的预设延迟时间之后开始采集振声信号，以获取所述指纹输入动作产生的振声信号。
在一种实施例中，当所述电子设备确定所述指纹输入动作为假手指产生时，所述方法还包括：
所述电子设备判定指纹识别失败，并发出指纹识别失败的提示信息。
在一种实施例中，当所述电子设备确定所述指纹输入动作为真手指产生时，所述方法还包括：
所述电子设备确认所述指纹图像和用于预设的指纹图像是否匹配；
若所述指纹图像和用于预设的指纹图像匹配，所述电子设备判定指纹识别成功。
在一种实施例中，所述振声信号包括所述机械振动信号及声音信号，所述振声传感器包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种。
在一种实施例中，所述指纹传感器包括屏下/屏内光学指纹传感器、超声波指纹传感器、电容指纹传感器中的至少一种。
一种电子设备，其包括输入单元、处理器单元和存储单元，
所述输入单元包括指纹传感器、振声传感器，所述指纹传感器用于采集指纹输入动作的指纹图像，所述振声传感器用于采集所述指纹输入动作产生的振声信号，
所述存储单元存储有计算机程序和指纹防伪模型，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型，所述计算机程序包括指令，当所述指令被所述处理器执行时，所述电子设备执行以下步骤：
调用所述指纹传感器及所述振声传感器采集指纹图像和振声信号；
根据采集的指纹图像和振声信号及所述指纹防伪模型，判断指纹输入动作为真手指产生还是假手指产生。
在一种实施例中，所述振声传感器包括振声激励源及振声传感模块，所述振声激励源用于发出振声激励信号，所述振声传感模块用于采集所述指纹输入动作产生所述振声信号。
在一种实施例中，所述振声激励源用于被所述指纹输入动作触发而发出所述振声激励信号，所述振声传感模块用于在所述振声激励源被触发时开始计算的预设延迟时间之后，开始侦测所述指纹输入动作及振声激励信号共同产生所述振声信号。
在一种实施例中，所述振声信号包括所述机械振动信号及声音信号，所述振声传感器包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种。
在一种实施例中，所述指纹传感器包括屏下/屏内光学指纹传感器、超声波指纹传感器、电容指纹传感器中的至少一种。
在一种实施例中，所述指纹防伪模型包括依据所述多个训练用指纹图像及对应的振声信号组成多个训练样本对训练获得的模型，所述处理器单元还用于将所述指纹图像及所述振声信号组成待判定样本对、将所述待判定样本输入所述指纹防伪模型获得计算指纹输入动作为真指纹的置信度，及依据所述置信度和所设阈值判断所述指纹输入动作是否为真手指产生。
在一种实施例中，所述多维防伪网络包括指纹图像子网络及振声信号子网络。
在一种实施例中，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集训练获得的，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集训练获得的，所述处理器单元还用于将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声子网络获得第二特征向量，将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量，并对所述第三特征向量进行分类计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。
在一种实施例中，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集训练获得的，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集训练获得的，所述处理器单元还用于将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声信号子网络获得第二特征向量，并对所述第一特征向量及所述第二特征向量进行分类计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。
在一种实施例中，所述指纹图像子网络包括卷积神经网络，所述振声信号子网络包括循环神经网络。
一种电子装置，其包括处理器及存储器，其特征在于：所述存储器存储有至少一指令，所述至少一指令被处理器执行时可实现上述任意一实施例所述的指纹防伪方法。
相较于现有技术，本申请电子设备、指纹防伪方法及电子装置中，结合振声信号对指纹图像的真假进行判定，可以有效防御目前指纹方案面临的假指纹攻击的挑战(尤其是3D假指纹攻击)；并且振声传感器的结构及集成应用也比较简单，因此可有效避免硬件防伪方案带来的成本增高，集成困难的问题，此外，由于用于指纹防伪的网络模型(第一多维网络模型与第二多维网络模型)可针对不断出现的假指纹攻击方式，进行快速的升级防护，具有较高的可靠性。
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是本申请一种实施例的电子设备的方框结构示意图。
图2是图1所示电子设备获取的指纹图像与振声信号构成的样本对示意图。
图3是一种实施例指纹防伪模型的原理示意图。
图4是另一种实施例指纹防伪模型的原理示意图。
图5是本申请一种实施例的指纹防伪方法的流程图。
图6是使用图5所示的指纹防伪方法的电子装置的方框示意图。
图7是本申请一种实施例的执行指纹防伪方法的电子装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。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。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。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，都应当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”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本申请一实施方式的电子设备10的方框结构示意图。所述电子设备10可以是任何移动或便携式电子设备或其他智能终端设备，包括但不限于移动电话、移动电脑、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、可穿戴式设备(Wearable Device)，以及上述两项或两项以上的组合等，也可以为其他具有指纹识别功能的设备，如指纹门禁设备、具有指纹识别功能的金融设备、或其他具有指纹识别功能的身份认证设备等。
如图1所示，所述电子设备10可以包括输入单元11、处理器单元12、输出单元13、通信单元14、存储单元15、外设接口16等组件。这些组件通过一条或多条总线进行通信。本领域技术人员可以理解，图中示出的电子设备的结构并不构成对本申请的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
输入单元11用于实现用户与电子设备10的交互和/或信息输入到电子设备10中，本实施方式中，输入单元11可以接收用户输入的数字或字符信息，以产生与用户设置或功能控制有关的信号输入。输入单元11还可以包括触控面板，且其可以是其他人机交互界面，包括实体输入键、麦克风等元件，还可是其他外部信息撷取装置，例如摄像头等。其中，触控面板也称为触摸屏或触控屏，可收集用户在其上触摸或接近的操作动作。比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或接近触控面板的位置的操作动作，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸操作，并将检测到的触摸操作转换为电信号，以及将所述电信号传送给触摸控制器；触摸控制器从触摸检测装置上接收所述电信号，并将它转换成触点坐标，再送给处理单元。所述触摸控制器还可以接收处理单元发来的命令并执行。此外，可以采用电阻式、电容式、红外线(Infrared)以及表面声波等多种类型实现触控面板。在本申请的其他实施方式中，输入单元所采用的实体输入键可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。麦克风形式的输入单元可以收集用户或环境输入的语音并将其转换成电信号形式的、处理单元可执行的命令。
处理器单元12还作为电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储单元内的软件程序和/或模块，以及调用存储在存储单元内的数据，以执行电子设备的各种功能和/或处理数据。所述处理器单元可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器单元可以仅包括中央处理器(CentralProcessing Unit，简称CPU)，也可以是GPU、数字信号处理器(Digital SignalProcessor，简称DSP)、及通信单元中的控制芯片(例如基带芯片)的组合。在本申请实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
输出单元13包括但不限于影像输出单元和声音输出单元。影像输出单元用于输出文字、图片和/或视频。所述影像输出单元可包括显示面板，例如采用LCD(Liquid CrystalDisplay，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)、场发射显示器(fieldemission display，简称FED)等形式来配置的显示面板。或者所述影像输出单元可以包括反射式显示器，例如电泳式(electrophoretic)显示器，或利用光干涉调变技术(InterferometricModulation ofLight)的显示器。所述影像输出单元可以包括单个显示器或不同尺寸的多个显示器。在本申请的具体实施方式中，上述输入单元所采用的触控面板亦可同时作为输出单元的显示面板。例如，当触控面板检测到在其上的触摸或接近的手势操作后，传送给处理单元以确定触摸事件的类型，随后处理单元根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图1中，输入单元与输出单元是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板与显示面板集成一体而实现电子设备的输入和输出功能。例如，所述影像输出单元可以显示各种图形化用户接口(Graphical User Interface，简称GUI)以作为虚拟控制组件，包括但不限于窗口、卷动轴、图标及剪贴簿，以供用户通过触控方式进行操作。
通信单元14用于建立通信信道，使电子设备20通过所述通信信道以连接至远程服务器，并从所述远程服务器下媒体数据。所述通信单元可以包括无线局域网(WirelessLocal AreaNetwork，简称wireless LAN)模块、蓝牙模块、NFC模块、基带(Base Band)模块等通信模块，以及所述通信模块对应的射频(Radio Frequency，简称RF)电路，用于进行无线局域网络通信、蓝牙通信、NFC通信、红外线通信及/或蜂窝式通信系统通信，例如宽带码分多重接入(Wideband Code Division Multiple Access，简称W-CDMA)及/或高速下行封包存取(HighSpeed Downlink Packet Access，简称HSDPA)。所述通信模块用于控制电子设备中的各组件的通信，并且可以支持直接内存存取(Direct Memory Access)。
通信单元14可以包括射频电路，射频电路可以用于信息收发或通话过程中接收和发送信号。例如，将基站的下行信息接收后，给处理单元处理；另外，将设计上行的数据发送给基站。又如，将外部NFC设备发送的信息接收后，给处理单元处理，将处理结果发送给外部NFC设备。通常，所述射频电路包括用于执行这些功能的公知电路，包括但不限于天线系统、射频收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、编解码(Codec)芯片组、用户身份模块(SIM)卡、存储器等等。此外，射频电路还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(GlobalSystem of Mobile communication，全球移动通讯系统)、GPRS(General PacketRadio Service，通用分组无线服务)、CDMA(Code Division Multiple Access，码分多址)、WCDMA(WidebandCode Division Multiple Access,宽带码分多址)、高速上行行链路分组接入技术(High SpeedUplink Packet Access，HSUPA)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service，短消息服务)等。
存储单元15可用于存储软件程序以及模块，处理单元通过运行存储在存储单元的软件程序以及模块，从而执行电子设备的各种功能应用以及实现数据处理。存储单元主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序，比如声音播放程序、图像播放程序等等；数据存储区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。在本申请具体实施方式中，存储单元可以包括易失性存储器，例如非挥发性动态随机存取内存(Nonvolatile Random Access Memory，简称NVRAM)、相变化随机存取内存(Phase Change RAM，简称PRAM)、磁阻式随机存取内存(MagetoresistiveRAM，简称MRAM)等，还可以包括非易失性存储器，例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)、闪存器件，例如反或闪存(NOR flash memory)或是反及闪存(NANDflash memory)。非易失存储器储存处理单元所执行的操作系统及应用程序。所述处理单元从所述非易失存储器加载运行程序与数据到内存并将数字内容储存于大量储存装置中。所述操作系统包括用于控制和管理常规系统任务，例如内存管理、存储设备控制、电源管理等，以及有助于各种软硬件之间通信的各种组件和/或驱动器。在本申请实施方式中，所述操作系统可以是Google公司的Android系统、Apple公司开发的iOS系统或Microsoft公司开发的Windows操作系统等，或者是Vxworks这类的嵌入式操作系统。
存储单元15存储的软件程序可以包括应用程序，所述应用程序可以包括安装在电子设备上的任何应用，包括但不限于浏览器、电子邮件、即时消息服务、文字处理、键盘虚拟、窗口小部件(Widget)、加密、数字版权管理、语音识别、语音复制、定位(例如由全球定位系统提供的功能)、音乐播放等等。
外设接口16(Interface)可以为连接主机箱、显示屏、键盘等外围设备的接口，其为外设接口(Interface)是计算机的CPU、存储器与外围设备，或者两种外围设备之间，或者两种机器之间通过系统总线进行连接的逻辑电路(逻辑部件)，是CPU与外界进行信息交换的中转站。外设接口16可以包括由接口电路、连接电缆等。
可以理解，电子设备10还包括电源17，电源17用于给电子设备的不同部件进行供电以维持其运行。作为一般性理解，所述电源可以是内置的电池，例如常见的锂离子电池、镍氢电池等，也包括直接向电子设备10供电的外接电源，例如AC适配器等。在本申请的一些实施方式中，所述电源17还可以作更为广泛的定义，例如还可以包括电源管理系统、充电系统、电源故障检测电路、电源转换器或逆变器、电源状态指示器(如发光二极管)，以及与电子设备的电能生成、管理及分布相关联的其他任何组件。
本实施方式中，输入单元11包括指纹传感器111及振声传感器112，指纹传感器111用于检测指纹输入动作以产生指纹图像，振声传感器112用于侦测所述指纹输入动作产生的振声信号。处理器单元12能够接收指纹图像及振声信号、依据指纹防伪模型与所述指纹图像及所述振声信号判断所述指纹输入动作是否为真手指的指纹输入动作产生，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型。可以理解，处理器单元12还可以依据判断输出指纹识别成功或失败的身份认证结果。
指纹传感器111包括光学指纹传感器(如屏下/屏内光学指纹传感器)、超声波指纹传感器、电容指纹传感器中的至少一种。振声传感器112包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种，其可以邻近所述指纹传感器111设置，如位于所述指纹传感器111的下方或外围。可以理解，所述振声信号为振声传感器111基于指纹输入动作产生的振声信号，其可以包括所述机械振动信号及声音信号。另外，由于当前大部分手机等电子设备都集成了加速度传感器，如摆式加速计、非摆式加速计，MEMS加速度计，可用来检测手指的指纹输入动作过程中电子设备机体、PCB板及屏幕等部件的机械振动信号；而常用的声音信号检测传感器包括：电容式麦克分、压电式麦克风及MEMS麦克风等，可用使用电子设备10固有的麦克风检测手指的指纹输入动作过程中产生的声音信号。如上所述，振声传感器112可以采用电子设备10固有的加速度传感器及麦克风等声音传感器来采集机械振动信号及声音信号构成的振声信号，从而实现振声传感器112的集成与应用较为简单的技术效果。
具体地，振声传感器112采集到机械振动信号及声音信号后，可以经过采样得到振声信号，其中振声信号的持续时间可以为0.1s，所述采样率可以为22.05Hz，以将模拟的振声信号转换为离散的序列式的振声信号。
在一种实施例中，振声传感器112包括振声激励源112a及振声传感模块112b，振声激励源112a用于发出振声激励信号，振声传感模块112b用于在所述振声激励信号发出之后检测手指的指纹输入动作及所述激励信号共同产生的振声信号，从而获得较大强度的振声信号，从而提升振声传感器的检测灵敏度。具体地，振声激励源112a可以被指纹输入动作触发而发出所述振声激励信号，振声传感模块112b在振声激励源112a被触发时开始计算的预设延迟时间之后，再开始检测指纹输入动作及所述激励信号共同产生的振声信号。可以理解，振声激励源112a包括线性马达但不限于线性马达，一般地，线性马达可以产生频率和幅度可控的激励信号，其工作频率可以在150～235Hz的范围。
更进一步地，所述指纹图像与对应的振声信号可以构成待判定样本对，如处理器单元12可以接收指纹传感器获取的指纹图像及振声传感器获得的振声信号，并将二者融合构成一个信号数据。上述数据融合方式包括但不限于：从振声信号的序列中提取时域上与指纹图像数据匹配的信号，进行拼接融合。需要注意的是，进行指纹图像与对应的振声信号的数据融合之前，应当对所述指纹图像与对应的振声信号进行归一化处理，如，将指纹图像的像素值及振声信号的采样序列归一化到一个特定范围，如：0-255，这样数据结构整齐统一，可进一步进行数据融合，便于数据读取管理。当然，也可不对指纹图像和振声信号进行归一化处理，这样数据中包含更多的原始信息，可在所述指纹图像和振声信号送入处理器单元12之前或送入处理器单元12之后由处理器单元12根据需求进行相应的预处理。
在一种实施例中，归一化处理后，进行数据融合时，处理器单元12可以将指纹图像裁剪掉边缘的一个尺寸较小的条形区域，并将与所述条形区域大小一致的振声信号拼接到裁剪后的指纹图像边缘，也可以直接将条形的振声信号拼接至指纹图像的边缘。如图2所示，指纹图像的图像尺寸可以为160像素*160像素，所述指纹图像与振声信号拼接后的待判定样本对的图像尺寸可以为172像素*160像素。
进一步地，存储单元15可以存储计算机程序和指纹防伪模型，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型，所述计算机程序包括指令，当所述指令被所述处理器执行时，所述电子设备执行以下步骤：
调用所述指纹传感器及所述振声传感器采集指纹图像和振声信号；
根据采集的指纹图像和振声信号及所述指纹防伪模型，判断指纹输入动作为真手指产生还是假手指产生。
所述指纹防伪模型可以预先存储在所述电子设备10的处理器单元12可调用的存储装置中，处理器单元12可以依据计算机程序的指令调用所述指纹防伪模型，并依据所述指纹防伪模型判断所述指纹图像及所述振声信号是否为真手指的指纹输入动作产生。可以理解，指纹防伪模型可以更新或升级，如通过相关的网络平台自动下载或更新成最新的网络模型，来针对不断出现的假指纹攻击方式，实现快速的升级防护，具有较高的可靠性。
如图3所示，图3是本申请一种实施例指纹防伪模型的原理示意图。以下对一种如何获取指纹防伪模型及利用所述指纹防伪模型进行指纹防伪的方法进行具体介绍，首先，可以提供一具有指纹传感器及振声传感器的电子设备(比如上述图1所示的结构的电子设备)采集每次按压的指纹图像及其对应的振声信号，进一步利用计算机将每次按压采集到的指纹图像及其对应的振声信号组成一个训练样本对，这个样本对可以是真指纹训练样本对，也可以是假指纹训练样本对，进一步由大量的真假指纹训练样本对构成多维网络的训练集，可以理解，计算机可对指纹图像及对应振声信号进行预处理(数据归一化，融合等)、清洗(剔除无效数据)等。然后，可进一步利用一算力较高的设备(如服务器)，将训练集中的指纹图像与振声信号组成的训练样本对依次输入到第一多维防伪网络中，经反复学习后，所述第一多维防伪网络可以得到一个训练好的指纹防伪模型，所述指纹防伪模型可被存储于所述电子设备10的存储单元13中，进一步可供处理器单元12调用。
图3所示方法中，所述第一多维防伪网络可以包括指纹图像子网络及振声信号子网络，所述训练集中的指纹图像与振声信号组成的训练样本进入所述第一多维防伪网络后，可以将每个训练样本中的指纹图像与振声信号分离，并对应输入相应的子网络。所述指纹图像经所述指纹图像子网络进行特征学习后，所述指纹图像子网络可以输出学习到的指纹相关的第一特征向量。所述振声信号经所述振声信号子网络进行特征学习后，所述振声信号子网络可以输出学习到的振声信号相关的第二特征向量。所述指纹图像相关特征向量与所述振声信号相关特征向量两类特征向量可以融合成一个第三特征向量，经全连接层进行分类计算和损失函数计算后，进行反向传播更新网络参数。通过反复学习得到一组最佳状态的网络参数，即所述指纹防伪模型。可以理解，本实施例中，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在所述第一多维防伪网络中融合学习获得的多维网络模型。其中，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，
所述第一多维防伪网络中，所述指纹图像子网络包括卷积神经网络，所述振声信号子网络包括循环神经网络。具体地，可以理解，可以保存下在测试集上表现最好的网络模型作为训练好的所述第一多维网络模型。并且，在模型训练过程中可以同步地更新指纹图像及振声信号两个子网络的参数数据，保存下在测试集上表现最好的模型数据。但是，由于两个子网络的结构及训练数据区别很大，也可选择异步更新两个子网络的参数数据。
进一步地，图3所示的实施例中，具体地，处理器单元12可以将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声信号子网络获得第二特征向量，将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量，并对所述第三特征向量计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。所述分类结果包括置信度，可以理解，所述置信度为所述指纹输入动作为真手指产生的置信度，若所述置信度大于或等于所设阈值，所述电子设备10的处理器单元12判定所述指纹输入动作为真手指产生，若小于所设阈值，所述电子设备10的处理器单元12判定所述指纹输入动作为假手指产生。比如，若所述置信度大于或等于所设阈值，所述处理器单元12判定所述指纹输入动作为真手指产生，若小于所设阈值，所述处理器单元12判定所述指纹输入动作为假手指产生，所述置信度为所述指纹输入动作为真手指产生的置信度。例如，当分类结果为真手指输入的置信度为0.9，所设阈值为0.5，则可以判定指纹输入行为由真手指产生。
如图4所示，图4是本申请一种实施例获取指纹防伪模型的原理示意图。以下对另一种如何获取指纹防伪模型的方法进行具体介绍，首先，可以提供一具有指纹传感器及振声传感器的电子设备(比如上述图1所示的结构的电子设备)采集每次按压的指纹图像及其对应的振声信号，进一步利用计算机将每次按压采集到的指纹图像及其对应的振声信号组成一个训练样本对，这个样本对可以是真指纹训练样本对，也可以是假指纹训练样本对，进一步由大量的真假指纹训练样本对构成多维网络的训练集，可以理解，计算机可对指纹图像及对应振声信号进行预处理(数据归一化，融合等)、清洗(剔除无效数据)等。然后，可进一步利用一算力较高的设备(如服务器)，将上述处理后的训练集中的指纹图像与振声信号组成的训练样本对依次输入到第二多维防伪网络中，所述第二多维防伪网络包括指纹图像子网络及振声信号子网络，指纹图像及振声信号分别经反复学习后，所述第二多维防伪网络可以得到一个训练好的指纹防伪模型，所述指纹防伪模型可被被存储于所述电子设备10的存储单元13中，所述模型进一步可供处理器单元12调用。可以理解，图4所示的实施例中，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在指纹图像子网络及振声信号子网络中分别学习获得的多维网络模型。
图4所示的方法中，所述训练集中的指纹图像与振声信号组成的训练样本进入所述第二多维防伪网络后，可以将每个训练样本中的指纹图像与振声信号分离，并对应输入相应的子网络。所述指纹图像子网络在对输入的所述指纹图像数据进行反复特征学习后，选取测试结果最佳的一组参数作为指纹图像子网络。所述振声信号子网络在对输入的所述振声信号进行反复特征学习后，选取测试结果最佳的一组参数作为振声信号子网络。由于所述指纹图像子网络及振声信号子网络二者独立训练获得，且分别存储在可供处理器单元调用的所述电子设备或其他外部存储装置中，因此可以暂不考虑模型训练过程中的两个子网络的参数数据更新问题。此外，所述第二多维防伪网络中，所述指纹图像子网络也可以包括卷积神经网络，所述振声信号子网络也包括循环神经网络。
图4所示的实施例中，具体地，所述处理器单元12可以将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声信号子网络获得第二特征向量，并对所述第一及第二特征向量计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。所述分类结果包括置信度，可以理解，所述置信度为所述指纹输入动作为真手指产生的置信度，若所述置信度大于或等于所设阈值，所述电子设备10的处理器单元12判定所述指纹输入动作为真手指产生，若小于所设阈值，所述电子设备10的处理器单元12判定所述指纹输入动作为假手指产生。比如，若所述置信度大于或等于所设阈值，所述处理器单元12判定所述指纹输入动作为真手指产生，若小于所设阈值，所述处理器单元12判定所述指纹输入动作为假手指产生，所述置信度为所述指纹输入动作为真手指产生的置信度。例如，当分类结果为真手指输入的置信度为0.9，所设阈值为0.5，则可以判定指纹输入行为由真手指产生。
请参考图5，图5是所述电子设备10指纹防伪及识别的流程图。可以理解，图5所示的流程图包括指纹防伪和指纹识别两个方面。具体地，当所述电子设备10开始进行指纹防伪及识别时，可以执行步骤S1，先判断是否检测到触发事件，如指纹识别区域是否接收到触摸信号，若判断结果为是，则执行步骤S2及S4。如，执行步骤S2触发振声激励源产生振声激励信号再执行步骤S3触发振声传感器采集振声信号。执行步骤S4，可以触发指纹传感器的指纹芯片开始采集指纹图像，进一步地，执行步骤S5及步骤S7，其中步骤S5，指纹传感器获取指纹图像，以及处理器单元12可以进一步执行步骤S6对指纹图像进行识别匹配，如识别匹配结果为不匹配，可以重新获取下一待判定样本对，即执行所述步骤S2及S4；步骤S7，将所述步骤S3获取的指纹图像及所述步骤S5获取的指纹图像可以进一步进行归一化处理，使得所述指纹图像与所述振声信号融合构成待判断样本对，以及执行步骤S8，将所述待判定样本依据指纹防伪模型对指纹图像和振声信号进行真伪判别处理，若判定为真手指的指纹输入动作产生且步骤S6的识别匹配结果为匹配则执行步骤S9输出指纹识别成功的身份认证结果，若判定为假手指的指纹输入动作产生或步骤S6的识别匹配结果为不匹配则执行步骤S10输出指纹识别失败的身份认证结果。
可以理解，以上主要是针对有振声激励源的电子设备，当步骤S1的判断结果为是则执行步骤S2，但对于没有振声激励源112a的电子设备，当步骤S1的判断结果为是时也可以直接执行步骤S3，并且对于不需要进行归一化处理和数据融合的指纹图像及振声信号，也可以分别将为进行归一化处理与融合的指纹图像及振声信号输入指纹防伪模型，利用指纹防伪模型对指纹图像及振声信号分别进行判别，若判定为真手指的指纹输入动作产生则执行步骤S9输出的身份认证成功结果，若判定为假手指的指纹则执行步骤S10输出身份认证失败的结果。
另外，可以理解，当所述电子设备10确定所述指纹输入动作为假手指产生时，所述方法还包括：所述电子设备10判定指纹识别失败，并发出指纹识别失败的提示信息。
可选地，关于步骤S6的指纹识别流程与步骤S8指纹防伪流程也可以顺序的执行，也可以是步骤S8的指纹防伪流程也可以在步骤S6的指纹识别流程之前或之后进行，然而，图5所示实施例中是两个流程并行执行。
请参考图6，图6是本申请一种实施例的指纹防伪方法的流程图。以上已经对本申请电子设备10如何进行基于振声信号的指纹防伪的原理进行介绍，以下结合图5对所述电子设备10的处理器单元12如何进行指纹防伪方法进行简要说明。所述指纹防伪方法可以包括如下步骤S61、S62、S63、S64。
步骤S61，获取指纹输入动作产生的指纹图像。
步骤S62，获取所述指纹输入动作产生的振声信号。
步骤S63，依据指纹防伪模型判断所述指纹图像及所述振声信号是否为真手指的指纹输入动作产生，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型。
具体地，在一种实施例中，如图5所示，所述方法还可以包括在步骤S61前执行的检测是否发生触发事件的步骤S1，且在检测结果为发生触发事件时控制指纹传感器111开始采集指纹图像以获取指纹输入动作产生的指纹图像的步骤S4，以及控制振声传感器112开始采集振声以获取所述指纹输入动作产生的振声信号步骤S3。
具体地，在另一种实施例中，如图6所示，所述方法还包括检测是否发生触发事件的步骤S1，且在检测结果为发生触发事件时控制指纹传感器111开始采集指纹图像以获取指纹输入动作产生的指纹图像，以及控制振声激励源发出振声激励信号，以及控制振声传感器112在振声激励信号发出时开始计算的预设延迟时间之后开始采集振声以获取所述指纹输入动作产生的振声信号。
进一步地，如前所述，所述振声信号包括所述机械振动信号及声音信号，所述振声传感器112包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种。所述指纹传感器111包括屏下/屏内光学指纹传感器、超声波指纹传感器、电容指纹传感器中的至少一种。
进一步地，如前所述，所述指纹防伪模型可以包括依据多个训练用指纹图像及对应的振声信号组成多个训练样本对在多维防伪网络(如第一多维防伪网络)中进行训练获得的网络模型，所述步骤64可以包括以下步骤：
将所述指纹图像及所述振声信号组成待判定样本对；
将所述待判定样本输入所述指纹防伪模型获得计算结果。
进一步地，如图5所示，所述方法还可以包括在将所述指纹图像及所述振声信号组成待判定样本对的步骤之前，将所述指纹图像及所述振声信号分别进行归一化处理的步骤S7。
进一步地，在一种实施例中，所述多维防伪网络(如第一多维防伪网络)包括指纹图像子网络及振声信号子网络，分别用于对所述指纹图像和所述振声信号进行特征提取，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量；
所述电子设备10将所述第三特征向量输入多维防伪网络的分类层(例如，softmax函数、sigmoid函数或其他具有分类效果的函数)进行分类，计算分类结果；
在另一种实施例中，所述多维防伪网络包括第二多维防伪网络，其包括指纹图像子网络及振声信号子网络，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指输入产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
所述电子设备对所述第一特征向量及第二特征向量进行分类，计算分类结果；
所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。
所述另一种实施例中，可以理解，所述指纹图像及所述振声信号也可以进行了归一化处理再分别输入所述第二多维防伪网络。
如前所述，上述两个实施例中，所述电子设备10根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生的步骤可以包括：
所述分类结果包括置信度，若所述置信度大于或等于所设阈值，所述电子设备10(如处理器单元12)判定所述指纹输入动作为真手指产生，若小于所设阈值，所述电子设备10判定所述指纹输入动作为假手指产生，所述置信度为所述指纹输入动作为真手指产生的概率。
例如，计算得到的结果为指纹输入动作由真指纹产生的置信度，电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。例如，当分类结果为真手指输入的置信度为0.9，所设阈值为0.5，则可以判定指纹输入行为由真手指产生。
进一步地，如前所述，上述两个实施例中，所述电子设备10将所述指纹图像和所述振声信号送入所述多维防伪网络之前，可以对所述指纹图像和所述振声信号进行融合处理；
并且在将所述指纹图像和所述振声信号送入所述多维防伪网络之后，所述电子设备10可以将所述指纹图像和所述振声信号进行分离处理。
可以理解，如步骤S63可以包括上述步骤S8、S9及S10，如步骤S8、S9及S10所示，当所述电子设备10确定所述指纹输入动作为假手指产生时，所述方法还包括：所述电子设备10判定指纹识别失败，并发出指纹识别失败的提示信息。
进一步地，当所述电子设备10确定所述指纹输入动作为真手指产生时，所述方法还包括：所述电子设备10确认所述指纹图像和用于预设的指纹图像是否匹配；若所述指纹图像和用于预设的指纹图像匹配，所述电子设备10判定指纹解锁成功。可选地，关于步骤S6的指纹识别流程与步骤S8指纹防伪流程也可以并行的执行，也可以是步骤S8的指纹防伪流程也可以在步骤S6的指纹识别流程之前或之后进行，然而，如图5所示，优选的是两个流程并行执行。
关于所述第一及第二多维防伪网络及如何获得所述指纹防伪模型等内容已经在前述进行详细介绍，此处就不再赘述。
相较于现有技术，本申请的指纹防伪方法及电子设备10，结合振声信号对指纹图像的真假进行判定，可以有效防御目前指纹方案面临的假指纹攻击的挑战(尤其是3D假指纹攻击)；并且振声传感器112的结构及集成应用也比较简单，因此可有效避免硬件防伪方案带来的成本增高，集成困难的问题，此外，由于用于指纹防伪的指纹防伪模型(第一多维网络模型与第二多维网络模型)可针对不断出现的假指纹攻击方式，进行快速的升级防护，具有较高的可靠性。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。如图7所示，为执行上述实施例中的方法的电子装置7的结构示意图。所述电子装置7包括，但不限于：至少一个存储器71、至少一个处理器72、至少一个通信装置73以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子装置7是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。所述电子装置7还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子装置7可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子装置7所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述通信装置可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器71用于存储程序代码。所述存储器71可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First InFirstOut，)等。或者，所述存储器也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flashCard)、智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flashcard)等储存设备等等。
所述处理器72可以包括一个或者多个微处理器、数字处理器。所述处理器52可调用所述存储器中存储的程序代码以执行相关的功能；例如，图6中所述的各个模块是存储在存储器71的程序代码，并由所述处理器72所执行，以实现所述指纹防伪方法。所述处理器又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器执行时，执行如上文方法实施例所述的指纹防伪方法。
以上说明的本申请的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述指纹防伪方法的功能。
在任意实施例中所述指纹防伪方法所能实现的功能都能通过本申请的集成电路安装于所述电子设备中，使所述电子设备发挥任意实施例中所述指纹防伪方法所能实现的功能，在此不再详述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，可以是电性或其它的形式。
所述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，在本申请的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。
所述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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (26)

1.一种指纹防伪方法，所述方法可应用于电子设备，其特征在于：所述方法包括如下步骤：
获取指纹输入动作产生的指纹图像；
获取所述指纹输入动作产生的振声信号；及
依据指纹防伪模型判断所述指纹图像和振声信号是否为真手指的指纹输入动作产生，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型。
2.如权利要求1所述的方法，其特征在于：所述指纹防伪模型包括依据所述多个训练用指纹图像及对应的振声信号组成多个训练样本对在所述多维防伪网络中进行训练获得的多维网络模型，所述依据指纹防伪模型判断所述指纹输入动作是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像及所述振声信号组成待判定样本对；
将所述待判定样本对输入所述多维网络模型获得计算结果。
3.如权利要求2所述的方法，其特征在于：所述多维防伪网络包括指纹图像子网络及振声信号子网络，分别用于对所述指纹图像和所述振声信号进行特征提取。
4.如权利要求3所述的方法，其特征在于：所述多个训练用指纹图像及对应的振声信号在组成所述多个训练样本前分别进行了归一化处理，所述方法还包括在将所述指纹图像及所述振声信号组成待判定样本对的步骤之前，将所述指纹图像及所述振声信号分别进行归一化处理的步骤。
5.如权利要求1所述的方法，其特征在于：所述电子设备中保存有所述指纹防伪模型，所述多维防伪网络包括指纹图像子网络及振声信号子网络，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量；
所述电子设备对所述第三特征向量进行分类，计算分类结果；
所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。
6.如权利要求1所述的方法，其特征在于：所述电子设备中保存有所述指纹防伪模型，所述多维防伪网络包括指纹图像子网络及振声信号子网络，所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集进行训练，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集进行训练，所述依据指纹防伪模型判断所述指纹图像及振声信号是否为真手指的指纹输入动作产生的步骤包括：
将所述指纹图像输入所述指纹图像子网络获得第一特征向量；
将所述振声信号输入所述振声信号子网络获得第二特征向量；
所述电子设备对所述第一特征向量及第二特征向量进行分类，计算分类结果；
所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生。
7.根据权利要求5或6所述的方法，其特征在于，所述电子设备根据所述分类结果，判断所述指纹输入动作为真手指产生或者为假手指产生，包括：
所述分类结果包括置信度，若所述置信度大于或等于所设阈值，所述电子设备判定所述指纹输入动作为真手指产生，若小于所设阈值，所述电子设备判定所述指纹输入动作为假手指产生，所述置信度为所述指纹输入动作为真手指产生的置信度。
8.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：
所述电子设备将所述指纹图像和所述振声信号送入所述多维防伪网络之前，对所述指纹图像和所述振声信号进行融合处理；
在将所述指纹图像和所述振声信号送入所述多维防伪网络之后，所述电子设备将所述指纹图像和所述振声信号进行分离处理。
9.如权利要求3、5或6所述的方法，其特征在于：所述指纹图像子网络包括卷积神经网络，所述振声信号子网络包括循环神经网络。
10.如权利要求1所述的方法，其特征在于：所述方法还包括检测是否发生触发事件的步骤，且在检测结果为发生触发事件时控制指纹传感器开始采集指纹图像以获取指纹输入动作产生的指纹图像，以及控制振声传感器开始采集振声以获取所述指纹输入动作产生的振声信号。
11.如权利要求1所述的方法，其特征在于：所述方法还包括检测是否发生触发事件的步骤，且在检测结果为发生触发事件时控制指纹传感器开始采集指纹图像以获取指纹输入动作产生的指纹图像，以及控制振声激励源发出振声激励信号，以及控制振声传感器在振声激励信号发出时开始计算的预设延迟时间之后开始采集振声信号，以获取所述指纹输入动作产生的振声信号。
12.根据权利要求1所述的方法，其特征在于，当所述电子设备确定所述指纹输入动作为假手指产生时，所述方法还包括：
所述电子设备判定指纹识别失败，并发出指纹识别失败的提示信息。
13.根据权利要求1所述的方法，其特征在于，当所述电子设备确定所述指纹输入动作为真手指产生时，所述方法还包括：
所述电子设备确认所述指纹图像和用于预设的指纹图像是否匹配；
若所述指纹图像和用于预设的指纹图像匹配，所述电子设备判定指纹识别成功。
14.如权利要求10或11所述的方法，其特征在于：所述振声信号包括所述机械振动信号及声音信号，所述振声传感器包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种。
15.如权利要求10或11所述的方法，其特征在于：所述指纹传感器包括屏下/屏内光学指纹传感器、超声波指纹传感器、电容指纹传感器中的至少一种。
16.一种电子设备，其特征在于：所述电子设备包括输入单元、处理器单元和存储单元，
所述输入单元包括指纹传感器、振声传感器，所述指纹传感器用于采集指纹输入动作的指纹图像，所述振声传感器用于采集所述指纹输入动作产生的振声信号，
所述存储单元存储有计算机程序和指纹防伪模型，所述指纹防伪模型为依据多个训练用指纹图像及对应的振声信号在多维防伪网络中融合学习或分别学习获得的多维网络模型，所述计算机程序包括指令，当所述指令被所述处理器执行时，所述电子设备执行以下步骤：
调用所述指纹传感器及所述振声传感器采集指纹图像和振声信号；
根据采集的指纹图像和振声信号及所述指纹防伪模型，判断指纹输入动作为真手指产生还是假手指产生。
17.如权利要求16所述的电子设备，其特征在于：所述振声传感器包括振声激励源及振声传感模块，所述振声激励源用于发出振声激励信号，所述振声传感模块用于采集所述指纹输入动作产生所述振声信号。
18.如权利要求17所述的电子设备，其特征在于：所述振声激励源用于被所述指纹输入动作触发而发出所述振声激励信号，所述振声传感模块用于在所述振声激励源被触发时开始计算的预设延迟时间之后，开始侦测所述指纹输入动作及振声激励信号共同产生所述振声信号。
19.如权利要求16所述的电子设备，其特征在于：所述振声信号包括所述机械振动信号及声音信号，所述振声传感器包括麦克风、声音传感器、加速度传感器、碰撞传感器、位移传感器、加速度传感器、力传感器中的至少一种。
20.如权利要求16所述的电子设备，其特征在于：所述指纹传感器包括屏下/屏内光学指纹传感器、超声波指纹传感器、电容指纹传感器中的至少一种。
21.如权利要求16所述的电子设备，其特征在于：所述指纹防伪模型包括依据所述多个训练用指纹图像及对应的振声信号组成多个训练样本对训练获得的模型，所述处理器单元还用于将所述指纹图像及所述振声信号组成待判定样本对、将所述待判定样本输入所述指纹防伪模型获得计算指纹输入动作为真指纹的置信度，及依据所述置信度和所设阈值判断所述指纹输入动作是否为真手指产生。
22.如权利要求16所述的电子设备，其特征在于：所述多维防伪网络包括指纹图像子网络及振声信号子网络。
23.如权利要求22所述的电子设备，其特征在于：所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集训练获得的，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集训练获得的，所述处理器单元还用于将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声子网络获得第二特征向量，将所述第一特征向量和所述第二特征向量进行融合，得到第三特征向量，并对所述第三特征向量进行分类计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。
24.如权利要求22所述的电子设备，其特征在于：所述指纹图像子网络依据多个训练用指纹图像构成的指纹图像训练集训练获得的，所述振声信号子网络依据多个训练用指纹图像对应的多个振声信号构成的振声信号训练集训练获得的，所述处理器单元还用于将所述指纹图像输入所述指纹图像子网络获得第一特征向量、将所述振声信号输入所述振声信号子网络获得第二特征向量，并对所述第一特征向量及所述第二特征向量进行分类计算分类结果，根据所述分类结果判断所述指纹输入动作为真手指产生或者为假手指产生。
25.如权利要求23或24所述的电子设备，其特征在于：所述指纹图像子网络包括卷积神经网络，所述振声信号子网络包括循环神经网络。
26.一种电子装置，其包括处理器及存储器，其特征在于：所述存储器存储有至少一指令，所述至少一指令被处理器执行时可实现如权利要求1-15任意一权利要求所述的指纹防伪方法。
CN201911300678.0A 2019-12-17 2019-12-17 一种指纹防伪方法及电子设备 Pending CN112989888A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201911300678.0A CN112989888A (zh) 2019-12-17 2019-12-17 一种指纹防伪方法及电子设备
EP20903794.4A EP4060551B1 (en) 2019-12-17 2020-12-10 Fingerprint anti-counterfeiting method and electronic device
PCT/CN2020/135111 WO2021121112A1 (zh) 2019-12-17 2020-12-10 一种指纹防伪方法及电子设备
US17/785,990 US11881011B2 (en) 2019-12-17 2020-12-10 Fingerprint anti-counterfeiting method and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911300678.0A CN112989888A (zh) 2019-12-17 2019-12-17 一种指纹防伪方法及电子设备

Publications (1)

Publication Number Publication Date
CN112989888A true CN112989888A (zh) 2021-06-18

Family

ID=76342104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911300678.0A Pending CN112989888A (zh) 2019-12-17 2019-12-17 一种指纹防伪方法及电子设备

Country Status (4)

Country Link
US (1) US11881011B2 (zh)
EP (1) EP4060551B1 (zh)
CN (1) CN112989888A (zh)
WO (1) WO2021121112A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626785B (zh) * 2021-07-27 2023-10-27 武汉大学 基于用户指纹按压行为的指纹认证安全增强方法及系统
CN117320150B (zh) * 2023-09-22 2024-04-05 大连海事大学 基于移动蜂窝网络多特征的室外指纹定位方法、计算机及存储介质
CN117253262B (zh) * 2023-11-15 2024-01-30 南京信息工程大学 一种基于共性特征学习的伪造指纹检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004351A1 (en) * 2015-06-30 2017-01-05 Samsung Electronics Co., Ltd. Method and apparatus for detecting fake fingerprint, and method and apparatus for recognizing fingerprint
CN106663203A (zh) * 2016-11-04 2017-05-10 深圳市汇顶科技股份有限公司 活体指纹识别方法及装置
CN109145834A (zh) * 2018-08-27 2019-01-04 河南丰泰光电科技有限公司 一种基于神经网络的指纹识别及验证方法
CN109670417A (zh) * 2018-12-03 2019-04-23 北京集创北方科技股份有限公司 指纹识别方法及装置
CN110363120A (zh) * 2019-07-01 2019-10-22 上海交通大学 基于振动信号的智能终端触碰认证方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9633269B2 (en) * 2014-09-05 2017-04-25 Qualcomm Incorporated Image-based liveness detection for ultrasonic fingerprints
WO2019089432A1 (en) 2017-10-30 2019-05-09 The Research Foundation For The State University Of New York System and method associated with user authentication based on an acoustic-based echo-signature
EP3859603A1 (en) * 2020-01-28 2021-08-04 Alitheon, Inc. Depth-based digital fingerprinting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004351A1 (en) * 2015-06-30 2017-01-05 Samsung Electronics Co., Ltd. Method and apparatus for detecting fake fingerprint, and method and apparatus for recognizing fingerprint
CN106663203A (zh) * 2016-11-04 2017-05-10 深圳市汇顶科技股份有限公司 活体指纹识别方法及装置
CN109145834A (zh) * 2018-08-27 2019-01-04 河南丰泰光电科技有限公司 一种基于神经网络的指纹识别及验证方法
CN109670417A (zh) * 2018-12-03 2019-04-23 北京集创北方科技股份有限公司 指纹识别方法及装置
CN110363120A (zh) * 2019-07-01 2019-10-22 上海交通大学 基于振动信号的智能终端触碰认证方法及系统

Also Published As

Publication number Publication date
EP4060551A4 (en) 2022-12-28
US11881011B2 (en) 2024-01-23
WO2021121112A1 (zh) 2021-06-24
US20230018194A1 (en) 2023-01-19
EP4060551A1 (en) 2022-09-21
EP4060551B1 (en) 2024-01-31

Similar Documents

Publication Publication Date Title
CN106066986B (zh) 用于感测指纹的方法和装置
US10169639B2 (en) Method for fingerprint template update and terminal device
EP3252640B1 (en) Method for launching application and terminal
CN110263523B (zh) 用于在电子装置中处理生物计量信息的方法和设备
EP3385877B1 (en) Electronic device and method for storing fingerprint information
US10061970B2 (en) Method for controlling unlocking and mobile terminal
CN107180179B (zh) 解锁控制方法及相关产品
WO2021121112A1 (zh) 一种指纹防伪方法及电子设备
KR20180124640A (ko) 전자 장치 및 전자 장치 제어 방법
US11055547B2 (en) Unlocking control method and related products
KR20150026938A (ko) 전자 장치 및 전자 장치의 서명 입력 처리 방법
US10423814B2 (en) Method for unlocking mobile terminal and mobile terminal
CN106203034B (zh) 一种指纹解锁方法及终端
CN107729836A (zh) 人脸识别方法及相关产品
US20190392237A1 (en) Method for Fingerprint Enrollment, Terminal, and Non-Transitory Computer Readable Storage Medium
CN109544172B (zh) 一种显示方法及终端设备
CN110188666B (zh) 静脉采集方法及相关产品
US11636188B2 (en) Combining biometrics, hidden knowledge and intent to authenticate
CN107622235B (zh) 指纹解锁方法及相关产品
CN114499903B (zh) 一种人脸识别场景中的数据传输方法以及相关装置
CN114240448A (zh) 一种特征值转移方法和相关装置
CN114519579A (zh) 一种人脸支付方法、装置、电子设备和存储介质
CN115098845A (zh) 免密登录方法、装置、电子设备及存储介质
CN116245599A (zh) 信用评估模型待的训练方法、信用评估方法以及设备
CN114078011A (zh) 基于图像识别的信息处理方法、装置、存储介质及终端

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