CN113033512A - 窄条形指纹识别方法、存储介质及电子设备 - Google Patents
窄条形指纹识别方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113033512A CN113033512A CN202110560333.XA CN202110560333A CN113033512A CN 113033512 A CN113033512 A CN 113033512A CN 202110560333 A CN202110560333 A CN 202110560333A CN 113033512 A CN113033512 A CN 113033512A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- template
- feature map
- strip
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (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,获取多个模板指纹图像组;将所述多个模板指纹图像组进行编码得到多个特征图组,其中,每个所述特征图组包括多个特征图;将每个所述特征图组中的多个特征图在线训练抽象成一个模板特征图,得到与多组模板指纹图像对应的多个模板特征图;获取一张待识别指纹图像;将所述待识别指纹图像进行编码,得到待识别特征图;利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离;根据多个推土机距离获得识别结果,识别结果包括识别成功与识别失败。本申请还提供了一种电子设备、存储介质、指纹识别模组以及指纹传感器。
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。
背景技术
近年来,指纹识别技术消费电子领域应用十分广泛,利用指纹进行身份验证的技术广泛应用。譬如手机、门锁、电脑、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,以手机为例,很多手机为了屏幕覆盖率,将指纹传感器置于手机侧边,导致获取到的指纹图像面积很小,指纹信息很少,原来的大面积指纹识别方法不适用。
因此,提供一种适用于识别窄条形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。
第一方面,本申请实施例提供一种窄条形指纹识别方法,所述小面积指纹识别方法包括:
获取多个模板指纹图像组,其中,同一组模板指纹图像组为来自同一手指的多张模板指纹图像;
将所述多个模板指纹图像组进行编码得到多个特征图组,其中,每个所述特征图组包括多个特征图;
将每个所述特征图组中的多个特征图在线训练抽象成一个模板特征图,得到与多组模板指纹图像对应的多个模板特征图;
获取一张待识别指纹图像;
将所述待识别指纹图像进行编码,得到待识别特征图;
利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离;
根据所述多个推土机距离获得识别结果,所述识别结果包括识别成功与识别失败。
进一步,所述窄条形指纹识别方法还包括:
当所述识别结果为识别成功时,将所述待识别特征图及相对应的多个特征图抽象成新的一个模板特征图。
进一步,将所述多个模板指纹图像组进行编码得到多个特征图组,具体包括:
使用分类网络将所述多个模板指纹图像组进行编码得到多个特征图组,其中,所述分类网络包括:resnet 50。
进一步,利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离具体包括:
计算所述待识别特征图与所述模板特征图对应位置的权重系数;
计算所述待识别特征图与所述模板特征图对应位置的相似度;
根据所述权重系数、所述对应位置的相似度计算出推土机距离。
进一步,根据所述多个推土机距离获得识别结果具体包括:
将所述多个推土机距离根据预设关系转化为多个分类概率;
判断所述多个分类概率是否存在大于预设的分类概率;
当所述多个分类概率存在大于预设的分类概率,输出识别成功信息;或者
当所述多个分类概率不存在大于预设的分类概率,输出识别失败信息。
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:
主机,所述主机包括:
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上述的窄条形指纹校准方法。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。
第四方面,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,通过将来自同一个手指的多张指纹图像进行编码,得到多个特征图,再将多个特征图通过抽象,得到一个模板特征图;将待识别的指纹图像通过编码得到待识别特征图;其次,利用推土机距离算法计算模板特征图和待识别特征图的推土机距离,从而对窄条形的指纹图像进行精准识别。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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识别方法的流程示意图。
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窄条形指纹识别方法的编码示意图。
图4为本申请实施例提供的推土机距离算法步骤示意图。
图5为本申请实施例提供的特征图示意图。
图6为本申请实施例提供的步骤S107的子流程示意图。
图7本申请实施例提供的的电子设备示意图。
图8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。
本发明目的的实现、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。说明书附图示出本发明的实施例的示例。可以理解的是,说明书附图示出的比例并非本发明实际实施的比例,其仅为示意说明为目的,并非依照原尺寸作图。基于本发明中的实施例,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,都属于本发明保护的范围。
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的狭小形指纹识别传感器,例如,手机、平板电脑等侧边指纹识别传感器。
请参看图1和图2,其分别为本申请实施例提供的窄条形指纹识别方法的流程示意图和电子设备示意图。该指纹识别方法应用于设置在电子设备100的窄条形指纹传感器1中。窄条形指纹传感器1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,获取多个模板指纹图像组,其中,同一组模板指纹图像组为来自同一手指的多张模板指纹图像。具体地,在本实施例中,通过窄条形指纹传感器1采集多个手指的指纹图像,每个手指采集多张指纹图像作为模板指纹图像。可以理解地,电子设备100或者一些应用软件(app)账户往往需要用户设置指纹密码,以确保用户安全。为了确保指纹密码更加接近用户真实指纹,往往需要采集多张指纹图像,即获取多张模板指纹图像。获取多个手指是为了在某个手指破损或者有污渍不方便采集时,可以使用其他手指进行采集、验证。在本实施例中,获取了5个手指,同一个手指的20张指纹图像作为模板指纹图像组。
步骤S102,将所述多个模板指纹图像组进行编码得到多个特征图组,其中,每个所述特征图组包括多个特征图。具体地,使用分类网络将模板指纹图像编码成特征图(featuremap)组。在本实施例中,使用残差网络(resnet 50)对指纹图片进行编码。例如,请参看图3,一个指纹图片301的大小为160*32,通过resnet 50神经网络302进行编码,成为640*10*2的特征图303,其中,10*2表示为20个子特征图,640表示每个子特征图有640维的数据。分类网络选用经典的网络包括但不限于:VGG、ResNet、InceptionNet、MobileNe。
步骤S103,将每个所述特征图组中的多个特征图在线训练抽象成一个模板特征图,得到与多组模板指纹图像对应的多个模板特征图。具体地,取多个模板特征图的均值,得到初始模板特征图;重新生成标签 ,每个手指对应的特征图组生成第一标签,计算初始模板特征图与多个模板特征图的推土机距离为第二标签;经过多次迭代,当误差值小于预设值时,得到模板特征图。其中误差值为第一标签与第二标签的分类交叉熵。
步骤S104,获取一张待识别指纹图像。具体地,在本实施例中,通过窄条形指纹传感器1采集一张指纹图像作为待识别指纹图像。可以理解地,待识别指纹图像为用于验证用户身份的指纹图像。
步骤S105,将所述待识别指纹图像进行编码,得到待识别特征图。具体地,使用分类网络将模板指纹图像编码成特征图。在本实施例中,使用残差网络(resnet 50)对指纹图片进行编码。
步骤S106,利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离。推土机距离算法将在下文详细描述。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1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1获取的指纹图像进行识别。但是推土机距离算法不仅仅只是考虑指纹细节点、纹路、及数值等有效信息进行识别,还将窄条形指纹的结构信息进行匹配,进而更容易识别面积很小,有效信息少的指纹图像。
步骤S107,根据所述多个推土机距离获得识别结果,所述识别结果包括识别成功与识别失败。如何根据所述多个推土机距离获得识别结果,所述识别结果包括识别成功与识别失败将在下文详细描述。
上述实施例,通过将来自同一个手指的多张指纹图像进行编码,得到多个特征图,再将多个特征图通过抽象,得到一个模板特征图;将待识别的指纹图像通过编码得到待识别特征图;其次,利用推土机距离算法计算模板特征图和待识别特征图的推土机距离,从而对窄条形的指纹图像进行精准识别。
请参看图4及图5,其为本申请实施例提供的推土机距离算法步骤示意图和特征图示意图。
步骤S1061,计算所述待识别特征图与所述模板特征图对应位置的权重系数。具体地,使用
计算所述待识别特征图与所述模板特征图对应位置的权重系数,其中,Wij为权重系数,待识别特征图A包括子特征图a1~a20,ai为待识别特征图A的子特征图中的一个,譬如,ai可以是a1~a20中的一个,模板特征图B的子特征包括子特征图b1~b20,bj为模板特征图B的子特征图中的一个,譬如,bj可以是b1~b20中的一个。m为待识别特征图A的子特征图的总个数,n为模板特征图B的子特征图的总个数。上述对应位置以待识别特征图A和模板特征图B为例,其中,待识别特征图A的子特征图a1~a20与待识别特征图B中的子特征图b1~b20一一对应,例如,a1的对应位置为b1。
步骤S1062,计算所述待识别特征图与所述模板特征图对应位置的相似度。具体地,计算所述待识别特征图与所述模板特征图计算所述对应位置的余弦相似度作为对应位置的相似度。其中,对应位置是待识别特征图A的子特征图a1~a20与待识别特征图B中的子特征图b1~b20一一对应。例如,a1的对应位置为b1。
步骤S1063,根据所述权重系数、所述对应位置相似度计算出推土机距离。具体地,利用
请参看图6,其为本申请实施例提供的步骤S107的子流程示意图。
步骤S1071,将所述多个推土机距离根据预设关系转化为多个分类概率。具体地,推土机距离范围值为0-1,分类概率的范围值也为0-1,规定推土机距离等于分类概率。分类概率越大说明两个图像相似度越高。
步骤S1072,判断所述多个分类概率是否存在大于预设的分类概率。具体的,例如,获取了5个手指,预设的分类概率值为0.95,则计算出5个分类概率,判断该5个分类概率是否存在大于0.95的分类概率。
步骤S1073,当所述多个分类概率存在大于预设的分类概率,获得识别成功信息。例如,获取了5个手指,计算出5个分类概率为0.21、0.98、0.31、0.25、0.65及0.34,存在0.98大于预设分类概率0.95的分类概率,则获得识别成功信息。
步骤S1074,当所述多个分类概率不存在大于预设的分类概率,获得识别失败信息。例如,获取了5个手指,计算出5个分类概率为0.21、0.35、0.31、0.25、0.65及0.34,不存在大于预设分类概率0.95的分类概率,则获得识别成功信息。
在其他可行的实施例中,当该次获取到的待识别指纹图像,识别成功,匹配到对应的模板指纹图像,将该待识别指纹图像的特征图与对应手指的多个特征图重新在线训练,得到新的模板特征图。在实际使用过程中电子设备100获取的窄条形指纹图像可能会因为环境的变化,获取的指纹信息有很大改变,当将每次识别成功的指纹图像进行加强在线训练,会得到更加优化的模板特征图,有助于提高窄条形指纹的识别准确度。
请参看图8,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。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 (11)
1.一种窄条形指纹识别方法,其特征在于,所述窄条形指纹识别方法包括:
获取多个模板指纹图像组,其中,同一组模板指纹图像组为来自同一手指的多张模板指纹图像;
将所述多个模板指纹图像组进行编码得到多个特征图组,其中,每个所述特征图组包括多个特征图;
将每个所述特征图组中的多个特征图在线训练抽象成一个模板特征图,得到与多组模板指纹图像对应的多个模板特征图;
获取一张待识别指纹图像;
将所述待识别指纹图像进行编码,得到待识别特征图;
利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离;
根据所述多个推土机距离获得识别结果,所述识别结果包括识别成功与识别失败。
2.如权利要求1所述的窄条形指纹识别方法,其特征在于,所述窄条形指纹识别方法还包括:
当所述识别结果为识别成功时,将所述待识别特征图及相对应的多个特征图抽象成新的一个模板特征图。
3.如权利要求1所述的窄条形指纹识别方法,其特征在于,将所述多个模板指纹图像组进行编码得到多个特征图组,具体包括:
使用分类网络将所述多个模板指纹图像组进行编码得到多个特征图组,其中,所述分类网络包括:resnet 50。
4.如权利要求1所述的窄条形指纹识别方法,其特征在于,利用推土机距离算法计算所述待识别特征图与所述多个模板特征图中每一个模板特征图的推土机距离,得到多个推土机距离具体包括:
计算所述待识别特征图与所述模板特征图对应位置的权重系数;
计算所述待识别特征图与所述模板特征图对应位置的相似度;
根据所述权重系数、所述对应位置的相似度计算出推土机距离。
5.如权利要求1所述的窄条形指纹识别方法,其特征在于,根据所述多个推土机距离获得识别结果具体包括:
将所述多个推土机距离根据预设关系转化为多个分类概率;
判断所述多个分类概率是否存在大于预设的分类概率;
当所述多个分类概率存在大于预设的分类概率,输出识别成功信息;或者
当所述多个分类概率不存在大于预设的分类概率,输出识别失败信息。
6.一种计算机可读的存储介质,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1~5中任一项所述的窄条形指纹识别方法的程序指令。
7.一种电子设备,其特征在于,所述电子设备包括:
指纹识别传感器,用于获取指纹图像,所述指纹图像包括模板指纹图像和待识别指纹图像;
主机,所述主机包括:
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1~5任意一项所述的窄条形指纹识别方法。
8.一种指纹识别模组,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1~5任意一项所述的窄条形指纹识别方法。
9.一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8所述的指纹识别模组。
10.如权利要求9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。
11.如权利要求10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 |
---|---|---|---|
CN202110560333.XA CN113033512B (zh) | 2021-05-21 | 2021-05-21 | 窄条形指纹识别方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110560333.XA CN113033512B (zh) | 2021-05-21 | 2021-05-21 | 窄条形指纹识别方法、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033512A true CN113033512A (zh) | 2021-06-25 |
CN113033512B CN113033512B (zh) | 2021-09-21 |
Family
ID=76455517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110560333.XA Active CN113033512B (zh) | 2021-05-21 | 2021-05-21 | 窄条形指纹识别方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033512B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030169910A1 (en) * | 2001-12-14 | 2003-09-11 | Reisman James G. | Fingerprint matching using ridge feature maps |
CN101408932A (zh) * | 2008-04-11 | 2009-04-15 | 浙江师范大学 | 一种基于指纹结构特征与纹理分析的指纹图像匹配方法 |
US20120173199A1 (en) * | 2011-01-03 | 2012-07-05 | Herzenberg Leonore A | Quantitative Comparison of Sample Populations Using Earth Mover's Distance |
US20130276033A1 (en) * | 2010-12-29 | 2013-10-17 | Telecom Italia S.P.A. | Method and system for syncronizing electronic program guides |
CN106792552A (zh) * | 2016-11-24 | 2017-05-31 | 南京邮电大学 | 一种无线网络自适应授权接入方法 |
CN107251051A (zh) * | 2014-12-15 | 2017-10-13 | 三星电子株式会社 | 用于更新生物特征图案的方法及其电子设备 |
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 |
CN111680544A (zh) * | 2020-04-24 | 2020-09-18 | 北京迈格威科技有限公司 | 人脸识别方法、装置、系统、设备及介质 |
CN111985382A (zh) * | 2020-08-14 | 2020-11-24 | 北京集创北方科技股份有限公司 | 一种生物特征识别方法、装置、电子设备以及存储介质 |
CN112597978A (zh) * | 2021-03-03 | 2021-04-02 | 深圳阜时科技有限公司 | 指纹匹配方法、装置、电子设备及存储介质 |
CN112784816A (zh) * | 2021-02-22 | 2021-05-11 | 深圳阜时科技有限公司 | 窄条形指纹的识别方法、存储介质及电子设备 |
-
2021
- 2021-05-21 CN CN202110560333.XA patent/CN113033512B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030169910A1 (en) * | 2001-12-14 | 2003-09-11 | Reisman James G. | Fingerprint matching using ridge feature maps |
CN101408932A (zh) * | 2008-04-11 | 2009-04-15 | 浙江师范大学 | 一种基于指纹结构特征与纹理分析的指纹图像匹配方法 |
US20130276033A1 (en) * | 2010-12-29 | 2013-10-17 | Telecom Italia S.P.A. | Method and system for syncronizing electronic program guides |
US20120173199A1 (en) * | 2011-01-03 | 2012-07-05 | Herzenberg Leonore A | Quantitative Comparison of Sample Populations Using Earth Mover's Distance |
CN107251051A (zh) * | 2014-12-15 | 2017-10-13 | 三星电子株式会社 | 用于更新生物特征图案的方法及其电子设备 |
CN106792552A (zh) * | 2016-11-24 | 2017-05-31 | 南京邮电大学 | 一种无线网络自适应授权接入方法 |
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 |
CN111680544A (zh) * | 2020-04-24 | 2020-09-18 | 北京迈格威科技有限公司 | 人脸识别方法、装置、系统、设备及介质 |
CN111985382A (zh) * | 2020-08-14 | 2020-11-24 | 北京集创北方科技股份有限公司 | 一种生物特征识别方法、装置、电子设备以及存储介质 |
CN112784816A (zh) * | 2021-02-22 | 2021-05-11 | 深圳阜时科技有限公司 | 窄条形指纹的识别方法、存储介质及电子设备 |
CN112597978A (zh) * | 2021-03-03 | 2021-04-02 | 深圳阜时科技有限公司 | 指纹匹配方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
LI JIE ETAL: "Drop Fingerprint Recognition Based on Self-Organizing Feature Map", 《ARTIFICIAL INTELLIGENCE AND COMPUTATIONAL INTELLIGENCE, PT I》 * |
甘俊英等: "轻量化多特征融合的指纹分类算法研究", 《信号处理》 * |
陈文燕等: "基于密集连接卷积网络的小面积指纹识别方法", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033512B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766809B (zh) | 电子装置、票据信息识别方法和计算机可读存储介质 | |
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 | |
WO2019205369A1 (zh) | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 | |
JP2015097128A (ja) | タッチスクリーン上の署名の圧力ベース認証のためのシステムおよび方法 | |
US20150310308A1 (en) | Method and apparatus for recognizing client feature, and storage medium | |
CN110751043A (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
US20180357469A1 (en) | Handwritten signature authentication system and method based on time-division segment block | |
CN110163204A (zh) | 基于图像识别的商家监管方法、装置及存储介质 | |
CN108073848B (zh) | 一种条码识别方法、设备和装置 | |
CN109886127A (zh) | 指纹识别方法及终端设备 | |
CN113420690A (zh) | 基于感兴趣区域的静脉识别方法、装置、设备及存储介质 | |
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 | |
CN113705534A (zh) | 基于深度视觉的行为预测方法、装置、设备及存储介质 | |
CN113420848A (zh) | 神经网络模型的训练方法及装置、手势识别的方法及装置 | |
CN111639360A (zh) | 智能数据脱敏方法、装置、计算机设备及存储介质 | |
CN112396048B (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
CN113033512B (zh) | 窄条形指纹识别方法、存储介质及电子设备 | |
CN112784816A (zh) | 窄条形指纹的识别方法、存储介质及电子设备 | |
CN112990163B (zh) | 指纹校准方法、电子设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN113221888B (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
WO2021164122A1 (zh) | 智能化用户识别方法、装置及计算机可读存储介质 | |
US11947643B2 (en) | Fraud detection system, fraud detection method, and program | |
CN113705455A (zh) | 身份核查方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |