CN113343963B - 一种基于高质量模板的智能尾箱指纹识别方法及系统 - Google Patents

一种基于高质量模板的智能尾箱指纹识别方法及系统 Download PDF

Info

Publication number
CN113343963B
CN113343963B CN202110905413.4A CN202110905413A CN113343963B CN 113343963 B CN113343963 B CN 113343963B CN 202110905413 A CN202110905413 A CN 202110905413A CN 113343963 B CN113343963 B CN 113343963B
Authority
CN
China
Prior art keywords
fingerprint image
detected
template
fingerprint
scale
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.)
Active
Application number
CN202110905413.4A
Other languages
English (en)
Other versions
CN113343963A (zh
Inventor
韩亚东
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.)
Beijing Huilang Times Technology Co Ltd
Original Assignee
Beijing Huilang Times Technology 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 Beijing Huilang Times Technology Co Ltd filed Critical Beijing Huilang Times Technology Co Ltd
Priority to CN202110905413.4A priority Critical patent/CN113343963B/zh
Publication of CN113343963A publication Critical patent/CN113343963A/zh
Application granted granted Critical
Publication of CN113343963B publication Critical patent/CN113343963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于高质量模板的智能尾箱指纹识别方法及系统，涉及指纹识别领域。通过获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像，然后获取待检测指纹图像，再分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的锐化结果，最后将各个尺度的锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下指纹图像的对比，提升了指纹识别的精度，保证了智能尾箱的安全应用。

Description

一种基于高质量模板的智能尾箱指纹识别方法及系统
技术领域
本发明涉及指纹识别领域，具体而言，涉及一种基于高质量模板的智能尾箱指纹识别方法及系统。
背景技术
随着金融行业的高速发展，智能尾箱发挥着越来越重要的作用。它不仅为使用者提供了巨大的便利，而且为保护财产安全提供了重要的支持。同时，操作不当、不法分子盗用等问题给金融领域的财产安全造成了极大的隐患。基于此，很多研究机构、科技公司重点研究了如何利用指纹识别技术控制智能尾箱开锁，旨在较好地提升智能尾箱的使用安全性。
然而，传统的面向智能尾箱应用的指纹识别方法往往存在指纹识别精准度较低的问题。
发明内容
本发明的目的在于提供一种基于高质量模板的智能尾箱指纹识别方法及系统，用以改善现有技术中智能尾箱的指纹识别精准度较低的问题。
第一方面，本申请实施例提供一种基于高质量模板的智能尾箱指纹识别方法，其包括以下步骤：
获取多个样本指纹图像；
将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像；
获取待检测指纹图像；
分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；
利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；
将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果。
上述实现过程中，通过获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过获取待检测指纹图像，再分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
基于第一方面，在本发明的一些实施例中，上述将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像的步骤包括以下步骤：
利用深度哈希编码对各个样本指纹图像进行编码表征，生成多个表征编码；
根据各个表征编码对多个样本指纹图像进行筛选，得到多个待选指纹图像；
将多个待选指纹图像的像素进行平均计算，生成并将像素平均值作为模板像素值，以得到模板指纹图像。
基于第一方面，在本发明的一些实施例中，上述根据各个表征编码对多个样本指纹图像进行筛选，生成多个待选指纹图像的步骤包括以下步骤：
利用欧式距离计算方法分别计算各个表征编码两两之间的距离，生成多个欧式距离；
根据各个欧式距离对多个样本指纹图像进行筛选，生成多个待选指纹图像。
基于第一方面，在本发明的一些实施例中，上述将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果的步骤包括以下步骤：
将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成各个尺度的待检测指纹图像和模板指纹图像的差异值；
根据各个尺度的待检测指纹图像和模板指纹图像的差异值对待检测指纹图像进行识别，以得到待检测指纹图像的识别结果。
基于第一方面，在本发明的一些实施例中，上述根据各个尺度的待检测指纹图像和模板指纹图像的差异值对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果的步骤包括以下步骤：
将各个尺度的待检测指纹图像和模板指纹图像的差异值进行筛选，生成有效差异值；
统计并根据有效差异值的数量对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果。
基于第一方面，在本发明的一些实施例中，上述统计并根据有效差异值的数量对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果的步骤还包括以下步骤：
统计有效差异值的数量；
将有效差异值的数量与预置的数量阈值进行对比，若有效差异值的数量大于预置的数量阈值，则判断待检测指纹图像的识别结果为通过；若有效差异值的数量不大于预置的数量阈值，则判断待检测指纹图像的识别结果为不通过。
基于第一方面，在本发明的一些实施例中，上述分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像的步骤包括以下步骤：
采用拉普拉斯金字塔算法分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像。
第二方面，本申请实施例提供一种基于高质量模板的智能尾箱指纹识别系统，包括
样本指纹图像获取模块，用于获取多个样本指纹图像；
模板指纹图像生成模块，用于将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像；
待检测指纹图像获取模块，用于获取待检测指纹图像；
指纹图像分解模块，用于分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；
指纹图像锐化模块，用于利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；
指纹图像识别模块，用于根据各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果。
上述实现过程中，通过样本指纹图像获取模块获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，通过模板指纹图像生成模块将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过待检测指纹图像获取模块获取待检测指纹图像，再通过指纹图像分解模块分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再通过指纹图像锐化模块利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后通过指纹图像识别模块将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项上述的方法。
第四方面，本申请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，该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种基于高质量模板的智能尾箱指纹识别方法及系统，通过获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过获取待检测指纹图像，再分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1为本发明实施例提供的一种基于高质量模板的智能尾箱指纹识别方法的流程图；
图2为本发明实施例提供的一种基于高质量模板的智能尾箱指纹识别系统的结构框图；
图3为本发明实施例提供的一种电子设备的结构框图。
图标：110-样本指纹图像获取模块；120-模板指纹图像生成模块；130-待检测指纹图像获取模块；140-指纹图像分解模块；150-指纹图像锐化模块；160-指纹图像识别模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1，图1为本发明实施例提供的一种基于高质量模板的智能尾箱指纹识别方法的流程图。该基于高质量模板的智能尾箱指纹识别方法，包括以下步骤：
步骤S110：获取多个样本指纹图像；上述样本指纹图像可以是利用智能尾箱的图像采集设备进行采集，通过图像采集设备收集智能尾箱持有者具有代表性的指纹图像，采集的样本指纹图像可以是多个，例如通常可以为10个。
步骤S120：将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像；上述通过预置的深度哈希编码模型对多个样本指纹图像进行处理，以得到模板指纹图像主要包括以下过程：
首先，利用深度哈希编码对各个样本指纹图像进行编码表征，生成多个表征编码；上述编码表征是指，对于每一个样本指纹图像均采用深度哈希编码进行量化，可以通过构建目标函数，将每一个样本指纹图像用二值码进行表示，从而每一个样本指纹图像都有一个对应的二值码，这个二值码可以作为该样本指纹图像的表征编码。上述提到的深度哈希编码属于现有技术，在此不再赘述。
然后，根据各个表征编码对多个样本指纹图像进行筛选，得到多个待选指纹图像；上述进行筛选的过程主要包括有以下步骤：
第一步，利用欧式距离计算方法分别计算各个表征编码两两之间的距离，生成多个欧式距离；利用各个样本指纹图像的表征编码进行欧式距离计算，分别计算两两表征编码之间的欧式距离。例如，表征编码有A、B、C,则分别计算A与B，A与C，B与C之间的欧式距离。上述提到的欧式计算方法属于现有技术，在此不再赘述。
第二步，根据各个欧式距离对多个样本指纹图像进行筛选，生成多个待选指纹图像。上述对多个样本指纹图像进行筛选可以是通过对多个欧式距离分组按照从小到大的顺序进行排序，距离越小，说明两个样本指纹图像越相似，对于相识度较高的两个样本指纹图像，保留其中之一，作为待选指纹图像。例如，表征编码有A、B、C,D, A与B的欧式距离为D1，A与C的欧式距离为D2，A与D的欧式距离为D3，B与C之间的欧式距离为D4，B与D之间的欧式距离为D5，C与D的欧式距离为D6,经过比较，D1>D2> D3, D4<D5，说明A与D的相似度最高，A与D对应的样本指纹图像保留其中之一作为待选指纹图像，同样B与C的相似度最高，B与C对应的样本指纹图像保留其中之一作为待选指纹图像，从而得到多个待选指纹图像。上述对多个样本指纹图像进行筛选还可以是预先设置一个阈值，将欧式距离与阈值做对比，若欧式距离低于阈值，则认为对应的两个样本指纹图像的相似度较高，例如，预置的阈值为A1，A1为10，表征编码有A、B、C,D, A与B的欧式距离为D1，D1为9，A与C的欧式距离为D2，D2为19，A与D的欧式距离为D3，D3为21，B与C之间的欧式距离为D4，D4为22，B与D之间的欧式距离为D5，D5为15，C与D的欧式距离为D6, D6为5，经过比较，D1和D6小于A1，则认为A与B对应的样本指纹图像相似度较高，C与D对应的样本指纹图像相似度较高，将A与B对应的样本指纹图像保留其中一个，C与D对应的样本指纹图像保留其中一个,从而得到多个待选指纹图像。
最后，将多个待选指纹图像的像素进行平均计算，生成并将像素平均值作为模板像素值，以得到模板指纹图像。将多个待选指纹图像进行平均计算，其中每个待选指纹图像的权重相同，从而得到一个最终的模板指纹图像。例如，待选指纹图像的像素分别为B1、B2、B3，模板像素值为（B1+B2+B3）/3，从而得到模板指纹图像。
步骤S130：获取待检测指纹图像；当使用人使用智能尾箱的时候，可以利用智能尾箱的图像采集设备采集该使用人的指纹图像，作为待检测指纹图像。
步骤S140：分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；上述图像分解主要是指：采用拉普拉斯金字塔算法分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像。待检测指纹图像和模板指纹图像可以分别分解为多个尺度，例如：可以将待检测指纹图像和模板指纹图像分别分解为3个尺度。上述拉普拉斯金字塔算法属于现有技术，在此不再赘述。
步骤S150：利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；对于每一个尺度的待检测指纹图像和模板指纹图像，可以采用3*3锐化卷积核对各个尺度下的待检测指纹图像和模板指纹图像进行卷积处理，从而得到各个尺度下的锐化结果。例如：将待检测指纹图像和模板指纹图像分别分解为3个尺度，分别为待检测指纹图像A1、A2、A3, 模板指纹图像B1、B2、B3，经过3*3锐化卷积核处理后得到的锐化结果分别为A11、A21、A31，B11、B21、B31。上述锐化卷积核是卷积神经网络中的卷积核，属于现有技术，在此不再赘述。
步骤S160：将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果。上述对比过程包括以下步骤：
首先，将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成各个尺度的待检测指纹图像和模板指纹图像的差异值；上述对比过程指的是：在每一个尺度下，求出待检测指纹图像的锐化结果与对应尺度的模板指纹图像锐化结果的绝对差值，绝对差值就是该尺度下待检测指纹图像和模板指纹图像的差异值。
然后，根据各个尺度的待检测指纹图像和模板指纹图像的差异值对待检测指纹图像进行识别，以得到待检测指纹图像的识别结果。上述识别过程包括以下步骤：
第一步，将各个尺度的待检测指纹图像和模板指纹图像的差异值进行筛选，生成有效差异值；上述筛选过程是指，将各个尺度下的待检测指纹图像和模板指纹图像的差异值与预置的阈值进行对比，当差异值小于预置的阈值时，说明该尺度下经过锐化处理后的待检测指纹图像和模板指纹图像差异性很小，则该差异值作为有效差异值。
第二步，统计并根据有效差异值的数量对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果。上述判定过程包括以下步骤：
首先，统计有效差异值的数量；例如，在3个尺度中，其中有2个尺度下的待检测指纹图像和模板指纹图像的差异值小于预置的阈值，那么有效差异值的数量为2。
然后，将有效差异值的数量与预置的数量阈值进行对比，若有效差异值的数量大于预置的数量阈值，则判断待检测指纹图像的识别结果为通过；若有效差异值的数量不大于预置的数量阈值，则判断待检测指纹图像的识别结果为不通过。上述待检测指纹图像的识别结果为通过时，表明该待检测指纹图像为智能尾箱持有者的指纹图像，发出打开尾箱的指令；上述待检测指纹图像的识别结果为不通过时，表明该待检测指纹图像为非智能尾箱持有者的指纹图像，发出禁止打开尾箱的指令。上述数量阈值不大于尺度的数量，数量阈值可以根据尺度数量进行设置。例如：在3个尺度中，预设的数量阈值为2，如果至少有2个尺度的待检测指纹图像和模板指纹图像的差异性很小，则将待检测指纹图像判断为智能尾箱持有者的指纹图像；如果至少有2个尺度的待检测指纹图像和模板指纹图像的差异性很大，则将待检测指纹图像判断为非智能尾箱持有者的指纹图像。
上述实现过程中，通过获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过获取待检测指纹图像，再分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
基于同样的发明构思，请参看图2，图2为本发明实施例提供的一种基于高质量模板的智能尾箱指纹识别系统的结构框图。本发明还提出一种基于高质量模板的智能尾箱指纹识别系统。该基于高质量模板的智能尾箱指纹识别系统包括：
样本指纹图像获取模块110，用于获取多个样本指纹图像；
模板指纹图像生成模块120，用于将多个样本指纹图像输入到预置的深度哈希编码模型中，以得到模板指纹图像；
待检测指纹图像获取模块130，用于获取待检测指纹图像；
指纹图像分解模块140，用于分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；
指纹图像锐化模块150，用于利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；
指纹图像识别模块160，用于根据各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果。
上述实现过程中，通过样本指纹图像获取模块110获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，通过模板指纹图像生成模块120将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过待检测指纹图像获取模块130获取待检测指纹图像，再通过指纹图像分解模块140分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再通过指纹图像锐化模块150利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后通过指纹图像识别模块160将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。该电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于高质量模板的智能尾箱指纹识别系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述功能如果以软件功能模块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上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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代码的介质。
综上，本申请实施例提供的一种基于高质量模板的智能尾箱指纹识别方法及系统，该基于高质量模板的智能尾箱指纹识别方法通过获取多个样本指纹图像，然后将多个样本指纹图像输入到预置的深度哈希编码模型中，将样本指纹图像进行编码，再通过编码计算相似度，最后进行平均处理得到模板指纹图像，从而将多个样本指纹图像整合成一个模板指纹图像，使得模板指纹图像的精确度变高，从而为智能尾箱的安全应用提供了高质量模板，确保了较为精准的指纹识别。通过获取待检测指纹图像，再分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像，再利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果，从而实现在多个尺度下的待检测指纹图像和模板指纹图像的特征提取，最后将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果，实现在多个尺度下的待检测指纹图像和模板指纹图像的对比，从而提升了指纹识别的精度，保证了智能尾箱的安全应用。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于高质量模板的智能尾箱指纹识别方法，其特征在于，包括以下步骤：
获取多个样本指纹图像；
利用深度哈希编码对各个样本指纹图像进行编码表征，生成多个表征编码；
根据各个表征编码对多个样本指纹图像进行筛选，得到多个待选指纹图像；
将多个待选指纹图像的像素进行平均计算，生成并将像素平均值作为模板像素值，以得到模板指纹图像；
获取待检测指纹图像；
分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；
利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；
将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，并根据对比结果生成待检测指纹图像的识别结果。
2.根据权利要求1所述的基于高质量模板的智能尾箱指纹识别方法，其特征在于，所述根据各个表征编码对多个样本指纹图像进行筛选，生成多个待选指纹图像的步骤包括以下步骤：
利用欧式距离计算方法分别计算各个表征编码两两之间的距离，生成多个欧式距离；
根据各个欧式距离对多个样本指纹图像进行筛选，生成多个待选指纹图像。
3.根据权利要求1所述的基于高质量模板的智能尾箱指纹识别方法，其特征在于，所述将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成并根据对比结果生成待检测指纹图像的识别结果的步骤包括以下步骤：
将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，生成各个尺度的待检测指纹图像和模板指纹图像的差异值；
根据各个尺度的待检测指纹图像和模板指纹图像的差异值对待检测指纹图像进行识别，以得到待检测指纹图像的识别结果。
4.根据权利要求3所述的基于高质量模板的智能尾箱指纹识别方法，其特征在于，所述根据各个尺度的待检测指纹图像和模板指纹图像的差异值对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果的步骤包括以下步骤：
将各个尺度的待检测指纹图像和模板指纹图像的差异值进行筛选，生成有效差异值；
统计并根据有效差异值的数量对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果。
5.根据权利要求4所述的基于高质量模板的智能尾箱指纹识别方法，其特征在于，所述统计并根据有效差异值的数量对待检测指纹图像进行判定，以得到待检测指纹图像的识别结果的步骤还包括以下步骤：
统计有效差异值的数量；
将有效差异值的数量与预置的数量阈值进行对比，若有效差异值的数量大于预置的数量阈值，则判断待检测指纹图像的识别结果为通过；若有效差异值的数量不大于预置的数量阈值，则判断待检测指纹图像的识别结果为不通过。
6.根据权利要求1所述的基于高质量模板的智能尾箱指纹识别方法，其特征在于，所述分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像的步骤包括以下步骤：
采用拉普拉斯金字塔算法分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像。
7.一种基于高质量模板的智能尾箱指纹识别系统，其特征在于，包括
样本指纹图像获取模块，用于获取多个样本指纹图像；
模板指纹图像生成模块，用于利用深度哈希编码对各个样本指纹图像进行编码表征，生成多个表征编码；根据各个表征编码对多个样本指纹图像进行筛选，得到多个待选指纹图像；将多个待选指纹图像的像素进行平均计算，生成并将像素平均值作为模板像素值，以得到模板指纹图像；
待检测指纹图像获取模块，用于获取待检测指纹图像；
指纹图像分解模块，用于分别对待检测指纹图像和模板指纹图像进行图像分解，得到多个尺度的待检测指纹图像和模板指纹图像；
指纹图像锐化模块，用于利用锐化卷积核对各个尺度的待检测指纹图像与各个尺度的模板指纹图像分别进行锐化处理，得到各个尺度的待检测指纹图像的锐化结果和各个尺度的模板指纹图像锐化结果；
指纹图像识别模块，用于将各个尺度的待检测指纹图像的锐化结果分别与对应尺度的模板指纹图像锐化结果进行对比，并根据对比结果生成待检测指纹图像的识别结果。
8.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
9.一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，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202110905413.4A 2021-08-09 2021-08-09 一种基于高质量模板的智能尾箱指纹识别方法及系统 Active CN113343963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110905413.4A CN113343963B (zh) 2021-08-09 2021-08-09 一种基于高质量模板的智能尾箱指纹识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110905413.4A CN113343963B (zh) 2021-08-09 2021-08-09 一种基于高质量模板的智能尾箱指纹识别方法及系统

Publications (2)

Publication Number Publication Date
CN113343963A CN113343963A (zh) 2021-09-03
CN113343963B true CN113343963B (zh) 2021-11-02

Family

ID=77481039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110905413.4A Active CN113343963B (zh) 2021-08-09 2021-08-09 一种基于高质量模板的智能尾箱指纹识别方法及系统

Country Status (1)

Country Link
CN (1) CN113343963B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609499B (zh) * 2008-06-20 2011-06-08 南京理工大学 快速指纹识别方法
CN103279744B (zh) * 2013-05-28 2016-08-10 中国科学院自动化研究所 基于多尺度三模式纹理特征的仿造指纹检测方法和系统
CN106529407A (zh) * 2016-10-09 2017-03-22 北京电子科技职业学院 一种车载指纹识别方法
CN107958208A (zh) * 2017-11-15 2018-04-24 西安电子科技大学 一种基于传播算法的指纹交叉库匹配方法

Also Published As

Publication number Publication date
CN113343963A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
CN109583332B (zh) 人脸识别方法、人脸识别系统、介质及电子设备
CN109165639B (zh) 一种指静脉识别方法、装置及设备
CN106503732B (zh) 文本图像与非文本图像的分类方法和分类系统
CN111738351A (zh) 模型训练方法、装置、存储介质及电子设备
EP3371739A1 (en) High speed reference point independent database filtering for fingerprint identification
CN117315377B (zh) 基于机器视觉的图像处理方法、装置及电子设备
CN112163114A (zh) 一种基于特征融合的图像检索方法
CN113947136A (zh) 图像压缩和分类方法、装置及电子设备
CN111353514A (zh) 模型训练方法、图像识别方法、装置及终端设备
Mohammadi et al. Improving cross-dataset performance of face presentation attack detection systems using face recognition datasets
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN106709490B (zh) 一种字符识别方法和装置
CN112465050B (zh) 一种图像模板选择方法、装置、设备及存储介质
CN113343963B (zh) 一种基于高质量模板的智能尾箱指纹识别方法及系统
CN112906652A (zh) 一种人脸图像的识别方法、装置、电子设备及存储介质
CN110659631A (zh) 车牌识别方法和终端设备
CN117315730A (zh) 基于掌静脉的用户识别方法、系统、计算机及存储介质
CN112633250A (zh) 一种人脸识别检测实验方法及装置
CN111931148A (zh) 图像处理方法、装置和电子设备
Krupiński et al. Binarization of degraded document images with generalized Gaussian distribution
CN104573696B (zh) 用于处理人脸特征数据的方法和装置
CN113313214B (zh) 一种基于多卷积核后验的带水印字符的识别方法及系统
CN113903035A (zh) 一种基于超分辨率多尺度重建的文字识别方法及系统
CN113158745B (zh) 一种基于多特征算子的乱码文档图片识别方法及系统

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