CN113361497A - 基于训练样本指纹识别智能尾箱应用方法及设备 - Google Patents
基于训练样本指纹识别智能尾箱应用方法及设备 Download PDFInfo
- Publication number
- CN113361497A CN113361497A CN202110905494.8A CN202110905494A CN113361497A CN 113361497 A CN113361497 A CN 113361497A CN 202110905494 A CN202110905494 A CN 202110905494A CN 113361497 A CN113361497 A CN 113361497A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- fingerprint
- intelligent tail
- tail box
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00896—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys specially adapted for particular uses
- G07C9/00912—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys specially adapted for particular uses for safes, strong-rooms, vaults or the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出了基于训练样本指纹识别智能尾箱应用方法及设备,涉及本发明涉及保险柜领域领域。本发明的方案:利用多尺度图像细节优化处理、自编码器、SVM(支持向量机)、分组式KNN等多种模型对是否为智能尾箱持有者的指纹进行判别,为智能尾箱的安全使用提供支持。本发明能够提升了指纹图像识别的精度和健壮性,确保了智能尾箱的安全使用。
Description
技术领域
本发明涉及保险柜领域领域,具体而言,涉及基于训练样本指纹识别智能尾箱应用方法及设备。
背景技术
智能尾箱在金融领域发挥了重要的作用,也越来越受到大众的认可。它不仅可以为使用者提供巨大的方便,也可以一定程度上保证资金、重要单据的使用安全。由于智能尾箱中存放了大量的资金和重要单据等,它的使用安全性也越来越受到大家的关注。结合人工智能技术,很多知名研究机构、高科技企业将指纹识别技术应用于智能尾箱,利用指纹识别对智能尾箱进行开锁控制,旨在提升智能尾箱的使用安全性。
目前,传统的指纹识别技术仍然存在一定的局限性,无法高质量地应用于尾箱开锁控制。一方面,传统的指纹匹配过程无法保证较高的正确率,直接影响了指纹的识别精度;另一方面,传统的指纹识别模型往往没有较好的普适性,对于特征不显著的边缘式待检测图像很难进行判定。
发明内容
本发明的目的在于提供基于训练样本指纹识别智能尾箱应用方法及设备,其能够提升了指纹图像识别的精度和健壮性,确保了智能尾箱的安全使用。
本发明的实施例是这样实现的:
本申请实施例提供一种基于训练样本指纹识别智能尾箱应用方法,包括:S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本,采集多个非智能尾箱持有者指纹图像作为潜在负样本;S2:对潜在正样本和潜在负样本进行图像细节优化处理,得到图像处理后的正样本和图像处理后的负样本;S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征,得到表征后的正样本和表征后的负样本;S4:对表征后的正样本进行欧式距离计算之间的差异性,对相似度高表征后的正样本只保留一个得到正样本,最终保留50个正样本,对表征后的负样本进行欧式距离计算之间的差异性,对相似度高表征后的负样本只保留一个得到负样本,最终保留50个负样本;S5:通过SVM模型对正样本和负样本进行训练,得到智能尾箱持有者指纹识别决策模型;S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别;S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱,智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。
在本发明的一些实施例中,上述S1中智能尾箱持有者的指纹图像为50个-100个。
在本发明的一些实施例中,上述智能尾箱持有者的指纹图像为50个。
在本发明的一些实施例中,上述S1中非智能尾箱持有者的指纹图像为50个-100个。
在本发明的一些实施例中,上述非智能尾箱持有者的指纹图像为50个。
在本发明的一些实施例中,上述S2中图像细节优化处理为多尺度图像细节优化处理。
在本发明的一些实施例中,上述S2包括以下步骤:通过最小二乘滤波器对图像处理后的正样本和图像处理后的负样本进行过滤,得到过滤后的正样本图像和过滤后的负样本图像;将过滤后的正样本图像和过滤后的负样本图像均分为多个尺度;对过滤后正样本图像的多个尺度和过滤后负样本图像的多个尺度进行减除计算,得到正样本图像细节信息和负样本图像细节信息;将正样本图像细节信息加权至潜在正样本,得到潜在正样本加强图像,将负样本图像细节信息加权至潜在负样本,得到潜在负样本加强图像。
在本发明的一些实施例中,上述S7中智能尾箱持有者指纹识别决策模型对使用者识别得分位于高分和低分之间的待检测指纹图像则进行二次判定:将50个正样本和50个负样本放在一个数据集中并分成5组,每组包含10个正样本和10个负样本;每组中利用欧式距离计算待检测指纹图像距10个正样本和10个负样本之间的空间距离;通过空间距离计算,得到与每组的正样本和负样本相邻最近待检测指纹图像最近的K个样本实例;当K个样本实例中正样本大于负样本,则将待检测图像初步判定为智能尾箱持有者的指纹图像,当K个样本实例中正样本小于负样本,则将待检测图像初步判定为非智能尾箱持有者的指纹图;5个组中,若有3组及以上将待检测图像判定为智能尾箱持有者的指纹图像,则将待检测图像最终判定为智能尾箱持有者的指纹图像,5个组中,若有3组及以上将待检测图像判定为非智能尾箱持有者的指纹图像,则将待检测图像最终判定为非智能尾箱持有者的指纹图像。
一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行的方法。
一种计算设备,计算设备包括处理器及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
一种基于训练样本指纹识别智能尾箱应用方法,包括:S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本,采集多个非智能尾箱持有者指纹图像作为潜在负样本;S2:对潜在正样本和潜在负样本进行图像细节优化处理,得到图像处理后的正样本和图像处理后的负样本;S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征,得到表征后的正样本和表征后的负样本;S4:对表征后的正样本进行欧式距离计算之间的差异性,对相似度高表征后的正样本只保留一个得到正样本,最终保留50个正样本,对表征后的负样本进行欧式距离计算之间的差异性,对相似度高表征后的负样本只保留一个得到负样本,最终保留50个负样本;S5:通过SVM模型对正样本和负样本进行训练,得到智能尾箱持有者指纹识别决策模型;S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别;S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱,智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。
上述实施例中,利用智能尾箱的图像采集设备采集智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在正样本;利用智能尾箱的图像采集设备采集非智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在负样本;利用多尺度图像细节优化处理的方式对潜在正负样本图像进行处理;利用自动编码器对潜在正样本和潜在负样本进行深度表征;对于潜在正样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在正样本仅保留一个,最终保留50个正样本(通过调整相似度阈值实现);对于潜在负样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在负样本仅保留一个,最终保留50个负样本(通过调整相似度阈值实现);利用SVM模型对正、负训练样本进行训练,得到智能尾箱持有者指纹识别决策模型;当使用人使用智能尾箱时,利用智能尾箱的指纹图像采集设备采集使用人的指纹图像(待检测指纹图像),并利用识别决策模型进行识别;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较低时,将其判定为非智能尾箱持有者的指纹图像,发出禁止打开智能尾箱的指令;)当基于SVM模型的得分在分类边缘部分时,利用分组式KNN模型对指纹图像进行二次判定,发出是否打开智能尾箱的指令。
本实施例中,一方面,选取了代表性较强的正负训练样本,使得SVM模型的训练更加精准,提升了指纹图像识别的精度,确保了智能尾箱的安全使用;另一方面,结合指纹图像的特点,利用分组式KNN模型有有效地解决了SVM模型普适性不强的问题,提升了指纹图像识别的精度和健壮性,确保了智能尾箱的安全使用。
第二方面,一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行的方法。
第三方面,一种计算设备,计算设备包括处理器及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行的方法。
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为本发明实施例一种基于训练样本指纹识别智能尾箱应用方法流程图。
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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
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。
实施例1
请参考图1所示。本申请实施例提供的一种基于训练样本指纹识别智能尾箱应用方法,包括:S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本,采集多个非智能尾箱持有者指纹图像作为潜在负样本;S2:对潜在正样本和潜在负样本进行图像细节优化处理,得到图像处理后的正样本和图像处理后的负样本;S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征,得到表征后的正样本和表征后的负样本;S4:对表征后的正样本进行欧式距离计算之间的差异性,对相似度高表征后的正样本只保留一个得到正样本,最终保留50个正样本,对表征后的负样本进行欧式距离计算之间的差异性,对相似度高表征后的负样本只保留一个得到负样本,最终保留50个负样本;S5:通过SVM模型对正样本和负样本进行训练,得到智能尾箱持有者指纹识别决策模型;S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别;S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱,智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。
上述实施例中,利用智能尾箱的图像采集设备采集智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在正样本;利用智能尾箱的图像采集设备采集非智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在负样本;利用多尺度图像细节优化处理的方式对潜在正负样本图像进行处理;利用自动编码器对潜在正样本和潜在负样本进行深度表征;对于潜在正样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在正样本仅保留一个,最终保留50个正样本(通过调整相似度阈值实现);对于潜在负样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在负样本仅保留一个,最终保留50个负样本(通过调整相似度阈值实现);利用SVM模型对正、负训练样本进行训练,得到智能尾箱持有者指纹识别决策模型;当使用人使用智能尾箱时,利用智能尾箱的指纹图像采集设备采集使用人的指纹图像(待检测指纹图像),并利用识别决策模型进行识别;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较低时,将其判定为非智能尾箱持有者的指纹图像,发出禁止打开智能尾箱的指令;)当基于SVM模型的得分在分类边缘部分时,利用分组式KNN模型对指纹图像进行二次判定,发出是否打开智能尾箱的指令。
本实施例中,一方面,选取了代表性较强的正负训练样本,使得SVM模型的训练更加精准,提升了指纹图像识别的精度,确保了智能尾箱的安全使用;另一方面,结合指纹图像的特点,利用分组式KNN模型有有效地解决了SVM模型普适性不强的问题,提升了指纹图像识别的精度和健壮性,确保了智能尾箱的安全使用。
在本发明的一些实施例中,S1中智能尾箱持有者的指纹图像为50个-100个。
本实施例中,智能尾箱持有者的指纹图像为50个-100个,通过采集多个智能尾箱持有者的指纹图像,可以使训练更精准。
在本发明的一些实施例中,智能尾箱持有者的指纹图像为50个。
本实实施例中,智能尾箱持有者的指纹图像为50个,通过采集多个智能尾箱持有者的指纹图像,可以使训练更精准。
在本发明的一些实施例中,S1中非智能尾箱持有者的指纹图像为50个-100个。
本实施例中,智能尾箱持有者的指纹图像为50个-100个,通过采集多个智能尾箱持有者的指纹图像,可以使训练更精准。
在本发明的一些实施例中,非智能尾箱持有者的指纹图像为50个。
本实施例中,智能尾箱持有者的指纹图像为50个,通过采集多个智能尾箱持有者的指纹图像,可以使训练更精准。
在本发明的一些实施例中,S2中图像细节优化处理为多尺度图像细节优化处理。
本实施例中,本发明的核心目标是利用多尺度图像细节优化处理、自编码器、SVM(支持向量机)、分组式KNN等多种模型对是否为智能尾箱持有者的指纹进行判别,为智能尾箱的安全使用提供支持。
在本发明的一些实施例中,S2包括以下步骤:通过最小二乘滤波器对图像处理后的正样本和图像处理后的负样本进行过滤,得到过滤后的正样本图像和过滤后的负样本图像;将过滤后的正样本图像和过滤后的负样本图像均分为多个尺度;对过滤后正样本图像的多个尺度和过滤后负样本图像的多个尺度进行减除计算,得到正样本图像细节信息和负样本图像细节信息;将正样本图像细节信息加权至潜在正样本,得到潜在正样本加强图像,将负样本图像细节信息加权至潜在负样本,得到潜在负样本加强图像。
本实施例中,多尺度图像细节优化处理的方式对潜在正负样本图像进行处理,可以使训练更精准。
在本发明的一些实施例中,S7中智能尾箱持有者指纹识别决策模型对使用者识别得分位于高分和低分之间的待检测指纹图像则进行二次判定:将50个正样本和50个负样本放在一个数据集中并分成5组,每组包含10个正样本和10个负样本;每组中利用欧式距离计算待检测指纹图像距10个正样本和10个负样本之间的空间距离;通过空间距离计算,得到与每组的正样本和负样本相邻最近待检测指纹图像最近的K个样本实例;当K个样本实例中正样本大于负样本,则将待检测图像初步判定为智能尾箱持有者的指纹图像,当K个样本实例中正样本小于负样本,则将待检测图像初步判定为非智能尾箱持有者的指纹图;5个组中,若有3组及以上将待检测图像判定为智能尾箱持有者的指纹图像,则将待检测图像最终判定为智能尾箱持有者的指纹图像,5个组中,若有3组及以上将待检测图像判定为非智能尾箱持有者的指纹图像,则将待检测图像最终判定为非智能尾箱持有者的指纹图像。
本实施例中,将不能判断为高分或者低分的待检测图像判断进行二次判断,可以使训练更精准。
实施例2
一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行的方法。
实施例3
一种计算设备,计算设备包括处理器及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行的方法。
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。
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,所述模块、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。
所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所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。
综上所述,本申请实施例提供的一种基于训练样本指纹识别智能尾箱应用方法,包括:S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本,采集多个非智能尾箱持有者指纹图像作为潜在负样本;S2:对潜在正样本和潜在负样本进行图像细节优化处理,得到图像处理后的正样本和图像处理后的负样本;S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征,得到表征后的正样本和表征后的负样本;S4:对表征后的正样本进行欧式距离计算之间的差异性,对相似度高表征后的正样本只保留一个得到正样本,最终保留50个正样本,对表征后的负样本进行欧式距离计算之间的差异性,对相似度高表征后的负样本只保留一个得到负样本,最终保留50个负样本;S5:通过SVM模型对正样本和负样本进行训练,得到智能尾箱持有者指纹识别决策模型;S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别;S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱,智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。
上述实施例中,利用智能尾箱的图像采集设备采集智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在正样本;利用智能尾箱的图像采集设备采集非智能尾箱持有者的若干(通常50-100个)不同状态的指纹图像作为潜在负样本;利用多尺度图像细节优化处理的方式对潜在正负样本图像进行处理;利用自动编码器对潜在正样本和潜在负样本进行深度表征;对于潜在正样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在正样本仅保留一个,最终保留50个正样本(通过调整相似度阈值实现);对于潜在负样本,利用欧式距离计算两两之间的差异性。对于相似度较高的两个潜在负样本仅保留一个,最终保留50个负样本(通过调整相似度阈值实现);利用SVM模型对正、负训练样本进行训练,得到智能尾箱持有者指纹识别决策模型;当使用人使用智能尾箱时,利用智能尾箱的指纹图像采集设备采集使用人的指纹图像(待检测指纹图像),并利用识别决策模型进行识别;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较高时,将其判定为智能尾箱持有者的指纹图像,发出打开智能尾箱的指令;当基于SVM模型的得分较低时,将其判定为非智能尾箱持有者的指纹图像,发出禁止打开智能尾箱的指令;)当基于SVM模型的得分在分类边缘部分时,利用分组式KNN模型对指纹图像进行二次判定,发出是否打开智能尾箱的指令。
本实施例中,一方面,选取了代表性较强的正负训练样本,使得SVM模型的训练更加精准,提升了指纹图像识别的精度,确保了智能尾箱的安全使用;另一方面,结合指纹图像的特点,利用分组式KNN模型有有效地解决了SVM模型普适性不强的问题,提升了指纹图像识别的精度和健壮性,确保了智能尾箱的安全使用。
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 (10)
1.一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:包括:
S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本,采集多个非智能尾箱持有者指纹图像作为潜在负样本;
S2:对潜在正样本和潜在负样本进行图像细节优化处理,得到图像处理后的正样本和图像处理后的负样本;
S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征,得到表征后的正样本和表征后的负样本;
S4:对表征后的正样本进行欧式距离计算之间的差异性,对相似度高表征后的正样本只保留一个得到正样本,最终保留50个正样本,对表征后的负样本进行欧式距离计算之间的差异性,对相似度高表征后的负样本只保留一个得到负样本,最终保留50个负样本;
S5:通过SVM模型对正样本和负样本进行训练,得到智能尾箱持有者指纹识别决策模型;
S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别;
S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱,智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。
2.根据权利要求1所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:S1中所述智能尾箱持有者的指纹图像为50个-100个。
3.根据权利要求2所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:所述智能尾箱持有者的指纹图像为50个。
4.根据权利要求1所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:S1中所述非智能尾箱持有者的指纹图像为50个-100个。
5.根据权利要求1所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:所述非智能尾箱持有者的指纹图像为50个。
6.根据权利要求1所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:S2中图像细节优化处理为多尺度图像细节优化处理。
7.根据权利要求1所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:S2包括以下步骤:
通过最小二乘滤波器对图像处理后的正样本和图像处理后的负样本进行过滤,得到过滤后的正样本图像和过滤后的负样本图像;
将过滤后的正样本图像和过滤后的负样本图像均分为多个尺度;
对过滤后正样本图像的多个尺度和过滤后负样本图像的多个尺度进行减除计算,得到正样本图像细节信息和负样本图像细节信息;
将正样本图像细节信息加权至潜在正样本,得到潜在正样本加强图像,将负样本图像细节信息加权至潜在负样本,得到潜在负样本加强图像。
8.根据权利要求6所述的一种基于训练样本指纹识别智能尾箱应用方法,其特征在于:S7中智能尾箱持有者指纹识别决策模型对使用者识别得分位于高分和低分之间的待检测指纹图像则进行二次判定:
将50个正样本和50个负样本放在一个数据集中并分成5组,每组包含10个正样本和10个负样本;
每组中利用欧式距离计算待检测指纹图像距10个正样本和10个负样本之间的空间距离;
通过空间距离计算,得到与每组的正样本和负样本相邻最近待检测指纹图像最近的K个样本实例;
当K个样本实例中正样本大于负样本,则将待检测图像初步判定为智能尾箱持有者的指纹图像,当K个样本实例中正样本小于负样本,则将待检测图像初步判定为非智能尾箱持有者的指纹图;
5个组中,若有3组及以上将待检测图像判定为智能尾箱持有者的指纹图像,则将待检测图像最终判定为智能尾箱持有者的指纹图像,5个组中,若有3组及以上将待检测图像判定为非智能尾箱持有者的指纹图像,则将待检测图像最终判定为非智能尾箱持有者的指纹图像。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-8任一项所述的方法。
10.一种计算设备,其特征在于,所述计算设备包括处理器及存储器:所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905494.8A CN113361497B (zh) | 2021-08-09 | 2021-08-09 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905494.8A CN113361497B (zh) | 2021-08-09 | 2021-08-09 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361497A true CN113361497A (zh) | 2021-09-07 |
CN113361497B CN113361497B (zh) | 2021-12-07 |
Family
ID=77540541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110905494.8A Active CN113361497B (zh) | 2021-08-09 | 2021-08-09 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361497B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347804A1 (en) * | 2014-03-03 | 2015-12-03 | Tsinghua University | Method and system for estimating fingerprint pose |
CN107992800A (zh) * | 2017-11-10 | 2018-05-04 | 杭州晟元数据安全技术股份有限公司 | 一种基于svm和随机森林的指纹图像质量判断方法 |
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
CN112329826A (zh) * | 2020-10-24 | 2021-02-05 | 中国人民解放军空军军医大学 | 图像识别模型的训练方法、图像识别方法和装置 |
CN112418191A (zh) * | 2021-01-21 | 2021-02-26 | 深圳阜时科技有限公司 | 指纹识别模型构建方法、存储介质及计算机设备 |
CN112613341A (zh) * | 2020-11-25 | 2021-04-06 | 北京迈格威科技有限公司 | 训练方法及装置、指纹识别方法及装置、电子设备 |
CN112990312A (zh) * | 2021-03-15 | 2021-06-18 | 平安科技(深圳)有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
CN113205081A (zh) * | 2021-06-11 | 2021-08-03 | 北京惠朗时代科技有限公司 | 一种基于显著性检测的svm模型工人疲劳精准判别方法 |
-
2021
- 2021-08-09 CN CN202110905494.8A patent/CN113361497B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347804A1 (en) * | 2014-03-03 | 2015-12-03 | Tsinghua University | Method and system for estimating fingerprint pose |
CN107992800A (zh) * | 2017-11-10 | 2018-05-04 | 杭州晟元数据安全技术股份有限公司 | 一种基于svm和随机森林的指纹图像质量判断方法 |
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
CN112329826A (zh) * | 2020-10-24 | 2021-02-05 | 中国人民解放军空军军医大学 | 图像识别模型的训练方法、图像识别方法和装置 |
CN112613341A (zh) * | 2020-11-25 | 2021-04-06 | 北京迈格威科技有限公司 | 训练方法及装置、指纹识别方法及装置、电子设备 |
CN112418191A (zh) * | 2021-01-21 | 2021-02-26 | 深圳阜时科技有限公司 | 指纹识别模型构建方法、存储介质及计算机设备 |
CN112990312A (zh) * | 2021-03-15 | 2021-06-18 | 平安科技(深圳)有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
CN113205081A (zh) * | 2021-06-11 | 2021-08-03 | 北京惠朗时代科技有限公司 | 一种基于显著性检测的svm模型工人疲劳精准判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361497B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Learning mid-level filters for person re-identification | |
CN109284675B (zh) | 一种用户的识别方法、装置及设备 | |
CN111368772B (zh) | 身份识别方法、装置、设备及存储介质 | |
JP6897749B2 (ja) | 学習方法、学習システム、および学習プログラム | |
Chica | Authentication of bee pollen grains in bright‐field microscopy by combining one‐class classification techniques and image processing | |
CN112700408A (zh) | 模型训练方法、图像质量评估方法及装置 | |
Zhang et al. | Automatic discrimination of text and non-text natural images | |
CN115048464A (zh) | 用户操作行为数据的检测方法、装置及电子设备 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN111325276A (zh) | 图像分类方法及装置、电子设备、计算机可读存储介质 | |
JP5776694B2 (ja) | 物体識別向けの学習装置、学習システム、学習方法、及び学習プログラム | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
CN113361497B (zh) | 基于训练样本指纹识别智能尾箱应用方法及设备 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
CN103793714A (zh) | 多分类识别器、数据识别装置、多分类识别方法及数据识别方法 | |
CN110210425A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN111598116A (zh) | 数据分类方法、装置、电子设备及可读存储介质 | |
CN111931229B (zh) | 一种数据识别方法、装置和存储介质 | |
CN115690434A (zh) | 一种基于专家场去噪结果优选的噪声图像识别方法及系统 | |
CN112732865B (zh) | 一种刑事案件情节对刑期影响比例的测算方法及装置 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
Manimekalai et al. | Taxonomic classification of Plant species using support vector machine | |
CN114339859B (zh) | 识别全屋无线网络WiFi潜在用户的方法、装置及电子设备 | |
CN113343955B (zh) | 一种基于深度金字塔的人脸识别智能尾箱应用方法 | |
CN113569792B (zh) | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
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 |