CN114049511A - 生物特征识别方法、装置、设备和存储介质 - Google Patents

生物特征识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114049511A
CN114049511A CN202111350756.5A CN202111350756A CN114049511A CN 114049511 A CN114049511 A CN 114049511A CN 202111350756 A CN202111350756 A CN 202111350756A CN 114049511 A CN114049511 A CN 114049511A
Authority
CN
China
Prior art keywords
feature
characteristic
candidate
weight
template set
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
CN202111350756.5A
Other languages
English (en)
Inventor
杨春林
周军
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 Eyes Intelligent Technology Co ltd
Beijing Eyecool Technology Co Ltd
Original Assignee
Beijing Eyes Intelligent Technology Co ltd
Beijing Eyecool 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 Eyes Intelligent Technology Co ltd, Beijing Eyecool Technology Co Ltd filed Critical Beijing Eyes Intelligent Technology Co ltd
Priority to CN202111350756.5A priority Critical patent/CN114049511A/zh
Publication of CN114049511A publication Critical patent/CN114049511A/zh
Priority to PCT/CN2022/128883 priority patent/WO2023083051A1/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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Abstract

本申请提供一种生物特征识别方法、装置、设备和存储介质，该方法包括：获取待识别的生物特征样本；采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合；根据所述权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算；根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象。本申请通过多种匹配算法的比对排名和排序权重，提高了生物特征辨识的可靠性。

Description

生物特征识别方法、装置、设备和存储介质
技术领域
本申请涉及信息处理技术领域，具体而言，涉及一种生物特征识别方法、装置、设备和存储介质。
背景技术
生物识别技术通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性如指纹、人脸、虹膜、指静脉等进行个人身份识别。
随着对社会安全和身份鉴别准确性和可靠性要求的日益提升，单一生物特征识别在准确性和可靠性方面的局限性日益突出，不能满足产品和技术发展的需要。随着生物特征识别技术的不断成熟，多模态生物特征识别技术的研究与应用将弥补单一生物特征识别技术的局限与不足，进一步降低生物特征识别系统的误识率，提高鉴别精度。
因此，多模态生物特征识别技术越来越受到人们的关注，生物特征辨识属于1:N的比对方式，在考勤门禁、人员聚档、黑名单监控等生物特征搜索中应用较多，给人们的生活和工作带来了便利。尽管如此，在1:N比对的实际应用中，往往会出现误识、误警及漏报的问题，给系统应用带来困扰和风险。
发明内容
本申请实施例的目的在于提供一种生物特征识别方法、装置、设备和存储介质，实现了通过多种匹配算法的比对排名和每种算法的排序权重来提高生物特征辨识的可靠性。
本申请实施例第一方面提供了一种生物特征识别方法，包括：获取待识别的生物特征样本；采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合；根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算；根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象。
于一实施例中，所述采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合，包括：采用所述多种特征匹配算法中的第一个特征匹配算法，将所述生物特征样本与所述特征模板库中的特征模板进行逐一比对，选取出第一候选特征模板集合；分别采用所述多种特征匹配算法中剩余的每种特征匹配算法，将所述生物特征样本与所述第一候选特征模板集合中的特征模板进行逐一比对，得到所述每种特征匹配算法下对应的第二候选特征模板集合。
于一实施例中，在所述根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算之前，还包括：分别根据每个所述候选特征模板集合的辨识错误率，构建所述多种特征匹配算法的所述权重矩阵，所述权重矩阵中包括每种所述特征匹配算法的排序权重。
于一实施例中，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率；采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi)1×m,i＝1～m
Figure BDA0003355653100000021
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率。
于一实施例中，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率和错误辨识拒绝率；采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi),i＝1～m
Figure BDA0003355653100000031
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率，FIRRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识拒绝率。
于一实施例中，所述根据所述权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算，包括：根据每种所述特征匹配算法下对应的候选特征模板集合，生成所述多种特征匹配算法对应的初始排序矩阵；将所述初始排序矩阵的每个元素取倒数后，生成倒数排序矩阵；对所述倒数排序矩阵进行标准化处理，得到标准化排序矩阵；将所述权重矩阵与所述标准化排序矩阵相乘，得到所述生物特征样本在所述多种特征匹配算法下对应所有候选特征模板的最终排序矩阵。
于一实施例中，所述根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象，包括：将所述最终排序矩阵中的元素按照降序排列，将所述最终排序矩阵中排在前预设名次的元素对应的候选特征模板确定为所述生物特征样本对应的最终目标对象。
本申请实施例第二方面提供了一种生物特征识别装置，包括：获取模块，用于获取待识别的生物特征样本；比对模块，用于采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合；加权模块，用于根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算；确定模块，用于根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象。
于一实施例中，所述比对模块用于：采用所述多种特征匹配算法中的第一个特征匹配算法，将所述生物特征样本与所述特征模板库中的特征模板进行逐一比对，选取出第一候选特征模板集合；分别采用所述多种特征匹配算法中剩余的每种特征匹配算法，将所述生物特征样本与所述第一候选特征模板集合中的特征模板进行逐一比对，得到所述每种特征匹配算法下对应的第二候选特征模板集合。
于一实施例中，还包括：构建模块，用于在所述根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算之前，分别根据每个所述候选特征模板集合的辨识错误率，构建所述多种特征匹配算法的所述权重矩阵，所述权重矩阵中包括每种所述特征匹配算法的排序权重。
于一实施例中，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率；所述构建模块用于采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi)1×m,i＝1～m
Figure BDA0003355653100000041
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率。
于一实施例中，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率和错误辨识拒绝率；所述构建模块用于采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi),i＝1～m
Figure BDA0003355653100000051
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识拒绝率。
于一实施例中，所述加权模块用于：根据每种所述特征匹配算法下对应的候选特征模板集合，生成所述多种特征匹配算法对应的初始排序矩阵；将所述初始排序矩阵的每个元素取倒数后，生成倒数排序矩阵；对所述倒数排序矩阵进行标准化处理，得到标准化排序矩阵；将所述权重矩阵与所述标准化排序矩阵相乘，得到所述生物特征样本在所述多种特征匹配算法下对应所有候选特征模板的最终排序矩阵。
于一实施例中，所述确定模块用于：将所述最终排序矩阵中的元素按照降序排列，将所述最终排序矩阵中排在前预设名次的元素对应的候选特征模板确定为所述生物特征样本对应的最终目标对象。
本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行所述计算机程序，以实现本申请实施例第一方面及其任一实施例的方法。
本申请实施例第四方面提供了一种非暂态电子设备可读存储介质，包括：程序，当其藉由电子设备运行时，使得所述电子设备执行本申请实施例第一方面及其任一实施例的方法。
本申请提供的生物特征识别方法、装置、设备和存储介质，通过多种特征匹配算法，将待识别生物特征样本与特征模板库中的特征模板进行逐一比对，从而得到每种特征匹配算法下对应的候选特征模板集合，并根据每个候选特征模板集合下的辨识错误率构建多种特征匹配算法的权重矩阵，最后根据权重矩阵中的每种特征匹配算法的排序权重，分别对每个候选特征模板集合的排序做加权计算，如此，既利用了多种匹配算法的比对排名，又考虑了每种算法的排序权重，从而提高了生物特征辨识的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请一实施例的电子设备的结构示意图；
图2为本申请一实施例的生物特征识别方法的流程示意图；
图3为本申请一实施例的生物特征识别方法的流程示意图；
图4为本申请一实施例的生物特征识别装置的结构示意图。
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描述。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。
如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器为例。处理器11和存储器12通过总线10连接。存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程，从而通过多种匹配算法的比对排名和每种算法的排序权重，提高生物特征辨识的可靠性。
于一实施例中，电子设备1可以是手机、平板电脑、笔记本电脑、台式计算机或者是由多个计算机等组成的服务器。
请参看图2其为本申请一实施例的生物特征识别方法，该方法可由图1所示的电子设备1来执行，通过多种匹配算法的比对排名和算法的排序权重，提高了生物特征辨识的可靠性，该方法包括如下步骤：
步骤210：获取待识别的生物特征样本。
在本步骤中，待识别的生物特征样本指的是人体固有的生理特征如指纹、人脸、虹膜、指静脉等。
于一实施例中，若生物特征样本为指纹，指纹图像的获取方式可以为光学指纹采集技术、电容式传感器指纹采集、温度传感指纹获取技术、超声波指纹采集技术、电磁波指纹采集技术等。
于一实施例中，使用图像采集软件可获待识别的指纹特征样本，如通过ABIS(Automatic Biometric Identification Systems，自动生物特征识别系统)等获取待识别的指纹特征样本。
步骤220：采用多种特征匹配算法，将生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种特征匹配算法下对应的候选特征模板集合。
在本步骤中，特征匹配算法指的是生物特征样本特征与特征模板库中的特征模板进行匹配的算法。
于一实施例中，若生物特征样本是人脸，人脸识别算法包括基于几何特征的人脸识别方法、基于子空间的人脸识别方法、基于统计的人脸识别方法、弹性图匹配方法、基于混合模型的人脸识别方法、基于三维模型的人脸识别方法以及基于深度神经网络的人脸识别方法等等，其中，基于统计的人脸识别方法又包括基于KL变换的人脸识别方法、基于隐马尔可夫模型的人脸识别方法等等。
于一实施例中，多种特征匹配算法可以不同类型的算法，比如第一种是基于深度神经网络的人脸识别方法，第二种是基于子空间的人脸识别方法，第三种又可以是不同类型的算法。
首先，将基于深度神经网络的人脸识别方法作为第一个特征匹配算法，使用基于基于深度神经网络的人脸识别方法将待识别人脸与人脸特征模板进行逐一比对，得到匹配分数，并将返回的匹配分数按照降序的方式进行排序，同时，将排序前k位的特征模板作为第一候选特征模板集合。其中，k为自定义的长度。
使用基于子空间方法将待识别的人脸与第一候选特征模板集合中的特征模板逐一比对，得到匹配分数，并将返回的匹配分数按照降序的方式进行排序，从而得到基于子空间方法下的待识别的人脸的对应的第二候选特征模板集合。
依次类推，分别采用剩余的人脸识别算法中，将待识别的人脸样本与第一候选特征模板集合中的特征模板进行逐一比对，得到每种特征匹配算法下对应的第二候选特征模板集合。
于一实施例中，多种特征匹配算法也可以同类型的算法，比如都是基于神经网络的算法，神经网络不同，特征匹配算法也会有差别。
步骤230：分别根据每个候选特征模板集合的辨识错误率，构建多种特征匹配算法的权重矩阵。
在本步骤中，权重矩阵中包括每种特征匹配算法的排序权重，可以预先统计确定每一种特征匹配算法的排序权重，以此构成权重矩阵。特征模板集合指的是注册集，即用于生物特征辨识(1:N比对)的注册模板集合。生物特征辨识算法性能体现在如错误辨识选择率(FISR)、错误辨识拒绝率(FIRR)、首选识别率(TOP1)、前k选识别率(TOP k)等指标上。算法性能指标的评估在一定的测试样本集上进行。测试样本集可分为注册集和探针集，其中，探针集用于算法性能评测的待识别样本(也称为探针)的集合。
待识别样本在注册集中可能存在匹配的模板，也可能不存在。注册集和探针集内的样本数量可一致，也可以不一致，在生物特征辨识算法性能评测中，一般根据实际应用的数据规模来构建测试集的样本数量，如：万级、十万级、百万级、千万级等。算法性能指标的好坏与测试样本质量有关，样本集内的测试样本质量应遵循生物特征模态对应的样本质量标准。
其中，辨识错误率包括错误辨识选择率(FISR)和错误辨识拒绝率(FIRR)。FISR指标与N-注册集样本数量、K-候选列表长度、T-比对阈值等有关，可用FISR(N,K,T)表示。FISR指标的统计方法是在不可匹配目标人的搜索中，比对结果列表中有得分超过阈值T且排名在K位以内的候选者(都是错误的匹配者)，FISR(N,K,T)为候选者数量与探针集中不可匹配样本数量的比例。
计算方式如下：
Figure BDA0003355653100000091
式中：N为注册集样本数量、K为候选列表长度、T为比对阈值，C2为C1轮比对搜索中得分超过阈值T且排名在K位以内的候选者数量之和；C1为待识别样本的集合中不可匹配样本数量。
在N、K一定的情况下，随着T的增大，FISR(N,K,T)减小，说明错误匹配的概率越低，辨识可靠性增加。
FIRR指标与N-注册集样本数量、K-候选列表长度、T-比对阈值等有关，可用FIRR(N,K,T)表示。统计方法为在可匹配目标人的搜索中，在比对结果列表中存在探针与对应模板的比对得分未超过阈值T或排名在K位以外的被错误拒绝者(是应匹配而未匹配的失败者)，FIRR(N,K,T)为被错误拒绝的数量与探针集中可匹配样本数量的比例。
计算方式如下：
Figure BDA0003355653100000101
式中：C4为C3轮比对搜索中得分未超过阈值T或排名在K位以外的被错误拒绝的数量；C3为待识别样本的集合中可匹配样本数量。
在FISR(N，K，T)一定的情况下，FIRR(N，K，T)越小，说明被拒绝的概率越小，相当于识别通过率增加，因此辨识可靠性增加。
通常，在N、K一定的前提下，调整阈值T，使FISR(N，K，T)达到可用的可靠性等级(如：万分之一、十万分之一)，根据此时的阈值T，就可以确定FIRR(N，K，T)的值。
于一实施例中，采用如下公式构建多种特征匹配算法的权重矩阵：
W＝(wi)1×m,i＝1～m
Figure BDA0003355653100000102
式中：m为多种特征匹配算法的总数量，m为正整数，W为多种特征匹配算法的权重矩阵，wi为多种特征匹配算法中第i个算法对应的排序权重，FISRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识选择率。
于一实施例中，采用如下公式构建多种特征匹配算法的权重矩阵：
W＝(wi),i＝1～m
Figure BDA0003355653100000103
式中：m为多种特征匹配算法的总数量，m为正整数，W为多种特征匹配算法的权重矩阵，wi为多种特征匹配算法中第i个算法对应的排序权重，FISRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识选择率，FIRRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识拒绝率。
需要说明的是，步骤230中对权重矩阵的构建需要发生在步骤240之前，在使用的多种特征匹配算法确定后，权重矩阵也就可以确定，在实际进行生物特征识别时，只要特征匹配算法不变，就无需每次构建权重矩阵，因此步骤230也可以发生在步骤210-步骤220之前，或者同时进行，本实施例对步骤230与步骤210、步骤220之间的发生次序不做限定。
步骤240：根据预设权重矩阵中每种特征匹配算法的排序权重分别对每个候选特征模板集合的排序做加权计算。
在本步骤中，每个候选特征模板集合的排序指的是每个候选特征模板的排序分数组成的矩阵。
步骤250：根据加权排序后的每个候选特征模板集合，确定生物特征样本对应的最终目标对象。
在本步骤中，最终目标对象可以是加权排序后排名第一的目标对象，也可以是按照设定的长度按照降序返回的候选者的结果集合。
请参看图3其为本申请一实施例的生物特征识别方法，该方法包括如下步骤：
步骤310：获取待识别的生物特征样本。详细参见上述实施例中对步骤210的描述。
步骤320：采用多种特征匹配算法，将生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种特征匹配算法下对应的候选特征模板集合。详细参见上述实施例中对步骤220的描述。
步骤330：分别根据每个候选特征模板集合的辨识错误率，构建多种特征匹配算法的权重矩阵。详细参见上述实施例中对步骤230的描述。
步骤340：根据每种特征匹配算法下对应的候选特征模板集合，生成多种特征匹配算法对应的初始排序矩阵。
步骤350：将初始排序矩阵的每个元素取倒数后，生成倒数排序矩阵。
在本步骤中，初始排序矩阵指的是根据每轮比对候选列表后生成排名矩阵(rij)m×k，具体形式如下：
Figure BDA0003355653100000121
式中：m为待识别生物特征样本经过了m轮的比对，k为候选集合的长度，rij为待识别生物特征样本在i轮的匹配后排名为j的匹配分数。
将排序矩阵每个元素取倒数，即将(rij)m×k进行矩阵变换，对rij取倒数可得：
bij＝1/rij
从而得到倒数排序矩阵，具体形式如下：
Figure BDA0003355653100000122
步骤360：对倒数排序矩阵进行标准化处理，得到标准化排序矩阵。
在本步骤中，标准化处理指的是将倒数排序矩阵中的元素进行z-分数变换，从而得到标准化排序矩阵(zij)m×k，具体形式如下：
Figure BDA0003355653100000123
其中，z-分数变换方式如下：
zij＝(bij-μ)/δ
式中：bij为倒数排序矩阵中第i行第j列数值，μ为bij的平均值，δ为bij的标准差。
步骤370：将权重矩阵与标准化排序矩阵相乘，得到生物特征样本在多种特征匹配算法下对应所有候选特征模板的最终排序矩阵。
在本步骤中，权重矩阵与标准化排序矩阵相乘的具体公式如下：
(cj)1×k＝(wi)1×m*(zij)m×k
则加权后的排序矩阵为：C＝(c1，c2，…，ck),并对其矩阵内的元素进行降序排列，从而得到最终排序矩阵。
步骤380：根据加权排序后的每个候选特征模板集合，确定生物特征样本对应的最终目标对象。详细参见上述实施例中对步骤250的描述。
请参看图4，其为本申请一实施例的生物特征识别装置400，该装置可应用于图1所示的电子设备1，通过利用多种匹配算法的比对排名和每种算法的排序权重，提高了生物特征辨识的可靠性。该装置包括：获取模块401、比对模块402、加权模块403和确定模块404，各个模块的原理关系如下：
获取模块401，用于获取待识别的生物特征样本。
比对模块402，用于采用多种特征匹配算法，将生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种特征匹配算法下对应的候选特征模板集合；
加权模块403，用于根据预设权重矩阵中每种特征匹配算法的排序权重分别对每个候选特征模板集合的排序做加权计算；
确定模块404，用于根据加权排序后的每个候选特征模板集合，确定生物特征样本对应的最终目标对象。
于一实施例中，比对模块402用于：采用多种特征匹配算法中的第一个特征匹配算法，将生物特征样本与特征模板库中的特征模板进行逐一比对，选取出第一候选特征模板集合；分别采用多种特征匹配算法中剩余的每种特征匹配算法，将生物特征样本与第一候选特征模板集合中的特征模板进行逐一比对，得到每种特征匹配算法下对应的第二候选特征模板集合。
于一实施例中，还包括：构建模块405，用于在根据预设权重矩阵中每种特征匹配算法的排序权重分别对每个候选特征模板集合的排序做加权计算之前，分别根据每个候选特征模板集合的辨识错误率，构建多种特征匹配算法的权重矩阵，权重矩阵中包括每种特征匹配算法的排序权重。
于一实施例中，辨识错误率包括：每个候选特征模板集合的错误辨识选择率；构建模块405用于采用如下公式构建多种特征匹配算法的权重矩阵：
W＝(wi)1×m,i＝1～m
Figure BDA0003355653100000141
其中，m为多种特征匹配算法的总数量，m为正整数，W为多种特征匹配算法的权重矩阵，wi为多种特征匹配算法中第i个算法对应的排序权重，FISRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识选择率。
于一实施例中，辨识错误率包括：每个候选特征模板集合的错误辨识选择率和错误辨识拒绝率；构建模块405用于采用如下公式构建多种特征匹配算法的权重矩阵：
W＝(wi),i＝1～m
Figure BDA0003355653100000142
其中，m为多种特征匹配算法的总数量，m为正整数，W为多种特征匹配算法的权重矩阵，wi为多种特征匹配算法中第i个算法对应的排序权重，FISRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识选择率，FIRRi为多种特征匹配算法中第i个算法对应的候选特征模板集合的错误辨识拒绝率。
于一实施例中，加权模块403用于：根据每种特征匹配算法下对应的候选特征模板集合，生成多种特征匹配算法对应的初始排序矩阵；将初始排序矩阵的每个元素取倒数后，生成倒数排序矩阵；对倒数排序矩阵进行标准化处理，得到标准化排序矩阵；将权重矩阵与标准化排序矩阵相乘，得到生物特征样本在多种特征匹配算法下对应所有候选特征模板的最终排序矩阵。
于一实施例中，确定模块404用于：将最终排序矩阵中的元素按照降序排列，将最终排序矩阵中排在前预设名次的元素对应的候选特征模板确定为生物特征样本对应的最终目标对象。
上述生物特征识别装置400的详细描述，请参见上述实施例中相关方法步骤的描述。
本申请实施例还提供了一种非暂态电子设备可读存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种生物特征识别方法，其特征在于，包括：
获取待识别的生物特征样本；
采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合；
根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算；
根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象。
2.根据权利要求1所述的方法，其特征在于，所述采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合，包括：
采用所述多种特征匹配算法中的第一个特征匹配算法，将所述生物特征样本与所述特征模板库中的特征模板进行逐一比对，选取出第一候选特征模板集合；
分别采用所述多种特征匹配算法中剩余的每种特征匹配算法，将所述生物特征样本与所述第一候选特征模板集合中的特征模板进行逐一比对，得到所述每种特征匹配算法下对应的第二候选特征模板集合。
3.根据权利要求1所述的方法，其特征在于，在所述根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算之前，还包括：
分别根据每个所述候选特征模板集合的辨识错误率，构建所述多种特征匹配算法的所述权重矩阵，所述权重矩阵中包括每种所述特征匹配算法的排序权重。
4.根据权利要求3所述的方法，其特征在于，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率；采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi)1×m,i＝1～m
Figure FDA0003355653090000021
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率。
5.根据权利要求3所述的方法，其特征在于，所述辨识错误率包括：每个所述候选特征模板集合的错误辨识选择率和错误辨识拒绝率；采用如下公式构建所述多种特征匹配算法的权重矩阵：
W＝(wi),i＝1～m
Figure FDA0003355653090000022
其中，m为所述多种特征匹配算法的总数量，m为正整数，W为所述多种特征匹配算法的权重矩阵，wi为所述多种特征匹配算法中第i个算法对应的所述排序权重，FISRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识选择率，FIRRi为所述多种特征匹配算法中第i个算法对应的所述候选特征模板集合的错误辨识拒绝率。
6.根据权利要求1所述的方法，其特征在于，所述根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算，包括：
根据每种所述特征匹配算法下对应的候选特征模板集合，生成所述多种特征匹配算法对应的初始排序矩阵；
将所述初始排序矩阵的每个元素取倒数后，生成倒数排序矩阵；
对所述倒数排序矩阵进行标准化处理，得到标准化排序矩阵；
将所述权重矩阵与所述标准化排序矩阵相乘，得到所述生物特征样本在所述多种特征匹配算法下对应所有候选特征模板的最终排序矩阵。
7.根据权利要求6所述的方法，其特征在于，所述根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象，包括：
将所述最终排序矩阵中的元素按照降序排列，将所述最终排序矩阵中排在前预设名次的元素对应的候选特征模板确定为所述生物特征样本对应的最终目标对象。
8.一种生物特征识别装置，其特征在于，包括：
获取模块，用于获取待识别的生物特征样本；
比对模块，用于采用多种特征匹配算法，将所述生物特征样本与特征模板库中的特征模板进行逐一比对，得到每种所述特征匹配算法下对应的候选特征模板集合；
加权模块，用于根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算；
确定模块，用于根据加权排序后的每个所述候选特征模板集合，确定所述生物特征样本对应的最终目标对象。
9.根据权利要求8所述的装置，其特征在于，还包括：
构建模块，用于在所述根据预设权重矩阵中每种所述特征匹配算法的排序权重分别对每个所述候选特征模板集合的排序做加权计算之前，分别根据每个所述候选特征模板集合的辨识错误率，构建所述多种特征匹配算法的所述权重矩阵，所述权重矩阵中包括每种所述特征匹配算法的排序权重。
10.一种电子设备，其特征在于，包括：
存储器，用以存储计算机程序；
处理器，用以执行所述计算机程序，以实现如权利要求1至7中任一项所述的方法。
CN202111350756.5A 2021-11-15 2021-11-15 生物特征识别方法、装置、设备和存储介质 Pending CN114049511A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111350756.5A CN114049511A (zh) 2021-11-15 2021-11-15 生物特征识别方法、装置、设备和存储介质
PCT/CN2022/128883 WO2023083051A1 (zh) 2021-11-15 2022-11-01 生物特征识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111350756.5A CN114049511A (zh) 2021-11-15 2021-11-15 生物特征识别方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114049511A true CN114049511A (zh) 2022-02-15

Family

ID=80209333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111350756.5A Pending CN114049511A (zh) 2021-11-15 2021-11-15 生物特征识别方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN114049511A (zh)
WO (1) WO2023083051A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023083051A1 (zh) * 2021-11-15 2023-05-19 北京眼神智能科技有限公司 生物特征识别方法、装置、设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015175107A1 (en) * 2014-05-15 2015-11-19 Bio-Key International, Inc. Adaptive short lists and acceleration of biometric database search
CN110909757B (zh) * 2019-08-20 2023-07-14 北京北科慧识科技股份有限公司 生物识别系统模板的选取和更新方法
CN113204968A (zh) * 2021-05-28 2021-08-03 平安科技（深圳）有限公司 医学实体的概念识别方法、装置、设备及存储介质
CN114049511A (zh) * 2021-11-15 2022-02-15 北京眼神智能科技有限公司 生物特征识别方法、装置、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023083051A1 (zh) * 2021-11-15 2023-05-19 北京眼神智能科技有限公司 生物特征识别方法、装置、设备和存储介质

Also Published As

Publication number Publication date
WO2023083051A1 (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
Wayman et al. An introduction to biometric authentication systems
US11282295B2 (en) Image feature acquisition
CA2600388C (en) Multimodal biometric analysis
EP3074918B1 (en) Method and system for face image recognition
EP2113867A2 (en) Biometric authentication system, authentication client terminal, and biometric authentication method
US11710297B2 (en) System and method for detecting potential matches between a candidate biometric and a dataset of biometrics
CN109190521B (zh) 一种基于知识提纯的人脸识别模型的构建方法及应用
Mantri et al. Neural network based face recognition using MATLAB
US20150278977A1 (en) System and Method for Detecting Potential Fraud Between a Probe Biometric and a Dataset of Biometrics
CN103443772B (zh) 基于多模态数据分析的个人性别验证的方法
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
US7359533B2 (en) Method and apparatus for identifying a fingerprint
Czyżewski et al. Analysis of results of large‐scale multimodal biometric identity verification experiment
Kurniawan et al. The implementation of eigenface algorithm for face recognition in attendance system
CN114049511A (zh) 生物特征识别方法、装置、设备和存储介质
KR100670244B1 (ko) 양쪽 동시 지문입력기 및 그 지문 매칭 방법
Hossain et al. Enhancing performance and user convenience of multi-biometric verification systems
CN111737469A (zh) 数据挖掘方法、装置、终端设备和可读存储介质
Doroz et al. Signature recognition based on voting schemes
KR20060068796A (ko) 얼굴인식 시스템의 성능시험 방법 및 시스템
JP2020177318A (ja) 照合装置、学習装置、方法、及びプログラム
Sharma et al. Fingerprint image quality assessment and scoring using minutiae centered local patches
CN111428679B (zh) 影像识别方法、装置和设备
Abd Hamid et al. A SECURE ONLINE VOTING SYSTEM USING FACE RECOGNITION TECHNOLOGY
StanojeviÄ et al. Continuous Distribution Approximation and Thresholds Optimization in Serial Multi-Modal Biometric Systems

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