CN114639128A - 指纹防伪方法、装置和设备 - Google Patents
指纹防伪方法、装置和设备 Download PDFInfo
- Publication number
- CN114639128A CN114639128A CN202011480329.4A CN202011480329A CN114639128A CN 114639128 A CN114639128 A CN 114639128A CN 202011480329 A CN202011480329 A CN 202011480329A CN 114639128 A CN114639128 A CN 114639128A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- frames
- fingerprints
- images
- fingerprint images
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Input (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例提供一种指纹防伪方法、装置和设备,上述指纹防伪方法中,指纹防伪设备通过指纹传感器采集至少两帧指纹图像之后,对上述至少两帧指纹图像进行匹配识别,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对上述至少两帧指纹图像进行防伪识别,如果防伪识别的结果为至少两帧指纹图像中的指纹为真人手指的指纹,则确定至少两帧指纹图像中的指纹通过身份认证,从而可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
Description
技术领域
本申请实施例涉及智能终端技术领域,特别涉及一种指纹防伪方法、装置和设备。
背景技术
指纹识别是重要的身份识别方法,相比于脱氧核糖核酸(deoxyribo nucleicacid,DNA)识别与虹膜识别,具有简便易用的特点,已广泛地应用在我们的生活中。
指纹识别方案普遍存在防伪能力较弱的问题,现有相关技术中存在较多的攻击场景,存在较大安全风险。
其中,假指纹攻击是通过各种手段收集到用户的指纹之后,制作成各类假指纹。然后用假指纹攻击用户的指纹识别设备。
现有相关技术中,指纹识别主要通过判断真假指纹的图像差异进行二分类,从而判断指纹是真是假。但是,通过对比图像的差异,只能拦截部分差异较大的假指纹,如果真假指纹图像的差异较小,那么指纹的防伪效果较差。
发明内容
本申请实施例提供了一种指纹防伪方法、装置和设备,本申请实施例还提供一种计算机可读存储介质,以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
第一方面,本申请实施例提供一种指纹防伪方法,包括:通过指纹传感器采集至少两帧指纹图像;对所述至少两帧指纹图像进行匹配识别;如果所述匹配识别的结果为所述至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对所述至少两帧指纹图像进行防伪识别;如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为真人手指的指纹,则确定所述至少两帧指纹图像中的指纹通过身份认证。
上述指纹防伪方法中,指纹防伪设备通过指纹传感器采集至少两帧指纹图像之后,对上述至少两帧指纹图像进行匹配识别,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对上述至少两帧指纹图像进行防伪识别,如果防伪识别的结果为至少两帧指纹图像中的指纹为真人手指的指纹,则确定至少两帧指纹图像中的指纹通过身份认证,从而可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
其中一种可能的实现方式中,所述对所述至少两帧指纹图像进行防伪识别之后,还包括:如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为假手指的指纹,则确定所述至少两帧指纹图像中的指纹未通过身份认证。
其中一种可能的实现方式中,所述对所述至少两帧指纹图像进行防伪识别包括:对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
其中一种可能的实现方式中,所述对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度包括:通过神经网络对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
其中一种可能的实现方式中,所述神经网络包括卷积神经网络和/或全连接网络。
其中一种可能的实现方式中,所述对所述至少两帧指纹图像进行防伪识别包括:对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;将所述指纹图像与所述指纹差分序列进行融合;对融合后获得的特征向量进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
其中一种可能的实现方式中,所述根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹包括:当所述置信度大于或等于预定的阈值时,确定所述至少两帧指纹图像中的指纹为真人手指的指纹;当所述置信度小于预定的阈值时,确定所述至少两帧指纹图像中的指纹不是真人手指的指纹。
第二方面,本申请实施例提供一种指纹防伪装置,该装置包含在指纹防伪设备中,该装置具有实现第一方面及第一方面的可能实现方式中指纹防伪设备行为的功能。功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块或单元。例如,获取模块或单元、处理模块或单元等。
第三方面,本申请实施例提供一种指纹防伪设备,包括:一个或多个处理器;存储器;多个应用程序;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行以下步骤:通过指纹传感器采集至少两帧指纹图像;对所述至少两帧指纹图像进行匹配识别;如果所述匹配识别的结果为所述至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对所述至少两帧指纹图像进行防伪识别;如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为真人手指的指纹,则确定所述至少两帧指纹图像中的指纹通过身份认证。
其中一种可能的实现方式中,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤之后,还执行以下步骤:如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为假手指的指纹,则确定所述至少两帧指纹图像中的指纹未通过身份认证。
其中一种可能的实现方式中,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤包括:对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
其中一种可能的实现方式中,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度的步骤包括:通过神经网络对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
其中一种可能的实现方式中,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤包括:对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;将所述指纹图像与所述指纹差分序列进行融合;对融合后获得的特征向量进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
其中一种可能的实现方式中,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹的步骤包括:当所述置信度大于或等于预定的阈值时,确定所述至少两帧指纹图像中的指纹为真人手指的指纹;当所述置信度小于预定的阈值时,确定所述至少两帧指纹图像中的指纹不是真人手指的指纹。
应当理解的是,本申请实施例的第二~第三方面与本申请实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
第四方面,本申请实施例提供一种计算机可读存储介质,上述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行第一方面提供的方法。
第五方面,本申请实施例提供一种计算机程序,当上述计算机程序被计算机执行时,用于执行第一方面提供的方法。
在一种可能的设计中,第五方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
附图说明
图1为本申请一个实施例提供的真假手指的指纹图像的信号示意图;
图2为本申请一个实施例提供的指纹防伪设备的结构示意图;
图3为本申请一个实施例提供的指纹防伪方法的流程图;
图4为本说明书另一个实施例提供的指纹防伪方法的流程图;
图5为本说明书再一个实施例提供的指纹防伪方法的流程图;
图6为本申请另一个实施例提供的指纹防伪设备的结构示意图。
具体实施方式
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
基于现有相关技术中存在的指纹的防伪效果较差的问题,本申请实施例提供一种指纹防伪方法,可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
由于假手指的状态变化小,而真人手指由于毛孔收缩出汗和/或血液流动等原因导致状态变化大,因此可以利用指纹图像的时间序列中的信号大小变化与差分信号分布,来区分真假手指。
图1为本申请一个实施例提供的真假手指的指纹图像的信号示意图,图1所示的信号为真假手指的指纹图像的时间序列中的信号。从图1中可以看出假手指的信号大小变化较小,而真人手指的信号大小变化较大。
另外,从真假手指的指纹图像的时间序列中的差分信号分布图中,也可以看出假手指的差分信号变化分布集中(主要是局部手指力量变化导致),而真人手指差分信号变化分布分散(主要是毛孔收缩出汗和/或血液流动等原因导致)。
本申请实施例提供的指纹防伪方法可以由指纹防伪设备实现,上述指纹防伪设备可以应用于电子设备,其中,上述电子设备可以为指纹打卡机、智能手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或个人数字助理(personal digital assistant,PDA)等需要指纹认证的设备;本申请实施例对电子设备的具体类型不作任何限制。
示例性的,图2为本申请一个实施例提供的指纹防伪设备的结构示意图,如图2所示,指纹防伪设备200可以包括处理器201、显示屏202、指纹传感器203和触摸传感器204。
另外,指纹防伪设备200还可以包括内部存储器205。
可以理解的是,本申请实施例示意的结构并不构成对指纹防伪设备200的具体限定。在本申请另一些实施例中,指纹防伪设备200可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图2所示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器201可以包括一个或多个处理单元,例如:处理器201可以包括应用处理器(application processor,AP),图形处理器(graphics processing unit,GPU),图像信号处理器(image signal processor,ISP),控制器,数字信号处理器(digital signalprocessor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器201中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器201中的存储器为高速缓冲存储器。该存储器可以保存处理器201刚用过或循环使用的指令或数据。如果处理器201需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器201的等待时间,因而提高了系统的效率。
显示屏202用于显示图像,视频等。显示屏202包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,指纹防伪设备200可以包括1个或N个显示屏202,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当指纹防伪设备200在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现指纹防伪设备200的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
内部存储器205可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。内部存储器205可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,至少一个功能所需的应用程序(比如指纹识别功能)等。存储数据区可存储指纹防伪设备200使用过程中所创建的数据(比如指纹数据)等。此外,内部存储器205可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。处理器201通过运行存储在内部存储器205的指令,和/或存储在设置于处理器中的存储器的指令,执行指纹防伪设备200的各种功能应用以及数据处理。
指纹传感器203用于采集指纹。指纹防伪设备200可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
触摸传感器204,也称“触控器件”。触摸传感器204可以设置于显示屏202,由触摸传感器204与显示屏202组成触摸屏,也称“触控屏”。触摸传感器204用于检测作用于其上或附近的触摸操作。触摸传感器204可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏202提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器204也可以设置于指纹防伪设备200的表面,与显示屏202所处的位置不同。
为了便于理解,本申请以下实施例将以具有图2所示结构的指纹防伪设备200为例,结合附图和应用场景,对本申请实施例提供的指纹防伪方法进行具体阐述。
图3为本申请一个实施例提供的指纹防伪方法的流程图,如图3所示,上述指纹防伪方法可以包括:
步骤301,指纹防伪设备200通过指纹传感器203采集至少两帧指纹图像。
具体实现时,可以固定指纹传感器203的指纹硬件增益等参数,以保证指纹传感器203每次出图的信号一致性。然后,指纹传感器203可以连续采集至少两帧指纹图像,指纹防伪设备200获取上述至少两帧指纹图像。
步骤302,对上述至少两帧指纹图像进行匹配识别。然后,执行步骤303或步骤306。
步骤303,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对上述至少两帧指纹图像进行防伪识别。然后执行步骤304或步骤305。
步骤304,如果防伪识别的结果为至少两帧指纹图像中的指纹为真人手指的指纹,则确定至少两帧指纹图像中的指纹通过身份认证。
步骤305,如果防伪识别的结果为至少两帧指纹图像中的指纹为假手指的指纹,则确定至少两帧指纹图像中的指纹未通过身份认证。
步骤306,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹不匹配,则确定至少两帧指纹图像中的指纹未通过身份认证。
具体地,指纹防伪设备200获取至少两帧指纹图像之后,先运行指纹匹配算法对上述至少两帧指纹图像进行匹配识别,如果至少两帧指纹图像中的指纹与预先存储的指纹相匹配,再对上述至少两帧指纹图像进行防伪识别,如果防伪识别的结果为真人手指的指纹,则确定匹配成功,至少两帧指纹图像中的指纹通过本次身份认证。
而如果至少两帧指纹图像中的指纹与预先存储的指纹不匹配,或者至少两帧指纹图像中的指纹与预先存储的指纹相匹配,但防伪识别的结果为假手指的指纹,则确定匹配失败,至少两帧指纹图像中的指纹未通过本次身份认证。
上述指纹防伪方法中,指纹防伪设备200通过指纹传感器203采集至少两帧指纹图像之后,对上述至少两帧指纹图像进行匹配识别,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对上述至少两帧指纹图像进行防伪识别,如果防伪识别的结果为至少两帧指纹图像中的指纹为真人手指的指纹,则确定至少两帧指纹图像中的指纹通过身份认证,从而可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
图4为本说明书另一个实施例提供的指纹防伪方法的流程图,如图4所示,本说明书图3所示实施例中,步骤303可以包括:
步骤401,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对上述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列。
步骤402,对上述指纹差分序列进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
具体地,对上述指纹差分序列进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度可以为:通过神经网络对上述指纹差分序列进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
其中,上述神经网络可以包括卷积神经网络和/或全连接网络。
步骤403,根据上述置信度,确定至少两帧指纹图像中的指纹是否为真人手指的指纹。
具体地,根据上述置信度,确定至少两帧指纹图像中的指纹是否为真人手指的指纹可以为:当上述置信度大于或等于预定的阈值时,确定至少两帧指纹图像中的指纹为真人手指的指纹;当上述置信度小于预定的阈值时,确定至少两帧指纹图像中的指纹不是真人手指的指纹。
其中,上述预定的阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定的阈值的大小不作限定。
本实施例利用按压时假手指与真人手指的指纹存在差异这一事实,假手指的信号随时间变化较小,并且差分信号变化分布集中,而真人手指由于汗孔收缩出汗和/或血液流动等原因导致信号随时间变化较大,并且差分信号变化分布分散,因此本实施例通过对指纹差分序列进行识别,获得置信度,进而根据置信度,确定指纹图像中的指纹是否为真人手指的指纹,从而可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
图5为本说明书再一个实施例提供的指纹防伪方法的流程图,如图5所示,本说明书图3所示实施例中,步骤303可以包括:
步骤501,如果匹配识别的结果为至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对至少两帧指纹图像进行差分计算,获得时域的指纹差分序列。
步骤502,将上述指纹图像与上述指纹差分序列进行融合。
步骤503,对融合后获得的特征向量进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
具体地,对融合后获得的特征向量进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度可以为:通过神经网络对融合后获得的特征向量进行识别,获得至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
其中,上述神经网络可以包括卷积神经网络和/或全连接网络。
步骤504,根据上述置信度,确定至少两帧指纹图像中的指纹是否为真人手指的指纹。
具体地,根据上述置信度,确定至少两帧指纹图像中的指纹是否为真人手指的指纹可以为:当上述置信度大于或等于预定的阈值时,确定至少两帧指纹图像中的指纹为真人手指的指纹;当上述置信度小于预定的阈值时,确定至少两帧指纹图像中的指纹不是真人手指的指纹。
其中,上述预定的阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定的阈值的大小不作限定。
本实施例利用按压时假手指与真人手指的指纹存在差异这一事实,假手指的信号随时间变化较小,并且差分信号变化分布集中,而真人手指由于汗孔收缩出汗和/或血液流动等原因导致信号随时间变化较大,并且差分信号变化分布分散,因此本实施例对至少两帧指纹图像进行差分计算,获得时域的指纹差分序列,然后将上述指纹图像与上述指纹差分序列进行融合,进而对融合后获得的特征向量进行识别,获得置信度,然后根据置信度,确定指纹图像中的指纹是否为真人手指的指纹,从而可以实现对真人手指的指纹和假手指的指纹进行识别,提高指纹的防伪效果。
可以理解的是,上述实施例中的部分或全部步骤或操作仅是示例,本申请实施例还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照上述实施例呈现的不同的顺序来执行,并且有可能并非要执行上述实施例中的全部操作。
可以理解的是,指纹防伪设备为了实现上述功能,其包含了执行各个功能相应的硬件和/或软件模块。结合本申请所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本实施例可以根据上述方法实施例对指纹防伪设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,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。
图6为本申请另一个实施例提供的指纹防伪设备的结构示意图,在采用对应各个功能划分各个功能模块的情况下,图6示出了上述实施例中涉及的指纹防伪设备60的一种可能的组成示意图,如图6所示,该指纹防伪设备60可以包括:获取单元61和处理单元62;
其中,获取单元61可以用于支持指纹防伪设备60执行步骤301等,和/或用于本申请实施例所描述的技术方案的其他过程;
处理单元62可以用于支持指纹防伪设备60执行步骤302~步骤306,以及步骤401~步骤403、步骤501~步骤504等,和/或用于本申请实施例所描述的技术方案的其他过程。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本实施例提供的指纹防伪设备60,用于执行上述指纹防伪方法,因此可以达到与上述方法相同的效果。
应当理解的是,指纹防伪设备60可以对应于图1所示的指纹防伪设备200。其中,获取单元61的功能可以由图2所示的指纹防伪设备200中的指纹传感器203和触摸传感器204实现;处理单元62的功能可以由图2所示的指纹防伪设备200中的处理器201实现。
在采用集成的单元的情况下,指纹防伪设备60可以包括处理模块和存储模块。
其中,处理模块可以用于对指纹防伪设备60的动作进行控制管理,例如,可以用于支持指纹防伪设备60执行上述获取单元61和处理单元62执行的步骤。存储模块可以用于支持指纹防伪设备60存储程序代码和数据等。
其中,处理模块可以是处理器或控制器,其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框、模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理(digital signal processing,DSP)和微处理器的组合等等。存储模块可以是存储器。通信模块具体可以为射频电路、蓝牙芯片和/或Wi-Fi芯片等与其他电子设备交互的设备。
在一个实施例中,当处理模块为处理器,存储模块为存储器时,本实施例所涉及的指纹防伪设备60可以为具有图2所示结构的设备。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请图3~图5所示实施例提供的方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请图3~图5所示实施例提供的方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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,可以参考前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,任一功能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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种指纹防伪方法,其特征在于,包括:
通过指纹传感器采集至少两帧指纹图像;
对所述至少两帧指纹图像进行匹配识别;
如果所述匹配识别的结果为所述至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对所述至少两帧指纹图像进行防伪识别;
如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为真人手指的指纹,则确定所述至少两帧指纹图像中的指纹通过身份认证。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少两帧指纹图像进行防伪识别之后,还包括:
如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为假手指的指纹,则确定所述至少两帧指纹图像中的指纹未通过身份认证。
3.根据权利要求1所述的方法,其特征在于,所述对所述至少两帧指纹图像进行防伪识别包括:
对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;
对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;
根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
4.根据权利要求3所述的方法,其特征在于,所述对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度包括:
通过神经网络对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
5.根据权利要求4所述的方法,其特征在于,所述神经网络包括卷积神经网络和/或全连接网络。
6.根据权利要求1所述的方法,其特征在于,所述对所述至少两帧指纹图像进行防伪识别包括:
对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;
将所述指纹图像与所述指纹差分序列进行融合;
对融合后获得的特征向量进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;
根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
7.根据权利要求3或6所述的方法,其特征在于,所述根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹包括:
当所述置信度大于或等于预定的阈值时,确定所述至少两帧指纹图像中的指纹为真人手指的指纹;
当所述置信度小于预定的阈值时,确定所述至少两帧指纹图像中的指纹不是真人手指的指纹。
8.一种指纹防伪装置,其特征在于,用于执行如权利要求1至7任一所述的方法。
9.一种指纹防伪设备,其特征在于,包括:
一个或多个处理器;存储器;多个应用程序;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行以下步骤:
通过指纹传感器采集至少两帧指纹图像;
对所述至少两帧指纹图像进行匹配识别;
如果所述匹配识别的结果为所述至少两帧指纹图像中的指纹与预先存储的指纹相匹配,则对所述至少两帧指纹图像进行防伪识别;
如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为真人手指的指纹,则确定所述至少两帧指纹图像中的指纹通过身份认证。
10.根据权利要求9所述的指纹防伪设备,其特征在于,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤之后,还执行以下步骤:
如果所述防伪识别的结果为所述至少两帧指纹图像中的指纹为假手指的指纹,则确定所述至少两帧指纹图像中的指纹未通过身份认证。
11.根据权利要求9所述的指纹防伪设备,其特征在于,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤包括:
对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;
对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;
根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
12.根据权利要求11所述的指纹防伪设备,其特征在于,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度的步骤包括:
通过神经网络对所述指纹差分序列进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度。
13.根据权利要求9所述的指纹防伪设备,其特征在于,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述对所述至少两帧指纹图像进行防伪识别的步骤包括:
对所述至少两帧指纹图像进行差分计算,获得时域的指纹差分序列;
将所述指纹图像与所述指纹差分序列进行融合;
对融合后获得的特征向量进行识别,获得所述至少两帧指纹图像中的指纹为真人手指的指纹的置信度;
根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹。
14.根据权利要求11或13所述的指纹防伪设备,其特征在于,当所述指令被所述指纹防伪设备执行时,使得所述指纹防伪设备执行所述根据所述置信度,确定所述至少两帧指纹图像中的指纹是否为真人手指的指纹的步骤包括:
当所述置信度大于或等于预定的阈值时,确定所述至少两帧指纹图像中的指纹为真人手指的指纹;
当所述置信度小于预定的阈值时,确定所述至少两帧指纹图像中的指纹不是真人手指的指纹。
15.一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中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480329.4A CN114639128A (zh) | 2020-12-15 | 2020-12-15 | 指纹防伪方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480329.4A CN114639128A (zh) | 2020-12-15 | 2020-12-15 | 指纹防伪方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639128A true CN114639128A (zh) | 2022-06-17 |
Family
ID=81944594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480329.4A Pending CN114639128A (zh) | 2020-12-15 | 2020-12-15 | 指纹防伪方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639128A (zh) |
-
2020
- 2020-12-15 CN CN202011480329.4A patent/CN114639128A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664581B2 (en) | Biometric-based authentication method, apparatus and system | |
Li et al. | Unobservable re-authentication for smartphones. | |
US11138455B2 (en) | Liveness test method and apparatus | |
KR102324697B1 (ko) | 생체 검출 방법 및 장치, 전자 기기, 컴퓨터 판독 가능한 저장 매체 | |
CN105808122B (zh) | 一种解锁控制方法及终端设备 | |
US20150302252A1 (en) | Authentication method using multi-factor eye gaze | |
EP3035243A1 (en) | Method of updating biometric feature pattern and electronic device for same | |
CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
US10885171B2 (en) | Authentication verification using soft biometric traits | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
KR20170046448A (ko) | 복합 인증 장치 및 방법 | |
CN109416734B (zh) | 用于虹膜图像编码的自适应量化方法 | |
CN116311388B (zh) | 指纹识别的方法和装置 | |
CN112989888B (zh) | 一种指纹防伪方法及电子设备 | |
CN112699811B (zh) | 活体检测方法、装置、设备、储存介质及程序产品 | |
Ouadjer et al. | Feature importance evaluation of smartphone touch gestures for biometric authentication | |
CN116311389B (zh) | 指纹识别的方法和装置 | |
CN114639128A (zh) | 指纹防伪方法、装置和设备 | |
CN111405175B (zh) | 摄像头控制方法、装置、计算机设备和存储介质 | |
CN109863505B (zh) | 指纹识别的方法、处理器和电子设备 | |
US10438061B2 (en) | Adaptive quantization method for iris image encoding | |
CN115690920B (zh) | 医疗身份认证的可信活体检测方法及相关设备 | |
US20220366028A1 (en) | Method and sysem for fingerprint verification and enrollment with secure storage of templates | |
CN116978068A (zh) | 指纹识别的方法和装置 | |
CN116978067A (zh) | 指纹识别的方法和装置 |
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 |