CN115239934A - 物料类别检测方法、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了物料类别检测方法、电子设备和计算机可读介质。该方法应用于具有显示屏的电子设备，显示屏的采集区域下方设置有图像传感器，该方法的实施例包括：获取待测物料图像，待测物料图像为在待测物料放置在采集区域上时由图像传感器采集的屏下图像；提取待测物料图像的待测特征信息；基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别，已知物料图像为在已知物料放置在采集区域上时由图像传感器采集的屏下图像。该实施方式提供了一种能够进行物料类别检测的工具，丰富了电子设备的功能，提高了电子设备安全性。

Description

物料类别检测方法、电子设备和计算机可读介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及物料类别检测方法、电子设备和计算机可读介质。

背景技术

随着计算机技术的发展，越来越多的场景中需要进行生物信息识别，如指纹识别、掌纹识别等，以保证设备安全。

现有技术中，指纹识别模组、掌纹识别模组等生物信息识别模组通常仅具备指纹识别、掌纹识别等生物信息识别功能，其无法识别放置在显示屏的采集区域上的物料的种类，在用户通过其他物料(如肉色胶头等)仿造指纹、掌纹进行输入时，无法保证设备安全。

发明内容

本申请实施例提出了物料类别检测方法、电子设备和计算机可读介质，以解决现有技术中设备功能不足以及安全性较低的技术问题。

第一方面，本申请实施例提供了一种物料类别检测方法，应用于具有显示屏的电子设备，所述显示屏的采集区域下方设置有图像传感器，所述方法包括：获取待测物料图像，所述待测物料图像为在待测物料放置在所述采集区域上时由所述图像传感器采集的屏下图像；提取所述待测物料图像的待测特征信息；基于所述待测特征信息和已知物料图像的已知特征信息，确定所述待测物料的类别，所述已知物料图像为在已知物料放置在所述采集区域上时由所述图像传感器采集的屏下图像。

第二方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中所描述的方法。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所描述的方法。

第四方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中所描述的方法。

本申请实施例提供的物料类别检测方法、电子设备和计算机可读介质，通过获取待测物料图像，而后提取待测物料图像的待测特征信息，从而可以基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别。其中，待测物料图像为在待测物料放置在显示屏的采集区域上时，由位于采集区域下方的图像传感器采集的屏下图像，已知物料图像为在已知物料放置在采集区域上时由上述图像传感器采集的屏下图像，由此，提供了一种能够进行物料类别检测的工具，能够在物料放置在显示屏的采集区域上时准确检测出物料的类别，从而丰富了电子设备的功能。进一步地，通过对放置在显示屏的采集区域上的物料进行类别检测，能够在用户通过其他物料(如肉色胶头等)进行生物信息(如指纹、掌纹)输入时进行准确识别，提高了设备的安全性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的物料类别检测方法的一个实施例的流程图；

图2是应用本申请的物料类别检测方法的电子设备的局部硬件结构示意图；

图3是本申请的物料类别检测方法中的待测特征信息提取步骤的流程图；

图4是本申请的物料类别检测方法中的待测物料的类别确定步骤的流程图；

图5是根据本申请的物料类别检测装置的一个实施例的结构示意图；

图6是用于实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要指出的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

近年来，生物识别技术已广泛地应用到各种终端设备或电子装置上。生物特征识别技术包括但不限于指纹识别、掌纹识别、静脉识别、虹膜识别、人脸识别、活体识别、防伪识别等技术。其中，指纹识别通常包括光学指纹识别、电容式指纹识别和超声波指纹识别。随着全面屏技术的兴起，可以将指纹识别模组设置在显示屏下方的局部区域或者全部区域，从而形成屏下(Under-display)光学指纹识别；或者，也可以将光学指纹识别模组的部分或者全部集成至电子设备的显示屏内部，从而形成屏内(In-display)光学指纹识别。上述显示屏可以是有机发光二极管(Organic Light Emitting Diode，OLED)显示屏或液晶显示屏(LiquidCrystal Display，LCD)等。指纹识别方法通常包括指纹图像的获取、预处理、特征提取、特征匹配等步骤。上述步骤中的部分或者全部可以通过传统计算机视觉(Computer Vision，CV)算法实现，也可以通过基于人工智能(Artificial Intelligence，AI)的深度学习算法实现。指纹识别技术可以应用在智能手机、平板电脑、游戏设备等便携式或移动终端，以及智能门锁、汽车、银行自动柜员机等其他电子设备，以用于指纹解锁、指纹支付、指纹考勤、身份认证等。

目前，电子设备中的生物信息识别模组(如指纹识别模组、掌纹识别模组等)仅具备生物信息识别功能，其无法识别放置在显示屏的采集区域上的物料的种类，在用户通过其他物料(如肉色胶头等)仿造指纹、掌纹进行输入时，无法保证设备安全。本申请提供了一种物料类别检测方法，能够使电子设备具备物料类别检测功能，提高了电子设备安全性。

请参考图1，其示出了本申请的物料类别检测方法的一个实施例的流程100。本申请的物料类别检测方法可应用于各种具有显示屏的电子设备。例如，可包括但不限于智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准音频层面3，Moving PictureExperts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准音频层面4，MovingPicture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、掌上电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等。该物料类别检测方法的执行主体可以是上述电子设备中的处理器，例如图6中的处理装置601。该物料类别检测方法，包括以下步骤：

步骤101，获取待测物料图像。

在本实施例中，物料可以指物质材料，其可划分为活体和非活体。活体可以包括人体的部位，例如手指、手掌等。非活体可按照材料划分为胶类、纸类、玻璃类、金属类等，此处不作具体限定。待测物料可以是待进行类别检测的物料，例如当前放置在显示屏的采集区域上的物料。显示屏可包括采集区域，采集区域下方可设置有图像传感器，图像传感器可用于进行屏下图像的采集。待测物料图像可以是在待测物料放置在显示屏的采集区域上时，由上述图像传感器采集的屏下图像。上述执行主体可以获取上述图像传感器所采集的待测物料图像。

作为示例，参见图2，其示出了本申请的物料类别检测方法所应用的电子设备的局部硬件结构示意图。上述电子设备可配置有显示屏，显示屏可包括采集区域，采集区域下方可设置有图像传感器。在物料放置在采集区域上时，上述图像传感器可进行屏下图像的采集。其中，显示屏可以是有机发光二极管显示屏、液晶显示屏等各种类型的显示屏。图像传感器可设置在显示屏下方的局部区域或者全部区域，此处不作限定。

在一些场景中，显示屏下方可设置有生物信息识别模组，如指纹识别模组、掌纹识别模组等。上述图像传感器可以是上述生物信息识别模组的组成元件。当物料放置在采集区域(也即，生物信息识别区域)上时，可通过屏下的生物信息识别模组中的图像传感器进行屏下图像的采集，得到待测物料图像。

步骤102，提取待测物料图像的待测特征信息。

在本实施例中，在获取到待测物料图像后，上述执行主体可以提取待测物料图像的特征信息，并将该特征信息作为待测特征信息。其中，待测物料图像的特征信息可以是用于表征待测物料图像的图像特征的信息，所述图像特征可包括但不限于以下至少一项：色彩特征、纹理特征、形状特征、尺寸特征、空间关系特征。

上述待测特征信息可通过各种图像特征提取方式进行提取。例如，可通过统计学方式，采用设定规则对待测物料图像的若干像素点的像素值进行统计后得到。再例如，也可以通过预先训练的特征提取网络进行提取，此处不作具体限定。

步骤103，基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别。

在本实施例中，上述执行主体可以获取预先存储的已知特征信息。已知特征信息即为已知物料图像的特征信息。已知物料图像为在已知物料放置在采集区域上时由图像传感器采集的屏下图像。其中，已知特征信息的提取方式可以与待测特征信息的提取方式相同，已知物料图像的获取方式可以与待测物料图像的获取方式相同，此处不再赘述。

可以理解的是，由于不同材料的角度反射率特性不同，因此在光学成像中，相同位置的像素点接收的光线的角度反射率存在一些细微差异。这种角度反射率的差异，会导致不同物料的特征信息存在差异。由此，在获取到已知特征信息后，上述执行主体可以基于待测特征信息和已知特征信息，确定待测物料的类别。

作为示例，可以对待测特征信息和已知特征信息进行相关性分析，基于相关性分析结果，确定待测物料的类别。实践中，可以采用用于评价相关性的目标函数进行相关性分析，上述目标函数可包括但不限于基于皮尔森相关系数(Pearson CorrelationCoefficient，PCC)公式所构造的函数、基于斯皮尔曼相关性系数(Spearman CorrelationCoefficient，SCC)计算公式所构造的函数、基于肯德尔相关性系数(Kendall CorrelationCoefficient，KCC)公式所构造的函数等。

作为又一示例，可以采用相似度算法对待测特征信息和已知特征信息进行相似度计算，基于相似度计算结果，确定待测物料的类别。实践中，上述相似度算法可包括但不限于采用欧氏距离相速度算法、余弦函数相似度算法等。

需要说明的是，已知物料可以包括一种或多种物料，相应地，已知特征信息可包括一种物料的已知特征信息或多种物料的已知特征信息。当仅存在一个已知物料时，上述执行主体可基于待测特征信息和该已知物料对应的已知特征信息，确定待测物料是否为已知物料所属的类别。当存在多个已知物料时，如包含常用的各种已知物料时，上述执行主体可基于待测特征信息和各已知物料对应的已知特征信息，确定出与待测物料类别相同的目标已知物料，从而将目标已知物料的类别确定为待测物料的类别。

本申请的上述实施例提供的方法，通过获取待测物料图像，而后提取待测物料图像的待测特征信息，从而可以基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别。其中，待测物料图像为在待测物料放置在显示屏的采集区域上时，由位于显示屏的采集区域下方的图像传感器采集的屏下图像，已知物料图像为在已知物料放置在采集区域上时由上述图像传感器采集的屏下图像，由此，提供了一种能够进行物料类别检测的工具，能够在物料放置在显示屏的采集区域上时准确检测出物料的类别，从而丰富了电子设备的功能。进一步地，通过对放置在显示屏的采集区域上的物料进行类别检测，能够在用户通过其他物料(如肉色胶头等)进行生物信息(如指纹、掌纹)输入时进行准确识别，提高了设备的安全性。

在一些可选的实施例中，由于待测物料图像中可能存在漏光、金属走线纹路等噪声，因此，在步骤102执行之前，即在提取上述待测物料图像的待测特征信息之前，上述执行主体还可以基于预先获取的空采图像，对待测物料图像进行降噪处理，以对待测物料图像进行降噪。其中，空采图像可以是在无物料放置在采集区域上时由图像传感器采集的屏下图像。在对待测物料图像进行降噪处理时，可将待测物料图像中每个像素点的像素值与空采图像中的对应像素点的像素值相减，以对待测物料图像中各像素点的像素值进行更新。需要说明的是，已知物料图像也可以是采用相同方式进行降噪处理后的图像，此处对其降噪处理过程不再赘述。通过降噪处理，可以滤除待测物料图像中的噪声，提高待测物料图像的待测特征信息的准确性，从而提高物料类别检测结果的准确性。

在一些可选的实施例中，在上述步骤102中，可参照图3以及如下子步骤S11至子步骤S13提取待测特征信息：

子步骤S11，对待测物料图像进行区块划分，并从所划分的区块中选取至少一个目标区块。

实践中，可以按照预设尺寸对待测物料图像进行区块划分，例如，若待测物料图像的尺寸为m×m，则可将待测物料图像划分为n×n大小的(m/n)×(m/n)个区块。其中，2≤n≤m/10。需要说明的是，区块的划分方式不限于上述示例，还可以根据需要，采用其他划分方式进行区块划分。例如，所划分的区块的尺寸还可以不同。

目标区块可以随机选取，也可以按照预设规则进行选取。例如，可以选取连续的目标数量的区块作为目标区块；也可以选取离散的目标数量的区块作为目标区块；还可以按照预设顺序(如从左到右、从上到下的次序)对区块进行编号，每隔若干编码选取一个区块作为目标区块等，此处不作具体限定。

子步骤S12，基于各目标区块中的像素点的像素值，确定各目标区块的特征值。

此处，对于每个目标区块，可以对该目标区块中的像素点的像素值按照预设规则进行统计(如求平均等)，并将统计结果确定为该目标区块的特征值。实践中，每个目标区块的特征值可以基于该目标区块中的全部像素点的像素值确定，也可以基于该目标区块中的部分像素点的像素值确定，此处不作限定。

在一些可选的实现方式中，可首先分别从各目标区块的像素点中选取至少一个目标点。例如，可以选取指定数量的像素点作为目标点，也可以选取指定数量的连续的像素点作为目标点，还可以选取指定数量的离散的像素点作为目标点等。以区块尺寸为4×4为例，可以将各目标区块的第一行的4个像素点作为目标点。

在选取各目标区块中的目标点后，可以分别基于各目标区块中的目标点的像素值，确定各目标区块的特征值。例如，对于每个目标区块，可以确定该目标区块中的目标点的第一平均像素值，将第一平均像素值确定为该目标区块的特征值。再例如，可以确定该目标区块中的目标点的第一平均像素值以及非目标点的第二平均像素值，并将第一平均像素值与第二平均像素值的差值，确定为该目标区块的特征值。通过将第一平均像素值与第二平均像素值的差值作为特征值，可以达到放大特征差异的效果，从而可提高物料类别检测的准确性。

子步骤S13，基于各目标区块的特征值，确定待测物料图像的待测特征信息。此处，可以将目标区块的特征值按照目标区块的次序进行汇总，得到向量形式的待测特征信息。

通过从所划分的区块中选取目标区块，基于各目标区块中的像素点的像素值，待测物料图像的待测特征信息，可避免全部区块均参与计算，降低了数据计算量，提高物料类别检测效率。

在一些可选的实施例中，已知物料可以为目标类别(例如活体)的物料。在上述步骤103中，可以将待测特征信息和已知特征信息输入至目标函数，得到目标函数的函数值。若函数值大于或等于阈值(例如0.95)，可将待测物料的类别确定为目标类别；若函数值小于上述阈值，将待测物料的类别确定为非目标类别。通过上述方式，可确定出待测物料的类别是否为目标类别。

在一些可选的实施例中，已知物料可以包括多种类别的物料。在上述步骤103中，可参见图4以及如下子步骤S21至子步骤S23确定待测物料的类别：

子步骤S21，从已知物料的特征信息库中，提取各已知物料对应的已知特征信息。此处，上述电子设备可预先存储有特征信息库。特征信息库中可包括多种已知物料的已知特征信息，上述多种已知物料中可包括上述待测物料。

子步骤S22，对于每种已知物料，将该种已知物料对应的已知特征信息和待测特征信息输入至目标函数，得到目标函数的函数值。

此处的目标函数可以是上述用于评价相关性的函数。作为示例，目标函数可以是基于皮尔森相关系数计算公式所构造的函数，具体可以是用于计算皮尔森相关系数的平方的函数。皮尔森相关系数又称皮尔逊积矩相关系数，可用于度量两个变量X和Y之间的相关性(线性相关性)，其值介于-1与1之间。由此，目标函数的函数值可介于0与1之间。

需要说明的是，基于皮尔森相关系数计算公式，还可以构造其他形式的目标函数，此处不作限定。

子步骤S23，从所得到的函数值中选取目标函数值，并将目标函数值对应的已知物料的类别，确定为待测物料的类别。

此处，可基于目标函数的形式，选取目标函数值。以上述示例中的目标函数为例，由于皮尔森相关系数的绝对值越接近于1，意味着两个变量的相关性越高。因此，目标函数的值越大，意味着待测特征信息与已知特征信息相关性越高，同时意味着待测物料与已知物料同类别的概率越大。鉴于此，可以从所得到的函数值中，选取最大的函数值，作为目标函数值。从而，将目标函数值对应的已知物料的类别，确定为待测物料的类别。

需要说明的是，不同物料的特征信息输入至目标函数所得到的函数值与相同物料的特征信息输入至目标函数所得到的函数值有明显的区别。例如，均为活体的物料的特征信息输入至目标函数所得到的函数值通常较大，活体与非活体(如橡胶、硅胶等)的特征信息输入至目标函数所得到的函数值通常较小。由此，在确定待测物料的类别时，还可以进一步进行阈值的比对。例如，可将阈值设定为0.95。在目标函数值大于0.95(例如目标函数值为0.96)时，可将目标函数值对应的已知物料的类别，确定为待测物料的类别。通过上述方式，可在特征信息库中不存在同种物料的已知特征信息时，避免物料类别检测错误。

在一些可选的实施例中，显示屏下方可以设置有生物信息识别模组(例如指纹识别模组、掌纹识别模组等)。图像传感器可以是生物信息识别模组中的组成元件。在确定待测物料的类别后，若待测物料的类别为活体，则上述执行主体还可以通过生物信息识别模组对待测物料图像进行生物信息识别，得到生物信息识别结果，并执行生物信息识别结果对应的操作(例如解锁、付款等操作)。由此，可在确保放置在采集区域上的物料为活体的前提下进行生物信息识别，在用户通过其他物料(如肉色胶头等)仿造指纹、掌纹等进行输入时，不再进行生物信息识别，由此提高了设备安全性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种物料类别检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于具有显示屏的电子设备，上述显示屏采集区域的下方设置有图像传感器。

如图5所示，本实施例的物料类别检测装置500包括：获取单元501，用于获取待测物料图像，上述待测物料图像为在待测物料放置在上述采集区域上时由上述图像传感器采集的屏下图像；提取单元502，用于提取上述待测物料图像的待测特征信息；确定单元503，用于基于上述待测特征信息和已知物料图像的已知特征信息，确定上述待测物料的类别，上述已知物料图像为在已知物料放置在上述采集区域上时由上述图像传感器采集的屏下图像。

在一些可选的实现方式中，上述提取单元502，进一步用于对上述待测物料图像进行区块划分，并从所划分的区块中选取至少一个目标区块；基于各目标区块中的像素点的像素值，确定各目标区块的特征值；基于各目标区块的特征值，确定上述待测物料图像的待测特征信息。

在一些可选的实现方式中，上述提取单元502，进一步用于从各目标区块的像素点中选取至少一个目标点；基于各目标区块中的目标点的像素值，确定各目标区块的特征值。

在一些可选的实现方式中，上述提取单元502，进一步用于对于每个目标区块，确定该目标区块中的目标点的第一平均像素值以及非目标点的第二平均像素值，并将上述第一平均像素值与上述第二平均像素值的差值，确定为该目标区块的特征值；或者，对于每个目标区块，确定该目标区块中的目标点的第一平均像素值，将上述第一平均像素值确定为该目标区块的特征值。

在一些可选的实现方式中，上述确定单元503，进一步用于从已知物料的特征信息库中，提取各已知物料对应的已知特征信息；对于每种已知物料，将该种已知物料对应的已知特征信息和上述待测特征信息输入至目标函数，得到上述目标函数的函数值；从所得到的函数值中选取目标函数值，并将上述目标函数值对应的已知物料的类别，确定为上述待测物料的类别。

在一些可选的实现方式中，上述确定单元503，进一步用于将上述待测特征信息和上述已知特征信息输入至目标函数，得到上述目标函数的函数值；若上述函数值大于或等于阈值，将上述待测物料的类别确定为上述目标类别；若上述函数值小于上述阈值，将上述待测物料的类别确定为非上述目标类别。

在一些可选的实现方式中，上述装置还包括：降噪单元，用于基于预先获取的空采图像，对上述待测物料图像进行降噪处理，以更新上述待测物料图像，上述空采图像为在无物料放置在上述采集区域上时由上述图像传感器采集的屏下图像。

在一些可选的实现方式中，上述显示屏下方设置有生物信息识别模组，上述生物信息识别模组中包括上述图像传感器；上述装置还包括执行单元，用于若上述待测物料的类别为活体，则通过上述生物信息识别模组对上述待测物料图像进行生物信息识别，得到生物信息识别结果，并执行上述生物信息识别结果对应的操作。

本申请的上述实施例提供的装置，通过获取待测物料图像，而后提取待测物料图像的待测特征信息，从而可以基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别。其中，待测物料图像为在待测物料放置在采集区域上时，由位于采集区域下方的图像传感器采集的屏下图像，已知物料图像为在已知物料放置在采集区域上时由上述图像传感器采集的屏下图像，由此，提供了一种能够进行物料类别检测的工具，能够在物料放置在采集区域上时准确检测出物料的类别，从而丰富了电子设备的功能。进一步地，通过对放置在采集区域上的物料进行类别检测，能够在用户通过其他物料(如肉色胶头等)进行生物信息(如指纹、掌纹)输入时进行准确识别，提高了设备的安全性。

本申请实施例还提供了一种电子设备，包括一个或多个处理器，存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述物料类别检测方法。

下面参考图6，其示出了用于实现本申请的一些实施例的电子设备的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁盘、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述物料类别检测方法。

特别地，根据本申请的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本申请的一些实施例的方法中限定的上述功能。

本申请实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述物料类别检测方法。

需要说明的是，本申请的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待测物料图像，待测物料图像为在待测物料放置在采集区域上时由图像传感器采集的屏下图像；提取待测物料图像的待测特征信息；基于待测特征信息和已知物料图像的已知特征信息，确定待测物料的类别，已知物料图像为在已知物料放置在采集区域上时由图像传感器采集的屏下图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++；还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)，上述网络包括局域网(LAN)或广域网(WAN)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本申请的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、选取单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类别的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种物料类别检测方法，其特征在于，应用于具有显示屏的电子设备，所述显示屏的采集区域下方设置有图像传感器，所述方法包括：

获取待测物料图像，所述待测物料图像为在待测物料放置在所述采集区域上时由所述图像传感器采集的屏下图像；

提取所述待测物料图像的待测特征信息；

基于所述待测特征信息和已知物料图像的已知特征信息，确定所述待测物料的类别，所述已知物料图像为在已知物料放置在所述采集区域上时由所述图像传感器采集的屏下图像。

2.根据权利要求1所述的方法，其特征在于，所述提取所述待测物料图像的待测特征信息，包括：

对所述待测物料图像进行区块划分，并从所划分的区块中选取至少一个目标区块；

基于各目标区块中的像素点的像素值，确定各目标区块的特征值；

基于各目标区块的特征值，确定所述待测物料图像的待测特征信息。

3.根据权利要求1所述的方法，其特征在于，所述基于各目标区块中的像素点的像素值，确定各目标区块的特征值，包括：

从各目标区块的像素点中选取至少一个目标点；

基于各目标区块中的目标点的像素值，确定各目标区块的特征值。

4.根据权利要求3所述的方法，其特征在于，所述基于各目标区块中的目标点的像素值，确定各目标区块的特征值，包括：

对于每个目标区块，确定该目标区块中的目标点的第一平均像素值以及非目标点的第二平均像素值，并将所述第一平均像素值与所述第二平均像素值的差值，确定为该目标区块的特征值；或者，

对于每个目标区块，确定该目标区块中的目标点的第一平均像素值，将所述第一平均像素值确定为该目标区块的特征值。

5.根据权利要求1所述的方法，其特征在于，所述基于所述待测特征信息和已知物料图像的已知特征信息，确定所述待测物料的类别，包括：

从已知物料的特征信息库中，提取各已知物料对应的已知特征信息；

对于每种已知物料，将该种已知物料对应的已知特征信息和所述待测特征信息输入至目标函数，得到所述目标函数的函数值；

从所得到的函数值中选取目标函数值，并将所述目标函数值对应的已知物料的类别，确定为所述待测物料的类别。

6.根据权利要求1所述的方法，其特征在于，所述已知物料为目标类别的物料；所述基于所述待测特征信息和已知物料图像的已知特征信息，确定所述待测物料的类别，包括：

将所述待测特征信息和所述已知特征信息输入至目标函数，得到所述目标函数的函数值；

若所述函数值大于或等于阈值，将所述待测物料的类别确定为所述目标类别；

若所述函数值小于所述阈值，将所述待测物料的类别确定为非所述目标类别。

7.根据权利要求1所述的方法，其特征在于，在提取所述待测物料图像的待测特征信息之前，所述方法还包括：

基于预先获取的空采图像，对所述待测物料图像进行降噪处理，以更新所述待测物料图像，所述空采图像为在无物料放置在所述采集区域上时由所述图像传感器采集的屏下图像。

8.根据权利要求1所述的方法，其特征在于，所述显示屏下方设置有生物信息识别模组，所述生物信息识别模组中包括所述图像传感器；

在确定所述待测物料的类别后，所述方法还包括：

若所述待测物料的类别为活体，则通过所述生物信息识别模组对所述待测物料图像进行生物信息识别，得到生物信息识别结果，并执行所述生物信息识别结果对应的操作。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8中任一所述的方法。

Images