CN115497125B - 指纹识别方法、系统、计算机设备及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种指纹识别方法、系统、计算机设备及计算机可读存储介质。包括：获取待匹配指纹的指纹图像；将指纹图像进行细节点提取，以得到细节点特征；将细节点特征进行细节点深度特征提取并压缩，以得到待匹配指纹图像的细节点的向量描述子；利用向量描述子将待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配；若匹配成功，则匹配完成；若匹配失败，则将待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。本发明能够在较小指纹图像尺寸上获得精确匹配；同时由于得到的向量描述子维度较低，使小尺寸指纹图像匹配能够达到与大尺寸相当的匹配效果和时间性能，并且无需增加太多算力和空间占用，可以运行在MCU等低性能平台。

Description

指纹识别方法、系统、计算机设备及计算机可读存储介质

技术领域

本发明涉及指纹图像匹配领域，特别是涉及一种指纹识别方法、系统、计算机设备及计算机可读存储介质。

背景技术

目前，生物特征技术识别已经在国家安全、公安、司法、金融乃至民用领域都得到了广泛的应用。而指纹图像作为一种独一无二的生物特征，因为其特征数量较多，指纹图像识别的定位精度可以做到很高。同时由于目前指纹图像读取器造价不高，指纹图像扫描速度快，应用及其方便。

针对不同的硬件，不同的性能需求，相应的产生了不同的指纹识别方法。然而，随着指纹图像采集模组面积减小，传统基于细节点的方式已经不能满足匹配要求，无法实现较小尺寸的指纹图像识别。

发明内容

本发明的目的在于，提供一种指纹识别方法、系统、计算机设备及计算机可读存储介质，具有在不增加过多空间和时间成本的情况下，能适应较小尺寸的指纹图像识别等优点。

为解决现有技术中的问题，第一方面，本发明提供一种指纹识别方法，包括：

获取待匹配指纹的指纹图像；

将所述待匹配指纹图像进行细节点提取，以得到细节点特征；

将所述细节点特征进行细节点深度特征提取并压缩，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

利用所述向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；

若匹配成功，则匹配完成；若匹配失败，则基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

可选地，将所述待匹配指纹图像进行细节点提取，以得到细节点特征，包括步骤：

将所述待匹配指纹图像进行预处理；

基于预处理后的待匹配指纹图像得到指纹图像梯度场；

基于所述待匹配指纹图像梯度场得到指纹图像方向场及图像频率场；

基于所述待匹配指纹图像方向场及所述图像频率场对所述待匹配指纹图像进行增强，消除噪声，保留所述待匹配指纹图像的脊谷结构；

将增强后的指纹图像进行细化，以得到细化图像；

在所述细化图像上提取端点和叉点，并记录所述端点和所述叉点的位置及方向，以得到所述细节点特征。

可选地，将所述待匹配指纹图像进行预处理包括：

将所述待匹配指纹图像进行指纹图像区域分割和图像均衡。

可选地，若所述最终匹配分数达到阈值分数，则匹配完成；若所述最终匹配分数未达到所述阈值分数，则匹配失败；若匹配失败，则基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证，包括：

将所述待匹配指纹图像与所述模板指纹图像进行ORB特征检测，并得到ORB特征描述。

基于所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像的ORB特征点进行映射变换。

基于重合区域ORB特征点的匹配情况对匹配分数进行调整，以得到最终匹配分数。

第二方面，本发明还提供一种指纹识别系统，所述指纹识别系统包括：

获取模块，用于获取待匹配指纹图像；

细节点提取模块，与所述获取模块相连接，用于将所述待匹配指纹图像进行细节点提取，以得到细节点特征；

细节点深度特征提取模块，与所述细节点提取模块相连接，用于将所述细节点特征进行细节点深度特征提取并压缩，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

细节点匹配模块，与所述细节点深度特征提取模块相连接，用于利用向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；

判断模块，与所述细节点匹配模块相连接，用于判断述待匹配指纹图像的细节点的向量描述子与模板指纹图像的细节点的向量描述子是否匹配成功；

ORB匹配模块，与所述判断模块相连接，用于在匹配失败时，基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

第三方面，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时如第一方面中任一项所述的指纹识别方法的步骤。

第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的指纹识别方法的步骤。

如上所述，本发明的指纹识别方法、系统、计算机设备及计算机可读存储介质，具有以下有益效果：本发明的指纹识别方法，通过将所述细节点特征进行细节点深度特征提取，以得到所述待匹配指纹图像的细节点的向量描述子，并利用向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，使其能够在较小指纹图像尺寸上获得精确匹配；同时由于得到的向量描述子维度较低，使小尺寸指纹图像匹配能够达到与大尺寸相当的匹配效果和时间性能，并且无需增加太多算力和空间占用，可以运行在MCU等低性能平台。

附图说明

图1为本发明实施例一中提供的指纹识别方法的流程图。

图2为本发明实施例一中提供的指纹识别方法中步骤S20的指纹图像示意图。

图3为本发明实施例一中提供的指纹识别方法中步骤S30的微型网络结构示意图；其中Convolution表示基础卷积层，Depthwise表示逐通道卷积层，Pointwise表示逐点卷积层，逐通道卷积层与逐点卷积层共同构成深度可分离卷积层。

图4为本发明实施例一中提供的指纹识别方法中步骤S40的指纹图像示意图。

图5为本发明实施例一中提供的指纹识别方法中步骤S50的指纹图像示意图。

图6为本发明实施例二中提供的指纹识别系统的结构框图。

标号说明：

1、获取模块，2、细节点提取模块，3、细节点深度特征提取模块，4、细节点匹配模块，5、判断模块，6、ORB匹配模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底” “内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，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，因此上述术语不能理解为对本发明的限制。

针对不同的硬件，不同的性能需求，相应的产生了不同的指纹识别方法。例如传统的基于指纹图像细节点匹配方法，该方法主要基于方向滤波增强，在指纹图像细化图上提取细节点的位置和方向，然后利用细节点组拓扑结构信息进行模式匹配，该算法是一种经典的方案，主要适用于指纹图像面积足够大，细节点数量高于最小限制的情况，是一种低内存占用，低运算消耗的实现方法。另一种是基于计算机视觉的算法，随着指纹图像采集模组面积减小，传统基于细节点的方式已经不能满足匹配要求，因而需要提取新的特征。采用一定算法或间隔采样的方式在取出一些阶跃点或特殊位置作为特征点，再对特征点周围进行手工设计特征，使用传统手工特征框架对指纹图像进行图像匹配。而该种算法在达到良好指纹图像识别率的同时也会带来动辄几百kb的模板空间占用与不可控制的计算时间，对空间与时间上的占用也决定了它不能运行的较低性能的平台，无法节约成本。

实施例一

请参阅图1至图5所示，本发明提供一种指纹识别方法，所述指纹识别方法包括：

S10：获取待匹配指纹的指纹图像；

S20：将所述待匹配指纹图像进行细节点提取并压缩，以得到细节点特征；

S30：将所述细节点特征进行细节点深度特征提取，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

S40：利用细节点的向量描述子将所述待匹配指纹图像的细节点 特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；

S50：若匹配成功，则匹配完成；若匹配失败，则基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

本发明的指纹识别方法、系统、计算机设备及计算机可读存储介质，使其在不增加过多空间和时间成本的情况下，适应较小尺寸的指纹图像匹配。该方法对提取到的细节点特征通过卷积神经网络提取深度特征，进行特征编码，通过网络特征辅助细节点模式之间的匹配，同时针对部分细节点模式匹配失败的指纹图像，通过ORB特征检测进行图形特征选取，在一次匹配的基础上利用ORB特征描述进行匹配验证。从而，实现小尺寸指纹图像的快速匹配。

作为示例，在步骤S20中，将所述待匹配指纹图像进行细节点提取，以得到细节点特征，包括步骤：

S201：将所述待匹配指纹图像进行预处理；预处理之前的所述待匹配指纹图像如图2中的（a）图所示；

S202：基于预处理后的指纹图像得到指纹图像梯度场；

S203：基于所述待匹配指纹图像梯度场得到指纹图像方向场及图像频率场；得到所述待匹配指纹图像方向场会后的指纹图像如图2中的（b）图所示；

S204：基于所述待匹配指纹图像方向场及所述图像频率场对所述待匹配指纹图像进行增强，以消除噪声，并保留所述待匹配指纹图像的脊谷结构；该步骤后所得的指纹图像如图2中的（c）图所示；

S205：将增强后的指纹图像进行细化，以得到细化图像；该步骤后所得的指纹图像如图2中的（d）图所示；

S206：在所述细化图像上提取端点和叉点，并记录所述端点和所述叉点的位置及方向，以得到所述细节点特征；该步骤后所得的指纹图像如图2中的（e）图所示。

作为示例，将所述待匹配指纹图像进行预处理包括：

将所述待匹配指纹图像进行指纹图像区域分割和图像均衡。

具体的，基于所述细节点特征，以细节点坐标为中心，细节点方向为0度方向，从指纹图像提取40*40大小的roi区域（感兴趣区域）。将提取到的图像roi输入深度特征提取器提取深度特征。本专利使用微型神经网络对指纹图像细节点roi进行深度特征提取，将单个细节点特征roi表示为一个维度为32的向量描述子。使用tripletloss训练这个向量描述子，使该向量描述子具有区分细节点的特性。细节点越相似，向量描述子的距离越近，反之，向量距离越远。并对得到的向量描述子进行量化压缩，使其空间占用低至32字节。

具体的，本专利使用的微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，将40Ｘ40的图像经过网络总结成为一个32维的向量。网络大小16kb左右。

具体的，如图4所示，将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离。对得到的欧式距离进行排序，选取最小3个距离对应3对匹配的细节点集。依次以选取的3对匹配点作为主匹配点，进行细节点模式匹配。具体为以主匹配点对为基点，连接基点与剩余细节点成轴，计算轴长，轴与端点方向夹角，依据计算得出的轴参数寻找匹配轴，构成匹配点集。对得到的匹配点集进行向量距离筛选，若两个匹配点的向量描述子距离大于阈值(0.6), 则将该点对从匹配点集中删除。如此，我们可以得到3对主匹配点分别对应的3个匹配点集。依据点集大小、匹配点向量描述子相似度、轴相似度，对点集打分，选取最高分数的点集作为映射匹配集。

进一步的，使用映射匹配点集计算待匹配指纹图像与模板指纹图像的映射关系，对匹配指纹图像进行几何变换，依据重合区域中的细节点位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，得到最终匹配分数。图3中Distance表示模板图细节点与匹配图细节点的向量描述子之间的欧式距离。

作为示例，步骤S50中，若所述最终匹配分数达到阈值分数，则匹配完成；若所述最终匹配分数未达到所述阈值分数，则匹配失败。

步骤S50中，基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证包括：

S501：将所述待匹配指纹图像与所述模板指纹图像进行ORB特征检测，并得到ORB特征描述；

S502：基于所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像的ORB特征点进行映射变换；

S503：基于重合区域ORB特征点的匹配情况对匹配分数进行调整，以得到最终匹配分数。ORB匹配后的指纹图像如图5所示。

在一示例中，所述最终匹配分数未达到匹配阈值或者在阈值附近时，依据映射匹配点集计算待匹配指纹图像与模板指纹图像的映射关系进行ORB特征匹配验证。这种情况主要应用于细节点比较稀疏，匹配可信度不高的情况。

在模板图和匹配图上分别进行ORB特征检测，计算ORB特征描述。

使用通过映射匹配点集计算得到的映射矩阵，将待匹配图像变换到模板图像坐标系。以模板图像ORB特征点为中心点，在周围固定邻域内寻找坐标距离最近匹配点，计算找到的匹配点对之间的ORB特征描述子之间的汉明距离，若距离小于一定阈值(0.2)，则适当加分，否则，适当减分。从而得到经过调整的最终匹配分数，以此来判断此次匹配是否成功。

实施例二

请参阅图6，本实施例中还提供一种指纹识别系统，所述指纹识别系统包括：

获取模块1，所述获取模块1用于获取待匹配指纹的指纹图像；

细节点提取模块2，所述细节点提取模块2与所述获取模块1相连接，用于将所述待匹配指纹图像进行细节点提取，以得到细节点特征；

细节点深度特征提取模块3，所述细节点深度特征提取模块3与所述细节点提取模块2相连接，用于将所述细节点特征进行细节点深度特征提取并压缩，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

细节点匹配模块4，所述细节点匹配模块4与所述细节点深度特征提取模块3相连接，用于利用向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；

判断模块5，所述判断模块5与所述细节点匹配模块4相连接，用于判断所述待匹配指纹图像与模板指纹图像是否匹配成功；

ORB匹配模块6，所述ORB匹配模块6与所述判断模块5相连接，用于在匹配失败时，基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

实施例三

本实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时如实施例一中任一项所述的指纹识别方法的步骤。

实施例四

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一中任一项所述的指纹识别方法的步骤。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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，本发明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发明内。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。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种指纹识别方法，其特征在于，包括：

获取待匹配指纹图像；

将所述待匹配指纹图像进行细节点提取，以得到细节点特征；

将所述细节点特征进行细节点深度特征提取并压缩，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

利用向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；其中，依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集包括：以主匹配点对为基点，连接基点与剩余细节点成轴，计算轴长，轴与端点方向夹角，依据计算得出的轴参数寻找匹配轴，构成匹配点集；

若匹配成功，则匹配完成；若匹配失败，则基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

2.根据权利要求1所述的指纹识别方法，其特征在于，将所述待匹配指纹图像进行细节点提取，以得到细节点特征，包括步骤：

将所述待匹配指纹图像进行预处理；

基于预处理后的待匹配指纹图像得到指纹图像梯度场；

基于所述待匹配指纹图像梯度场得到指纹图像方向场及图像频率场；

基于所述指纹图像方向场及所述图像频率场对所述待匹配指纹图像进行增强，消除噪声，保留所述待匹配指纹图像的脊谷结构；

将增强后的指纹图像进行细化，以得到细化图像；

在所述细化图像上提取端点和叉点，并记录所述端点和所述叉点的位置及方向，以得到所述细节点特征。

3.根据权利要求2所述的指纹识别方法，其特征在于，将所述待匹配指纹图像进行预处理包括：

将所述待匹配指纹图像进行指纹图像区域分割和图像均衡。

4.根据权利要求1所述的指纹识别方法，其特征在于，若所述最终匹配分数达到阈值分数，则匹配完成；若所述最终匹配分数未达到所述阈值分数，则匹配失败；若匹配失败，则基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证，包括：

将所述待匹配指纹图像与模板指纹图像进行ORB特征检测，并得到ORB特征描述；

基于所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像的ORB特征点进行映射变换；

基于重合区域ORB特征点的匹配情况对匹配分数进行调整，以得到最终匹配分数。

5.一种指纹识别系统，其特征在于，待匹配指纹识别系统包括：

获取模块，用于获取待匹配指纹图像；

细节点提取模块，与所述获取模块相连接，用于将所述待匹配指纹图像进行细节点提取，以得到细节点特征；

细节点深度特征提取模块，与所述细节点提取模块相连接，用于将所述细节点特征进行细节点深度特征提取并压缩，以得到所述待匹配指纹图像的细节点的向量描述子，包括：基于所述细节点特征，从所述待匹配指纹图像中提取感兴趣区域；基于所述感兴趣区域，通过微型神经网络提取深度特征并压缩，以得到所述待匹配指纹图像的细节点的向量描述子；所述微型神经网络由2个基础卷积层与4个深度可分离卷积层构成，用于将40×40的图像经过网络总结成为一个32维的向量；

细节点匹配模块，与所述细节点深度特征提取模块相连接，用于利用向量描述子将所述待匹配指纹图像的细节点特征与模板指纹图像的细节点特征进行模式匹配，包括：将所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子进行两两匹配，以得到所述待匹配指纹图像的细节点的向量描述子与所述模板指纹图像的细节点的向量描述子之间的欧式距离；由小至大选取若干个距离对应的若干对匹配点，以得到细节点集；依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集；对所述匹配点集进行向量距离筛选，依据匹配点集大小、匹配点向量描述子相似度及轴相似度对所述匹配点集进行打分，将最高分数对应的匹配点集作为映射匹配点集；使用所述映射匹配点集计算所述待匹配指纹图像与所述模板指纹图像的映射关系，对所述待匹配指纹图像进行几何变换，依据重合区域中的细节点的位置和方向匹配情况，进行打分，同时依据对应点的向量描述子相似度进行分数调整，以得到最终匹配分数；其中，依次以各对匹配点作为主匹配点进行细节点模式匹配，以得到匹配点集包括：以主匹配点对为基点，连接基点与剩余细节点成轴，计算轴长，轴与端点方向夹角，依据计算得出的轴参数寻找匹配轴，构成匹配点集；

判断模块，与所述细节点匹配模块相连接，用于判断所述待匹配指纹图像与模板指纹图像是否匹配成功；

ORB匹配模块，与所述判断模块相连接，用于在匹配失败时，基于所述待匹配指纹图像与所述模板指纹图像的映射关系将所述待匹配指纹图像与模板指纹图像进行ORB特征匹配验证。

6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的指纹识别方法的步骤。

7.一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，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的指纹识别方法的步骤。

Images