CN115862075A - 指纹识别模型训练方法、指纹识别方法、装置及相关设备 - Google Patents

Abstract

本发明公开了一种指纹识别模型训练方法、指纹识别方法、装置及相关设备，包括：获取三维指纹点云的原始数据集；对原始数据集进行预处理，生成训练样本对，训练样本对包括正样本对和负样本对；将训练样本对输入到初始指纹识别模型中，初始指纹识别模型包括特征提取层和特征映射层，特征提取层包括两个共享权重的编码器；针对每个训练样本对，采用两个编码器分别对训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。采用本发明可提高指纹识别的准确率。

Description

指纹识别模型训练方法、指纹识别方法、装置及相关设备

技术领域

本发明涉及生物识别技术领域，尤其涉及一种指纹识别模型训练方法、指纹识别方法、装置及相关设备。

背景技术

基于生物特征的身份验证系统是生物特征技术的典型应用，是指利用来自同一个体的固有生物特征，结合计算机技术与光学传感器等进行个人身份的鉴定。在常用的人体生物特征中，手指上指腹的纹路，即指纹，具有丰富的纹理特征，且不同个体的指纹差异明显，适合用于基于生物特征的身份验证系统，指纹是具有唯一性、终生不变性、易于采取和读取等优点的生理特征。随着生物特征识别技术的快速发展，指纹识别成为最成熟的生物识别技术之一，广泛地应用在门禁、考勤和身份认证等各种场合，并且在世界各地的法庭上也被视为合法的证据证明。

传统的指纹采集验证过程中，需要进行接触式采集，比如按压、滚动等。发明人在实现本发明人过程中发现，现有的这种方式至少存在如下问题：接触式采集会造成手指指纹形变，导致存在一定的误差，在疫情期间，也增加了采集过程中的安全风险，同时，存在通过假冒的指纹(通过指纹读取器、石墨粉、高解析度图像等来收集指纹，然后利用3D打印出模板，然后利用硅胶、凝胶等各种材料制造出假指纹)试图通过指纹验证的情况，可见，现有通过指纹验证进行身份识别的方式，存在准确率和安全方面不足问题。

发明内容

本发明实施例提供一种指纹识别模型训练方法指纹识别模型训练方法、指纹识别方法、装置及相关设备，以提高指纹识别的安全性和准确率。

为了解决上述技术问题，本申请实施例提供一种指纹识别模型训练方法，包括：

获取三维指纹点云的原始数据集；

对所述原始数据集进行预处理，生成训练样本对，所述训练样本对包括正样本对和负样本对，每组所述正样本对或所述负样本对包含两个样本数据；

将所述训练样本对输入到初始指纹识别模型中，所述初始指纹识别模型包括特征提取层和特征映射层，所述特征提取层包括两个共享权重的编码器，两个所述编码器并行连接；

针对每个训练样本对，采用两个所述编码器分别对所述训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用所述特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；

基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

可选地，所述对所述原始数据集进行预处理，生成训练样本对，包括：

采用均匀降采样的方式，对所述原始数据集进行降采样，得到降采样数据集；

遍历所述降采样数据集，生成正样本对和负样本对。

可选地，所述原始数据集中的每个手指指纹至少包括一个样本数据，所述正样本对为(Z_i ^t1，Z_i ^t2)，所述负样本对为(Z_i ^m，Z_j ⁿ),其中，Z_i ^t1为第i个手指指纹的第t1个样本数据，Z_i ^t2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为所述所述原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

可选地，所述基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型，包括：

将正样本对对应的目标相似度作为第一相似度，将负样本对对应的目标相似度作为第二相似度；

基于所述第一相似度、所述第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度；

基于所述特征损失，对两个所述编码器进行参数更新和迭代训练，直到达到预设条件，终止训练，得到所述训练好的指纹识别模型。

可选地，所述基于所述第一相似度、所述第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度，包括：

采用如下公式计算所述相似度特征Loss：

其中，S(Z_i ^m，Z_j ⁿ)为计算负样本对的余弦距离，N为选取的负样本对数量，τ为可调温度参数，用于控制余弦相似度度的范围，S(Z_i ^t1，Z_i ^t2)为计算正样本对的余弦距离，Zit1为第i个手指指纹的第t1个样本数据，Zit2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为所述所述原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

为了解决上述技术问题，本申请实施例还提供一种指纹识别方法，包括：

获取待识别的三维指纹点云数据；

将所述待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度；

将每个所述测试相似度与预设相似度阈值进行比较，得到比较结果，并根据所述比较结果，确定指纹识别结果。

为了解决上述技术问题，本申请实施例还提供一种指纹识别模型训练装置，包括：

数据集获取模块，用于获取三维指纹点云的原始数据集；

训练样本生成模块，用于对所述原始数据集进行预处理，生成训练样本对，所述训练样本对包括正样本对和负样本对，每组所述正样本对或所述负样本对包含两个样本数据；

样本数据输入模块，用于将所述训练样本对输入到初始指纹识别模型中，所述初始指纹识别模型包括特征提取层和特征映射层，所述特征提取层包括两个共享权重的编码器，两个所述编码器并行连接；

特征提取对比模块，用于针对每个训练样本对，采用两个所述编码器分别对所述训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用所述特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；

参数迭代训练模块，用于基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

可选地，所述训练样本生成模块包括：

降采样单元，用于采用均匀降采样的方式，对所述原始数据集进行降采样，得到降采样数据集；

样本对生成单元，用于遍历所述降采样数据集，生成正样本对和负样本对。

可选地，所述参数迭代训练模块，包括：

样本相似度计算单元，用于将正样本对对应的目标相似度作为第一相似度，将负样本对对应的目标相似度作为第二相似度；

特征相似度计算单元，用于基于所述第一相似度、所述第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度；

迭代训练单元，用于基于所述特征损失，对两个所述编码器进行参数更新和迭代训练，直到达到预设条件，终止训练，得到所述训练好的指纹识别模型。

可选地，所述特征相似度计算单元，包括：

计算子单元，用于采用如下公式计算所述相似度特征Loss：

其中，S(Z_i ^m，Z_j ⁿ)为计算负样本对的余弦距离，N为选取的负样本对数量，τ为可调温度参数，用于控制余弦相似度度的范围，S(Z_i ^t1，Z_i ^t2)为计算正样本对的余弦距离，Zit1为第i个手指指纹的第t1个样本数据，Zit2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为所述所述原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

为了解决上述技术问题，本申请实施例还提供一种指纹识别装置，包括：

数据采集模块，用于获取待识别的三维指纹点云数据；

特征相似度识别模块，用于将所述待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度，所述注册集为预先进行用户指纹采集得到；

识别结果确定模块，用于将每个所述测试相似度与预设相似度阈值进行比较，得到比较结果，并根据所述比较结果，确定指纹识别结果。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述指纹识别模型训练方法的步骤，或者，所述所述处理器执行所述计算机程序时实现上述指纹识别方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述指纹识别模型训练方法的步骤，或者，所述计算机程序被处理器执行时实现上述指纹识别方法的步骤。

本发明实施例提供的指纹识别模型训练方法、装置、计算机设备及存储介质，通过获取三维指纹点云的原始数据集；对原始数据集进行预处理，生成训练样本对，训练样本对包括正样本对和负样本对，每组正样本对或负样本对包含两个样本数据；将训练样本对输入到初始指纹识别模型中，初始指纹识别模型包括特征提取层和特征映射层，特征提取层包括两个共享权重的编码器，两个编码器并行连接；针对每个训练样本对，采用两个编码器分别对训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。采用非接触式采集到三维指纹点云的原始数据集，有利于防治伪造，提高身份验证的安全性，同时通过对比学习的方式，实现提高指纹识别模型的识别精度，有利于提高后续指纹识别的准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的指纹识别模型训练方法的一个实施例的流程图；

图3是本申请的指纹识别方法的一个实施例的流程图；

图4是根据本申请的指纹识别模型训练装置的一个实施例的结构示意图；

图5是根据本申请的指纹识别装置的一个实施例的结构示意图；

图6是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

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，都属于本发明保护的范围。

请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的指纹识别模型训练方法由服务器执行，相应地，指纹识别模型训练装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。

请参阅图2，图2示出本发明实施例提供的一种指纹识别模型训练方法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S201：获取三维指纹点云的原始数据集；

本实施例中，通过进行无接触指纹的方式进进行三维点云指纹数据的采集，具体可以是对使用基于结构光的三维指纹采集系统，用户将手指放入指托上，由投影仪发射蓝色投影光栅，利用四步相移法得到手指表面的相位信息，然后采集仪中搭载的相机采集当前图像，最后由相位信息和当前图像计算得到手指表面指纹的三维空间信息。计算得到的三维指纹数据表现形式为最常用的点云数据，该格式为dat格式，可以在点云处理软件中被可视化。

S202：对原始数据集进行预处理，生成训练样本对，训练样本对包括正样本对和负样本对，每组正样本对或负样本对包含两个样本数据。

在一具体可选实施方式中，对原始数据集进行预处理，生成训练样本对，包括：

采用均匀降采样的方式，对原始数据集进行降采样，得到降采样数据集；

遍历降采样数据集，生成正样本对和负样本对。

其中，降采样的方式包括但不限于：随机降采样(Random Sample)均匀降采样(Uniform Sample)最远点降采样(Farthest Point Sample)法向量降采样(Normal SpaceSampling)基于统计的角度进行降采样(Statistical Outlier Removal)深度学习降采样和基于几何特征的降采样等。优选地，本实施例采用均匀降采样的方式对原始数据集进行降采样。

具体地，均匀采样通过构建指定半径的球体对点云进行滤波，将每一个球内距离球体中心最近的点作为下采样之后的点输出。

在一具体可选实施方式中，原始数据集中的每个手指指纹至少包括一个样本数据，正样本对为(Z_i ^t1，Z_i ^t2)，负样本对为(Z_i ^m，Z_j ⁿ),其中，Z_i ^t1为第i个手指指纹的第t1个样本数据，Z_i ^t2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

因理解，正样本对中的两个样本数据，为属于同一手指指纹的两个采集数据，负样本对中的两个样本数据，为属于不同手指指纹的两个采集数据。

S203：将训练样本对输入到初始指纹识别模型中，初始指纹识别模型包括特征提取层和特征映射层，特征提取层包括两个共享权重的编码器，两个编码器并行连接。

具体地，本实施例采用两个共享权重的编码器组成特征提取层，目的是将三维指纹的点云数据编码成高维的特征表示。编码器可以使用PointNet网络作为骨干网络，包括多层感知机、最大池化层和全连接层。

S204：针对每个训练样本对，采用两个编码器分别对训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度。

其中，编码器可以使用PointNet网络作为骨干网络，包括多层感知机、最大池化层和全连接层。

优选地，本实施例中，采用余弦相似度作进行高维特征之间的相似度计算。

S205：基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

可选地，基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型，包括：

将正样本对对应的目标相似度作为第一相似度，将负样本对对应的目标相似度作为第二相似度；

基于第一相似度、第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度；

基于特征损失，对两个编码器进行参数更新和迭代训练，直到达到预设条件，终止训练，得到训练好的指纹识别模型。

优选地，本实施例中的第一相似度和第二相似度可采用余弦相似度进行计算，具体为，在将正样本对进行编码得到高维特征后，采用余弦相似度计算两个高维特征之间的余弦相似度距离，得到第一相似度，同理，针对负样本对进行编码和计算后，得到第二相似度。

其中，预设条件可以基于实际需要进行设定，例如迭代的次数，或者，特征相似度达到一定的范围等，此处不作具体限定，应理解的是，本实施例基于特征损失，对两个编码器进行参数更新和迭代训练，最终使得编码器能够在高维样本空间中将正样本对的余弦距离减小，负样本对的余弦距离增大，从而提高后续识别的准确率。

进一步地，基于第一相似度、第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度，包括：

采用如下公式计算相似度特征Loss：

其中，S(Z_i ^m，Z_j ⁿ)为计算负样本对的余弦距离，N为选取的负样本对数量，τ为可调温度参数，用于控制余弦相似度度的范围，S(Z_i ^t1，Z_i ^t2)为计算正样本对的余弦距离，Zit1为第i个手指指纹的第t1个样本数据，Zit2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

本实施例中，通过获取三维指纹点云的原始数据集；对原始数据集进行预处理，生成训练样本对，训练样本对包括正样本对和负样本对，每组正样本对或负样本对包含两个样本数据；将训练样本对输入到初始指纹识别模型中，初始指纹识别模型包括特征提取层和特征映射层，特征提取层包括两个共享权重的编码器，两个编码器并行连接；针对每个训练样本对，采用两个编码器分别对训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。采用非接触式采集到三维指纹点云的原始数据集，有利于防治伪造，提高身份验证的安全性，同时通过对比学习的方式，实现提高指纹识别模型的识别精度，有利于提高后续指纹识别的准确度。

请参阅图3，图3示出本发明实施例提供的一种指纹识别方法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S206：获取待识别的三维指纹点云数据。

具体地，对采集者的手指进行无接触指纹采集，获得用户的三维点云指纹原始数据，作为待识别的三维指纹点云数据。

本实施例中，进行无接触指纹采集三维点云指纹数据，具体可以是对使用基于结构光的三维指纹采集系统，用户将手指放入指托上，由投影仪发射蓝色投影光栅，利用四步相移法得到手指表面的相位信息，然后采集仪中搭载的相机采集当前图像，最后由相位信息和当前图像计算得到手指表面指纹的三维空间信息。计算得到的三维指纹数据表现形式为最常用的点云数据，该格式为dat格式，可以在点云处理软件中被可视化。

S207：将待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度，其中，注册集中的每个基础指纹数据为预先进行用户指纹采集得到。

具体地，每次从注册集中获取一个基础指纹数据，和将待识别的三维指纹点云数据配成一组测试数据，输入到训练好的指纹识别模型进行识别，得到该组测试数据对应的测试相似度

其中，基础指纹数据是指预先采集的用户指纹数据，再经过预处理之后存入到注册集中的指纹数据。

S208：将每个测试相似度与预设相似度阈值进行比较，得到比较结果，并根据比较结果，确定指纹识别结果。

其中，预设的相似度阈值可根据实际需要进行设定，此处不做限制。

需要说明的是，作为一种优选方式，本实施例中采用余弦距离进行相似度的计算，根据比较结果，确定指纹识别结果，包括：

若测试的余弦距离大于预设距离，即测试相似度小于预设相似度阈值，则确定该测试相似度对应的测试数据不匹配；

若测试的余弦距离小于预设距离，即测试相似度大于或等于预设相似度阈值，则确定该测试相似度对应的测试数据匹配。

具体地，在每次获取到测试相似度之后，将该测试相似度与预设相似度阈值进行比较，进而确定匹配结果，若匹配结果为匹配，则获取该组测试数据中的基础指纹数据对应的身份信息，作为待识别的三维指纹点云数据对应的身份信息，并确认验证通过，若所有匹配结果均为不匹配，则确认待识别的三维指纹点云数据对应的身份信息验证失败。

优选地，在获取到一个匹配结果为匹配，确认验证通过后，终止后续在训练好的指纹识别模型中进行配对识别和阈值比较的过程，以节约系统资源，提高识别效率。

本实施例中，通过获取待识别的三维指纹点云数据，将待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度，其中，注册集中的每个基础指纹数据为预先进行用户指纹采集得到，将每个测试相似度与预设相似度阈值进行比较，得到比较结果，并根据比较结果，确定指纹识别结果。实现对待识别的三维指纹点云数据的快速验证，提高指纹识别验证的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图4示出与上述实施例指纹识别模型训练方法一一对应的指纹识别模型训练装置的原理框图。如图4所示，该指纹识别模型训练装置包括数据集获取模块31、训练样本生成模块32、样本数据输入模块33、特征提取对比模块34和参数迭代训练模块35。各功能模块详细说明如下：

数据集获取模块31，用于获取三维指纹点云的原始数据集；

训练样本生成模块32，用于对原始数据集进行预处理，生成训练样本对，训练样本对包括正样本对和负样本对，每组正样本对或负样本对包含两个样本数据；

样本数据输入模块33，用于将训练样本对输入到初始指纹识别模型中，初始指纹识别模型包括特征提取层和特征映射层，特征提取层包括两个共享权重的编码器，两个编码器并行连接；

特征提取对比模块34，用于针对每个训练样本对，采用两个编码器分别对训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；

参数迭代训练模块35，用于基于目标相似度和预设的对比损失函数，对初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

可选地，训练样本生成模块32包括：

降采样单元，用于采用均匀降采样的方式，对原始数据集进行降采样，得到降采样数据集；

样本对生成单元，用于遍历降采样数据集，生成正样本对和负样本对。

可选地，参数迭代训练模块35，包括：

样本相似度计算单元，用于将正样本对对应的目标相似度作为第一相似度，将负样本对对应的目标相似度作为第二相似度；

特征相似度计算单元，用于基于第一相似度、第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度；

迭代训练单元，用于基于特征损失，对两个编码器进行参数更新和迭代训练，直到达到预设条件，终止训练，得到训练好的指纹识别模型。

可选地，特征相似度计算单元，包括：

计算子单元，用于采用如下公式计算相似度特征Loss：

其中，S(Z_i ^m，Z_j ⁿ)为计算负样本对的余弦距离，N为选取的负样本对数量，τ为可调温度参数，用于控制余弦相似度度的范围，S(Z_i ^t1，Z_i ^t2)为计算正样本对的余弦距离，Zit1为第i个手指指纹的第t1个样本数据，Zit2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

图5示出与上述实施例指纹识别方法一一对应的指纹识别装置的原理框图。如图5所示，该指纹识别模型训练装置包括数据采集模块36、特征相似度识别模块37和识别结果确定模块38。各功能模块详细说明如下：

数据采集模块36，用于获取待识别的三维指纹点云数据；

特征相似度识别模块37，用于将待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度；

识别结果确定模块38，用于将每个测试相似度与预设相似度阈值进行比较，得到比较结果，并根据比较结果，确定指纹识别结果。

关于指纹识别模型训练装置的具体限定可以参见上文中对于指纹识别模型训练方法的限定，在此不再赘述。上述指纹识别模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如指纹识别模型训练的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行指纹识别模型训练的程序代码。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的指纹识别模型训练方法的步骤，或者，以使所述至少一个处理器执行如上述的指纹识别方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种指纹识别模型训练方法，其特征在于，包括：

获取三维指纹点云的原始数据集；

对所述原始数据集进行预处理，生成训练样本对，所述训练样本对包括正样本对和负样本对，每组所述正样本对或所述负样本对包含两个样本数据；

将所述训练样本对输入到初始指纹识别模型中，所述初始指纹识别模型包括特征提取层和特征映射层，所述特征提取层包括两个共享权重的编码器，两个所述编码器并行连接；

针对每个训练样本对，采用两个所述编码器分别对所述训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用所述特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；

基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

2.如权利要求1所述的指纹识别模型训练方法，其特征在于，所述对所述原始数据集进行预处理，生成训练样本对，包括：

采用均匀降采样的方式，对所述原始数据集进行降采样，得到降采样数据集；

遍历所述降采样数据集，生成正样本对和负样本对。

3.如权利要求1所述的指纹识别模型训练方法，其特征在于，所述原始数据集中的每个手指指纹至少包括一个样本数据，所述正样本对为(Z_i ^t1，Z_i ^t2)，所述负样本对为(Z_i ^m，Z_j ⁿ),其中，Z_i ^t1为第i个手指指纹的第t1个样本数据，Z_i ^t2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为所述所述原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

4.如权利要求1至3任一项所述的指纹识别模型训练方法，其特征在于，所述基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型，包括：

将正样本对对应的目标相似度作为第一相似度，将负样本对对应的目标相似度作为第二相似度；

基于所述第一相似度、所述第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度；

基于所述特征损失，对两个所述编码器进行参数更新和迭代训练，直到达到预设条件，终止训练，得到所述训练好的指纹识别模型。

5.如权利要求4所述的指纹识别模型训练方法，其特征在于，所述基于所述第一相似度、所述第二相似度和预设的对比损失函数，计算相似度损失，作为特征相似度，包括：

采用如下公式计算所述相似度特征Loss：

其中，S(Z_i ^m，Z_j ⁿ)为计算负样本对的余弦距离，N为选取的负样本对数量，τ为可调温度参数，用于控制余弦相似度度的范围，S(Z_i ^t1，Z_i ^t2)为计算正样本对的余弦距离，Zit1为第i个手指指纹的第t1个样本数据，Zit2为第i个手指指纹的第t2个样本数据，Z_i ^m为第i个手指指纹的第m个样本数据，Z_j ⁿ为第j个手指指纹的第n个样本数据，m和n为正整数，Y为所述所述原始数据集的手指指纹的个数，i∈[1,Y]，j∈[1,Y]，并且，i≠j。

6.一种指纹识别方法，其特征在于，包括：

获取待识别的三维指纹点云数据；

将所述待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度，其中，所述注册集中的每个基础指纹数据为预先进行用户指纹采集得到，所述训练好的指纹识别模型根据权利要求1至5任一项所述的指纹识别模型训练方法训练得到；

将每个所述测试相似度与预设相似度阈值进行比较，得到比较结果，并根据所述比较结果，确定指纹识别结果。

7.一种指纹识别模型训练装置，其特征在于，包括：

数据集获取模块，用于获取三维指纹点云的原始数据集；

训练样本生成模块，用于对所述原始数据集进行预处理，生成训练样本对，所述训练样本对包括正样本对和负样本对，每组所述正样本对或所述负样本对包含两个样本数据；

样本数据输入模块，用于将所述训练样本对输入到初始指纹识别模型中，所述初始指纹识别模型包括特征提取层和特征映射层，所述特征提取层包括两个共享权重的编码器，两个所述编码器并行连接；

特征提取对比模块，用于针对每个训练样本对，采用两个所述编码器分别对所述训练样本对中的两个样本数据进行特征编码，得到两个样本数据对应的高维特征，并采用所述特征映射层计算两个样本数据对应的高维特征之间的相似度，作为目标相似度；

参数迭代训练模块，用于基于所述目标相似度和预设的对比损失函数，对所述初始指纹识别模型中进行迭代训练，得到训练好的指纹识别模型。

8.一种指纹识别装置，其特征在于，包括：

数据采集模块，用于获取待识别的三维指纹点云数据；

特征相似度识别模块，用于将所述待识别的三维指纹点云数据和注册集中的每个基础指纹数据，输入到训练好的指纹识别模型中进行配对识别，得到测试相似度；

识别结果确定模块，用于将每个所述测试相似度与预设相似度阈值进行比较，得到比较结果，并根据所述比较结果，确定指纹识别结果。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，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5任一项所述的指纹识别模型训练方法，或者，所述处理器执行所述计算机程序时实现如权利要求6所述的指纹识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述的指纹识别模型训练方法，或者，所述计算机程序被处理器执行时实现如权利要求6所述的指纹识别方法。

Images