CN116386091A - 指纹识别方法和装置 - Google Patents
指纹识别方法和装置 Download PDFInfo
- Publication number
- CN116386091A CN116386091A CN202211447893.5A CN202211447893A CN116386091A CN 116386091 A CN116386091 A CN 116386091A CN 202211447893 A CN202211447893 A CN 202211447893A CN 116386091 A CN116386091 A CN 116386091A
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- fingerprint
- identified
- similarity
- image sets
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- 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
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例提供一种指纹识别方法和装置,方法包括:终端设备采集待识别指纹图像;终端设备分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;终端设备根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合,M小于N;终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。这样,使得终端设备可以利用待识别指纹图像与N个指纹图像集合中各指纹图像的相似度进行粗匹配,再根据粗匹配时的相似度数值,从N个指纹图像集合中确定M个指纹图像集合进行较为细致的图像比对,加快比对速度,优化用户的使用体验。
Description
技术领域
本申请涉及终端技术领域,尤其涉及一种指纹识别方法和装置。
背景技术
随着互联网的普及和发展,指纹识别技术被广泛的应用于日常工作和生活当中。例如,用户可以基于指纹识别技术启动手机、开启智能门锁,或者实现考勤打卡等功能。
通常情况下,终端设备中可以预先设置一些指纹模板,在指纹识别过程中,终端设备可以将用户输入的待识别指纹图像与指纹模板中的各指纹图像进行图像比对,在确定该输入的待识别指纹图像与指纹模板中的任一指纹图像的相似度大于预设阈值时,确定该待识别指纹图像识别成功。
然而,上述指纹识别方法的耗时较长。
发明内容
本申请实施例提供一种指纹识别方法和装置,以提高指纹识别方法的识别速度。
第一方面,本申请实施例提供一种指纹识别方法,方法包括:终端设备采集待识别指纹图像;终端设备分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;N个指纹图像集合为终端设备中预先存储的,N个指纹图像集合对应于N个手指的指纹,任一个指纹图像集合中的指纹图像为一个手指的指纹图像;终端设备根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合,M小于N;终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。这样,使得终端设备可以利用待识别指纹图像与N个指纹图像集合中各指纹图像的相似度进行粗匹配,再根据粗匹配时的相似度数值,从N个指纹图像集合中确定M个指纹图像集合进行较为细致的图像比对,M小于N,这样可以加快比对速度,优化用户的使用体验。
可能的实现方式中,根据权利要求1的方法,终端设备根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合,包括:终端设备基于待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,确定N个指纹图像集合中各集合对应的平均相似度;终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别,包括:终端设备从N个指纹图像集合中各集合对应的平均相似度中,确定平均相似度大于第一阈值的M个目标指纹图像集合;终端设备基于平均相似度大于第一阈值的M个指纹图像集合对待识别指纹图像进行指纹识别。这样,终端设备可以基于平均相似度从N个指纹图像集合中确定出最有可能识别出指纹的M个指纹图像集合,在加快指纹识别速度的同时,也可以提高指纹识别的准确度。
可能的实现方式中,终端设备基于平均相似度大于第一阈值的M个指纹图像集合对待识别指纹图像进行指纹识别,包括:终端设备获取平均相似度大于第一阈值的M个指纹图像集合中平均相似度最大的第一指纹图像集合;终端设备基于第一指纹集合中各指纹图像对应的相似度中相似度最大的目标指纹图像,对待识别指纹图像进行指纹识别。这样,终端设备可以在第一指纹图像集合中对待识别指纹图像进行指纹识别,相比于利用N个指纹图像集合分别对待识别指纹图像进行指纹识别,第一指纹集合的选取可以显著提高指纹识别速度。
可能的实现方式中,终端设备基于第一指纹集合中各指纹图像对应的相似度中相似度最大的目标指纹图像,对待识别指纹图像进行指纹识别,包括:终端设备利用指纹识别算法提取待识别指纹图像对应的第一特征描述子信息,以及目标指纹图像对应的第二特征描述子信息;第一特征描述子信息用于表征待识别指纹图像中包含特征点的区域;第二特征描述子信息用于表征目标指纹图像中包含特征点的区域;终端设备基于第一特征描述子信息以及第二特征描述子信息进行特征比对,得到多个匹配对;在终端设备确定多个匹配对的数量大于或等于第二阈值时,确定待识别指纹图像识别成功。由于仅利用相似度进行指纹识别的准确度较低,因此可以通过对指纹图像的特征提取以及特征比对,在保证指纹识别速度的情况下,提高指纹识别的准确度。
可能的实现方式中,终端设备分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,包括:终端设备将待识别指纹图像输入到预设模型中,输出待识别指纹图像对应的第一特征向量;终端设备分别计算第一特征向量、与N个指纹图像集合中各指纹图像对应的第二特征向量的乘积,得到待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;其中,N个指纹图像集合中各指纹图像对应的第二特征向量为终端设备预先设置的。这样,基于模型对待识别指纹图像进行特征向量的提取,并基于两个特征向量的乘积进行相似度计算可以显著提高指纹图像识别的速度。相比于现有技术中将待识别指纹图像与终端设备中存储的各指纹图像进行图像的依次比对,基于特征向量计算相似度的速度极快,使得终端设备可以较为快速的从N个指纹图像集合中确定M个符合要求的目标指纹图像集合。
可能的实现方式中,预设模型为基于交叉熵损失函数和对比损失函数训练得到的,交叉熵损失函数用于区分不同手指的指纹图像,对比损失函数用于确定指纹图像对是否匹配成功。
第二方面,本申请实施例提供一种指纹识别装置,指纹识别装置包括:采集单元以及处理单元;采集单元,用于采集待识别指纹图像;处理单元,用于分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;N个指纹图像集合为终端设备中预先存储的,N个指纹图像集合对应于N个手指的指纹,任一个指纹图像集合中的指纹图像为一个手指的指纹图像;处理单元,还用于根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合,M小于N;处理单元,还用于在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。
可能的实现方式中,处理单元,具体用于基于待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,确定N个指纹图像集合中各集合对应的平均相似度;处理单元,还具体用于从N个指纹图像集合中各集合对应的平均相似度中,确定平均相似度大于第一阈值的M个目标指纹图像集合;处理单元,还具体用于基于平均相似度大于第一阈值的M个指纹图像集合对待识别指纹图像进行指纹识别。
可能的实现方式中,处理单元,具体用于获取平均相似度大于第一阈值的M个指纹图像集合中平均相似度最大的第一指纹图像集合;处理单元,还具体用于基于第一指纹集合中各指纹图像对应的相似度中相似度最大的目标指纹图像,对待识别指纹图像进行指纹识别。
可能的实现方式中,处理单元,具体用于利用指纹识别算法提取待识别指纹图像对应的第一特征描述子信息,以及目标指纹图像对应的第二特征描述子信息;第一特征描述子信息用于表征待识别指纹图像中包含特征点的区域;第二特征描述子信息用于表征目标指纹图像中包含特征点的区域;处理单元,还具体用于基于第一特征描述子信息以及第二特征描述子信息进行特征比对,得到多个匹配对;在终端设备确定多个匹配对的数量大于或等于第二阈值时,处理单元,具体用于确定待识别指纹图像识别成功。
可能的实现方式中,处理单元,具体用于将待识别指纹图像输入到预设模型中,输出待识别指纹图像对应的第一特征向量;处理单元,还具体用于分别计算第一特征向量、与N个指纹图像集合中各指纹图像对应的第二特征向量的乘积,得到待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;其中,N个指纹图像集合中各指纹图像对应的第二特征向量为终端设备预先设置的。
可能的实现方式中,预设模型为基于交叉熵损失函数和对比损失函数训练得到的,交叉熵损失函数用于区分不同手指的指纹图像,对比损失函数用于确定指纹图像对是否匹配成功。
第三方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时,使得终端设备执行第一方面或第一方面的任意一种可能的实现方式中描述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序或指令,当计算机程序或指令在计算机上运行时,使得计算机执行第一方面或第一方面的任意一种可能的实现方式中描述的方法。
第五方面,本申请实施例提供一种包括计算机程序的计算机程序产品,当计算机程序在计算机上运行时,使得计算机执行第一方面或第一方面的任意一种可能的实现方式中描述的方法。
应当理解的是,本申请的第二方面至第五方面与本申请的第一方面的技术方案相对应,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。
附图说明
图1为本申请实施例提供的一种场景示意图;
图2为本申请实施例提供的一种终端设备的硬件结构示意图;
图3为本申请实施例提供的一种指纹识别方法的流程示意图;
图4为本申请实施例提供的一种相似度计算的示意图;
图5为本申请实施例提供的一种模型训练的示意图;
图6为本申请实施例提供的一种指纹图像集合排序的示意图;
图7为本申请实施例提供的另一种指纹识别方法的流程示意图;
图8为本申请实施例提供的一种指纹识别装置的结构示意图;
图9为本申请实施例提供的另一种终端设备的硬件结构示意图。
具体实施方式
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一值和第二值仅仅是为了区分不同的值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“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(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,或a、b和c,其中a,b,c可以是单个,也可以是多个。
示例性的,图1为本申请实施例提供的一种指纹识别方法的示意图。
目前搭载指纹识别技术的终端设备,例如手机、考勤设备、以及智能门锁等,都支持多个手指进行指纹注册,在指纹注册过程中支持每个手指多次录入,并且开放指纹模板更新功能,即每次指纹识别成功之后,会将验证成功的指纹更新到指纹模板库中,增加后续指纹识别的成功率。
然而,这样会导致每次指纹验证时,所需要比对的指纹子模板很多,如图1所示,终端设备中已经录入了第1个手指对应的第1个指纹图像集合、第2个手指对应的第2个指纹图像集合以及第N个手指对应的第N个指纹图像集合等,且任一指纹图像集合中包括的指纹子模板个数可以为p。
示例性的,若在指纹识别过程中,将待识别指纹图像与N个指纹图像集合中的每个指纹图像分别进行单次图像比对,然而图像比对过程中采用的指纹识别算法耗时较高,将会影响用户的使用体验。例如,现在常见的手机可以支持N个手指录入,如果每个手指存在p个指纹子模板,每个指纹子模板的识别时间为1毫秒(ms),则在指纹识别过程中需要遍历Np个模板,且最多需要Npms才能完成指纹识别。其中,每个指纹图像集合中包含的模板个数可以不为p,且各个指纹图像集合中包含的模板个数可以相同也可以不同,本申请实施例中对此不做限定。
有鉴于此,本申请实施例提供一种指纹识别方法,可以利用待识别指纹图像与N个指纹图像集合中各指纹图像的相似度进行粗匹配,再根据粗匹配时的相似度数值,从N个指纹图像集合中确定M个指纹图像集合进行较为细致的图像比对,M小于N,这样使得终端设备可以通过集合对指纹识别所使用的指纹图像进行筛选,加快比对速度,优化用户的使用体验。
可以理解的是,上述终端设备也可以称为终端,(terminal)、用户设备(userequipment,UE)、移动台(mobile station,MS)、移动终端(mobile terminal,MT)等。终端设备可以为允许采集指纹图像的手机(mobile phone)、智能门锁、考勤设备、穿戴式设备、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self-driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。本申请的实施例对终端设备所采用的具体技术和具体设备形态不做限定。
因此,为了能够更好地理解本申请实施例,下面对本申请实施例的终端设备的结构进行介绍。示例性的,图2为本申请实施例提供的一种终端设备的结构示意图。
终端设备可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,指示器192,摄像头193,以及显示屏194等。其中传感器模块180可以包括:指纹传感器180H以及触摸传感器180K,该指纹传感器180H可以用于采集指纹图像;触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,或称“触控屏”。
可能的实现方式中,该终端设备中也可以包括下述一种或多种:压力传感器,陀螺仪传感器,气压传感器,磁传感器,加速度传感器,距离传感器,接近光传感器,温度传感器,环境光传感器,或骨传导传感器等。
可以理解的是,本申请实施例示意的结构并不构成对终端设备的具体限定。在本申请另一些实施例中,终端设备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110可以包括一个或多个处理单元。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。处理器110中还可以设置存储器,用于存储指令和数据。
USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口130可以用于连接充电器为终端设备充电,也可以用于终端设备与外围设备之间传输数据。也可以用于连接耳机,通过耳机播放音频。该接口还可以用于连接其他电子设备,例如AR设备等。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。电源管理模块141用于连接充电管理模块140与处理器110。
终端设备的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。终端设备中的天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。
移动通信模块150可以提供应用在终端设备上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。
无线通信模块160可以提供应用在终端设备上的包括无线局域网(wirelesslocalarea networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequencymodulation,FM)等无线通信的解决方案。
终端设备通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。在一些实施例中,终端设备可以包括1个或N个显示屏194,N为大于1的正整数。
终端设备可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
摄像头193用于捕获静态图像或视频。在一些实施例中,终端设备可以包括1个或N个摄像头193,N为大于1的正整数。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展终端设备的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。
终端设备可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。终端设备可以通过扬声器170A收听音乐,或收听免提通话。受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当终端设备接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。耳机接口170D用于连接有线耳机。麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。本申请实施例中,终端设备可以拥有设置一个麦克风170C。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。终端设备可以接收按键输入,产生与终端设备的用户设置以及功能控制有关的键信号输入。指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
终端设备的软件系统可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构等,在此不再赘述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以独立实现,也可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
示例性的,图3为本申请实施例提供的一种指纹识别方法的流程示意图。如图3所示,该指纹识别方法可以包括如下步骤:
S301、终端设备采集待识别指纹图像。
待识别指纹图像可以为终端设备在指纹识别过程中采集的指纹图像。例如,终端设备中可以设置有用于采集指纹图像的触摸屏,当用户将手指放置于该触摸屏时,终端设备中可以采集用户手指对应的待识别指纹图像,待识别指纹图像的数量可以为1。
可能的实现方式中,当该待识别指纹图像为多个时,终端设备也可以依次为该多个指纹图像分别进行指纹识别,任一指纹图像的指纹识别过程见S302-S303所示的步骤。
S302、终端设备分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度。
N个指纹图像集合为终端设备中预先存储的,N个指纹图像集合对应于N个手指的指纹,任一个指纹图像集合中的指纹图像为一个手指的指纹图像。
待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,可以基于待识别指纹图像对应的第一特征向量、以及N个指纹图像集合中各指纹图像对应的第二特征向量进行计算。其中,该第一特征向量可以为终端设备基于预设模型实时计算得到的;该第二特征向量可以与N个指纹图像集合中各指纹图像一一对应,该第二特征向量可以为基于预设模型输出、且预先存储到终端设备中的。
示例性的,终端设备分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度的过程可以为:终端设备将待识别指纹图像输入到预设模型中,输出待识别指纹图像对应的第一特征向量,终端设备分别对第一特征向量以及N个指纹图像集合中各指纹图像对应的第二特征向量进行向量乘积,得到N个指纹图像集合中各指纹图像对应的相似度数值。图4为本申请实施例提供的一种相似度计算的示意图。在图4对应的实施例中,以N个指纹图像集合中指纹图像的个数均为p为例进行示例说明,即N个指纹图像集合中指纹图像的总个数可以为Np。如图4所示,第一特征向量与各第二特征向量,如第1个第二特征向量、如第2个第二特征向量、如第3个第二特征向量…以及如第Np个第二特征向量分别进行向量乘积计算,可以得到相似度1、相似度2、相似度3…以及相似度Np。
预设模型可以为卷积神经网络(convolutional neural networks,CNN)模型,如该CNN模型可以为残差网络模型等。预设模型的训练过程可以参见图5对应的实施例,图5为本申请实施例提供的一种模型训练的示意图。在图5对应的实施例中,CNN模型的训练数据可以为:W个手指中的各手指分别对应的Q张指纹图像,则总训练数据可以为WQ,W和Q均可以为大于1的整数。在训练过程中,终端设备可以对任两个指纹图像进行两两匹配,获得两两比对结果,比对成功的图像对标记为1,比对失败的图像对标记为0,不同手指之间的图像对标记为0,同时每个手指可以对应一个类别,W个手指共W类模型。
如图5所示,获取任两个指纹图像,如指纹图像1以及指纹图像2,利用特征提取模型对该指纹图像1以及指纹图像2分别进行特征提取得到特征1以及特征2,特征提取模型的权重相同;进一步的,利用交叉熵损失函数1对特征1进行分类,利用交叉熵损失函数2对特征2进行分类,再利用对比损失函数对该指纹图像1以及指纹图像2进行比对,确定两个图像是否匹配成功,在损失函数的输出结果满足预设条件的情况下,得到训练好的预设模型。其中,该交叉熵损失函数1和交叉熵损失函数2可以相同也可以不同。
可以理解的是,交叉熵损失函数可以针对不同手指进行区分。对比损失函数可以用于区分两张指纹图像能否匹配成功。
交叉熵损失函数1(或交叉熵损失函数2)可以为:
其中,N为预设模型中每个batch的样本个数,i为batch中的每个样本,wj和bj是预设模型最后一个全连接层的第j个权重和偏置;和/>则是正样本所对应的权重和偏置,简称Target权重和Target偏置。
根据向量乘积公式:Wx=‖w‖‖x‖cosθ,cosθ可以为W与x之间夹角的余弦值。
可以理解的是,最小化Loss时需要cosθ尽量大,而cosθ的数值范围可以为[0,1],因此经过预设模型的训练会使得Wx趋近于1,使得相同类别的两个图像的特征向量的乘积趋近于1,不同类别的两个图像的特征向量的乘积趋近于0。因此,在利用模型输出的特征向量进行相似度计算时,仅用两个特征向量的乘积即可表示两个特征向量的余弦相似性。
在基于对比损失函数训练模型的过程中,可以使得属于同一类别的两个图像的相似度高于属于不同类别的两个图像的相似度。
上述预设模型的训练过程可以在终端设备中或也可以在其他设备中,本申请实施例中对此不做限定。
可以理解的是,基于模型对待识别指纹图像进行特征向量的提取,并基于两个特征向量的乘积进行相似度计算可以显著提高指纹图像识别的速度。相比于现有技术中终端设备基于指纹识别算法将待识别指纹图像与终端设备中存储的各指纹图像进行图像的依次比对,基于特征向量计算相似度的速度极快,使得终端设备可以较为快速的从N个指纹图像集合中确定M个符合要求的目标指纹图像集合。
S303、终端设备根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合。
其中,M小于N,M可以为大于或等于1的整数。
示例性的,终端设备基于待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,确定N个指纹图像集合对应的N个平均相似度;并从该N个平均相似度中确定平均相似度超过预设阈值(或称为第一阈值)的M个目标指纹图像集合;使得后续终端设备可以按照M个目标指纹图像集合中各集合对应的平均相似度数值由高到低的顺序,在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。
一种实现中,M可以为1,即终端设备可以从该N个平均相似度中确定平均相似度最大的集合为目标指纹图像集合(或称为第一指纹集合)。
当该M为1时,该1个指纹图像集合可以为N个平均相似度中平均相似度最高的数值对应的集合。示例性的,图6为本申请实施例提供的一种指纹图像集合排序的示意图。如图6所示,当终端设备确定第1个手指(序号2)对应的平均相似度为0.275、第2个手指(序号1)对应的平均相似度为0.625、且第3个手指(序号3)对应的平均相似度为0.15时,终端设备可以确定平均相似度最高的数值对应的集合可以为第2个手指对应的指纹图像集合。
可以理解的是,第2个手指对应的指纹图像集合可以为与待识别指纹图像同属于一个手指的可能性较高。
另一种实现中,M可以为3,即终端设备可以从该N个平均相似度中确定平均相似超过预设阈值的3个目标指纹图像集合。如图6所示,当终端设备确定预设阈值为0.11时,则终端设备可以从N个指纹图像集合中确定图6中所示的三个指纹图像集合。
可能的实现方式中,从N个指纹图像集合中确定M个目标指纹图像集合的方法可以不限于上述平均相似度,也可以为N个指纹图像集合中的任一图像集合中包含的指纹图像的相似度重数、或相似度中位数等,本申请实施例中对此不做限定。
S304、终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。
可以理解的是,终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别的过程中,终端设备可以基于指纹识别算法,对待识别指纹图像分别与该M个目标指纹图像集合中的任一指纹图像进行两两图像比对,通过指纹识别算法提高指纹识别的准确性。
其中,基于指纹识别算法对待识别指纹图像、以及该M个目标指纹图像集合中的任一指纹图像进行图像比对的方法可以包括:图像预处理、图像特征提取、以及图像特征比对。
终端设备中可以预先存储有N个指纹图像集合中各指纹图像的特征描述子信息,该特征描述子信息用于指示指纹图像的特征信息,例如该特征描述子信息可以为特征点(例如角点)周围区域的描述。
针对图像预处理,终端设备可以对待识别指纹图像进行图像预处理,以得到清晰的待识别指纹图像。
针对图像特征提取,终端设备可以基于尺寸不变特征转换(scale-invariantfeature transform,SIFT)特征点检测算法、加速稳健特征(speeded up robustfeatures,SURF)特征检测算法、和/或传统的加速分段试验以及旋转的二元稳健独立基本特征(oriented FAST and rotated BRIEF,ORB)等特征提取方法,对该待识别指纹图像的特征点以及特征描述子信息进行提取。
针对图像特征比对,终端设备可以对待识别指纹图像以及该M个目标指纹图像集合中的任一指纹图像中的任一特征描述子信息进行匹配,并在匹配数量大于或等于第二阈值时确定特征比对成功。其中,终端设备可以基于随机抽样一致算法(random sampleconsensus,RANSAC)等方法进行特征点比对。
其中,该图像预处理、以及图像特征提取的步骤可以在S301中获取待识别指纹图像之后实现。
可以理解的是,本申请实施例描述的一种指纹识别方法通常可以应用于门禁、账户解锁、考勤打卡等对识别准确度要求较高的场景中,由于仅利用相似度进行指纹识别的准确度较低,因此可以S304所示的步骤中描述的指纹识别算法可以提高识别的复杂度,进而提高识别的准确性。
示例性的,终端设备在M个目标指纹图像集合中对待识别指纹图像进行指纹识别的方式可以为:终端设备将M个目标指纹图像集合中的所有指纹图像分别与待识别指纹图像进行指纹识别;或者,终端设备将M个目标指纹图像集合中的所有指纹图像对应的相似度从高到低的顺序,分别与待识别指纹图像进行指纹识别。
一种实现中,终端设备将M个目标指纹图像集合中的所有指纹图像分别与待识别指纹图像进行指纹识别。
如图6所示,以M为1为例进行示例说明,当终端设备确定目标指纹图像集合为第2个手指对应的指纹图像集合时,终端设备可以将第2个手指对应的指纹图像集合中的模板3、模板2、模板1以及模板p等,分别与待识别指纹图像进行指纹识别。可以理解的是,当M为1时,仅需要基于指纹识别算法图像比对p次即可得到指纹识别结果,指纹识别速度得到提升。
另一种实现中,终端设备将M个目标指纹图像集合中的所有指纹图像对应的相似度从高到低的顺序,分别与待识别指纹图像进行指纹识别。
如图6所示,以M为1为例进行示例说明,当终端设备确定目标指纹图像集合为第2个手指对应的指纹图像集合时,终端设备可以按照该第2个指纹图像集合中各指纹图像的相似度从高到低的顺序依次对待识别指纹图像进行指纹识别。例如,终端设备可以基于指纹识别算法优先利用相似度为0.9的模板3对待识别指纹图像进行图像比对;再基于指纹识别算法利用相似度为0.8的模板2对待识别指纹图像进行图像比对,类似的遍历第2个指纹图像集合中的所有指纹图像,直至对待识别指纹图像识别结束。
可以理解的是,由于在集合中优先对基于特征向量计算得到的相似度中相似度数值较高的模板进行比对,因此终端设备很有可能在前几次比对中就识别出待识别指纹图像,显著提高指纹识别速度。
基于此,终端设备可以通过在N个指纹图像集合中确定M个目标指纹图像集合,并基于M个目标指纹图像集合对待识别指纹图像进行识别,提高指纹识别速度。
在图3对应的实施例的基础上,可能的实现方式中,终端设备也可以将识别成功的待识别指纹图像输入到图像比对过程中使用的指纹图像所在的集合中,以提高后续利用指纹图像集合进行指纹识别的速度。
基于图3对应的实施例中描述的内容,可以理解的是,终端设备提供的指纹识别方法可以参见图7,图7为本申请实施例提供的另一种指纹识别方法的流程示意图。
如图7所示,指纹识别方法可以包括:
指纹采集,即终端设备采集待识别指纹图像。
提取特征向量,即终端设备将该待识别指纹图像输入到预设模型中,并输出该待识别指纹图像对应的第一特征向量。
相似度排序,即终端设备计算第一特征向量分别于N个指纹图像集合中各指纹图像对应的第二特征向量的乘积得到相似度,进而计算各指纹图像集合分别对应的平均相似度,基于平均相似度对指纹图像集合进行排序,并在各指纹图像集合中按照指纹图像的相似度对各指纹图像进行相似度排序,例如排序可以为如图6所示。
根据排序结果选择验证顺序,即终端设备可以按照指纹图像集合的平均相似度从高到低的顺序、和/或任一指纹图像集合中的指纹图像的相似度从高到低的顺序,选取指纹图像集合中的某个(或多个)指纹图像与待识别指纹图像进行图像比对。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
上面结合图3-图8,对本申请实施例提供的方法进行了说明,下面对本申请实施例提供的执行上述方法的装置进行描述。如图8所示,图8为本申请实施例提供的一种指纹识别装置的结构示意图,该指纹识别装置可以是本申请实施例中的终端设备,也可以是终端设备内的芯片或芯片系统。
如图8所示,指纹识别装置800可以用于通信设备、电路、硬件组件或者芯片中,该指纹识别装置包括:采集单元801、以及处理单元802。其中,采集单元801用于支持指纹识别装置800执行数据采集的步骤,处理单元802用于支持指纹识别装置800执行数据处理的步骤。
示例性的,本申请实施例提供一种指纹识别装置800,该指纹识别装置800可以包括:采集单元801以及处理单元802。采集单元801,用于采集待识别指纹图像;处理单元802,用于分别计算待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;N个指纹图像集合为终端设备中预先存储的,N个指纹图像集合对应于N个手指的指纹,任一个指纹图像集合中的指纹图像为一个手指的指纹图像;处理单元802,还用于根据待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在N个指纹图像集合中确定M个目标指纹图像集合,M小于N;处理单元802,还用于在M个目标指纹图像集合中对待识别指纹图像进行指纹识别。
可能的实现方式中,该指纹识别装置800中也可以包括通信单元803。具体的,通信单元803用于支持指纹识别装置800执行数据的发送以及数据的接收的步骤。其中,该通信单元803可以是输入或者输出接口、管脚或者电路等。
可能的实施例中,指纹识别装置800还可以包括:存储单元804。处理单元802、存储单元804通过线路相连。存储单元804可以包括一个或者多个存储器,存储器可以是一个或者多个设备、电路中用于存储程序或者数据的器件。存储单元804可以独立存在,通过通信线路与指纹识别装置具有的处理单元802相连。存储单元804也可以和处理单元802集成在一起。
存储单元804可以存储终端设备中的方法的计算机执行指令,以使处理单元802执行上述实施例中的方法。存储单元804可以是寄存器、缓存或者RAM等,存储单元804可以和处理单元802集成在一起。存储单元804可以是只读存储器(read-only memory,ROM)或者可存储静态信息和指令的其他类型的静态存储设备,存储单元804可以与处理单元802相独立。
图9为本申请实施例提供的另一种终端设备的硬件结构示意图,如图9所示,该终端设备包括处理器901,通信线路904以及至少一个通信接口(图9中示例性的以通信接口903为例进行说明)。
处理器901可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路904可包括在上述组件之间传送信息的电路。
通信接口903,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线局域网(wireless local area networks,WLAN)等。
可能的,该终端设备还可以包括存储器902。
存储器902可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路904与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器902用于存储执行本申请方案的计算机执行指令,并由处理器901来控制执行。处理器901用于执行存储器902中存储的计算机执行指令,从而实现本申请实施例所提供的方法。
可能的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器901可以包括一个或多个CPU,例如图9中的CPU0和CPU1。
在具体实现中,作为一种实施例,终端设备可以包括多个处理器,例如图9中的处理器901和处理器905。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。例如,可用介质可以包括磁性介质(例如,软盘、硬盘或磁带)、光介质(例如,数字通用光盘(digital versatile disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本申请实施例还提供了一种计算机可读存储介质。上述实施例中描述的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。计算机可读介质可以包括计算机存储介质和通信介质,还可以包括任何可以将计算机程序从一个地方传送到另一个地方的介质。存储介质可以是可由计算机访问的任何目标介质。
作为一种可能的设计,计算机可读介质可以包括紧凑型光盘只读储存器(compactdisc read-only memory,CD-ROM)、RAM、ROM、EEPROM或其它光盘存储器;计算机可读介质可以包括磁盘存储器或其它磁盘存储设备。而且,任何连接线也可以被适当地称为计算机可读介质。例如,如果使用同轴电缆,光纤电缆,双绞线,DSL或无线技术(如红外,无线电和微波)从网站,服务器或其它远程源传输软件,则同轴电缆,光纤电缆,双绞线,DSL或诸如红外,无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘(CD),激光盘,光盘,数字通用光盘(digital versatile disc,DVD),软盘和蓝光盘,其中磁盘通常以磁性方式再现数据,而光盘利用激光光学地再现数据。
上述的组合也应包括在计算机可读介质的范围内。以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种指纹识别方法,其特征在于,所述方法包括:
终端设备采集待识别指纹图像;
所述终端设备分别计算所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;所述N个指纹图像集合为所述终端设备中预先存储的,所述N个指纹图像集合对应于N个手指的指纹,任一个所述指纹图像集合中的指纹图像为一个手指的指纹图像;
所述终端设备根据所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在所述N个指纹图像集合中确定M个目标指纹图像集合,M小于N;
所述终端设备在所述M个目标指纹图像集合中对所述待识别指纹图像进行指纹识别。
2.根据权利要求1所述的方法,其特征在于,
所述终端设备根据所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在所述N个指纹图像集合中确定M个目标指纹图像集合,包括:所述终端设备基于所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,确定所述N个指纹图像集合中各集合对应的平均相似度;
所述终端设备在所述M个目标指纹图像集合中对所述待识别指纹图像进行指纹识别,包括:所述终端设备从所述N个指纹图像集合中各集合对应的平均相似度中,确定平均相似度大于第一阈值的所述M个目标指纹图像集合;所述终端设备基于平均相似度大于第一阈值的所述M个指纹图像集合对所述待识别指纹图像进行指纹识别。
3.根据权利要求2所述的方法,其特征在于,所述终端设备基于平均相似度大于第一阈值的所述M个指纹图像集合对所述待识别指纹图像进行指纹识别,包括:
所述终端设备获取所述平均相似度大于第一阈值的所述M个指纹图像集合中平均相似度最大的第一指纹图像集合;
所述终端设备基于所述第一指纹集合中各指纹图像对应的相似度中相似度最大的目标指纹图像,对所述待识别指纹图像进行指纹识别。
4.根据权利要求3所述的方法,其特征在于,所述终端设备基于所述第一指纹集合中各指纹图像对应的相似度中相似度最大的目标指纹图像,对所述待识别指纹图像进行指纹识别,包括:
所述终端设备利用指纹识别算法提取所述待识别指纹图像对应的第一特征描述子信息,以及所述目标指纹图像对应的第二特征描述子信息;所述第一特征描述子信息用于表征所述待识别指纹图像中包含特征点的区域;所述第二特征描述子信息用于表征所述目标指纹图像中包含特征点的区域;
所述终端设备基于所述第一特征描述子信息以及所述第二特征描述子信息进行特征比对,得到多个匹配对;
在所述终端设备确定所述多个匹配对的数量大于或等于第二阈值时,所述终端设备确定所述待识别指纹图像识别成功。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述终端设备分别计算所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,包括:
所述终端设备将所述待识别指纹图像输入到预设模型中,输出所述待识别指纹图像对应的第一特征向量;
所述终端设备分别计算所述第一特征向量、与所述N个指纹图像集合中各指纹图像对应的第二特征向量的乘积,得到所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;其中,所述N个指纹图像集合中各指纹图像对应的第二特征向量为所述终端设备预先设置的。
6.根据权利要求5所述的方法,其特征在于,所述预设模型为基于交叉熵损失函数和对比损失函数训练得到的,所述交叉熵损失函数用于区分不同手指的指纹图像,所述对比损失函数用于确定指纹图像对是否匹配成功。
7.一种指纹识别装置,其特征在于,所述指纹识别装置包括:采集单元以及处理单元;
所述采集单元,用于采集待识别指纹图像;
所述处理单元,用于分别计算所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度;所述N个指纹图像集合为终端设备中预先存储的,所述N个指纹图像集合对应于N个手指的指纹,任一个所述指纹图像集合中的指纹图像为一个手指的指纹图像;
所述处理单元,还用于根据所述待识别指纹图像与N个指纹图像集合中各指纹图像的相似度,在所述N个指纹图像集合中确定M个目标指纹图像集合,M小于N;
所述处理单元,还用于在所述M个目标指纹图像集合中对所述待识别指纹图像进行指纹识别。
8.一种终端设备,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,使得所述终端设备执行如权利要求1至6任一项所述的方法。
9.一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,使得计算机执行如权利要求1至6任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被运行时,使得计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447893.5A CN116386091B (zh) | 2022-11-18 | 2022-11-18 | 指纹识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447893.5A CN116386091B (zh) | 2022-11-18 | 2022-11-18 | 指纹识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116386091A true CN116386091A (zh) | 2023-07-04 |
CN116386091B CN116386091B (zh) | 2024-04-02 |
Family
ID=86963886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211447893.5A Active CN116386091B (zh) | 2022-11-18 | 2022-11-18 | 指纹识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386091B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711032A (zh) * | 2023-08-18 | 2024-03-15 | 荣耀终端有限公司 | 指纹识别方法及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010108069A1 (en) * | 2009-03-19 | 2010-09-23 | Indiana University Research & Technology Corporation | System and method for non-cooperative iris recognition |
WO2012106728A1 (en) * | 2011-02-04 | 2012-08-09 | Gannon Technologies Group, Llc | Systems and methods for biometric identification |
US20150227796A1 (en) * | 2014-02-10 | 2015-08-13 | Geenee UG (haftungsbeschraenkt) | Systems and methods for image-feature-based recognition |
CN105550630A (zh) * | 2015-08-11 | 2016-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 一种指纹验证方法和装置 |
WO2017067291A1 (zh) * | 2015-10-19 | 2017-04-27 | 广东欧珀移动通信有限公司 | 一种指纹识别的方法、装置及终端 |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
CN112487867A (zh) * | 2020-11-03 | 2021-03-12 | 杭州电子科技大学 | 基于增强三角剖分的视觉约束指纹识别方法 |
CN112597978A (zh) * | 2021-03-03 | 2021-04-02 | 深圳阜时科技有限公司 | 指纹匹配方法、装置、电子设备及存储介质 |
CN113469143A (zh) * | 2021-08-16 | 2021-10-01 | 西南科技大学 | 一种基于神经网络学习的手指静脉图像识别方法 |
CN114328815A (zh) * | 2021-11-19 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 文本映射模型的处理方法、装置、计算机设备及存储介质 |
CN114550224A (zh) * | 2022-01-17 | 2022-05-27 | 北京海鑫科金高科技股份有限公司 | 基于深度学习的指纹图像识别比对方法、装置和电子设备 |
CN114581853A (zh) * | 2022-03-10 | 2022-06-03 | 重庆紫光华山智安科技有限公司 | 图像匹配方法、系统、设备及介质 |
-
2022
- 2022-11-18 CN CN202211447893.5A patent/CN116386091B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010108069A1 (en) * | 2009-03-19 | 2010-09-23 | Indiana University Research & Technology Corporation | System and method for non-cooperative iris recognition |
WO2012106728A1 (en) * | 2011-02-04 | 2012-08-09 | Gannon Technologies Group, Llc | Systems and methods for biometric identification |
US20150227796A1 (en) * | 2014-02-10 | 2015-08-13 | Geenee UG (haftungsbeschraenkt) | Systems and methods for image-feature-based recognition |
CN105550630A (zh) * | 2015-08-11 | 2016-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 一种指纹验证方法和装置 |
WO2017067291A1 (zh) * | 2015-10-19 | 2017-04-27 | 广东欧珀移动通信有限公司 | 一种指纹识别的方法、装置及终端 |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
CN112487867A (zh) * | 2020-11-03 | 2021-03-12 | 杭州电子科技大学 | 基于增强三角剖分的视觉约束指纹识别方法 |
CN112597978A (zh) * | 2021-03-03 | 2021-04-02 | 深圳阜时科技有限公司 | 指纹匹配方法、装置、电子设备及存储介质 |
CN113469143A (zh) * | 2021-08-16 | 2021-10-01 | 西南科技大学 | 一种基于神经网络学习的手指静脉图像识别方法 |
CN114328815A (zh) * | 2021-11-19 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 文本映射模型的处理方法、装置、计算机设备及存储介质 |
CN114550224A (zh) * | 2022-01-17 | 2022-05-27 | 北京海鑫科金高科技股份有限公司 | 基于深度学习的指纹图像识别比对方法、装置和电子设备 |
CN114581853A (zh) * | 2022-03-10 | 2022-06-03 | 重庆紫光华山智安科技有限公司 | 图像匹配方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
SMITA KHADE 等: "Novel Fingerprint Liveness Detection with Fractional Energy of Cosine Transformed Fingerprint Images and Machine Learning Classifiers", 《2018 IEEE PUNECON》, 30 December 2018 (2018-12-30), pages 1 - 7 * |
程翼宇 等: "化学指纹图谱的相似性测度及其评价方法", 《化学学报》, vol. 60, no. 11, 31 December 2002 (2002-12-31), pages 2017 - 2021 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711032A (zh) * | 2023-08-18 | 2024-03-15 | 荣耀终端有限公司 | 指纹识别方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116386091B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074466B2 (en) | Anti-counterfeiting processing method and related products | |
CN111079576B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN110222789B (zh) | 图像识别方法及存储介质 | |
EP3637290B1 (en) | Unlocking control method and related product | |
CN111476306A (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN110059652B (zh) | 人脸图像处理方法、装置及存储介质 | |
CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN107451454B (zh) | 解锁控制方法及相关产品 | |
CN111476783A (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN116386091B (zh) | 指纹识别方法和装置 | |
CN113515987B (zh) | 掌纹识别方法、装置、计算机设备及存储介质 | |
WO2019011106A1 (zh) | 状态控制方法及相关产品 | |
CN112967730A (zh) | 语音信号的处理方法、装置、电子设备及存储介质 | |
CN111738365A (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN112818979B (zh) | 文本识别方法、装置、设备及存储介质 | |
CN107944024B (zh) | 一种确定音频文件的方法和装置 | |
CN111626035B (zh) | 一种版面分析方法及电子设备 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN112633218B (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN109165546A (zh) | 人脸识别方法及装置 | |
CN109547641B (zh) | 模式可控型智能手机及相应方法 | |
CN111143441A (zh) | 性别确定方法、装置、设备及存储介质 | |
CN117274727B (zh) | 生物特征信息的处理方法、电子设备及可读存储介质 | |
CN115019309A (zh) | 基于图像的字符识别方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |