CN117253262B - 一种基于共性特征学习的伪造指纹检测方法及装置 - Google Patents
一种基于共性特征学习的伪造指纹检测方法及装置 Download PDFInfo
- Publication number
- CN117253262B CN117253262B CN202311516455.4A CN202311516455A CN117253262B CN 117253262 B CN117253262 B CN 117253262B CN 202311516455 A CN202311516455 A CN 202311516455A CN 117253262 B CN117253262 B CN 117253262B
- Authority
- CN
- China
- Prior art keywords
- training
- counterfeit
- fingerprint image
- feature
- fingerprint
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 238
- 239000000463 material Substances 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 108010010803 Gelatin Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008273 gelatin Substances 0.000 description 2
- 229920000159 gelatin Polymers 0.000 description 2
- 235000019322 gelatine Nutrition 0.000 description 2
- 235000011852 gelatine desserts Nutrition 0.000 description 2
- 239000004816 latex Substances 0.000 description 2
- 229920000126 latex Polymers 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于共性特征学习的伪造指纹检测方法及装置，其方法包括：获取测试指纹图像；将测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；将测试共性特征输入第一分类器获取测试真伪检测结果；其中，共性特征提取器的训练损失由真伪检测损失、伪造材料鉴别损失、特征分布损失构成，通过伪造材料鉴别损失剔除共性特征中的伪造材料信息，从而提高在面对未知伪造材料的泛化能力；通过特征分布损失能够在有限的指纹数据集下学习到与数据相干性低的共性特征；因此，本发明能够在有限的指纹数据集下学习，实现泛化能力强和检测准确性高的优点。
Description
技术领域
本发明涉及一种基于共性特征学习的伪造指纹检测方法及装置，属于计算机视觉技术领域。
背景技术
在科技发展与市场需求的双重刺激下，使用指纹特征识别进行安全认证技术得到了广泛使用。然而最近的研究表明，基于指纹识别的认证系统容易受到伪造指纹的欺骗攻击，为了抵御伪造指纹攻击对用户信息安全所产生的威胁，提升指纹认证系统的安全，伪造指纹检测技术成为了研究热点。
现有的伪造指纹检测方法主要分为两类，第一类为基于硬件式的伪造指纹检测方法(Hardware-based Forged Fingerprint detection method)，第二类为基于软件式的伪造指纹检测方法(Software-based Forged Fingerprint detection method)。基于硬件式的检测方法通常借助额外的硬件设备来捕获更多的信息辅助判断指纹活性，例如手指的温度信息、指尖脉搏血样饱和度信息和血压信息等，有的方法将太赫兹技术运用到伪造指纹检测中，通过分析假指纹和真指纹在太赫兹辐射下反射信号的时间和频谱反射率的差异，使用预设定的时频特征阈值来检测指纹的真伪。然而，这些基于硬件式的伪造指纹检测方法存在硬件陈本高，维护困难等问题。为了解决上述基于硬件式的伪造指纹检测方法存在问题，基于软件式方法应运而生，软件式方法主要对指纹图像进行处理并检测真伪，使用成本低且应用更加灵活。基于纹理特征进行伪造指纹检测的传统算法依赖于研究者累积的经验精心设计的算式，在面对未知指纹时的泛化性较差，从而影响其检测精度。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于共性特征学习的伪造指纹检测方法及装置，解决传统算法泛化性较差，从而影响其检测精度的技术问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于共性特征学习的伪造指纹检测方法，包括：
获取测试指纹图像；
将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
将所述测试共性特征输入第一分类器获取测试真伪检测结果；
其中，所述共性特征提取器的训练过程包括：
重复以下步骤，直至第一损失值小于第一损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；
根据所述第一损失值优化所述共性特征提取器的参数。
可选的，所述获取测试指纹图像或获取训练指纹图像时，对所述测试指纹图像或训练指纹图像进行预处理；
所述预处理包括：
通过训练好的YOLOv5目标检测网络从所述测试指纹图像或训练指纹图像中识别出指纹区域；
对所述指纹区域进行裁剪生成预处理后的所述测试指纹图像或训练指纹图像；
所述YOLOv5目标检测网络的训练过程包括：
重复以下步骤，直至第二损失值小于第二损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入YOLOv5目标检测网络获取指纹区域识别结果；
根据所述指纹区域识别结果和所述训练指纹图像的指纹区域标签计算第二损失值；
根据所述第二损失值优化所述YOLOv5目标检测网络的参数。
可选的，所述共性特征提取器和伪造特征提取器的结构相同，均包括：
分割单元，用于将所述测试指纹图像或训练指纹图像分割为预设大小的补丁；
注意力单元，用于对所述补丁进行注意力计算，并根据计算结果生成指纹注意力权重图；
融合单元，用于将所述注意力权重图与所述测试指纹图像或训练指纹图像进行相乘融合生成融合图；
特征提取单元，用于对所述融合图进行特征提取。
可选的，所述注意力单元包括第一卷积层、第二卷积层、第三卷积层、第一空间注意力层、第二空间注意力层、第三空间注意力层以及通道注意力层；所述第一卷积层的输入端作为注意力单元的输入端，所述第一卷积层的输出端连接至第二卷积层和第一空间注意力层的输入端，所述第二卷积层的输出端连接至第三卷积层和第二空间注意力层的输入端，所述第三卷积层的输出端连接至第三空间注意力层的输入端，所述第一空间注意力层、第二空间注意力层以及第三空间注意力层的输出端相加后与第三卷积层的输出端相乘生成相乘结果；将所述相乘结果输入通道注意力单元，将所述通道注意力单元的输出端与相乘结果相乘后从注意力单元的输出端输出。
可选的，所述伪造特征提取器的训练过程包括：
从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第一训练指纹图像集；
重复以下步骤，直至第三损失值小于第三损失阈值：
从所述伪造材料标签对应的第一训练指纹图像集中获取训练指纹图像；
将所述训练指纹图像输入所述伪造材料标签对应的伪造特征提取器，提取第二训练伪造特征；
将所述第二训练伪造特征输入第二分类器获取第一训练伪造材料检测结果；
根据所述第一训练伪造材料检测结果和所述伪造材料标签计算第三损失值；
根据所述第三损失值优化所述伪造材料标签对应的伪造特征提取器的参数。
可选的，所述伪造材料鉴别器的训练过程包括：
从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第二训练指纹图像集；
重复以下步骤，直至第四损失值小于第四损失阈值：
从所述伪造材料标签对应的第二训练指纹图像集中获取训练指纹图像；
将所述训练指纹图像输入预设的特征提取器，提取第三训练伪造特征；
将所述第三训练伪造特征输入所述伪造材料标签对应的伪造材料鉴别器，获取第二训练伪造材料检测结果；
根据所述第二训练伪造材料检测结果和所述伪造材料标签计算第四损失值；
根据所述第四损失值优化所述伪造材料标签对应的伪造材料鉴别器的参数。
可选的，所述根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值包括：
根据所述伪造材料鉴别结果计算伪造材料鉴别损失：
；
式中，为伪造材料的种类，/>为第/>种伪造材料，/>为伪造材料鉴别结果；
根据所述训练真伪检测结果和真伪标签计算真伪检测损失：
；
式中，分别为真伪标签和训练真伪检测结果；
根据特征分布距离计算特征分布损失：
；
式中，为/>的特征分布距离，/>分别为训练共性特征和第一训练伪造特征，/>分别为训练共性特征和第一训练伪造特征中第/>特征点，/>分别为训练共性特征和第一训练伪造特征中特征点的数量，/>为原始样本空间到希尔伯特空间中映射函数，/>为希尔伯特空间；
根据真伪检测损失、伪造材料鉴别损失/>、特征分布损失/>计算第一损失/>：
；
式中，分别为/>的权重参数。
第二方面，本发明提供了一种基于共性特征学习的伪造指纹检测装置，所述装置包括：
图像获取模块，用于获取测试指纹图像；
特征提取模块，用于将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
真伪检测模块，用于将所述测试共性特征输入第一分类器获取测试真伪检测结果；
其中，所述共性特征提取器的训练过程包括：
重复以下步骤，直至第一损失值小于第一损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；
根据所述第一损失值优化所述共性特征提取器的参数。
第三方面，本发明提供了一种电子设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种基于共性特征学习的伪造指纹检测方法及装置，相较于已有算法，本发明的共性特征提取器的训练损失由真伪检测损失、伪造材料鉴别损失、特征分布损失构成，通过伪造材料鉴别损失剔除共性特征中的伪造材料信息，从而提高在面对未知伪造材料的泛化能力；通过特征分布损失能够在有限的指纹数据集下学习到与数据相干性低的共性特征；因此，本发明能够在有限的指纹数据集下学习，实现泛化能力强和检测准确性高的优点。
附图说明
图1是本发明实施例提供的基于共性特征学习的伪造指纹检测方法的流程图；
图2是本发明实施例提供的共性特征提取器的训练过程的流程图；
图3是本发明实施例提供的共性特征提取器或伪造特征提取器的结构示意图；
图4是本发明实施例提供的注意力单元的结构示意图；
图5是本发明实施例提供的伪造特征提取器的训练过程的流程图；
图6是本发明实施例提供的伪造材料鉴别器的训练过程的流程图；
图7是本发明实施例提供的预处理的流程图；
图8是本发明实施例提供的预处理前后对比图；
图9是本发明实施例提供的第一损失值的生成流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明实施例提供了一种基于共性特征学习的伪造指纹检测方法，包括以下步骤：
步骤101、获取测试指纹图像；
步骤102、将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
步骤103、将所述测试共性特征输入第一分类器获取测试真伪检测结果；
如图2所示，具体在本实施方式中，所述共性特征提取器的训练过程包括以下步骤：
步骤S201、重复以下步骤（即步骤S202-S209），直至第一损失值小于第一损失阈值：
步骤S202、从预设的训练指纹数据库中获取训练指纹图像；
步骤S203、将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
步骤S204、将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
步骤S205、根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
伪造指纹的伪造材料种类，如明胶，硅胶，木胶和乳胶等；通过对不同伪造材料，分别训练伪造材料鉴别器，在应用时，通过相应的训练好的伪造材料鉴别器，提高鉴别准确性；在训练共性特征提取器时，其学习到的特征中仍会掺杂部分伪造材料信息，为了剔除伪造材料特征保留共性特征，本专利设计一个伪造材料鉴别器，通过引入域对抗网络的思想对共性伪造特征进行学习。伪造材料鉴别器是一个训练好的多分类模型，将共性特征提取器提取到的特征输入到材料鉴别器中进行博弈优化，将该材料假指纹相干性高的部分过滤，直至材料鉴别器无法通过该特征判断伪造材料类型，表明特定伪造信息被剔除，进一步提高模型检测未知材料假指纹的泛化能力。
步骤S206、根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
通过对不同伪造材料，分别训练伪造特征提取器，在应用时，通过相应的训练好的伪造特征提取器，提高伪造特征提取准确性；
步骤S207、根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
；
式中，为/>的特征分布距离，/>分别为训练共性特征和第一训练伪造特征，/>分别为训练共性特征和第一训练伪造特征中第/>特征点，/>分别为训练共性特征和第一训练伪造特征中特征点的数量，/>为原始样本空间到希尔伯特空间中映射函数，/>为希尔伯特空间；
在多个不同材料伪造假指纹对应的伪造特征提取器的指导下，共性特征提取器能够在有限的指纹数据集下学习到与数据相干性低的共性伪造特征，有助于提高模型在面对未知材料制作假指纹的泛化能力。
步骤S208、根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；如图9所示：
根据所述伪造材料鉴别结果计算伪造材料鉴别损失：
；
式中，为伪造材料的种类，/>为第/>种伪造材料，/>为伪造材料鉴别结果；
根据所述训练真伪检测结果和真伪标签计算真伪检测损失：
；
式中，分别为真伪标签和训练真伪检测结果；
根据特征分布距离计算特征分布损失：
；
式中，为/>的特征分布距离，/>分别为训练共性特征和第一训练伪造特征，/>分别为训练共性特征和第一训练伪造特征中第/>特征点，/>分别为训练共性特征和第一训练伪造特征中特征点的数量，/>为原始样本空间到希尔伯特空间中映射函数，/>为希尔伯特空间；
根据真伪检测损失、伪造材料鉴别损失/>、特征分布损失/>计算第一损失/>：
；
式中，分别为/>的权重参数。
步骤S209、根据所述第一损失值优化所述共性特征提取器的参数。
如图3所示，具体在本实施方式中，所述共性特征提取器和伪造特征提取器的结构相同，均包括：
分割单元，用于将所述测试指纹图像或训练指纹图像分割为预设大小的补丁；
注意力单元，用于对所述补丁进行注意力计算，并根据计算结果生成指纹注意力权重图；
融合单元，用于将所述注意力权重图与所述测试指纹图像或训练指纹图像进行相乘融合生成融合图；
特征提取单元，用于对所述融合图进行特征提取。
如图4所示，为了提取假指纹与真指纹相异的伪造特征，设计了一种注意力单元，用于解决在残差块中多层卷积运算所导致的潜在类间差异特征缺失的问题，在增加少量计算量的情况下使网络提取到多尺度空间信息，使权重分配更加合理。
具体在本实施方式中，所述注意力单元包括第一卷积层、第二卷积层、第三卷积层、第一空间注意力层、第二空间注意力层、第三空间注意力层以及通道注意力层；所述第一卷积层的输入端作为注意力单元的输入端，所述第一卷积层的输出端连接至第二卷积层和第一空间注意力层的输入端，所述第二卷积层的输出端连接至第三卷积层和第二空间注意力层的输入端，所述第三卷积层的输出端连接至第三空间注意力层的输入端，所述第一空间注意力层、第二空间注意力层以及第三空间注意力层的输出端相加后与第三卷积层的输出端相乘生成相乘结果；将所述相乘结果输入通道注意力单元，将所述通道注意力单元的输出端与相乘结果相乘后从注意力单元的输出端输出。
注意力单元通过在三层卷积层后分别进行空间特征计算，并将提取到的多尺度空间特征信息融合，同时通道注意力计算模块对各个特征通道进行权衡计算，注意力单元算式如下：
；
；
式中，为输入的指纹图像，/>为注意力单元提取的特征，/>为提取高维语义特征的第一卷积层、第二卷积层、第三卷积层，/>为通道注意力特征计算，/>为空间注意力特征计算。
如图5所示，具体在本实施方式中，所述伪造特征提取器的训练过程包括以下步骤：
步骤S301、从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第一训练指纹图像集；
步骤S302、重复以下步骤（即步骤S303-S307），直至第三损失值小于第三损失阈值：
步骤S303、从所述伪造材料标签对应的第一训练指纹图像集中获取训练指纹图像；
步骤S304、将所述训练指纹图像输入所述伪造材料标签对应的伪造特征提取器，提取第二训练伪造特征；
步骤S305、将所述第二训练伪造特征输入第二分类器获取第一训练伪造材料检测结果；
步骤S306、根据所述第一训练伪造材料检测结果和所述伪造材料标签计算第三损失值；
步骤S307、根据所述第三损失值优化所述伪造材料标签对应的伪造特征提取器的参数。
如图6所示，具体在本实施方式中，所述伪造材料鉴别器的训练过程包括以下步骤：
S401、从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第二训练指纹图像集；
S402、重复以下步骤（即步骤S403-S407），直至第四损失值小于第四损失阈值：
S403、从所述伪造材料标签对应的第二训练指纹图像集中获取训练指纹图像；
S404、将所述训练指纹图像输入预设的特征提取器，提取第三训练伪造特征；
S405、将所述第三训练伪造特征输入所述伪造材料标签对应的伪造材料鉴别器，获取第二训练伪造材料检测结果；
S406、根据所述第二训练伪造材料检测结果和所述伪造材料标签计算第四损失值；
S407、根据所述第四损失值优化所述伪造材料标签对应的伪造材料鉴别器的参数。
在实际应用时，指纹图像中往往存在大量空白区域，直接进行特征提取训练会增加无效计算量。为了减少网络计算负担，对指纹图像进行自适应裁剪处理，保留有效区域；具体在本实施方式中，所述获取测试指纹图像或获取训练指纹图像时，对所述测试指纹图像或训练指纹图像进行预处理；
如图7所示，所述预处理包括以下步骤：
S501、通过训练好的YOLOv5目标检测网络从所述测试指纹图像或训练指纹图像中识别出指纹区域；
S502、对所述指纹区域进行裁剪生成预处理后的所述测试指纹图像或训练指纹图像；
其中，所述YOLOv5目标检测网络的训练过程包括以下步骤：
S5011、重复以下步骤（即步骤S5012-S5015），直至第二损失值小于第二损失阈值：
S5012、从预设的训练指纹数据库中获取训练指纹图像；
S5013、将所述训练指纹图像输入YOLOv5目标检测网络获取指纹区域识别结果；
S5014、根据所述指纹区域识别结果和所述训练指纹图像的指纹区域标签计算第二损失值；
S5015、根据所述第二损失值优化所述YOLOv5目标检测网络的参数。
如图8所示，指纹图像有效区域被提取以后，白色区域减少，减少了网络计算负担的同时也降低了白色区域对网络在特征提取训练时的干扰。为此，图像预处理有助于后续步骤的进行。
实验验证：
本方案实验所采用的指纹图像数据库为LivDet2017，为国际指纹活性检测大赛所提供的官方数据库，指纹图像数据库的基本信息如表1所示。该数据库指纹图像由GreenBit、DigitalPersona、Orcathus这3种传感器所采集，传感器详细信息如表2所示。制作假指纹的材料包括木胶，明胶和乳胶等材料，数据库中指纹图像被划分为不重叠的两个部分：训练集和测试集，训练集和测试集中假指纹制作的材料均不相同。
表1 LivDet2017指纹图像数据库基本信息：
表2 指纹采集传感器的详细信息：
在本算法的实验中，我们使用python语言并结合Pytorch框架进行编程实验，Pytorch框架中包含许多实用的工具包，易于实现网络的搭建,能够快速对所提方案理论进行实验论证。
表3为本专利进行伪造指纹检测性能实验得到的结果，结果评估指标为真实检测率(TDR, True Detection Rate)和平均分类错误率(ACE, Average ClassificationError)表示。
表3 伪造指纹检测性能实验：
由表3可以看出，与现有方法相比，本专利所提方法在同材料和跨材料伪造指纹检测性能上均有提升。
实施例二：
本发明实施例提供了一种基于共性特征学习的伪造指纹检测装置，所述装置包括：
图像获取模块，用于获取测试指纹图像；
特征提取模块，用于将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
真伪检测模块，用于将所述测试共性特征输入第一分类器获取测试真伪检测结果；
其中，所述共性特征提取器的训练过程包括：
重复以下步骤，直至第一损失值小于第一损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；
根据所述第一损失值优化所述共性特征提取器的参数。
实施例三：
基于实施例一，本发明实施例提供了一种电子设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
实施例四：
基于实施例一，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于共性特征学习的伪造指纹检测方法，其特征在于，包括：
获取测试指纹图像；
将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
将所述测试共性特征输入第一分类器获取测试真伪检测结果；
其中，所述共性特征提取器的训练过程包括：
重复以下步骤，直至第一损失值小于第一损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；
根据所述第一损失值优化所述共性特征提取器的参数。
2.根据权利要求1所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述获取测试指纹图像或获取训练指纹图像时，对所述测试指纹图像或训练指纹图像进行预处理；
所述预处理包括：
通过训练好的YOLOv5目标检测网络从所述测试指纹图像或训练指纹图像中识别出指纹区域；
对所述指纹区域进行裁剪生成预处理后的所述测试指纹图像或训练指纹图像；
所述YOLOv5目标检测网络的训练过程包括：
重复以下步骤，直至第二损失值小于第二损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入YOLOv5目标检测网络获取指纹区域识别结果；
根据所述指纹区域识别结果和所述训练指纹图像的指纹区域标签计算第二损失值；
根据所述第二损失值优化所述YOLOv5目标检测网络的参数。
3.根据权利要求1所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述共性特征提取器和伪造特征提取器的结构相同，均包括：
分割单元，用于将所述测试指纹图像或训练指纹图像分割为预设大小的补丁；
注意力单元，用于对所述补丁进行注意力计算，并根据计算结果生成指纹注意力权重图；
融合单元，用于将所述注意力权重图与所述测试指纹图像或训练指纹图像进行相乘融合生成融合图；
特征提取单元，用于对所述融合图进行特征提取。
4.根据权利要求3所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述注意力单元包括第一卷积层、第二卷积层、第三卷积层、第一空间注意力层、第二空间注意力层、第三空间注意力层以及通道注意力层；所述第一卷积层的输入端作为注意力单元的输入端，所述第一卷积层的输出端连接至第二卷积层和第一空间注意力层的输入端，所述第二卷积层的输出端连接至第三卷积层和第二空间注意力层的输入端，所述第三卷积层的输出端连接至第三空间注意力层的输入端，所述第一空间注意力层、第二空间注意力层以及第三空间注意力层的输出端相加后与第三卷积层的输出端相乘生成相乘结果；将所述相乘结果输入通道注意力单元，将所述通道注意力单元的输出端与相乘结果相乘后从注意力单元的输出端输出。
5.根据权利要求1所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述伪造特征提取器的训练过程包括：
从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第一训练指纹图像集；
重复以下步骤，直至第三损失值小于第三损失阈值：
从所述伪造材料标签对应的第一训练指纹图像集中获取训练指纹图像；
将所述训练指纹图像输入所述伪造材料标签对应的伪造特征提取器，提取第二训练伪造特征；
将所述第二训练伪造特征输入第二分类器获取第一训练伪造材料检测结果；
根据所述第一训练伪造材料检测结果和所述伪造材料标签计算第三损失值；
根据所述第三损失值优化所述伪造材料标签对应的伪造特征提取器的参数。
6.根据权利要求1所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述伪造材料鉴别器的训练过程包括：
从预设的训练指纹数据库中获取具有相同伪造材料标签的训练指纹图像，生成所述伪造材料标签对应的第二训练指纹图像集；
重复以下步骤，直至第四损失值小于第四损失阈值：
从所述伪造材料标签对应的第二训练指纹图像集中获取训练指纹图像；
将所述训练指纹图像输入预设的特征提取器，提取第三训练伪造特征；
将所述第三训练伪造特征输入所述伪造材料标签对应的伪造材料鉴别器，获取第二训练伪造材料检测结果；
根据所述第二训练伪造材料检测结果和所述伪造材料标签计算第四损失值；
根据所述第四损失值优化所述伪造材料标签对应的伪造材料鉴别器的参数。
7.根据权利要求1所述的基于共性特征学习的伪造指纹检测方法，其特征在于，所述根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值包括：
根据所述伪造材料鉴别结果计算伪造材料鉴别损失：
；
式中，为伪造材料的种类，/>为第/>种伪造材料，/>为伪造材料鉴别结果；
根据所述训练真伪检测结果和真伪标签计算真伪检测损失：
；
式中，分别为真伪标签和训练真伪检测结果；
根据特征分布距离计算特征分布损失：
；
式中，为/>的特征分布距离，/>分别为训练共性特征和第一训练伪造特征，/>分别为训练共性特征和第一训练伪造特征中第/>特征点，/>分别为训练共性特征和第一训练伪造特征中特征点的数量，/>为原始样本空间到希尔伯特空间中映射函数，/>为希尔伯特空间；
根据真伪检测损失、伪造材料鉴别损失/>、特征分布损失/>计算第一损失/>：
；
式中，分别为/>的权重参数。
8.一种基于共性特征学习的伪造指纹检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取测试指纹图像；
特征提取模块，用于将所述测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；
真伪检测模块，用于将所述测试共性特征输入第一分类器获取测试真伪检测结果；
其中，所述共性特征提取器的训练过程包括：
重复以下步骤，直至第一损失值小于第一损失阈值：
从预设的训练指纹数据库中获取训练指纹图像；
将所述训练指纹图像输入共性特征提取器，提取训练共性特征；
将所述训练共性特征输入第一分类器，获取训练真伪检测结果；
根据所述训练指纹图像的伪造材料标签，将所述训练共性特征输入相应的训练好的伪造材料鉴别器，获取伪造材料鉴别结果；
根据所述训练指纹图像的伪造材料标签，将所述训练指纹图像输入相应的训练好的伪造特征提取器，提取第一训练伪造特征；
根据所述训练共性特征和第一训练伪造特征计算特征分布距离；
根据所述伪造材料鉴别结果、训练真伪检测结果、特征分布距离以及所述训练指纹图像的真伪标签计算第一损失值；
根据所述第一损失值优化所述共性特征提取器的参数。
9.一种电子设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
10.一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，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516455.4A CN117253262B (zh) | 2023-11-15 | 2023-11-15 | 一种基于共性特征学习的伪造指纹检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516455.4A CN117253262B (zh) | 2023-11-15 | 2023-11-15 | 一种基于共性特征学习的伪造指纹检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253262A CN117253262A (zh) | 2023-12-19 |
| CN117253262B true CN117253262B (zh) | 2024-01-30 |
Family
ID=89133564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516455.4A Active CN117253262B (zh) | 2023-11-15 | 2023-11-15 | 一种基于共性特征学习的伪造指纹检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253262B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573202A (zh) * | 2017-03-17 | 2018-09-25 | 北京旷视科技有限公司 | 身份认证方法、装置和系统以及终端、服务器和存储介质 |
| CN111597895A (zh) * | 2020-04-15 | 2020-08-28 | 浙江工业大学 | 一种基于resnet50的OCT指纹防伪方法 |
| CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
| CN113988180A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于模型指纹的生成图像溯源方法 |
| CN114663936A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种基于不确定性感知层次监督的人脸伪造检测方法 |
| CN114746864A (zh) * | 2019-11-28 | 2022-07-12 | 罗伯特·博世有限公司 | 用于验证产品的真伪的方法和设备 |
| CN115147874A (zh) * | 2021-03-31 | 2022-10-04 | 三星电子株式会社 | 用于生物特征信息伪造检测的方法和设备 |
| CN116957036A (zh) * | 2022-12-16 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 伪造多媒体检测模型的训练方法、装置和计算设备 |
| CN116958637A (zh) * | 2023-04-26 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 图像检测模型的训练方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989888B (zh) * | 2019-12-17 | 2024-06-07 | 华为技术有限公司 | 一种指纹防伪方法及电子设备 |
| CN111709408B (zh) * | 2020-08-18 | 2020-11-20 | 腾讯科技（深圳）有限公司 | 图像真伪检测方法和装置 |
-
2023
- 2023-11-15 CN CN202311516455.4A patent/CN117253262B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573202A (zh) * | 2017-03-17 | 2018-09-25 | 北京旷视科技有限公司 | 身份认证方法、装置和系统以及终端、服务器和存储介质 |
| CN114746864A (zh) * | 2019-11-28 | 2022-07-12 | 罗伯特·博世有限公司 | 用于验证产品的真伪的方法和设备 |
| CN111597895A (zh) * | 2020-04-15 | 2020-08-28 | 浙江工业大学 | 一种基于resnet50的OCT指纹防伪方法 |
| CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
| CN115147874A (zh) * | 2021-03-31 | 2022-10-04 | 三星电子株式会社 | 用于生物特征信息伪造检测的方法和设备 |
| CN113988180A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于模型指纹的生成图像溯源方法 |
| CN114663936A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种基于不确定性感知层次监督的人脸伪造检测方法 |
| CN116957036A (zh) * | 2022-12-16 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 伪造多媒体检测模型的训练方法、装置和计算设备 |
| CN116958637A (zh) * | 2023-04-26 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 图像检测模型的训练方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Fingerprint Presentation Attack Detection Based on Local Features Encoding for Unknown Attacks;LÁZARO JANIER GONZÁLEZ-SOLER等;《IEEE Access》;第9卷;第5806-5820页 * |
| 人脸欺骗攻击的鲁棒检测算法研究;贾姗;《中国博士学位论文全文数据库 信息科技辑》(第6期);第I138-42页 * |
| 深度伪造与检测技术综述;李旭嵘等;《软件学报》;第32卷(第2期);第496-518页 * |
| 高泛化性的深度伪造检测算法研究;余佩鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》(第1期);第I138-1282页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253262A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Orientation field estimation for latent fingerprint enhancement | |
| Ruiz-del-Solar et al. | Offline signature verification using local interest points and descriptors | |
| CN102945366B (zh) | 一种人脸识别的方法及装置 | |
| Joshi et al. | Latent fingerprint enhancement using generative adversarial networks | |
| CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
| KR20180022677A (ko) | 지문기반 인증을 위한 장치 및 컴퓨터 구현방법 | |
| CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
| Raghavendra et al. | Presentation attack detection algorithms for finger vein biometrics: A comprehensive study | |
| Peralta et al. | Minutiae filtering to improve both efficacy and efficiency of fingerprint matching algorithms | |
| CN104200239A (zh) | 一种基于图像特征融合识别的签名鉴伪系统及方法 | |
| CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
| Alheeti | Biometric iris recognition based on hybrid technique | |
| Kumar et al. | An improved biometric fusion system of fingerprint and face using whale optimization | |
| CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
| CN111178203B (zh) | 签名审核方法、装置、计算机设备和存储介质 | |
| CN109583452B (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
| CN114359553B (zh) | 一种基于物联网的签章定位方法、系统及存储介质 | |
| CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
| CN105320948A (zh) | 一种基于图像的性别识别方法、装置及系统 | |
| CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
| Yuan et al. | Fingerprint liveness detection using histogram of oriented gradient based texture feature | |
| Khalid et al. | Tropical wood species recognition system based on multi-feature extractors and classifiers | |
| CN112861743B (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
| CN117253262B (zh) | 一种基于共性特征学习的伪造指纹检测方法及装置 | |
| EP4105825A1 (en) | Generalised anomaly detection |
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 |