TW202215289A - 用於指紋圖像識別的方法、設備及計算機可讀介質 - Google Patents
用於指紋圖像識別的方法、設備及計算機可讀介質 Download PDFInfo
- Publication number
- TW202215289A TW202215289A TW110117435A TW110117435A TW202215289A TW 202215289 A TW202215289 A TW 202215289A TW 110117435 A TW110117435 A TW 110117435A TW 110117435 A TW110117435 A TW 110117435A TW 202215289 A TW202215289 A TW 202215289A
- Authority
- TW
- Taiwan
- Prior art keywords
- feature points
- target
- target feature
- fingerprint image
- feature point
- Prior art date
Links
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
- 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
- G06V40/1318—Sensors therefor using electro-optical elements or layers, e.g. electroluminescent sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本發明涉及一種用於指紋圖像識別的方法、設備及計算機可讀介質,其中方法包括根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分,將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,並根據熵圖來確定目標指紋圖像是否與參考指紋圖像匹配,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度。本發明方案充分利用採集到的目標指紋圖像的圖像信息來進行指紋的識別,從而可顯著地提升指紋識別的準確度和有效性。
Description
本發明一般地涉及指紋識別領域。更具體地,本發明涉及一種用於指紋圖像識別的方法、用於指紋圖像識別的設備及非瞬態計算機可讀介質。
隨著各類電子設備(包括智能終端)在日常生活中的廣泛使用,其用戶訪問的安全性成為需要關注的一個重要因素。為了保證設備使用的安全性,當前提出了對用戶進行驗證的多種方案,其中一些使用到用戶的生物特徵。作為生物特徵之一的指紋由於其唯一性而成為安全驗證的有效手段。通過對指紋的準確識別,可以有效地保護設備的安全接入,從而防止非法或非授權用戶的盜用。
當前已經提出用於對指紋進行識別的多種識別方法,並且這些識別方法可以達到一定的識別準確度。然而,隨著用於採集指紋數據的傳感器不斷小型化,前述現有的識別方法並不能適配於傳感器的這種改變,並且由此無法取得令人滿意的識別準確度。
有鑑於此,吾等發明人乃潛心進一步研究,並著手進行研發及改良,期以一較佳發明以解決上述問題,且在經過不斷試驗及修改後而有本發明之問世。
至少針對上述背景技術中的缺陷,本發明提供一種用於準確識別指紋圖像的方案。具體來說,本發明對採集到的目標指紋圖像上的目標特徵點進行等級劃分,利用劃分等級後的目標特徵點進行比對形成熵圖,並根據熵圖來確定目標指紋圖像是否與參考指紋圖像匹配。通過前述的方案可知,本發明充分利用採集到的圖像信息來進行指紋的識別,從而顯著地提升指紋識別的準確度和有效性。為此,本發明在下述的多個方面中提供解決方案。
在第一方面中,本發明提供一種用於指紋圖像識別的方法,包括:根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分;將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配。
在一個實施例中,所述特徵點屬性包括所述目標特徵點的清晰度和/或形狀獨特性,並且根據所述特徵點屬性對多個目標特徵點進行等級劃分包括:根據所述目標特徵點是否滿足關於清晰度和/或形狀獨特性的預定要求對其進行等級劃分。
在一個實施例中,對所述多個目標特徵點進行等級劃分包括:根據所述特徵點屬性將所述多個目標特徵點劃分成第一等級特徵點、第二等級特徵點和第三等級特徵點,其中所述第一等級特徵點滿足關於所述清晰度和形狀獨特性性二者的預定要求,所述第二等級特徵點滿足關於所述清晰度和形狀獨特性之一的預定要求,而所述第三等級特徵點未滿足關於所述清晰度和形狀獨特性二者的預定要求。
在一個實施例中,所述特徵點屬性還包括關於所述目標特徵點所含信息量的信息量比重,其中所述信息量比重與所述目標特徵點在所述目標指紋圖像的位置相關。
在一個實施例中,位於所述目標指紋圖像的邊界內的所述目標特徵點具有100%的信息量比重,而位於所述目標指紋圖像的邊界上的所述目標特徵點的信息量比重與所述目標特徵點在所述邊界內的面積成比例。
在一個實施例中,將劃分等級後的多個目標特徵點與多個參考特徵點進行比對包括:基於所述多個目標特徵點生成至少一個目標特徵點集合,其中每個所述目標特徵點集合中包括至少兩個所述目標特徵點,且每個所述目標特徵點集合具有對應的聯合等級;以及將每個目標特徵點集合與所述參考指紋圖像上的多個參考特徵點進行比對。
在一個實施例中,將多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖包括:根據各個所述目標特徵點的等級將各個所述目標特徵點與參考指紋圖像上各個對應的參考特徵點進行相似度比較,以獲得各個所述目標特徵點的相似度評分;將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及根據各個所述比較結果將各個所述目標特徵點以對應的呈現方式進行呈現,以形成所述熵圖。
在一個實施例中,根據各個所述比較結果將各個所述目標特徵點進行呈現包括:根據各個所述比較結果將各個所述目標特徵點以預設顏色進行呈現。
在一個實施例中,將多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖包括:根據各個所述目標特徵點的等級將各個所述目標特徵點集合與參考指紋圖像上各個對應的參考特徵點集合進行相似度比較,以獲得各個所述目標特徵點集合的相似度評分; 將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及根據各個所述比較結果將各個所述目標特徵點集合以對應的呈現方式進行呈現,以形成所述熵圖。
在一個實施例中,根據各個所述比較結果將各個所述目標特徵點集合進行呈現包括:根據各個所述比較結果將各個所述目標特徵點集合以預設顏色進行呈現。
在一個實施例中,根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配包括:根據所述熵圖中具有預設呈現方式的目標特徵點的數目和/或所占區域的大小來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
在一個實施例中,根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配包括:將所述熵圖輸入至經訓練的神經網絡模型,以便將所述熵圖分類為真熵圖或偽熵圖;響應於所述熵圖分類為真熵圖,確定所述目標指紋圖像與所述參考指紋圖像相匹配;以及響應於所述熵圖分類為偽熵圖,確定所述目標指紋圖像與所述參考指紋圖像不相匹配。
在第二方面中,本發明還提供一種用於指紋圖像識別的設備,包括:處理器;存儲器,其存儲有處理器可執行的程序指令,當所述程序指令由所述處理器執行時,使得所述設備執行:根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分;將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
在第三方面中,本發明還提供一種非瞬態計算機可讀介質,其存儲有用於指紋圖像識別的程序指令,當所述程序指令由至少一個處理器執行時,使得執行以下操作:根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分;將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
基於上述關於本發明方案的描述,本發明所屬技術領域中具有通常知識者可以理解上述實施例所述的方案對採集到的目標指紋圖像上的目標特徵點進行等級劃分,利用劃分等級後的目標特徵點進行比對形成熵圖,並根據熵圖來確定目標指紋圖像是否與參考指紋圖像匹配。通過前述的方案可知,本發明充分利用採集到的目標指紋圖像的圖像信息來進行指紋的識別,從而可顯著地提升指紋識別的準確度和有效性。
關於吾等發明人之技術手段,茲舉數種較佳實施例配合圖式於下文進行詳細說明,俾供 鈞上深入瞭解並認同本發明。
下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整地描述。顯然,所描述的實施例是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本發明所屬技術領域中具有通常知識者在沒有做出進步性勞動前提下所獲得的所有其他實施例,都屬於本發明保護的範圍。
如在背景技術部分中所提到的,對於尺寸相對較大的指紋採集傳感器來說,現有的識別方法能夠以預期的識別準確度來實現對指紋的識別。然而,對於“小尺寸”傳感器採集的指紋數據來說,現有的識別方法已無法獲得用戶期望的識別準確度。鑒於傳感器的不斷小型化,本發明提出一種新的用於指紋圖像識別的方案,其適用於小型化的指紋採集傳感器並且能夠取得良好的識別準確度。下面將結合附圖對本發明的方案進行具體闡述。
圖1是根據本發明實施例的用於指紋圖像識別的方法100的示意流程圖。
如圖1中所示,方法100包括在步驟S101處,根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分。在一個具體實施場景中,可以通過指紋感應器來採集目標指紋圖像上的多個(例如50、90或100個)目標特徵點,其中目標特徵點的數目可以根據應用場景需求、目標指紋圖像的清晰程度和/或形狀等多種因素來確定。以清晰程度為例,圖像清晰時可以採集更多的(例如100個)目標特徵點,而圖像模糊時則可採集相對較少的(例如50個)目標特徵點。
在採集到目標特徵點後,根據本發明的一個實施例,可以根據目標特徵點的清晰度和/或形狀獨特性對採集的多個目標特徵點進行等級劃分。具體來說,可以根據目標特徵點是否滿足關於清晰度和/或形狀獨特性的預定要求對目標特徵點進行等級劃分。通過這樣的等級劃分,高等級的目標特徵點將在後續的相似度比較中具有更高的可信度(也即更高的評分)。對應地,低等級目標特徵點則具有相對較低的可信度。
在一個實施場景中,可以根據上述劃分標準將多個目標特徵點劃分成三個等級的特徵點,其中第一等級特徵點滿足關於清晰度和形狀獨特性二者的預定要求,第二等級特徵點滿足上述兩者之一的預定要求,而第三等級特徵點不滿足其中任何一個要求。例如,當特徵點圖像清晰且形狀獨特,如形狀中包含斷點、分叉點或端點時將該目標特徵點劃分為第一等級,而當特徵點圖像清晰但形狀普通,或者圖像模糊但形狀獨特時則可將其劃分為第二等級。所述形狀普通可以為例如形狀僅包含常見的指紋凹凸部分。進一步地,當特徵點既模糊形狀又普通時便可將其劃分為第三等級。為了便於更好的理解此處的三等級的特徵點劃分,下面將結合圖2a、圖3a、圖4a和圖5a所示的目標指紋圖像中的目標特徵點及它們形成的目標特徵點集合(分示在圖2b、圖3b、圖4b、圖4c、圖5b和圖5c中)來進一步闡述。
在圖2a中,目標特徵點201為指紋的端點且圖像清晰,因此將其劃分為第一等級,而該圖中的另外兩個目標特徵點202雖然圖像清晰,但其形狀均為常規的指紋凹凸部分,因此將其劃分為較低的第二等級。另外,由圖2a可以看出,上述三個目標特徵點集中在目標指紋圖像的較小的區域內,其位置關係比較緊密,因此該三個目標特徵點可以組成第一目標特徵點集合200(如圖2b中所示)。進一步,由於組成第一目標特徵點集合200的目標特徵點的等級分別為較高的第一等級和第二等級,因此可將該第一目標特徵點集合200的等級設置為第一聯合等級。
圖3a中同樣示出了包括三個目標特徵點的目標指紋圖像,其中的三個目標特徵點分別為目標特徵點301以及位於目標特徵點301一側且與其位置接近的兩個目標特徵點302。由圖3a可以看出,目標特徵點301的形狀為指紋的分叉點且圖像清晰,因而將其劃分為第一等級,而另外兩個目標特徵點302雖然圖像清晰,但其形狀均為常規的指紋凹凸部分,因而將其劃分為第二等級。另外,由於上述目標特徵點301和兩個目標特徵點302的位置均集中在目標指紋圖像邊界處的較小的區域內,其位置關係比較緊密,因此可以組成第二目標特徵點集合300(如圖3b中所示)。進一步,該第二目標特徵點集合300中包括的目標特徵點的等級分別是第一等級和第二等級,因此可將其等級設置為第一聯合等級。
上述圖2a和圖3a均只示出了包含兩個等級的目標特徵點的場景,為了便於更充分的理解本發明多等級特徵點的劃分方式,下面將結合其中示出多個等級和較多特徵點的圖4a和圖5a來做進一步描述。
圖4a中示出的目標指紋圖像中包括目標特徵點401和位於目標特徵點401兩側的三個目標特徵點402。目標特徵點401的形狀為指紋的分叉點且圖像清晰,因此可將其劃分為第一等級,所述三個目標特徵點402的圖像清晰,但其形狀僅為常規的指紋凹凸部分,因此將其劃分為第二等級。另外,由於三個目標特徵點402與目標特徵點401的距離較近,其位置關係比較緊密,因此該四個目標特徵點可以組成第三目標特徵點集合4001(如圖4b中所示)。進一步,由於該第三目標特徵點集合4001中包括的目標特徵點的等級與前述第一目標特徵點集合200或第二目標特徵點集合300相同,因此可相應地將其等級設置為較高的所述第一聯合等級。
圖4a中的上述目標特徵點401兩側還進一步分佈有兩個目標特徵點403。由圖4a可以看出,所述的兩個目標特徵點403的形狀為指紋凹凸部分且圖像模糊,因此將其劃分為第三等級。所述的兩個目標特徵點403、目標特徵點401及與目標特徵點401相交的一個目標特徵點402相接,其位置關係比較緊密,因此該四個目標特徵點可組成第四目標特徵點集合4002(如圖4c中所示)。進一步,由於第四目標特徵點集合4002中不僅包括較高的第一等級特徵點和第二等級特徵點,還包括較低的第三等級特徵點,因此可相應地將其等級設置為較低的第二聯合等級。
圖5a中示例性地示出了一個目標指紋圖像的示意圖。在所述目標指紋圖像中包括目標特徵點501、位於目標特徵點501兩側的三個目標特徵點502和三個目標特徵點503。由圖5a可以看出,所述目標特徵點501的形狀為指紋的分叉點且圖像清晰,所述三個目標特徵點502的圖像清晰但形狀比較常規(指紋凹凸部分),而所述三個目標特徵點503的形狀僅為指紋凹凸部分且圖像模糊,因此將上述目標特徵點501、目標特徵點502以及目標特徵點503分別劃分為第一等級、第二等級和第三等級。
在圖5a中,上述三個目標特徵點502與目標特徵點501分佈的位置比較集中,因此該四個目標特徵點可以組成第五目標特徵點集合5001(如圖5b中所示),並且由於該第五目標特徵點集合5001中包括的目標特徵點的等級也較高(第一等級和第二等級),因此可相應地將其等級設置為較高的第一聯合等級。
由圖5a還可以看出,兩個所述目標特徵點503、目標特徵點501以及與目標特徵點50相交的一個所述目標特徵點502相接,其位置關係比較緊密,因此,該四個目標特徵點可以組成第六目標特徵點集合5002(如圖5c所示)。另外,由於該第六目標特徵點集合5002中包括高等級的目標特徵點(第一等級特徵點和第二等級特徵點)和低等級的目標特徵點(第三等級特徵點),因此,其等級也可相應地設置為第二聯合等級。
上面通過圖2a至圖5c對基於形狀獨特性和清晰度對目標特徵點進行等級劃分的方式進行了詳細描述。可以看出,上述等級劃分方式及聯合等級的設定方式充分利用目標特徵點的特性(如形狀獨特性和圖像清晰度),在進行指紋識別時可充分考慮各個目標特徵點的可信度,進而得到更為準確的識別結果。
在一些實施場景中,還可以考慮使用圖像邊界區域的信息。為此,本發明提出結合目標特徵點所含信息量的信息量比重進行等級劃分的方案。具體來說,該方案可以將採集到的待識別指紋圖像邊界區域上的目標特徵點所含信息量的信息量比重作為等級劃分的一個因素,從而可使邊界區域的圖像信息在等級劃分中得到使用,進而進一步提升指紋識別準確度。
進一步地,目標特徵點所含信息量的信息量比重可與目標特徵點在目標指紋圖像的位置相關。例如,位於目標指紋圖像的邊界內的目標特徵點具有100%的信息量比重,而位於目標指紋圖像的邊界上的目標特徵點的信息量比重與目標特徵點在邊界內的面積成比例。下面將結合圖6和圖7進一步闡述該種等級劃分方式。
如圖6中所示,目標特徵點601和目標特徵點602均在目標指紋圖像的邊界內,具有100%的信息量比重,目標特徵點601的形狀獨特(為指紋的分叉點)且圖像清晰,因此將其劃分為第一等級特徵點,而目標特徵點602的圖像雖然清晰,但其形狀只是比較常規的指紋凹凸部分,因此只能將其劃分為第二等級特徵點。位於目標指紋圖像邊界區域的目標特徵點603僅有75%的區域在目標指紋圖像的邊界內,具有75%的信息量比重。雖然目標特徵點603對應的信息量比重不高,但其形狀比較獨特(指紋的端點)且圖像較清晰,因此可將其劃分為第一等級特徵點。位於目標指紋圖像最右側的目標特徵點604有90%的區域在目標指紋圖像的邊界內,具有90%的信息量比重,但其形狀較為常規(為指紋凹凸部分),因此雖然其圖像清晰,也只能將其劃分為第二等級特徵點。
以圖7所示的目標指紋圖像為例來說,採用上述所含信息的信息量比重作為等級劃分的一個因素不僅可以利用邊界內的圖像信息,還可以利用邊界區域701部分的圖像信息(現有技術通常無法使用這部分的圖像信息)。由於在等級劃分中還利用了邊界信息,本發明的等級劃分方式相對於現有技術而言可以顯著提升指紋識別的準確度。
上述圖2a至圖6中示出了三種等級的目標特徵點的劃分方法,本領域技術人員可以理解,為適應不同的應用場景,目標特徵點還可以分為更多個等級(例如四或五個等級),此處不再贅述。
前文結合步驟S101對目標特徵點的等級劃分進行了示例性地詳細描述,現在繼續圖1的流程,在步驟S102處,方法100將上述劃分等級後的多個目標特徵點與多個參考特徵點進行比對以形成熵圖。在本發明的方案中,熵圖的形成可以包括兩種方式,下面將通過不同的實施例來對形成熵圖的前述兩種方式進行詳細說明。
第一種熵圖的形成方式可以是採用前述目標特徵點單獨比對的方式來實現,即將各個目標特徵點分別比對。具體來說,在比對時,可以將各個所述目標特徵點與參考指紋圖像上各個對應的參考特徵點進行相似度比較,並根據目標特徵點的不同等級得到對應的相似度評分。例如,在與參考指紋圖像比較時,當高等級目標特徵點和低等級目標特徵點都與對應的參考特徵點相似時,由於高等級目標特徵點相對於低等級目標特徵點具有更高的可信度,因此其比低等級目標特徵點具有更高的相似度評分。
以前述圖4a中的各個目標特徵點為例來說,若該各個目標特徵點與對應的參考特徵點的相似度相同,則其中的第一等級的目標特徵點401的相似度評分可為例如100,第二等級的目標特徵點402的相似度評分可為例如50,而第三等級的目標特徵點403的相似度評分僅為例如20。可以理解的是此處的分數僅僅是示例性的,並且不在任何方面對本發明造成限制。
在通過上述比對方式得到各個相似度評分後,再將它們分別與預定的閾值或閾值範圍(可根據例如指紋識別精確度具體設定)比較,獲得比較結果,並根據獲得的各個比較結果將對應的目標特徵點以對應的呈現方式(例如預設顏色)進行呈現,最終形成熵圖。在一個實施例中,所述比較結果可為相似度評分與閾值的差值。
下面通過舉例來進一步說明通過顏色呈現目標特徵點的具體呈現方式。例如,比較結果在第一結果範圍內,則對應的目標特徵點在熵圖上呈現深綠色圖案。比較結果在第二結果範圍內,則對應的目標特徵點在熵圖上呈現淺綠色圖案。進一步,比較結果在第三結果範圍內,則對應的目標特徵點在熵圖上呈現灰色圖案。通過該例子可以看出,具有不同相似度情況的目標特徵點可在熵圖上呈現出不同的顏色。通過所示出的熵圖,可以觀察到各個顏色的目標特徵點的大概比例及顏色的大致分佈情況、匹配情況以及相似或不相似區域。
為了適應不同應用場景的需求,除通過顏色對目標特徵點進行相似度呈現外,在一個實施例中,還可通過形狀或大小對各個目標特徵點進行呈現,這種呈現方式也具有與顏色呈現相類似的效果。例如,以形狀作為呈現方式時,如果比較結果在所述第一結果範圍內,則對應的目標特徵點在熵圖上呈現圓形圖案。如果比較結果在所述第二結果範圍內,則對應的目標特徵點在熵圖上呈現三角形圖案。進一步,如果比較結果在所述第三結果範圍內,則對應的目標特徵點在熵圖上呈現長方形圖案。
上文結合各實施例充分描述了以目標特徵點為單元進行比對來形成熵圖的第一種方式。由上述實施例的描述可以看出,該熵圖的形成方式中考慮了目標特徵點自身的特性(例如劃分的等級),從而可提高利用其進行指紋識別的準確性。
第二種熵圖的形成方式涉及通過目標特徵點集合(詳見前述實施例)中各目標特徵點之間的相對關係來比對以形成熵圖。在一個實施例中,利用目標特徵點集合進行比對時,可以首先分別根據各個目標特徵點本身的等級來對目標特徵點進行單獨的相似性比較(與前述實施例相同,不再贅述),然後再比較本目標特徵點集合中各個目標特徵點的位置關係是否參考特徵點集合相同,並根據具體的比較結果以及各個目標特徵點的等級得到相似度評分。
以前述圖2b中的第一目標特徵點集合200為例來說,在進行目標特徵點集合的相似度比較時,先目標特徵點201和兩個目標特徵點202與對應參考特徵點是否相似,再比較參考特徵點集合中的各個參考特徵點之間是否也為三角形位置關係。全部比較完畢後得到整個集合的最終相似度評分。在一些場景中,當前述的位置關係為相同時,對應目標特徵點集合中的各目標特徵點的相似度評分就比較高。當前述的位置關係為不同時,目標特徵點的相似度評分會比較低,但仍會高於僅依賴目標特徵點進行比對時的分數。本領域技術人員可以理解的是,目標特徵點集合的聯合等級越高,其內各個目標特徵點的相似度評分也會越高。
通過上述描述,可以理解的是,通過目標特徵點集合進行相似度比較不僅可以利用目標特徵點自身的特性,還可充分利用多特徵點之間的關係(如相對位置關係),從而使其中包含的目標特徵點的可信度比僅依賴目標特徵點進行比對的可信度更高,由此也進一步增加僅依賴目標特徵點進一步提高指紋識別的準確度水平。
在得到上述各個目標特徵點集合的相似度評分後,將各個相似度評分與預定的閾值或閾值範圍比較(可根據需要具體設定),獲得各個比較結果,然後根據各個比較結果將各個目標特徵點集合以對應的呈現方式(例如預設顏色)進行呈現。具體來說,在得到各個比較結果所處的範圍後,根據其內各個目標特徵點的等級將各個目標特徵點進行相應呈現以形成熵圖。
例如,對於包含三個等級的目標特徵點的目標特徵點集合,比較結果在第一結果範圍內時,其中的第一等級特徵點在熵圖上呈現為深綠色圖案,第二等級特徵點在熵圖上呈現為淺綠色圖案,而第三等級特徵點在熵圖上呈現為灰色圖案。比較結果在第二結果範圍內,其中的第一等級特徵點在熵圖上呈現為淺綠色圖案,第二等級特徵點在熵圖上呈現為灰色圖案,而第三等級特徵點在熵圖上呈現為紅色圖案。比較結果在上第三結果範圍內,其中的各個目標特徵點在熵圖上均呈現為紅色圖案。
上文描述了形成熵圖的過程,返回到圖1的流程圖。在步驟S103處,方法100根據上述各實施例形成的熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配。
基於上述各實施例描述的熵圖的特徵(通過不同呈現方式對具有不同相似度的目標特徵點進行呈現),可以根據熵圖中具有預設呈現方式的目標特徵點的數目和/或所占區域的大小來確定目標指紋圖像是否與參考指紋圖像相匹配。例如,通過呈現預設顏色的目標特徵點的數目與目標特徵點總數的比例和預設比例的大小關係來進行確定是否匹配。
下面通過圖8至圖11b對利用熵圖判斷圖像匹配與否的具體方法進行詳細說明(圖9、圖11a和圖11b中目標特徵點所對應的圓點中填充有不同圖案,以此區分具有不同相似度評分的目標特徵點)。
在圖8至圖11b所示的實施例中,假設在呈現深綠色圖案(圖9中以填充有白色的圓點示例性表示)的目標特徵點的數目與目標特徵點總數的比例大於50%時確定目標指紋圖像和參考指紋圖像匹配,而在所述比例小於等於50%時確定上述圖像不匹配。在該實施例中,設定呈現深綠色的目標特徵點為相似度評分較高的特徵點,或者簡單的理解為其與參考特徵點相似。
如圖8中所示,其中標號為801的圖像為目標指紋圖像,其他指紋圖像(例如標號為802~807的指紋圖像)為通過手指在指紋感應器上多次按壓後,指紋感應器採集到的多個參考指紋圖像。該多個參考指紋圖像組成手指的參考指紋圖像800。
在進行指紋識別時,將目標指紋圖像801利用如旋轉或水平移動等方式與手指的參考指紋圖像800的不同位置的指紋圖像分別進行匹配,以便查找待比對的參考指紋圖像(待比對的參考指紋圖像在圖中目標指紋圖像800的下方,故未示出),然後將目標指紋圖像800上的各個目標特徵點和待比對的參考指紋圖像上的對應參考特徵點分別進行比對,形成圖9所示的熵圖901。
由圖9可以看出,該熵圖901中的全部目標特徵點均呈現為深綠色圖案902,基於前面設定的判斷規則(呈現深綠色圖案的數目與目標特徵點總數的比例大於50%時確定圖像匹配)確定圖8中的目標指紋圖像801和待比對的參考指紋圖像匹配。在熵圖901中,由於呈現為深綠色圖案的目標特徵點全部位於區域903內,因此確定該區域903為高相似區域。
在圖10中,標號為1001的圖像為目標指紋圖像,其他指紋圖像(例如標號為1002~1008的指紋圖像)為通過手指在指紋感應器上多次按壓後,指紋感應器採集到的多個參考指紋圖像,多個參考指紋圖像組成手指的參考指紋圖像1000。
與圖8方法相同,先通過查找的方式找到待比對的參考指紋圖像(待比對的參考指紋圖像在圖中目標指紋圖像1000下方,故未示出),然後將目標指紋圖像1001上的各個目標特徵點和待比對的參考指紋圖像上的對應參考特徵點分別進行比對,形成圖11a所示的熵圖1101。
圖11b示中示出了熵圖1101中虛線框部分1106a的放大圖,結合圖11a和圖11b可知,熵圖1101中根據其中目標特徵點呈現的顏色分為如圖中的兩個區域,分別為區域1106和區域1107。區域1106內30%的目標特徵點(例如標號為1102的目標特徵點)呈現為深綠色圖案,15%的目標特徵點(例如標號為1104的目標特徵點)呈現為淺綠色圖案(圖中以填充有多條白色斜線的黑色圓點示例性表示),15%的目標特徵點(例如標號為1103的目標特徵點)呈現為灰色圖案(圖中以填充有多條白色橫線的黑色圓點示例性表示),而其餘40%的目標特徵點(例如標號為1105的目標特徵點)呈現為紅色圖案(圖中以填充有多個白點的黑色圓點示例性表示)。
區域1107中90%的目標特徵點(例如標號為1102的目標特徵點)呈現為深綠色圖案,而剩下的目標特徵點(例如標號為1105的目標特徵點)呈現為紅色圖案。可見,區域1106為低相似區域,而區域1107為高相似區域。從整個熵圖1101的角度看,呈現深綠色圖案的目標特徵點所對應的上述比例小於50%,因此確定圖10中的目標指紋圖像1001和對應參考指紋圖像不匹配。
在圖8至圖11b所述的判斷圖像匹配與否的實施例中,由於採用統計目標特徵點的數目(包括呈現預設顏色的目標特徵點和目標特徵點總數)及分析呈現預設顏色的目標特徵點的數目與目標特徵點總數比例的方式來進行圖像匹配與否的判斷,因此識別的準確性較高。
為了加快判斷匹配與否,本發明還提出將熵圖直接輸入至經訓練的神經網絡模型來判斷圖像是否匹配。在一個實施例中,該神經網絡模型可以通過預設的分類標準將所述熵圖分類為真熵圖或偽熵圖,並根據真偽熵圖確定目標指紋圖像與參考指紋圖像是否相匹配。
上述的分類標準可以是如前述實施例所述的呈現預設顏色的目標特徵點的數目與目標特徵點總數的比例和預設比例的大小關係。例如,當一個熵圖中某一預設顏色的目標特徵點的數目占整幅熵圖中所有目標特徵點的50%(其假定為預設比例)時,則可以將該熵圖分類為屬於真熵圖,否則,將其分類為屬於偽熵圖。另外,圖12a、圖12b、圖13a、圖13b和圖13c中對應的特徵點具有與前述圖9、圖11a和圖11b中相同的呈現方式和含義。
圖12a中示例性地示出了多個真熵圖1201、1202、1203、1204、1205、1206,圖12b中示出了其中的熵圖1201的放大圖。由圖12b可以看出,熵圖1201中包括呈現為深綠色圖案的特徵點1201a和呈現為紅色圖案的特徵點1201b,其中特徵點1201a的數目與特徵點總數的比例是99%,特徵點1201b的數目與特徵點總數的比例是1%。簡言之,熵圖1201中所述的比例大於50%,因此將該熵圖1201分類為屬於真熵圖。
圖13b中示出了圖13a中熵圖1301的放大圖。由圖13b可以看出,熵圖1301中包括呈現為深綠色圖案的特徵點1301a、呈現為淺綠色圖案的特徵點1301b和呈現為紅色圖案的特徵點1301c,其中特徵點1301a的數目與特徵點總數的比例是40%,特徵點1301b和特徵點1301c的數目與特徵點總數的比例分別是20%和40%。由此可見,該熵圖1301對應的所述比例小於50%,因此將該熵圖1301分類為屬於偽熵圖。
圖13c中示出了圖13a中熵圖1302的放大圖,其除了不僅包括呈現為深綠色圖案的特徵點1302a、呈現為淺綠色圖案的特徵點1302b和呈現為紅色圖案的特徵點1302c,還包括呈現為灰色圖案的特徵點1302d。上述特徵點1302a、1302b、1302c、1302d的數目與特徵點總數的比例分別是40%、15%、30%和15%。根據該比例分配可以看出,熵圖1302可分類為屬於偽熵圖。
利用大量上述分類好的真熵圖和偽熵圖來對上文描述的神經網絡模型進行訓練,可以得到能夠判斷熵圖真偽與否的神經網絡模型。由此,當神經網絡模型將熵圖1201分類為真熵圖時,其可以輸出關於目標指紋圖像與參考指紋圖像相匹配的結果。類似地,當將熵圖1301和1302分類為偽熵圖時,該神經網絡模型可以輸出關於目標指紋圖像與參考指紋圖像不匹配的結果。
上文中通過多個實施例對利用熵圖進行圖像匹配與否的兩種判斷方法進行了詳細描述。通過利用神經網絡模型來進行判斷,將明顯簡化匹配操作,並且加速匹配結果的輸出,從而可以處理大量的熵圖。進一步,上述實施例僅示例性地描述了真熵圖和偽熵圖的區分方法,本領域技術人員可以根據例如熵圖的呈現方式等因素進行適應性地設定和修改。
上面結合圖1-圖13c對本發明的用於指紋圖像識別的方法100進行了詳細描述。通過上述描述,本發明所屬技術領域中具有通常知識者可以理解本發明的方案通過對採集到的目標指紋圖像上的目標特徵點進行等級劃分,並利用劃分等級後的目標特徵點進行比對形成熵圖,然後根據熵圖來確定目標指紋圖像是否與參考指紋圖像匹配的方法進行指紋識別。可以看出,本發明的方案充分利用採集到的目標指紋圖像的圖像信息來進行指紋識別,從而可顯著提升指紋識別的準確度和有效性。特別地,對於小型化的指紋採集傳感器獲得的指紋圖像,本發明的方案基於對圖像信息的高效使用,取得於優於現有指紋識別方案的識別準確度。
圖14是根據本發明實施例的用於指紋圖像識別的設備1400的結構框圖。
如圖14中所示,本發明的一種用於指紋圖像識別的設備1400可以包括處理器1401和存儲器1402,其中處理器1401和存儲器1402之間通過總線1403進行通信。存儲器1402存儲有處理器1401可執行的程序指令,當所述程序指令由所述處理器1401執行時,使得所述設備執行前文結合附圖描述的方法步驟。通過利用本發明的設備,可以充分使用目標指紋圖像的圖像信息來進行指紋識別,從而可顯著提升指紋識別的準確度。
本發明所屬技術領域中具有通常知識者可以理解:實現上述方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成,前述的程序可以存儲於非瞬態計算機可讀介質中,該程序在執行時,執行包括上述方法實施例的步驟。
通過以上的實施方式的描述,本發明所屬技術領域中具有通常知識者可以清楚地瞭解到各實施方式可借助軟件加必需的通用硬件平臺的方式來實現,當然也可以通過硬件。基於這樣的理解,上述技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來,該計算機軟件產品可以存儲在計算機可讀存儲介質中,如ROM/RAM、磁碟、光盤等,包括若干指令用以使得一台計算機設備(可以是個人計算機,服務器,或者網絡設備等)執行各個實施例或者實施例的某些部分所述的方法。
應當理解,本發明的申請專利範圍、說明書及圖式中的術語“第一”、“第二”、“第三”和“第四”等是用於區別不同對象,而不是用於描述特定順序。本發明的說明書和申請專利範圍中使用的術語“包括”和“包含”指示所描述特徵、整體、步驟、操作、元素和/或組件的存在,但並不排除一個或多個其它特徵、整體、步驟、操作、元素、組件和/或其集合的存在或添加。
還應當理解,在此本發明說明書中所使用的術語僅僅是出於描述特定實施例的目的,而並不意在限定本發明。如在本發明說明書和權利要求書中所使用的那樣,除非上下文清楚地指明其它情況,否則單數形式的“一”、“一個”及“該”意在包括複數形式。還應當進一步理解,在本發明說明書和權利要求書中使用的術語“和/或”是指相關聯列出的項中的一個或多個的任何組合以及所有可能組合,並且包括這些組合。
以上各實施例僅用以說明本發明的實施例的技術方案,而非對其限制;儘管參照前述各實施例對本發明的實施例進行了詳細的說明,本發明所屬技術領域中具有通常知識者應當理解:其依然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分或者全部技術特徵進行等同替換;而這些修改或者替換,並不使相應技術方案的本質脫離本發明的實施例各實施例技術方案的範圍。
綜上所述,本發明所揭露之技術手段確能有效解決習知等問題,並達致預期之目的與功效,且申請前未見諸於刊物、未曾公開使用且具長遠進步性,誠屬專利法所稱之發明無誤,爰依法提出申請,懇祈 鈞上惠予詳審並賜准發明專利,至感德馨。
惟以上所述者,僅為本發明之數種較佳實施例,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明書內容所作之等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
〔本發明〕
100:方法
1000、1002、1003、1004、1005、1006、1007、1008:指紋圖像
1001:目標指紋圖像
1101:熵圖
1102、1103、1104、1105:目標特徵點
1106、1107:區域
1106a:虛線框部分
1201、1202、1203、1204、1205、1206:熵圖
1201a、1201b:特徵點
1301、1302:熵圖
1301a、1301b、1301c:特徵點
1302a、1302b、1302c、1302d:特徵點
1400:設備
1401:處理器
1402:存儲器
1403:總線
200:第一目標特徵點集合
201、202:目標特徵點
300:第二目標特徵點集合
301、302:目標特徵點
4002:第四目標特徵點集合
401、402、403:目標特徵點
5001:第五目標特徵點集合
5002:第六目標特徵點集合
501、502、503:目標特徵點
601、602、603、604:目標特徵點
701:邊界區域
800、802、803、804、805、806、807:指紋圖像
801:目標指紋圖像
901:熵圖
902:深綠色圖案
903:區域
S101、S102、S103:步驟
[圖1]是根據本發明實施例的用於指紋圖像識別的方法的示意流程圖;
[圖2a、圖3a、圖4a和圖5a]分別為根據本發明實施例的不同目標指紋圖像的示意圖;
[圖2b]是圖2a中的第一目標特徵點集合的示意圖;
[圖3b]是圖3a中的第二目標特徵點集合的示意圖;
[圖4b]是圖4a中的第三目標特徵點集合的示意圖;
[圖4c]是圖4a中的第四目標特徵點集合的示意圖;
[圖5b]是圖5a中的第五目標特徵點集合的示意圖;
[圖5c]是圖5a中的第六目標特徵點集合的示意圖;
[圖6]是根據本發明實施例的一種目標指紋圖像的示意圖;
[圖7]是根據本發明實施例的另一種目標指紋圖像的示意圖;
[圖8]是根據本發明實施例的一種目標指紋圖像和參考指紋圖像的對比圖;
[圖9]是圖8進行對比後形成的熵圖;
[圖10]是根據本發明實施例的一種目標指紋圖像和參考指紋圖像的對比圖;
[圖11a]是圖10進行對比後形成的熵圖;
[圖11b]是圖11a中虛線框部分的放大圖;
[圖12a]是根據本發明實施例的真熵圖的示意圖;
[圖12b]是圖12a中的一個熵圖的放大圖;
[圖13a]是根據本發明實施例的偽熵圖的示意圖;
[圖13b和圖13c]分別是圖13a中的兩個熵圖的放大圖;
[圖14]是根據本發明實施例的用於指紋圖像識別的設備的結構框圖。
100:方法
S101、S102、S103:步驟
Claims (25)
- 一種用於指紋圖像識別的方法,包括: 根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分; 將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及 根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配。
- 如請求項1所述之方法,其中所述特徵點屬性包括所述目標特徵點的清晰度和/或形狀獨特性,並且根據所述特徵點屬性對多個目標特徵點進行等級劃分包括: 根據所述目標特徵點是否滿足關於清晰度和/或形狀獨特性的預定要求對其進行等級劃分。
- 如請求項2所述之方法,其中對所述多個目標特徵點進行等級劃分包括: 根據所述特徵點屬性將所述多個目標特徵點劃分成第一等級特徵點、第二等級特徵點和第三等級特徵點,其中所述第一等級特徵點滿足關於所述清晰度和形狀獨特性性二者的預定要求,所述第二等級特徵點滿足關於所述清晰度和形狀獨特性之一的預定要求,而所述第三等級特徵點未滿足關於所述清晰度和形狀獨特性二者的預定要求。
- 如請求項2所述之方法,其中所述特徵點屬性還包括關於所述目標特徵點所含信息量的信息量比重,其中所述信息量比重與所述目標特徵點在所述目標指紋圖像的位置相關。
- 如請求項4所述之方法,其中位於所述目標指紋圖像的邊界內的所述目標特徵點具有100%的信息量比重,而位於所述目標指紋圖像的邊界上的所述目標特徵點的信息量比重與所述目標特徵點在所述邊界內的面積成比例。
- 如請求項1所述之方法,其中將劃分等級後的多個目標特徵點與多個參考特徵點進行比對包括: 基於所述多個目標特徵點生成至少一個目標特徵點集合,其中每個所述目標特徵點集合中包括至少兩個所述目標特徵點,且每個所述目標特徵點集合具有對應的聯合等級;以及 將每個目標特徵點集合與所述參考指紋圖像上的多個參考特徵點進行比對。
- 如請求項1所述之方法,其中將多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖包括: 根據各個所述目標特徵點的等級將各個所述目標特徵點與參考指紋圖像上各個對應的參考特徵點進行相似度比較,以獲得各個所述目標特徵點的相似度評分; 將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及 根據各個所述比較結果將各個所述目標特徵點以對應的呈現方式進行呈現,以形成所述熵圖。
- 如請求項7所述之方法,其中根據各個所述比較結果將各個所述目標特徵點進行呈現包括: 根據各個所述比較結果將各個所述目標特徵點以預設顏色進行呈現。
- 如請求項6所述之方法,其中將多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖包括: 根據各個所述目標特徵點的等級將各個所述目標特徵點集合與參考指紋圖像上各個對應的參考特徵點集合進行相似度比較,以獲得各個所述目標特徵點集合的相似度評分; 將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及 根據各個所述比較結果將各個所述目標特徵點集合以對應的呈現方式進行呈現,以形成所述熵圖。
- 如請求項9所述之方法,其中根據各個所述比較結果將各個所述目標特徵點集合進行呈現包括: 根據各個所述比較結果將各個所述目標特徵點集合以預設顏色進行呈現。
- 如請求項7所述之方法,其中根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配包括: 根據所述熵圖中具有預設呈現方式的目標特徵點的數目和/或所占區域的大小來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
- 如請求項1所述之方法,其中根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像匹配包括: 將所述熵圖輸入至經訓練的神經網絡模型,以便將所述熵圖分類為真熵圖或偽熵圖; 響應於所述熵圖分類為真熵圖,確定所述目標指紋圖像與所述參考指紋圖像相匹配;以及 響應於所述熵圖分類為偽熵圖,確定所述目標指紋圖像與所述參考指紋圖像不相匹配。
- 一種用於指紋圖像識別的設備,包括: 處理器; 存儲器,其存儲有處理器可執行的程序指令,當所述程序指令由所述處理器執行時,使得所述設備執行: 根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分; 將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及 根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
- 如請求項13所述之設備,其中所述特徵點屬性包括所述目標特徵點的清晰度和/或形狀獨特性,並且當所述程序指令由所述處理器執行時,使得所述設備執行: 根據所述目標特徵點是否滿足關於清晰度和/或形狀獨特性的預定要求對其進行等級劃分。
- 如請求項14所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據所述特徵點屬性將所述多個目標特徵點劃分成第一等級特徵點、第二等級特徵點和第三等級特徵點,其中所述第一等級特徵點滿足關於所述清晰度和形狀獨特性二者的預定要求,所述第二等級特徵點滿足關於所述清晰度和形狀獨特性之一的預定要求,而所述第三等級特徵點未滿足關於所述清晰度和形狀獨特性二者的預定要求。
- 如請求項14所述之設備,其中所述特徵點屬性還包括關於所述目標特徵點所含信息量的信息量比重,其中所述信息量比重與所述目標特徵點在所述目標指紋圖像的位置相關。
- 如請求項16所述之設備,其中位於所述目標指紋圖像的邊界內的所述目標特徵點具有100%的信息量比重,而位於所述目標指紋圖像的邊界上的所述目標特徵點的信息量比重與所述目標特徵點在所述邊界內的面積成比例。
- 如請求項13所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 基於所述多個目標特徵點生成至少一個目標特徵點集合,其中每個所述目標特徵點集合中包括至少兩個所述目標特徵點,且每個所述目標特徵點集合具有對應的聯合等級;以及 將每個目標特徵點集合與所述參考指紋圖像上的多個參考特徵點進行比對。
- 如請求項13所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據各個所述目標特徵點的等級將各個所述目標特徵點與參考指紋圖像上各個對應的參考特徵點進行相似度比較,以獲得各個所述目標特徵點的相似度評分; 將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及 根據各個所述比較結果將各個所述目標特徵點以對應的呈現方式進行呈現,以形成所述熵圖。
- 如請求項19所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據各個所述比較結果將各個所述目標特徵點集合以預設顏色進行呈現。
- 如請求項18所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據各個所述目標特徵點的等級將各個所述目標特徵點集合與參考指紋圖像上各個對應的參考特徵點集合進行相似度比較,以獲得各個所述目標特徵點集合的相似度評分; 將各個所述相似度評分與預定的閾值或閾值範圍比較,以獲得各個比較結果,其中所述比較結果與呈現方式關聯;以及 根據各個所述比較結果將各個所述目標特徵點集合以對應的呈現方式進行呈現,以形成所述熵圖。
- 如請求項21所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據各個所述比較結果將各個所述目標特徵點集合以預設顏色進行呈現。
- 如請求項19所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 根據所述熵圖中具有預設呈現方式的目標特徵點的數目和/或所占區域的大小來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
- 如請求項13所述之設備,其中當所述程序指令由所述處理器執行時,使得所述設備執行: 將所述熵圖輸入至經訓練的神經網絡模型,以便將所述熵圖分類為真熵圖或偽熵圖; 響應於所述熵圖分類為真熵圖,確定所述目標指紋圖像與所述參考指紋圖像相匹配;以及 響應於所述熵圖分類為偽熵圖,確定所述目標指紋圖像與所述參考指紋圖像不相匹配。
- 一種非瞬態計算機可讀介質,其存儲有用於指紋圖像識別的程序指令,當所述程序指令由至少一個處理器執行時,使得執行以下操作: 根據特徵點屬性對從目標指紋圖像上採集的多個目標特徵點進行等級劃分; 將劃分等級後的多個目標特徵點與參考指紋圖像的多個參考特徵點進行比對以形成熵圖,其中所述熵圖用於指示所述目標指紋圖像和所述參考指紋圖像的相似度;以及 根據所述熵圖來確定所述目標指紋圖像是否與所述參考指紋圖像相匹配。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063091326P | 2020-10-14 | 2020-10-14 | |
US63/091,326 | 2020-10-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202215289A true TW202215289A (zh) | 2022-04-16 |
Family
ID=76981951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110117435A TW202215289A (zh) | 2020-10-14 | 2021-05-14 | 用於指紋圖像識別的方法、設備及計算機可讀介質 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11410455B2 (zh) |
CN (1) | CN113191300B (zh) |
TW (1) | TW202215289A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089825B (zh) * | 2023-04-07 | 2023-06-30 | 中国环境科学研究院 | 一种基于统计熵的固废指纹特征提取方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222424A (ja) * | 2001-01-29 | 2002-08-09 | Nec Corp | 指紋照合システム |
US7986820B2 (en) * | 2001-10-19 | 2011-07-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for comparing features extracted from images of fingerprints |
KR100789607B1 (ko) * | 2005-06-23 | 2007-12-27 | 엘지전자 주식회사 | 지문 인식 장치 및 방법 |
KR20110114191A (ko) * | 2010-04-13 | 2011-10-19 | (주)아와시스템 | 특징점 구조 기반의 지문 매칭 방법 |
CN101847208B (zh) * | 2010-06-11 | 2012-06-06 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
WO2012014308A1 (ja) * | 2010-07-29 | 2012-02-02 | 富士通株式会社 | 生体認証装置、生体認証方法及び生体認証用コンピュータプログラムならびに生体情報登録装置 |
JP5505323B2 (ja) * | 2011-01-25 | 2014-05-28 | 富士通株式会社 | 生体認証装置、生体認証装置を制御する制御プログラム、生体認証装置を制御する制御方法及び生体認証システムの制御方法 |
JP6187262B2 (ja) * | 2014-01-06 | 2017-08-30 | 富士通株式会社 | 生体情報処理装置、生体情報処理方法及び生体情報処理用コンピュータプログラム |
DK3066591T3 (da) * | 2014-02-10 | 2019-10-21 | Geenee Gmbh | Systemer og fremgangsmåder til billedkarakteristikbaseret genkendelse |
US9430499B2 (en) * | 2014-02-18 | 2016-08-30 | Environmental Systems Research Institute, Inc. | Automated feature extraction from imagery |
US10713466B2 (en) | 2014-03-07 | 2020-07-14 | Egis Technology Inc. | Fingerprint recognition method and electronic device using the same |
CN103984929B (zh) * | 2014-05-20 | 2017-04-19 | 清华大学 | 扭曲指纹的校正方法及系统 |
KR102434562B1 (ko) * | 2015-06-30 | 2022-08-22 | 삼성전자주식회사 | 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치 |
CN105608409B (zh) * | 2015-07-16 | 2019-01-11 | 宇龙计算机通信科技(深圳)有限公司 | 指纹识别的方法及装置 |
CN108491707B (zh) * | 2016-05-30 | 2020-01-14 | Oppo广东移动通信有限公司 | 一种解锁控制方法及终端设备和介质产品 |
CN106104575B (zh) * | 2016-06-13 | 2019-09-17 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
WO2018082011A1 (zh) * | 2016-11-04 | 2018-05-11 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
CN106875586B (zh) * | 2017-03-21 | 2019-05-17 | 广州市巴图鲁信息科技有限公司 | 一种基于指纹识别技术的电子商务网联柜系统 |
KR101959892B1 (ko) * | 2017-05-25 | 2019-07-04 | 크루셜텍 (주) | 지문 인증 방법 및 장치 |
CN108305268B (zh) * | 2018-01-03 | 2020-12-01 | 东软医疗系统股份有限公司 | 一种图像分割方法及装置 |
CN109446940B (zh) * | 2018-10-12 | 2021-05-04 | Oppo(重庆)智能科技有限公司 | 指纹识别方法、电子装置及计算机可读取介质 |
CN110516546B (zh) * | 2019-07-22 | 2022-06-21 | 深圳绿米联创科技有限公司 | 指纹识别方法、装置、智能门锁及可读存储介质 |
CN110738144A (zh) * | 2019-09-27 | 2020-01-31 | 五邑大学 | 基于神经网络的手指静脉验证方法、装置和存储介质 |
CN112183508B (zh) | 2020-11-30 | 2021-06-29 | 深圳阜时科技有限公司 | 指纹识别方法、指纹识别传感器及电子设备 |
-
2021
- 2021-05-14 TW TW110117435A patent/TW202215289A/zh unknown
- 2021-05-14 CN CN202110527088.2A patent/CN113191300B/zh active Active
- 2021-07-08 US US17/370,371 patent/US11410455B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN113191300A (zh) | 2021-07-30 |
CN113191300B (zh) | 2024-01-26 |
US20220114357A1 (en) | 2022-04-14 |
US11410455B2 (en) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
TWI687832B (zh) | 生物識別系統及用於生物識別之電腦實施方法 | |
US9361681B2 (en) | Quality metrics for biometric authentication | |
Ross et al. | From template to image: Reconstructing fingerprints from minutiae points | |
US8744141B2 (en) | Texture features for biometric authentication | |
US9189686B2 (en) | Apparatus and method for iris image analysis | |
Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
CN102349080A (zh) | 通过新颖去瑕疵技术和镶嵌部分收集来重构虹膜扫描的方法 | |
KR20060056805A (ko) | 다중스케일 가변영역분할 홍채인식 방법 및 시스템 | |
CN104036254A (zh) | 一种人脸识别方法 | |
Moreno et al. | Face recognition using 3D local geometrical features: PCA vs. SVM | |
CN113537027A (zh) | 基于面部划分的人脸深度伪造检测方法及系统 | |
Moon et al. | Face antispoofing method using color texture segmentation on FPGA | |
TW202215289A (zh) | 用於指紋圖像識別的方法、設備及計算機可讀介質 | |
Qin et al. | Finger-vein image quality evaluation based on the representation of grayscale and binary image | |
Contreras et al. | A new multi-filter framework for texture image representation improvement using set of pattern descriptors to fingerprint liveness detection | |
Bakshi et al. | Optimized periocular template selection for human recognition | |
CN110020617A (zh) | 一种基于生物特征的身份识别方法、装置和存储介质 | |
Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
De Tré et al. | Human centric recognition of 3D ear models | |
Raghavendra et al. | Anisotropic Smoothing for Illumination Invariant Face Anti-spoofing | |
JP2012221070A (ja) | 特徴選択情報作成装置、画像識別装置、特徴選択情報作成方法、および特徴選択情報作成プログラム | |
CN110334698A (zh) | 眼镜检测系统及方法 | |
Gao et al. | On Designing a SwinIris Transformer Based Iris Recognition System | |
Ríos-Sánchez et al. | A configurable multibiometric system for authentication at different security levels using mobile devices |