TWI737040B - 指紋識別方法、晶片及電子裝置 - Google Patents

指紋識別方法、晶片及電子裝置 Download PDF

Info

Publication number
TWI737040B
TWI737040B TW108142024A TW108142024A TWI737040B TW I737040 B TWI737040 B TW I737040B TW 108142024 A TW108142024 A TW 108142024A TW 108142024 A TW108142024 A TW 108142024A TW I737040 B TWI737040 B TW I737040B
Authority
TW
Taiwan
Prior art keywords
image
sub
fingerprint
gray
gradient
Prior art date
Application number
TW108142024A
Other languages
English (en)
Other versions
TW202111498A (zh
Inventor
李准
翟劍鋒
龍文勇
Original Assignee
大陸商敦泰電子(深圳)有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 大陸商敦泰電子(深圳)有限公司 filed Critical 大陸商敦泰電子(深圳)有限公司
Publication of TW202111498A publication Critical patent/TW202111498A/zh
Application granted granted Critical
Publication of TWI737040B publication Critical patent/TWI737040B/zh

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本發明提供一種指紋識別方法，包括：獲取指紋採集設備採集的待識別圖像，並將所述圖像切分為多個子圖像；提取所述每一子圖像的特徵值；將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像；獲取所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指圖像時，則確定所述待識別的圖像為手指圖像；以及對所述手指圖像進行指紋識別。本發明還提供一種指紋識別晶片、電子裝置。

Description

指紋識別方法、晶片及電子裝置
本發明涉及圖像識別技術領域，具體涉及一種指紋識別方法、晶片及電子裝置。
由於生物識別所具有的便捷與安全等優點，使得生物識別技術在身份認證和網路安全等領域具有廣闊的應用前景。指紋識別技術作為生物體特徵識別技術之一，被應用在智慧手機等各種終端設備上，實現手機解鎖、線上支付等身份認證功能。然而，當指紋識別技術應用在智慧手機等終端設備上時，可能會出現手指之外的其他人體部位或其他物品誤觸指紋採集裝置的情況，例如，衣服口袋、非手指區域的光滑皮膚、鑰匙、果皮等其他物體也可能因各種原因接觸指紋採集裝置，如果對這些非手指物體也直接進行指紋的識別和匹配，浪費計算資源，也不利於指紋識別效率的提升，甚至會出現將非手指圖像誤識別成指紋的情況。
鑒於以上問題，本發明提出一種指紋識別方法、晶片及電子裝置，以提高指紋檢測的效率與準確率。
本申請的第一方面提供一種指紋識別方法，所述方法包括： 獲取指紋採集設備採集的待識別圖像，並將所述圖像切分為多個子圖像；提取所述每一子圖像的特徵值；將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像；獲取所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指圖像時，則確定所述待識別的圖像為手指圖像；以及對所述手指圖像進行指紋識別。
優選地，所述提取所述每一子圖像的特徵值包括：根據所述每一子圖像生成歸一化灰度圖像；生成所述每一子圖像的歸一化梯度圖像；根據所述歸一化灰度圖像和所述歸一化梯度圖像生成歸一化灰度梯度共生矩陣；基於所述歸一化灰度梯度共生矩陣提取所述每一子圖像的特徵值。
優選地，所述特徵值包括如下任意一種或多種：小梯度優勢、大梯度優勢、灰度分佈不均勻性、梯度分佈不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
可選地，還可以基於灰度共生矩陣提取所述每一子圖像的特徵值。
優選地，所述預設的機器學習模型包括神經網路模型、支援向量機模型、基於決策樹的分類模型、貝葉斯分類模型中的任意一種或多種。
優選地，所述機器學習模型的訓練方法包括：獲取樣本資料集，所述樣本資料集中包括正樣本和負樣本，所述正樣本為手指圖像對應的特徵值，對應的標籤為第一標籤，所述負樣本為非手指圖像對應的特徵值，對應的標籤為第二標籤；將所述樣本資料集劃分為訓練集和測試集；利用所述訓練集對所述機器學習模型進行訓練； 利用所述測試集對訓練好的機器學習模型進行測試，並根據測試結果對所述訓練好的機器學習模型進行參數調整。
優選地，當確定所述待識別圖像為手指圖像後，所述指紋識別方法還進一步檢測所述手指圖像中指紋的有效區域，包括：對所述待識別圖像進行濾波，得到濾波後的灰度圖像；計算所述濾波後的灰度圖像中每一個圖元的梯度，得到梯度方向圖像；將所述梯度方向圖像分為多個子塊，並計算所述每一子塊的方差；將所述每一子塊的方差與設定的閾值比較，若所述子塊的方差大於所述閾值，則確定所述子塊為有效區域，並將所述子塊的標誌位元設置為第一值；否則，確定所述子塊為無效區域，並將所述子塊的標誌位元設置為第二值。
優選地，所述指紋識別方法還包括：針對被確定為無效區域的圖像子塊，通過四鄰域判斷方法或八鄰域判斷方法，根據所述無效區域相鄰區域的標誌位元的值重新確定所述無效區域標誌位元的值。
本申請的第二方面提供一種指紋識別晶片，所述晶片包括：圖像切分模組，用於獲取待識別的指紋圖像，並將所述指紋圖像切分為多個子圖像；特徵提取模組，用於提取所示每一子圖像的特徵值；輸入模組，用於將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像；以及判定模組，用於所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指時，則確定所述指紋圖像為手指圖像。
本發明第三方面提供一種電子裝置，所述電子裝置包括：指紋採集單元，用於採集指紋圖像；處理器；以及記憶體，所述記憶體中存儲有多個程式模組，所述多個程式模組由所述處理器載入並執行如前所述的指紋識別方法。
本發明中指紋識別方法、晶片及電子裝置，通過對待識別圖像進行切分並提取特徵值，結合機器學習模型能夠自動識別非手指區域，可以防止除手指之外的其他活體部位或物品的攻擊，減小指紋識別的誤判率。
10:電子裝置
11:指紋採集單元
12:記憶體
13:處理器
14:電腦程式
200:指紋識別晶片
201:圖像切分模組
202:特徵提取模組
203:輸入模組
204:判定模組
205:有效區域檢測模組
S1-S5、S201-S204、S301-S304、S401-S404:步驟
圖1是本發明一實施例所提供的指紋識別方法的流程示意圖。
圖2是本發明一實施例所提供的子圖像特徵值提取方法流程示意圖。
圖3是本發明一實施例提供的機器學習模型訓練方法示意圖。
圖4是本發明一實施例所提供的指紋有效區域檢測方法的流程示意圖。
圖5是本發明一實施例所提供的指紋有效區域檢測方法原理示意圖。
圖6是本發明一實施方式提供的指紋有效區域檢測方法原理的另一示意圖。
圖7是本發明實施例所提供的指紋識別晶片示意圖。
圖8是本發明一實施方式提供的電子裝置架構示意圖。
為了能夠更清楚地理解本發明的上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是，在不衝突的情況下，本申請的實施例及實施例中的特徵可以相互組合。
在下面的描述中闡述了很多具體細節以便於充分理解本發明，所描述的實施例僅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，本領域普通技術人員在沒有做出創造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。
除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在于限制本發明。
請參閱圖1，圖1為本發明一個實施例提供的指紋識別方法的流程示意圖。根據不同的需求，該流程圖中步驟的順序可以改變，某些步驟可以省略。為了便於說明，僅示出了與本發明實施例相關的部分。
如圖1所示，所述指紋識別方法包括以下步驟。
步驟S1、獲取指紋採集設備採集的待識別圖像，並將所述圖像切分為多個子圖像。
所述指紋採集設備可以是設置於手機、平板電腦、工業設備等智慧終端機中的，用於採集用戶指紋進行身份認證。所述指紋採集設備還可以是設置於考勤裝置中的，用於採集使用者指紋進行考勤等。所述指紋採集設備可以是通過光學指紋採集技術、電容式感測器指紋採集技術、超聲波指紋採集技術、或電磁波指紋採集技術等手段採集指紋圖像的。
本發明實施方式中，所述待識別圖像為灰度圖像。在現有的指紋採集設備中，有些採集到的圖像是灰度圖像，還有些採集到的圖像不是灰度圖像，當所述採集的圖像不是灰度圖像時，所述步驟S1還包括將所述指紋採集設備採集的圖像轉換為灰度圖像。
在獲取到所述待識別圖像後，將所述圖像等分為m*n個相互不重疊的子圖像，其中，m與n均為大於1的正整數，m與n的值可以相同，也可以不同。舉例而言，可以將一張獲取到的圖像按照2*2的方式等分為四個子圖像，也可以按照2*3的方式將所述圖像等分為六個子圖像。
步驟S2、提取所述每一子圖像的特徵值。
在本發明第一實施例中，通過計算每一子圖像的灰度梯度共生矩陣提取所述每一子圖像的特徵值，如圖2所示，通過灰度梯度共生矩陣提取所述每一子圖像的特徵值具體包括如下步驟：
步驟S201、生成每一子圖像的歸一化灰度圖像。
其中，生成所述歸一化灰度圖像可以利用均值方差歸一化演算法或灰度變換歸一化演算法實現。
均值方差歸一化是將不同時間、不同亮度下採集到的圖像轉換到同一灰度均值和方差的標準圖像；灰度變換歸一化是利用灰度拉伸的方法將原圖像中的灰度分佈擴展到具有整個灰度級的圖像，兩種演算法均為現有演算法，在此不做詳述。
步驟S202、生成所述每一子圖像的歸一化梯度圖像。
一個實施例中，可以利用Sobel運算元生成所述歸一化梯度圖像，Sobel運算元是一個離散的一階差分運算元，用來計算圖像亮度函數的一階梯度之近似值，利用Sobel運算元得到灰度圖像f(x,y)的梯度方向圖像G(x,y)，其中，x表示所述灰度圖像中圖元點的橫坐標，y表示所述灰度圖像中圖元點的縱坐標。
所述梯度方向圖像G(x,y)的計算公式如下：
Figure 108142024-A0305-02-0008-1
其中，Gx、Gy分別為所述原始灰度圖像在x軸、y軸的梯度幅值，計算如下：Gx={f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}；Gy={f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}；其他實施例中，所述梯度運算元還可以是Roberts運算元、Prewitt運算元或Laplace運算元中的一種。
步驟S203、根據所述歸一化灰度圖像和所述歸一化梯度圖像生成歸一化灰度梯度共生矩陣。
灰度梯度共生矩陣(Gray-GradientCo-occurrence Matrix，簡稱GGCM)是灰度級nGray與梯度級nGrad組成的矩陣。灰度梯度共生矩陣的元素H(x,y)定義為歸一化灰度圖像F(i,j)及歸一化梯度圖像G(i,j)中具有灰度值x和梯度值y的圖元數。即H(x,y)=num{(i,j)｜F(i,j)=x ∩ G(i,j)=y}； 其中，F(i,j)
Figure 108142024-A0305-02-0009-31
[0,L f -1]為歸一化灰度圖像中的值，G(i,j)
Figure 108142024-A0305-02-0009-32
[0,L g -1]為歸一化梯度圖像中的值，L f 為歸一化灰度圖像量級，L g 為歸一化梯度圖像量級。
設
Figure 108142024-A0305-02-0009-2
為歸一化灰度梯度共生矩陣，有
Figure 108142024-A0305-02-0009-5
步驟S204、基於灰度梯度共生矩陣提取所述每一子圖像的特徵值。
其中，通過所述灰度梯度共生矩陣提取的特徵值包括如下一種或多種：小梯度優勢、大梯度優勢、灰度分佈不均勻性、梯度分佈不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
其中，1)小梯度優勢計算方法如下：
Figure 108142024-A0305-02-0009-6
 2)大梯度優勢計算方法如下：
Figure 108142024-A0305-02-0009-7
 3)灰度分佈不均勻性計算方法如下：
Figure 108142024-A0305-02-0009-8
 4)梯度分佈不均勻性計算方法如下：
Figure 108142024-A0305-02-0009-9
 5)能量計算方法如下：
Figure 108142024-A0305-02-0009-10
 6)灰度平均計算方法如下：
Figure 108142024-A0305-02-0009-11
 7)梯度平均計算方法如下：
Figure 108142024-A0305-02-0009-12
 8)灰度均方差計算方法如下：
Figure 108142024-A0305-02-0009-13
 9)梯度均方差計算方法如下：
Figure 108142024-A0305-02-0009-14
 10)相關性計算方法如下：
Figure 108142024-A0305-02-0010-15
 11)灰度熵計算方法如下：
Figure 108142024-A0305-02-0010-16
 12)梯度熵計算方法如下：
Figure 108142024-A0305-02-0010-17
 13)混合熵計算方法如下：
Figure 108142024-A0305-02-0010-18
 14)差分矩計算方法如下：
Figure 108142024-A0305-02-0010-20
 15)逆差分矩計算方法如下：
Figure 108142024-A0305-02-0010-21
可以理解，以上步驟中步驟S201、和步驟步驟S202不分先後順序。通過灰度梯度共生矩陣能夠提取出手指圖像中豐富的指紋資訊，有助於提高手指識別的準確率。因為灰度是構成一副圖像的基礎，梯度是構成圖像邊緣輪廓的要素，圖像的主要資訊是由圖像的邊緣輪廓提供的。灰度梯度共生矩陣能夠很清晰的描繪圖像內各圖元點灰度與梯度的分佈規律，同時也給出了各像點與其領域像點的空間關係，對圖像的紋理能很好地描繪，對於具有方向性的紋理可以從梯度的方向上反映出來。
在本發明第二實施例中，也可以通過計算所述每一子圖像的灰度共生矩陣，陣提取每一子圖像的特徵值。
灰度共生矩陣是一種通過研究圖像灰度的空間相關特性來描述紋理的方法。灰度共生矩陣是一個L*L矩陣，其中，L是被量化後的圖像灰度級數目。灰度共生矩陣的維數與待處理圖像(灰度圖像或轉換而成的灰度圖像)無關，而是由灰度圖像的灰度級數目L決定的，假設待處理圖像大小為a*b，而灰度級數目為L，則其灰度共生矩陣的大小為L*L。圖像灰度級L越大，圖像就越清晰，越能真實反映原圖像本身；但是，L越大，灰度共生矩陣的維數就越大，這樣就使運算量大大增加。一般來說，灰度圖像的灰度值範圍為0-255，灰度級的取值 範圍為[8,16,32,64,128,256]。在計算灰度共生矩陣及其特徵值時，為了減小運算量，較優選的可以取灰度級為8或16。
在所述第二實施例中，優選採用灰度級L=8。可以用如下方法將取值範圍為0-255的灰度級量化到0-7共8個量化等級：
Figure 108142024-A0305-02-0011-22
其中，g表示原始灰度值，Ng表示量化後的灰度級。
可以理解，在其他實施方式中，也可以將圖像中的灰度值量化為其他數值的灰度級，本發明對此不作限制，各個量化等級的實施例均應在本發明的保護範圍之內。
在所述第二實施例中，灰度共生矩陣中的元素取值方式如下：統計灰度圖像中符合下列條件的點對(兩個圖元點稱為一個點對)的數目p：該點對中兩個圖元點的距離為d(d也稱為步長或位移)，方向為θ(即兩點連線與水準軸的夾角)，其量化的灰度級分別為i和j。則p就是灰度共生矩陣中第i行、第j列的元素值。其中，位移d和方向θ需要被初始化，在計算過程中不變。
在所示第二實施例中，優選所述位移d=1，即，將兩個相鄰圖元點作為一個點對。所述方向θ的取值為0度、45度、90度、135度。也就是說，本實施方式中，所述灰度共生矩陣中每一個元素(i,j)代表灰度級i與灰度級j在圖像中方向θ上的相鄰次數。
在一個實施方式中，可以通過一個方向的灰度共生矩陣提取特徵值。在另一個實施方式中，所述灰度共生矩陣是通過多個不同方向對應的灰度共生矩陣平均化得到的，例如，所述子圖像的灰度共生矩陣通過0度、45度、 90度、135度四個方向對應的灰度共生矩陣進行平均得到的，即灰度共生矩陣GLCM為：
Figure 108142024-A0305-02-0012-23
在所述第二實施例中，基於所述灰度共生矩陣提取所述子圖像的特徵值包括對比度(Contrast)、相關性(Correlation)、均一性(Homogeneity)、以及最大概率(Maximun Probalility)。
其中，對比度的計算公式為：
Figure 108142024-A0305-02-0012-24
相關性的計算公式為：
Figure 108142024-A0305-02-0012-35
，其中，
Figure 108142024-A0305-02-0012-36
。
均一性的計算公式為：
Figure 108142024-A0305-02-0012-27
最大概率的計算公式為：
Figure 108142024-A0305-02-0012-29
在實際應用中，由灰度共生矩陣中一般可以提取出14種特徵值，因此可以理解，在其他實施方式中，也可以基於所述灰度共生矩陣提取其他特徵值作為所述子圖像的特徵值，均應落在本發明的保護範圍之內。
在本發明其他實施方式中，提取所述子圖像特徵值也可以通過其他特徵提取方法實現，例如提取圖像的LBP(Local Binary Pattern)特徵等。
步驟S3、將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像。
其中，所述機器學習模型的輸入為圖像的特徵值。在第一實施方式中，實施特徵值為根據灰度梯度共生矩陣提取的特徵值。在第二實施方式中，所述特徵值包括基於灰度共生矩陣提取的對比度(Contrast)、相關性(Correlation)、 均一性(Homogeneity)、以及最大概率(Maximun Probalility)。所述機器學習模型的輸出為所述圖像的分類結果，即是否為手指圖像。
在本發明實施方式中，所述機器學習模型可以是，但不限於，BP神經網路模型、支援向量機模型、基於決策樹的分類模型、貝葉斯分類模型等。本發明對所述機器學習模型不做一一列舉，相關的變化實施例均應落入本發明的保護範圍。
如圖3所示，為本發明一個實施方式中神經網路模型的訓練方法流程示意圖。本實施方式中，所述神經網路模型的訓練方法包括如下步驟。
步驟S301、獲取樣本資料集，所述樣本資料集中包括正樣本和負樣本，所述正樣本為手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為1，所述負樣本為非手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為0。例如果皮、導電泡沫等非手指的圖片對應的標籤為0。
在本實施方式中，所述正、負樣本圖像特徵值包括基於灰度共生矩陣提取的對比度(Contrast)、相關性(Correlation)、均一性(Homogeneity)、以及最大概率(Maximun Probalility)。
步驟S302、將所述樣本資料集劃分為訓練集和測試集。
例如，對於上述正、負樣本圖像，將其中的70%歸為一類，作為訓練集，其目的是用於訓練所述神經網路模型，剩下的30%歸為另一類，作為測試集，其目的是用於測試所述神經網路模型的分類性能。
步驟S303、利用所述訓練集對神經網路模型進行訓練。
將訓練集輸入至建立好的神經網路模型中進行模型訓練的過程可以採用現有技術中的手段實現，在此不做詳述。在一些實施例中，利用訓練集對所述神經網路模型進行訓練還可以包括：將深度神經網路模型的訓練部署在多個圖形處理器(Graphics Processing Unit，GPU)上進行分散式訓練。例如，可以通過Tensorflow的分散式訓練原理，將模型的訓練部署在多個圖形處理器上進行分散式訓練，可以縮短模型的訓練時間，加快模型收斂。
步驟S304、利用所述測試集對訓練好的神經網路模型進行測試，並根據測試結果對所述訓練好的神經網路模型進行參數調整。
本實施方式中，利用測試集對訓練好的神經網路模型進行測試可以包括：將測試集中的樣本資料送入所述訓練好的神經網路模型，所述神經網路模型將會對所述樣本圖像的特徵值做出識別，即判斷所述樣本圖像是否為手指圖像，將這個結果與其自身的標籤相比對，即可獲得神經網路模型的分類正確率。根據所述正確率確定是否需要繼續訓練，如果正確率達到預設值，則模型訓練完成。
其中，所述機器學習模型的訓練可以是離線完成的。所述神經網路模型訓練完成後，將待識別的子圖像輸入該神經網路模型，即可識別出所述子圖像是否為手指圖像，實現圖像的自動識別，整個過程省時、省力，不但提高了手指圖像的識別效率，也大大提高了手指圖像識別的準確率。
步驟S4、獲取所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指時，則確定所述指紋圖像為手指圖像。
所述預設數目可以根據需要進行設置，當被判定為手指的子圖像的數目小於所述預設數目時，則判定所述指紋圖像為非手指圖像。舉例而言，當所述指紋圖像被切分為4個子圖像時，若所述4個子圖像中有3個或3個以上被判定為手指時，則確定所述指紋圖像為手指圖像，而所述4個子圖像中僅有2個或2個以下子圖像被判定為手指時，則確定所述指紋圖像非手指圖像。
在本發明一些實施例中，可以將所述待識別圖像的所述子圖像依次輸入所述機器學習模型中，當確定已經有超過預設數目的子圖像被判定為手指圖像時，則可以停止其他子圖像的輸入和判別，直接確定所述待識別圖像為手指圖像，這樣可以進一步節省運算量，提高手指圖像的識別效率。舉例而言，當所述待識別圖像被切分為6個子圖像時，如果前4個子圖像均被判定為手指圖像，已經達到了所述預設數目，則可以無需再將剩餘的2個子圖像再輸入所述機器學習模型，從而節省運算時間。
本發明通過將指紋採集裝置採集到的圖像分成多個子圖像進行特徵提取，並利用機器學習模型識別是否為手指圖像，在識別為手指圖像時才進行指紋的識別和匹配認證，而將非手指圖像進行排除，這樣可以有效避免非手指物品(例如衣服口袋、果皮、光滑皮膚)等異物的攻擊，減小指紋識別的計算量，同時提高指紋識別的準確率。
進一步地，當判定所述待識別圖像是手指圖像，而不是其他非手指物體的圖像時，可以開始進行指紋的識別與匹配。然而，在指紋匹配過程中，有些指紋區域的指紋紋理比較模糊，有些指紋區域的指紋紋理比較清晰。指紋紋理模糊的區域容易導致指紋識別錯誤，同時整個手指的指紋識別和匹配運算量也比較大。
因此，為了進一步提高指紋的識別準確率和效率，本實施例中，在確定所述待識別的圖像是手指圖像後，所述指紋識別方法還優選包括步驟S5：對所述手指圖像中指紋的有效區域進行檢測。其中，所述有效區域是指圖像中指紋紋路清晰的區域，無效區域是指圖像中指紋紋路不清晰的區域。可以理解，在其他實施例中，所述步驟S5也可以省略。
具體的，參閱圖4，為本發明一實施例中的對指紋有效區域的檢測方法流程示意圖。
在本實施例中，所述指紋有效區域的檢測方法包括如下步驟。
步驟S401、對所述指紋採集設備採集的待識別圖像進行濾波處理，得到濾波後灰度圖像。
所述濾波的方法可以是，但不限於，中值濾波、均值濾波、高斯濾波、雙邊濾波中的任意一種。通過對待識別的圖像進行濾波處理，能夠消除雜訊影響。在一個優選實施例中，採用均值濾波對所述待識別圖像進行濾波處理。
步驟S402、計算所述濾波後的灰度圖像中每一個圖元的梯度，得到梯度方向圖像。
具體地，可以利用Sobel運算元，得到灰度圖像f(x,y)的梯度方向圖像G(x,y)，其中，x表示所述灰度圖像中圖元點的橫坐標，y表示所述灰度圖像中圖元點的縱坐標。
所述梯度方向圖像G(x,y)的計算公式如下：
Figure 108142024-A0305-02-0016-30
其中，Gx、Gy分別為所述原始灰度圖像在x軸、y軸的梯度幅值，計算如下：Gx={f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}；Gy={f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}；其他實施例中，也可以利用其他運算元計算所述梯度方向圖像。
步驟S403、將所述梯度方向圖像分為多個子塊，並計算所述每一子塊的方差。
本發明對所述梯度方向圖像的切分本發明不做具體限定，在一個優選實施例中，將所述梯度方向圖像可以分為16*16個子塊，其他實施例中也可以分為其他數量的子塊。計算所述每一子塊的方差可以利用現有技術中的公式實現，在此不做詳述。
步驟S404、將所述每一子塊的方差與設定的閾值比較，若大於閾值，則確定所述子塊為有效區域，並將所述子塊的標誌位元設置為第一值；否則，確定所述子塊為無效區域並將所述子塊的標誌位元設置為第二值。本實施例中第一值為1，所述第二值為0。
其中，所述閾值可以根據需要進行設置，本發明對此不做具體限制。
檢測出所述手指圖像中指紋紋路清晰的有效區域後，可以通過所述有效區域進行指紋的識別與匹配，能夠提高指紋識別的準確率，並且進行有效區域的識別和匹配相對於整個手指圖像的識別和比對運算量大大的降低了，因此也能夠提高運算效率。
在本發明一個優選實施例中，為了進一步提高指紋的識別準確率，當檢測完指紋的有效區域後，針對被確定為無效區域的子塊，所述方法還進一步包括：按照四鄰域判斷方法根據所述無效區域上、下、左、右四個相鄰區域標誌位元的值對所述無效區域進行重新判定。
四鄰域判定方法是當區域的四鄰域的標誌位元的值都是一類時，說明該區域屬於其鄰域區域這一類，則將該區域歸入其鄰域類，並將該區域的標誌位元的值設定為鄰域的標誌位元的值，否則，保持該區域的標誌位元的值不變。舉例而言，如圖5所示，設無效區域的位置為f(x,y)，標誌位元的值為0，假設其上方相鄰區域f(x,y-1)、下方相鄰區域f(x,y+1)、左方相鄰區域f(x-1,y)、右方相鄰區域f(x+1,y)這四個相鄰區域的標誌位元的值均為1，那麼根據所述四個鄰域對所述無效區域的標誌位元的值重新確定為1，即，根據四鄰域判斷方法，所述無效區域被重新確定為有效區域。
根據四鄰域法對圖像中無效區域進行重新判定時，由於無效區域在圖像中位置的不同，可能有些圖像塊的鄰域數量不夠四個，例如，無效區域在原始圖像左上角的區塊時，可能只有右方和下方兩個鄰域。如圖6所示，在圖像中無效區域的位置可能在左上角、右上角、左下角、右下角、以及上、下、左、右四個邊界，針對這些特殊情況，在根據四鄰域判斷法重新確定無效區域的值時，根據如下方法進行判斷：1)無效區域在待識別圖像左上角時的判定方法：若f(x+1,y)=1或f(x,y+1)=1，則將f(x,y)置為1，即有效；2)無效區域在待識別圖像右上角時的判定方法：若f(x-1,y)=1或f(x,y+1)=1，則將f(x,y)置為1，即有效；3)無效區域在待識別圖像左下角時的判定方法：若f(x+1,y)=1或f(x,y-1)=1，則將f(x,y)置為1，即有效；4)無效區域在待識別圖像右下角時的判定方法：若f(x-1,y)=1或f(x,y-1)=1，則將f(x,y)置為1，即有效； 5)無效區域在待識別圖像上邊界時的判定方法：若f(x-1,y)+f(x+1,y)=2或f(x,y+1)=1，則將f(x,y)置為1，即有效；6)無效區域在待識別圖像下邊界時的判定方法：若f(x-1,y)+f(x+1,y)=2或f(x,y-1)=1，則將f(x,y)置為1，即有效；7)無效區域在待識別圖像左邊界時的判定方法：若f(x,y-1)+f(x,y+1)=2或f(x+1,y)=1，則將f(x,y)置為1，即有效；8)無效區域在待識別圖像右邊界時的判定方法：若f(x,y-1)+f(x,y+1)=2或f(x-1,y)=1，則將f(x,y)置為1，即有效；9)無效區域在待識別圖像中心區域時的判定方法：若f(x,y-1)+f(x,y+1)+f(x-1,y)+f(x+1,y)
Figure 108142024-A0305-02-0018-34
2，則將f(x,y)置為1，即有效。
在其他實施例中，也可以根據八鄰域判斷方法對所述無效區域進行重新判定。
圖1-6詳細介紹了本發明的指紋識別方法，通過所述方法，能夠提高指紋識別的效率及準確率。下面結合圖7和圖8，對實現所述指紋識別方法的軟體晶片的功能模組以及硬體裝置架構進行介紹。應該瞭解，所述實施例僅為說明之用，在專利申請範圍上並不受此結構的限制。
圖7為本發明一實施方式提供的指紋識別晶片的結構圖。
在一些實施方式中，所述指紋識別晶片200可以包括多個由程式碼段所組成的功能模組，以實現指紋識別的功能。
參考圖7，本實施方式中，指紋識別晶片200根據其所執行的功能，可以被劃分為多個功能模組，所述各個功能模組用於執行圖1對應實施方式中的各個步驟，以實現指紋識別的功能。本實施方式中，所述指紋識別晶片200的功能模組包括：圖像切分模組201、特徵提取模組202、輸入模組203、判定模組204以及有效區域檢測模組205。各個功能模組的功能將在下面的實施例中進行詳述。
所述圖像切分模組201用於獲取待識別的指紋圖像，並將所述指紋圖像切分為多個子圖像。
所述特徵提取模組202用於提取所示每一子圖像的特徵值。
在一個實施方式中，利用如前所述的灰度梯度共生矩陣提取所述特徵值，所述特徵值包括小梯度優勢、大梯度優勢、灰度分佈不均勻性、梯度分佈不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
在另一個實施方式中，利用如前所述的灰度共生矩陣提取所述特徵值。
所述輸入模組203用於將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像。
所述判定模組204用於獲取所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指時，則確定所述指紋圖像為手指圖像。
進一步的，所述有效區域檢測模組205用於在確定所述待識別的圖像為手指圖像時，檢測所述圖像中指紋的有效區域。
具體的，所述有效區域檢測模組205檢測指紋有效區域包括：對原始灰度圖像指紋進行濾波處理，得到濾波後灰度圖像；計算濾波後灰度圖像每一個圖元的梯度，得到梯度方向圖像；將所述梯度方向圖像分為多個子塊，並計算得到實施每一子塊的方差；將所述每一子塊的方差與設定的閾值比較，若大於閾值，則確定該子塊為有效區域，並將所述子塊的標誌位元設置為第一值；否則，確定該子塊為無效區域，並將所述子塊的標誌位元設置為第二值。其中，所述第一值為1，所述第二值為0。
進一步地，所述有效區域檢測模組205檢測指紋有效區域還包括當檢測完指紋的有效區域後，針對被確定為無效區域的子塊，所述方法還進一 步包括：按照四鄰域判斷方法根據所述無效區域上、下、左、右四個相鄰區域標誌位元的值對所述無效區域進行重新判定。
圖8為本發明一實施方式提供的電子裝置的功能模組示意圖。所述電子裝置10包括指紋採集單元11、記憶體12、處理器13以及存儲在所述記憶體12中並可在所述處理器13上運行的電腦程式14，例如指紋識別的程式。
在本實施方式中，所述電子裝置10可以是但不限於智慧手機、平板電腦、智慧工業設備、指紋考勤機等。
所述指紋採集單元11用於採集指紋圖像。所述指紋採集單元11可以通過光學指紋採集技術、電容式感測器指紋採集技術、超聲波指紋採集技術、或電磁波指紋採集技術等手段採集指紋圖像。
所述處理器13執行所述電腦程式14時實現上述方法實施例中指紋識別方法的步驟，用於識別所述指紋採集單元11採集到的指紋圖像。或者，所述處理器13執行所述電腦程式14實現上述晶片實施例中各模組/單元的功能。
示例性的，所述電腦程式14可以被分割成一個或多個模組/單元，所述一個或者多個模組/單元被存儲在所述記憶體12中，並由所述處理器13執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能的一系列電腦程式指令段，該指令段用於描述所述電腦程式14在所述電子裝置10中的執行過程。例如，所述電腦程式14可以被分割成圖2中的模組201-205。
本領域技術人員可以理解，所述示意圖3僅僅是電子裝置10的示例，並不構成對電子裝置10的限定，電子裝置10可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述電子裝置10還可以包括輸入輸出設備等。
所稱處理器13可以是中央處理單元(Central Processing Unit，CPU)，還可以包括其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分 立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等，所述處理器13是所述電子裝置10的控制中心，利用各種介面和線路連接整個電子裝置10的各個部分。
所述記憶體12可用於存儲所述電腦程式14和/或模組/單元，所述處理器13通過運行或執行存儲在所述記憶體12內的電腦程式和/或模組/單元，以及調用存儲在記憶體12內的資料，實現所述電子裝置10的各種功能。記憶體12可以包括外部存儲介質，也可以包括記憶體。此外，記憶體12可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述電子裝置10集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲介質中，該電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。需要說明的是，所述電腦可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。
最後應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或等同替換，而不脫離本發明技術方案的精神和範圍。
S1-S5:步驟

Claims (11)

  1. 一種指紋識別方法，所述方法包括：獲取指紋採集設備採集的待識別圖像，並將所述圖像切分為多個子圖像；提取所述每一子圖像的特徵值；將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像，包括：獲取樣本資料集，所述樣本資料集中包括正樣本和負樣本，所述正樣本為手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為第一標籤，所述負樣本為非手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為第二標籤；將所述樣本資料集劃分為訓練集和測試集；利用所述訓練集對所述機器學習模型進行訓練；利用所述測試集對訓練好的所述機器學習模型進行測試，並根據測試結果對訓練好的所述機器學習模型進行參數調整以使得訓練好的所述機器學習模型的正確率達到預設值；將所述每一子圖像的特徵值輸入至訓練好的所述機器學習模型，訓練好的所述機器學習模型對所述每一子圖像的特徵值做出識別，以判斷所述每一子圖像是否為手指圖像；獲取所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指圖像時，則確定所述待識別的圖像為手指圖像；以及對所述手指圖像進行指紋識別。
  2. 如請求項1所述之指紋識別方法，其中，所述提取所述每一子圖像的特徵值包括：根據所述每一子圖像生成歸一化灰度圖像；生成所述每一子圖像的歸一化梯度圖像；根據所述歸一化灰度圖像和所述歸一化梯度圖像生成歸一化灰度梯度共生矩陣； 基於所述歸一化灰度梯度共生矩陣提取所述每一子圖像的特徵值。
  3. 如請求項2所述之指紋識別方法，其中，所述特徵值包括如下任意一種或多種：小梯度優勢、大梯度優勢、灰度分佈不均勻性、梯度分佈不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩。
  4. 如請求項1所述之指紋識別方法，其中，所述提取所述每一子圖像的特徵值是基於灰度共生矩陣提取的。
  5. 如請求項1所述之指紋識別方法，其中，所述預設的機器學習模型包括如下一種或多種：神經網路模型、支援向量機模型、基於決策樹的分類模型、貝葉斯分類模型。
  6. 如請求項1所述之指紋識別方法，其中，當確定所述待識別圖像為手指圖像後，所述指紋識別方法還進一步檢測所述手指圖像中指紋的有效區域，包括：對所述待識別圖像進行濾波，得到濾波後的灰度圖像；計算所述濾波後的灰度圖像中每一個圖元的梯度，得到梯度方向圖像；將所述梯度方向圖像分為多個子塊，並計算所述每一子塊的方差；將所述每一子塊的方差與設定的閾值比較，若所述子塊的方差大於所述閾值，則確定所述子塊為有效區域，並將所述子塊的標誌位元設置為第一值；否則，確定所述子塊為無效區域，並將所述子塊的標誌位元設置為第二值。
  7. 如請求項6所述之指紋識別方法，其中，所述指紋識別方法還包括：針對被確定為無效區域的圖像子塊，通過四鄰域判斷方法或八鄰域判斷方法，根據所述無效區域相鄰區域的標誌位元的值重新確定所述無效區域標誌位元的值。
  8. 一種指紋識別晶片，所述晶片包括： 圖像切分模組，用於獲取待識別的指紋圖像，並將所述指紋圖像切分為多個子圖像；特徵提取模組，用於提取所示每一子圖像的特徵值；輸入模組，用於將所述每一子圖像的特徵值輸入至預設的機器學習模型，分別判斷所述每一子圖像是否為手指圖像，所述輸入模組用於：獲取樣本資料集，所述樣本資料集中包括正樣本和負樣本，所述正樣本為手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為第一標籤，所述負樣本為非手指圖像對應的基於灰度共生矩陣提取的特徵值，對應的標籤為第二標籤；將所述樣本資料集劃分為訓練集和測試集；利用所述訓練集對所述機器學習模型進行訓練；利用所述測試集對訓練好的所述機器學習模型進行測試，並根據測試結果對訓練好的所述機器學習模型進行參數調整以使得訓練好的所述機器學習模型的正確率達到預設值；將所述每一子圖像的特徵值輸入至訓練好的所述機器學習模型，訓練好的所述機器學習模型對所述每一子圖像的特徵值做出識別，以判斷所述每一子圖像是否為手指圖像；以及判定模組，用於所述子圖像的判斷結果，當超過預設數目的子圖像被判定為手指時，則確定所述指紋圖像為手指圖像。
  9. 如請求項8所述之指紋識別晶片，其中，所述晶片還包括：有效區域檢測模組，用於在確定所述待識別的圖像為手指圖像後，進一步檢測所述圖像中指紋的有效區域，包括：對原始灰度圖像指紋進行濾波處理，得到濾波後灰度圖像；計算濾波後灰度圖像每一個圖元的梯度，得到梯度方向圖像；將所述梯度方向圖像分為多個子塊，並計算得到實施每一子塊的方差； 將所述每一子塊的方差與設定的閾值比較，若大於閾值，則確定該子塊為有效區域，並將所述子塊的標誌位元設置為第一值；否則，確定該子塊為無效區域，並將所述子塊的標誌位元設置為第二值。
  10. 如請求項9所述之指紋識別晶片，其中，所述有效區域檢測模組還用於在檢測完指紋的有效區域後，針對被確定為無效區域的子塊，通過四鄰域判斷方法或八鄰域判斷方法，根據所述無效區域相鄰區域的標誌位元的值重新確定所述無效區域標誌位元的值。
  11. 一種電子裝置，所述電子裝置包括：指紋採集單元，用於採集指紋圖像；處理器；以及記憶體，所述記憶體中存儲有多個程式模組，所述多個程式模組由所述處理器載入並執行如請求項1至7中任意一項所述之指紋識別方法。
TW108142024A 2019-09-12 2019-11-19 指紋識別方法、晶片及電子裝置 TWI737040B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910867355.3A CN110765857A (zh) 2019-09-12 2019-09-12 指纹识别方法、芯片及电子装置
CN201910867355.3 2019-09-12

Publications (2)

Publication Number Publication Date
TW202111498A TW202111498A (zh) 2021-03-16
TWI737040B true TWI737040B (zh) 2021-08-21

Family

ID=69329521

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108142024A TWI737040B (zh) 2019-09-12 2019-11-19 指紋識別方法、晶片及電子裝置

Country Status (2)

Country Link
CN (1) CN110765857A (zh)
TW (1) TWI737040B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI813042B (zh) * 2021-10-20 2023-08-21 鴻海精密工業股份有限公司 神經網路割分方法、系統、終端設備及存儲介質
TWI831059B (zh) * 2021-10-12 2024-02-01 大陸商北京集創北方科技股份有限公司 指紋識別方法、指紋識別裝置和資訊處理裝置

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312946A (zh) * 2020-02-27 2021-08-27 敦泰电子（深圳）有限公司 指纹图像的特征提取方法、装置及计算机可读存储介质
CN111488798B (zh) * 2020-03-11 2023-12-29 天津极豪科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN113496172A (zh) * 2020-04-03 2021-10-12 深圳爱根斯通科技有限公司 指纹异物检测的方法、装置、电子设备及存储介质
CN113591514B (zh) * 2020-04-30 2024-03-29 杭州海康威视数字技术股份有限公司 指纹活体检测方法、设备及存储介质
CN111753722B (zh) * 2020-06-24 2024-03-26 上海依图网络科技有限公司 一种基于特征点类型的指纹识别方法及装置
CN111860272B (zh) * 2020-07-13 2023-10-20 敦泰电子（深圳）有限公司 图像处理方法、芯片及电子装置
CN112861649B (zh) * 2021-01-19 2024-05-10 平安科技（深圳）有限公司 指纹签名生成方法、装置、电子设备及计算机存储介质
CN112766398B (zh) * 2021-01-27 2022-09-16 无锡中车时代智能装备研究院有限公司 发电机转子通风孔识别方法及设备
CN112560813B (zh) * 2021-02-19 2021-05-25 深圳阜时科技有限公司 窄条形指纹的识别方法、存储介质及电子设备
TWI817656B (zh) * 2022-08-16 2023-10-01 大陸商北京集創北方科技股份有限公司 可防範假指紋攻擊之指紋真偽識別方法、指紋識別裝置及資訊處理裝置
CN115331269B (zh) * 2022-10-13 2023-01-13 天津新视光技术有限公司 一种基于梯度向量场的指纹识别方法及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201232428A (en) * 2011-01-28 2012-08-01 Univ Ishou Palm biometric identification method
CN105718848A (zh) * 2015-10-21 2016-06-29 深圳芯启航科技有限公司 一种指纹图像的质量评估方法及装置
CN108427923A (zh) * 2018-03-08 2018-08-21 广东工业大学 一种掌纹识别方法及装置
US20180253581A1 (en) * 2015-10-19 2018-09-06 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Fingerprint image recognition method, apparatus and terminal

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116744B (zh) * 2013-02-05 2016-04-13 浙江工业大学 基于mrf和svm-knn分类的假指纹检测方法
CN103324944B (zh) * 2013-06-26 2016-11-16 电子科技大学 一种基于svm和稀疏表示的假指纹检测方法
CN104598870A (zh) * 2014-07-25 2015-05-06 北京智膜科技有限公司 基于智能移动信息设备的指纹活体检测方法
US9672409B2 (en) * 2015-07-03 2017-06-06 Fingerprint Cards Ab Apparatus and computer-implemented method for fingerprint based authentication
CN105913520A (zh) * 2016-04-13 2016-08-31 时建华 通过指纹进行识别的电梯轿厢
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
CN106682473A (zh) * 2016-12-20 2017-05-17 深圳芯启航科技有限公司 一种用户身份信息的识别方法及其装置
CN106657056A (zh) * 2016-12-20 2017-05-10 深圳芯启航科技有限公司 一种生物特征信息管理方法及其系统
CN108304759A (zh) * 2017-01-11 2018-07-20 神盾股份有限公司 识别手指的方法和电子装置
US11580775B2 (en) * 2017-10-18 2023-02-14 Fingerprint Cards Anacatum Ip Ab Differentiating between live and spoof fingers in fingerprint analysis by machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201232428A (en) * 2011-01-28 2012-08-01 Univ Ishou Palm biometric identification method
US20180253581A1 (en) * 2015-10-19 2018-09-06 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Fingerprint image recognition method, apparatus and terminal
CN105718848A (zh) * 2015-10-21 2016-06-29 深圳芯启航科技有限公司 一种指纹图像的质量评估方法及装置
CN108427923A (zh) * 2018-03-08 2018-08-21 广东工业大学 一种掌纹识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI831059B (zh) * 2021-10-12 2024-02-01 大陸商北京集創北方科技股份有限公司 指紋識別方法、指紋識別裝置和資訊處理裝置
TWI813042B (zh) * 2021-10-20 2023-08-21 鴻海精密工業股份有限公司 神經網路割分方法、系統、終端設備及存儲介質

Also Published As

Publication number Publication date
CN110765857A (zh) 2020-02-07
TW202111498A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
TWI737040B (zh) 指紋識別方法、晶片及電子裝置
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
Alvarez-Betancourt et al. A keypoints-based feature extraction method for iris recognition under variable image quality conditions
US10534957B2 (en) Eyeball movement analysis method and device, and storage medium
WO2017202196A1 (en) Method and device for fingerprint unlocking and user terminal
US8781221B2 (en) Hand gesture recognition system
CN109829448B (zh) 人脸识别方法、装置及存储介质
CN105447441B (zh) 人脸认证方法和装置
WO2019033572A1 (zh) 人脸遮挡检测方法、装置及存储介质
CN105956578A (zh) 一种基于身份证件信息的人脸验证方法
JP2015513754A (ja) 顔認識方法及びデバイス
US20090226047A1 (en) Apparatus and Method of Processing Image and Human Face Detection System using the smae
WO2019033570A1 (zh) 嘴唇动作分析方法、装置及存储介质
WO2017161636A1 (zh) 一种基于指纹的终端支付方法及装置
CN114155365A (zh) 模型训练方法、图像处理方法及相关装置
Oldal et al. Hand geometry and palmprint-based authentication using image processing
CN108764121B (zh) 用于检测活体对象的方法、计算设备及可读存储介质
TW201941018A (zh) 指紋辨識模組的控制方法
Lomte et al. Biometric fingerprint authentication by minutiae extraction using USB token system
Verma et al. Static Signature Recognition System for User Authentication Based Two Level Cog, Hough Tranform and Neural Network
CN113762211A (zh) 一种基于大数据的人脸识别系统及方法
Suzuki et al. Illumination-invariant face identification using edge-based feature vectors in pseudo-2D Hidden Markov Models
Kabacinski et al. Human Vein Pattern Correlation-A Comparison of Segmentation Methods.
CN110348276B (zh) 电子装置、虹膜辨识方法以及计算机可读介质
Vera et al. Iris recognition algorithm on BeagleBone Black