TWI754241B - 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 - Google Patents

指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 Download PDF

Info

Publication number
TWI754241B
TWI754241B TW109108509A TW109108509A TWI754241B TW I754241 B TWI754241 B TW I754241B TW 109108509 A TW109108509 A TW 109108509A TW 109108509 A TW109108509 A TW 109108509A TW I754241 B TWI754241 B TW I754241B
Authority
TW
Taiwan
Prior art keywords
fingerprint image
fingerprint
layer
feature
features
Prior art date
Application number
TW109108509A
Other languages
English (en)
Other versions
TW202133041A (zh
Inventor
翟劍鋒
龍文勇
李准
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 TW202133041A publication Critical patent/TW202133041A/zh
Application granted granted Critical
Publication of TWI754241B publication Critical patent/TWI754241B/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
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本發明涉及一種指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質。所述方法包括：獲取指紋圖像；對指紋圖像進行預處理以去除指紋圖像中的雜訊；利用已訓練好的預設卷積神經網路模型提取出指紋圖像的二值特徵，其中述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數；及將指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。本案通過預設卷積神經網路模型的啟動函數對預設卷積神經網路模型輸出的特徵進行二值化處理，如此提高指紋圖像的二值特徵的匹配效率。

Description

指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質
本發明涉及指紋圖像識別領域，具體涉及一種指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質。
當前指紋圖像用於特徵抽取的神經網路均輸出浮點型描述子，其特徵比對速度較慢，不能滿足速度要求較高的平臺應用需求。例如採用sift、orb等基於特徵點的圖像匹配演算法對指紋圖像進行特徵提取出的圖像二級/三級特徵點極多，如仍採用浮點特徵匹配，那麼圖像的匹配效率將是極低的。
鑒於以上內容，有必要提出一種指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質以提取出指紋圖像的二值特徵，以提高指紋圖像的匹配效率。
本申請的第一方面提供一種指紋圖像的特徵提取方法，所述方法包括步驟：獲取指紋圖像；對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊； 利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數；及將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
優選的，所述預設卷積神經網路包括輸入層、多個用於進行特徵提取的卷積層、全連接層、啟動函數及輸出層，所述輸入層、卷積層、全連接層、啟動函數及輸出層依次相連接。
優選的，所述利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵包括：通過所述輸入層為所述指紋圖像提供輸入通道；通過所述卷積層對所述指紋圖像的特徵進行訓練提取；通過所述全連接層對各卷積層所訓練提取出的特徵進行整合；通過所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵；及通過所述輸出層輸出二值特徵。
優選的，所述啟動函數
Figure 109108509-A0305-02-0004-1
，所述預設閾值為1/2，
Figure 109108509-A0305-02-0004-27
為使用者設定的常數，所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵包括：通過
Figure 109108509-A0305-02-0004-2
對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據1/2進行分割得到所述指紋圖像的二值特徵。
優選的，所述啟動函數為
Figure 109108509-A0305-02-0004-3
，所述預設閾值為0，
Figure 109108509-A0305-02-0004-28
為使用者設定的常數，所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵包括： 通過所述啟動函數
Figure 109108509-A0305-02-0005-4
對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據0進行分割得到所述指紋圖像的二值特徵。
優選的，所述將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果包括：計算所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值的漢明距離值；及當所述漢明距離值小於或等於所述預設距離值時，則所述指紋圖像與所述預存指紋圖像匹配成功。
優選的，所述計算所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值的漢明距離值包括：將所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值進行異或運算得到異或結果，所述異或結果的個數為所述指紋圖像與所述預存指紋圖像的漢明距離值。
優選的，對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；及對所述指紋圖像進行細化處理以刪除所述指紋圖像中文線的邊緣圖元。
本申請的第二方面提供一種指紋圖像的特徵提取裝置，所述裝置包括：獲取模組，用於獲取指紋圖像； 預處理模組，用於對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊；特徵提取模組，用於利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數；及匹配模組，用於將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
本申請的協力廠商面提供一種電腦可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現所述指紋圖像的特徵提取方法。
本案通過所述預設卷積神經網路模型的啟動函數對所述預設卷積神經網路模型輸出的特徵進行二值化處理得到指紋圖像的二值特徵，將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果，如此提高指紋圖像的二值特徵的匹配效率。
40:指紋圖像的特徵提取裝置
401:獲取模組
402:預處理模組
403:特徵提取模組
404:匹配模組
6:電子設備
61:記憶體
62:處理器
63:電腦程式
S101~S104:步驟
圖1是本發明一實施方式中指紋圖像的特徵提取方法的流程圖。
圖2是本發明一實施方式中指紋圖像的特徵提取裝置的結構圖。
圖3本發明電子設備的示意圖。
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，不是旨在於限制本發明。
優選地，本發明指紋圖像的特徵提取方法應用在一個或者多個電子設備中。所述電子設備是一種能夠按照事先設定或存儲的指令，自動進行數值計算和/或資訊處理的設備，其硬體包括但不限於微處理器、專用積體電路(Application Specific Integrated Circuit，ASIC)、可程式設計閘陣列(Field-Programmable Gate Array，FPGA)、數文書處理器(Digital Signal Processor，DSP)、嵌入式設備等。
所述電子設備可以是桌上型電腦、筆記型電腦、平板電腦及雲端伺服器等計算設備。所述設備可以與使用者通過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互。
圖1是本發明一實施方式中指紋圖像的特徵提取方法的流程圖。根據不同的需求，所述流程圖中步驟的順序可以改變，某些步驟可以省略。
參考圖1所示，所述指紋圖像的特徵提取方法具體包括以下步驟：
步驟S101、獲取指紋圖像。
本實施方式中，通過指紋採集器採集指紋圖像。本實施方式中，所述指紋採集器為光學指紋採集器，熱敏式指紋識別器或生物射頻指紋識別器。
步驟S102、對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊。
本實施方式中，所述對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背 景區域。在具體實施方式中，可以採用基於閾值的圖像分割演算法對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域。
在一實施方式中，所述對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分。在具體實施方式中，通過STFT(Short Time Fourier Transform)指紋增強演算法對指紋圖像進行指紋分割，從而去除所述指紋圖像中的背景區域。
在一實施方式中，所述對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。在具體實施方式中，通過OPTA細化演算法對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。
在一實施方式中，所述對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；及對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。
步驟S103、利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數。
本實施方式中，所述預設卷積神經網路包括輸入層、多個用於進行特徵提取的卷積層、全連接層、啟動函數及輸出層。所述輸入層、卷積層、全連接層、啟動函數及輸出層依次相連接。本實施方式中，所述“利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵”包括：通過所述輸入層為指紋圖像提供輸入通道；通過卷積層對所述指紋圖像的特徵進行訓練提取；通過所述全連接層對各卷積層所訓練提取出的特徵進行整合；通過所述 啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到指紋圖像的二值特徵；通過所述輸出層輸出二值特徵。
本實施方式中，所述啟動函數為
Figure 109108509-A0305-02-0009-5
，所述預設閾值為1/2，
Figure 109108509-A0305-02-0009-29
為用戶設定的常數。所述“啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到指紋圖像的二值特徵”包括：通過所述啟動函數
Figure 109108509-A0305-02-0009-6
全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據1/2進行分割得到所述指紋圖像的二值特徵。本實施方式中，當逐漸增大設定的常數
Figure 109108509-A0305-02-0009-30
時，所述啟動函數
Figure 109108509-A0305-02-0009-7
，接近於階躍函數
Figure 109108509-A0305-02-0009-8
。
在另一實施方式中，所述啟動函數為
Figure 109108509-A0305-02-0009-9
，所述預設閾值為0，
Figure 109108509-A0305-02-0009-31
為用戶設定的常數。所述“啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到指紋圖像的二值特徵”包括：通過所述啟動函數
Figure 109108509-A0305-02-0009-10
對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據0進行分割得到所述指紋圖像的二值特徵。本實施方式中，當逐漸增大設定的常數
Figure 109108509-A0305-02-0009-32
時，所述啟動函數
Figure 109108509-A0305-02-0009-11
接近於階躍函數
Figure 109108509-A0305-02-0009-13
。
本實施方式中，所述方法還包括：對所述預設卷積神經網路模型進行訓練。具體的，在對預設卷積神經網路模型進行訓練時，可以在伺服器2中存儲預設數量的指紋圖像樣本，並且由使用者對所述指紋圖像樣本進行分類；例如，可以準備1000指紋圖像樣本，然後按照這些指紋圖像樣本所歸屬的使用者對這1000張指紋圖像樣本進行分類，並將每一個分類的二指紋圖像樣本進行二值特徵標定。當準備的預設數量的指紋圖像樣本分類完成後，此時可以將所述預設卷積神經網路模型作為分類模型，將所述人臉指紋圖像樣本作為訓 練樣本輸入到所述預設卷積神經網路模型中進行訓練，並根據預設卷積神經網路模型輸出的分類結果，對所述預設卷積神經網路模型各基層上節點之間的連接的權重參數進行調整。所述預設卷積神經網路模型在每次調整後基於輸入的訓練樣本進行訓練後，輸出的分類結果與用戶標定的分類結果相比，準確度將會逐漸提高。與此同時，用戶可以預先設置一個準確度閾值，在不斷的調整過程中，如果所述預設卷積神經網路模型輸出的分類結果與用戶標定的分類結果相比，準確度達到預先設置的準確度閾值後，此時所述預設卷積神經網路模型中各基層節點之間連接的權重參數均為最佳權重參數，可以認為所述預設卷積神經網路模型已經訓練完畢。本實施方式中，在預設卷積神經網路模型訓練畢完後，通過已訓練好的預設卷積神經網路模型，對輸入到預設卷積神經網路模型中的指紋圖像進行二值特徵的提取。
步驟S104、將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
本實施方式中，所述“將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果”包括：計算所述指紋圖像的二值特徵與預存指紋圖像的特徵值的漢明距離值；及當漢明距離值小於或等於預設距離值時，則所述指紋圖像與預存指紋圖像匹配成功。
本實施方式中，所述“計算所述指紋圖像的二值特徵與預存指紋圖像的特徵值的漢明距離值”包括：將所述指紋圖像的二值特徵與預存指紋圖像的特徵值進行異或運算得到異或結果，所述異或結果的個數為所述指紋圖像與預存指紋圖像的漢明距離值。
本實施方式中，通過所述預設卷積神經網路模型的啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割就可以得到指紋圖像的二值特徵，將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果，如此提高指紋圖像的二值特徵的匹配效率。
圖2為本發明一實施方式中指紋圖像的特徵提取裝置40的結構圖。
在一些實施例中，所述指紋圖像的特徵提取示裝置40運行於電子設備中。所述指紋圖像的特徵提取裝置40可以包括多個由程式碼段所組成的功能模組。所述指紋圖像的特徵提取裝置40中的各個程式段的程式碼可以存儲於記憶體中，並由至少一個處理器所執行，以執行指紋圖像的特徵提取的功能。
本實施例中，所述指紋圖像的特徵提取裝置40根據其所執行的功能，可以被劃分為多個功能模組。參閱圖2所示，所述指紋圖像的特徵提取裝置40可以包括獲取模組401、預處理模組402、特徵提取模組403及匹配模組404。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段，其存儲在記憶體中。所述在一些實施例中，關於各模組的功能將在後續的實施例中詳述。
所述獲取模組401獲取指紋圖像。
本實施方式中，所述獲取模組401通過指紋採集器採集指紋圖像。本實施方式中，所述指紋採集器為光學指紋採集器，熱敏式指紋識別器或生物射頻指紋識別器。
所述預處理模組402對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊。
本實施方式中，所述預處理模組402對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域。在具體實施方式中，所述預處理模組402可以採用基於閾值的圖像分割演算法對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域。
在一實施方式中，所述預處理模組402對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分。在具體實施方式中，所述預處理模組402通過STFT(Short Time Fourier Transform)指紋增強演算法對指紋圖像進行指紋分割，從而去除所述指紋圖像中的背景區域。
在一實施方式中，所述預處理模組402對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。在具體實施方式中，所述預處理模組402通過OPTA細化演算法對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。
在一實施方式中，所述預處理模組402對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；及對指紋圖像進行細化處理以刪除指紋圖像中文線的邊緣圖元。
所述特徵提取模組403利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數。
本實施方式中，所述預設卷積神經網路包括輸入層、多個用於進行特徵提取的卷積層、全連接層、啟動函數及輸出層。所述輸入層、卷積層、全連接層、啟動函數及輸出層依次相連接。本實施方式中，所述特徵提取模組403通過所述輸入層為指紋圖像提供輸入通道；通過卷積層對所述指紋圖像的特徵進行訓練提取；通過所述全連接層對各卷積層所訓練提取出的特徵進行整合；通過所述啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到指紋圖像的二值特徵；通過所述輸出層輸出二值特徵。
本實施方式中，所述啟動函數為
Figure 109108509-A0305-02-0012-14
，所述預設閾值為1/2，
Figure 109108509-A0305-02-0012-33
為用戶設定的常數。所述特徵提取模組403通過所述啟動函數
Figure 109108509-A0305-02-0012-15
對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據1/2進行分割得到所述指紋圖像的二特徵。本實施方式中，當逐漸增大設定的常數
Figure 109108509-A0305-02-0012-34
時，所述
Figure 109108509-A0305-02-0012-16
接近於階躍函數
Figure 109108509-A0305-02-0012-17
。
在另一實施方式中，所述啟動函數為
Figure 109108509-A0305-02-0013-18
，所述預設閾值為0，
Figure 109108509-A0305-02-0013-36
為用戶設定的常數，例如
Figure 109108509-A0305-02-0013-37
為大於1的整數。所述特徵提取模組403通過所述啟動函數
Figure 109108509-A0305-02-0013-19
對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據0進行分割得到所述指紋圖像的二值特徵。本實施方式中，當逐漸增大設定的常數
Figure 109108509-A0305-02-0013-38
時，所述
Figure 109108509-A0305-02-0013-20
接近於階躍函數
Figure 109108509-A0305-02-0013-22
。
本實施方式中，所述特徵提取模組403還用於對所述預設卷積神經網路模型進行訓練。具體的，在對預設卷積神經網路模型進行訓練時，可以在伺服器2中存儲預設數量的指紋圖像樣本，並且由使用者對所述指紋圖像樣本進行分類；例如，可以準備1000指紋圖像樣本，然後按照這些指紋圖像樣本所歸屬的使用者對這1000張指紋圖像樣本進行分類，並將每一個分類的二指紋圖像樣本進行二值特徵標定。當準備的預設數量的指紋圖像樣本分類完成後，此時可以將所述預設卷積神經網路模型作為分類模型，將所述人臉指紋圖像樣本作為訓練樣本輸入到所述預設卷積神經網路模型中進行訓練，並根據預設卷積神經網路模型輸出的分類結果，對所述預設卷積神經網路模型各基層上節點之間的連接的權重參數進行調整。所述預設卷積神經網路模型在每次調整後基於輸入的訓練樣本進行訓練後，輸出的分類結果與用戶標定的分類結果相比，準確度將會逐漸提高。與此同時，用戶可以預先設置一個準確度閾值，在不斷的調整過程中，如果所述預設卷積神經網路模型輸出的分類結果與用戶標定的分類結果相比，準確度達到預先設置的準確度閾值後，此時所述預設卷積神經網路模型中各基層節點之間連接的權重參數均為最佳權重參數，可以認為所述預設卷積神經網路模型已經訓練完畢。本實施方式中，在預設卷積神經網路模型訓練畢完後，通過已訓練好的預設卷積神經網路模型，對輸入到預設卷積神經網路模型中的指紋圖像進行二值特徵的提取。
所述匹配模組404將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
本實施方式中，所述匹配模組404計算所述指紋圖像的二值特徵與預存指紋圖像的特徵值的漢明距離值，及當漢明距離值小於或等於預設距離值時，則所述指紋圖像與預存指紋圖像匹配成功。
本實施方式中，所述匹配模組404用於將所述指紋圖像的二值特徵與預存指紋圖像的特徵值進行異或運算得到異或結果，所述異或結果的個數為所述指紋圖像與預存指紋圖像的漢明距離值。
本實施方式中，所述匹配模組404通過所述預設卷積神經網路模型的啟動函數對全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割就可以得到指紋圖像的二值特徵，將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果，如此提高指紋圖像的二值特徵的匹配效率。
圖3為本發明一實施方式中電子設備6的示意圖。
所述電子設備6包括記憶體61、處理器62以及存儲在所述記憶體61中並可在所述處理器62上運行的電腦程式63。所述處理器62執行所述電腦程式63時實現上述指紋圖像的特徵提取方法實施例中的步驟，例如圖1所示的步驟S101~S104。或者，所述處理器62執行所述電腦程式63時實現上述指紋圖像的特徵提取裝置實施例中各模組/單元的功能，例如圖2中的模組401~404。
示例性的，所述電腦程式63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61中，並由所述處理器62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，所述指令段用於描述所述電腦程式63在所述電子設備6中的執行過程。例如，所述電腦程式63可以被分割成圖2中的獲取模組401、預處理模組402、特徵提取模組403及匹配模組404。
所述電子設備6可以是桌上型電腦、筆記本、掌上型電腦及雲端伺服器等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電子設備6的示例，並不構成對電子設備6的限定，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，例如所述電子設備6還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器62可以是中央處理模組(Central Processing Unit，CPU)，還可以是其他通用處理器、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所述處理器62也可以是任何常規的處理器等，所述處理器62是所述電子設備6的控制中心，利用各種介面和線路連接整個電子設備6的各個部分。
所述記憶體61可用於存儲所述電腦程式63和/或模組/單元，所述處理器62通過運行或執行存儲在所述記憶體61內的電腦程式和/或模組/單元，以及調用存儲在記憶體61內的資料，實現所述計電子設備6的各種功能。所述記憶體61可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需的應用程式(比如聲音播放功能、圖像播放功能等)等；存儲資料區可存儲根據電子設備6的使用所創建的資料(比如音訊資料、電話本等)等。此外，記憶體61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。
所述電子設備6集成的模組/單元如果以軟體功能模組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，所述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。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、U盤、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。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。
在本發明所提供的幾個實施例中，應該理解到，所揭露的電子設備和方法，可以通過其它的方式實現。例如，以上所描述的電子設備實施例僅僅是示意性的，例如，所述模組的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式。
另外，在本發明各個實施例中的各功能模組可以集成在相同處理模組中，也可以是各個模組單獨物理存在，也可以兩個或兩個以上模組集成在相同模組中。上述集成的模組既可以採用硬體的形式實現，也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言，顯然本發明不限於上述示範性實施例的細節，而且在不背離本發明的精神或基本特徵的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本發明的範圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。此外，顯然“包括”一詞不排除其他模組或步驟，單數不排除複數。電子設備權利要求中陳述的多個模組或電子設備也可以由同一個模組或電子設備通過軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定的順序。
上文所列出之一系列之詳細說明僅係針對本發明之可行性實施方式之具體說明，它們並非用以限制本發明之保護範圍，凡未脫離本發明技藝精神所作之等效實施方式或變更均應包含於本發明之保護範圍之內。
S101~S104:步驟

Claims (8)

  1. 一種指紋圖像的特徵提取方法，其中，所述方法包括步驟：獲取指紋圖像；對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊，包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；對所述指紋圖像進行細化處理以刪除所述指紋圖像中文線的邊緣圖元；利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數、輸入層、多個用於進行特徵提取的卷積層、全連接層及輸出層，所述輸入層、卷積層、全連接層、啟動函數及輸出層依次相連接，其中，所述利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵包括：通過所述輸入層為所述指紋圖像提供輸入通道；通過所述卷積層對所述指紋圖像的特徵進行訓練提取；通過所述全連接層對各卷積層所訓練提取出的特徵進行整合；通過所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵；及通過所述輸出層輸出所述二值特徵；及將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
  2. 如請求項1所述的指紋圖像的特徵提取方法，其中，所述啟動函數為
    Figure 109108509-A0305-02-0018-23
    ，所述預設閾值為1/2，
    Figure 109108509-A0305-02-0018-35
    為使用者設定的常數，所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵包括：通過
    Figure 109108509-A0305-02-0018-24
    對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據1/2進行分割得到所述指紋圖像的二值特徵。
  3. 如請求項1所述的指紋圖像的特徵提取方法，其中，所述啟動函數為
    Figure 109108509-A0305-02-0019-25
    ，所述預設閾值為0，
    Figure 109108509-A0305-02-0019-39
    為使用者設定的常數，所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵包括：通過所述啟動函數
    Figure 109108509-A0305-02-0019-26
    對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據0進行分割得到所述指紋圖像的二值特徵。
  4. 如請求項1所述的指紋圖像的特徵提取方法，其中，所述將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果包括：計算所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值的漢明距離值；及當所述漢明距離值小於或等於所述預設距離值時，則所述指紋圖像與所述預存指紋圖像匹配成功。
  5. 如請求項4所述的指紋圖像的特徵提取方法，其中，所述計算所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值的漢明距離值包括：將所述指紋圖像的二值特徵與所述預存指紋圖像的特徵值進行異或運算得到異或結果，所述異或結果的個數為所述指紋圖像與所述預存指紋圖像的漢明距離值。
  6. 如請求項1所述的指紋圖像的特徵提取方法，其中，對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；及 對所述指紋圖像進行細化處理以刪除所述指紋圖像中文線的邊緣圖元。
  7. 一種指紋圖像的特徵提取裝置，其中，所述裝置包括：獲取模組，用於獲取指紋圖像；預處理模組，用於對所述指紋圖像進行預處理以去除所述指紋圖像中的雜訊，包括：對所述指紋圖像進行指紋分割以去除所述指紋圖像中的背景區域；對所述指紋圖像進行指紋增強以去除所述指紋圖像中的叉連、中斷點及模糊不清的部分；對所述指紋圖像進行細化處理以刪除所述指紋圖像中文線的邊緣圖元；特徵提取模組，用於利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵，其中所述預設卷積神經網路包括具有可類比階躍函數功能且連續的啟動函數、輸入層、多個用於進行特徵提取的卷積層、全連接層及輸出層，所述輸入層、卷積層、全連接層、啟動函數及輸出層依次相連接，其中，所述利用已訓練好的預設卷積神經網路模型提取出所述指紋圖像的二值特徵包括：通過所述輸入層為所述指紋圖像提供輸入通道；通過所述卷積層對所述指紋圖像的特徵進行訓練提取；通過所述全連接層對各卷積層所訓練提取出的特徵進行整合；通過所述啟動函數對所述全連接層輸出的特徵進行二值化處理及將二值化處理的結果依據預設閾值進行分割得到所述指紋圖像的二值特徵；及通過所述輸出層輸出所述二值特徵；及匹配模組，用於將所述指紋圖像的二值特徵與預存指紋圖像的二值特徵進行匹配得到匹配結果。
  8. 一種電腦可讀存儲介質，其上存儲有電腦程式，其中：所述電腦程式被處理器執行時實現如請求項1-6中任一項所述指紋圖像的特徵提取方法。
TW109108509A 2020-02-27 2020-03-13 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 TWI754241B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010125597.8 2020-02-27
CN202010125597.8A CN113312946A (zh) 2020-02-27 2020-02-27 指纹图像的特征提取方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
TW202133041A TW202133041A (zh) 2021-09-01
TWI754241B true TWI754241B (zh) 2022-02-01

Family

ID=77370442

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109108509A TWI754241B (zh) 2020-02-27 2020-03-13 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質

Country Status (2)

Country Link
CN (1) CN113312946A (zh)
TW (1) TWI754241B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311389B (zh) * 2022-08-18 2023-12-12 荣耀终端有限公司 指纹识别的方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294987A (zh) * 2012-03-05 2013-09-11 天津华威智信科技发展有限公司 指纹匹配方法与实现方式
CN108960214A (zh) * 2018-08-17 2018-12-07 中控智慧科技股份有限公司 指纹图像增强二值化方法、装置、设备、系统及存储介质
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 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
CN109934180A (zh) * 2019-03-18 2019-06-25 Oppo广东移动通信有限公司 指纹识别方法及相关装置
US10339362B2 (en) * 2016-12-08 2019-07-02 Veridium Ip Limited Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100884743B1 (ko) * 2006-12-07 2009-02-19 한국전자통신연구원 지문 특징점 및 지문 이진영상을 이용한 지문 정합 방법 및그 장치
CN103971342B (zh) * 2014-05-21 2017-11-03 厦门美图之家科技有限公司 一种基于卷积神经网络的图像噪点检测方法
CN107844753A (zh) * 2017-10-20 2018-03-27 珠海习悦信息技术有限公司 视频图像中的行人重识别方法、装置、存储介质及处理器
US11082720B2 (en) * 2017-11-21 2021-08-03 Nvidia Corporation Using residual video data resulting from a compression of original video data to improve a decompression of the original video data
CN109492589A (zh) * 2018-11-13 2019-03-19 重庆工程职业技术学院 通过二进制特征与联合层叠结构融合的人脸识别工作方法以及智能芯片
CN110188227B (zh) * 2019-05-05 2022-11-18 华南理工大学 一种基于深度学习与低秩矩阵优化的哈希图像检索方法
CN110533603A (zh) * 2019-07-24 2019-12-03 宁德市公路局 一种基于熵与卷积神经网络的点云降噪方法
CN110517329B (zh) * 2019-08-12 2021-05-14 北京邮电大学 一种基于语义分析的深度学习图像压缩方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294987A (zh) * 2012-03-05 2013-09-11 天津华威智信科技发展有限公司 指纹匹配方法与实现方式
US10339362B2 (en) * 2016-12-08 2019-07-02 Veridium Ip Limited Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices
CN109063572A (zh) * 2018-07-04 2018-12-21 南京信息工程大学 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
CN108960214A (zh) * 2018-08-17 2018-12-07 中控智慧科技股份有限公司 指纹图像增强二值化方法、装置、设备、系统及存储介质
CN109934180A (zh) * 2019-03-18 2019-06-25 Oppo广东移动通信有限公司 指纹识别方法及相关装置
CN110765857A (zh) * 2019-09-12 2020-02-07 敦泰电子（深圳）有限公司 指纹识别方法、芯片及电子装置

Also Published As

Publication number Publication date
TW202133041A (zh) 2021-09-01
CN113312946A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
WO2018019194A1 (zh) 图像识别方法、终端及非易失性存储介质
CN111652218A (zh) 文本检测方法、电子设备及计算机可读介质
CN106850338B (zh) 一种基于语义分析的r+1类应用层协议识别方法与装置
CN111553215A (zh) 人员关联方法及其装置、图卷积网络训练方法及其装置
WO2018107953A1 (zh) 智能终端及其应用程序的自动分类方法
CN114897806A (zh) 缺陷检测方法、电子设备及计算机可读存储介质
WO2024001123A1 (zh) 基于神经网络模型的图像识别方法、装置及终端设备
WO2022227218A1 (zh) 药名识别方法、装置、计算机设备和存储介质
CN113723330A (zh) 一种图表文档信息理解的方法及系统
TWI754241B (zh) 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質
US20240037914A1 (en) Machine learning method and computing device for art authentication
Gunawan et al. Performance Evaluation of Automatic Number Plate Recognition on Android Smartphone Platform.
CN110659631B (zh) 车牌识别方法和终端设备
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN111949793B (zh) 用户意图识别方法、装置及终端设备
CN110210425B (zh) 人脸识别方法、装置、电子设备及存储介质
CN112257689A (zh) 人脸识别模型的训练和识别方法、存储介质及相关设备
CN111444364B (zh) 一种图像检测方法和装置
CN111382760B (zh) 图片类别的识别方法、装置及计算机可读存储介质
CN112288045B (zh) 一种印章真伪判别方法
CN115311664A (zh) 图像中文本类别的识别方法、装置、介质及设备
CN113077469B (zh) 草图图像语义分割方法、装置、终端设备及存储介质
CN111460214A (zh) 分类模型训练方法、音频分类方法、装置、介质及设备
CN113093967A (zh) 数据生成方法、装置、计算机装置及存储介质
CN112037814A (zh) 一种音频指纹的提取方法、装置、电子设备及存储介质