TWI764695B - 指紋圖像的處理方法及裝置 - Google Patents
指紋圖像的處理方法及裝置Info
- Publication number
- TWI764695B TWI764695B TW110115082A TW110115082A TWI764695B TW I764695 B TWI764695 B TW I764695B TW 110115082 A TW110115082 A TW 110115082A TW 110115082 A TW110115082 A TW 110115082A TW I764695 B TWI764695 B TW I764695B
- Authority
- TW
- Taiwan
- Prior art keywords
- fingerprint
- image
- imprint
- processing model
- original
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title claims description 15
- 238000012545 processing Methods 0.000 claims abstract description 389
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 7
- 210000003811 finger Anatomy 0.000 description 89
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 210000004936 left thumb Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 210000004935 right thumb Anatomy 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Image Input (AREA)
- Collating Specific Patterns (AREA)
Abstract
本說明書實施例提供了一種指紋圖像的處理方法及裝置,該方法包括:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取指紋圖像處理模型輸出的目標指紋印跡圖像;將目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,上述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,真實指紋圖像藉由指紋感測器採集;目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
Description
本發明涉及圖像處理技術領域,尤其涉及一種指紋圖像的處理方法及裝置。
隨著訊息技術的快速發展,指紋識別在各個業務領域得到了廣泛的應用,如支付領域、門禁領域以及身分認證領域等等,指紋識別是藉由指紋識別設備實現。為了提高相應業務領域的業務安全性,在指紋識別設備投入使用前,需要對指紋識別設備進行指紋攻擊測試。
通常,在進行指紋識別設備的指紋攻擊測試時,需要使用大量的指紋,若是採用真人指紋則需要招募較多的測試人員,工作量大且效率低下。基於此,亟需提出一種方案,以便可以採用紙張等產品上的指紋印跡進行指紋識別設備的測試。
本說明書實施例提供了一種指紋圖像的處理方法。其中,該方法包括:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
本說明書實施例還提供了一種指紋圖像的處理裝置。其中,該裝置包括:第一獲取模組,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;
執行模組,將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;確定模組,將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
本說明書實施例還提供了一種指紋圖像的處理設備。其中,該設備包括處理器;以及被安排成儲存電腦可執行指令的儲存器,所述可執行指令在被執行時使所述處理器:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
本說明書實施例還提供了一種儲存媒體,用於儲存電腦可執行指令,所述可執行指令在被執行時實現以下流程:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;
其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
為了使本技術領域的人員更好地理解本文件中的技術方案,下面將結合本說明書實施例中的圖式,對本說明書實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本文件一部分實施例,而不是全部的實施例。基於本說明書中的實施例,本領域具有通常知識者在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬本文件保護的範圍。
本說明書一個或多個實施例的思想在於,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
首先,本說明書一個或多個施例提供了一種指紋圖像的處理方法,該方法可以應用於指紋圖像的處理設備中,該指紋圖像的處理設備可以為具有圖像處理能力的智慧型設備,如計算機、電腦等;即該方法的執行主體為指紋圖像的處理設備,具體的,可以為安裝在指紋圖像的處理設備上的指紋圖像的處理裝置。
圖1為本說明書一個或多個實施例提供的指紋圖像的處理方法的第一種方法流程圖,如圖1所示,該方法至少包括如下步驟:
步驟102,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像。
其中,上述目標物件可以為紙張或者表面光滑、容易留下指紋印跡的物品,如手機螢幕、玻璃或者塑料製品等等。具體的,用戶在目標物件上所遺留的指紋印跡可以是用戶的手指直接觸摸目標物件後留下的,也可以是用戶的手指在蘸取印泥後在目標物件上所按下的指紋印跡等等。
可選的,在具體實施時,可以藉由圖像掃描設備掃描目標物件上包含有用戶的指紋印跡的區域或者藉由圖像採集設備採集目標物件上包含有用戶的指紋印跡的區域的圖像,從而得到上述原始指紋印跡圖像。
因此,在一種具體實施方式中,上述步驟102中,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像,可以是從圖像掃描設備獲取上述原始指紋印跡圖像;其中,該原始指紋印跡圖像為圖像掃描設備對目標物件上的指紋印跡區域進行掃描得到。
其中,上述指紋印跡區域可以是目標物件上包含用戶所留下的指紋印跡的在內的區域。
步驟104,將上述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取指紋圖像處理模型輸出的目標指紋印跡圖像。
其中,上述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,真實指紋圖像藉由指紋感測器採集;目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
其中,採集用戶真實指紋圖像的指紋感測器可以為光學指紋感測器或者電容指紋感測器,當然,還可以為其他類型的指紋感測器,此處只是示例性列舉上述指紋感測器的兩種可能的具體類型,並不構成對本說明書實施例的限定。
例如,在一種具體實施方式中,原始指紋印跡圖像中包含的指紋印跡為用戶A的左手大拇指的指紋印跡,經過指紋圖像處理模型處理後得到的目標指紋印跡圖像中的指紋與用戶A的左右大拇指的真實指紋的匹配度大於或等於設定閾值。
其中,上述設定閾值的具體取值可以為95%、99%等任意數值,該設定閾值的具體取值可以由相關人員根據實際需求進行設置,本說明書實施例並不對上述設定閾值的具體取值進行限定。
步驟106,將目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像。
在本說明書實施例中,由於經過指紋圖像處理模型處理後得到的目標指紋印跡圖像中用戶的指紋印跡已經接近用戶相同手指的真實指紋,因此,經過指紋圖像處理模型處理後得到的目標指紋印跡圖像可以作為測試指紋圖像,用於指紋識別設備的指紋測試。
本說明書實施例提供的指紋圖像的處理方法,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
可選的,在藉由指紋感測器採集用戶的真實指紋圖像時,用戶直接將手指按在指紋感測器的指紋採集區域即可,所以,指紋感測器的採集方向是朝向手指的方向,如圖2所示。但是,藉由圖像掃描設備掃描用戶留在目標物件上的指紋印跡的指紋印跡圖像時,相當於是經過了兩個過程,目標物件採集用戶指紋(用戶將指紋按在目標物件上)的過程,在這個過程中,實際上目標物件的採集方向為朝向手指的方向,如圖3(a)所示;然後,用戶在目標物件上所留下的指紋印跡如圖3(b)所示;在使用圖像掃描設備掃描目標物件上留下的指紋印跡時,採集方向為朝向目標物件的方向,即指紋印跡的掃描方向與指紋感測器採集指紋的方向剛好相反,即實際上,藉由圖像掃描設備所掃描的為用戶指紋的鏡像指紋圖像。也即,實際上真實指紋圖像與指紋印跡圖像中的指紋互為鏡像指紋。因此,在訓練指紋圖像處理模型時,需要使得指紋印跡圖像樣本集與真實指紋圖像樣本集中的指紋方向相同,所以需要對指紋印跡圖像中的指紋進行鏡像翻轉,以得到指紋印跡圖像樣本;或者,對真實指紋圖像中的指紋進行鏡像翻轉,以得到真實指紋圖像樣本。
可選的,在一種可選實施方式中,可以將獲取的指紋印跡圖像進行鏡像翻轉,將鏡像翻轉後的指紋印跡圖像作為指紋印跡圖像樣本,用於進行指紋圖像處理模型的訓練。
因此,在該種情況下,由於所獲取的原始指紋印跡圖像中的指紋印跡也為用戶真實指紋的鏡像指紋。因此,在一種具體實施方式中,在執行上述步驟104之前,即將原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,本說明書一個或多個實施例提供的方法,還包括如下步驟:
對原始指紋印跡圖像進行鏡像翻轉處理;
相應的,上述步驟104中,將原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,具體包括:
將鏡像翻轉處理後的原始指紋印跡圖像輸入至指紋圖像處理模型;藉由指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小原始指紋印跡圖像中的指紋印跡與目標物件之間的色差值。
具體的,在藉由指紋圖像處理模型對原始指紋印跡圖像進行處理時,可以只對原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,也可以是只對原始指紋印跡圖像中的指紋印跡的顏色值進行調整,或者既對原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,也對原始指紋印跡圖像中的指紋印跡的顏色值進行調整。
當然,在具體實施時,還可以藉由指紋圖像處理模型對原始指紋印跡圖像中其他雜訊進行處理,如由於拍攝原因所導致的圖像不清晰問題等等,本說明書實施例不再一一列舉,
一般的,對於原始指紋印跡圖像而言,由於是採集的用戶在目標物件上所留下的指紋印跡的圖像,而用戶在目標物件上按下指紋印跡時,使用的印泥是濕的,因此,在印泥變乾後,可能會出現指紋紋理殘缺的問題;或者,用戶在按下指紋時,由於手指存在汗漬等原因,導致所按下的指紋為濕指紋,在指紋印跡變乾之後,可能會出現指紋紋理殘缺的問題;還或者,用戶在目標物件上按下指紋時,可能會存在手指挪動等,從而使得留在目標物件上的指紋印跡存在紋理邊界模糊或者紋理變形的情況。也即,所獲取的原始指紋印跡圖像中的指紋印跡可能會存在指紋的紋路模糊、不清楚、殘缺等情況,與真實指紋的差別較大。因此,為了使得指紋印跡更接近真實指紋,所以需要對指紋印跡的紋理訊息進行修復。此外,若是指紋印跡為印泥指紋印跡,一般的印泥為紅色的,即指紋印跡為紅色的,因此,會使得原始指紋印跡圖像中的指紋印跡與目標物件(如紙張)之前的顏色值差異較大,不符合真實指紋的採集場景,因此,需要對原始指紋印跡圖像中的指紋顏色進行調整,以降低指紋印跡與目標物件之間的顏色差異。
可選的,在具體實施時,在對指紋印跡的顏色值進行調整時,可以是降低指紋印跡的顏色值。
當然,在本說明書實施例中,可以是在將原始指紋印跡圖像輸入至指紋圖像處理模型之前,對原始指紋印跡圖像進行鏡像翻轉處理;也可以是在將原始指紋印跡圖像輸入至指紋圖像處理模型中後,由指紋圖像處理模型對原始指紋印跡圖像進行鏡像翻轉處理。
因此,在本說明書一個或多個實施例中,上述步驟104中,將原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,具體包括如下過程:
將原始指紋印跡圖像輸入至指紋圖像處理模型;藉由指紋圖像處理模型對原始指紋印跡圖像進行鏡像翻轉處理;以及,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小原始指紋印跡圖像中的指紋印跡與目標物件之間的色差值。
另外,為了實現本說明書實施例所提供的指紋圖像的處理方法,需要預先訓練指紋圖像處理模型,因此,在執行上述步驟104之前,還需要進行指紋圖像處理模型的訓練。
因此,在一種具體實施方式中,在執行上述步驟104之前,即將原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,本說明書一個或多個實施例提供的方法,還包括如下步驟:
獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練指紋圖像處理模型。
其中,需要說明的是,在本說明書實施例中,針對每個手指而言,該手指所對應的指紋印跡圖像樣本集中可以包括多個指紋印跡圖像樣本,以及,該手指所對應的真實指紋圖像樣本集中可以包括多個真實指紋圖像樣本,指紋印跡圖像樣本集中的指紋印跡圖像樣本的數量與真實指紋圖像樣本集中的真實指紋圖像樣本的數量相同。
且本說明書實施例中,在訓練指紋圖像處理模型時,則需要獲取多個用戶的多個手指的樣本集。
即在一種具體實施方式中,用於訓練指紋圖像處理模型的圖像樣本如表1所示。
其中,表1中的手指1、手指2、手指3和手指4可以是同一用戶的手指,也可以是不同用戶的手指。另外,上述表1只是以四個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集為例進行示例性說明,並不構成對本說明書實施例的限定。
表1
另外,需要說明的是,在每個指紋印跡圖像樣本集中則包含該手指所對應的多個指紋印跡的指紋印跡圖像樣本,以及,在每個真實指紋圖像樣本集中則包含該手指所對應的多個真實指紋圖像樣本。
可選的,在具體實施時,在完成指紋圖像處理模型的訓練後,則還需要對指紋圖像處理模型的處理效果進行測試,並根據測試結果對指紋圖像處理模型進行最佳化。
因此,在本說明書一個或多個實施例中,在完成指紋圖像處理模型的訓練之後、以及在使用指紋圖像處理模型進行指紋印跡圖像的處理之前,還需要對圖像處理模型進行最佳化處理。即可以是,在將原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,本說明書實施例提供的方法還包括如下步驟:
將指紋印跡圖像樣本輸入至指紋圖像處理模型進行處理;獲取指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;根據匹配結果對指紋圖像處理模型進行最佳化。
其中,需要說明的是,上述用於對指紋圖像處理模型進行最佳化時所採用的指紋印跡圖像樣本可以為新採集的指紋印跡圖像樣本。
可選的,在一種具體實施方式中,可以預先設置匹配度閾值,當處理後的指紋印跡圖像樣本中的指紋印跡與相同手指所對應的真實指紋的匹配度大於或等於預先設置的匹配度閾值時,則認為處理後的指紋印跡圖像樣本中的指紋印跡與相同手指所對應的真實指紋相匹配;一般情況下,若是經過指紋圖像處理模型處理後的指紋印跡圖像樣本中,與相同手指所對應的真實指紋相匹配的匹配率達到預設閾值時,則不再對指紋圖像處理模型進行最佳化。
例如,若是上述預設閾值的取值為97%,則說明若是經過指紋圖像處理模型對100個指紋印跡圖像樣本進行了處理,處理後的指紋印跡圖像樣本中存在大於或等於97個指紋印跡圖像樣本中的指紋印跡與相同手指所對應的真實指紋相匹配,則不再對該指紋圖像處理模型進行最佳化,否則,需要對指紋圖像處理模型繼續進行最佳化。
另外,需要說明的是,在本說明書實施例中,所採用的指紋圖像處理模型可以為自我注意生成對抗網路(Self-Attention Generative Adversarial Networks,SAGAN)模型;當然,還可以為其他深度學習模型,本說明書實施例並不對上述指紋圖像處理模型所採用的具體模型進行限制,只要可以實現對指紋印跡圖像中的指紋紋理及/或顏色進行處理的模型均可。
在具體實施時,若是所採用的指紋圖像處理模型為SAGAN模型,在模型訓練階段,獲取多個手指中的每個手指分別所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集(需要標注出各個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集),然後基於各個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集進行SAGAN模型參數的訓練,使得所訓練出的SAGAN模型可以對指紋印跡圖像中的指紋印跡的紋理及/或顏色等進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指的真實指紋基本一致。另外,需要說明的是,在本說明書實施例中,上述基於各個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集進行SAGAN模型參數的訓練的具體過程,可參考現有技術中SAGAN模型的訓練過程,此處不再贅述SAGAN模型的具體訓練過程。
可選的,在一種具體實施方式中,在將原始指紋印跡圖像輸入至SAGAN模型後,藉由SAGAN模型對原始指紋印跡圖像進行卷積、池化等一系列處理,從而使得SAGAN模型輸出的目標指紋印跡圖像中的指紋與同一手指的真實指紋基本一致。其中,SAGAN模型對原始指紋印跡圖像進行處理的具體過程可參考現有技術中SAGAN模型進行圖像處理的過程,此處不再贅述。
圖4為本說明書實施例提供的指紋圖像的處理方法的第二種方法流程圖,如圖4所示,該方法至少包括如下步驟:
步驟402,圖像掃描設備對用戶在目標物件上留下的指紋印跡區域進行掃描,得到用戶在目標物件上留下的指紋印跡的原始指紋印跡圖像。
步驟404,指紋圖像的處理設備從圖像掃描設備獲取原始指紋印跡圖像。
步驟406,指紋圖像的處理設備對該原始指紋印跡圖像進行鏡像翻轉處理。
步驟408,指紋圖像的處理設備對鏡像翻轉處理後的原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型。
步驟410,藉由指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,以及,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整。
步驟412,指紋圖像的處理設備獲取指紋圖像處理模型輸出的處理後的目標指紋印跡圖像,並作為用於進行指紋識別設備測試的測試指紋圖像;其中,目標指紋印跡圖像中的指紋與相同手指的真實指紋的匹配度大於或等於設定閾值。
本說明書一個或多個實施例提供的指紋圖像的處理方法,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
對應於本說明書圖1-圖4所示實施例提供的指紋圖像的處理方法,基於相同的思想,本說明書實施例還提供了一種指紋圖像的處理裝置,用於執行本說明書圖1-圖4所示實施例提供的指紋圖像的處理方法。圖5為本說明書實施例提供的指紋圖像的處理裝置的模組組成示意圖,如圖5所示,該裝置至少包括:
第一獲取模組502,用於獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;
執行模組504,用於將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;
確定模組506,用於將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;
其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
可選的,本說明書實施例提供的裝置,還包括:
處理模組,用於對所述原始指紋印跡圖像進行鏡像翻轉處理;
相應的,所述執行模組504,包括:
第一輸入單元,用於將鏡像翻轉處理後的原始指紋印跡圖像輸入至所述指紋圖像處理模型;
第一處理單元,用於藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,上述執行模組504,還包括:
第二輸入單元,用於將所述原始指紋印跡圖像輸入至所述指紋圖像處理模型;
第二處理單元,用於藉由所述指紋圖像處理模型對所述原始指紋印跡圖像進行鏡像翻轉處理;
第三處理單元,用於藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,本說明書實施例提供的裝置,還包括:
產生模組,用於獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對所述指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;
第二獲取模組,用於藉由指紋感測器獲取各個所述手指所對應的真實指紋圖像樣本集;
訓練模組,用於使用各個手指所對應的指紋印跡圖像樣本集和所述真實指紋圖像樣本集訓練所述指紋圖像處理模型。
可選的,本說明書實施例提供的裝置,還包括:
輸入模組,用於將指紋印跡圖像樣本輸入至所述指紋圖像處理模型進行處理;
匹配模組,用於獲取所述指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;
最佳化模組,用於根據匹配結果對所述指紋圖像處理模型進行最佳化。
可選的,上述第一獲取模組502,包括:
獲取單元,用於從圖像掃描設備獲取所述原始指紋印跡圖像;其中,所述原始指紋印跡圖像為所述圖像掃描設備對所述目標物件上的指紋印跡區域進行掃描得到。
本說明書實施例的指紋圖像的處理裝置還可執行圖1-圖4中指紋圖像的處理裝置執行的方法,並實現指紋圖像的處理裝置在圖1-圖4所示實施例的功能,在此不再贅述。
本說明書實施例提供的指紋圖像的處理裝置,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
進一步地,基於上述圖1至圖4所示的方法,本說明書實施例還提供了一種指紋圖像的處理設備,如圖6所示。
指紋圖像的處理設備可因配置或性能不同而產生比較大的差異,可以包括一個或一個以上的處理器601和儲存器602,儲存器602中可以儲存有一個或一個以上儲存應用程式或資料。其中,儲存器602可以是短暫儲存或持久儲存。儲存在儲存器602的應用程式可以包括一個或一個以上模組(圖示未示出),每個模組可以包括對指紋圖像的處理設備中的一系列電腦可執行指令訊息。更進一步地,處理器601可以設置為與儲存器602通訊,在指紋圖像的處理設備上執行儲存器602中的一系列電腦可執行指令訊息。指紋圖像的處理設備還可以包括一個或一個以上電源603,一個或一個以上有線或無線網路介面604,一個或一個以上輸入輸出介面605,一個或一個以上鍵盤606等。
在一個具體的實施例中,指紋圖像的處理設備包括有儲存器,以及一個或一個以上的程式,其中一個或者一個以上程式儲存於儲存器中,且一個或者一個以上程式可以包括一個或一個以上模組,且每個模組可以包括對指紋圖像的處理設備中的一系列電腦可執行指令訊息,且經配置以由一個或者一個以上處理器執行該一個或者一個以上程式包含用於進行以下電腦可執行指令訊息:
獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;
將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;
將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;
其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
可選的,電腦可執行指令訊息在被執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
對所述原始指紋印跡圖像進行鏡像翻轉處理;
所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,包括:
將鏡像翻轉處理後的原始指紋印跡圖像輸入至所述指紋圖像處理模型;
藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,電腦可執行指令訊息在被執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,包括:
將所述原始指紋印跡圖像輸入至所述指紋圖像處理模型;
藉由所述指紋圖像處理模型對所述原始指紋印跡圖像進行鏡像翻轉處理;
以及,藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,電腦可執行指令訊息在被執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對所述指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;
藉由指紋感測器獲取各個所述手指所對應的真實指紋圖像樣本集;
使用各個手指所對應的指紋印跡圖像樣本集和所述真實指紋圖像樣本集訓練所述指紋圖像處理模型。
可選的,電腦可執行指令訊息在被執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
將指紋印跡圖像樣本輸入至所述指紋圖像處理模型進行處理;
獲取所述指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;
根據匹配結果對所述指紋圖像處理模型進行最佳化。
可選的,電腦可執行指令訊息在被執行時,所述獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像,包括:
從圖像掃描設備獲取所述原始指紋印跡圖像;其中,所述原始指紋印跡圖像為所述圖像掃描設備對所述目標物件上的指紋印跡區域進行掃描得到。
本說明書實施例提供的指紋圖像的處理設備,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
進一步地,基於上述圖1至圖4所示的方法,本說明書實施例還提供了一種儲存媒體,用於儲存電腦可執行指令訊息,一種具體的實施例中,該儲存媒體可以為USB隨身碟、光碟、硬碟等,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,能實現以下流程:
獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;
將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取所述指紋圖像處理模型輸出的目標指紋印跡圖像;
將所述目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;
其中,所述指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,所述真實指紋圖像藉由指紋感測器採集;所述目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
可選的,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
對所述原始指紋印跡圖像進行鏡像翻轉處理;
所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,包括:
將鏡像翻轉處理後的原始指紋印跡圖像輸入至所述指紋圖像處理模型;
藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,包括:
將所述原始指紋印跡圖像輸入至所述指紋圖像處理模型;
藉由所述指紋圖像處理模型對所述原始指紋印跡圖像進行鏡像翻轉處理;
以及,藉由所述指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小所述原始指紋印跡圖像中的指紋印跡與所述目標物件之間的色差值。
可選的,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對所述指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;
藉由指紋感測器獲取各個所述手指所對應的真實指紋圖像樣本集;
使用各個手指所對應的指紋印跡圖像樣本集和所述真實指紋圖像樣本集訓練所述指紋圖像處理模型。
可選的,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,所述將所述原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,還可執行如下步驟:
將指紋印跡圖像樣本輸入至所述指紋圖像處理模型進行處理;
獲取所述指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;
根據匹配結果對所述指紋圖像處理模型進行最佳化。
可選的,該儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,所述獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像,包括:
從圖像掃描設備獲取所述原始指紋印跡圖像;其中,所述原始指紋印跡圖像為所述圖像掃描設備對所述目標物件上的指紋印跡區域進行掃描得到。
本說明書實施例提供的儲存媒體儲存的電腦可執行指令訊息在被處理器執行時,預先基於多個手指所對應的真實指紋圖像樣本集和指紋印跡圖像樣本集訓練指紋圖像處理模型,然後採用指紋圖像處理模型對所獲取的用戶在紙張等物品上留下的指紋印跡的指紋印跡圖像進行處理,使得處理後的指紋印跡圖像中的指紋與同一手指所對應的真實指紋基本一致,因此經過指紋圖像處理模型處理後的指紋印跡圖像可以用於指紋識別設備的測試,從而實現了在不需要大量測試人員的真實指紋的情況下,進行指紋識別設備的測試,避免了招募大量的測試人員,減少了指紋識別設備的測試工作量,且還能提高測試效率。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和並行處理也是可以的或者可能是有利的。
在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都藉由將改進的方法流程編程到硬體電路中來得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可程式化邏輯裝置(Programmable Logic Device,PLD)(例如現場可程式閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種積體電路,其邏輯功能由用戶對裝置編程來確定。由設計人員自行編程來把一個數位系統“集成”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的集成電路晶片。而且,如今,取代手工地製作積體電路晶片,這種編程也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始碼也得用特定的編程語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到積體電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、特定應用積體電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,儲存器控制器還可以被實現為儲存器的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式碼方式實現控制器以外,完全可以藉由將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的系統、裝置、模組或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的,電腦例如可以為個人電腦、筆記型電腦、行動電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本說明書時可以把各單元的功能在同一個或多個軟體及/或硬體中實現。
本領域內的技術人員應明白,本說明書的實施例可提供為方法、系統、或電腦程式產品。因此,本說明書可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且,本說明書可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟儲存器、CD-ROM、光學儲存器等)上實施的電腦程式產品的形式。
本說明書是參照根據本說明書實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令訊息實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令訊息到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器,使得藉由電腦或其他可程式化資料處理設備的處理器執行的指令訊息產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令訊息也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀儲存器中,使得儲存在該電腦可讀儲存器中的指令訊息產生包括指令訊息裝置的製造品,該指令訊息裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令訊息也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令訊息提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和內部儲存器。
內部儲存器可能包括電腦可讀媒體中的非永久性儲存器,隨機存取記憶體(RAM)及/或非易失性內部儲存器等形式,如唯讀儲存器(ROM)或快閃記憶體(flash RAM)。內部儲存器是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現訊息儲存。訊息可以是電腦可讀指令訊息、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括,但不限於相變隨機存取記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀儲存器(ROM)、電可抹除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他內部儲存器技術、唯讀光碟(CD-ROM)、數位化多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的訊息。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白,本說明書的實施例可提供為方法、系統或電腦程式產品。因此,本說明書可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且,本說明書可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟儲存器、CD-ROM、光學儲存器等)上實施的電腦程式產品的形式。
本說明書可以在由電腦執行的電腦可執行指令訊息的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、物件、組件、資料結構等等。也可以在分散式計算環境中實踐本說明書,在這些分散式計算環境中,由藉由通訊網路而被連接的遠端處理設備來執行任務。在分散式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。
本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
以上所述僅為本說明書的實施例而已,並不用於限制本說明書。對於本領域技術人員來說,本說明書可以有各種更改和變化。凡在本說明書的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本說明書的申請專利範圍之內。
手指標識 | 指紋印跡圖像樣本集 | 真實指紋圖像樣本集 |
手指1 | 指紋印跡圖像樣本集1 | 真實指紋圖像樣本集1 |
手指2 | 指紋印跡圖像樣本集2 | 真實指紋圖像樣本集2 |
手指3 | 指紋印跡圖像樣本集3 | 真實指紋圖像樣本集3 |
手指4 | 指紋印跡圖像樣本集4 | 真實指紋圖像樣本集4 |
102~106:步驟
402~412:步驟
502:第一獲取模組
504:執行模組
506:確定模組
601:處理器
602:儲存器
603:電源
604:有線或無線網路介面
605:輸入輸出介面
606:鍵盤
為了更清楚地說明本說明書實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅僅是本說明書中記載的一些實施例,對於本領域具有通常知識者來講,在不付出創造性勞動的前提下,還可以根據這些圖式獲得其他的圖式。
[圖1]為本說明書實施例提供的指紋圖像的處理方法的第一種方法流程圖;
[圖2]為本說明書實施例提供指紋圖像的處理方法中,採用指紋感測器採集真實指紋圖像的示意圖;
[圖3(a)]為本說明書實施例提供的指紋圖像的處理方法中,用戶在目標物件上按下指紋印跡的示意圖;
[圖3(b)]為本說明書實施例提供的指紋圖像的處理方法中,目標物件上留下的指紋印跡的示意圖;
[圖4]為本說明書實施例提供的指紋圖像的處理方法的第二種方法流程圖;
[圖5]為本說明書實施例提供的指紋圖像的處理裝置的模組組成示意圖;
[圖6]為本說明書實施例提供的指紋圖像的處理設備的結構示意圖。
Claims (26)
- 一種指紋圖像的處理方法,包括:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;對該原始指紋印跡圖像進行鏡像翻轉處理;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將鏡像翻轉處理後的原始指紋印跡圖像輸入至該指紋圖像處理模型;及藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項1所述的方法,該將該原始指紋 印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,該方法還包括:獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練該指紋圖像處理模型。
- 如請求項2所述的方法,該將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,該方法還包括:將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;根據匹配結果對該指紋圖像處理模型進行最佳化。
- 如請求項1所述的方法,該獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像,包括:從圖像掃描設備獲取該原始指紋印跡圖像;其中,該原始指紋印跡圖像為該圖像掃描設備對該目標物件上的指紋印跡區域進行掃描得到。
- 如請求項1所述的方法,該指紋圖像處理 模型為自我注意生成對抗網路SAGAN模型。
- 一種指紋圖像的處理方法,包括:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將該原始指紋印跡圖像輸入至該指紋圖像處理模型;藉由該指紋圖像處理模型對該原始指紋印跡圖像進行鏡像翻轉處理;以及,藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項6所述的方法,該將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,該方法還包括:獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練該指紋圖像處理模型。
- 如請求項7所述的方法,該將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理之前,該方法還包括:將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;根據匹配結果對該指紋圖像處理模型進行最佳化。
- 如請求項6所述的方法,該獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像,包括:從圖像掃描設備獲取該原始指紋印跡圖像;其中,該原始指紋印跡圖像為該圖像掃描設備對該目標物件上的指紋印跡區域進行掃描得到。
- 如請求項6所述的方法,該指紋圖像處理模型為自我注意生成對抗網路SAGAN模型。
- 一種指紋圖像的處理方法,包括:獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練指紋圖像處理模型;獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的該指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項11所述的方法,該將該原始指紋印跡圖像輸入至預先訓練的該指紋圖像處理模型進行處 理之前,該方法還包括:將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;根據匹配結果對該指紋圖像處理模型進行最佳化。
- 一種指紋圖像的處理裝置,包括:第一獲取模組,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;處理模組,對該原始指紋印跡圖像進行鏡像翻轉處理;執行模組,將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,該執行模組,包括:第一輸入單元,將鏡像翻轉處理後的原始指紋印跡圖像輸入至該指紋圖像處理模型;以及第一處理單元,藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;確定模組,將該目標指紋印跡圖像確定為用於進行指 紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項13所述的裝置,該裝置還包括:產生模組,獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;第二獲取模組,藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;訓練模組,使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練該指紋圖像處理模型。
- 如請求項14所述的裝置,該裝置還包括:輸入模組,將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;匹配模組,獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;最佳化模組,根據匹配結果對該指紋圖像處理模型進行最佳化。
- 一種指紋圖像的處理裝置,包括:第一獲取模組,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;執行模組,將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,該執行模組,包括:第二輸入單元,將該原始指紋印跡圖像輸入至該指紋圖像處理模型;第二處理單元,藉由該指紋圖像處理模型對該原始指紋印跡圖像進行鏡像翻轉處理;及第三處理單元,藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;確定模組,將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項16所述的裝置,該裝置還包 括:產生模組,獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;第二獲取模組,藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;訓練模組,使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練該指紋圖像處理模型。
- 如請求項17所述的裝置,該裝置還包括:輸入模組,將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;匹配模組,獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;最佳化模組,根據匹配結果對該指紋圖像處理模型進行最佳化。
- 一種指紋圖像的處理裝置,包括:產生模組,獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;第二獲取模組,藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;訓練模組,使用各個手指所對應的指紋印跡圖像樣本 集和該真實指紋圖像樣本集訓練指紋圖像處理模型;第一獲取模組,獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;執行模組,將該原始指紋印跡圖像輸入至預先訓練的該指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像;確定模組,將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 如請求項19所述的裝置,該裝置還包括:輸入模組,將指紋印跡圖像樣本輸入至該指紋圖像處理模型進行處理;匹配模組,獲取該指紋圖像處理模型輸出的處理後的指紋印跡圖像樣本,並將處理後的指紋印跡圖像樣本中的指紋與相同手指所對應的真實指紋進行匹配;最佳化模組,根據匹配結果對該指紋圖像處理模型進行最佳化。
- 一種指紋圖像的處理設備,包括:處理器;以及 被安排成儲存電腦可執行指令的儲存器,該可執行指令在被執行時使該處理器:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;對該原始指紋印跡圖像進行鏡像翻轉處理;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將鏡像翻轉處理後的原始指紋印跡圖像輸入至該指紋圖像處理模型;及藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 一種指紋圖像的處理設備,包括: 處理器;以及被安排成儲存電腦可執行指令的儲存器,該可執行指令在被執行時使該處理器:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將該原始指紋印跡圖像輸入至該指紋圖像處理模型;藉由該指紋圖像處理模型對該原始指紋印跡圖像進行鏡像翻轉處理;以及,藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或 等於設定閾值。
- 一種指紋圖像的處理設備,包括:處理器;以及被安排成儲存電腦可執行指令的儲存器,該可執行指令在被執行時使該處理器:獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練指紋圖像處理模型;獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的該指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 一種儲存媒體,用於儲存電腦可執行指令,該可執行指令在被執行時實現以下流程:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;對該原始指紋印跡圖像進行鏡像翻轉處理;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將鏡像翻轉處理後的原始指紋印跡圖像輸入至該指紋圖像處理模型;及藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 一種儲存媒體,用於儲存電腦可執行指 令,該可執行指令在被執行時實現以下流程:獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像,包括:將該原始指紋印跡圖像輸入至該指紋圖像處理模型;藉由該指紋圖像處理模型對該原始指紋印跡圖像進行鏡像翻轉處理;以及,藉由該指紋圖像處理模型對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的紋理訊息進行修復,及/或,對鏡像翻轉處理後的原始指紋印跡圖像中的指紋印跡的顏色值進行調整,以減小該原始指紋印跡圖像中的指紋印跡與該目標物件之間的色差值;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
- 一種儲存媒體,用於儲存電腦可執行指 令,該可執行指令在被執行時實現以下流程:獲取多個手指中的每個手指所對應的至少一個指紋印跡圖像,並對該指紋印跡圖像進行鏡像翻轉處理,以產生各個手指所對應的指紋印跡圖像樣本集;藉由指紋感測器獲取各個該手指所對應的真實指紋圖像樣本集;使用各個手指所對應的指紋印跡圖像樣本集和該真實指紋圖像樣本集訓練指紋圖像處理模型;獲取用戶在目標物件上所留下的指紋印跡的原始指紋印跡圖像;將該原始指紋印跡圖像輸入至預先訓練的該指紋圖像處理模型進行處理,並獲取該指紋圖像處理模型輸出的目標指紋印跡圖像;將該目標指紋印跡圖像確定為用於進行指紋識別設備測試的測試指紋圖像;其中,該指紋圖像處理模型是基於各個手指所對應的指紋印跡圖像樣本集和真實指紋圖像樣本集訓練得到的,該真實指紋圖像藉由指紋感測器採集;該目標指紋印跡圖像中的指紋與相同手指所對應的真實指紋的匹配度大於或等於設定閾值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670691.1 | 2020-07-13 | ||
CN202010670691.1A CN111563561A (zh) | 2020-07-13 | 2020-07-13 | 指纹图像的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202203084A TW202203084A (zh) | 2022-01-16 |
TWI764695B true TWI764695B (zh) | 2022-05-11 |
Family
ID=72072839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110115082A TWI764695B (zh) | 2020-07-13 | 2021-04-27 | 指紋圖像的處理方法及裝置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11354544B2 (zh) |
EP (1) | EP3940588A1 (zh) |
CN (1) | CN111563561A (zh) |
TW (1) | TWI764695B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI785443B (zh) * | 2020-12-25 | 2022-12-01 | 大陸商北京集創北方科技股份有限公司 | 大面積屏下光學指紋採集方法、指紋辨識裝置、及資訊處理裝置 |
CN113095287A (zh) * | 2021-04-30 | 2021-07-09 | Oppo广东移动通信有限公司 | 图像处理方法、装置、移动终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379001A1 (en) * | 2014-06-26 | 2015-12-31 | Amazon Technologies, Inc. | Automatic color validation of image metadata |
CN107230187A (zh) * | 2016-03-25 | 2017-10-03 | 北京三星通信技术研究有限公司 | 多媒体信息处理的方法和装置 |
CN107438854A (zh) * | 2015-02-06 | 2017-12-05 | 维里迪乌姆Ip有限责任公司 | 使用移动设备捕获的图像执行基于指纹的用户认证的系统和方法 |
TW201814572A (zh) * | 2016-09-30 | 2018-04-16 | 阿里巴巴集團服務有限公司 | 終端設備、智慧型手機、基於臉部識別的認證方法和系統 |
CN110929564A (zh) * | 2019-10-15 | 2020-03-27 | 平安科技(深圳)有限公司 | 基于对抗网络的指纹模型生成方法以及相关装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732621B2 (en) * | 2016-05-09 | 2020-08-04 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adaptation in an internet of things downstream oil and gas environment |
US11144748B2 (en) * | 2018-12-07 | 2021-10-12 | IOT Technology, LLC. | Classification system |
US20210019645A1 (en) * | 2019-06-25 | 2021-01-21 | William Holloway Petrey, JR. | System and method for using artificial intelligence to determine a probability of occurrence of a subsequent incident and performing a preventative action |
CN110415309B (zh) * | 2019-06-26 | 2023-09-08 | 公安部第三研究所 | 基于生成对抗网络实现指纹图片自动生成的方法 |
JP2021170284A (ja) * | 2020-04-17 | 2021-10-28 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
CN111461091B (zh) * | 2020-06-19 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 万能指纹生成方法和装置、存储介质及电子装置 |
-
2020
- 2020-07-13 CN CN202010670691.1A patent/CN111563561A/zh active Pending
-
2021
- 2021-04-27 TW TW110115082A patent/TWI764695B/zh active
- 2021-06-21 EP EP21180519.7A patent/EP3940588A1/en active Pending
- 2021-06-29 US US17/362,213 patent/US11354544B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379001A1 (en) * | 2014-06-26 | 2015-12-31 | Amazon Technologies, Inc. | Automatic color validation of image metadata |
CN107438854A (zh) * | 2015-02-06 | 2017-12-05 | 维里迪乌姆Ip有限责任公司 | 使用移动设备捕获的图像执行基于指纹的用户认证的系统和方法 |
CN107230187A (zh) * | 2016-03-25 | 2017-10-03 | 北京三星通信技术研究有限公司 | 多媒体信息处理的方法和装置 |
TW201814572A (zh) * | 2016-09-30 | 2018-04-16 | 阿里巴巴集團服務有限公司 | 終端設備、智慧型手機、基於臉部識別的認證方法和系統 |
CN110929564A (zh) * | 2019-10-15 | 2020-03-27 | 平安科技(深圳)有限公司 | 基于对抗网络的指纹模型生成方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220012541A1 (en) | 2022-01-13 |
TW202203084A (zh) | 2022-01-16 |
US11354544B2 (en) | 2022-06-07 |
CN111563561A (zh) | 2020-08-21 |
EP3940588A1 (en) | 2022-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI714834B (zh) | 人臉活體檢測方法、裝置以及電子設備 | |
TWI764695B (zh) | 指紋圖像的處理方法及裝置 | |
KR102292028B1 (ko) | 제스처 인식 방법, 장치, 전자 기기 및 저장 매체 | |
US10311334B1 (en) | Learning to process images depicting faces without leveraging sensitive attributes in deep learning models | |
Singhal et al. | A Survey: Approaches to facial detection and recognition with machine learning techniques | |
CN106934376A (zh) | 一种图像识别方法、装置及移动终端 | |
US20200167599A1 (en) | Image processing methods and devices | |
US10445564B2 (en) | Method and device for recognizing facial expressions | |
Navaneethan et al. | RE-PUPIL: resource efficient pupil detection system using the technique of average black pixel density | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
Arshid et al. | Multi-stage binary patterns for facial expression recognition in real world | |
CN110059569B (zh) | 活体检测方法和装置、模型评估方法和装置 | |
TW202038217A (zh) | 資料標籤產生、模型訓練、事件識別方法和裝置 | |
Alonso-Fernandez et al. | Squeezefaceposenet: Lightweight face verification across different poses for mobile platforms | |
Nawaz et al. | Convolutional long short-term memory-based approach for deepfakes detection from videos | |
CN110309859A (zh) | 一种图像真伪检测方法、装置及电子设备 | |
Rubin Bose et al. | In-situ identification and recognition of multi-hand gestures using optimized deep residual network | |
Sharma et al. | Hybrid Sign Language Learning Approach Using Multi-scale Hierarchical Deep Convolutional Neural Network (MDCnn) | |
TWI779581B (zh) | 生物識別設備的測試方法、裝置、設備及系統 | |
US20180095525A1 (en) | Gesture experiences in multi-user environments | |
HUANG et al. | Artificial Intelligence Based Emotion Identification Using Analog Waves | |
Shapiro et al. | Toward Thermal Imaging Analysis to Characterize Operations of Solid-State Drives via the Temperature Side-Channel | |
Han et al. | A two-handed gesture recognition technique on mobile devices based on improved DTW Algorithm | |
Jiménez-Bravo et al. | An Analysis of One-Shot Augmented Learning: A Face Recognition Case Study | |
Vorugunti et al. | Model Compression Based Lightweight Online Signature Verification Framework |