TWI786977B - 手指真偽識別方法、電子裝置及存儲介質 - Google Patents
手指真偽識別方法、電子裝置及存儲介質 Download PDFInfo
- Publication number
- TWI786977B TWI786977B TW110145366A TW110145366A TWI786977B TW I786977 B TWI786977 B TW I786977B TW 110145366 A TW110145366 A TW 110145366A TW 110145366 A TW110145366 A TW 110145366A TW I786977 B TWI786977 B TW I786977B
- Authority
- TW
- Taiwan
- Prior art keywords
- finger
- image
- fingerprint
- sample
- fake
- Prior art date
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
- Credit Cards Or The Like (AREA)
- Holo Graphy (AREA)
Abstract
本申請提供一種手指真偽識別方法、電子裝置及存儲介質,所述方法包括:將多個真手指和假手指的指紋圖像分別與第一範本圖像對齊,生成多個真手指和假手指的第一雙通道圖像;根據多個第一雙通道圖像建立訓練資料集,對深度學習網路進行訓練以建立指紋識別模型;獲取待識別手指的樣本指紋圖像;若樣本指紋圖像與第二範本圖像匹配,將樣本指紋圖像與第二範本圖像對齊,並生成樣本指紋圖像對應的第二雙通道圖像;及將樣本指紋圖像對應的第二雙通道圖像輸入指紋識別模型,藉由指紋識別模型確定待識別手指為真手指或假手指。
Description
本申請涉及指紋識別技術領域,尤其涉及一種手指真偽識別方法、電子裝置及存儲介質。
現如今,指紋驗證是智慧手機、個人電腦等智慧電子設備較為常用的用戶身份驗證方式,可應用在電子設備的解鎖、支付、登錄等應用場景。為使用藉由非法管道如偷竊、拾取等獲取的電子設備進行指紋驗證,不法分子可能使用人工製作的假手指偽造指紋的方式對電子設備進行指紋驗證。目前通常從硬體層面防止假手指觸發指紋驗證信號,例如藉由指紋識別晶片對人手指和假手指的導電性差異來區分手指的真偽。然而,隨著假手指的製作材料的改進,藉由硬體區分手指真偽的準確率可能不足。如從軟體方面進行防偽,由於假手指指紋通常與真手指指紋的相似程度較高,若基於深度學習的方式直接對真假手指的指紋圖像進行訓練分類,往往需要大量樣本資料,成本較高且不易實現。
有必要提供一種手指真偽識別方法、電子裝置及存儲介質,以解決上述對真假手指的指紋圖像進行訓練分類需要大量樣本資料的技術問題。
本申請提供一種手指真偽識別方法,所述方法包括:將與第一範本圖像匹配的多個真手指和假手指的指紋圖像分別與所述第一範本圖像對齊,並生成所述多個真手指和假手指的第一雙通道圖像;根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集,並藉由所述訓練資料集對深度學習網路進行訓練,建立指紋識別模型;回應用戶對電子裝置執行的指紋驗證操作,獲取待識別手指的樣本指紋圖像;若所述樣本指紋圖像與第二範本圖像匹配,將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像;及將所述樣本指紋圖像對應的第二雙通道圖像輸入所述指紋識別模型,藉由所述指紋識別模型確定所述待識別手指為真手指或假手指。
可選地,所述將與範本圖像匹配的多個真手指和假手指的指紋圖像分別與第一範本圖像對齊,並生成所述多個真手指和假手指的第一雙通道圖像包括:若任一真手指或假手指的指紋圖像與所述第一範本圖像匹配,將所述第一範本圖像作為所述真手指或假手指的第一雙通道圖像中的一個通道;及基於指紋紋路將所述真手指或假手指的指紋圖像調整至與所述第一範本圖像對齊,並將對齊後的所述真手指或假手指的指紋圖像作為所述第一雙通道圖像中的另一個通道。
可選地,所述根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集包括:
將所述多個真手指的第一雙通道圖像作為所述訓練資料集的正樣本,將所述多個假手指的第一雙通道圖像作為所述訓練資料集的負樣本;及將所述訓練資料集中預設百分比的樣本資料作為訓練集。
可選地,所述根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集還包括:添加弱亂數至所述訓練資料集,以生成新的訓練資料集。
可選地,所述藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型包括:設置所述正樣本的第一標籤和所述負樣本的第二標籤;將所述訓練集中的樣本資料輸入預設神經網路模型反覆運算預設次數,得到多個預測結果,其中,所述預設神經網路模型包括預設參數;基於判斷每個預測結果是否與所述第一標籤或第二標籤匹配,計算所述多個預測結果的準確率;判斷所述準確率是否大於或等於第一閾值,若確定所述準確率大於或等於所述第一閾值,基於所述預設神經網路模型建立所述指紋識別模型;或若確定所述準確率小於所述第一閾值,對所述預設神經網路模型的預設參數進行調整,繼續將所述樣本資料輸入所述預設神經網路模型,直至所述預測結果的準確率大於或等於所述第一閾值,並基於參數調整後的所述預設神經網路模型建立所述指紋識別模型。
可選地,所述將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像包括:若所述樣本指紋圖像與所述第二範本圖像匹配,將所述第二範本圖像作為所述第二雙通道圖像的一個通道,基於指紋紋路將所述樣本指紋圖像
與所述第二範本圖像旋轉對齊,並將對齊後的所述樣本指紋圖像作為所述第二雙通道圖像的另一個通道。
可選地,所述藉由所述指紋識別模型確定所述待識別手指為真手指或假手指包括:藉由所述指紋識別模型輸出所述待識別手指為假手指的概率;判斷所述概率是否大於第二閾值;若確定所述概率大於或等於所述第二閾值,確定所述待識別手指為假手指;或若確定所述概率小於所述第二閾值,確定所述待識別手指為真手指。
可選地,所述方法還包括:若確定所述待識別手指為假手指,控制所述電子裝置執行驗證失敗邏輯;或若確定所述待識別手指為真手指,控制所述電子裝置執行驗證成功邏輯。
本申請還提供一種電子裝置,包括: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上述的手指真偽識別方法。
本申請還提供一種電腦可讀存儲介質,其上存儲有至少一條電腦指令,所述指令由處理器並載入執行上述的手指真偽識別方法。
上述手指真偽識別方法、電子裝置及存儲介質藉由範本圖像和真假手指指紋圖像生成的雙通道圖像對深度學習網路進行訓練以建立指紋識別模型,藉由指紋識別模型對設備指紋驗證過程中的二通道指紋圖像進行識別,以
確定進行指紋驗證的手指的真偽,無需基於硬體進行識別,提高了識別準確率,基於深度學習的方式對二通道指紋圖像進行訓練分類,便於提取真假手指的指紋圖像的特徵差異,減少了模型訓練過程中的樣本資料,降低了成本且易於實現。
1:電子裝置
10:處理器
20:記憶體
30:電腦程式
40:解鎖裝置
2:伺服器
S201-S207:步驟
圖1是本申請較佳實施方式提供的手指真偽識別方法的應用環境架構示意圖。
圖2是本申請較佳實施方式提供的手指真偽識別方法的訓練流程圖。
圖3是本申請較佳實施方式提供的卷積神經網路模型的架構示意圖。
圖4是本申請較佳實施方式提供的手指真偽識別方法的應用流程圖。
圖5是本申請較佳實施方式提供的電子裝置的結構示意圖。
為了能夠更清楚地理解本申請的上述目的、特徵和優點,下面結合附圖和具體實施例對本申請進行詳細描述。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申請,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,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,都屬於本申請保護的範圍。
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申請的技術領域的技術人員通常理解的含義相同。本文中在本申請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,不是旨在於限制本申請。
請參閱圖1所示,為本申請較佳實施方式提供的手指真偽識別方法的應用環境架構示意圖。
本申請中的手指真偽識別方法應用在電子裝置1中,所述電子裝置1可以與至少一個伺服器2藉由網路建立通信連接。所述網路可以是有線網路,也可以是無線網路,例如無線電、無線保真(Wireless Fidelity,WIFI)、蜂窩、衛星、廣播等。蜂窩網路可以是4G網路或5G網路。
所述電子裝置1可以為安裝有手指真偽識別程式的電子設備,例如智慧手機、個人電腦、伺服器等,其中,所述伺服器可以是單一的伺服器、伺服器集群等。所述伺服器2可以是單一的伺服器、伺服器集群等。
請參閱圖2所示,為本申請較佳實施方式提供的手指真偽識別方法的訓練流程圖。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。
在一實施方式中,基於樣本資料對深度學習網路進行訓練以建立指紋識別模型的過程可以在電子裝置中執行。
S201,將與範本圖像匹配的多個真手指和假手指的指紋圖像分別與第一範本圖像對齊,並生成所述多個真手指和假手指的第一雙通道圖像。
在一實施方式中,S201包括:藉由解鎖裝置採集多個真手指和假手指的指紋圖像。其中,可使用預先準備的多個真手指和多個假手指分別觸發所述解鎖裝置,藉由所述解鎖裝置的指紋採集單元採集每個真手指或假手指的指紋圖像。在其他實施方式中,也可以從伺服器或其他設備直接獲取多個真手指和假手指的指紋圖像。其中,假手指可以藉由模具製作的假手指模型。
S201進一步包括:藉由所述解鎖裝置的指紋識別單元將每個真手指或假手指的指紋圖像與第一範本圖像進行對比,以判斷所述真手指或假手指的指紋圖像是否與所述第一範本圖像匹配。
具體地,藉由特徵匹配演算法提取所述真手指或假手指的指紋圖像的特徵點,將提取的所述特徵點與所述第一範本圖像中的特徵點進行對比,以確定所述真手指或假手指的指紋圖像與所述第一範本圖像的相似度,若確定所述相似度大於或等於第一預設百分比,確定所述真手指或假手指的指紋圖像與所述第一範本圖像匹配,若確定所述相似度小於所述第一預設百分比,確定所述真手指或假手指的指紋圖像與所述第一範本圖像不匹配。其中,所述特徵匹配演算法可以是尺度不變特徵轉換(Scale-invariant feature transform,SIFT)演算法等。所述第一預設百分比可以為95%。
在一實施方式中,所述第一範本圖像為真手指的指紋圖像,其數量可以是一個,例如左手或右手上任一手指的指紋圖像,也可以是多個,例如左手或右手上多個手指的指紋圖像。在另一實施方式中,所述第一範本圖像也可以同時包括真手指和假手指的指紋圖像,其數量是兩個或兩個以上。
S201進一步包括:若任一真手指或假手指的指紋圖像與所述第一範本圖像匹配,將所述第一範本圖像作為所述真手指或假手指的第一雙通道圖像中的一個通道(下稱第一通道圖像)。
具體地,若所述第一範本圖像為真手指的範本圖像,則將所述第一範本圖像作為所述真手指或假手指的第一雙通道圖像中的一個通道。若所述第一範本圖像包括真手指和假手指的範本圖像,且真手指的指紋圖像與假手指的範本圖像匹配,則將所述真手指的指紋圖像作為所述真手指的第一雙通道圖像的第一通道圖像。
S201進一步包括:基於指紋紋路將所述真手指或假手指的指紋圖像調整至與所述第一範本圖像對齊,並將對齊後的所述真手指或假手指的指紋圖像作為所述第一雙通道圖像中的另一個通道(下稱第二通道圖像)。
具體地,若所述第一範本圖像為真手指的範本圖像,基於所述真手指或假手指的指紋圖像中的特徵點資訊和所述第一範本圖像中的特徵點資訊建立兩個指紋圖像中指紋紋路的單映射矩陣(Homography矩陣,H矩陣),基於所述單映射矩陣對所述真手指或假手指的指紋圖像執行包括,但不限於旋轉和平移操作,將所述真手指或假手指的指紋圖像中的指紋紋路與所述第一範本圖像中的指紋紋路對齊,並將對齊後的所述真手指或假手指的指紋圖像作為所述第一雙通道圖像中的第二通道圖像。若所述第一範本圖像包括真手指和假手指的範本圖像,若真手指的指紋圖像與假手指的範本圖像匹配,對所述假手指的範本圖像執行包括,但不限於旋轉和平移,將所述假手指的範本圖像中的指紋紋路與所述真手指的指紋圖像中的指紋紋路對齊,並將對齊後的所述假手指的範本圖像作為所述真手指的第一雙通道圖像中的第二通道圖像。
S202,根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集,並藉由所述訓練資料集對深度學習網路進行訓練,建立指紋識別模型。
在一實施方式中,根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集包括:若所述第一範本圖像為真手指的範本圖像,將所述多個真手指的第一雙通道圖像作為所述訓練資料集的正樣本,將所述多個假手指的第一雙通道圖像作為所述訓練資料集的負樣本。若所述第一範本圖像包括真手指和假手指的範本圖像,將多個與真手指的範本圖像匹配的真手指的第一雙通道圖像作為所述訓練資料集的正樣本,將多個與真手指的範本圖像匹配的假手指的第一雙通道圖像,以及多個與假手指的範本圖像匹配的真手指的第一雙通道圖像作為所述訓練資料集的負樣本。
在一實施方式中,根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集還包括:將所述訓練資料集中第二預設百分比的樣本資料作為訓練集。其中,所述第二預設百分比為80%。
在一實施方式中,根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集還包括:添加弱亂數至所述訓練資料集,對訓練資料集進行擴充,以生成新的訓練資料集。其中,所述弱亂數為根據當前的訓練資料集預測的亂數。在其他實施方式中,也可以對所述訓練資料集中的圖像進行插值、高斯雜訊、對比度變換、亮度變換、增強等處理,以擴充訓練資料,從而增加樣本資料的魯棒性。
在一實施方式中,藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型包括:設置所述正樣本的第一標籤和所述負樣本的第二標籤,例如,所述第一標籤為0,所述第二標籤為1。
藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型還包括:將所述訓練集中的樣本資料輸入預設神經網路模型反覆運算預設次數,得到多個預測結果。其中,所述預設神經網路模型為卷積神經網路模型,所述預設神經網路模型包括預設參數,所述預設參數包括卷積層參數、權重、學習率等,所述卷積層參數包括卷積核大小、卷積步長和填充層數,所述預設次數為100次。每個樣本資料對應一個預測結果。
在一實施方式中,所述卷積神經網路模型的卷積神經網路的骨幹絡可以採用AlexNet、VGG16、GoogleNet、ResNet、DenseNet、MobileNets、Ghosnet等網路模型。請參閱圖3所示,所述卷積神經網路模型可以包括輸入層、卷積層(Convolutional layer)、池化層(Pooling layer)、全連接層(Fullyconnected layer)和輸出層。其中,輸入層用於輸入雙通道圖像。卷積層用於將雙通道圖像轉化為特徵圖(feature map),可選地,所述特徵圖是雙通道圖像中兩個通道圖像之
間差異特徵圖,所述差異特徵是兩個通道圖像之間除指紋紋路之外的背景區域的差異特徵。池化層用於對特徵圖進行池化處理,以減少特徵圖中的特徵數量。全連接層用於將經過卷積層和池化層處理後的特徵圖映射為一維特徵向量。輸出層用於根據全連接層輸出的一維特徵向量,輸出概率值,可選地,輸出層可以由分類器實現,用於實現二分類任務,輸出是待識別手指是真手指或是假手指的概率。例如,所述分類器是Softmax分類器。可選地,所述卷積神經網路模型還可以包括批規範化層(Batch Normalization,BN)和ReLU(Rectified Linear Unit,修正線性單元)啟動層。
藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型還包括:基於判斷每個預測結果是否與所述第一標籤或第二標籤匹配,計算所述多個預測結果的準確率,判斷所述準確率是否大於或等於第一閾值,若確定所述準確率大於或等於所述第一閾值,基於所述預設神經網路模型建立所述指紋識別模型。具體地,若所述預設神經網路模型基於輸入的正樣本輸出的概率值小於第二閾值,則預測結果為0,與所述正樣本的第一標籤匹配,確定預測結果正確。若所述預設神經網路模型基於輸入的正樣本輸出的概率值大於或等於第二閾值,則預測結果為1,與所述正樣本的第一標籤不匹配,確定預測結果錯誤。若所述預設神經網路模型基於輸入的負樣本輸出的概率值小於第二閾值,則預測結果為0,與所述負樣本的第二標籤不匹配,確定預測結果錯誤。若所述預設神經網路模型基於輸入的負樣本輸出的概率值大於或等於第二閾值,則預測結果為1,與所述負樣本的第二標籤匹配,確定預測結果正確。若確定所述準確率大於或等於所述第一閾值,將具有所述預設參數的所述預設神經網路模確定為所述指紋識別模型。
藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型還包括:若確定所述準確率小於所述第一閾值,對所述預設神經網路模型
的預設參數進行調整,繼續將所述樣本資料輸入所述預設神經網路模型,直至所述預測結果的準確率大於或等於所述第一閾值,並基於參數調整後的所述預設神經網路模型建立所述指紋識別模型,即,將具有調整後的參數的所述預設神經網路模型確定為所述指紋識別模型。
在一實施方式中,可以將所述指紋識別模型編寫成程式碼,應用在電子裝置的指紋驗證過程中。
在其他實施方式中,基於樣本資料對深度學習網路進行訓練以建立指紋識別模型的過程也可以在伺服器中執行。伺服器將建立的所述指紋識別模型編寫成程式碼後,藉由網路傳輸至所述電子裝置,從而將所述指紋識別模型應用在電子裝置的指紋驗證過程中。
請參閱圖4所示,為本申請較佳實施方式提供的手指真偽識別方法的應用流程圖。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。
S203,回應用戶對電子裝置執行的指紋驗證操作,獲取待識別手指的樣本指紋圖像。
在一實施方式中,在用戶需要對電子裝置進行解鎖、使用電子裝置進行支付或登錄等時,對電子裝置執行進行指紋驗證操作時,需要藉由觸摸操作觸發所述解鎖裝置,所述解鎖裝置在觸發後,藉由指紋採集單元採集觸摸所述解鎖裝置的手指,即待識別手指的樣本指紋圖像。
S204,若所述樣本指紋圖像與第二範本圖像匹配,將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像。
在一實施方式中,所述第二範本圖像為用戶藉由自己或他人的手指提前錄入所述電子裝置中,作為電子裝置進行指紋驗證的範本圖像,可用於
對所述電子裝置進行解鎖、使用電子裝置進行支付或登錄時的指紋圖像。所述第二範本圖像的數量可以是一個或多個。
在一實施方式中,S204包括:在所述指紋採集單元採集到所述待識別手指的指紋圖像後,藉由所述指紋識別單元將所述待識別手指的樣本指紋圖像與所述第二範本圖像進行對比,以判斷所述樣本指紋圖像是否與所述第二範本圖像匹配。其中,對所述樣本指紋圖像和所述第二範本圖像進行對比和匹配的過程與上述訓練過程中相同,在此不作詳細描述。
S204進一步包括:若所述樣本指紋圖像與第二範本圖像匹配,將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像。
具體地,將所述第二範本圖像作為所述樣本指紋圖像的第二雙通道圖像的第一通道圖像,然後提取所述樣本指紋圖像和所述第二範本圖像中指紋紋路的特徵點,基於兩個指紋圖像的特徵點資訊建立兩個指紋圖像中指紋紋路的單映射矩陣,基於所述單映射矩陣對所述樣本指紋圖像執行包括,但不限於旋轉和平移操作,使得所述樣本指紋圖像中的指紋紋路與所述第二範本圖像中的指紋紋路對齊,並將對齊後的所述樣本指紋圖像作為所述樣本指紋圖像的第二雙通道圖像的第二通道圖像。
S205,將所述樣本指紋圖像對應的第二雙通道圖像輸入所述指紋識別模型,藉由所述指紋識別模型確定所述待識別手指為真手指或假手指。
在一實施方式中,所述藉由所述指紋識別模型確定所述待識別手指為真手指或假手指包括:藉由所述指紋識別模型輸出所述待識別手指為假手指的概率。如圖3所示,具體地,所述指紋識別模型的輸入層用於輸入所述第二雙通道圖像,所述卷積層用於分別將雙通道圖像中的第一通道圖像和第二通道圖像轉化為特徵圖,並提取所述第一通道圖像的特徵圖和所述第二通道圖像的
特徵圖的差異特徵圖。其中,所述差異特徵是兩個通道圖像之間除指紋紋路之外的背景區域的差異特徵。所述池化層用於對差異特徵圖進行池化處理,以減少差異特徵圖中的特徵數量。全連接層用於將經過卷積層和池化層處理後的差異特徵圖映射為一維特徵向量。輸出層用於根據全連接層輸出的一維特徵向量,輸出所述待識別手指為假手指的概率值。
在一實施方式中,所述藉由所述指紋識別模型確定所述待識別手指為真手指或假手指還包括:判斷所述概率是否大於所述第二閾值,若確定所述概率大於或等於所述第二閾值,確定所述待識別手指為假手指,若確定所述概率小於所述第二閾值,確定所述待識別手指為真手指。
S206,若確定所述樣本指紋圖像與第二範本圖像不匹配,或確定所述待識別手指為假手指,控制所述電子裝置執行驗證失敗邏輯。
在一實施方式中,所述驗證失敗邏輯包括控制電子裝置進行震動或輸出語音提示資訊以提示用戶指紋驗證失敗。
在其他實施方式中,若確定所述待識別手指為假手指,還控制所述電子裝置執行假手指處理邏輯。可以理解的是,若確定所述待識別手指為假手指,說明電子裝置當前的使用人不是電子裝置的主人,如此,所述假手指處理邏輯可以包括撥打報警電話、發送郵件至預設郵箱、藉由預設聯繫方式發送短信或撥打電話至電子裝置之外的預設電子設備。
S207,若確定所述待識別手指為真手指,控制所述電子裝置執行驗證成功邏輯。
在一實施方式中,所述驗證成功邏輯可以根據使用場景進行設置,例如包括控制電子裝置進行解鎖、支付、登錄等。
請參閱圖5所示,為本申請較佳實施方式提供的電子裝置的結構示意圖。
所述電子裝置1包括,但不僅限於,處理器10、記憶體20、存儲在所述記憶體20中並可在所述處理器10上運行的電腦程式30及解鎖裝置40。例如,所述電腦程式30為手指真偽識別程式。所述處理器10執行所述電腦程式30時實現手指真偽識別方法中的步驟,例如圖2和圖4所示的步驟S201~S207。
示例性的,所述電腦程式30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20中,並由所述處理器10執行,以完成本申請。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30在所述電子裝置1中的執行過程。
本領域技術人員可以理解,所述示意圖僅僅是電子裝置1的示例,並不構成對電子裝置1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,例如所述電子裝置1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10可以是中央處理單元(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10也可以是任何常規的處理器等,所述處理器10是所述電子裝置1的控制中心,利用各種介面和線路連接整個電子裝置1的各個部分。
所述記憶體20可用於存儲所述電腦程式30和/或模組/單元,所述處理器10藉由運行或執行存儲在所述記憶體20內的電腦程式和/或模組/單元,以及調用存儲在記憶體20內的資料,實現所述電子裝置1的各種功能。所述記憶體20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裝置1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20可以包括易失性和非易失性記憶體,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、或其他記憶體件。
所述解鎖裝置40至少包括指紋採集單元和指紋識別單元,所述指紋採集單元用於接受手指的觸摸,並採集手指指紋圖像,所述指紋識別單元用於對所述手指指紋圖像進行識別,例如識別判斷所述手指指紋圖像是否與預存的範本圖像匹配。優選地,所述解鎖裝置40為一獨立的指紋識別晶片。
所述電子裝置1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,本申請實現上述實施例方法中的全部或部分流程,也可以藉由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、隨身碟、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)。
本申請提供的手指真偽識別方法、電子裝置及存儲介質藉由範本圖像和真假手指指紋圖像生成的雙通道圖像對深度學習網路進行訓練以建立指紋識別模型,藉由指紋識別模型對設備指紋驗證過程中的二通道指紋圖像進行識別,以確定進行指紋驗證的手指的真偽,無需基於硬體進行識別,提高了識
別準確率,基於深度學習的方式對二通道指紋圖像進行訓練分類,便於提取真假手指的指紋圖像的特徵差異,減少了模型訓練過程中的樣本資料,降低了成本且易於實現。
對於本領域技術人員而言,顯然本申請不限於上述示範性實施例的細節,而且在不背離本申請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申請。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,本申請的範圍由所附申請專利範圍而不是上述說明限定,因此旨在將落在申請專利範圍的等同要件的含義和範圍內的所有變化涵括在本申請內。不應將申請專利範圍中的任何附圖標記視為限制所涉及的申請專利範圍。此外,顯然“包括”一詞不排除其他單元或步驟,單數不排除複數。裝置申請專利範圍中陳述的複數個單元或裝置也可以由同一個單元或裝置藉由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。
綜上所述,本發明符合發明專利要件,爰依法提出專利申請。惟,以上所述者僅為本發明之較佳實施方式,舉凡熟悉本案技藝之人士,於爰依本發明精神所作之等效修飾或變化,皆應涵蓋於以下之申請專利範圍內。
S203-S207:步驟
Claims (9)
- 一種手指真偽識別方法,應用於電子裝置,其中,所述方法包括:將與第一範本圖像匹配的多個真手指和假手指的指紋圖像分別與所述第一範本圖像對齊,並生成所述多個真手指和假手指的第一雙通道圖像,包括:若任一真手指或假手指的指紋圖像與所述第一範本圖像匹配,將所述第一範本圖像作為所述真手指或假手指的第一雙通道圖像中的一個通道,基於指紋紋路將所述真手指或假手指的指紋圖像調整至與所述第一範本圖像對齊,並將對齊後的所述真手指或假手指的指紋圖像作為所述第一雙通道圖像中的另一個通道;根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集,並藉由所述訓練資料集對深度學習網路進行訓練,建立指紋識別模型;回應用戶對電子裝置執行的指紋驗證操作,獲取待識別手指的樣本指紋圖像;若所述樣本指紋圖像與第二範本圖像匹配,將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像;及將所述樣本指紋圖像對應的第二雙通道圖像輸入所述指紋識別模型,藉由所述指紋識別模型確定所述待識別手指為真手指或假手指。
- 如請求項1所述之手指真偽識別方法,其中,所述根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集包括:將所述多個真手指的第一雙通道圖像作為所述訓練資料集的正樣本,將所述多個假手指的第一雙通道圖像作為所述訓練資料集的負樣本;及將所述訓練資料集中預設百分比的樣本資料作為訓練集。
- 如請求項2所述之手指真偽識別方法,其中,所述根據所述多個真手指和假手指的第一雙通道圖像建立訓練資料集還包括: 添加弱亂數至所述訓練資料集,以生成新的訓練資料集。
- 如請求項2所述之手指真偽識別方法,其中,所述藉由所述訓練資料集對深度學習網路進行訓練,以建立指紋識別模型包括:設置所述正樣本的第一標籤和所述負樣本的第二標籤;將所述訓練集中的樣本資料輸入預設神經網路模型反覆運算預設次數,得到多個預測結果,其中,所述預設神經網路模型包括預設參數;基於判斷每個預測結果是否與所述第一標籤或第二標籤匹配,計算所述多個預測結果的準確率;判斷所述準確率是否大於或等於第一閾值,若確定所述準確率大於或等於所述第一閾值,基於所述預設神經網路模型建立所述指紋識別模型;或若確定所述準確率小於所述第一閾值,對所述預設神經網路模型的預設參數進行調整,繼續將所述樣本資料輸入所述預設神經網路模型,直至所述預測結果的準確率大於或等於所述第一閾值,並基於參數調整後的所述預設神經網路模型建立所述指紋識別模型。
- 如請求項1所述之手指真偽識別方法,其中,所述將所述樣本指紋圖像與所述第二範本圖像對齊,並生成所述樣本指紋圖像對應的第二雙通道圖像包括:若所述樣本指紋圖像與所述第二範本圖像匹配,將所述第二範本圖像作為所述第二雙通道圖像的一個通道,基於指紋紋路將所述樣本指紋圖像與所述第二範本圖像旋轉對齊,並將對齊後的所述樣本指紋圖像作為所述第二雙通道圖像的另一個通道。
- 如請求項1所述之手指真偽識別方法,其中,所述藉由所述指紋識別模型確定所述待識別手指為真手指或假手指包括:藉由所述指紋識別模型輸出所述待識別手指為假手指的概率; 判斷所述概率是否大於第二閾值;若確定所述概率大於或等於所述第二閾值,確定所述待識別手指為假手指;或若確定所述概率小於所述第二閾值,確定所述待識別手指為真手指。
- 如請求項6所述之手指真偽識別方法,其中,所述方法還包括:若確定所述待識別手指為假手指,控制所述電子裝置執行驗證失敗邏輯;或若確定所述待識別手指為真手指,控制所述電子裝置執行驗證成功邏輯。
- 一種電子裝置,其中,所述電子裝置包括: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中任一項所述之手指真偽識別方法。
- 一種電腦可讀存儲介質,其上存儲有至少一條電腦指令,其中,所述指令由處理器載入並執行如請求項1至7中任一項所述之手指真偽識別方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274284.X | 2021-10-29 | ||
CN202111274284.XA CN113920550A (zh) | 2021-10-29 | 2021-10-29 | 手指真伪识别方法、电子装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202228011A TW202228011A (zh) | 2022-07-16 |
TWI786977B true TWI786977B (zh) | 2022-12-11 |
Family
ID=79244003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110145366A TWI786977B (zh) | 2021-10-29 | 2021-12-03 | 手指真偽識別方法、電子裝置及存儲介質 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113920550A (zh) |
TW (1) | TWI786977B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
US20180165508A1 (en) * | 2016-12-08 | 2018-06-14 | Veridium Ip Limited | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices |
CN108664843A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 活体对象识别方法、设备和计算机可读存储介质 |
TWM615574U (zh) * | 2021-04-15 | 2021-08-11 | 臺灣網路認證股份有限公司 | 整合影像處理及深度學習之活體辨識系統 |
-
2021
- 2021-10-29 CN CN202111274284.XA patent/CN113920550A/zh active Pending
- 2021-12-03 TW TW110145366A patent/TWI786977B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
US20180165508A1 (en) * | 2016-12-08 | 2018-06-14 | Veridium Ip Limited | Systems and methods for performing fingerprint based user authentication using imagery captured using mobile devices |
CN108664843A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 活体对象识别方法、设备和计算机可读存储介质 |
TWM615574U (zh) * | 2021-04-15 | 2021-08-11 | 臺灣網路認證股份有限公司 | 整合影像處理及深度學習之活體辨識系統 |
Also Published As
Publication number | Publication date |
---|---|
CN113920550A (zh) | 2022-01-11 |
TW202228011A (zh) | 2022-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948408B (zh) | 活性测试方法和设备 | |
CN109166586B (zh) | 一种识别说话人的方法及终端 | |
US10839238B2 (en) | Remote user identity validation with threshold-based matching | |
TWI640889B (zh) | 利用人體生物特徵進行身份驗證的方法和裝置 | |
US20150007295A1 (en) | Biometric-based authentication method, apparatus and system | |
WO2014082496A1 (zh) | 客户端特征的识别方法、装置及存储介质 | |
US11126827B2 (en) | Method and system for image identification | |
WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
CN111343162B (zh) | 系统安全登录方法、装置、介质及电子设备 | |
US20200218772A1 (en) | Method and apparatus for dynamically identifying a user of an account for posting images | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN111324874A (zh) | 一种证件真伪识别方法及装置 | |
WO2021128846A1 (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
US20200314094A1 (en) | Server, method for controlling server, and terminal device | |
US20210034895A1 (en) | Matcher based anti-spoof system | |
CN112101296B (zh) | 人脸注册方法、人脸验证方法、装置及系统 | |
WO2024051427A1 (zh) | 硬币识别方法、系统及存储介质 | |
TWI786977B (zh) | 手指真偽識別方法、電子裝置及存儲介質 | |
WO2020244076A1 (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN111709312B (zh) | 一种基于联合主模式的局部特征人脸识别方法 | |
CN114171031A (zh) | 一种基于多任务学习和对抗训练的声纹识别模型训练方法 | |
CN110348361B (zh) | 皮肤纹理图像验证方法、电子设备及记录介质 | |
CN113191364A (zh) | 车辆外观部件识别方法、装置、电子设备和介质 | |
CN112446408A (zh) | 基于装置上训练的识别用户的方法和设备 | |
CN112204506A (zh) | 用于手写文本的自动语言检测的系统和方法 |