指纹识别方法及装置的制造方法
【技术领域】
[0001]本公开涉及图像识别技术领域，尤其涉及一种指纹识别方法及装置。
【背景技术】
[0002]从1980年左右开始研究指纹识别以来，到1990后指纹识别不论是在民用领域还是在军用领域，都已经非常成熟，应用也非常普遍。然后，相关技术中的指纹识别通常要求用户的指纹不能太过干燥，并且指纹图像质量要足够清晰，从而确保指纹的全局特征点以及局部特征点的提取，当指纹图像质量较差时，会由于识别不出指纹上的全局特征点以及局部特征点而导致最终的指纹识别不准确，因此在一定程度上约束了指纹识别产品的用户体验。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开实施例提供一种指纹识别方法及装置，用以提高低质量的指纹图像在指纹识别时的准确率。
[0004]根据本公开实施例的第一方面，提供一种指纹识别方法，包括:
[0005]对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过卷积神经网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
[0006]对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
[0007]根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
[0008]在一实施例中，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述方法还可包括:
[0009]将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；
[0010]将所述有标签指纹样本通过训练后的所述神经网络进行特征提取，得到所述有标签指纹样本的输出结果；
[0011]将所述输出结果输入到所述分类器，对所述分类器进行标定训练。
[0012]在一实施例中，所述方法还可包括:
[0013]通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；
[0014]对所述第一设定维数的特征参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
[0015]在一实施例中，所述根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹，可包括:
[0016]将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
[0017]如果所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
[0018]如果所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
[0019]根据本公开实施例的第二方面，提供一种指纹识别装置，包括:
[0020]第一提取模块，被配置为对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过卷积神经网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
[0021]降维处理模块，被配置为对所述第一提取模块提取到的所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
[0022]识别模块，被配置为根据所述降维处理模块降维后的所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
[0023]在一实施例中，所述卷积神经网络包括至少一个特征提取层和特征映射层，在所述卷积神经网络网络的最后一个特征提取层连接有分类器，所述装置还可包括:
[0024]第一训练模块，被配置为将海量的有标签指纹样本输入至所述卷积神经网络，对所述至少一个特征提取层和特征映射层进行训练；
[0025]第二提取模块，被配置为将所述有标签指纹样本通过所述第一训练模块训练后的所述卷积神经网络进行特征提取，得到所述有标签指纹样本的输出结果；
[0026]第二训练模块，被配置为将所述第二提取模块得到的所述输出结果输入到所述分类器，对所述分类器进行标定训练。
[0027]在一实施例中，所述装置还可包括:
[0028]第三提取模块，被配置为通过已训练的所述卷积神经网络提取所述有标签指纹样本的第一设定维数的特征参数；
[0029]第三训练模块，被配置为对所述第三提取模块提取到的所述第一设定维数的特征参数进行线性判别式分析LDA训练，得到所述LDA的第二设定维数的投影矩阵。
[0030]在一实施例中，所述识别模块可包括:
[0031]比较子模块，被配置为将所述第三指纹特征和所述第四指纹特征的余弦距离与预设阈值进行比较；
[0032]第一确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离大于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为同一指纹；
[0033]第二确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离小于或者等于所述预设阈值，确定所述第一指纹图像与所述第二指纹图像为不同指纹。
[0034]根据本公开实施例的第三方面，提供一种指纹识别装置，包括:
[0035]处理器；
[0036]用于存储处理器可执行指令的存储器；
[0037]其中，所述处理器被配置为:
[0038]对指纹传感器采集的第一指纹图像与存储在数据库中的第二指纹图像通过卷积神经网络进行特征提取，得到所述第一指纹图像对应的第一指纹特征和所述第二指纹图像对应的第二指纹特征，其中，所述第一指纹特征与所述第二指纹特征的维数相同；
[0039]对所述第一指纹特征和所述第二指纹特征进行降维处理，分别得到第三指纹特征和第四指纹特征，其中，所述第三指纹特征和所述第四指纹特征的维数相同，且小于所述第一指纹特征和所述第二指纹特征的维数；
[0040]根据所述第三指纹特征和所述第四指纹特征的余弦距离确定所述第一指纹图像与所述第二指纹图像是否为同一指纹。
[0041]本公开的实施例提供的技术方案可以包括以下有益效果:由于卷积神经网络是通过海量的有标签指纹样本训练得到的，因此卷积神经网络所提取第一指纹图像的第一指纹特征和第二指纹图像的第二指纹特征可以包含有利于指纹识别的指纹特征，避免了相关技术必须通过指纹的全局特征点以及局部特征点才能实现指纹识别，当指纹图像质量较差时，卷积神经网络通过识别有利于指纹识别的特征，确保在第一指纹图像的质量较低时由于提取不出指纹的全局特征点以及局部特征点仍能够实现指纹识别，大大提高了低质量的指纹图像在指纹识别时的准确率；通过对第一指纹特征和第二指纹特征进行降维，可以大大降低在指纹识别过程中的计算复杂度。
[0042]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0043]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0044]图1A是根据一示例性实施例示出的指纹识别方法的流程图。
[0045]图1B是根据一示例性实施例示出的卷积神经网络的结构示意图。
[0046]图2A是根据一示例性实施例一示出的如何对卷积神经网络进行训练的示意图。
[0047]图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图。
[0048]图3是根据一示例性实施例二示出的指纹识别方法的流程图。
[0049]图4是根据一示例性实施例示出的一种指纹识别装置的框图。
[0050]图5是根据一示例性实施例示出的另一种指纹识别装置的框图。
[0051]图6是根据一示例性实施例示出的一种适用于指纹识别装置的框图。
【具体实施方式】
[0052]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的