CN105303179A - 指纹识别方法、装置 - Google Patents

Abstract

本公开是关于一种指纹识别方法、装置，该方法包括：接收待识别指纹图像；采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。由于该基于卷积神经网络构建的指纹识别模型能够精确提取出待识别指纹图像中包含的各个层次的特征，即保证了特征提取的精细度，从而使得指纹真假的识别结果更加准确、可靠。

Description

指纹识别方法、装置

技术领域

本公开涉及指纹识别技术领域，尤其涉及一种指纹识别方法、装置。

背景技术

目前，指纹识别不论是在民用领域还是军用领域都得到了广泛应用。比如，对于门禁***应用来说，很多企业、单位已经采用指纹识别技术对用户进行身份鉴别，以便进行访问安全控制，统计考勤等。

目前，大多的指纹识别***都是采用传统的识别方法，比如支持向量机(SupportVectorMachine，简称SVM)等分类器，来进行指纹的真假识别。传统识别方法中，对于指纹特征的提取是基于经验选取的，进而根据这些经验选取的特征进行比如SVM分类器的学习训练，并利用训练得到的分类器进行指纹的真假识别。

发明内容

本公开提供一种指纹识别方法、装置，用以提高指纹真假识别的准确性。

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：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

可选的，所述方法还包括：

对所述待识别指纹图像进行归一化处理。

该技术方案可以包括以下有益效果：对于需要识别其真假的指纹图像，通过采用基于指纹训练样本对卷积神经网络进行分类训练得到的指纹识别模型进行真假识别，以确定该指纹图像中指纹是否为真指纹。由于基于深度学习的卷积神经网络能够自动学习到指纹样本的多层结构的详细特征信息，从而保证了指纹图像中指纹特征提取的高精度，使得指纹识别的结果更加准确。

进一步地，所述方法还包括：

获取指纹训练样本集，所述指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像；

将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型。

可选的，所述方法还包括：

分别对所述真指纹训练样本图像和所述假指纹训练样本图像进行归一化处理。

可选的，所述方法还包括：

对所述真指纹训练样本图像进行第一分类标号的标记，对所述假指纹训练样本图像进行第二分类标号的标记。

相应的，所述将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型，包括：

随机从所述真指纹训练样本图像和所述假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号；

若当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值大于预设差值，则调整经所述当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

上述技术方案可以包括如下有益效果：通过采用包含有大量真指纹训练样本图像和假指纹训练样本图像的指纹训练样本集，对卷积神经网络进行学习分类训练，使得得到的指纹识别模型能够自动深度学习到各训练样本图像中包含的多层次的特征信息，从而提高了基于该指纹识别模型正确识别待识别指纹图像真假的可能性。

进一步地，所述方法还包括：

获取指纹测试样本集，所述指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像；

根据所述指纹识别模型分别对所述指纹测试样本集中所述真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定所述指纹识别模型的分类正确率。

进一步地，所述方法还包括：

若所述分类正确率小于预设阈值，则迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

更新所述指纹训练样本集；

根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型；

根据本次迭代对应的更新后指纹识别模型分别对所述指纹测试样本集中所述测真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。

进一步地，该方法还包括：

确定各次迭代对应的分类正确率中的最大分类正确率；

确定与所述最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

上述技术方案可以包括如下的有益效果：通过多次迭代训练、测试的过程，能够保证获得的目标指纹识别模型具有最佳的准确性。

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：

接收模块，被配置为接收待识别指纹图像；

识别模块，被配置为采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

可选的，所述装置还包括：

第一归一化模块，被配置为对所述待识别指纹图像进行归一化处理。

该技术方案可以包括以下有益效果：对于需要识别其真假的指纹图像，通过采用基于指纹训练样本对卷积神经网络进行分类训练得到的指纹识别模型进行真假识别，以确定该指纹图像中指纹是否为真指纹。由于基于深度学习的卷积神经网络能够自动学习到指纹样本的多层结构的详细特征信息，从而保证了指纹图像中指纹特征提取的高精度，使得指纹识别的结果更加准确。

进一步地，所述装置还包括：

第一获取模块，被配置为获取指纹训练样本集，所述指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像；

训练模块，被配置为将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型。

可选的，所述装置还包括：

第二归一化模块，被配置为分别对所述真指纹训练样本图像和所述假指纹训练样本图像进行归一化处理。

可选的，所述装置还包括：

标记模块，被配置为对所述真指纹训练样本图像进行第一分类标号的标记，对所述假指纹训练样本图像进行第二分类标号的标记；

所述训练模块包括：

训练子模块，被配置为随机从所述真指纹训练样本图像和所述假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号；

调整子模块，被配置为在当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值大于预设差值时，调整经所述当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

上述技术方案可以包括如下有益效果：训练模块通过采用包含有大量真指纹训练样本图像和假指纹训练样本图像的指纹训练样本集，对卷积神经网络进行学习分类训练，使得得到的指纹识别模型能够自动深度学习到各训练样本图像中包含的多层次的特征信息，从而提高了基于该指纹识别模型正确识别待识别指纹图像真假的可能性。

进一步地，所述装置还包括：

第二获取模块，被配置为获取指纹测试样本集，所述指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像；

第一确定模块，被配置为根据所述指纹识别模型分别对所述指纹测试样本集中所述真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定所述指纹识别模型的分类正确率。

可选的，所述装置还包括：

迭代执行模块，被配置为在所述分类正确率小于预设阈值时，迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

更新所述指纹训练样本集；

根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型；

根据本次迭代对应的更新后指纹识别模型分别对所述指纹测试样本集中所述测真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。

可选的，所述装置还包括：

第二确定模块，被配置为确定各次迭代对应的分类正确率中的最大分类正确率；

第三确定模块，被配置为确定与所述最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

上述技术方案可以包括如下的有益效果：通过多次迭代训练、测试的过程，能够保证获得的目标指纹识别模型具有最佳的准确性。

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：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

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

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种指纹识别方法实施例一的流程图；

图2是卷积神经网络的网络结构示意图；

图3是根据一示例性实施例示出的一种指纹识别方法实施例二的流程图；

图4是根据一示例性实施例示出的一种指纹识别方法实施例三的流程图；

图5是根据一示例性实施例示出的一种指纹识别装置实施例一的框图；

图6是根据一示例性实施例示出的一种指纹识别装置实施例二的框图；

图7是根据一示例性实施例示出的一种指纹识别装置实施例三的框图；

图8是根据一示例性实施例示出的一种指纹识别装置的框图；

图9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。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

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要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种指纹识别方法实施例一的流程图，该指纹识别方法可以由指纹识别装置来执行，该指纹识别装置具体可以为手机终端、平板电脑、PC机等智能终端对应的服务器或者服务器上安装的应用程序APP。该指纹识别装置还可以为手机终端、平板电脑、PC机等智能终端或者智能终端上安装的应用程序APP。

如图1所示，该指纹识别方法包括以下步骤：

在步骤101中，接收待识别指纹图像。

其中，指纹识别装置接收到用户输入的该待识别指纹图像的数量可以是一个，也可以是多个。针对多个待识别指纹图像的情况，需分别针对每个待识别指纹图像进行识别处理。

在步骤102中，采用指纹识别模型对待识别指纹进行识别，确定待识别指纹是否为真指纹，指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

本实施例中，采用卷积神经网络构建指纹识别模型。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。

卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，包括多个卷积层、下采样层、全连接层和一个输出层，每层由多个二维平面组成，而每个平面由多个独立神经元组成。从一个平面到下一个平面的映射可以看作是作卷积运算。本实施例中，假设基于卷积神经网络获得的指纹识别模型具有N层结构，相邻两层隐层节点间的各个连接的权重系数即卷积核，亦即上述特征系数由指纹训练样本集训练确定。

由于本实施例中的指纹识别模型是为了识别待识别指纹是真指纹还是假指纹的，因此，可以理解的是，上述对卷积神经网络进行训练所使用的指纹训练样本集中既包括若干真指纹样本图像，也包括若干假指纹样本图像。具体的训练过程在后续实施例中描述。

值得说明的是，本实施例中对待识别指纹图像的识别的目的，是为了确定该指纹图像是真还是假，也就是说，本实施例中，指纹识别模型的输出结果只有两种，一种是真指纹，一种是假指纹。

这与传统意义上的指纹识别含义不同。传统意义上，指纹识别的目的是为了识别出该指纹图像是谁的指纹。

本实施例中，之所以要识别出待识别指纹是真是假是基于这样的实际情况：某人处于某些目的，套取了其他人的指纹，从而基于套取的指纹登录他人电脑、开启他人门户等，为他人的利益带来严重威胁。

由于套取的某人的假指纹，与该人的真指纹之间可能存在的区别非常小，从而基于传统的特征提取和分类识别方式很难区别出来。因此，本实施例提供了基于深度学习的卷积神经网络，进行指纹识别模型的构建，使得指纹特征的提取精细度更高更准确。

在实际使用过程中，将待识别的指纹图像输入到上述指纹识别模型中，经指纹识别模型对该待识别指纹图像进行逐层的特征提取，最后经指纹识别模型最后一层的分类器，输出该待识别指纹图像的分类结果，根据该分类结果得知该待识别指纹图像所对应的指纹是真指纹还是假指纹。假设指纹识别模型输出的识别结果即分类结果中，以1表示真指纹，以2表示假指纹，那么如果上述待识别指纹图像的识别结果是1，说明该待识别指纹图像中的指纹是真指纹。

可选的，在识别出待识别指纹图像的真假性之后，可以对该待识别指纹图像进行标记，比如如果该待识别指纹图像对应的是假指纹，则为该待识别指纹图像打上一个标签，该标签为2，以表示该待识别指纹图像为假指纹。

另外，可选的，为了保证识别结果的准确可靠，可以对输入到指纹识别模型的待识别指纹图像进行归一化处理。比如按照预设尺寸要求，进行尺寸的归一化处理，将尺寸都归一化为比如224像素*224像素大小。再比如，对坐标中心化、x-shearing、缩放和旋转等进行归一化处理。

本实施例中，采用指纹训练样本集对卷积神经网络进行分类训练，从而构建了指纹识别模型，进而基于该指纹识别模型对待识别指纹进行识别，确定待识别指纹是否为真指纹。由于基于深度学习的卷积神经网络构建的上述指纹识别模型能够自动学习到指纹图像的多层详细特征信息，从而保证了指纹图像中指纹特征提取的高精细度，使得指纹识别的结果更加准确。

下面结合图3所示实施例，对上述指纹识别模型的构成过程即卷积神经网络的学习训练过程进行介绍。

图3是根据一示例性实施例示出的一种指纹识别方法实施例二的流程图，如图3所示，指纹识别模型的构建过程如下：

在步骤201中，获取指纹训练样本集，指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像。

本实施例中，为了保证指纹识别模型的准确可靠，训练时，需要采集大量的真指纹训练样本图像和假指纹训练样本图像，比如真指纹训练样本图像200万张，假指纹训练样本图像100万张。

在步骤202中，对真指纹训练样本图像进行第一分类标号的标记，对假指纹训练样本图像进行第二分类标号的标记。

为了区别真指纹训练样本图像和假指纹训练样本图像，以及为了确定训练得到的指纹识别模型是否准确，分别对真指纹训练样本图像和假指纹训练样本图像进行分类标号的标记，假设真指纹训练样本图像都标记为第一分类标号1，假指纹训练样本图像都标记为第二分类标号2。

另外，为了最小化样本差异性对指纹识别模型训练过程的影响，本实施例中，也分别对真指纹训练样本图像和假指纹训练样本图像进行归一化处理，保证各个样本图像的大小一致。比如对尺寸、坐标中心化、x-shearing、缩放和旋转等进行归一化处理。

进而，可以随机将经过归一化处理后的真指纹训练样本图像和假指纹训练样本图像输入到卷积神经网络中，对卷积神经网络中各层隐层节点之间的特征系数进行训练，得到指纹识别模型。

在步骤203中，随机从真指纹训练样本图像和假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号。

在步骤204中，确定当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值是否大于预设差值，若大于预设差值，则执行步骤205。否则，更新当前输入训练样本图像，直到所有训练样本图像都被输入为止。

在步骤205中，调整经当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

步骤205之后，更新当前输入训练样本图像，直到所有训练样本图像都被输入为止。

在上述训练过程中，从指纹训练样本集中随机选择一个训练样本图像输入到卷积神经网络中，经分类学习训练，输出分类结果，即上述输出分类标号。

如果该输出分类标号与该输入训练样本图像对应的分类标号(真指纹训练样本图像对应第一分类标号，假指纹训练样本图像对应第二分类标号)间的差值大于预设差值，说明经该输入训练样本图像训练得到的指纹识别模型还不够准确，需要对其进行调整，调整后需要继而进行后续其他训练样本图像的输入训练。

其中，输出分类标号与输入的训练样本图像对应的分类标号之间的差值即为输出层输出的损失函数的值，可以根据诸如欧式距离、马氏距离、切比雪夫距离、余弦距离等距离度量方式计算。

具体来说，训练分类结果是否正确可以由输出层的损失函数来度量，比如为多个欧式径向基函数(EuclideanRadialBasisFunction)，每个损失函数计算输入向量即输入训练样本图像对应的向量与对应的训练获得的特征系数向量之间的距离。如果该距离大于一定距离阈值，则需要调整特征系数即卷积核。

可选的，本实施例中，为了进一步提高训练过程的处理效率，降低上述调整的次数，可以采用分批训练的方式。具体来说，将指纹训练样本集中的所有样本图像随机分批，比如每批100张样本图像，其中既包括真指纹训练样本图像，也包括假指纹训练样本图像。依次随机将一批训练样本图像中的每个训练样本图像输入，得到对应的各输出分类标号。在一批训练样本图像完成训练后，统计该批训练样本图像中各训练样本图像的输出分类标号与对应的分类标号间的距离大于预设距离的训练样本图像数量占该批训练样本图像总数的比例，如果该比例大于一定阈值，则调整经该批训练样本图像训练获得的指纹识别模型中各层隐层节点间的特征系数。然后再将下一批训练样本图像依次输入到经前一批训练样本图像训练得到的指纹识别模型中，直到所有批次的训练样本图像都训练完成为止。其中，对各层隐层节点间的特征系数的调整可以采用梯度下降法进行调整。

本实施例中，通过采用包含有大量真指纹训练样本图像和假指纹训练样本图像的指纹训练样本集，对卷积神经网络进行学习分类训练，使得得到的指纹识别模型能够自动深度学习到各训练样本图像中包含的多层次的特征信息，从而提高了基于该指纹识别模型正确识别待识别指纹图像真假的可能性。

图4是根据一示例性实施例示出的一种指纹识别方法实施例三的流程图，如图4所示，在上述步骤205之后，还包括如下测试的步骤：

在步骤301中，获取指纹测试样本集，指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像。

其中，该指纹测试样本集中的真指纹测试样本图像和假指纹测试样本图像与上述指纹训练样本集中的各训练样本图像不同。

另外，与训练过程类似，为了区别各个测试样本图像以及为了便于后续准确率的计算，对真指纹测试样本图像和假指纹测试样本图像分别进行分类标号标记。比如将真指纹测试样本图像都标记为第一分类标号，将假指纹测试样本图像都标记为第二分类标号。

在步骤302中，根据指纹识别模型分别对指纹测试样本集中真指纹测试样本图像和假指纹测试样本图像的识别分类结果，确定指纹识别模型的分类正确率。

在测试过程中，分别随机将各测试样本图像即真指纹测试样本图像和假指纹测试样本图像输入到指纹识别模型中，得到分类输出的分类标号。进而，根据每个输出分类标号与对应的测试样本图像对应的输入的分类标号(即第一分类标号或第二分类标号)的差值，确定指纹识别模型的准确度。

具体来说，根据诸如欧式距离、马氏距离、切比雪夫距离、余弦距离等预设距离差值度量方式，分别计算各测试样本图像对应的原始标记的分类标号与其经分类输出的分类标号间的距离差值。进而，可以将计算获得的各距离差值与预设距离阈值进行比较，确定小于或等于预设距离阈值的距离数量占指纹测试样本集包含的样本数量的比例，即确定指纹识别模型的准确率。

如果该准确率大于一定较高的准确率阈值，则说明该指纹识别模型的准确性良好，以该指纹识别模型用于后续的指纹真假识别中将会获得很好的识别效果。相反的，如果该准确率小于预设阈值，说明还需要对该指纹识别模型进行再训练。

在步骤303中，确定分类正确率是否小于预设阈值，若小于预设阈值，则迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

在步骤304中，更新所述指纹训练样本集。

在步骤305中，根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型。

在步骤306中，根据本次迭代对应的更新后指纹识别模型分别对指纹测试样本集中真指纹测试样本图像和假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。

本实施例中，当需要对基于上述指纹训练样本集训练获得的指纹识别模型进行再训练时，首先需要更新指纹训练样本集。更新后的指纹训练样本集与之前的指纹训练样本集不同。

上述基于更新后的指纹训练样本集对指纹识别模型进行训练、测试的方式，与之前的训练、测试方式一致，在此不再赘述。

可以理解的是，如果以更新后的指纹训练样本集训练获得的更新后指纹识别模型的准确率大于预设阈值，则可以结束，以大于阈值的准确率所对应的更新后指纹识别模型为目标指纹识别模型，以用于后续的指纹真假识别应用中。

但是，如果在达到最大迭代次数时，都没有获得准确率大于预设阈值的指纹识别模型，则在迭代执行完最大迭代次数后，可以进行如下的处理：

在步骤307中，确定各次迭代对应的分类正确率中的最大分类正确率。

在步骤308中，确定与最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

也就是说，从各次迭代训练、测试对应的准确率中确定出最大分类准确率，并最终确定与该最大分类准确率对应的更新后指纹识别模型为目标指纹识别模型。

以上实施例中，通过多次迭代训练、测试的过程，能够保证获得的目标指纹识别模型具有最佳的准确性。

图5是根据一示例性实施例示出的一种指纹识别装置实施例一的框图，如图5所示，该装置包括：接收模块11和识别模块12。

接收模块11，被配置为接收待识别指纹图像。

识别模块12，被配置为采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

其中，接收模块11接收到用户输入的该待识别指纹图像的数量可以是一个，也可以是多个。针对多个待识别指纹图像的情况，需分别针对每个待识别指纹图像进行识别处理。

本实施例中，采用卷积神经网络构建指纹识别模型。从而，识别模块12通过训练获得的指纹识别模型进行输入指纹图像的真假识别。

卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。

卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，包括多个卷积层、下采样层、全连接层和一个输出层，每层由多个二维平面组成，而每个平面由多个独立神经元组成。从一个平面到下一个平面的映射可以看作是作卷积运算。本实施例中，假设基于卷积神经网络获得的指纹识别模型具有N层结构，相邻两层隐层节点间的各个连接的权重系数即卷积核，亦即上述特征系数由指纹训练样本集训练确定。

由于本实施例中的指纹识别模型是为了识别待识别指纹是真指纹还是假指纹的，因此，可以理解的是，上述对卷积神经网络进行训练所使用的指纹训练样本集中既包括若干真指纹样本图像，也包括若干假指纹样本图像。具体的训练过程在后续实施例中描述。

值得说明的是，本实施例中对待识别指纹图像的识别的目的，是为了确定该指纹图像是真还是假，也就是说，本实施例中，指纹识别模型的输出结果只有两种，一种是真指纹，一种是假指纹。

这与传统意义上的指纹识别含义不同。传统意义上，指纹识别的目的是为了识别出该指纹图像是谁的指纹。

本实施例中，之所以要识别出待识别指纹是真是假是基于这样的实际情况：某人处于某些目的，套取了其他人的指纹，从而基于套取的指纹登录他人电脑、开启他人门户等，为他人的利益带来严重威胁。

由于套取的某人的假指纹，与该人的真指纹之间可能存在的区别非常小，从而基于传统的特征提取和分类识别方式很难区别出来。因此，本实施例提供了基于深度学习的卷积神经网络，进行指纹识别模型的构建，使得指纹特征的提取精细度更高更准确。

在实际使用过程中，识别模块12将待识别的指纹图像输入到上述指纹识别模型中，经指纹识别模型对该待识别指纹图像进行逐层的特征提取，最后经指纹识别模型最后一层的分类器，输出该待识别指纹图像的分类结果，根据该分类结果得知该待识别指纹图像所对应的指纹是真指纹还是假指纹。假设指纹识别模型输出的识别结果即分类结果中，以1表示真指纹，以2表示假指纹，那么如果上述待识别指纹图像的识别结果是1，说明该待识别指纹图像中的指纹是真指纹。

可选的，在识别模块12识别出待识别指纹图像的真假性之后，识别模块12还可以对该待识别指纹图像进行标记，比如如果该待识别指纹图像对应的是假指纹，则为该待识别指纹图像打上一个标签，该标签为2，以表示该待识别指纹图像为假指纹。

可选的，所述装置还包括：第一归一化模块13。

第一归一化模块13，被配置为对所述待识别指纹图像进行归一化处理。

为了保证识别结果的准确可靠，可以通过第一归一化模块13对输入到指纹识别模型的待识别指纹图像进行归一化处理。比如按照预设尺寸要求，进行尺寸的归一化处理，将尺寸都归一化为比如224像素*224像素大小。再比如，对坐标中心化、x-shearing、缩放和旋转等进行归一化处理。

本实施例中，采用指纹训练样本集对卷积神经网络进行分类训练，从而构建了指纹识别模型，进而基于该指纹识别模型对待识别指纹进行识别，确定待识别指纹是否为真指纹。由于基于深度学习的卷积神经网络构建的上述指纹识别模型能够自动学习到指纹图像的多层详细特征信息，从而保证了指纹图像中指纹特征提取的高精细度，使得指纹识别的结果更加准确。

图6是根据一示例性实施例示出的一种指纹识别装置实施例二的框图，如图6所示，在图5所示实施例的基础上，所述装置还包括：第一获取模块21和训练模块22。

第一获取模块21，被配置为获取指纹训练样本集，所述指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像。

本实施例中，为了保证指纹识别模型的准确可靠，训练时，第一获取模块21需要采集大量的真指纹训练样本图像和假指纹训练样本图像，比如真指纹训练样本图像200万张，假指纹训练样本图像100万张。

训练模块22，被配置为将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型。

可选的，所述装置还包括：第二归一化模块23。

第二归一化模块23，被配置为分别对所述真指纹训练样本图像和所述假指纹训练样本图像进行归一化处理。

为了最小化样本差异性对指纹识别模型训练过程的影响，本实施例中，第二归一化模块23分别对真指纹训练样本图像和假指纹训练样本图像进行归一化处理，保证各个样本图像的大小一致。比如对尺寸、坐标中心化、x-shearing、缩放和旋转等进行归一化处理。

可选的，所述装置还包括：标记模块24。

标记模块24，被配置为对所述真指纹训练样本图像进行第一分类标号的标记，对所述假指纹训练样本图像进行第二分类标号的标记。

为了区别真指纹训练样本图像和假指纹训练样本图像，以及为了确定训练得到的指纹识别模型是否准确，采用标记模块24分别对真指纹训练样本图像和假指纹训练样本图像进行分类标号的标记，假设真指纹训练样本图像都标记为第一分类标号1，假指纹训练样本图像都标记为第二分类标号2。

具体来说，所述训练模块22包括：训练子模块221和调整子模块222。

训练子模块221，被配置为随机从所述真指纹训练样本图像和所述假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号。

调整子模块222，被配置为在当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值大于预设差值时，调整经所述当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

在上述训练过程中，训练子模块221可以从指纹训练样本集中随机选择一个训练样本图像输入到卷积神经网络中，经分类学习训练，输出分类结果，即上述输出分类标号。

如果该输出分类标号与该输入训练样本图像对应的分类标号(真指纹训练样本图像对应第一分类标号，假指纹训练样本图像对应第二分类标号)间的差值大于预设差值，说明经该输入训练样本图像训练得到的指纹识别模型还不够准确，调整子模块222需要对其进行调整，调整后需要继而进行后续其他训练样本图像的输入训练。

其中，输出分类标号与输入的训练样本图像对应的分类标号之间的差值即为输出层输出的损失函数的值，可以根据诸如欧式距离、马氏距离、切比雪夫距离、余弦距离等距离度量方式计算。

具体来说，训练分类结果是否正确可以由输出层的损失函数来度量，比如为多个欧式径向基函数(EuclideanRadialBasisFunction)，每个损失函数计算输入向量即输入训练样本图像对应的向量与对应的训练获得的特征系数向量之间的距离。如果调整子模块222确定该距离大于一定距离阈值，则需要调整特征系数即卷积核。

可选的，本实施例中，为了进一步提高训练过程的处理效率，降低上述调整的次数，可以采用分批训练的方式。具体来说，训练子模块221可以将指纹训练样本集中的所有样本图像随机分批，比如每批100张样本图像，其中既包括真指纹训练样本图像，也包括假指纹训练样本图像。训练子模块221进而依次随机将一批训练样本图像中的每个训练样本图像输入，得到对应的各输出分类标号。在一批训练样本图像完成训练后，统计该批训练样本图像中各训练样本图像的输出分类标号与对应的分类标号间的距离大于预设距离的训练样本图像数量占该批训练样本图像总数的比例，如果该比例大于一定阈值，则通过调整子模块222调整经该批训练样本图像训练获得的指纹识别模型中各层隐层节点间的特征系数。然后训练子模块221再将下一批训练样本图像依次输入到经前一批训练样本图像训练得到的指纹识别模型中，直到所有批次的训练样本图像都训练完成为止。其中，对各层隐层节点间的特征系数的调整可以采用梯度下降法进行调整。

本实施例中，通过采用包含有大量真指纹训练样本图像和假指纹训练样本图像的指纹训练样本集，对卷积神经网络进行学习分类训练，使得得到的指纹识别模型能够自动深度学习到各训练样本图像中包含的多层次的特征信息，从而提高了基于该指纹识别模型正确识别待识别指纹图像真假的可能性。

图7是根据一示例性实施例示出的一种指纹识别装置实施例三的框图，如图7所示，在上述实施例的基础上，所述装置还包括：第二获取模块31和第一确定模块32。

第二获取模块31，被配置为获取指纹测试样本集，所述指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像。

其中，第二获取模块31获取的该指纹测试样本集中的真指纹测试样本图像和假指纹测试样本图像与上述指纹训练样本集中的各训练样本图像不同。

第一确定模块32，被配置为根据所述指纹识别模型分别对所述指纹测试样本集中所述真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定所述指纹识别模型的分类正确率。

另外，与训练过程类似，为了区别各个测试样本图像以及为了便于后续准确率的计算，对真指纹测试样本图像和假指纹测试样本图像分别进行分类标号标记。比如将真指纹测试样本图像都标记为第一分类标号，将假指纹测试样本图像都标记为第二分类标号。

在测试过程中，分别随机将第二获取模块31获得的各测试样本图像即真指纹测试样本图像和假指纹测试样本图像输入到指纹识别模型中，得到分类输出的分类标号。进而，第一确定模块32根据指纹识别模型输出的每个输出分类标号与对应的测试样本图像对应的输入的分类标号(即第一分类标号或第二分类标号)的差值，确定指纹识别模型的准确率。

具体来说，根据诸如欧式距离、马氏距离、切比雪夫距离、余弦距离等预设距离差值度量方式，分别计算各测试样本图像对应的原始标记的分类标号与其经分类输出的分类标号间的距离差值。进而，可以将计算获得的各距离差值与预设距离阈值进行比较，确定小于或等于预设距离阈值的距离数量占指纹测试样本集包含的样本数量的比例，即确定指纹识别模型的准确率。

如果该准确率大于一定较高的准确率阈值，则说明该指纹识别模型的准确性良好，以该指纹识别模型用于后续的指纹真假识别中将会获得很好的识别效果。相反的，如果该准确率小于预设阈值，说明还需要对该指纹识别模型进行再训练。

从而，可选的，所述装置还包括：迭代执行模块33。

迭代执行模块33，被配置为在所述分类正确率小于预设阈值时，迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

更新所述指纹训练样本集；

根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型；

根据本次迭代对应的更新后指纹识别模型分别对所述指纹测试样本集中所述测真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。可选的，所述装置还包括：第二确定模块34和第三确定模块35。

第二确定模块34，被配置为确定各次迭代对应的分类正确率中的最大分类正确率。

第三确定模块35，被配置为确定与所述最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

本实施例中，当需要对基于上述指纹训练样本集训练获得的指纹识别模型进行再训练时，首先，迭代执行模块33需要更新指纹训练样本集。更新后的指纹训练样本集与之前的指纹训练样本集不同。

基于更新后的指纹训练样本集对指纹识别模型进行训练、测试的方式，与之前的训练、测试方式一致，在此不再赘述。

可以理解的是，如果以更新后的指纹训练样本集训练获得的更新后指纹识别模型的准确率大于预设阈值，则可以结束，以大于阈值的准确率所对应的更新后指纹识别模型为目标指纹识别模型，以用于后续的指纹真假识别应用中。

但是，如果在达到最大迭代次数时，都没有获得准确率大于预设阈值的指纹识别模型，则在迭代执行完最大迭代次数后，可以进行如下的处理：

第二确定模块34从各次迭代训练、测试对应的准确率中确定出最大分类准确率，第三确定模块35进而最终确定与该最大分类准确率对应的更新后指纹识别模型为目标指纹识别模型。

以上实施例中，通过多次迭代训练、测试的过程，能够保证获得的目标指纹识别模型具有最佳的准确性。

关于上述实施例中的指纹识别装置，其中各个模块、子模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上描述了指纹识别装置的内部功能和结构，如图8所示，实际中，该指纹识别装置可实现为：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

上述实施例中，指纹识别装置采用指纹训练样本集对卷积神经网络进行分类训练，从而构建了指纹识别模型，进而基于该指纹识别模型对待识别指纹进行识别，确定待识别指纹是否为真指纹。由于基于深度学习的卷积神经网络构建的上述指纹识别模型能够自动学习到指纹图像的多层详细特征信息，从而保证了指纹图像中指纹特征提取的高精细度，使得指纹识别的结果更加准确。

图9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。例如，该指纹识别装置1900可以被提供为一服务器。参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述各实施例中提供的指纹识别方法，包括：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (19)

1.一种指纹识别方法，其特征在于，所述方法包括：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取指纹训练样本集，所述指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像；

将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

对所述真指纹训练样本图像进行第一分类标号的标记，对所述假指纹训练样本图像进行第二分类标号的标记。

4.根据权利要求3所述的方法，其特征在于，所述将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型，包括：

随机从所述真指纹训练样本图像和所述假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号；

若当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值大于预设差值，则调整经所述当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取指纹测试样本集，所述指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像；

根据所述指纹识别模型分别对所述指纹测试样本集中所述真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定所述指纹识别模型的分类正确率。

6.根据权利要求5所述的方法，其特征在于，根据所述各个测试样本图像对应的分类结果，确定所述指纹识别模型的分类正确率之后，还包括：

若所述分类正确率小于预设阈值，则迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

更新所述指纹训练样本集；

根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型；

根据本次迭代对应的更新后指纹识别模型分别对所述指纹测试样本集中所述测真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。

7.根据权利要求6所述的方法，其特征在于，还包括：

确定各次迭代对应的分类正确率中的最大分类正确率；

确定与所述最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述待识别指纹图像进行归一化处理。

9.根据权利要求2所述的方法，其特征在于，所述方法还包括：

分别对所述真指纹训练样本图像和所述假指纹训练样本图像进行归一化处理。

10.一种指纹识别装置，其特征在于，所述装置包括：

接收模块，被配置为接收待识别指纹图像；

识别模块，被配置为采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

第一获取模块，被配置为获取指纹训练样本集，所述指纹训练样本集中包括真指纹训练样本图像和假指纹训练样本图像；

训练模块，被配置为将所述真指纹训练样本图像和所述假指纹训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述指纹识别模型。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

标记模块，被配置为对所述真指纹训练样本图像进行第一分类标号的标记，对所述假指纹训练样本图像进行第二分类标号的标记。

13.根据权利要求12所述的装置，其特征在于，所述训练模块包括：

训练子模块，被配置为随机从所述真指纹训练样本图像和所述假指纹训练样本图像中选择出当前输入训练样本图像，输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到与当前输入训练样本图像对应的输出分类标号；

调整子模块，被配置为在当前输入训练样本图像对应的输出分类标号与当前输入训练样本图像对应的第一分类标号或第二分类标号间的差值大于预设差值时，调整经所述当前输入训练样本图像训练后得到的各层隐层节点之间的特征系数。

14.根据权利要求11所述的装置，其特征在于，所述装置还包括：

第二获取模块，被配置为获取指纹测试样本集，所述指纹测试样本集中包括真指纹测试样本图像和假指纹测试样本图像；

第一确定模块，被配置为根据所述指纹识别模型分别对所述指纹测试样本集中所述真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定所述指纹识别模型的分类正确率。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

迭代执行模块，被配置为在所述分类正确率小于预设阈值时，迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止：

更新所述指纹训练样本集；

根据更新后的指纹训练样本集对前一次迭代对应的指纹识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后指纹识别模型；

根据本次迭代对应的更新后指纹识别模型分别对所述指纹测试样本集中所述测真指纹测试样本图像和所述假指纹测试样本图像的识别分类结果，确定本次迭代对应的更新后指纹识别模型的分类正确率。

16.根据权利要求15所述的装置，其特征在于，所述装置还包括：

第二确定模块，被配置为确定各次迭代对应的分类正确率中的最大分类正确率；

第三确定模块，被配置为确定与所述最大分类正确率对应的更新后指纹识别模型为目标指纹识别模型。

17.根据权利要求10所述装置，其特征在于，所述装置还包括：

第一归一化模块，被配置为对所述待识别指纹图像进行归一化处理。

18.根据权利要求11所述的装置，其特征在于，所述装置还包括：

第二归一化模块，被配置为分别对所述真指纹训练样本图像和所述假指纹训练样本图像进行归一化处理。

19.一种指纹识别装置，其特征在于，包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待识别指纹图像；

采用指纹识别模型对所述待识别指纹进行识别，确定所述待识别指纹是否为真指纹，所述指纹识别模型是采用指纹训练样本集对卷积神经网络进行分类训练后得到的。