CN109074489B - 指纹识别的方法、指纹识别装置和电子设备 - Google Patents
指纹识别的方法、指纹识别装置和电子设备 Download PDFInfo
- Publication number
- CN109074489B CN109074489B CN201880001044.2A CN201880001044A CN109074489B CN 109074489 B CN109074489 B CN 109074489B CN 201880001044 A CN201880001044 A CN 201880001044A CN 109074489 B CN109074489 B CN 109074489B
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- fingerprint
- gradient
- gradient information
- images
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Input (AREA)
Abstract
本申请提供了一种指纹识别的方法、指纹识别装置和电子设备,能够根据指纹图像的梯度特性,识别指纹传感器采集的指纹是否来自真实手指,节约了成本,同时提升了指纹识别的安全性。该方法包括:获取目标按压指纹传感器的指纹图像;对所述指纹图像进行处理,得到所述指纹图像的梯度信息;根据所述指纹图像的梯度信息,确定所述目标是否为真实手指。
Description
技术领域
本申请实施例涉及指纹识别技术领域,并且更具体地,涉及一种指纹识别的方法、指纹识别装置和电子设备。
背景技术
指纹传感器的应用给用户带来了安全和便捷的用户体验,但是伪造指纹是指纹应用中一个安全隐患,通过伪造指纹能够获得与真实指纹相似度极高的指纹图像。
传统的区分真假指纹的方法是在指纹传感器外增加额外的传感器,利用额外的传感器采集的数据确定指纹的真假,但是,采用这种方式增加了额外的传感器成本,因此,如何在能够在不增加成本的情况下,识别真假指纹,以提升指纹识别的安全性是一项亟需解决的问题。
发明内容
本申请实施例提供了一种指纹识别的方法、指纹识别装置和电子设备,能够根据指纹图像的梯度特性,识别指纹传感器采集的指纹是否来自真实手指,节约了成本,同时提升了指纹识别的安全性。
第一方面,提供了一种指纹识别的方法,包括:获取目标按压指纹传感器的指纹图像;对所述指纹图像进行处理,得到所述指纹图像的梯度信息;根据所述指纹图像的梯度信息,确定所述目标是否为真实手指。
因此,根据本申请实施例的指纹识别的方法,可以根据真假手指的指纹图像本身的梯度特性的差异,识别指纹传感器采集的指纹图像是来自真实手指还是假手指,不必增加额外的传感器,节约了成本,同时提升了指纹识别的安全性。
在一种可能的实现方式中,所述对所述指纹图像进行处理,得到所述指纹图像的梯度信息,包括:
通过卷积神经网络对所述指纹图像进行处理,得到所述指纹图像的梯度信息。
在一种可能的实现方式中,所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层和第二池化层,其中,所述第一卷积层、所述第一池化层、所述第二卷积层和所述第二池化层的参数是所述卷积神经网络通过对输入至所述卷积神经网络中的多个真实手指的指纹图像和多个假手指的指纹图像进行训练得到的。
在一种可能的实现方式中,所述第一卷积层采用多个第一卷积核,所述第二卷积层采用多个第二卷积核,其中,所述多个第一卷积核采用的参数不同,所述多个第二卷积核采用的参数相同。
应理解,通过多个不同的第一卷积核对指纹图像进行处理,有利于提取指纹图像的梯度信息。
在一种可能的实现方式中,所述通过卷积神经网络对所述指纹图像进行处理,得到所述指纹图像的梯度信息,包括:
通过所述多个第一卷积核分别对所述指纹图像进行卷积处理,得到多个第一特征图像;
通过第一池化层对所述多个第一特征图像进行池化处理,得到多个第一采样图像,其中,所述第一池化层包括最大池化层和平均池化层;
通过所述多个第二卷积核对所述多个第一采样图像进行卷积处理,得到多个第二特征图像;
通过第二池化层对所述多个第二特征图像进行池化处理,得到多个第二采样图像,其中,所述第二池化层包括最大池化层;
根据所述多个第二采样图像,确定所述指纹图像的梯度信息。
在一种可能的实现方式中,所述根据所述指纹图像的梯度信息,确定所述目标是否为真实手指,包括:
若所述指纹图像的梯度信息与真实手指的指纹图像的梯度信息匹配,确定所述目标为真实手指;或
若所述指纹图像的梯度信息与真实手指的梯度信息不匹配,确定所述目标为假手指。
在一种可能的实现方式中,所述方法还包括:
若所述指纹图像的边缘像素点和中心像素点之间的梯度与所述真实手指的指纹图像的边缘像素点和中心像素点之间的梯度的差值小于特定阈值,确定所述指纹图像的梯度信息与所述真实手指的指纹图像的梯度信息匹配。
在一种可能的实现方式中,所述真实手指的指纹图像的梯度信息是卷积神经网络通过对多个真实手指的指纹图像进行训练得到的。
第二方面,提供了一种指纹识别装置,所述指纹识别装置包括用于执行上述第一方面或第一方面的任一可能的实现方式中的方法的功能模块。
第三方面,提供了一种芯片,该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线,该至少一个存储器用于存储指令,该至少一个处理器用于调用该至少一个存储器中的指令,以执行第一方面或第一方面的任一可能的实现方式中的方法。
第四方面,提供了一种计算机可读介质,用于存储计算机程序,所述计算机程序包括用于执行上述第一方面或第一方面的任一可能的实现方式中的指令。
第五方面,提供了一种包括指令的计算机程序产品,当计算机运行所述计算机程序产品的所述指时,所述计算机执行上述第一方面或第一方面的任一可能的实现方式中的测试软件的方法。
第六方面,提供了一种电子设备,包括:第二方面或第二方面的任意可能的实现方式中的指纹识别装置。
附图说明
图1示出了无按压操作和按压指纹传感器情况下的手指的侧视图。
图2示出了根据本申请实施例的指纹识别的方法的示意性流程图。
图3示出了卷积神经网络中的卷积运算过程。
图4示出了本申请实施例的卷积神经网络的结构图。
图5示出了本申请一实施例的指纹识别装置的示意性框图。
图6示出了本申请另一实施例的指纹识别装置的示意性框图。
图7示出了本申请实施例的电子设备的示意性框图。
具体实施方式
下面将结合附图,对本申请实施例中的技术方案进行描述。
通常来说,人体手指按压指纹传感器时,手指会发生形变,图1中左图为无任何按压操作情况下手指的侧视图,其中,11为手指带指纹信息的表面,右图为按压指纹传感器时手指的侧视图,其中,12为手指与指纹传感器的接触面,13和14为手指的边缘部分,手指的边缘部分的指纹信息通常不能完全被指纹传感器采集到,因此,这部分的指纹图像通常是渐变模糊的。
不同的目标,例如,人体手指(或称真实手指)或假手指(通常为硅胶材料),按压指纹传感器时,由于材料的不同,折射率和产生的形变存在差异,也就是说,假手指和真实手指按压指纹传感器时,所产生的形变和折射率具有差异,具体表现为:指纹传感器采集到的指纹图像具有不同的梯度特性,例如,真实手指的指纹图像的梯度通常较大,假手指的指纹图像通常没有梯度或仅具有很小的梯度。
基于此,本申请实施例提供了一种指纹识别的方法,能够在不增加额外传感器的情况下,根据指纹图像的梯度信息,确定按压指纹传感器的手指是否为真实手指。
图2是根据本申请实施例的指纹识别的方法100的示意性流程图,如图2所示,该方法100包括:
S110,获取目标按压指纹传感器的指纹图像;
S120,对所述指纹图像进行处理,得到所述指纹图像的梯度信息;
S130,根据所述指纹图像的梯度信息,确定所述目标是否为真实手指。
应理解,本申请实施例所述的指纹识别的方法100可以由指纹传感器来执行,具体的,可以由该指纹传感器中的处理模块来执行,或者也可以由该指纹传感器所安装的电子设备中的处理器来执行,这样,该处理器只需首先从该指纹传感器获取指纹图像,然后再执行后续的处理操作即可,为便于描述,以下以指纹识别装置为执行主体来描述本申请实施例。
具体来说,在目标按压指纹传感器时,该指纹传感器可以采集该目标的指纹图像,该目标可以为真实的人体手指,或者也可以为伪造的人体手指,即假手指。指纹识别装置可以获取该指纹传感器采集的该目标的指纹图像,进一步可以对该指纹图像进行处理,获取该指纹图像的梯度信息,然后可以基于真假手指的指纹图像的梯度特性的差异,确定该目标是否为真实手指。
可选地,该指纹识别装置可以在该指纹图像的梯度信息符合真实手指的指纹图像的梯度特性,例如,该指纹图像具有明显的梯度,或者该指纹图像的边缘像素点和中心像素点的像素差值较大时,确定该指纹图像为真实手指的指纹图像,即该目标为真实手指,否则,可以确定该指纹图像为假手指的指纹图像,即该目标为假手指。
进一步地,在该目标为真实手指,并且该目标的指纹图像与授权用户的指纹图像匹配时,该指纹识别装置可以授权该目标所属的用户访问该指纹传感器所安装的电子设备,否则,拒绝该用户访问该电子设备,从而能够提升指纹识别的安全性。
因此,根据本申请实施例的指纹识别的方法,可以根据真假手指的指纹图像本身的梯度特性的差异,识别指纹传感器采集的指纹图像是来自真实手指还是假手指,不必增加额外的传感器,节约了成本,同时提升了指纹识别的安全性。
可选地,在一些实施例中,若该指纹识别装置为该指纹传感器以外的其他装置,例如,该指纹传感器所安装的电子设备中的处理器,则该指纹传感器采集到该指纹图像后,可以通过该指纹识别装置和该指纹传感器之间的通信接口将该指纹图像发送给该指纹识别装置,以便于该指纹识别装置对该指纹图像进行后续的处理;或者,若该指纹识别装置为该指纹传感器,此情况下,该指纹识别装置本身即可获知该指纹图像,因此,不需要从其他装置处获知该指纹图像。
需要说明的是,在本申请实施例中,图像数据或图像信息可以指图像中的每个像素点上的像素值,通过顺序地抽取每一个像素点的像素值可以用一个离散的数据阵列来代表一幅连续的图像,因此,指纹图像可以理解为是像素值构成的矩阵,该矩阵可以是二维矩阵,或者也可以是一维矩阵等,本申请对此不做限定。
可以理解的是,指纹图像的梯度信息反映的是指纹图像的像素值之间的差异,或者指纹图像的梯度信息可以理解为指纹图像的像素值的导数,因此,在一种实现方式中,可以通过对指纹图像中的像素值求导,以确定该指纹图像的梯度信息,或者也可以采用其他方式确定指纹图像的梯度信息,本申请实施例对此不作具体限定,只要能确定该指纹图像的梯度信息即可。
还应理解,本申请实施例中,梯度信息可以为反映该指纹图像的梯度的矩阵,该矩阵可以是二维矩阵,或者一维矩阵等,本申请实施例对此不作限定。
可选地,作为一个实施例,S120可以包括:
通过卷积神经网络对所述指纹图像进行处理,得到所述指纹图像的梯度信息。
在卷积神经网络中,卷积运算占运算的主要部分,卷积运算,实际上是加权求和的过程,为了便于理解,首先结合图3对卷积计算的过程进行简要介绍。
如图3所示,进行卷积运算所采用的卷积核为由多个参数构成的矩阵,卷积运算的具体过程为:将卷积核矩阵G与输入矩阵R的当前处理窗口中的数据块进行点积运算,得到输出矩阵O中的一个计算结果;然后处理窗口以特定的移动步进移动,卷积核矩阵G再与移动后的处理窗口中的数据块进行点积运算,直到处理窗口遍历输入矩阵中的所有数据,最终得到输出矩阵O。其中,移动步进为每一次卷积运算的输入数据相对于前一次卷积运算的输入数据中更新的向量数,假如第一次进行卷积运算的输入数据为[R1,R2;R4,R5;R7,R8],移动步进为1,则第二次进行卷积运算的输入数据可以为[R2,R3;R5,R6;R8,R9]。
因此,可以根据想要提取的图像的特征信息,例如,梯度信息,设置卷积核的参数(例如,卷积核的尺寸和权重),然后通过该卷积核对该指纹图像进行卷积处理,从而可以提取该指纹图像中的相应部分的特征信息。
在具体实现中,可以基于真假手指的指纹图像的梯度特性的差异,通过卷积神经网络对大量的真实手指和假手指的指纹图像进行训练,以确定能够很好提取图像的梯度信息的一组参数(包括卷积核矩阵),然后该卷积神经网络可以使用这一组参数提取其他待识别的指纹图像的梯度信息,从而可以根据该梯度信息,确定该指纹图像是来自真实手指还是来自假手指。
以下,结合图4,详细说明本申请实施例的卷积神经网络的具体的实现过程。
首先,构建卷积神经网络结构,可选地,可以采用图4所示的二层卷积神经网络200,或者也可以采用三层网络结构或更多层网络结构,每层卷积网络结构的构成也可以根据图像的梯度信息的提取性能进行调整,本申请实施例对此不作限定。
在本申请实施例中,该卷积神经网络200可以包括输入层20、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24和输出层25。
其中,该第一卷积层21采用多个第一卷积核(包括卷积核C11~C1n)对经输入层20输入的指纹图像进行卷积处理,n为大于1的整数,该第二卷积层23采用多个第二卷积核(包括卷积核C21~C2m)对从第一池化层22输出的多个图像进行处理,m为大于1的整数。
可选地,该n和m可以相等也可以不等,本申请实施例对此不作限定。
在本申请实施例中,可以设置该第一卷积层21所采用的多个第一卷积核不同,即C11~C1n可以采用不同的参数,例如,卷积核矩阵的大小或权值可以不同,即该多个第一卷积核的参数不共享,通过不同的卷积核对该指纹图像进行卷积处理,能够识别该指纹图像的不同位置的特征,有利于提取该指纹图像的梯度信息。
可选地,该第二卷积层23所采用的多个第二卷积核可以相同,即C21~C2m可以采用相同的参数,也就是说,该多个第二卷积核的参数可以共享,在一定程度上,可以降低运算量。
应理解,第一池化层22和第二池化层24主要对图像进行池化处理,池化处理的过程实际上就是采样的过程,通过对图像进行采样,能够降低数据处理的复杂度,同时能够增强想要提取的信息,弱化不想提取的信息。
可选地,该第一池化层22可以包括平均池化层AP11~AP1n和最大池化层MP11~MP1n,用于对从第一卷积层21输出的图像进行平均池化和最大池化处理,以提取图像的多个维度的信息,例如,本底信息和边缘信息,该第二池化层22可以包括最大池化成MP21~MP2m,用于对从第二卷积层23输出的图像进行最大池化处理,以提取图像的边缘信息。
指纹图像经第一卷积层21至第二池化层24的处理后,从输出层25(包括O1~Ok)输出多组数据,其中,k为大于1的整数。可选地,每组数据可以为一个一维矩阵,该多组数据构成能够反映指纹图像的梯度信息的梯度矩阵,进一步可以将该梯度矩阵与参考梯度矩阵比较,若该梯度矩阵和反映真实手指的指纹图像的梯度的参考梯度矩阵匹配,确定该指纹图像来自真实手指,否则,确定该指纹图像来自假手指。
可以理解的是,该参考梯度矩阵可以是卷积神经网络通过对大量的真实手指的指纹图像进行学习训练得到的。
其次,设置该卷积神经网络的初始训练参数和收敛条件。
可选地,在本申请实施例中,该初始训练参数可以是随机生成的,或根据经验值获取的,或者也可以是根据大量的真假指纹数据预训练好的卷积神经网络模型的参数,本申请实施例对此不作限定。
可选地,在本申请实施例中,该收敛条件可以包括以下中的至少一项:
1、将真实手指的指纹图像判定为真实手指的指纹图像的概率大于第一概率,例如,98%;
2、将假手指的指纹图像判断为假手指的指纹图像的概率大于第二概率,例如95%;
3、将真实手指的指纹图像判定为假手指的指纹图像的概率小于第三概率,例如,2%;
4、将假手指的指纹图像判断为真实手指的指纹图像的概率小于第四概率,例如3%。
然后,向该卷积神经网络输入大量的真实手指和假手指的指纹图像,该卷积神经网络可以基于初始训练参数对上述指纹图像进行处理,确定每个指纹图像的梯度信息,然后根据每个指纹图像的梯度信息,确定对每个指纹图像的判定结果,进一步地,根据该判定结果,调整卷积神经网络的各层的训练参数,直至判定结果满足收敛条件。
至此,该卷积神经网络训练成功,之后该卷积神经网络可以使用训练好的参数对其他指纹图像进行处理,以确定该指纹图像是否来自真实手指。
具体地,将待识别的第一指纹图像输入训练好的该卷积神经网络的输入层20,经该第一卷积层21中的多个卷积核C11~C1n对该指纹图像进行卷积处理后,得到多个第一特征图像;
进一步地,将该多个第一特征图像输入到第一池化层22进行池化处理,得到多个第一采样图像。
其后,可以将该多个第一采样图像输入到第二卷积层23,得到多个第二特征图像,进一步地,可以将该多个第二特征图像输入到第二池化层24进行池化处理,得到多个第二采样图像。
最后,将该多个第二采样图像输出至输出层25,经该输出层25对该多个第二采样图像进行处理(例如,加权求和)后,从该输出层25中的输出层O1~Ok输出的数据即为能够反映该第一指纹图像的梯度的数据,记为第一梯度矩阵,进一步地,可以将第一梯度矩阵与反映真实手指的指纹图像的梯度的参考梯度矩阵做比较,若二者匹配,即该第一指纹图像符合真实手指的指纹图像,此情况下,可以确定该第一指纹图像为真实手指的指纹图像,否则,确定该第一指纹图像为假手指的指纹图像。
在一种可能的实现方式中,若两个梯度矩阵中的对应像素点之间的梯度差异在允许的范围内,例如,若该第一梯度矩阵中的边缘像素点和中心像素点之间的像素差为第一梯度,该参考梯度矩阵中的边缘像素点和中心像素点之间的像素差为第二梯度,若该第一梯度和该第二梯度的差值为小于特定阈值,可以确定两个梯度矩阵匹配。
上文结合图1至图4,详细描述了本申请的方法实施例,下文结合图5和图7,详细描述本申请的装置实施例,应理解,装置实施例与方法实施例相互对应,类似的描述可以参照方法实施例。
图5是根据本申请实施例的指纹识别装置500的示意性框图,如图5所示,该指纹识别装置500包括:
获取模块510,用于目标按压指纹传感器的指纹图像;
处理模块520,用于对所述指纹图像进行处理,得到所述指纹图像的梯度信息;
确定模块530,用于根据所述指纹图像的梯度信息,确定所述目标是否为真实手指。
可选地,在一些实施例中,所述处理模块520还用于:
通过卷积神经网络对所述指纹图像进行处理,得到所述指纹图像的梯度信息。
可选地,在一些实施例中,所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层和第二池化层,其中,所述第一卷积层、所述第一池化层、所述第二卷积层和所述第二池化层的参数是所述卷积神经网络通过对输入至所述卷积神经网络中的多个真实手指的指纹图像和多个假手指的指纹图像进行训练得到的。
可选地,在一些实施例中,所述第一卷积层采用多个第一卷积核,所述第二卷积层采用多个第二卷积核,其中,所述多个第一卷积核采用的参数不同,所述多个第二卷积核采用的参数相同。
可选地,在一些实施例中,所述处理模块520具体用于:
通过所述多个第一卷积核分别对所述指纹图像进行卷积处理,得到多个第一特征图像;
通过第一池化层对所述多个第一特征图像进行池化处理,得到多个第一采样图像,其中,所述第一池化层包括最大池化层和平均池化层;
通过所述多个第二卷积核对所述多个第一采样图像进行卷积处理,得到多个第二特征图像;
通过第二池化层对所述多个第二特征图像进行池化处理,得到多个第二采样图像,其中,所述第二池化层包括最大池化层;
根据所述多个第二采样图像,确定所述指纹图像的梯度信息。
可选地,在一些实施例中,所述确定模块530具体用于:
若所述指纹图像的梯度信息与真实手指的指纹图像的梯度信息匹配,确定所述目标为真实手指;或
若所述指纹图像的梯度信息与真实手指的梯度信息不匹配,确定所述目标为假手指。
可选地,在一些实施例中,所述确定模块530还用于:
若所述指纹图像的边缘像素点和中心像素点之间的梯度与所述真实手指的指纹图像的边缘像素点和中心像素点之间的梯度的差值小于特定阈值,确定所述指纹图像的梯度信息与所述真实手指的指纹图像的梯度信息匹配。
可选地,在一些实施例中,所述真实手指的指纹图像的梯度信息是卷积神经网络通过对多个真实手指的指纹图像进行训练得到的。
如图6所示,本申请实施例还提供了一种指纹识别装置600,该指纹识别装置600可以对应于图5所示的指纹识别装置500,其能够用于执行图2所述的方法100的具体内容。具体地,该指纹识别装置600包括:处理器610。
应理解,本申请实施例的处理器610可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本申请实施例的指纹识别装置600还可以包括存储器,用于存储输入的指纹数据,以及处理后的指纹数据,可选地,该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。应注意,本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
如图7所示,本申请实施例还提供了一种电子设备700,所述电子设备700可以包括:指纹识别装置710,该指纹识别装置可以对应于图5和图6中的指纹识别装置,为了简洁,这里不再赘述。
可选地,该电子设备700可以为智能手机、笔记本电脑、平板电脑、游戏设备等便携式或移动计算设备,以及电子数据库、汽车、银行自动柜员机(Automated Teller Machine,ATM)等其他电子设备,但本申请实施例对此并不限定。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图2所示实施例的方法。
本申请实施例还提出了一种计算机程序,该计算机程序包括指令,当该计算机程序被计算机执行时,使得计算机可以执行图2所示实施例的方法。
本申请实施例还提供了一种芯片,该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线,该至少一个存储器用于存储指令,该至少一个处理器用于调用该至少一个存储器中的指令,以执行图2所示实施例的方法。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应所述理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种指纹识别的方法,其特征在于,包括:
获取目标按压指纹传感器的指纹图像;
通过卷积神经网络,对所述指纹图像进行处理,得到所述指纹图像的梯度信息,所述梯度信息为所述指纹图像的边缘像素点和中心像素点之间的梯度;
根据所述指纹图像的梯度信息,确定所述目标是否为真实手指;
其中,若所述指纹图像的梯度信息与真实手指的指纹图像的梯度信息匹配,确定所述目标为真实手指,或者,若所述指纹图像的梯度信息与真实手指的梯度信息不匹配,确定所述目标为假手指,真实手指的指纹图像的边缘像素点和中心像素点之间的梯度,大于假手指的指纹图像的边缘像素点和中心像素点之间的梯度,
所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层和第二池化层,其中,所述第一卷积层、所述第一池化层、所述第二卷积层和所述第二池化层的参数是所述卷积神经网络通过对输入至所述卷积神经网络中的多个真实手指的指纹图像和多个假手指的指纹图像进行训练得到的,
所述第一卷积层采用多个第一卷积核,所述第二卷积层采用多个第二卷积核,其中,所述多个第一卷积核采用的参数不同,所述多个第二卷积核采用的参数相同。
2.根据权利要求1所述的方法,其特征在于,所述通过卷积神经网络对所述指纹图像进行处理,得到所述指纹图像的梯度信息,包括:
通过所述多个第一卷积核分别对所述指纹图像进行卷积处理,得到多个第一特征图像;
通过第一池化层对所述多个第一特征图像进行池化处理,得到多个第一采样图像,其中,所述第一池化层包括最大池化层和平均池化层;
通过所述多个第二卷积核对所述多个第一采样图像进行卷积处理,得到多个第二特征图像;
通过第二池化层对所述多个第二特征图像进行池化处理,得到多个第二采样图像,其中,所述第二池化层包括最大池化层;
根据所述多个第二采样图像,确定所述指纹图像的梯度信息。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
若所述指纹图像的边缘像素点和中心像素点之间的梯度与所述真实手指的指纹图像的边缘像素点和中心像素点之间的梯度的差值小于特定阈值,确定所述指纹图像的梯度信息与所述真实手指的指纹图像的梯度信息匹配。
4.根据权利要求1或2所述的方法,其特征在于,所述真实手指的指纹图像的梯度信息是卷积神经网络通过对多个真实手指的指纹图像进行训练得到的。
5.一种指纹识别装置,其特征在于,包括:
获取模块,用于目标按压指纹传感器的指纹图像;
处理模块,用于通过卷积神经网络,对所述指纹图像进行处理,得到所述指纹图像的梯度信息,所述梯度信息为所述指纹图像的边缘像素点和中心像素点之间的梯度;
确定模块,用于根据所述指纹图像的梯度信息,确定所述目标是否为真实手指;
其中,若所述指纹图像的梯度信息与真实手指的指纹图像的梯度信息匹配,所述确定模块确定所述目标为真实手指,或者,若所述指纹图像的梯度信息与真实手指的梯度信息不匹配,所述确定模块确定所述目标为假手指;
真实手指的指纹图像的边缘像素点和中心像素点之间的梯度,大于假手指的指纹图像的边缘像素点和中心像素点之间的梯度,
所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层和第二池化层,其中,所述第一卷积层、所述第一池化层、所述第二卷积层和所述第二池化层的参数是所述卷积神经网络通过对输入至所述卷积神经网络中的多个真实手指的指纹图像和多个假手指的指纹图像进行训练得到的,
所述第一卷积层采用多个第一卷积核,所述第二卷积层采用多个第二卷积核,其中,所述多个第一卷积核采用的参数不同,所述多个第二卷积核采用的参数相同。
6.根据权利要求5所述的指纹识别装置,其特征在于,所述处理模块具体用于:
通过所述多个第一卷积核分别对所述指纹图像进行卷积处理,得到多个第一特征图像;
通过第一池化层对所述多个第一特征图像进行池化处理,得到多个第一采样图像,其中,所述第一池化层包括最大池化层和平均池化层;
通过所述多个第二卷积核对所述多个第一采样图像进行卷积处理,得到多个第二特征图像;
通过第二池化层对所述多个第二特征图像进行池化处理,得到多个第二采样图像,其中,所述第二池化层包括最大池化层;
根据所述多个第二采样图像,确定所述指纹图像的梯度信息。
7.根据权利要求5或6所述的指纹识别装置,其特征在于,所述确定模块还用于:
若所述指纹图像的边缘像素点和中心像素点之间的梯度与所述真实手指的指纹图像的边缘像素点和中心像素点之间的梯度的差值小于特定阈值,确定所述指纹图像的梯度信息与所述真实手指的指纹图像的梯度信息匹配。
8.根据权利要求5或6所述的指纹识别装置,其特征在于,所述真实手指的指纹图像的梯度信息是卷积神经网络通过对多个真实手指的指纹图像进行训练得到的。
9.一种电子设备,其特征在于,包括:
如权利要求5至8中任一项所述的指纹识别装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/096437 WO2020014959A1 (zh) | 2018-07-20 | 2018-07-20 | 指纹识别的方法、指纹识别装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109074489A CN109074489A (zh) | 2018-12-21 |
CN109074489B true CN109074489B (zh) | 2022-04-26 |
Family
ID=64789443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880001044.2A Active CN109074489B (zh) | 2018-07-20 | 2018-07-20 | 指纹识别的方法、指纹识别装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109074489B (zh) |
WO (1) | WO2020014959A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215194A (zh) * | 2020-10-23 | 2021-01-12 | 敦泰电子(深圳)有限公司 | 光学指纹识别模组及其识别方法和显示装置 |
CN112560677A (zh) * | 2020-12-15 | 2021-03-26 | 深兰人工智能(深圳)有限公司 | 指纹识别方法及装置 |
CN113127836A (zh) | 2020-12-28 | 2021-07-16 | 神盾股份有限公司 | 用于指纹认证的方法、设备和非瞬态计算机可读存储介质 |
CN114639127A (zh) * | 2022-03-30 | 2022-06-17 | 中国农业银行股份有限公司 | 指纹识别方法及装置、存储介质及电子设备 |
CN114885294B (zh) * | 2022-05-31 | 2024-04-26 | 武汉工程大学 | 抵御恶意AP攻击的Wi-Fi室内定位方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740910A (zh) * | 2016-02-02 | 2016-07-06 | 北京格灵深瞳信息技术有限公司 | 一种车辆物件检测方法及装置 |
CN107563364A (zh) * | 2017-10-23 | 2018-01-09 | 清华大学深圳研究生院 | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3017230B1 (fr) * | 2014-02-04 | 2016-03-11 | Morpho | Procede de validation de l'utilisation d'un vrai doigt comme support d'une empreinte digitale |
CN103996056B (zh) * | 2014-04-08 | 2017-05-24 | 浙江工业大学 | 一种基于深度学习的纹身图像分类方法 |
CN105701513B (zh) * | 2016-01-14 | 2019-06-07 | 深圳市未来媒体技术研究院 | 快速提取掌纹感兴趣区域的方法 |
CN106056095A (zh) * | 2016-06-13 | 2016-10-26 | 北京小米移动软件有限公司 | 指纹处理的方法和装置 |
US10068124B2 (en) * | 2016-11-10 | 2018-09-04 | Synaptics Incorporated | Systems and methods for spoof detection based on gradient distribution |
-
2018
- 2018-07-20 WO PCT/CN2018/096437 patent/WO2020014959A1/zh active Application Filing
- 2018-07-20 CN CN201880001044.2A patent/CN109074489B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740910A (zh) * | 2016-02-02 | 2016-07-06 | 北京格灵深瞳信息技术有限公司 | 一种车辆物件检测方法及装置 |
CN107563364A (zh) * | 2017-10-23 | 2018-01-09 | 清华大学深圳研究生院 | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109074489A (zh) | 2018-12-21 |
WO2020014959A1 (zh) | 2020-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074489B (zh) | 指纹识别的方法、指纹识别装置和电子设备 | |
CN110532851B (zh) | 指静脉识别方法、装置、计算机设备和存储介质 | |
JP2015513754A (ja) | 顔認識方法及びデバイス | |
Nedjah et al. | Efficient fingerprint matching on smart cards for high security and privacy in smart systems | |
CN109934180A (zh) | 指纹识别方法及相关装置 | |
CN110472498B (zh) | 基于手部特征的身份认证方法、***、存储介质及设备 | |
Stokkenes et al. | Multi-biometric template protection—A security analysis of binarized statistical features for bloom filters on smartphones | |
CN112766197B (zh) | 基于隐私保护的人脸识别方法及装置 | |
CN106529255A (zh) | 基于笔迹指纹的用户身份识别方法和装置 | |
CN112966643A (zh) | 基于自适应加权的人脸和虹膜融合识别方法及装置 | |
CN109543635A (zh) | 活体检测方法、装置、***、解锁方法、终端及存储介质 | |
CN108875549A (zh) | 图像识别方法、装置、***及计算机存储介质 | |
JP6311237B2 (ja) | 照合装置及び照合方法、照合システム、並びにコンピュータ・プログラム | |
CN108875514B (zh) | 人脸认证方法和***、以及认证设备和非易失性存储介质 | |
WO2018121552A1 (zh) | 基于掌纹数据的业务处理方法、装置、程序及介质 | |
CN111476741A (zh) | 图像的去噪方法、装置、电子设备和计算机可读介质 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 | |
CN115344839A (zh) | 一种基于用户击键动力学的身份认证方法及装置 | |
CN113743371A (zh) | 一种指纹识别方法及指纹识别装置 | |
CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
Poulos et al. | Fingerprint verification based on image processing segmentation using an onion algorithm of computational geometry | |
CN111507201B (zh) | 人眼图像处理方法、人眼识别方法、装置及存储介质 | |
Uddin et al. | Artificial neural network inducement for enhancement of cloud computing security | |
CN115690920B (zh) | 医疗身份认证的可信活体检测方法及相关设备 | |
RU2791846C2 (ru) | Способ и устройство для принятия решения о выполнении операции на основе групп выражений лица и электронное устройство |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |