CN112287772B - 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 - Google Patents
指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112287772B CN112287772B CN202011080076.1A CN202011080076A CN112287772B CN 112287772 B CN112287772 B CN 112287772B CN 202011080076 A CN202011080076 A CN 202011080076A CN 112287772 B CN112287772 B CN 112287772B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- characteristic
- original
- training
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种指纹痕迹检测方法,其包括以下步骤:获取原始训练图像或待测图像;对原始训练图像或待测图像进行限制对比度适应直方图均衡化处理;缩小经过处理后的原始训练图像或待测图像的宽度和高度小,且扩大经过处理后的原始训练图像或待测图像的通道数,以获得特征训练图像或特征图像;分别对各特征训练图像进行图像预处理,并获得待训练图像集;通过预设的卷积神经网络对待训练图像集进行训练,获得特征卷积神经网络;根据特征图像,依据特征卷积神经网络,计算分析获得特征图像的特征指纹信息。与相关技术相比,本发明对指纹痕迹的检测清晰度高、检测速度快且能够实时检测。
Description
【技术领域】
本发明涉及目标检测领域,尤其涉及一种指纹痕迹检测方法、指纹检测装置及计算机可读存储介质。
【背景技术】
近几年来,随着深度学习技术的发展,目标检测算法取得了很大的突破,其中,检测算法逐渐被应用到刑侦设备方面,主要是应用在指纹痕迹检测装置上。
相关技术中,指纹痕迹检测方法是一种经过对指纹痕迹图像进行深度学习后,用于检测待测图像上的指纹痕迹的方法,该方法所采用的目标检测算法主要包括以下两大类:
一类是Two stage的方法,具体的,该方法主要是分为两个步骤,第一步在待测图像上生成候选框,第二步是对候选框内的物体进行识别,譬如R-CNN(Region-CNN,即基于区域推荐的卷积网络方法)算法、Fast R-CNN(Fast-Region-CNN,即快速的基于区域推荐的卷积网络方法)、Faster R-CNN(Faster-Region-CNN,更快速的基于区域推荐的卷积网络方法)等。
另一类是One stage的方法,把整个流程统一在一起,直接给出检测结果,主要包含SSD、YOLO等。
上述两类方法中,由于计算量大,在实际应用中,往往需先缩小待测图像的图像尺寸,后再进行指纹痕迹检测计算。
然而,相关技术中,对于指纹痕迹而言,若待测图像尺寸缩小过多,指纹痕迹将会糊成一块,无法分辨,导致指纹痕迹检测清晰度低;若尺寸缩小不足,运算速度大大下降,导致检测速度慢且不足以满足实时检测的需求。
因此,实有必要提供一种新的指纹痕迹检测方法、指纹检测装置及计算机可读存储介质解决上述技术问题。
【发明内容】
本发明的目的在于提供一种指纹痕迹检测方法、指纹检测装置及计算机可读存储介质,解决了指纹痕迹检测清晰度低、检测速度慢且不足以满足实时检测的需求的问题。
为达到上述目的,本发明提供一种指纹痕迹检测方法,该方法包括以下步骤:
步骤S1,实时获取待测图像;
步骤S2,对所述待测图像进行限制对比度适应直方图均衡化处理;
步骤S3,对所述待测图像的宽度和高度进行缩小,且对所述待测图像的通道数进行扩大,以获得特征图像;
步骤S4,根据所述特征图像,依据特征卷积神经网络,计算分析获得所述特征图像的特征指纹信息;其中,所述特征指纹信息包括所述特征图像上的指纹痕迹的位置以及置信度中的至少一种,所述特征卷积神经网络的获取方法包括如下步骤:
步骤S1a,获取多个原始训练图像;
步骤S2a,对多个所述原始训练图像分别进行限制对比度适应直方图均衡化处理;
步骤S3a,对多个所述原始训练图像的宽度和高度进行缩小,且对多个所述原始训练图像的通道数进行扩大,以获得多个特征训练图像;其中,所述原始训练图像与所述特征训练图像一一对应设置;
步骤S4a,分别对各所述特征训练图像进行图像预处理,并获得待训练图像集;其中,所述图像预处理包括高斯模糊、旋转、对比度以及亮度等图像处理方式中的至少一种;所述待训练图像集包括多个待训练图像,一个所述特征训练图像经过图像预处理后生成至少两个所述待训练图像;
步骤S5a,通过预设的卷积神经网络对所述待训练图像集进行训练,获得所述特征卷积神经网络。
优选的,所述步骤S1a中,所述原始训练图像包括第一训练图像和/或第二训练图像,所述第一训练图像为在各种场景下所采集的指纹痕迹图像,所述第二训练图像为不具有指纹痕迹的随机图像。
优选的,在所述步骤3a中,包括将所述原始训练图像的宽度缩小为其原宽度的四分之一和将所述原始训练图像的高度缩小为其原高度的四分之一,以及将所述原始训练图像的通道数扩大为其原通道数的十六倍;在所述步骤3中,包括将所述待测图像的宽度缩小为其原宽度的四分之一和将所述待测图像的高度缩小为其原高度的四分之一,以及将所述待测图像的通道数扩大为其原通道数的十六倍。
优选的,通过紫外成像的方式获取所述原始训练图像和/或所述待测图像。
本发明提供一种指纹检测装置,其包括:
图像获取模块,用于获取多个原始训练图像和待测图像;
图像处理模块,用于对多个原始训练图像和所述待测图像分别进行限制对比度适应直方图均衡化处理;用于对多个所述原始训练图像或所述待测图像的宽度和高度进行缩小,且对多个所述原始训练图像或所述待测图像的通道数进行扩大,以获得多个特征训练图像或特征图像;用于对各所述特征训练图像进行图像预处理,并获得待训练图像集;
图像训练模块,用于通过预设的卷积神经网络对所述待训练图像集进行训练,获得特征卷积神经网络;以及,
图像分析模块,用于根据所述特征图像,依据所述特征卷积神经网络,计算分析获得所述特征图像的特征指纹信息;其中,所述特征指纹信息包括所述特征图像上的指纹痕迹的位置以及置信度中的至少一种。
优选的,所述图像处理模块,用于将所述原始训练图像的宽度缩小为其原宽度的四分之一、将所述原始训练图像的高度缩小为其原高度的四分之一、以及将所述原始训练图像的通道数扩大为其原通道数的十六倍;还用于将所述待测图像的宽度缩小为其原宽度的四分之一、将所述待测图像的高度缩小为其原高度的四分之一、以及将所述待测图像的通道数扩大为其原通道数的十六倍。
本发明提供一种指纹检测装置,其包括处理器以及存储器,所述存储器中存储有指纹痕迹检测方法的控制程序,其中,所述控制程序被所述处理器执行时实现本发明所述的指纹痕迹检测方法的步骤。
本发明提供一种计算机可读存储介质,其存储有计算机程序;所述计算机程序被处理器执行时实现本发明所述的指纹痕迹检测方法的步骤。
本发明提供一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明所述的指纹痕迹检测方法的步骤。
与相关技术相比,本发明的指纹痕迹检测方法,包括以下步骤:获取原始训练图像或待测图像;对原始训练图像或待测图像进行限制对比度适应直方图均衡化处理;缩小经过处理后的原始训练图像或待测图像的宽度和高度小,且扩大经过处理后的原始训练图像或待测图像的通道数,以获得特征训练图像或特征图像;分别对各特征训练图像进行图像预处理,并获得待训练图像集;通过预设的卷积神经网络对待训练图像集进行训练,获得特征卷积神经网络;根据特征图像,依据特征卷积神经网络,计算分析获得特征图像的特征指纹信息。上述方法中,通过预先构建特征卷积神经网络,并实时通过该特征卷积神经网络检测待测物体上的指纹痕迹,实现了对指纹痕迹的实时检测,而由于获得的图像经过限制对比度适应直方图均衡化处理,使得图像的指纹痕迹清晰明显,有效提高对图像的指纹痕迹检测的清晰度,另外,由于图像经过缩小处理,大大减少通过特征卷积神经网络识别图像的指纹痕迹的计算量,有效地提高了对图像的指纹痕迹检测速度,同时由于特征卷积神经网络对图像的指纹痕迹的识别能力强,使得对图像的指纹痕迹的识别率高(即检测率高)且检测准确率高。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1为本发明指纹痕迹检测方法的流程示意图;
图2为本发明指纹痕迹检测方法的另一流程示意图;
图3为本发明指纹检测装置的结构示意图;
图4为本发明图像在调整数据排列前后的示意图。
【具体实施方式】
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图3所示,本发明还提供一种指纹检测装置100,其包括图像获取模块1、图像处理模块2、图像训练模块3以及图像分析模块4。
图像获取模块1,用于获取图像;比如,在本实施方式中,该图像获取模块1为紫外成像仪,图像获取模块1通过紫外成像的方式获取物体的图像数据。
图像处理模块2,用于对图像进行限制对比度适应直方图均衡化处理(CLAHE,全称Contrast Limited Adaptive Histogram),使得处理后的图像中的指纹痕迹变得更加明显,避免了由于对焦不准或指纹痕迹微弱的问题,而导致后续的过程中无法识别指纹痕迹,有效地提高了后续过程中对指纹痕迹的检测率及检测的准确率;图像处理模块2,还用于调整图像数据排列方式,即对图像的宽度和高度进行缩小,且对图像的通道数进行扩大,以获得用于深度学习训练的特征训练图像或待检测指纹痕迹的特征图像,该设置在不损失图像上指纹痕迹的前提下,将图像训练模块3进行图像训练时的计算量或图像分析模块4进行图像识别分析时的计算量减少超过一个数量级,可以极大地提升图像训练模块3的图像训练速度或图像分析模块4进行图像识别分析速度,而且保证训练获得特征卷积神经网络对指纹痕迹的识别能力强(即检测率高)且检测率准确率高;图像处理模块2,用于对各特征训练图像进行图像预处理,并获得待训练图像集,其中,图像预处理包括高斯模糊、旋转、对比度以及亮度等图像处理方式中的至少一种,经过图像预处理后,待训练图像集包括多个待训练图像,一个特征训练图像经过图像预处理后生成至少两个待训练图像,相较于直接以特征训练图像为训练对象的方式,先将特征训练图像进行图像预处理,能够更有效地扩充待训练图像集的图像数量。
图像训练模块3,用于通过预设的卷积神经网络(Convolutional NeuralNetworks,简称CNN)对待训练图像集进行训练,获得特征卷积神经网络。由于图像经过了限制对比度适应直方图均衡化处理,使得待训练图像集中的图像数据对于指纹痕迹的显示更加清晰、更加明显,保证后续对将待训练图像集进行训练后获得的特征卷积神经网络对指纹痕迹的识别能力,有效提高特征卷积神经网络对指纹痕迹的检测准确率。
图像分析模块4,用于根据特征图像,依据特征卷积神经网络,计算分析获得特征图像的特征指纹信息;其中,特征指纹信息包括特征图像上的指纹痕迹的位置以及置信度中的至少一种。由于特征卷积神经网络对指纹痕迹的识别能力强,且特征图像能够清晰地显示指纹痕迹,使得图像分析模块4能够快速、准确地识别到特征图像上的指纹痕迹。
请同时参阅1-3所示,本发明提供一种应用于上述指纹检测装置100的指纹痕迹检测方法,下面结合指纹检测装置100的具体结构对该方法进行具体描述:
第一步,获取特征卷积神经网络,其包括以下子步骤:
步骤S1a,利用图像获取装置1通过紫外成像的方式获取原始训练图像。
具体的,步骤S1a中,原始训练图像包括第一训练图像和/或第二训练图像,第一训练图像为在各种场景下所采集的指纹痕迹图像,第二训练图像为不具有指纹痕迹的随机图像。
进一步的,为了保证检测的准确性,往往需要设置负样本输到卷积神经网络进行训练,提高经过训练后的卷积神经网络对图像中的指纹痕迹的识别能力,因此,在本实施方式中,优选的,原始训练图像包括第一训练图像和第二训练图像,在实际应用中,往往采用大量随机照片(第二训练图像)作为负样本加入待训练图像集中,以扩充待训练图像集的训练数据,有效地提高指纹检测装置100对不具有指纹痕迹的图像的识别能力,有效地降低了指纹痕迹识别的误判率。
步骤S2a,利用图像处理模块2对多个原始训练图像分别进行限制对比度适应直方图均衡化处理。
步骤S3a,利用图像处理模块2对多个原始训练图像的宽度和高度进行缩小,且对多个原始训练图像的通道数进行扩大,以获得多个特征训练图像;具体的,在步骤S3a中,原始训练图像与特征训练图像一一对应设置。
进一步的,在其他条件不变的情况下,深度学习卷积神经网络(CNN)的推理时间通常与输入图像的面积大小成正比,因此,在该步骤S3a中,通过对原始训练图像的整体尺寸进行缩小调整,减小了特征训练图像(作为输入图像)的面积,有效地提高预设的卷积神经网络对待训练图像集进行训练的速度;需要说明的是,具体缩小或扩大的倍数可以根据实际使用情况进行具体设置,而在本实施方式中,步骤S3a包括:
利用图像处理模块2将原始训练图像的宽度缩小为其原宽度的四分之一和将原始训练图像的高度缩小为其原高度的四分之一,以及将原始训练图像的通道数扩大为其原通道数的十六倍,该设置在保证特征训练图像能够清晰显示指纹痕迹的前提下,减少了后续的卷积神经网络的训练时所进行的计算量,从而提高其训练速度,而且避免了特征训练图像的指纹痕迹的丢失,使得卷积神经网络的训练时对指纹痕迹的识别率提高,即提高了卷积神经网络对特征训练图像中的指纹痕迹的识别能力。
步骤S4a,利用图像处理模块2分别对各特征训练图像进行图像预处理,并获得待训练图像集。
具体的,在步骤S4a中,图像预处理包括高斯模糊、旋转、对比度以及亮度等图像处理方式中的至少一种,待训练图像集包括多个待训练图像,一个特征训练图像经过图像预处理后生成至少两个待训练图像。
步骤S5a,利用图像训练模块3通过预设的卷积神经网络(CNN)对待训练图像集进行训练,获得特征卷积神经网络。
第二步,依据特征卷积神经网络实时检测图像中的指纹痕迹,其包括以下子步骤:
步骤S1,利用图像获取装置1实时获取待测图像,更具体的,图像获取装置1通过紫外成像的方式实时获取待测物体的图像信息作为待测图像。
步骤S2,利用图像处理模块2对待测图像进行限制对比度适应直方图均衡化处理。
步骤S3,利用图像处理模块2对经过处理的待测图像的宽度和高度进行缩小,且对经过处理的待测图像的通道数进行扩大,以获得特征图像。
具体的,步骤S3与步骤S3a是对应设置的,因此,在本实施方式中,步骤S3包括:
利用图像处理模块2将待测图像的宽度缩小为其原宽度的四分之一和将待测图像的高度缩小为其原高度的四分之一,以及将待测图像的通道数扩大为其原通道数的十六倍,该设置在保证特征图像能够清晰显示指纹痕迹的前提下,为提高特征卷积神经网络对特征图像的指纹痕迹的识别能力及识别速度提供了条件。
同时请参阅图4所示,(a)图为图像调整数据排列前的示意图,(b)图为图像调整数据排列后的示意图,并参阅下述公式:
Iinput(i,j,c);
Ioutput(i′,j′,c′)=Iinput(c′/4+i/4,c′%4+j/4,1);
i∈[1,h],j∈[1,w],c=1;i′∈[1,h/4],j′∈[1,w/4],c′∈[i,16];
式中,Iinput表示为调整数据排列前的图像,其中i表示图像纵向坐标,j表示图像横向坐标,c表示图像的通道;h表示Iinput图像的高度,w表示Iinput图像的宽度;Iinput通道数为1;
Ioutput表示调整数据排列后的图像,其中i’表示图像纵向坐标,j’表示图像横向坐标,c’表示图像的通道;Ioutput图像的宽高分别为Iinput图像宽高的四分之一;Ioutput通道数为16;
式中,“/”表示整除运算,“%”表示取余运算。
步骤S24,利用图像分析模块4根据特征图像,并依据特征卷积神经网络,计算分析获得特征图像的特征指纹信息;其中,特征指纹信息包括特征图像上的指纹痕迹的位置以及置信度中的至少一种。
本发明提供一种指纹检测装置,其包括处理器以及存储器,所述存储器中存储有指纹痕迹检测方法的控制程序,其中,所述控制程序被所述处理器执行时实现本发明所述的指纹痕迹检测方法的步骤。
本发明提供一种计算机可读存储介质,其存储有计算机程序;所述计算机程序被处理器执行时实现本发明所述的指纹痕迹检测方法的步骤。
与相关技术相比,本发明的指纹痕迹检测方法,包括以下步骤:获取原始训练图像或待测图像;对原始训练图像或待测图像进行限制对比度适应直方图均衡化处理;缩小经过处理后的原始训练图像或待测图像的宽度和高度小,且扩大经过处理后的原始训练图像或待测图像的通道数,以获得特征训练图像或特征图像;分别对各特征训练图像进行图像预处理,并获得待训练图像集;通过预设的卷积神经网络对待训练图像集进行训练,获得特征卷积神经网络;根据特征图像,依据特征卷积神经网络,计算分析获得特征图像的特征指纹信息。上述方法中,通过预先构建特征卷积神经网络,并实时通过该特征卷积神经网络检测待测物体上的指纹痕迹,实现了对指纹痕迹的实时检测,而由于获得的图像经过限制对比度适应直方图均衡化处理,使得图像的指纹痕迹清晰明显,有效提高对图像的指纹痕迹检测的清晰度,另外,由于图像经过缩小处理,大大减少通过特征卷积神经网络识别图像的指纹痕迹的计算量,有效地提高了对图像的指纹痕迹检测速度,同时由于特征卷积神经网络对图像的指纹痕迹的识别能力强,使得对图像的指纹痕迹的识别率高(即检测率高)且检测准确率高。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
Claims (4)
1.一种指纹痕迹检测方法,其特征在于,该方法包括以下步骤:
步骤S1,实时通过紫外成像的方式获取待测图像;
步骤S2,对所述待测图像进行限制对比度适应直方图均衡化处理;
步骤S3,对所述待测图像的宽度和高度进行缩小,且对所述待测图像的通道数进行扩大,以获得特征图像;
步骤S4,根据所述特征图像,依据特征卷积神经网络,计算分析获得所述特征图像的特征指纹信息;其中,所述特征指纹信息包括所述特征图像上的指纹痕迹的位置以及置信度中的至少一种,所述特征卷积神经网络的获取方法包括如下步骤:
步骤S1a,通过紫外成像的方式获取多个原始训练图像,所述原始训练图像包括第一训练图像和第二训练图像,所述第一训练图像为在各种场景下所采集的指纹痕迹图像,所述第二训练图像为不具有指纹痕迹的随机图像;
步骤S2a,对多个所述原始训练图像分别进行限制对比度适应直方图均衡化处理;
步骤S3a,对多个所述原始训练图像的宽度和高度进行缩小,且对多个所述原始训练图像的通道数进行扩大,以获得多个特征训练图像;其中,所述原始训练图像与所述特征训练图像一一对应设置;
步骤S4a,分别对各所述特征训练图像进行图像预处理,并获得待训练图像集;其中,所述图像预处理包括高斯模糊、旋转、对比度以及亮度等图像处理方式中的至少一种;所述待训练图像集包括多个待训练图像,一个所述特征训练图像经过图像预处理后生成至少两个所述待训练图像;
步骤S5a,通过预设的卷积神经网络对所述待训练图像集进行训练,获得所述特征卷积神经网络;
在所述步骤3a中,包括将所述原始训练图像的宽度缩小为其原宽度的四分之一和将所述原始训练图像的高度缩小为其原高度的四分之一,以及将所述原始训练图像的通道数扩大为其原通道数的十六倍;在所述步骤3中,包括将所述待测图像的宽度缩小为其原宽度的四分之一和将所述待测图像的高度缩小为其原高度的四分之一,以及将所述待测图像的通道数扩大为其原通道数的十六倍。
2.一种指纹检测装置,其特征在于,所述指纹检测装置包括:
图像获取模块,用于通过紫外成像的方式获取多个原始训练图像和待测图像;
图像处理模块,用于对多个原始训练图像和所述待测图像分别进行限制对比度适应直方图均衡化处理;用于对多个所述原始训练图像或所述待测图像的宽度和高度进行缩小,且对多个所述原始训练图像或所述待测图像的通道数进行扩大,以获得多个特征训练图像或特征图像;用于对各所述特征训练图像进行图像预处理,并获得待训练图像集;所述原始训练图像包括第一训练图像和第二训练图像,所述第一训练图像为在各种场景下所采集的指纹痕迹图像,所述第二训练图像为不具有指纹痕迹的随机图像;用于将所述原始训练图像的宽度缩小为其原宽度的四分之一、将所述原始训练图像的高度缩小为其原高度的四分之一、以及将所述原始训练图像的通道数扩大为其原通道数的十六倍;还用于将所述待测图像的宽度缩小为其原宽度的四分之一、将所述待测图像的高度缩小为其原高度的四分之一、以及将所述待测图像的通道数扩大为其原通道数的十六倍;
图像训练模块,用于通过预设的卷积神经网络对所述待训练图像集进行训练,获得特征卷积神经网络;以及,
图像分析模块,用于根据所述特征图像,依据所述特征卷积神经网络,计算分析获得所述特征图像的特征指纹信息;其中,所述特征指纹信息包括所述特征图像上的指纹痕迹的位置以及置信度中的至少一种。
3.一种指纹检测装置,其特征在于,所述指纹检测装置包括处理器以及存储器,所述存储器中存储有指纹痕迹检测方法的控制程序,其中,所述控制程序被所述处理器执行时实现如权利要求1所述的指纹痕迹检测方法的步骤。
4.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上权利要求1所述的指纹痕迹检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080076.1A CN112287772B (zh) | 2020-10-10 | 2020-10-10 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080076.1A CN112287772B (zh) | 2020-10-10 | 2020-10-10 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287772A CN112287772A (zh) | 2021-01-29 |
CN112287772B true CN112287772B (zh) | 2023-02-10 |
Family
ID=74421877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080076.1A Active CN112287772B (zh) | 2020-10-10 | 2020-10-10 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287772B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647758A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市盛世智能装备有限公司 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
CN108073933A (zh) * | 2016-11-08 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及装置 |
CN109978036A (zh) * | 2019-03-11 | 2019-07-05 | 华瑞新智科技(北京)有限公司 | 目标检测深度学习模型训练方法以及目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230257A (zh) * | 2017-11-15 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN109978754A (zh) * | 2017-12-28 | 2019-07-05 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN109002846B (zh) * | 2018-07-04 | 2022-09-27 | 腾讯医疗健康(深圳)有限公司 | 一种图像识别方法、装置和存储介质 |
CN110033417B (zh) * | 2019-04-12 | 2023-06-13 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110276726B (zh) * | 2019-05-13 | 2021-09-28 | 南昌大学 | 一种基于多通道网络先验信息引导的图像去模糊方法 |
CN111611907B (zh) * | 2020-05-18 | 2023-10-31 | 沈阳理工大学 | 一种图像增强的红外目标检测方法 |
-
2020
- 2020-10-10 CN CN202011080076.1A patent/CN112287772B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073933A (zh) * | 2016-11-08 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及装置 |
CN106647758A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市盛世智能装备有限公司 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
CN109978036A (zh) * | 2019-03-11 | 2019-07-05 | 华瑞新智科技(北京)有限公司 | 目标检测深度学习模型训练方法以及目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112287772A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
CN110348522B (zh) | 一种图像检测识别方法及***、电子设备、图像分类网络优化方法及*** | |
CN111401293B (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和*** | |
US20210390282A1 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
US11164327B2 (en) | Estimation of human orientation in images using depth information from a depth camera | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN113706481A (zh) | ***质量检测方法、装置、计算机设备和存储介质 | |
CN110599514B (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
CN112884721B (zh) | 一种异常检测方法、***及计算机可读存储介质 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及*** | |
CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
CN110348353B (zh) | 一种图像处理方法及装置 | |
CN112287772B (zh) | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN110728316A (zh) | 一种课堂行为检测方法、***、装置和存储介质 | |
CN113111850B (zh) | 基于感兴趣区域变换的人体关键点检测方法、装置与*** | |
CN108830166B (zh) | 一种公交车客流量实时统计方法 | |
CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
CN109726741B (zh) | 一种多目标物体的检测方法及装置 |
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 |