CN112733670B - 指纹特征提取方法、装置、电子设备及存储介质 - Google Patents
指纹特征提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112733670B CN112733670B CN202011629510.7A CN202011629510A CN112733670B CN 112733670 B CN112733670 B CN 112733670B CN 202011629510 A CN202011629510 A CN 202011629510A CN 112733670 B CN112733670 B CN 112733670B
- Authority
- CN
- China
- Prior art keywords
- minutiae
- feature extraction
- fingerprint
- module
- map
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 165
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 15
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/1353—Extracting features related to minutiae or pores
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种指纹特征提取方法、装置、电子设备及存储介质，其中方法包括：获取现场指纹图像；将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。本发明实施例提供的方法、装置、电子设备及存储介质，通过指纹特征提取模型进行细节点信息提取，能够简化特征提取流程，在保证正确率的同时加快模型训练速度和特征提取速度。
Description
技术领域
本发明涉及指纹识别技术领域，尤其涉及一种指纹特征提取方法、装置、电子设备及存储介质。
背景技术
由于每个人的指纹不同，因此指纹可用于身份鉴定，早在几个世纪之前，人们就开始使用指纹侦破刑事案件。随着计算机和信息技术的发展，世界各地已经广泛采用了指纹自动识别***，如何正确提取指纹的细节特征点和实现正确匹配，是指纹识别技术的关键。
目前常用的有将指纹领域先验知识和神经网络的强大表达能力相结合，提取现场指纹细节点的端到端的神经网络，如FingerNet，其将传统算法中各个部分分别转化为卷积网络，然后整合成一个统一的网络的现场指纹特征点提取框架，从现场指纹中学习复杂的背景变化，提取精确的现场指纹细节点。
然而上述方法存在框架比较大，训练比较慢，耗内存比较大，提取特征比较慢等问题，需现场使用的手持移动设备因运算速度、运算功耗以及所需时间等问题难以应用上述方法。
发明内容
本发明实施例提供一种指纹特征提取方法、装置、电子设备及存储介质，用以解决现有技术中的手持移动设备上指纹特征提取准确度低和速度慢的问题。
第一方面，本发明实施例提供一种指纹特征提取方法，包括：获取现场指纹图像；
将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；
其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；
所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
根据本发明实施例提供的指纹特征提取方法，所述细节点标签包括与所述样本指纹图像对应的各个细节点的位置和细节点的方向。
根据本发明实施例提供的指纹特征提取方法，所述细节点信息包括与所述现场指纹图像对应的各个细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图。
根据本发明实施例提供的指纹特征提取方法，所述指纹特征提取模型包括基础特征提取层和具体特征提取层；其中，所述基础特征提取层包括依次连接的3×3卷积层，深度分离卷积层、重复3次的卷积核大小为3×3移动倒置瓶颈卷积层，重复3次的卷积核大小为5×5移动倒置瓶颈卷积层。
根据本发明实施例提供的指纹特征提取方法，所述具体特征提取层包括细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块；其中，所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块用于基于对输入的特征图进行具体特征提取，获取所述细节点信息。
根据本发明实施例提供的指纹特征提取方法，所述具体特征提取层还包括空洞卷积模块；其中，所述空洞卷积模块用于基于对输入的特征图进行空洞卷积，获取多尺度上下文信息。
根据本发明实施例提供的指纹特征提取方法，将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果，包括：
将所述现场指纹图像输入至所述基础特征提取层，得到基础特征图；
将所述基础特征图输入至所述具体特征提取层，首先经过所述空洞卷积模块，然后输出至并行的所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块，得到所述细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图。
第二方面，本发明实施例提供一种指纹特征提取装置，包括：
指纹图像获取单元，用于获取现场指纹图像；
指纹特征提取单元，用于将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述指纹特征提取方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述指纹特征提取方法的步骤。
本发明实施例提供的一种指纹特征提取方法、装置、电子设备及存储介质，通过指纹特征提取模型进行细节点信息提取，能够简化特征提取流程，在保证正确率的同时加快模型训练速度和特征提取速度。
附图说明
图1为本发明实施例提供的指纹特征提取方法的流程示意图；
图2为本发明实施例提供的指纹特征提取模型的示意图；
图3为本发明实施例提供的指纹特征提取装置的结构示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
指纹细节点特征的提取对于自动指纹识别***至关重要，当前主流的基于传统算法的细节点提取算法针对卷纹/拍纹指纹图像效果较好，但对于现场指纹效果并不佳，因为现场指纹往往存在复杂的背景噪声。随着深度学习算法的高速发展，现已经将指纹领域先验知识和神经网络的强大表达能力相结合，设计出了提取现场指纹细节点的端到端的神经网络，如FingerNet，首先将传统细节点提取流程中几个模块的算法逐一用神经网络中的卷积及乘加运算来实现，如指纹特征提取的整个流程中的几个方面：归一化，方向场估计，分割，Gabor增强和细节点提取分别转化为卷积方式，等效为一系列参数固定的浅层神经网络，然后将该网络进行扩展，即将各个模块进一步扩展，并以上述固定权重为初始值参与扩展后网络的初始化，进行端到端的模型训练，从现场指纹中学习复杂的背景变化，提取精确的现场指纹细节点。
然而将传统算法中各个部分分别转化为卷积网络，然后整合成一个统一的网络的现场指纹特征点提取框架的方法，存在框架比较大，训练比较慢，耗内存比较大，提取特征比较慢等问题。
为至少部分解决上述问题，本发明实施例提供了一种指纹特征提取方法。图1为本发明实施例提供的指纹特征提取方法的流程示意图，如图1所示，该方法包括：
步骤101，获取现场指纹图像。
具体地，现场指纹图像即包含指纹的图片或照片，可以是从调查现场直接采集到的指纹图像，或从现场采集后固定到档案中的指纹图像，现场指纹往往是现场的物品上遗留的，甚至需要通过使用试剂或粉末才能显现，以供拍摄。拍摄到的指纹图像可能存在扭曲、破碎，难以通过现有技术提取指纹特征。获取的指纹图像可以经过常用的预处理，如滤波处理，二值化处理等，目的是去除指纹图像中的噪声，使指纹图像清晰、边缘明显，便于进一步的特征提取。
步骤102，将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
具体地，所述细节点标签包括与所述样本指纹图像对应的各个细节点的位置和细节点的方向。如一个样本指纹图像可以是512×512的指纹灰度图像，500dpi，对应地有细节点标签，标签是依照网络输出结果的形式进行制作的，需要各个细节点的位置和细节点的方向，如在一个文本文件中保存的对应图像中各个细节点在图像中的位置和方向。对标签的进一步处理可以采用常用的处理手段，包括各种编码和预处理。
具体地，所述细节点信息包括与所述现场指纹图像对应的各个细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图。下面具体介绍各个细节点信息：
细节点分数图表示在像素点 (x, y)处有细节点特征的可能性。对指纹图像进行分块，每8×8为一个基本单位，即若图像尺寸为m×n，则细节点分数图的尺寸为，每个像素点的取值范围为 [0, 1]，表示在该8×8像素块存在细节点的可能性大小。后续可根据比对精度设定阈值δ，当概率大于阈值时，该点被认为是候选细节点，如在实施例中阈值δ可设为0.5。
X坐标偏移图、Y坐标偏移图，各表示在候选细节点块中，实际细节点位置在8×8像素块中的偏移量，各选取概率最大的作为在X方向和Y方向的偏移量。
细节点方向图，传统算法提取出的细节点信息包括X坐标，Y坐标，和细节点方向，所谓细节点方向图是用来确定细节点方向的图，细节点方向为(0,360]度，被平均分为180份，细节点方向图输出的每个候选细节点相对于这180份方向的概率，最后选取概率最大的方向作为细节点的方向。
根据各个细节点信息，可以得到特征提取结果，即各个细节点的位置和方向。如通过细节点分数图判断出某8×8像素块中是否有细节点，然后将该位置联合X坐标偏移图、Y坐标偏移图，就可以得到该细节点在整个图像中的实际位置；再根据细节点方向图判断出细节点的方向，就可以得到该细节点的位置和方向。
在本发明实施例中，构建了指纹特征提取模型，从而在保证提取精度的同时，提高特征提取的速度，减少所需的资源。MnasNet是由谷歌提出的神经网络结构搜索方法。在本发明实施例中，借鉴MnasNet的框架，灵活应用卷积核大小为3×3或5×5的卷积，将传统算法中的几个模块的框架整合成一个框架，下面具体介绍指纹特征提取模型的主要部分。
基于上述任一实施例，图2为本发明实施例提供的指纹特征提取模型的示意图，如图2所示，本发明实施例提供的指纹特征提取模型包括基础特征提取层和具体特征提取层。
其中，所述基础特征提取层包括依次连接的3×3卷积层，深度分离卷积层、重复3次的卷积核大小为3×3移动倒置瓶颈卷积层，重复3次的卷积核大小为5×5移动倒置瓶颈卷积层。
将指纹图像输入基础特征提取层，首先可以对图像做归一化处理，然后依次通过3×3卷积层，深度分离卷积层、重复3次的卷积核大小为3×3移动倒置瓶颈卷积层，重复3次的卷积核大小为5×5移动倒置瓶颈卷积层进行处理。其中，深度分离卷积层（Depthwiseseparable convolution，SepConv），k3×3表示卷积核大小为3×3，深度分离卷积是在轻量级的网络中应用的卷积操作，主要分为两个过程，分别为逐通道卷积和逐点卷积。与常规卷积操作相比，对于相同的输入，深度分离卷积的参数数量较少、运算成本较低。移动倒置瓶颈卷积（mobile inverted bottleneck convolution，MBConv）结构与深度分离卷积相似，首先对输入进行1×1的逐点卷积并根据扩展比例改变输出通道维度（如扩展比例为3时，会将通道维度提升3倍。但如果扩展比例为1，则直接省略该1x1的逐点卷积和其之后批归一化和激活函数），接着进行k×k（例如5×5）的深度卷积。如果要引入压缩与激发操作，该操作会在深度卷积后进行。再以1×1的逐点卷积结尾恢复原通道维度，最后进行连接失活和输入的跳越连接。移动倒置瓶颈卷积让模型具有了随机的深度，剪短了模型训练所需的时间，提升了模型性能。
将基础特征提取层的输出（基础特征图）输入到空洞卷积（Atrous Convolution）模块。所述空洞卷积模块包括空洞卷积层和拼接层（concatenation，concat）。经过三个并行的参数（rate，在本实施例中分别为1、4、8）不同的空洞卷积后进行拼接，再输出到后续四个模块。其中空洞卷积与标准卷积在实现上基本相同，标准卷积可以看成空洞卷积的特殊形式。空洞卷积可以扩大感受野，捕获多尺度上下文信息，设置不同的参数，感受野就会不一样，也即获取了多尺度信息。拼接层就是将两个及以上的特征图进行拼接，用于利用不同尺度特征图的语义信息。
细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块各包括依次连接的3×3卷积层和1×1卷积层。细节点X坐标偏移模块的输出为X坐标偏移图（X），细节点Y坐标偏移模块的输出为Y坐标偏移图（Y），细节点方向模块的输出为细节点方向图（O），细节点分数模块的输出为细节点分数图（S）。可以将细节点分数图和细节点方向图与通过处理标签得到结果之间的加权交叉熵作为损失函数，以减少两者之间的差异性为目的进行模型训练，并采用均方误差损失函数对X坐标偏移图和Y坐标偏移图进行约束，从而使得训练完成的指纹特征提取模型能够准确输出细节点的位置和方向。
通过如本发明实施例所述的方法，对具体特征提取层输出的细节点信息进行处理，可以得到特征提取结果。
本发明实施例提供的指纹特征提取方法，通过应用上述指纹特征提取模型，降低了训练时间，减少了计算量，从而加快了特征提取速度。
图3为本发明实施例提供的指纹特征提取装置的结构示意图，如图3所示，本发明实施例提供的指纹特征提取装置包括：
指纹图像获取单元301，用于获取现场指纹图像；
指纹特征提取单元302，用于将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；
其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
本发明实施例提供的指纹特征提取装置可以实现本发明实施例提供的指纹特征提取方法，并实现相应的效果。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：获取现场指纹图像；将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
需要说明的是，本实施例中的电子设备在具体实现时可以为服务器，也可以为PC机，还可以为其他设备，只要其结构中包括如图4所示的处理器410、通信接口420、存储器430和通信总线440，其中处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信，且处理器410可以调用存储器430中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外，上述的存储器430中的逻辑指令可以通过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，本发明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该技术方案的部分可以以软件产品的形式体现出来，该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）执行本发明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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取现场指纹图像；将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取现场指纹图像；将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种指纹特征提取方法，其特征在于，包括：
获取现场指纹图像；
将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；
其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；
所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果；
所述细节点信息包括与所述现场指纹图像对应的各个细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图；
所述细节点分数图表示在像素点(x,y)处存在细节点特征的概率，当所述像素点处存在细节点特征的概率大于设定的阈值时，所述像素点为候选细节点；所述X坐标偏移图和所述Y坐标偏移图分别表示实际细节点位置在对所述现场指纹图像进行分块后的像素块中，对于所述概率最大的候选细节点在X方向的偏移量和Y方向的偏移量；
所述指纹特征提取模型包括基础特征提取层和具体特征提取层；
其中，所述基础特征提取层包括依次连接的3×3卷积层，深度分离卷积层、重复3次的卷积核大小为3×3移动倒置瓶颈卷积层，重复3次的卷积核大小为5×5移动倒置瓶颈卷积层；
所述具体特征提取层包括细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块；其中，所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块用于基于对输入的特征图进行具体特征提取，获取所述细节点信息；
所述具体特征提取层还包括空洞卷积模块；其中，所述空洞卷积模块用于基于对输入的特征图进行空洞卷积，获取多尺度上下文信息；
将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果，包括：
将所述现场指纹图像输入至所述基础特征提取层，得到基础特征图；
将所述基础特征图输入至所述具体特征提取层，首先经过所述空洞卷积模块，然后输出至并行的所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块，得到所述细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图。
2.根据权利要求1所述的指纹特征提取方法，其特征在于，所述细节点标签包括与所述样本指纹图像对应的各个细节点的位置和细节点的方向。
3.一种指纹特征提取装置，其特征在于，包括：
指纹图像获取单元，用于获取现场指纹图像；
指纹特征提取单元，用于将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果；
其中，所述指纹特征提取模型是基于样本指纹图像和细节点标签训练得到的；所述指纹特征提取模型用于从所述现场指纹图像提取得到细节点信息，并基于所述细节点信息得到所述特征提取结果；
所述细节点信息包括与所述现场指纹图像对应的各个细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图；
所述细节点分数图表示在像素点(x,y)处存在细节点特征的概率，当所述像素点处存在细节点特征的概率大于设定的阈值时，所述像素点为候选细节点；所述X坐标偏移图和所述Y坐标偏移图分别表示实际细节点位置在对所述现场指纹图像进行分块后的像素块中，对于所述概率最大的候选细节点在X方向的偏移量和Y方向的偏移量；
所述指纹特征提取模型包括基础特征提取层和具体特征提取层；
其中，所述基础特征提取层包括依次连接的3×3卷积层，深度分离卷积层、重复3次的卷积核大小为3×3移动倒置瓶颈卷积层，重复3次的卷积核大小为5×5移动倒置瓶颈卷积层；
所述具体特征提取层包括细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块；其中，所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块用于基于对输入的特征图进行具体特征提取，获取所述细节点信息；
所述具体特征提取层还包括空洞卷积模块；其中，所述空洞卷积模块用于基于对输入的特征图进行空洞卷积，获取多尺度上下文信息；
将所述现场指纹图像输入至指纹特征提取模型中，得到所述指纹特征提取模型输出的特征提取结果，包括：
将所述现场指纹图像输入至所述基础特征提取层，得到基础特征图；
将所述基础特征图输入至所述具体特征提取层，首先经过所述空洞卷积模块，然后输出至并行的所述细节点分数模块、细节点X坐标偏移模块、细节点Y坐标偏移模块以及细节点方向模块，得到所述细节点分数图、X坐标偏移图、Y坐标偏移图以及细节点方向图。
4.一种电子设备，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2中任一项所述指纹特征提取方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2中任一项所述指纹特征提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629510.7A CN112733670B (zh) | 2020-12-31 | 2020-12-31 | 指纹特征提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629510.7A CN112733670B (zh) | 2020-12-31 | 2020-12-31 | 指纹特征提取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112733670A CN112733670A (zh) | 2021-04-30 |
| CN112733670B true CN112733670B (zh) | 2024-02-27 |
Family
ID=75608225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011629510.7A Active CN112733670B (zh) | 2020-12-31 | 2020-12-31 | 指纹特征提取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733670B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239808A (zh) * | 2021-05-14 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 一种基于深度学习的指纹纹理提取方法、***、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361325A (zh) * | 2014-11-14 | 2015-02-18 | 南京信息工程大学 | 基于细节点的指纹特征构造方法 |
| CN105787451A (zh) * | 2016-02-29 | 2016-07-20 | 南京邮电大学 | 一种基于多判决点模式的指纹匹配方法 |
| CN107169479A (zh) * | 2017-06-26 | 2017-09-15 | 西北工业大学 | 基于指纹验证的智能移动设备敏感数据防护方法 |
| CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
| CN111428701A (zh) * | 2020-06-10 | 2020-07-17 | 深圳市诺赛特***有限公司 | 小面积指纹图像特征提取方法、***、终端及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020167655A1 (en) * | 2019-02-11 | 2020-08-20 | Board Of Trustees Of Michigan State University | Fixed length fingerprint representation |
-
2020
- 2020-12-31 CN CN202011629510.7A patent/CN112733670B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361325A (zh) * | 2014-11-14 | 2015-02-18 | 南京信息工程大学 | 基于细节点的指纹特征构造方法 |
| CN105787451A (zh) * | 2016-02-29 | 2016-07-20 | 南京邮电大学 | 一种基于多判决点模式的指纹匹配方法 |
| CN107169479A (zh) * | 2017-06-26 | 2017-09-15 | 西北工业大学 | 基于指纹验证的智能移动设备敏感数据防护方法 |
| CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
| CN111428701A (zh) * | 2020-06-10 | 2020-07-17 | 深圳市诺赛特***有限公司 | 小面积指纹图像特征提取方法、***、终端及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 张永良 等.基于深度学习的小面积指纹匹配方法.《计算机应用》.2017,第37卷(第11期),正文第3212-3218页. * |
| 甘俊英 ; 戚玲 ; 项俐 ; 何国辉 ; 曾军英 ; 秦传波 ; .轻量化多特征融合的指纹分类算法研究.信号处理.2019,(第05期),全文. * |
| 韩智 ; 刘昌平 ; .基于多种特征融合的指纹识别方法.计算机科学.2010,(第07期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112733670A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taskiran et al. | A real-time system for recognition of American sign language by using deep learning | |
| EP3971772A1 (en) | Model training method and apparatus, and terminal and storage medium | |
| CN111445459B (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
| CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
| CN110070115B (zh) | 一种单像素攻击样本生成方法、装置、设备及存储介质 | |
| CN108154133B (zh) | 基于非对称联合学习的人脸画像-照片识别方法 | |
| CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
| CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
| CN116311214B (zh) | 车牌识别方法和装置 | |
| CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
| CN116206334A (zh) | 一种野生动物识别方法和装置 | |
| CN112733670B (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
| CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
| CN110826534A (zh) | 一种基于局部主成分分析的人脸关键点检测方法及*** | |
| CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
| CN116740362B (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及*** | |
| CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 | |
| CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
| Reshna et al. | Recognition of static hand gestures of Indian sign language using CNN | |
| Alausa et al. | PalmMatchDB: An On-Device Contactless Palmprint Recognition Corpus | |
| CN112084874A (zh) | 一种物体检测方法、装置及终端设备 | |
| CN110956190A (zh) | 图像识别方法及装置、计算机装置和计算机可读存储介质 | |
| Lohith et al. | Sign Language Recognition using Hand Gestures | |
| CN117612231B (zh) | 人脸检测方法、装置、电子设备和存储介质 |
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 |