CN113191300B - 用于指纹图像识别的方法、设备及计算机可读介质 - Google Patents
用于指纹图像识别的方法、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN113191300B CN113191300B CN202110527088.2A CN202110527088A CN113191300B CN 113191300 B CN113191300 B CN 113191300B CN 202110527088 A CN202110527088 A CN 202110527088A CN 113191300 B CN113191300 B CN 113191300B
- Authority
- CN
- China
- Prior art keywords
- target
- fingerprint image
- feature points
- target feature
- entropy diagram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 160
- 230000005484 gravity Effects 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 29
- 230000001747 exhibiting effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06V40/1365—Matching; Classification
-
- 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
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
-
- 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
- G06V40/13—Sensors therefor
- G06V40/1318—Sensors therefor using electro-optical elements or layers, e.g. electroluminescent sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开涉及一种用于指纹图像识别的方法、设备及计算机可读介质,其中方法包括根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分,将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,并根据熵图来确定目标指纹图像是否与参考指纹图像匹配,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度。本公开方案充分利用采集到的目标指纹图像的图像信息来进行指纹的识别,从而可显著地提升指纹识别的准确度和有效性。
Description
技术领域
本公开一般地涉及指纹识别领域。更具体地,本公开涉及一种用于指纹图像识别的方法、用于指纹图像识别的设备及非瞬态计算机可读介质。
背景技术
随着各类电子设备(包括智能终端)在日常生活中的广泛使用,其用户访问的安全性成为需要关注的一个重要因素。为了保证设备使用的安全性,当前提出了对用户进行验证的多种方案,其中一些使用到用户的生物特征。作为生物特征之一的指纹由于其唯一性而成为安全验证的有效手段。通过对指纹的准确识别,可以有效地保护设备的安全接入,从而防止非法或非授权用户的盗用。
当前已经提出用于对指纹进行识别的多种识别方法,并且这些识别方法可以达到一定的识别准确度。然而,随着用于采集指纹数据的传感器不断小型化,前述现有的识别方法并不能适配于传感器的这种改变,并且由此无法取得令人满意的识别准确度。
发明内容
至少针对上述背景技术中的缺陷,本公开提供一种用于准确识别指纹图像的方案。具体来说,本公开对采集到的目标指纹图像上的目标特征点进行等级划分,利用划分等级后的目标特征点进行比对形成熵图,并根据熵图来确定目标指纹图像是否与参考指纹图像匹配。通过前述的方案可知,本公开充分利用采集到的图像信息来进行指纹的识别,从而显著地提升指纹识别的准确度和有效性。为此,本公开在下述的多个方面中提供解决方案。
在第一方面中,本公开提供一种用于指纹图像识别的方法,包括:根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配。
在一个实施例中,所述特征点属性包括所述目标特征点的清晰度和/或形状独特性,并且根据所述特征点属性对多个目标特征点进行等级划分包括:根据所述目标特征点是否满足关于清晰度和/或形状独特性的预定要求对其进行等级划分。
在一个实施例中,对所述多个目标特征点进行等级划分包括:根据所述特征点属性将所述多个目标特征点划分成第一等级特征点、第二等级特征点和第三等级特征点,其中所述第一等级特征点满足关于所述清晰度和形状独特性性二者的预定要求,所述第二等级特征点满足关于所述清晰度和形状独特性之一的预定要求,而所述第三等级特征点未满足关于所述清晰度和形状独特性二者的预定要求。
在一个实施例中,所述特征点属性还包括关于所述目标特征点所含信息量的信息量比重,其中所述信息量比重与所述目标特征点在所述目标指纹图像的位置相关。
在一个实施例中,位于所述目标指纹图像的边界内的所述目标特征点具有100%的信息量比重,而位于所述目标指纹图像的边界上的所述目标特征点的信息量比重与所述目标特征点在所述边界内的面积成比例。
在一个实施例中,将划分等级后的多个目标特征点与多个参考特征点进行比对包括:基于所述多个目标特征点生成至少一个目标特征点集合,其中每个所述目标特征点集合中包括至少两个所述目标特征点,且每个所述目标特征点集合具有对应的联合等级;以及将每个目标特征点集合与所述参考指纹图像上的多个参考特征点进行比对。
在一个实施例中,将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图包括:根据各个所述目标特征点的等级将各个所述目标特征点与参考指纹图像上各个对应的参考特征点进行相似度比较,以获得各个所述目标特征点的相似度评分;将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及根据各个所述比较结果将各个所述目标特征点以对应的呈现方式进行呈现,以形成所述熵图。
在一个实施例中,根据各个所述比较结果将各个所述目标特征点进行呈现包括:根据各个所述比较结果将各个所述目标特征点以预设颜色进行呈现。
在一个实施例中,将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图包括:根据各个所述目标特征点的等级将各个所述目标特征点集合与参考指纹图像上各个对应的参考特征点集合进行相似度比较,以获得各个所述目标特征点集合的相似度评分;将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及根据各个所述比较结果将各个所述目标特征点集合以对应的呈现方式进行呈现,以形成所述熵图。
在一个实施例中,根据各个所述比较结果将各个所述目标特征点集合进行呈现包括:根据各个所述比较结果将各个所述目标特征点集合以预设颜色进行呈现。
在一个实施例中,根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配包括:根据所述熵图中具有预设呈现方式的目标特征点的数目和/或所占区域的大小来确定所述目标指纹图像是否与所述参考指纹图像相匹配。
在一个实施例中,根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配包括:将所述熵图输入至经训练的神经网络模型,以便将所述熵图分类为真熵图或伪熵图;响应于所述熵图分类为真熵图,确定所述目标指纹图像与所述参考指纹图像相匹配;以及响应于所述熵图分类为伪熵图,确定所述目标指纹图像与所述参考指纹图像不相匹配。
在第二方面中,本公开还提供一种用于指纹图像识别的设备,包括:处理器;存储器,其存储有处理器可执行的程序指令,当所述程序指令由所述处理器执行时,使得所述设备执行:根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像相匹配。
在第三方面中,本公开还提供一种非瞬态计算机可读介质,其存储有用于指纹图像识别的程序指令,当所述程序指令由至少一个处理器执行时,使得执行以下操作:根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像相匹配。
基于上述关于本公开方案的描述,本领域技术人员可以理解上述实施例所述的方案对采集到的目标指纹图像上的目标特征点进行等级划分,利用划分等级后的目标特征点进行比对形成熵图,并根据熵图来确定目标指纹图像是否与参考指纹图像匹配。通过前述的方案可知,本公开充分利用采集到的目标指纹图像的图像信息来进行指纹的识别,从而可显著地提升指纹识别的准确度和有效性。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是根据本公开实施例的用于指纹图像识别的方法的示意流程图;
图2a、图3a、图4a和图5a分别为根据本公开实施例的不同目标指纹图像的示意图;
图2b是图2a中的第一目标特征点集合的示意图;
图3b是图3a中的第二目标特征点集合的示意图;
图4b是图4a中的第三目标特征点集合的示意图;
图4c是图4a中的第四目标特征点集合的示意图;
图5b是图5a中的第五目标特征点集合的示意图;
图5c是图5a中的第六目标特征点集合的示意图;
图6是根据本公开实施例的一种目标指纹图像的示意图;
图7是根据本公开实施例的另一种目标指纹图像的示意图;
图8是根据本公开实施例的一种目标指纹图像和参考指纹图像的对比图;
图9是图8进行对比后形成的熵图;
图10是根据本公开实施例的一种目标指纹图像和参考指纹图像的对比图;
图11a是图10进行对比后形成的熵图;
图11b是图11a中虚线框部分的放大图;
图12a是根据本公开实施例的真熵图的示意图;
图12b是图12a中的一个熵图的放大图;
图13a是根据本公开实施例的伪熵图的示意图;
图13b和图13c分别是图13a中的两个熵图的放大图;以及
图14是根据本公开实施例的用于指纹图像识别的设备的结构框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
如在背景技术部分中所提到的,对于尺寸相对较大的指纹采集传感器来说,现有的识别方法能够以预期的识别准确度来实现对指纹的识别。然而,对于“小尺寸”传感器采集的指纹数据来说,现有的识别方法已无法获得用户期望的识别准确度。鉴于传感器的不断小型化,本公开提出一种新的用于指纹图像识别的方案,其适用于小型化的指纹采集传感器并且能够取得良好的识别准确度。下面将结合附图对本公开的方案进行具体阐述。
图1是根据本公开实施例的用于指纹图像识别的方法100的示意流程图。
如图1中所示,方法100包括在步骤S101处,根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分。在一个具体实施场景中,可以通过指纹感应器来采集目标指纹图像上的多个(例如50、90或100个)目标特征点,其中目标特征点的数目可以根据应用场景需求、目标指纹图像的清晰程度和/或形状等多种因素来确定。以清晰程度为例,图像清晰时可以采集更多的(例如100个)目标特征点,而图像模糊时则可采集相对较少的(例如50个)目标特征点。
在采集到目标特征点后,根据本公开的一个实施例,可以根据目标特征点的清晰度和/或形状独特性对采集的多个目标特征点进行等级划分。具体来说,可以根据目标特征点是否满足关于清晰度和/或形状独特性的预定要求对目标特征点进行等级划分。通过这样的等级划分,高等级的目标特征点将在后续的相似度比较中具有更高的可信度(也即更高的评分)。对应地,低等级目标特征点则具有相对较低的可信度。
在一个实施场景中,可以根据上述划分标准将多个目标特征点划分成三个等级的特征点,其中第一等级特征点满足关于清晰度和形状独特性二者的预定要求,第二等级特征点满足上述两者之一的预定要求,而第三等级特征点不满足其中任何一个要求。例如,当特征点图像清晰且形状独特,如形状中包含断点、分叉点或端点时将该目标特征点划分为第一等级,而当特征点图像清晰但形状普通,或者图像模糊但形状独特时则可将其划分为第二等级。所述形状普通可以为例如形状仅包含常见的指纹凹凸部分。进一步地,当特征点既模糊形状又普通时便可将其划分为第三等级。为了便于更好的理解此处的三等级的特征点划分,下面将结合图2a、图3a、图4a和图5a所示的目标指纹图像中的目标特征点及它们形成的目标特征点集合(分示在图2b、图3b、图4b、图4c、图5b和图5c中)来进一步阐述。
在图2a中,目标特征点201为指纹的端点且图像清晰,因此将其划分为第一等级,而该图中的另外两个目标特征点202虽然图像清晰,但其形状均为常规的指纹凹凸部分,因此将其划分为较低的第二等级。另外,由图2a可以看出,上述三个目标特征点集中在目标指纹图像的较小的区域内,其位置关系比较紧密,因此该三个目标特征点可以组成第一目标特征点集合200(如图2b中所示)。进一步,由于组成第一目标特征点集合200的目标特征点的等级分别为较高的第一等级和第二等级,因此可将该第一目标特征点集合200的等级设置为第一联合等级。
图3a中同样示出了包括三个目标特征点的目标指纹图像,其中的三个目标特征点分别为目标特征点301以及位于目标特征点301一侧且与其位置接近的两个目标特征点302。由图3a可以看出,目标特征点301的形状为指纹的分叉点且图像清晰,因而将其划分为第一等级,而另外两个目标特征点302虽然图像清晰,但其形状均为常规的指纹凹凸部分,因而将其划分为第二等级。另外,由于上述目标特征点301和两个目标特征点302的位置均集中在目标指纹图像边界处的较小的区域内,其位置关系比较紧密,因此可以组成第二目标特征点集合300(如图3b中所示)。进一步,该第二目标特征点集合300中包括的目标特征点的等级分别是第一等级和第二等级,因此可将其等级设置为第一联合等级。
上述图2a和图3a均只示出了包含两个等级的目标特征点的场景,为了便于更充分的理解本公开多等级特征点的划分方式,下面将结合其中示出多个等级和较多特征点的图4a和图5a来做进一步描述。
图4a中示出的目标指纹图像中包括目标特征点401和位于目标特征点401两侧的三个目标特征点402。目标特征点401的形状为指纹的分叉点且图像清晰,因此可将其划分为第一等级,所述三个目标特征点402的图像清晰,但其形状仅为常规的指纹凹凸部分,因此将其划分为第二等级。另外,由于三个目标特征点402与目标特征点401的距离较近,其位置关系比较紧密,因此该四个目标特征点可以组成第三目标特征点集合4001(如图4b中所示)。进一步,由于该第三目标特征点集合4001中包括的目标特征点的等级与前述第一目标特征点集合200或第二目标特征点集合300相同,因此可相应地将其等级设置为较高的所述第一联合等级。
图4a中的上述目标特征点401两侧还进一步分布有两个目标特征点403。由图4a可以看出,所述的两个目标特征点403的形状为指纹凹凸部分且图像模糊,因此将其划分为第三等级。所述的两个目标特征点403、目标特征点401及与目标特征点401相交的一个目标特征点402相接,其位置关系比较紧密,因此该四个目标特征点可组成第四目标特征点集合4002(如图4c中所示)。进一步,由于第四目标特征点集合4002中不仅包括较高的第一等级特征点和第二等级特征点,还包括较低的第三等级特征点,因此可相应地将其等级设置为较低的第二联合等级。
图5a中示例性地示出了一个目标指纹图像的示意图。在所述目标指纹图像中包括目标特征点501、位于目标特征点501两侧的三个目标特征点502和三个目标特征点503。由图5a可以看出,所述目标特征点501的形状为指纹的分叉点且图像清晰,所述三个目标特征点502的图像清晰但形状比较常规(指纹凹凸部分),而所述三个目标特征点503的形状仅为指纹凹凸部分且图像模糊,因此将上述目标特征点501、目标特征点502以及目标特征点503分别划分为第一等级、第二等级和第三等级。
在图5a中,上述三个目标特征点502与目标特征点501分布的位置比较集中,因此该四个目标特征点可以组成第五目标特征点集合5001(如图5b中所示),并且由于该第五目标特征点集合5001中包括的目标特征点的等级也较高(第一等级和第二等级),因此可相应地将其等级设置为较高的第一联合等级。
由图5a还可以看出,两个所述目标特征点503、目标特征点501以及与目标特征点50相交的一个所述目标特征点502相接,其位置关系比较紧密,因此,该四个目标特征点可以组成第六目标特征点集合5002(如图5c所示)。另外,由于该第六目标特征点集合5002中包括高等级的目标特征点(第一等级特征点和第二等级特征点)和低等级的目标特征点(第三等级特征点),因此,其等级也可相应地设置为第二联合等级。
上面通过图2a至图5c对基于形状独特性和清晰度对目标特征点进行等级划分的方式进行了详细描述。可以看出,上述等级划分方式及联合等级的设定方式充分利用目标特征点的特性(如形状独特性和图像清晰度),在进行指纹识别时可充分考虑各个目标特征点的可信度,进而得到更为准确的识别结果。
在一些实施场景中,还可以考虑使用图像边界区域的信息。为此,本公开提出结合目标特征点所含信息量的信息量比重进行等级划分的方案。具体来说,该方案可以将采集到的待识别指纹图像边界区域上的目标特征点所含信息量的信息量比重作为等级划分的一个因素,从而可使边界区域的图像信息在等级划分中得到使用,进而进一步提升指纹识别准确度。
进一步地,目标特征点所含信息量的信息量比重可与目标特征点在目标指纹图像的位置相关。例如,位于目标指纹图像的边界内的目标特征点具有100%的信息量比重,而位于目标指纹图像的边界上的目标特征点的信息量比重与目标特征点在边界内的面积成比例。下面将结合图6和图7进一步阐述该种等级划分方式。
如图6中所示,目标特征点601和目标特征点602均在目标指纹图像的边界内,具有100%的信息量比重,目标特征点601的形状独特(为指纹的分叉点)且图像清晰,因此将其划分为第一等级特征点,而目标特征点602的图像虽然清晰,但其形状只是比较常规的指纹凹凸部分,因此只能将其划分为第二等级特征点。位于目标指纹图像边界区域的目标特征点603仅有75%的区域在目标指纹图像的边界内,具有75%的信息量比重。虽然目标特征点603对应的信息量比重不高,但其形状比较独特(指纹的端点)且图像较清晰,因此可将其划分为第一等级特征点。位于目标指纹图像最右侧的目标特征点604有90%的区域在目标指纹图像的边界内,具有90%的信息量比重,但其形状较为常规(为指纹凹凸部分),因此虽然其图像清晰,也只能将其划分为第二等级特征点。
以图7所示的目标指纹图像为例来说,采用上述所含信息的信息量比重作为等级划分的一个因素不仅可以利用边界内的图像信息,还可以利用边界区域701部分的图像信息(现有技术通常无法使用这部分的图像信息)。由于在等级划分中还利用了边界信息,本公开的等级划分方式相对于现有技术而言可以显著提升指纹识别的准确度。
上述图2a至图6中示出了三种等级的目标特征点的划分方法,本领域技术人员可以理解,为适应不同的应用场景,目标特征点还可以分为更多个等级(例如四或五个等级),此处不再赘述。
前文结合步骤S101对目标特征点的等级划分进行了示例性地详细描述,现在继续图1的流程,在步骤S102处,方法100将上述划分等级后的多个目标特征点与多个参考特征点进行比对以形成熵图。在本公开的方案中,熵图的形成可以包括两种方式,下面将通过不同的实施例来对形成熵图的前述两种方式进行详细说明。
第一种熵图的形成方式可以是采用前述目标特征点单独比对的方式来实现,即将各个目标特征点分别比对。具体来说,在比对时,可以将各个所述目标特征点与参考指纹图像上各个对应的参考特征点进行相似度比较,并根据目标特征点的不同等级得到对应的相似度评分。例如,在与参考指纹图像比较时,当高等级目标特征点和低等级目标特征点都与对应的参考特征点相似时,由于高等级目标特征点相对于低等级目标特征点具有更高的可信度,因此其比低等级目标特征点具有更高的相似度评分。
以前述图4a中的各个目标特征点为例来说,若该各个目标特征点与对应的参考特征点的相似度相同,则其中的第一等级的目标特征点401的相似度评分可为例如100,第二等级的目标特征点402的相似度评分可为例如50,而第三等级的目标特征点403的相似度评分仅为例如20。可以理解的是此处的分数仅仅是示例性的,并且不在任何方面对本公开造成限制。
在通过上述比对方式得到各个相似度评分后,再将它们分别与预定的阈值或阈值范围(可根据例如指纹识别精确度具体设定)比较,获得比较结果,并根据获得的各个比较结果将对应的目标特征点以对应的呈现方式(例如预设颜色)进行呈现,最终形成熵图。在一个实施例中,所述比较结果可为相似度评分与阈值的差值。
下面通过举例来进一步说明通过颜色呈现目标特征点的具体呈现方式。例如,比较结果在第一结果范围内,则对应的目标特征点在熵图上呈现深绿色图案。比较结果在第二结果范围内,则对应的目标特征点在熵图上呈现浅绿色图案。进一步,比较结果在第三结果范围内,则对应的目标特征点在熵图上呈现灰色图案。通过该例子可以看出,具有不同相似度情况的目标特征点可在熵图上呈现出不同的颜色。通过所示出的熵图,可以观察到各个颜色的目标特征点的大概比例及颜色的大致分布情况、匹配情况以及相似或不相似区域。
为了适应不同应用场景的需求,除通过颜色对目标特征点进行相似度呈现外,在一个实施例中,还可通过形状或大小对各个目标特征点进行呈现,这种呈现方式也具有与颜色呈现相类似的效果。例如,以形状作为呈现方式时,如果比较结果在所述第一结果范围内,则对应的目标特征点在熵图上呈现圆形图案。如果比较结果在所述第二结果范围内,则对应的目标特征点在熵图上呈现三角形图案。进一步,如果比较结果在所述第三结果范围内,则对应的目标特征点在熵图上呈现长方形图案。
上文结合各实施例充分描述了以目标特征点为单元进行比对来形成熵图的第一种方式。由上述实施例的描述可以看出,该熵图的形成方式中考虑了目标特征点自身的特性(例如划分的等级),从而可提高利用其进行指纹识别的准确性。
第二种熵图的形成方式涉及通过目标特征点集合(详见前述实施例)中各目标特征点之间的相对关系来比对以形成熵图。在一个实施例中,利用目标特征点集合进行比对时,可以首先分别根据各个目标特征点本身的等级来对目标特征点进行单独的相似性比较(与前述实施例相同,不再赘述),然后再比较本目标特征点集合中各个目标特征点的位置关系是否参考特征点集合相同,并根据具体的比较结果以及各个目标特征点的等级得到相似度评分。
以前述图2b中的第一目标特征点集合200为例来说,在进行目标特征点集合的相似度比较时,先目标特征点201和两个目标特征点202与对应参考特征点是否相似,再比较参考特征点集合中的各个参考特征点之间是否也为三角形位置关系。全部比较完毕后得到整个集合的最终相似度评分。在一些场景中,当前述的位置关系为相同时,对应目标特征点集合中的各目标特征点的相似度评分就比较高。当前述的位置关系为不同时,目标特征点的相似度评分会比较低,但仍会高于仅依赖目标特征点进行比对时的分数。本领域技术人员可以理解的是,目标特征点集合的联合等级越高,其内各个目标特征点的相似度评分也会越高。
通过上述描述,可以理解的是,通过目标特征点集合进行相似度比较不仅可以利用目标特征点自身的特性,还可充分利用多特征点之间的关系(如相对位置关系),从而使其中包含的目标特征点的可信度比仅依赖目标特征点进行比对的可信度更高,由此也进一步增加仅依赖目标特征点进一步提高指纹识别的准确度水平。
在得到上述各个目标特征点集合的相似度评分后,将各个相似度评分与预定的阈值或阈值范围比较(可根据需要具体设定),获得各个比较结果,然后根据各个比较结果将各个目标特征点集合以对应的呈现方式(例如预设颜色)进行呈现。具体来说,在得到各个比较结果所处的范围后,根据其内各个目标特征点的等级将各个目标特征点进行相应呈现以形成熵图。
例如,对于包含三个等级的目标特征点的目标特征点集合,比较结果在第一结果范围内时,其中的第一等级特征点在熵图上呈现为深绿色图案,第二等级特征点在熵图上呈现为浅绿色图案,而第三等级特征点在熵图上呈现为灰色图案。比较结果在第二结果范围内,其中的第一等级特征点在熵图上呈现为浅绿色图案,第二等级特征点在熵图上呈现为灰色图案,而第三等级特征点在熵图上呈现为红色图案。比较结果在上第三结果范围内,其中的各个目标特征点在熵图上均呈现为红色图案。
上文描述了形成熵图的过程,返回到图1的流程图。在步骤S103处,方法100根据上述各实施例形成的熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配。
基于上述各实施例描述的熵图的特征(通过不同呈现方式对具有不同相似度的目标特征点进行呈现),可以根据熵图中具有预设呈现方式的目标特征点的数目和/或所占区域的大小来确定目标指纹图像是否与参考指纹图像相匹配。例如,通过呈现预设颜色的目标特征点的数目与目标特征点总数的比例和预设比例的大小关系来进行确定是否匹配。
下面通过图8至图11b对利用熵图判断图像匹配与否的具体方法进行详细说明(图9、图11a和图11b中目标特征点所对应的圆点中填充有不同图案,以此区分具有不同相似度评分的目标特征点)。
在图8至图11b所示的实施例中,假设在呈现深绿色图案(图9中以填充有白色的圆点示例性表示)的目标特征点的数目与目标特征点总数的比例大于50%时确定目标指纹图像和参考指纹图像匹配,而在所述比例小于等于50%时确定上述图像不匹配。在该实施例中,设定呈现深绿色的目标特征点为相似度评分较高的特征点,或者简单的理解为其与参考特征点相似。
如图8中所示,其中标号为801的图像为目标指纹图像,其他指纹图像(例如标号为802~807的指纹图像)为通过手指在指纹感应器上多次按压后,指纹感应器采集到的多个参考指纹图像。该多个参考指纹图像组成手指的参考指纹图像800。
在进行指纹识别时,将目标指纹图像801利用如旋转或水平移动等方式与手指的参考指纹图像800的不同位置的指纹图像分别进行匹配,以便查找待比对的参考指纹图像(待比对的参考指纹图像在图中目标指纹图像800的下方,故未示出),然后将目标指纹图像800上的各个目标特征点和待比对的参考指纹图像上的对应参考特征点分别进行比对,形成图9所示的熵图901。
由图9可以看出,该熵图901中的全部目标特征点均呈现为深绿色图案902,基于前面设定的判断规则(呈现深绿色图案的数目与目标特征点总数的比例大于50%时确定图像匹配)确定图8中的目标指纹图像801和待比对的参考指纹图像匹配。在熵图901中,由于呈现为深绿色图案的目标特征点全部位于区域903内,因此确定该区域903为高相似区域。
在图10中,标号为1001的图像为目标指纹图像,其他指纹图像(例如标号为1002~1008的指纹图像)为通过手指在指纹感应器上多次按压后,指纹感应器采集到的多个参考指纹图像,多个参考指纹图像组成手指的参考指纹图像1000。
与图8方法相同,先通过查找的方式找到待比对的参考指纹图像(待比对的参考指纹图像在图中目标指纹图像1000下方,故未示出),然后将目标指纹图像1001上的各个目标特征点和待比对的参考指纹图像上的对应参考特征点分别进行比对,形成图11a所示的熵图1101。
图11b示中示出了熵图1101中虚线框部分1106a的放大图,结合图11a和图11b可知,熵图1101中根据其中目标特征点呈现的颜色分为如图中的两个区域,分别为区域1106和区域1107。区域1106内30%的目标特征点(例如标号为1102的目标特征点)呈现为深绿色图案,15%的目标特征点(例如标号为1104的目标特征点)呈现为浅绿色图案(图中以填充有多条白色斜线的黑色圆点示例性表示),15%的目标特征点(例如标号为1103的目标特征点)呈现为灰色图案(图中以填充有多条白色横线的黑色圆点示例性表示),而其余40%的目标特征点(例如标号为1105的目标特征点)呈现为红色图案(图中以填充有多个白点的黑色圆点示例性表示)。
区域1107中90%的目标特征点(例如标号为1102的目标特征点)呈现为深绿色图案,而剩下的目标特征点(例如标号为1105的目标特征点)呈现为红色图案。可见,区域1106为低相似区域,而区域1107为高相似区域。从整个熵图1101的角度看,呈现深绿色图案的目标特征点所对应的上述比例小于50%,因此确定图10中的目标指纹图像1001和对应参考指纹图像不匹配。
在图8至图11b所述的判断图像匹配与否的实施例中,由于采用统计目标特征点的数目(包括呈现预设颜色的目标特征点和目标特征点总数)及分析呈现预设颜色的目标特征点的数目与目标特征点总数比例的方式来进行图像匹配与否的判断,因此识别的准确性较高。
为了加快判断匹配与否,本公开还提出将熵图直接输入至经训练的神经网络模型来判断图像是否匹配。在一个实施例中,该神经网络模型可以通过预设的分类标准将所述熵图分类为真熵图或伪熵图,并根据真伪熵图确定目标指纹图像与参考指纹图像是否相匹配。
上述的分类标准可以是如前述实施例所述的呈现预设颜色的目标特征点的数目与目标特征点总数的比例和预设比例的大小关系。例如,当一个熵图中某一预设颜色的目标特征点的数目占整幅熵图中所有目标特征点的50%(其假定为预设比例)时,则可以将该熵图分类为属于真熵图,否则,将其分类为属于伪熵图。另外,图12a、图12b、图13a、图13b和图13c中对应的特征点具有与前述图9、图11a和图11b中相同的呈现方式和含义。
图12a中示例性地示出了多个真熵图1201-1206,图12b中示出了其中的熵图1201的放大图。由图12b可以看出,熵图1201中包括呈现为深绿色图案的特征点1201a和呈现为红色图案的特征点1201b,其中特征点1201a的数目与特征点总数的比例是99%,特征点1201b的数目与特征点总数的比例是1%。简言之,熵图1201中所述的比例大于50%,因此将该熵图1201分类为属于真熵图。
图13b中示出了图13a中熵图1301的放大图。由图13b可以看出,熵图1301中包括呈现为深绿色图案的特征点1301a、呈现为浅绿色图案的特征点1301b和呈现为红色图案的特征点1301c,其中特征点1301a的数目与特征点总数的比例是40%,特征点1301b和特征点1301c的数目与特征点总数的比例分别是20%和40%。由此可见,该熵图1301对应的所述比例小于50%,因此将该熵图1301分类为属于伪熵图。
图13c中示出了图13a中熵图1302的放大图,其除了不仅包括呈现为深绿色图案的特征点1302a、呈现为浅绿色图案的特征点1302b和呈现为红色图案的特征点1302c,还包括呈现为灰色图案的特征点1302d。上述特征点1302a、1302b、1302c、1302d的数目与特征点总数的比例分别是40%、15%、30%和15%。根据该比例分配可以看出,熵图1302可分类为属于伪熵图。
利用大量上述分类好的真熵图和伪熵图来对上文描述的神经网络模型进行训练,可以得到能够判断熵图真伪与否的神经网络模型。由此,当神经网络模型将熵图1201分类为真熵图时,其可以输出关于目标指纹图像与参考指纹图像相匹配的结果。类似地,当将熵图1301和1302分类为伪熵图时,该神经网络模型可以输出关于目标指纹图像与参考指纹图像不匹配的结果。
上文中通过多个实施例对利用熵图进行图像匹配与否的两种判断方法进行了详细描述。通过利用神经网络模型来进行判断,将明显简化匹配操作,并且加速匹配结果的输出,从而可以处理大量的熵图。进一步,上述实施例仅示例性地描述了真熵图和伪熵图的区分方法,本领域技术人员可以根据例如熵图的呈现方式等因素进行适应性地设定和修改。
上面结合图1-图13c对本公开的用于指纹图像识别的方法100进行了详细描述。通过上述描述,本领域技术人员可以理解本公开的方案通过对采集到的目标指纹图像上的目标特征点进行等级划分,并利用划分等级后的目标特征点进行比对形成熵图,然后根据熵图来确定目标指纹图像是否与参考指纹图像匹配的方法进行指纹识别。可以看出,本公开的方案充分利用采集到的目标指纹图像的图像信息来进行指纹识别,从而可显著提升指纹识别的准确度和有效性。特别地,对于小型化的指纹采集传感器获得的指纹图像,本公开的方案基于对图像信息的高效使用,取得于优于现有指纹识别方案的识别准确度。
图14是根据本公开实施例的用于指纹图像识别的设备1400的结构框图。
如图14中所示,本公开的一种用于指纹图像识别的设备1400可以包括处理器1401和存储器1402,其中处理器1401和存储器1402之间通过总线1403进行通信。存储器1402存储有处理器1401可执行的程序指令,当所述程序指令由所述处理器1401执行时,使得所述设备执行前文结合附图描述的方法步骤。通过利用本公开的设备,可以充分使用目标指纹图像的图像信息来进行指纹识别,从而可显著提升指纹识别的准确度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于非瞬态计算机可读介质中,该程序在执行时,执行包括上述方法实施例的步骤。
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。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上各实施例仅用以说明本公开的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本公开的实施例进行了详细的说明,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,或者对其中部分或者全部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公开的实施例各实施例技术方案的范围。
Claims (23)
1.一种用于指纹图像识别的方法,包括:
根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;
将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及
根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配;
其中将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图包括:
根据各个所述目标特征点的等级将各个所述目标特征点与参考指纹图像上各个对应的参考特征点进行相似度比较,以获得各个所述目标特征点的相似度评分;
将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及
根据各个所述比较结果将各个所述目标特征点以对应的呈现方式进行呈现,以形成所述熵图。
2.根据权利要求1所述的方法,其中所述特征点属性包括所述目标特征点的清晰度和/或形状独特性,并且根据所述特征点属性对多个目标特征点进行等级划分包括:
根据所述目标特征点是否满足关于清晰度和/或形状独特性的预定要求对其进行等级划分。
3.根据权利要求2所述的方法,其中对所述多个目标特征点进行等级划分包括:
根据所述特征点属性将所述多个目标特征点划分成第一等级特征点、第二等级特征点和第三等级特征点,其中所述第一等级特征点满足关于所述清晰度和形状独特性性二者的预定要求,所述第二等级特征点满足关于所述清晰度和形状独特性之一的预定要求,而所述第三等级特征点未满足关于所述清晰度和形状独特性二者的预定要求。
4.根据权利要求2所述的方法,其中所述特征点属性还包括关于所述目标特征点所含信息量的信息量比重,其中所述信息量比重与所述目标特征点在所述目标指纹图像的位置相关。
5.根据权利要求4所述的方法,其中位于所述目标指纹图像的边界内的所述目标特征点具有100%的信息量比重,而位于所述目标指纹图像的边界上的所述目标特征点的信息量比重与所述目标特征点在所述边界内的面积成比例。
6.根据权利要求1所述的方法,其中将划分等级后的多个目标特征点与多个参考特征点进行比对包括:
基于所述多个目标特征点生成至少一个目标特征点集合,其中每个所述目标特征点集合中包括至少两个所述目标特征点,且每个所述目标特征点集合具有对应的联合等级;以及
将每个目标特征点集合与所述参考指纹图像上的多个参考特征点进行比对。
7.根据权利要求1所述的方法,其中根据各个所述比较结果将各个所述目标特征点进行呈现包括:
根据各个所述比较结果将各个所述目标特征点以预设颜色进行呈现。
8.根据权利要求6所述的方法,其中将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图进一步包括:
根据各个所述目标特征点的等级将各个所述目标特征点集合与参考指纹图像上各个对应的参考特征点集合进行相似度比较,以获得各个所述目标特征点集合的相似度评分;
将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及
根据各个所述比较结果将各个所述目标特征点集合以对应的呈现方式进行呈现,以形成所述熵图。
9.根据权利要求8所述的方法,其中根据各个所述比较结果将各个所述目标特征点集合进行呈现包括:
根据各个所述比较结果将各个所述目标特征点集合以预设颜色进行呈现。
10.根据权利要求1所述的方法,其中根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配包括:
根据所述熵图中具有预设呈现方式的目标特征点的数目和/或所占区域的大小来确定所述目标指纹图像是否与所述参考指纹图像相匹配。
11.根据权利要求1所述的方法,其中根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像匹配包括:
将所述熵图输入至经训练的神经网络模型,以便将所述熵图分类为真熵图或伪熵图;
响应于所述熵图分类为真熵图,确定所述目标指纹图像与所述参考指纹图像相匹配;以及
响应于所述熵图分类为伪熵图,确定所述目标指纹图像与所述参考指纹图像不相匹配。
12.一种用于指纹图像识别的设备,包括:
处理器;
存储器,其存储有处理器可执行的程序指令,当所述程序指令由所述处理器执行时,使得所述设备执行:
根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;
将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及
根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像相匹配;
其中将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图包括:
根据各个所述目标特征点的等级将各个所述目标特征点与参考指纹图像上各个对应的参考特征点进行相似度比较,以获得各个所述目标特征点的相似度评分;
将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及
根据各个所述比较结果将各个所述目标特征点以对应的呈现方式进行呈现,以形成所述熵图。
13.根据权利要求12所述的设备,其中所述特征点属性包括所述目标特征点的清晰度和/或形状独特性,并且当所述程序指令由所述处理器执行时,使得所述设备执行:
根据所述目标特征点是否满足关于清晰度和/或形状独特性的预定要求对其进行等级划分。
14.根据权利要求13所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
根据所述特征点属性将所述多个目标特征点划分成第一等级特征点、第二等级特征点和第三等级特征点,其中所述第一等级特征点满足关于所述清晰度和形状独特性二者的预定要求,所述第二等级特征点满足关于所述清晰度和形状独特性之一的预定要求,而所述第三等级特征点未满足关于所述清晰度和形状独特性二者的预定要求。
15.根据权利要求13所述的设备,其中所述特征点属性还包括关于所述目标特征点所含信息量的信息量比重,其中所述信息量比重与所述目标特征点在所述目标指纹图像的位置相关。
16.根据权利要求15所述的设备,其中位于所述目标指纹图像的边界内的所述目标特征点具有100%的信息量比重,而位于所述目标指纹图像的边界上的所述目标特征点的信息量比重与所述目标特征点在所述边界内的面积成比例。
17.根据权利要求12所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
基于所述多个目标特征点生成至少一个目标特征点集合,其中每个所述目标特征点集合中包括至少两个所述目标特征点,且每个所述目标特征点集合具有对应的联合等级;以及
将每个目标特征点集合与所述参考指纹图像上的多个参考特征点进行比对。
18.根据权利要求12所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
根据各个所述比较结果将各个所述目标特征点集合以预设颜色进行呈现。
19.根据权利要求17所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
根据各个所述目标特征点的等级将各个所述目标特征点集合与参考指纹图像上各个对应的参考特征点集合进行相似度比较,以获得各个所述目标特征点集合的相似度评分;
将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及
根据各个所述比较结果将各个所述目标特征点集合以对应的呈现方式进行呈现,以形成所述熵图。
20.根据权利要求19所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
根据各个所述比较结果将各个所述目标特征点集合以预设颜色进行呈现。
21.根据权利要求12所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
根据所述熵图中具有预设呈现方式的目标特征点的数目和/或所占区域的大小来确定所述目标指纹图像是否与所述参考指纹图像相匹配。
22.根据权利要求12所述的设备,其中当所述程序指令由所述处理器执行时,使得所述设备执行:
将所述熵图输入至经训练的神经网络模型,以便将所述熵图分类为真熵图或伪熵图;
响应于所述熵图分类为真熵图,确定所述目标指纹图像与所述参考指纹图像相匹配;以及
响应于所述熵图分类为伪熵图,确定所述目标指纹图像与所述参考指纹图像不相匹配。
23.一种非瞬态计算机可读介质,其存储有用于指纹图像识别的程序指令,当所述程序指令由至少一个处理器执行时,使得执行以下操作:
根据特征点属性对从目标指纹图像上采集的多个目标特征点进行等级划分;
将划分等级后的多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图,其中所述熵图用于指示所述目标指纹图像和所述参考指纹图像的相似度;以及
根据所述熵图来确定所述目标指纹图像是否与所述参考指纹图像相匹配;
其中将多个目标特征点与参考指纹图像的多个参考特征点进行比对以形成熵图包括:
根据各个所述目标特征点的等级将各个所述目标特征点与参考指纹图像上各个对应的参考特征点进行相似度比较,以获得各个所述目标特征点的相似度评分;
将各个所述相似度评分与预定的阈值或阈值范围比较,以获得各个比较结果,其中所述比较结果与呈现方式关联;以及
根据各个所述比较结果将各个所述目标特征点以对应的呈现方式进行呈现,以形成所述熵图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/370,371 US11410455B2 (en) | 2020-10-14 | 2021-07-08 | Method and device for fingerprint image recognition, and computer-readable medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063091326P | 2020-10-14 | 2020-10-14 | |
US63/091,326 | 2020-10-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191300A CN113191300A (zh) | 2021-07-30 |
CN113191300B true CN113191300B (zh) | 2024-01-26 |
Family
ID=76981951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527088.2A Active CN113191300B (zh) | 2020-10-14 | 2021-05-14 | 用于指纹图像识别的方法、设备及计算机可读介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11410455B2 (zh) |
CN (1) | CN113191300B (zh) |
TW (1) | TW202215289A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089825B (zh) * | 2023-04-07 | 2023-06-30 | 中国环境科学研究院 | 一种基于统计熵的固废指纹特征提取方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060134547A (ko) * | 2005-06-23 | 2006-12-28 | 엘지전자 주식회사 | 지문 인식 장치 및 방법 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
KR20110114191A (ko) * | 2010-04-13 | 2011-10-19 | (주)아와시스템 | 특징점 구조 기반의 지문 매칭 방법 |
CN105608409A (zh) * | 2015-07-16 | 2016-05-25 | 宇龙计算机通信科技(深圳)有限公司 | 指纹识别的方法及装置 |
CN106104575A (zh) * | 2016-06-13 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
CN106663203A (zh) * | 2016-11-04 | 2017-05-10 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
CN106875586A (zh) * | 2017-03-21 | 2017-06-20 | 深圳汇通智能化科技有限公司 | 一种基于指纹识别技术的电子商务网联柜*** |
CN108305268A (zh) * | 2018-01-03 | 2018-07-20 | 沈阳东软医疗***有限公司 | 一种图像分割方法及装置 |
CN108491707A (zh) * | 2016-05-30 | 2018-09-04 | 广东欧珀移动通信有限公司 | 一种解锁控制方法及终端设备和介质产品 |
KR20180129041A (ko) * | 2017-05-25 | 2018-12-05 | 크루셜텍 (주) | 지문 인증 방법 및 장치 |
CN109446940A (zh) * | 2018-10-12 | 2019-03-08 | Oppo(重庆)智能科技有限公司 | 指纹识别方法、电子装置及计算机可读取介质 |
CN110516546A (zh) * | 2019-07-22 | 2019-11-29 | 深圳绿米联创科技有限公司 | 指纹识别方法、装置、智能门锁及可读存储介质 |
CN110738144A (zh) * | 2019-09-27 | 2020-01-31 | 五邑大学 | 基于神经网络的手指静脉验证方法、装置和存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222424A (ja) * | 2001-01-29 | 2002-08-09 | Nec Corp | 指紋照合システム |
US7986820B2 (en) * | 2001-10-19 | 2011-07-26 | Mitsubishi Electric Research Laboratories, Inc. | Method for comparing features extracted from images of fingerprints |
EP2600307B1 (en) * | 2010-07-29 | 2020-12-02 | Fujitsu Limited | Biometric authentication device, biometric authentication method and computer program for biometric authentication |
JP5505323B2 (ja) * | 2011-01-25 | 2014-05-28 | 富士通株式会社 | 生体認証装置、生体認証装置を制御する制御プログラム、生体認証装置を制御する制御方法及び生体認証システムの制御方法 |
JP6187262B2 (ja) * | 2014-01-06 | 2017-08-30 | 富士通株式会社 | 生体情報処理装置、生体情報処理方法及び生体情報処理用コンピュータプログラム |
JP6208898B2 (ja) * | 2014-02-10 | 2017-10-04 | ジーニー ゲゼルシャフト ミット ベシュレンクテル ハフツング | 画像特徴式認識のためのシステムおよび方法 |
US9430499B2 (en) * | 2014-02-18 | 2016-08-30 | Environmental Systems Research Institute, Inc. | Automated feature extraction from imagery |
US10713466B2 (en) | 2014-03-07 | 2020-07-14 | Egis Technology Inc. | Fingerprint recognition method and electronic device using the same |
CN103984929B (zh) * | 2014-05-20 | 2017-04-19 | 清华大学 | 扭曲指纹的校正方法及*** |
KR102434562B1 (ko) * | 2015-06-30 | 2022-08-22 | 삼성전자주식회사 | 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치 |
CN112183508B (zh) | 2020-11-30 | 2021-06-29 | 深圳阜时科技有限公司 | 指纹识别方法、指纹识别传感器及电子设备 |
-
2021
- 2021-05-14 CN CN202110527088.2A patent/CN113191300B/zh active Active
- 2021-05-14 TW TW110117435A patent/TW202215289A/zh unknown
- 2021-07-08 US US17/370,371 patent/US11410455B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060134547A (ko) * | 2005-06-23 | 2006-12-28 | 엘지전자 주식회사 | 지문 인식 장치 및 방법 |
KR20110114191A (ko) * | 2010-04-13 | 2011-10-19 | (주)아와시스템 | 특징점 구조 기반의 지문 매칭 방법 |
CN101847208A (zh) * | 2010-06-11 | 2010-09-29 | 哈尔滨工程大学 | 指纹与指静脉双模态识别的二级分类融合识别方法 |
CN105608409A (zh) * | 2015-07-16 | 2016-05-25 | 宇龙计算机通信科技(深圳)有限公司 | 指纹识别的方法及装置 |
CN108491707A (zh) * | 2016-05-30 | 2018-09-04 | 广东欧珀移动通信有限公司 | 一种解锁控制方法及终端设备和介质产品 |
CN106104575A (zh) * | 2016-06-13 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
CN106663203A (zh) * | 2016-11-04 | 2017-05-10 | 深圳市汇顶科技股份有限公司 | 活体指纹识别方法及装置 |
CN106875586A (zh) * | 2017-03-21 | 2017-06-20 | 深圳汇通智能化科技有限公司 | 一种基于指纹识别技术的电子商务网联柜*** |
KR20180129041A (ko) * | 2017-05-25 | 2018-12-05 | 크루셜텍 (주) | 지문 인증 방법 및 장치 |
CN108305268A (zh) * | 2018-01-03 | 2018-07-20 | 沈阳东软医疗***有限公司 | 一种图像分割方法及装置 |
CN109446940A (zh) * | 2018-10-12 | 2019-03-08 | Oppo(重庆)智能科技有限公司 | 指纹识别方法、电子装置及计算机可读取介质 |
CN110516546A (zh) * | 2019-07-22 | 2019-11-29 | 深圳绿米联创科技有限公司 | 指纹识别方法、装置、智能门锁及可读存储介质 |
CN110738144A (zh) * | 2019-09-27 | 2020-01-31 | 五邑大学 | 基于神经网络的手指静脉验证方法、装置和存储介质 |
Non-Patent Citations (4)
Title |
---|
一种基于指纹分类的指纹识别算法;陈春霞;殷新春;王秋平;;武汉大学学报(理学版)(第05期);全文 * |
基于合成模板的指纹匹配;王崇文, 李见为, 林国清;仪器仪表学报(第02期);全文 * |
王崇文,李见为,林国清.基于合成模板的指纹匹配.仪器仪表学报.2004,(第02期),全文. * |
陈春霞 ; 殷新春 ; 王秋平 ; .一种基于指纹分类的指纹识别算法.武汉大学学报(理学版).2006,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
TW202215289A (zh) | 2022-04-16 |
US11410455B2 (en) | 2022-08-09 |
CN113191300A (zh) | 2021-07-30 |
US20220114357A1 (en) | 2022-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
Shin et al. | New iris recognition method for noisy iris images | |
CN103136504B (zh) | 人脸识别方法及装置 | |
CN106295460B (zh) | 人的检测方法及设备 | |
Platzer et al. | Skin sheriff: a machine learning solution for detecting explicit images | |
US9418440B2 (en) | Image segmenting apparatus and method | |
WO2009078957A1 (en) | Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images | |
CN105095884A (zh) | 一种基于随机森林支持向量机的行人识别***及处理方法 | |
CN111612799A (zh) | 面向人脸数据对不完整的网纹人脸修复方法、***及存储介质 | |
Chi | Self‐organizing map‐based color image segmentation with k‐means clustering and saliency map | |
CN111507344A (zh) | 从图像中识别出文字的方法和装置 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN113191300B (zh) | 用于指纹图像识别的方法、设备及计算机可读介质 | |
Tapia et al. | Single morphing attack detection using feature selection and visualization based on mutual information | |
Subasic et al. | Face image validation system | |
CN109325434A (zh) | 一种多特征的概率主题模型的图像场景分类方法 | |
US8131077B2 (en) | Systems and methods for segmenting an image based on perceptual information | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
Battiato et al. | Scene categorization using bag of textons on spatial hierarchy | |
Nugroho et al. | Negative content filtering for video application | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
Tavallali et al. | Robust skin detector based on AdaBoost and statistical luminance features | |
Bruckert et al. | Deep learning for inter-observer congruency prediction | |
CN112580442B (zh) | 一种基于多维金字塔层次模型的行为识别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230216 Address after: 1 / F, 30 / F, 118 Ciyun Road, East District, Hsinchu, Taiwan, China Applicant after: Egis Technology Inc. Address before: 5th floor, 12 Lane 11, Lane 69, Jingxin street, Zhonghe District, Xinbei City, Taiwan, China Applicant before: Wang Jianhua |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |