CN113496172A - 指纹异物检测的方法、装置、电子设备及存储介质 - Google Patents
指纹异物检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113496172A CN113496172A CN202010260092.2A CN202010260092A CN113496172A CN 113496172 A CN113496172 A CN 113496172A CN 202010260092 A CN202010260092 A CN 202010260092A CN 113496172 A CN113496172 A CN 113496172A
- Authority
- CN
- China
- Prior art keywords
- image
- feature information
- foreign matter
- network model
- target
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 35
- 238000012216 screening Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例公开了一种指纹异物检测的方法、装置、电子设备及存储介质。该方法包括：获取指纹传感器采集到的图像；对该图像进行特征提取，得到该图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，确定对图像的处理方式。本申请通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，从而提升了指纹检测的准确率。
Description
技术领域
本申请涉及指纹识别技术领域，更具体地，涉及一种指纹异物检测的方法、装置、电子设备及存储介质。
背景技术
随着终端技术和图像处理技术的发展，指纹识别技术已经得到广泛的使用，是一种常见的鉴别身份的安全机制，不仅为个人的私密装置带来安全保护，更带来用户使用的方便性。指纹识别技术需要用户通过手指接触终端指纹传感器的表面，来采集用户的指纹信息。但是，在采集用户指纹信息的过程中会遇到指纹传感器表面本身或用户手指上有水等异物的情况，使得指纹检测的准确率不高。
发明内容
本申请实施例提出了一种指纹异物检测的方法、装置、电子设备及存储介质，以解决上述问题。
第一方面，本申请实施例提供了一种指纹异物检测的方法，该方法包括：获取指纹传感器采集到的图像；对该图像进行特征提取，得到该图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的该图像的异物检测结果；基于异物检测结果，确定对该图像的处理方式。
第二方面，本申请实施例提供了一种指纹异物检测的装置，该装置包括：图像获取模块，用于获取指纹传感器采集到的图像；特征提取模块，用于对该图像进行特征提取，得到该图像的目标特征信息；结果获取模块，用于将目标特征信息输入预先训练的网络模型中，获取网络模型输出的该图像的异物检测结果；方式确定模块，用于基于异物检测结果，确定对该图像的处理方式。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时所述处理器执行上述方法。
第四方面，本申请实施例提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行上述方法。
在本申请实施例中，获取指纹传感器采集到的图像；对该图像进行特征提取，得到该图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，确定对图像的处理方式。从而通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，提升了指纹检测的准确率。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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他的附图。
图1示出了本申请实施例提供的指纹异物检测的应用环境示意图；
图2示出了本申请一个实施例提供的指纹异物检测的方法的流程示意图；
图3示出了本申请又一个实施例提供的指纹异物检测的方法的流程示意图；
图4示出了本申请的图3所示的实施例提供的指纹异物检测的方法的步骤S210的流程示意图；
图5示出了本申请再一个实施例提供的指纹异物检测的方法的流程示意图；
图6示出了本申请另一个实施例提供的指纹异物检测的方法的流程示意图；
图7示出了本申请实施例提供的指纹异物检测的装置的结构框图；
图8示出了本申请实施例提供的一种指纹异物检测方法的电子设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
随着终端技术和图像处理技术的发展，指纹识别技术已经得到广泛的使用，是一种常见的鉴别身份的安全机制，不仅为个人的私密装置带来安全保护，更带来用户使用的方便性。指纹识别技术需要用户通过手指接触终端指纹传感器的表面，来采集用户的指纹信息。但是，在采集用户指纹信息的过程中会遇到指纹传感器表面本身或用户手指上有水等异物的情况，而在目前的指纹识别技术，在采集到指纹图像之后，直接将全部图像当作指纹进行处理，在经过指纹识别技术的处理后，原本异物的区域也会呈现出指纹的纹理，从而使得指纹检测的准确率不高。
于是，发明人提出了本申请实施例提供的指纹异物检测的方法、装置、电子设备以及存储介质，从而通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，提升了指纹检测的准确率。
下面将先对本申请所涉及的一种应用环境进行介绍。
请参阅图1，图1为适用于本申请实施例的应用环境示意图。本申请提供的指纹异物检测的方法可以应用于如图1所示的指纹识别***10中。该指纹识别***10包括指纹传感器110和图像处理器120。其中，指纹传感器110用于采集图像，图像处理器120用于对指纹传感器110采集到的图像进行处理。在本申请实施例中，指纹传感器110和图像处理器120可以是分离的器件，也可以是在同一个硬件模组中实现。作为一种方式，指纹传感器110可以是光学指纹传感器、半导体电容传感器、半导体热敏传感器、半导体压感传感器、超声波传感器或射频RF传感器等。指纹传感器110和图像处理器120可以设置在电子设备上，该电子设备可以包括个人电脑、智能手机、智能家居、智能门锁等，在此不作限定。
进一步地，指纹传感器110可以将采集到的图像发送给图像处理器120，图像处理器120对采集到的图像进行目标特征信息的提取，并将提取的目标特征信息输入到预先训练的网络模型中，进而获得图像的异物检测结果。从而根据图像的异物检测结果，确定对图像处理的方式。
下面将结合附图具体描述本申请的各实施例。
请参阅图2，图2示出了本申请一个实施例提供的指纹异物检测的方法的流程示意图。下面将针对图2所示的实施例进行详细的阐述，所述方法具体可以包括以下步骤：
步骤S110：获取指纹传感器采集到的图像。
在本申请实施例中，可以获取指纹传感器采集到的图像。其中，获取指纹传感器采集到的图像，可以是获取指纹传感器实时采集到的图像，也可以是获取由指纹传感器预先采集并存储的图像，在此不做限定。
进一步地，指纹传感器采集图像，可以是采集与指纹传感器接触的皮肤的图像。在一些实施方式中，当指纹传感器为光学指纹传感器时，可以利用光线的折射和反射原理，光从底部射向三棱镜，并经棱镜射出，射出的光线在手指表面指纹凹凸不平的线纹上折射的角度及反射回去的光线明暗就会不一样，指纹传感器则可以收集到不同明暗程度的图片信息，即采集到的图像。
在一些实施方式中，当指纹传感器为半导体电容传感器时，指纹传感器可以在指纹上独立的取点，并且测量点到指纹传感器的距离，其中，距离不同，半导体电容传感器也会获得不同的电容值，对这些电容值进行测量就可以获得指纹图像，即传感器采集到的图像。
在一些实施方式中，当指纹传感器为超声波指纹传感器时，可以利用向手指表面发射超声波，然后接受反射回来的回波。由于手指嵴和沟会产生不同的超声波信号回波，将回波信号进行数据处理就可以获得指纹图像数据，即可以采集到图像。进一步地，指纹传感器还可以是半导体热敏传感器、半导体压感传感器和射频RF传感器等，在此不做限定，同时，指纹传感器采集图像的方式在此也不做限定。
步骤S120：对图像进行特征提取，得到图像的目标特征信息。
指纹图像中，指纹和异物的纹理分布是不一样的，一般可以通过图像的特征信息来检测图像纹理。因此，在本申请实施例中，可以对图像进行特征提取，得到图像的目标特征信息。其中，目标特征信息包括目标特征信息的类别和目标特征信息的值。在一些实施方式中，目标特征信息的类别可以包括均值、方差、梯度以及方向梯度统计中的一种或几种组合。具体地，目标特征信息的类别可以包括均值、方差、梯度以及方向梯度统计中的一种或几种，例如，可以是均值，也可以包括均值、方差两种。目标特征信息也可以是均值、方差、梯度以及方向梯度统计中的几种的叠加与线性组合，例如，可以是梯度的均值方差、方差与均值的比值的组合，在此不做限定。目标特征信息的值可以指均值、方差、梯度以及方向梯度统计中的一种或几种信息的具体数值，例如，目标特征信息的值可以是图像的均值的数值，方差的数值等。其中，特征信息一般可以包括最大非直流峰值等特征，但由于此类特征是通过傅里叶变化检测得到的，计算复杂度太高，因此，在本申请实施例中，可以使用最基本的均值、方差、梯度以及方向梯度统计中的一种或几种组合，检测图像的纹理。
在一些实施方式中，可以基于目标特征信息对图像进行特征提取，得到图像的目标特征信息。其中，基于目标特征信息对图像进行特征提取，可以是对图像进行特征提取时，提取与目标特征信息一致的目标特征信息。例如，目标特征信息是均值、方差、梯度，那么基于目标特征信息对图像进行特征提取时，提取的是该图像的均值信息、方差信息以及梯度信息。其中，目标特征信息可以是由用户设置的，也可以是由指纹识别***预先设置的，还可以是通过机器学习方法对特征信息进行组合和筛选，将筛选得到的特征信息作为目标特征信息，在此不做限定。
步骤S130：将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果。
在本申请实施例中，网络模型，可以是基于大量图像的目标特征信息以及图像对应的异物检测结果的训练样本，通过神经网络训练得到的。通过将之前获取的目标特征信息输入网络模型，即可获取由网络模型输出与目标特征信息对应的图像的异物检测结果。
其中，网络模型可以采用循环神经网络(recurrent neural network，RNN)模型、卷积神经网络(convolutional neural networks，CNN)模型、双向长短时记忆循环神经网络(bi-directional long short-term memory，BiLSTM)模型等机器学习模型，在此不做限定。
步骤S140：基于异物检测结果，确定对图像的处理方式。
在本申请实施例中，通过上述步骤获得异物检测结果，可以基于该异物检测结果，确定对图像的处理方式。其中，异物检测结果可以是该图像中有无异物，也可以是确定异物所在的区域，还可以是异物区域在图像中的占比，在此不作限定。
在一些实施方式中，根据异物检测结果的不同，可以确定对图像不同的处理方式。例如，当异物检测结果表明该图像中没有异物时，可以对该图像进行指纹识别操作。再例如，当异物检测结果表明该图像中有异物时，可以重新采集指纹图像。还例如，当异物检测结果为异物所在的区域时，可以对异物所在区域进行遮盖或模糊化处理，再对处理后的图像进行指纹识别操作。进一步地，例如，当异物检测结果为异物区域在图像中的占比时，可以输出该异物区域在图像中的占比。图像的具体处理方式在此不做限定。
在一些实施方式中，当处于指纹录入的场景下，若异物检测结果表明采集到的图像中有异物，则为了安全性，可以不录入该指纹图像。
本申请一个实施例提供的指纹异物检测的方法，获取指纹传感器采集到的图像；对该图像进行特征提取，得到该图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，确定对图像的处理方式。从而通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，提升了指纹检测的准确率。
请参阅图3，图3示出了本申请又一个实施例提供的指纹异物检测的方法的流程示意图。下面将针对图3所示的流程进行详细的阐述，所述方法具体可以包括以下步骤：
步骤S210：获取样本训练集，样本训练集包括样本图像的样本特征信息以及样本图像对应的异物检测结果。
在本申请实施例中，可以首先获取样本训练集对网络模型进行训练，将训练后的网络模型作为预先训练的网络模型。其中，样本训练集包括样本图像的样本特征信息以及样本图像对应的异物检测结果。在一些实施方式中，样本训练集可以是通过大数据查找，再由***从大数据的查找结果中筛选得到的。
请参阅图4，图4示出了本申请的图3所示的实施例提供的指纹异物检测的方法的步骤S210的实施例的流程示意图。下面将针对图4所示的流程进行详细的阐述，所述方法具体可以包括以下步骤：
步骤S211：获取样本图像，对样本图像进行特征提取，得到样本图像的多个特征信息。
在本申请实施例中，可以获取样本图像，样本图像可以是由训练人员上传的，也可以是获取***中的历史图像记录，将历史图像作为样本图像。其中，为了得到更好的训练的效果，样本图像的数量可以是多个。
获取样本图像后，可以对样本图像进行特征提取，在一些实施方式中，可以先对样本图像进行分割以及灰度化，然后对处理后的样本图像进行特征提取，得到样本图像的多个特征信息，其中，特征信息可以包括均值、方差、梯度以及方向梯度统计中的一种或几种的组合。
步骤S212：基于复杂度抑制系数，对样本图像的多个特征信息进行筛选，从多个特征信息中确定样本图像的样本特征信息。
为了降低模型训练的运算复杂度，可以对样本图像的多个特征信息进行筛选，从多个特征信息中确定样本图像的样本特征信息。其中，多个特征信息对于检测结果的影响是不同的，因此，可以将权重低的特征信息，即对检测结果影响较低的特性信息剔除，从而得到优化后的样本特征信息。
因此，在本申请实施例中，可以基于复杂度抑制系数对样本图像的多个特征信息进行筛选。在一些实施方式中，可以使用机器学习方法训练一个神经网络，通过采用L1正则项或L2正则项约束作为复杂度抑制系数，这样有些特征信息的权重参数会比较小，于是，可以将低权重的特征信息剔除，将低权重的特征信息之外的特征信息作为样本图像的样本特征信息。
在一些实施方式中，还可以采用决策树方法，可以将样本图像的多个特征信息和样本图像对应的异物检测结果输入到决策树中进行训练，当增加选择某一特征信息不能提升信息增益，即可以理解为当增加某一特征信息对检测结果影响不大时，或运算复杂度显著增加时，则可以终止训练或进行砍枝，其中，进行砍枝的过程可以是剔除低权重特征信息的过程，从而得到样本图像的样本特征信息。
在一些实施方式中，还可以采用主成分分析(principal component analysis，PCA)的方式，PCA可以将特征信息映射到子空间后降维，然后将其映射矩阵中贡献较小的特征信息排除。
在一些实施方式中，可以将样本特征信息的类别确定为目标特征信息的类别，对图像进行特征提取，得到图像的目标特征信息，目标特征信息包括目标特征信息的类别和目标特征信息的值，即对指纹传感器采集到的图像进行异物检测时，无需提取采集到的图像的多个特征信息，再对多个特征信息进行筛选，而是可以基于目标特征信息对采集到的图像进行特征提取。例如，样本特征信息的类别为样本图像的梯度信息、方差信息时，则可以将样本特征信息的类别作为目标特征信息的类别，在对采集到的图像进行特征提取时，即可以提取采集到的图像的梯度信息以及方差信息。
步骤S220：将样本训练集输入网络模型，对网络模型进行训练。
在本申请实施例中，可以将样本训练集输入网络模型，对网络模型进行训练。在一些实施方式中，网络模型可以为随机森林，可以将样本图像的样本特征信息，以及该样本图像的异物检测结果，作为输入或输出，对随机森林进行训练。在一些实施方式中，网络模型还可以采用支持向量机(Support VectorMachine,SVM)。在另一些实施方式中，网络模型还可以是多层感知器(MLP，Multilayer Perceptron)，网络模型在此不做限定。
步骤S230：将训练后的网络模型确定为预先训练的网络模型。
在本申请实施例中，可以将训练后的网络模型确定为预先训练的网络模型，以便于后续通过该网络模型对指纹传感器采集到的图像进行异物检测。
步骤S240：获取指纹传感器采集到的图像。
步骤S250：对图像进行特征提取，得到图像的目标特征信息。
步骤S260：将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果。
步骤S270：基于异物检测结果，确定对图像的处理方式。
其中，步骤S240-步骤S270的具体描述请参阅步骤S110-步骤S140，在此不再赘述。
本申请又一个实施例提供的指纹异物检测的方法，获取样本训练集，样本训练集包括样本图像的样本特征信息以及样本图像对应的异物检测结果；将样本训练集输入网络模型，对网络模型进行训练；将训练后的网络模型确定为预先训练的网络模型；获取指纹传感器采集到的图像；对图像进行特征提取，得到图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，确定对图像的处理方式。从而通过根据样本图像的样本特征信息以及样本图像对应的异物检测结果，对网络模型进行训练，得到预先训练的网络模型，以此提升异物检测的精确率。
请参阅图5，图5示出了本申请再一个实施例提供的指纹异物检测的方法的流程示意图。下面将针对图5所示的流程进行详细的阐述，所述方法具体可以包括以下步骤：
步骤S310：获取指纹传感器采集到的图像。
其中，步骤S310的具体描述请参阅步骤S110，在此不再赘述。
步骤S320：对图像进行分块得到多个图像分块。
在本申请实施例中，在获取到指纹传感器采集到的图像后，还可以对图像进行分块得到多个图像分块。在一些实施方式中，可以先对图像进行灰度处理，再利用编程代码对处理后的图像进行分块，得到多个图像分块。
步骤S330：对图像进行特征提取，得到图像的目标全局特征信息。
因为图像本身的亮度不稳定，在对图像进行特征提取时，可以将全局特征信息作为基础，局部特征信息做比较，从而可以消除基本环境的影响。因此，在本申请实施例中，可以对图像进行特征提取，得到图像的目标全局特征信息。其中，目标全局特征信息的类别可以包括均值、方差、梯度以及方向梯度统计中的一种或几种组合。在一些实施方式中，可以是对整个图像进行特征提取，得到整个图像的目标全局特征信息。
在一些实施方式中，也可以基于目标特征信息对图像进行特征提取，得到图像的目标全局特征信息，从而在保证异物识别准确度的基础上降低运算复杂度。具体地，可以是对整个图像进行特征提取，并提取与目标特征信息一致的目标全局特征信息。例如，目标特征信息是均值，则对图像进行特征提取后，可以得到图像的目标全局特征信息为全局均值。
步骤S340：分别对多个图像分块中每个图像分块进行特征提取，得到每个图像分块的目标局部特征信息。
在本申请实施例中，可以分别对多个图像分块中的每个图像分块进行特征提取，得到每个图像分块的目标局部特征信息。其中，目标局部特征信息可以包括均值、方差、梯度以及方向梯度统计中的一种或几种组合。在一些实施方式中，可以获取多个图像分块中的一个图像分块，对该图像分块进行特征提取，得到该图像分块的目标局部特征信息。
在一些实施方式中，也可以基于目标特征信息分别对多个图像分块中的每个图像分块进行特征提取，得到每个图像分块的目标局部特征信息，从而在保证异物识别准确度的基础上降低运算复杂度。具体地，可以获取多个图像分块中的一个图像分块，对该图像分块进行特征提取，并提取与目标特征信息一致的目标局部特征信息。例如，目标特征信息是梯度，则分别对多个图像分块中的每个图像分块进行特征提取后，可以得到每个图像的目标局部特征信息为局部梯度。
步骤S350：基于目标全局特征信息和每个图像分块的目标局部特征信息，得到每个图像分块的目标特征信息。
在本申请实施例中，可以基于目标全局特征信息和每个图像分块的目标局部特征信息，得到每个图像分块的目标特征信息。在一些实施方式中，可以是结合目标全局特征信息和每个图像分块的目标局部特征信息，作为每个图像分块的特征信息。例如，目标全局特征信息为(全局均值，全局方差，全局方向梯度统计)，每个图像分块的目标局部特征信息为(局部均值，局部方差，局部方向梯度统计)，则每个图像分块的目标特征信息可以是(全局均值，全局方差，全局方向梯度统计，局部均值，局部方差，局部方向梯度统计)。
步骤S360：将每个图像分块的目标特征信息输入预先训练的网络模型中，获取网络模型输出的每个图像分块的异物检测结果。
在本申请实施例中，可以将每个图像分块的目标特征信息输入预先训练的网络模型中，获取网络模型输出的每个图像分块的异物检测结果。在一些实施方式中，该网络模型的训练过程可以是先对样本图像进行手工标注，即可以是获取一个与图像同尺寸的掩膜，对样本图像进行分块，然后基于样本图像的全局特征信息和局部特征信息得到每个样本图像分块的样本特征信息。将样本图像分块的样本特征信息作为输入，将该样本图像分块对应的异物检测结果作为输出，对网络模型进行训练得到预先训练的网络模型。使得可以将每个图像分块的目标特征信息输入预先训练的网络模型中，获取网络模型输出的每个图像分块的异物检测结果。其中，图像分块的异物检测结果可以是简单的是否，即异物检测结果可以是该图像分块是异物，或该图像分块不是异物。图像分块的异物检测结果也可以是0或1，0代表该图像分块不是异物，1代表该图像分块是异物，具体的异物检测结果的形式在此不做限定。
步骤S370：基于每个图像分块的异物检测结果，确定对图像的处理方式。
在本申请实施例中，可以基于每个图像分块的异物检测结果，确定对图像的处理方式。在一些实施方式中，图像分块的异物检测结果可以是简单的是否，于是可以统计每个图像分块的异物检测结果，确定对图像的处理方式，例如，图像分为4块，若三个图像分块的异物检测结果均为是异物，那么可以认为该图像为非指纹图像，则可以不对该图像进行指纹识别。
在一些实施方式中，可以根据每个图像分块的异物检测结果，统计得到异物区域在图像中所占的比例。进而可以根据异物区域在图像中所占的比例，确定对图像的处理方式。进一步地，作为一种实施方式，当异物区域在图像中所占的比例小于阈值时，可以认为该图像无异物存在，则可以对该图像进行指纹识别。例如，图像分为9块，若有三个图像分块的异物检测结果为异物，则可以得到异物区域在图像中所占的比例为1：3，当阈值为50％时，可以看出，异物区域在图像中所占的比例小于阈值，于是可以对该图像进行指纹识别。
本申请再一个实施例提供的指纹异物检测的方法，获取指纹传感器采集到的图像；对图像进行分块得到多个图像分块；对图像进行特征提取，得到图像的目标全局特征信息；分别对多个图像分块中每个图像分块进行特征提取，得到每个图像分块的目标局部特征信息；基于目标全局特征信息和每个图像分块的目标局部特征信息，得到每个图像分块的目标特征信息；将每个图像分块的目标特征信息输入预先训练的网络模型中，获取网络模型输出的每个图像分块的异物检测结果；基于每个图像分块的异物检测结果，确定对图像的处理方式。通过在图像全局和图像分块上，提取目标特征信息，从而将全局特征信息作为基础，局部特征信息作比较，以此消除基本环境对图像的影响。
请参阅图6，图6示出了本申请另一个实施例提供的指纹异物检测的方法的流程示意图，下面将针对图6所示的流程进行详细的阐述，所述方法具体可以包括以下步骤；
步骤S410：获取指纹传感器采集到的图像。
步骤S420：对图像进行特征提取，得到图像的目标特征信息。
步骤S430：将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果。
其中，步骤S410-步骤S430的具体描述请参阅步骤S110-步骤S130，在此不再赘述。
步骤S440：基于异物检测结果，获取异物区域在图像中的比例。
在本申请实施例中，可以基于异物检测结果，获取异物区域在图像中的比例。在一些实施方式中，可以根据异物检测结果获取异物区域的像素数量，继而可以根据异物区域的像素数量和图像的像素数量，得到异物区域在图像中的比例。在一些实施方式中，异物检测结果可以是图像的每个图像分块的异物检测结果，于是可以统计每个图像分块的异物检测结果，得到异物区域在图像中的比例。
步骤S450：判断异物区域在图像中的比例是否小于预设比例。
在本申请实施例中，可以根据异物区域在图像中的比例，确定对图像的处理方式。具体地，可以判断异物区域在图像中的比例是否小于预设比例。其中，预设比例可以是由训练人员设置的，也可以是由***根据图像的尺寸预先设置的，在此不做限定。在一些实施方式中，可以将异物区域在图像中的比例与预设比例进行比较，从而判断该异物区域在图像中的比例是否小于预设比例。
步骤S460：当比例小于预设比例时，对图像进行指纹识别。
在本申请实施例中，当异物区域在图像中的比例小于预设比例时，可以认为该图像无显著异物，则可以对图像进行指纹识别。例如，预设比例为5％，根据上述方法得到异物区域在图像中的比例为3％时，则可以对该图像进行指纹识别。
步骤S470：当比例大于预设比例时，输出异物区域在图像中的比例。
在本申请实施例中，当比例大于预设比例时，可以输出异物区域在图像中的比例。例如，预设比例为5％，当异物区域在图像中的比例大于5％时，可以输出该异物区域在图像中的比例。
在一些实施方式中，当异物区域在图像中的比例大于预设比例时，可以对异物区域进行遮盖处理或模糊化处理，然后可以将对异物区域处理后的图像进行指纹识别。其中，对异物区域进行遮盖处理，可以是对异物区域进行涂黑或涂白，具体地，可以将异物区域内的全部像素设置为黑色或白色，从而实现对异物区域涂黑或涂白。在一些实施方式中，可以通过滤波算法对异物区域进行模糊化处理，得到经过模糊化处理后的图像，从而防止产生伪特征点。在一些实施方式中，当异物区域在图像中的比例大于预设比例时，还可以获取异物区域的掩膜，通过将异物区域的掩膜和采集到的图像进行拟合，即可消除异物对图像的影响。
在另一些实施方式中，当异物区域在图像中的比例过大时，可以认为该图像中不包含指纹图像，则可以丢弃该图像。进一步地，还可以控制指纹传感器重新采集图像。
本申请另一个实施例提供的指纹异物检测的方法，获取指纹传感器采集到的图像；对图像进行特征提取，得到图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，获取异物区域在图像中的比例；判断异物区域在图像中的比例是否小于预设比例；当比例小于预设比例时，对图像进行指纹识别；当比例大于预设比例时，输出异物区域在图像中的比例。通过基于异物检测结果，获取异物区域在图像中的比例，根据比例与预设比例的关系，确定对图像的处理方式，从而得到更准确的图像处理方式，进一步提升指纹检测的准确率。
请参阅图7，图7示出了本申请实施例提供的指纹异物检测的装置700的模块框图。下面将针对图7所示的框图进行阐述，该指纹异物检测的装置700包括：图像获取模块710、特征提取模块720、结果获取模块730以及方式确定模块740，其中：
图像获取模块710，用于获取指纹传感器采集到的图像。
特征提取模块720，用于对图像进行特征提取，得到图像的目标特征信息。
进一步地，特征提取模块720包括：图像分块子模块、全局特征提取子模块、局部特征提取子模块以及目标特征确定子模块，其中：
图像分块子模块，用于对图像进行分块得到多个图像分块。
全局特征提取子模块，用于对图像进行特征提取，得到图像的目标全局特征信息。
局部特征提取子模块，用于分别对多个图像分块中每个图像分块进行特征提取，得到每个图像分块的目标局部特征信息。
目标特征确定子模块，用于基于目标全局特征信息和每个图像分块的目标局部特征信息，得到每个图像分块的目标特征信息。
进一步地，特征提取模块720还包括：类别确定子模块以及特征提取子模块，其中：
信息确定子模块，用于将样本特征信息的类别确定为目标特征信息的类别。
特征提取子模块，用于对图像进行特征提取，得到图像的目标特征信息，目标特征信息包括目标特征信息的类别和目标特征信息的值。
结果获取模块730，用于将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果。
进一步地，结果获取模块730包括：分块结果获取子模块，其中：
分块结果获取子模块，用于将每个图像分块的目标特征信息输入预先训练的网络模型中，获取网络模型输出的每个图像分块的异物检测结果。
方式确定模块740，用于基于异物检测结果，确定对图像的处理方式。
进一步地，方式确定模块740包括：方式确定子模块，其中：
方式确定子模块，用于基于每个图像分块的异物检测结果，确定对图像的处理方式。
进一步地，方式确定模块740还包括：比例获取子模块、比例判断子模块、指纹识别子模块以及比例输出子模块，其中：
比例获取子模块，用于基于异物检测结果，获取异物区域在图像中的比例。
比例判断子模块，用于判断异物区域在图像中的比例是否小于预设比例。
指纹识别子模块，用于当比例小于预设比例时，对图像进行指纹识别。
比例输出子模块，用于当比例大于预设比例时，输出异物区域在图像中的比例。
进一步地，方式确定模块740还包括：异物区域处理子模块，其中：
异物区域处理子模块，用于当比例大于预设比例时，对异物区域进行遮盖处理或模糊化处理，将对异物区域处理后的图像进行指纹识别。
进一步地，指纹异物检测的装置700还包括：训练集获取模块、模型训练模块以及模型确定模块，其中：
训练集获取模块，用于获取样本训练集，样本训练集包括样本图像的样本特征信息以及样本图像对应的异物检测结果。
进一步地，训练集获取模块包括：样本图像获取子模块以及信息筛选子模块，其中：
样本图像获取子模块，用于获取样本图像，对样本图像进行特征提取，得到样本图像的多个特征信息。
信息筛选子模块，用于基于复杂度抑制系数，对样本图像的多个特征信息进行筛选，从多个特征信息中确定样本图像的样本特征信息。
模型训练模块，用于将样本训练集输入网络模型，对网络模型进行训练。
模型确定模块，用于将训练后的网络模型确定为预先训练的网络模型。
本申请实施例提供的指纹异物检测的装置，图像获取模块，用于获取指纹传感器采集到的图像；特征提取模块，用于对图像进行特征提取，得到图像的目标特征信息；结果获取模块，用于将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；方式确定模块，用于基于异物检测结果，确定对图像的处理方式。从而通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，提升了指纹检测的准确率。
所属领域的技术人员可以清楚地了解到，本申请实施例提供的指纹异物检测的装置能够实现图2到图6的方法实施例中电子设备实现的各个过程，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参阅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，所显示或讨论的模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的指纹异物检测的方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
图8是本发明实施例提供的一种指纹异物检测方法的电子设备的硬件结构框图。如图8所示，该电子设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Processing Units，PU)810(处理器810可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器830，一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中，存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质820通信，在电子设备800上执行存储介质820中的一系列指令操作。电子设备800还可以包括一个或一个以上电源860，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口840，和/或，一个或一个以上操作***821，例如WindowsServerTM，MacOSXTM，UnixTM，LinuxTM，FreeBSDTM等等。
输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备800的通信供应商提供的无线网络。在一个实例中，输入输出接口840包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口840可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子设备的结构造成限定。例如，电子设备800还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行实现上述指纹异物检测的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
综上所述，本申请实施例公开了一种指纹异物检测的方法、装置、电子设备以及存储介质。获取指纹传感器采集到的图像；对该图像进行特征提取，得到该图像的目标特征信息；将目标特征信息输入预先训练的网络模型中，获取网络模型输出的图像的异物检测结果；基于异物检测结果，确定对图像的处理方式。通过提取图像的目标特征信息，将目标特征信息输入预先训练的网络模型中来对图像进行异物检测，根据异物检测结果确定图像的处理方式，从而提升了指纹检测的准确率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是智能网关，手机，计算机，服务器，空调器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请各实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护范围之内。
Claims (12)
1.一种指纹异物检测的方法，其特征在于，所述方法包括：
获取指纹传感器采集到的图像；
对所述图像进行特征提取，得到所述图像的目标特征信息；
将所述目标特征信息输入预先训练的网络模型中，获取所述网络模型输出的所述图像的异物检测结果；
基于所述异物检测结果，确定对所述图像的处理方式。
2.根据权利要求1所述的方法，其特征在于，所述获取指纹传感器采集到的图像之前，还包括：
获取样本训练集，所述样本训练集包括样本图像的样本特征信息以及所述样本图像对应的异物检测结果；
将所述样本训练集输入网络模型，对所述网络模型进行训练；
将训练后的网络模型确定为所述预先训练的网络模型。
3.根据权利要求2所述的方法，其特征在于，所述获取样本训练集，包括：
获取样本图像，对所述样本图像进行特征提取，得到所述样本图像的多个特征信息；
基于复杂度抑制系数，对所述样本图像的多个特征信息进行筛选，从多个特征信息中确定所述样本图像的样本特征信息。
4.根据权利要求3所述的方法，其特征在于，所述对所述图像进行特征提取，得到所述图像的目标特征信息，包括：
将所述样本特征信息的类别确定为所述目标特征信息的类别；
对所述图像进行特征提取，得到所述图像的目标特征信息，所述目标特征信息包括所述目标特征信息的类别和所述目标特征信息的值。
5.根据权利要求4所述的方法，其特征在于，所述目标特征信息的类别包括均值、方差、梯度以及方向梯度统计中的一种或几种的组合。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述对所述图像进行特征提取，得到所述图像的目标特征信息，包括：
对所述图像进行分块得到多个图像分块；
对所述图像进行特征提取，得到所述图像的目标全局特征信息；
分别对多个图像分块中每个图像分块进行特征提取，得到所述每个图像分块的目标局部特征信息；
基于所述目标全局特征信息和所述每个图像分块的目标局部特征信息，得到所述每个图像分块的目标特征信息。
7.根据权利要求6所述的方法，其特征在于，所述将所述目标特征信输入预先训练的网络模型中，获取所述网络模型输出的所述图像的异物检测结果，包括：
将所述每个图像分块的目标特征信息输入预先训练的网络模型中，获取所述网络模型输出的所述每个图像分块的异物检测结果；
所述基于所述异物检测结果，确定对所述图像的处理方式，包括：
基于所述每个图像分块的异物检测结果，确定对所述图像的处理方式。
8.根据权利要求1所述的方法，其特征在于，所述基于所述异物检测结果，确定对所述图像的处理方式，包括：
基于所述异物检测结果，获取异物区域在所述图像中的比例；
判断所述异物区域在所述图像中的比例是否小于预设比例；
当所述比例小于所述预设比例时，对所述图像进行指纹识别；
当所述比例大于所述预设比例时，输出所述异物区域在所述图像中的比例。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
当所述比例大于所述预设比例时，对所述异物区域进行遮盖处理或模糊化处理，将对异物区域处理后的图像进行指纹识别。
10.一种指纹异物检测的装置，其特征在于，所述装置包括：
图像获取模块，用于获取指纹传感器采集到的图像；
特征提取模块，用于对所述图像进行特征提取，得到所述图像的目标特征信息；
结果获取模块，用于将所述目标特征信息输入预先训练的网络模型中，获取所述网络模型输出的所述图像的异物检测结果；
方式确定模块，用于基于所述异物检测结果，确定对所述图像的处理方式。
11.一种电子设备，其特征在于，包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时所述处理器执行如权利要求1-9任一项权利要求所述的方法。
12.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-9任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010260092.2A CN113496172A (zh) | 2020-04-03 | 2020-04-03 | 指纹异物检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010260092.2A CN113496172A (zh) | 2020-04-03 | 2020-04-03 | 指纹异物检测的方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113496172A true CN113496172A (zh) | 2021-10-12 |
Family
ID=77995144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010260092.2A Pending CN113496172A (zh) | 2020-04-03 | 2020-04-03 | 指纹异物检测的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496172A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343272A (zh) * | 2022-10-14 | 2023-06-27 | 荣耀终端有限公司 | 指纹识别方法和终端设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650572A (zh) * | 2016-09-12 | 2017-05-10 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法 |
| CN107784282A (zh) * | 2017-10-24 | 2018-03-09 | 北京旷视科技有限公司 | 对象属性的识别方法、装置及*** |
| CN108898592A (zh) * | 2018-06-22 | 2018-11-27 | 北京小米移动软件有限公司 | 提示镜头脏污程度的方法及装置、电子设备 |
| CN109359137A (zh) * | 2018-10-16 | 2019-02-19 | 大连理工大学 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
| CN109447000A (zh) * | 2018-10-31 | 2019-03-08 | 北京旷视科技有限公司 | 活体检测方法、污渍检测方法、电子设备及记录介质 |
| CN109884727A (zh) * | 2019-03-15 | 2019-06-14 | Oppo广东移动通信有限公司 | 异物检测方法、异物检测装置和电子设备 |
| CN110765857A (zh) * | 2019-09-12 | 2020-02-07 | 敦泰电子（深圳）有限公司 | 指纹识别方法、芯片及电子装置 |
| WO2020063111A1 (zh) * | 2018-09-29 | 2020-04-02 | 京东方科技集团股份有限公司 | 纹路检测方法与纹路图像补偿方法及装置、电子装置 |
-
2020
- 2020-04-03 CN CN202010260092.2A patent/CN113496172A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650572A (zh) * | 2016-09-12 | 2017-05-10 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法 |
| CN107784282A (zh) * | 2017-10-24 | 2018-03-09 | 北京旷视科技有限公司 | 对象属性的识别方法、装置及*** |
| CN108898592A (zh) * | 2018-06-22 | 2018-11-27 | 北京小米移动软件有限公司 | 提示镜头脏污程度的方法及装置、电子设备 |
| WO2020063111A1 (zh) * | 2018-09-29 | 2020-04-02 | 京东方科技集团股份有限公司 | 纹路检测方法与纹路图像补偿方法及装置、电子装置 |
| CN109359137A (zh) * | 2018-10-16 | 2019-02-19 | 大连理工大学 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
| CN109447000A (zh) * | 2018-10-31 | 2019-03-08 | 北京旷视科技有限公司 | 活体检测方法、污渍检测方法、电子设备及记录介质 |
| CN109884727A (zh) * | 2019-03-15 | 2019-06-14 | Oppo广东移动通信有限公司 | 异物检测方法、异物检测装置和电子设备 |
| CN110765857A (zh) * | 2019-09-12 | 2020-02-07 | 敦泰电子（深圳）有限公司 | 指纹识别方法、芯片及电子装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343272A (zh) * | 2022-10-14 | 2023-06-27 | 荣耀终端有限公司 | 指纹识别方法和终端设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255352B (zh) | 目标检测方法、装置及*** | |
| CN109492577B (zh) | 一种手势识别方法、装置及电子设备 | |
| CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
| CN108009466B (zh) | 行人检测方法和装置 | |
| CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
| CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
| CN109584266B (zh) | 一种目标检测方法及装置 | |
| CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN110928862A (zh) | 数据清洗方法、数据清洗设备以及计算机存储介质 | |
| CN111210399A (zh) | 一种成像质量评价方法、装置及设备 | |
| CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
| CN108875500B (zh) | 行人再识别方法、装置、***及存储介质 | |
| CN116386120A (zh) | 一种无感监控管理*** | |
| CN109711287B (zh) | 人脸采集方法及相关产品 | |
| CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN113496172A (zh) | 指纹异物检测的方法、装置、电子设备及存储介质 | |
| CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
| CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
| CN116912881A (zh) | 一种动物物种识别方法、计算机设备以及识别*** | |
| CN110689556A (zh) | 跟踪方法、装置及智能设备 | |
| CN111652034A (zh) | 一种基于sift算法的船只检索方法及装置 | |
| Monisha et al. | A real-time embedded system for human action recognition using template matching |
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 |