CN113657498B - 生物特征提取方法、训练方法、认证方法、装置和设备 - Google Patents
生物特征提取方法、训练方法、认证方法、装置和设备 Download PDFInfo
- Publication number
- CN113657498B CN113657498B CN202110944020.4A CN202110944020A CN113657498B CN 113657498 B CN113657498 B CN 113657498B CN 202110944020 A CN202110944020 A CN 202110944020A CN 113657498 B CN113657498 B CN 113657498B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- image
- feature
- hidden space
- features
- 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
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种生物特征提取方法、训练方法、认证方法、装置和设备,涉及人工智能领域,该生物特征提取方法包括:将生物特征输入至生物特征提取模型;生物特征提取模型的编码器对生物特征进行特征提取,得到隐空间特征;对该隐空间特征进行标准化处理,使得隐空间特征的各特征点的值正负分布均衡;通过符号函数对隐空间特征的各特征点的值进行二值量化,得到生物特征的二值图像模板;将该二值图像模板存入生物特征库,该方法可以快速准确地提取生物特征。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种生物特征提取方法、训练方法、认证方法、装置和设备。
背景技术
生物特征由于具有唯一性、稳定性、携带方便、不可更改撤销等特性,越来越广泛应用于身份鉴别领域。其中,指纹识别由于其可靠性和采集方便性,成为最成熟、应用最广泛的识别方式。已有的指纹识别方法中,主要是基于对指纹细节点的识别方法。最常用的指纹细节点包括脊线端点和分叉点,而指纹细节点提取的精确性,是指纹识别性能好坏的关键。目前指纹细节点提取的算法十分复杂,而且由于噪声等因素影响,特征信息(位置、方向等)也不够准确。因此,如何从图像中快速准确地提取生物特征成为业界亟需解决的问题。
发明内容
本发明实施例提供一种生物特征提取方法、训练方法、认证方法、装置和设备,用以从图像中快速准确地提取生物特征。
第一方面,本发明提供一种生物特征提取模型的训练方法,该方法包括:
对图像样本进行旋转和添加噪声预处理,向待训练的卷积神经网络模型输入预处理后的图像样本;该卷积神经网络模型的编码器对输入图像样本进行特征提取,得到隐空间特征;该卷积神经网络模型的解码器根据该隐空间特征进行图像重建,输出重建图像;利用损失函数计算该重建图像与该图像样本之间的损失值,其中,该损失函数包括损失项和正则项,该正则项为KL散度;利用该损失值调整该卷积神经网络模型中的参数;生成包括调整后的网络模型参数的生物特征提取模型。
本发明提供的生物特征提取模型的训练方法的有益效果在于:因为预先考虑到生物特征录入时的噪声影响,所以在模型训练过程中,对输入的图像样本主动添加噪声,使模型提取的特征对噪声具有鲁棒性,另外,在模型训练过程中,主动对图像样本进行旋转,可以使得训练得到的模型适用于不同输入角度下采集的指纹、虹膜、人脸等生物特征,提高了模型的泛化能力。再者,在损失函数中引入了稀疏正则项,可以有效地获得稳健、准确的指纹特征,有利于提高后续指纹重建的质量。
在一种可能的设计中,损失函数满足如下公式:
Loss〈input|output〉=MSE〈input|output〉+βKL〈FF|α〉
其中,input代表输入生物特征图像,output代表输出生物特征图像;MSE代表均方误差;β代表权重因子,用于平衡损失项和正则项之间的权重;KL代表KL散度,用于约束生物特征的稀疏性,FF代表隐空间特征,α代表接近于0的标量。该设计中,在损失函数中引入了稀疏正则项,有效获得稳健、准确的指纹特征,有利于提高后续指纹重建的质量。
在一种可能的设计中,生成包括调整后的网络模型参数的生物特征提取模型,包括:
当该待训练的卷积神经网络模型的迭代次数达到设定数值时或该损失函数的损失值达到目标值时,生成包括调整后的网络模型参数的生物特征提取模型。该设计中,通过反复多次的训练,提高了模型训练结果的准确性。
第二方面,本申请实施例还提供一种生物特征提取方法,该方法包括:获取用户的生物特征;将该生物特征输入至生物特征提取模型;该生物特征提取模型的编码器对该生物特征进行特征提取,得到隐空间特征,其中,该生物特征提取模型是预先利用训练样本数据对卷积神经网络模型进行训练得到的;对该隐空间特征进行标准化处理,使得该隐空间特征的各特征点的值正负分布均衡;通过符号函数对该隐空间特征的各特征点的值进行二值量化,得到该生物特征的二值图像模板;将该二值图像模板存入生物特征库。
本发明提供的生物特征提取方法的有益效果在于:该方法可以利用第一方面所训练好的生物特征提取模型快速准确地提取生物特征,将基于卷积自编码提取生物特征具有代表性的特征进行标准化,然后,将标准化后的生物特征通过符号函数量化,从而生成二值图像模板,如二维码,该方法通过将生物特征量化并存储能够节省存储空间。
第三方面,本申请实施例另提供一种生物特征认证方法,该方法可以由终端设备执行,该方法包括:通过生物特征提取模型的编码器提取用户的生物特征的隐空间特征;对该隐空间特征进行标准化处理,使得该隐空间特征的各特征点的值正负分布均衡;通过符号函数对该隐空间特征的各特征点的值进行二值量化,得到该用户的生物特征的二值图像;将该用户的生物特征的二值图像与生物特征库中的二值图像模板进行交并比计算;若计算结果大于设定阈值,则认证成功,否则认证失败。
本发明提供的生物特征提取方法的有益效果在于:该方法可以基于第一方面所生成的生物特征提取模型提取待认证生物特征的关键点信息,生成二值图像,然后再基于第二方面中生物特征库中的二值图像模板,进行生物特征之间的匹配,从而完成身份认证,特征提取的速度快,认证结果准确度更高。
第四方面,本申请实施例还提供一种生物特征提取装置,该装置包括执行上述第一方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
第五方面,本申请实施例还提供一种生物特征提取模型的训练装置,该装置包括执行上述第二方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
第六方面,本申请实施例还提供一种生物特征认证装置,该装置包括执行上述第三方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
第七方面,本申请实施例提供一种终端设备,包括处理器和存储器。其中,存储器用于存储一个或多个计算机程序;当存储器存储的一个或多个计算机程序被处理器执行时,使得该终端设备能够实现上述第一方面至第三方面中的任意一种可能的设计的方法。
第八方面,本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质包括计算机程序,当计算机程序在终端设备上运行时,使得所述终端设备执行上述第一方面至第三方面中的任意一种可能的设计的方法。
第九方面,本申请实施例还提供一种包含计算机程序产品,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述第一方面至第三方面中的任意一种可能的设计的方法。
第十方面,本申请实施例还提供一种芯片,芯片与存储器耦合,用于执行所述存储器中存储的计算机程序,使得所述电子设备执行上述第一方面至第三方面中的任意一种可能的设计的方法。
关于上述第四方面至第十方面的有益效果可以参见上述第一方面至第三方面中的描述。
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要介绍,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,对于本领域的普通技术人员来讲,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他的附图。
图1为本发明实施例提供的一种应用场景示意图;
图2为本发明实施例提供的一种卷积神经网络结构示意图;
图3为本发明实施例提供的一种生物特征提取模型的训练方法流程示意图;
图4为本发明实施例提供的一种生物特征提取方法流程的示意图;
图5为本发明实施例提供的一种指纹特征提取方法流程的示意图;
图6为本发明实施例提供的一种生物特征认证方法流程示意图;
图7为本发明实施例提供的一种生物特征提取模型的训练装置示意图;
图8为本发明实施例提供的一种生物特征提取装置的示意图;
图9为本发明实施例提供的一种生物特征认证装置的示意图;
图10为本发明实施例提供的一种设备结构示意图。
具体实施方式
目前,由于生物识别所具有的便捷与安全等优点使得生物识别技术在身份认证识别和网络安全领域拥有广阔的应用前景,生物特征可以包括指纹、人脸、声纹、虹膜等,指纹是其中应用最为广泛的一种。
指纹因其唯一性特点,指纹识别技术常常应用于智能终端的生物身份识别。但在指纹应用过程中,指纹特征的提取以及量化是指纹能否匹配成功的关键。目前,基于细化图的特征点提取算法主要面临以下挑战:1)细化操作一方面计算量大,另一方面容易丢失真实特征点,同时又产生很多伪特征点。2)图像增强滤波以及二值化同样会引起特征点信息的丢失。3)有些脊线较短,且单独存在,很难被跟踪到。4)如果待匹配的生物特征图像存在部分缺失,检测到的端点数目就会增多,降低匹配的准确度。5)待匹配的生物特征图像中存在严重噪声影响时,会对匹配精度产生严重影响。6)基于细化图的特征点提取算法提取到的是局部特征,没有考虑到全局特征(全局对比度、纹理等)。7)人为提取的特征,忽略了生物特征图像本身隐藏的特征。
为了解决上述现有的生物特征提取方法存在的不足,本发明提供一种生物特征提取方法,该方法可以基于卷积神经网络(constitutional neural networks,CNN)模型训练生成卷积自编码模型,卷积自编码器在图像去噪、图像补全、图像压缩、图像降维等方面有很好的效果。卷积自编码器尤其适合对稀疏图像的重构,比如指纹图像。结合指纹图像的属性特征,设计合适的模型结构,可以用于生物特征的提取。并且具有以下优势:1)不需要复杂的图像预处理,保持比较完整的原始生物特征。2)既可以提取全局特征,又可以提取局部特征,并作进一步的特征融合。3)大数据驱动,自主提取数据隐含的原始特征。4)可以应对带有噪声的生物特征图像。5)可以对生物特征图像进行补全,即使生物特征图像有部分缺失,也能提取比较稳定的特征。6)可以强制获得比较稀疏的特征表示,提高特征的鲁棒性。
以下对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
1、生物识别技术
通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合,利用人体固有的生理特性来进行个人身份的鉴定的技术。
2、指纹识别技术
指纹识别技术是目前市场占有率最高的生物识别技术,也是最早被广泛作为身份识别的技术,另外指纹也是当今绝大多数国家法庭、刑侦获取证据的最重要的手段;随着科技的不断发展,指纹认证技术已被广泛地应用在我们日常生活的各个领域,比如手机指纹解锁、考勤机、指纹锁防盗门等。
3、指纹特征提取及匹配技术
指纹的特征点包括中心点、三角点、端点、叉点等。指纹的形状特征包括弓形、帐篷弓形、右旋、左旋、漩涡形、双旋形6大类。通过适当的算法对原始指纹图像进行预处理,就可以在处理后的图像上得到特征点的相关信息,包括数目、位置以及指纹纹线的走向。当提取上述指纹特征后,通过与指纹库中的指纹进行匹配,判断该枚指纹属于哪一个人。
4、卷积自编码(convolutional auto encoder,CAE)
CAE是一种分层无监督特征提取器,可以很好地适应高维输入。使用普通的随机梯度下降优化算法,它可以学习到非常鲁棒的特征以及具有高度识别性的特征。本专利结合指纹图像的稀疏性,设计专门用于指纹特征提取的CAE模型结构,用于指纹识别项目。
5、二值图像(binary image)是指将图像上的每一个像素只有两种可能的取值或灰度等级状态,人们经常用黑白、单色图像表示二值图像。实际生活中以二值图像形式存在的物品有很多,像电子文档、商品条形码、二维码、数字签名、合同书、***、法庭记录、黑白图像等。
6、交并比(intersection-over-union,IoU),目标检测中使用的一个概念,是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。计算公式:area代表取面积,C代表候选框,G代表原标记框。
7、卷积神经网络
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks),是深度学***移不变分类。卷积神经网络是神经网络的一种,受到生物神经科学研究启发而来,卷积神经网络提出之初用于处理具有类网络结构的数据,如可把图像视作由像素点组成的二维网络。卷积神经网络的一般性的网络结构中含有数据输入层、卷积层、数据激励层、池化层、全连接和数据输出层。
本申请实施例涉及人工智能(artificial intelligence,AI)和机器学习技术,基于人工智能中的深度学习网络和机器学习(machine learning,ML)而设计。
在本申请实施例的描述中,以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。还应当理解,在本申请以下各实施例中,“至少一个”、“一个或多个”是指一个或两个以上(包含两个)。术语“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系;例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。术语“连接”包括直接连接和间接连接,除非另外说明。“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
在本申请实施例中,“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中所提供的生物特征提取方法可以应用于如图1所示的应用场景,该应用场景中包括服务器100、终端设备200。
其中,服务器100,用于根据确定待训练的卷积神经网络模型。
另外,服务器100还预先集成有训练图像样本集合。服务器100,用于将训练图像样本输入到待训练的卷积神经网络模型进行处理,对该初始的卷积神经网络模型中的参数进行调整,最终得到生物特征提取模型。通常情况下,在开始训练过程之前,初始的卷积神经网络模型所设置的参数为超参数,即不是通过训练得到的参数数据。训练过程会对超参数进行优化,训练过程本质是给模型选择一组最优参数,以提高学习的性能和效果。
最终,服务器100将生成的生物特征提取模型安装到终端设备200中,用户可以不需要联网,依赖用户的终端设备200中的生物特征提取模型就可以对采集的生物特征进行识别,生成二值图像,或者利用生物特征库对生物特征进行匹配,生成身份认证结果。采集的生物特征可以是传感器采集的指纹图像,也可以是相机采集的人脸图片、虹膜图片等。
其中,服务器100和终端设备200可以通过无线网络连接,终端设备200是具备网络通信能力的终端设备,该终端设备可以是智能手机、平板电脑或便携式个人计算机等。服务器100可以是一台服务器,或者是若干台服务器组成的服务器集群或云计算中心。
如图2所示,示例性地示出了一种待训练的卷积神经网络模型的结构图,包括编码器201和解码器202,其中编码器201用于提取生物特征图像的隐空间特征,解码器202用于基于隐空间特征重建原始指纹图像。
基于图1所示的应用场景和图2所示的生物特征提取模型的结构图,本申请实施例提供了一种生物特征提取模型的训练方法的流程,如图3所示,该方法的流程可以由服务器100执行,该方法包括以下步骤:
S301,对图像样本进行旋转和添加噪声预处理,向待训练的生物特征提取模型输入预处理后的图像样本。
该步骤中,为了获取图像样本,一种可能的设计中,本申请实施例可以利用在已有图像的基础上人工添加高斯模糊噪声的方式,生成具有噪声的图像样本。另一种可能的设计中,服务器100可以利用高斯滤波器对已获取的图像进行滤波处理,从而得到具有噪声的图像样本。另外,该步骤中,还对图像样本进行旋转,可以使得训练得到的模型适用于不同输入角度下采集的指纹、虹膜、人脸等生物特征,有助于提高模型的泛化能力。
S302,利用该卷积神经网络模型的编码器对输入图像样本进行特征提取,得到隐空间特征。
S303,利用该卷积神经网络模型的解码器根据该隐空间特征进行图像重建,输出重建图像。
S304,利用损失函数计算该重建图像与该图像样本之间的损失值,其中,该损失函数包括损失项和正则项,该正则项为KL散度。
在一种可能的设计中,损失函数满足如下公式:
Loss〈input|output〉=MSE〈input|output〉+βKL〈FF|α〉
其中,input代表输入生物特征图像,output代表输出生物特征图像;MSE代表均方误差;β代表权重因子,用于平衡损失项和正则项之间的权重;KL代表KL散度,用于约束生物特征的稀疏性,FF代表隐空间特征,α代表接近于0的标量。该设计中,在损失函数中引入了稀疏正则项,有效获得稳健、准确的指纹特征,有利于提高后续指纹重建的质量。
在一种可能的设计中,KL散度满足如下公式:
其中,C代表生物特征FF的通道数;α代表一个接近于0的标量,一般取0.001,FFi为第i通道的隐空间特征。
S305,利用该损失值调整该卷积神经网络模型中的参数,生成包括调整后的网络模型参数的生物特征提取模型。
需要说明的是,卷积神经网络模型中的图像特征提取与融合模块的卷积层数目可以为一层或多层、卷积神经网络模型中图像重建模块的卷积层数目也可以为一层或多层。
本实施例中,卷积层可以包括很多个卷积算子,卷积算子也称为核,其在图像处理中的作用相当于一个从输入图像矩阵中提取特定信息的过滤器,卷积算子本质上可以是一个权重矩阵,这个权重矩阵通常被预先定义,在对图像进行卷积操作的过程中,权重矩阵通常在输入图像上沿着水平方向一个像素接着一个像素(或两个像素接着两个像素)的进行处理,从而完成从图像中提取特定图像特征的工作。
以指纹为例,结合图2所示的卷积神经网络模型,服务器100通过向图2所示的卷积神经网络模型输入经过随机噪声和随机旋转处理后的图像样本,编码器201提取生物特征图像的隐空间特征,解码器202基于隐空间特征重建,输出重建图像,利用损失函数计算该重建图像与该图像样本之间的损失值,根据该损失值调整模型中的参数,从而训练得到生物特征提取模型。
上述生物特征提取模型的训练方法中,因为预先考虑到生物特征录入时的噪声影响,所以在模型训练过程中,对输入的图像样本主动添加噪声,使模型提取的特征对噪声具有鲁棒性,另外,在模型训练过程中,主动对图像样本进行旋转,可以使得训练得到的模型适用于不同输入角度下采集的指纹、虹膜、人脸等生物特征,提高了模型的泛化能力。再者,在损失函数中引入了稀疏正则项,可以有效地获得稳健、准确的指纹特征,有利于提高后续指纹重建的质量。
基于上述生物特征提取模型,本申请实施例还提供一种生物特征提取方法,该方法可以由终端设备200或服务器100来执行,下文示例性地以服务器100执行为例进行介绍,如图4所示,该方法具体包括如下步骤:
S401,获取用户的生物特征。
示例性地,用户的生物特征为人脸图像、指纹图像、声纹波形图像、虹膜图像。
S402,将该生物特征输入至生物特征提取模型。
S403,利用该生物特征提取模型的编码器对该生物特征进行特征提取,得到隐空间特征。
其中,该生物特征提取模型是预先利用上述图3所示的方法训练得到的。
S404,对该隐空间特征进行标准化处理,使得该隐空间特征的各特征点的值正负分布均衡。
S405,通过符号函数对该隐空间特征的各特征点的值进行二值量化,得到该生物特征的二值图像模板,将该二值图像模板存入生物特征库。
上述S404和S405中,将所提取的隐空间特征进行标准化处理,使特征点的值分布均衡。然后,通过符号函数(sign)进行二值量化,得到生物特征的二值图像模板,如生物特征二维码,将该二值图像模板存入生物特征库,便于后续身份认证。其中,符号函数可以满足如下公式:
示例性地,以生物特征为指纹为例,结合图5来说,服务器100将自身传感器采集的指纹图像,或者服务器100从其它设备获取的指纹图像,然后输入至已训练好的生物特征提取模型中,生物特征提取模型中的编码器201提取生物特征图像的隐空间特征,得到如图5所示的指纹特征图,进一步地,再对指纹特征图中的各个特征点进行上述标准化和量化处理,从而得到指纹特征二维码模板,最终将生成的指纹特征二维码模板保存至指纹特征库。依次类推,服务器100可以按照上述方法生成不同用户的指纹特征二维码模板、人脸特征二维码模板、虹膜特征二维码模板,并保存至生物特征库,以便于后续进行身份认证。
本申请实施例还提供一种生物特征认证方法,该方法可以由终端设备200执行,如图6所示,该方法具体包括如下步骤:
S601,通过生物特征提取模型的编码器提取用户的生物特征的隐空间特征。
S602,对该隐空间特征进行标准化处理,使得该隐空间特征的各特征点的值正负分布均衡。
S603,通过符号函数对该隐空间特征的各特征点的值进行二值量化,得到该用户的生物特征的二值图像。
S604,将该用户的生物特征的二值图像与生物特征库中的二值图像模板进行交并比计算。
该步骤中,若生物特征库由服务器100生成,则终端设备可以从服务器100获取生物特征库,终端设备也可以将该用户的生物特征的二值图像发送至服务器100,然后从服务器100获取交并比计算结果。
S605,判断计算结果是否大于设定阈值,若是则执行S606,否则执行S607。
S606,确认身份认证成功。
S607,确定身份认证失败。
本实施例中,一方面,基于图3所示的生物特征提取模型提取待认证生物特征的关键点信息,生成二值图像,另一方面,再基于第二方面中生物特征库中的二值图像模板,进行生物特征之间的匹配,从而完成身份认证,特征提取的速度快,认证结果准确度更高。
在本申请的一些实施例中,本申请实施例公开了一种生物特征提取模型的训练装置,如图7所示,该装置用于实现以上图3所示方法实施例中记载的方法,其包括:预处理单元701、训练单元702。预处理单元701,用于对图像样本进行旋转和添加噪声预处理,向待训练的卷积神经网络模型输入预处理后的图像样本。训练单元702,用于利用所述卷积神经网络模型的编码器对输入图像样本进行特征提取,得到隐空间特征;利用所述卷积神经网络模型的解码器根据所述隐空间特征进行图像重建,输出重建图像;利用损失函数计算所述重建图像与所述图像样本之间的损失值,其中,所述损失函数包括损失项和正则项,所述正则项为KL散度;利用所述损失值调整所述卷积神经网络模型中的参数;生成包括调整后的网络模型参数的生物特征提取模型。上述图3所示方法实施例涉及的各步骤的所有相关内容均可以援引到对应单元模块的功能描述,在此不再赘述。
基于上述生物特征提取模型,在本申请的一些实施例中,本申请实施例公开了一种生物特征提取装置,如图8所示,该装置用于实现以上图4所示方法实施例中记载的方法,包括:获取单元801、输入单元802、提取单元803和处理单元804。获取单元801,用于获取用户的生物特征;输入单元802,用于将所述生物特征输入至生物特征提取模型;提取单元803,用于利用所述生物特征提取模型的编码器对所述生物特征进行特征提取,得到隐空间特征;处理单元804,用于对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述生物特征的二值图像模板,将所述二值图像模板存入生物特征库。上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在本申请的一些实施例中,本申请实施例公开了一种生物特征认证装置,如图9所示,该装置用于实现以上图6所示方法实施例中记载的方法,其包括:
提取单元901,用于通过生物特征提取模型的编码器提取用户的生物特征的隐空间特征;
处理单元902,用于对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述用户的生物特征的二值图像;
认证单元903,用于将所述用户的生物特征的二值图像与生物特征库中的二值图像模板进行交并比计算;若计算结果大于设定阈值,则认证成功,否则认证失败。
在本申请的另一些实施例中,本申请实施例公开了一种终端设备,如图10所示,该终端设备可以包括:一个或多个处理器1001;存储器1002;显示器1003;一个或多个应用程序(未示出);以及一个或多个计算机程序1004,上述各器件可以通过一个或多个通信总线1005连接。其中该一个或多个计算机程序1004被存储在上述存储器1002中并被配置为被该一个或多个处理器1001执行,该一个或多个计算机程序1004包括指令。上述指令可以用于执行如图3、图4或图6相应实施例中的各个步骤。
在本申请实施例中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatilememory),例如随机存取存储器(random-access memory,RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储计算机程序和/或数据。
本发明还提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被计算机执行时实现上述方法实施例所述方法。
本发明还提供了一种计算机程序产品,该计算机程序产品被计算机执行时实现上述方法实施例所述方法。
本发明还提供了一种芯片或芯片模组,该芯片或芯片模组与存储器耦合,用于执行存储器中存储的计算机程序,使得终端执行上述方法实施例所述方法。
本申请实施例提供的方法中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何介质或者是包含一个或多个介质集成的服务器、数据中心等数据存储设备。所述介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质(例如SSD)等。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种生物特征提取方法,其特征在于,所述方法包括:
获取用户的指纹特征;
将所述指纹特征输入至指纹特征提取模型;
利用所述指纹特征提取模型的卷积自编码器对所述指纹特征进行特征提取,得到隐空间特征,其中,所述指纹特征提取模型是预先利用训练样本数据对卷积神经网络模型进行训练得到的;所述训练样本数据为图像样本对应的数据;对所述卷积神经网络模型进行训练前,对图像样本进行旋转和添加噪声预处理;
对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;
通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述指纹特征的二值图像模板;所述二值图像模板用于与所述用户的指纹特征的二值图像进行交并比计算;
将所述二值图像模板存入指纹特征库。
2.一种生物特征提取模型的训练方法,用于训练所述权利要求1的生物特征提取方法所使用的指纹特征提取模型,其特征在于,所述方法包括:
对图像样本进行旋转和添加噪声预处理,向待训练的卷积神经网络模型输入预处理后的图像样本;
利用所述卷积神经网络模型的卷积自编码器对输入图像样本进行特征提取,得到隐空间特征;
利用所述卷积神经网络模型的解码器根据所述隐空间特征进行图像重建,输出重建图像;
利用损失函数计算所述重建图像与所述图像样本之间的损失值,其中,所述损失函数包括损失项和正则项,所述正则项为KL散度;
利用所述损失值调整所述卷积神经网络模型中的参数;
生成包括调整后的网络模型参数的指纹特征提取模型。
3.根据权利要求2所述的训练方法,其特征在于,所述损失函数满足如下公式:
Loss<input|output>=MSE<input|output>+βKL<FF|α>
其中,input代表输入指纹特征图像,output代表输出指纹特征图像;MSE代表均方误差;β代表权重因子,用于平衡损失项和正则项之间的权重;KL代表KL散度,用于约束指纹特征的稀疏性,FF代表隐空间特征,α代表接近于0的标量。
4.根据权利要求2或3所述的训练方法,其特征在于,所述生成包括调整后的网络模型参数的指纹特征提取模型,包括:
当所述待训练的卷积神经网络模型的迭代次数达到设定数值时或所述损失函数的损失值达到目标值时,生成包括调整后的网络模型参数的指纹特征提取模型。
5.一种生物特征认证方法,用于认证通过所述权利要求1所述的生物特征提取方法获取的二值图像模板,其特征在于,该方法包括:
通过指纹特征提取模型的卷积自编码器提取用户的指纹特征的隐空间特征;
对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;
通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述用户的指纹特征的二值图像;
将所述用户的指纹特征的二值图像与指纹特征库中的二值图像模板进行交并比计算;
若计算结果大于设定阈值,则认证成功,否则认证失败。
6.一种生物特征提取装置,用于所述权利要求1所述的提取方法,其特征在于,所述装置还包括:
获取单元,用于获取用户的指纹特征;
输入单元,用于将所述指纹特征输入至指纹特征提取模型;
提取单元,用于利用所述指纹特征提取模型的卷积自编码器对所述指纹特征进行特征提取,得到隐空间特征;
处理单元,用于对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述指纹特征的二值图像模板,将所述二值图像模板存入指纹特征库。
7.一种生物特征提取模型的训练装置,其特征在于,用于所述权利要求2所述的训练方法,所述装置包括:
预处理单元,用于对图像样本进行旋转和添加噪声预处理,向待训练的卷积神经网络模型输入预处理后的图像样本;
训练单元,用于利用所述卷积神经网络模型的卷积自编码器对输入图像样本进行特征提取,得到隐空间特征;利用所述卷积神经网络模型的解码器根据所述隐空间特征进行图像重建,输出重建图像;利用损失函数计算所述重建图像与所述图像样本之间的损失值,其中,所述损失函数包括损失项和正则项,所述正则项为KL散度;利用所述损失值调整所述卷积神经网络模型中的参数;生成包括调整后的网络模型参数的指纹特征提取模型。
8.根据权利要求7所述的训练装置,其特征在于,所述损失函数满足如下公式:
Loss<input|output>=MSE<input|output>+βKL<FF|α>
其中,Loss代表损失函数,input代表输入指纹特征图像,output代表输出指纹特征图像;MSE代表均方误差;β代表权重因子,用于平衡损失项和正则项之间的权重;KL代表KL散度,用于约束指纹特征的稀疏性,FF代表隐空间特征,α代表接近于0的标量。
9.根据权利要求7或8所述的训练装置,其特征在于,所述训练单元在生成包括调整后的网络模型参数的指纹特征提取模型时,具体用于:
当所述待训练的卷积神经网络模型的迭代次数达到设定数值时或所述损失函数的损失值达到目标值时,生成包括调整后的网络模型参数的指纹特征提取模型。
10.一种生物特征认证装置,用于所述权利要求5所述的认证方法,其特征在于,该装置包括:
提取单元,用于通过指纹特征提取模型的卷积自编码器提取用户的指纹特征的隐空间特征;
处理单元,用于对所述隐空间特征进行标准化处理,使得所述隐空间特征的各特征点的值正负分布均衡;通过符号函数对所述隐空间特征的各特征点的值进行二值量化,得到所述用户的指纹特征的二值图像;
认证单元,用于将所述用户的指纹特征的二值图像与指纹特征库中的二值图像模板进行交并比计算;若计算结果大于设定阈值,则认证成功,否则认证失败。
11.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的方法。
12.一种终端设备,其特征在于,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述终端设备实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944020.4A CN113657498B (zh) | 2021-08-17 | 2021-08-17 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944020.4A CN113657498B (zh) | 2021-08-17 | 2021-08-17 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657498A CN113657498A (zh) | 2021-11-16 |
CN113657498B true CN113657498B (zh) | 2023-02-10 |
Family
ID=78480473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944020.4A Active CN113657498B (zh) | 2021-08-17 | 2021-08-17 | 生物特征提取方法、训练方法、认证方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657498B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882290A (zh) * | 2022-05-27 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种认证方法、训练方法、装置及设备 |
CN115393231B (zh) * | 2022-11-01 | 2023-03-24 | 深圳精智达技术股份有限公司 | 一种缺陷图像的生成方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205666A (zh) * | 2018-01-21 | 2018-06-26 | 山东理工大学 | 一种基于深度聚合网络的人脸识别方法 |
CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN108509627A (zh) * | 2018-04-08 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 数据离散化模型训练方法和装置、数据离散方法 |
CN108960214A (zh) * | 2018-08-17 | 2018-12-07 | 中控智慧科技股份有限公司 | 指纹图像增强二值化方法、装置、设备、***及存储介质 |
CN111401272A (zh) * | 2020-03-19 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种人脸特征提取方法、装置及设备 |
CN113011544A (zh) * | 2021-04-08 | 2021-06-22 | 河北工业大学 | 基于二维码的人脸生物信息识别方法、***、终端、介质 |
CN113112439A (zh) * | 2021-04-14 | 2021-07-13 | 展讯半导体(南京)有限公司 | 图像融合方法、图像融合模型的训练方法、装置和设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100884743B1 (ko) * | 2006-12-07 | 2009-02-19 | 한국전자통신연구원 | 지문 특징점 및 지문 이진영상을 이용한 지문 정합 방법 및그 장치 |
CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
CN111898412A (zh) * | 2020-06-16 | 2020-11-06 | 深圳市雄帝科技股份有限公司 | 人脸识别方法、装置、电子设备和介质 |
CN112927254A (zh) * | 2021-02-26 | 2021-06-08 | 华南理工大学 | 一种单字碑帖图像二值化方法、***、装置及存储介质 |
-
2021
- 2021-08-17 CN CN202110944020.4A patent/CN113657498B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205666A (zh) * | 2018-01-21 | 2018-06-26 | 山东理工大学 | 一种基于深度聚合网络的人脸识别方法 |
CN108491805A (zh) * | 2018-03-27 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN108509627A (zh) * | 2018-04-08 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 数据离散化模型训练方法和装置、数据离散方法 |
CN108960214A (zh) * | 2018-08-17 | 2018-12-07 | 中控智慧科技股份有限公司 | 指纹图像增强二值化方法、装置、设备、***及存储介质 |
CN111401272A (zh) * | 2020-03-19 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种人脸特征提取方法、装置及设备 |
CN113011544A (zh) * | 2021-04-08 | 2021-06-22 | 河北工业大学 | 基于二维码的人脸生物信息识别方法、***、终端、介质 |
CN113112439A (zh) * | 2021-04-14 | 2021-07-13 | 展讯半导体(南京)有限公司 | 图像融合方法、图像融合模型的训练方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113657498A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565433B2 (en) | Age invariant face recognition using convolutional neural networks and set distances | |
Shaheed et al. | Recent advancements in finger vein recognition technology: methodology, challenges and opportunities | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
US9449432B2 (en) | System and method for identifying faces in unconstrained media | |
Rathgeb et al. | Iris biometrics: from segmentation to template security | |
US9189686B2 (en) | Apparatus and method for iris image analysis | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
CN113657498B (zh) | 生物特征提取方法、训练方法、认证方法、装置和设备 | |
US20220327189A1 (en) | Personalized biometric anti-spoofing protection using machine learning and enrollment data | |
El Khiyari et al. | Age invariant face recognition using convolutional neural networks and set distances | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
US20200193117A1 (en) | Method and system for neural fingerprint enhancement for fingerprint recognition | |
WO2020254857A1 (en) | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network | |
Hou et al. | Finger-vein biometric recognition: A review | |
CN113205002B (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
Meng et al. | Finger vein recognition based on convolutional neural network | |
Qin et al. | Finger-vein image quality evaluation based on the representation of grayscale and binary image | |
Lomte et al. | Biometric fingerprint authentication by minutiae extraction using USB token system | |
Lou et al. | Palm vein recognition via multi-task loss function and attention layer | |
Verma et al. | Static Signature Recognition System for User Authentication Based Two Level Cog, Hough Tranform and Neural Network | |
CN112241680A (zh) | 基于静脉相似图像知识迁移网络的多模态身份认证方法 | |
Volkova et al. | Convolutional neural networks for face anti-spoofing | |
US12014569B2 (en) | Synthetic human fingerprints | |
CN113569818B (zh) | 人脸特征编码方法、装置、计算机设备和存储介质 | |
CN111428679B (zh) | 影像识别方法、装置和设备 |
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 |