指紋處理的方法和裝置的制造方法
【專利摘要】本公開公開了一種指紋處理的方法和裝置，屬于圖像識別技術領域。所述方法包括：獲取待識別指紋圖像；將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。本公開通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。
【專利說明】
指紋處理的方法和裝置
技術領域
[0001]本公開涉及圖像識別技術領域，尤其涉及一種指紋處理的方法和裝置。
【背景技術】
[0002]指紋是指人的手指末端正面皮膚上凸凹不平產生紋線。指紋可以分為三種類型:有同心圓或螺旋紋線、看上去像水中旋渦的斗形紋，一邊開口的、像簸箕似的箕形紋，以及像弓一樣的弓形紋。
[0003]相關技術中，指紋類型的判定基于特征點的檢測，在指紋圖像模糊等情況下，可能會由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型。
【發明內容】
[0004]為了克服相關技術中存在無法確定指紋類型的問題，本公開提供一種指紋處理的方法和裝置。所述技術方案如下:
[0005]根據本公開實施例的第一方面，提供一種指紋處理的方法，包括:
[0006]獲取待識別指紋圖像；
[0007]將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0008]通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0009]在本公開一種可能的實現方式中，所述將所述待識別指紋圖像輸入卷積神經網絡，包括:
[0010]對所述待識別指紋圖像進行歸一化，得到預定規格的所述待識別指紋圖像；
[0011 ]將預定規格的所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型。
[0012]通過將輸入卷積神經網絡的指紋圖像在大小上進行歸一化，可以避免由于輸入圖像的不一致造成卷積神經網絡輸出結果產生誤差。
[0013]在本公開另一種可能的實現方式中，所述方法還包括:
[0014]獲取若干指紋圖像；
[0015]接收標定的各個所述指紋圖像的指紋類型；
[0016]采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練。
[0017]利用若干指紋圖像和其相應的指紋類型訓練卷積神經網絡的參數，以使卷積神經網絡可以根據指紋圖像得到該指紋圖像的指紋類型。
[0018]可選地，所述采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練，包括:
[0019]將所述指紋圖像輸入所述卷積神經網絡，得到所述指紋圖像的指紋類型；
[0020]確定得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型是否匹配，并統計匹配率；
[0021]當通過統計多個得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型得到的所述匹配率低于閾值，或者多次統計的所述匹配率發散時，反向傳播調整所述卷積神經網絡的參數；
[0022]當所述匹配率大于或者等于所述閾值，并且多次統計的所述匹配率收斂時，所述卷積神經網絡訓練完畢。
[0023]利用人為標定生成的指紋類型對卷積神經網絡的參數進行調整，提高卷積神經網絡輸出結果的準確性。
[0024]在本公開又一種可能的實現方式中，所述方法還包括:
[0025]從若干設定指紋圖像中，篩選出與所述待識別指紋圖像的指紋類型相同的所述設定指紋圖像；
[0026]將所述待識別指紋圖像與篩選出的所述設定指紋圖像逐一進行比對，確定所述待識別指紋圖像與篩選出的所述指紋圖像是否相同。
[0027]基于得到的指紋類型從比對的指紋圖像中快速篩選出類型相符的指紋，再對篩選出的指紋進行比對，可以大大提高比對的速度。
[0028]根據本公開實施例的第二方面，提供一種指紋處理的裝置，包括:
[0029]第一獲取模塊，用于獲取待識別指紋圖像；
[0030]確定模塊，用于將所述第一獲取模塊獲取的待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0031 ]在本公開一種可能的實現方式中，所述確定模塊包括:
[0032]歸一化子模塊，用于對所述第一獲取模塊獲取的待識別指紋圖像進行歸一化，得到預定規格的待識別指紋圖像；
[0033]第一確定子模塊，用于將所述歸一化子模塊得到的預定規格的待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型。
[0034]在本公開另一種可能的實現方式中，所述裝置還包括:
[0035]第二獲取模塊，用于獲取若干指紋圖像；
[0036]接收模塊，用于接收標定的所述第二獲取模塊獲取的各個指紋圖像的指紋類型；
[0037]訓練模塊，用于采用所述第二獲取模塊獲取的若干指紋圖像和所述接收模塊接收的各個指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練。
[0038]可選地，所述訓練模塊包括:
[0039]第二確定子模塊，用于將所述第二獲取模塊獲取的指紋圖像輸入所述卷積神經網絡，得到所述指紋圖像的指紋類型；
[0040]第三確定子模塊，用于確定所述第二確定子模塊得到的所述指紋圖像的指紋類型與所述接收模塊接收的所述指紋圖像的指紋類型是否匹配，并統計匹配率；
[0041]調整子模塊，用于當所述第三確定子模塊通過統計多個所述第二確定子模塊得到的所述指紋圖像的指紋類型與所述接收模塊接收的所述指紋圖像的指紋類型得到的所述匹配率低于閾值，或者多次統計的所述匹配率發散時，反向傳播調整所述卷積神經網絡的參數;當所述匹配率大于或者等于所述閾值，并且多次統計的所述匹配率收斂時，所述卷積神經網絡訓練完畢。
[0042]在本公開又一種可能的實現方式中，所述裝置還包括:
[0043]篩選模塊，用于從若干設定指紋圖像中，篩選出與所述確定模塊得到的指紋類型相同的設定指紋圖像；
[0044]比對模塊，用于將所述第一獲取模塊獲取的待識別指紋圖像與所述篩選模塊篩選出的設定指紋圖像逐一進行比對，確定所述待識別指紋圖像與篩選出的所述指紋圖像是否相同。
[0045]根據本公開實施例的第三方面，提供一種指紋處理的裝置，包括:
[0046]處理器；
[0047]用于存儲處理器可執行指令的存儲器；
[0048]其中，所述處理器被配置為:
[0049]獲取待識別指紋圖像；
[0050]將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0051]本公開實施例提供的技術方案可以包括以下有益效果:
[0052]通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0053]應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0054]此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本發明的實施例，并與說明書一起用于解釋本發明的原理。
[0055]圖1a和圖1b是根據一示例性實施例示出的指紋處理的方法的應用場景圖；
[0056]圖2是根據一示例性實施例示出的一種指紋處理的方法的流程圖；
[0057]圖3是根據一示例性實施例示出的一種指紋處理的方法的流程圖；
[0058]圖4是根據一示例性實施例示出的卷積神經網絡的結構示意圖；
[0059]圖5a是根據一示例性實施例示出的卷積層的工作原理圖；
[0000]圖5b是根據一示例性實施例示出的池化層的工作原理圖；
[0061]圖5c是根據一示例性實施例示出的全連接層的工作原理圖；
[0062]圖6是根據一示例性實施例示出的一種指紋處理的裝置的結構示意圖；
[0063]圖7是根據一示例性實施例示出的一種指紋處理的裝置的結構示意圖；
[0064]圖8是根據一示例性實施例示出的一種指紋處理的裝置的結構框圖。
【具體實施方式】
[0065]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發明相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發明的一些方面相一致的裝置和方法的例子。
[0066]下面先結合圖1a和圖1b簡單介紹一下本公開實施例提供的指紋處理的方法的應用場景。如圖1a所示，公安機關等安全部門需要通過臺式電腦10等終端將某個指紋與指紋庫中存儲的大量指紋進行對比，以確定該指紋所屬的用戶身份。如圖1b所示，大型公司的門禁系統上的指紋鎖20需要將用戶輸入的指紋與指紋庫中存儲的所有員工的指紋進行對比，以確定該指紋所屬的用戶是否為公司員工。上述場景下若直接一一進行比對，則比對的指紋數量較多，為了減少比對的數量，可以先確定待識別指紋的類型，再基于確定的指紋類型從待比對的指紋中篩選出與待識別指紋類型相同的指紋進行比對，大大提高比對的速度。
[0067]需要說明的是，上述應用場景僅為舉例，并不作為對本公開的限制。
[0068]圖2是根據一示例性實施例示出的一種指紋處理的方法的流程圖，如圖2所示，指紋處理的方法可以應用于終端(如臺式電腦、筆記本電腦)或指紋鎖中，該方法包括以下步驟。
[0069]在步驟SlOl中，獲取待識別指紋圖像。
[0070]在實際應用中，可以將待識別指紋圖像通過終端配置的輸入輸出(Input/Output，簡稱I/O)接口或者網絡接口傳輸給終端，也可以將終端與指紋傳感器連接，如光學指紋傳感器、溫差感應式指紋傳感器、半導體指紋傳感器等，利用指紋傳感器采集指紋得到待識別指紋圖像。
[0071]在步驟S102中，將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型。
[0072]其中，指紋類型包括但不限于弓形紋、斗形紋和箕形紋。
[0073]在本實施例中，卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。不同的指紋類型可以采用不同的數值表示，比如I表示弓形紋，2表示斗形紋，3表示箕形紋。
[0074]需要說明的是，卷積神經網絡(Convolut1nal Neural Network，簡稱CNN)是人工神經網絡的一種，已成為當前語音分析和圖像識別領域的研究熱點。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。該優點在網絡的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程。卷積神經網絡是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構對平移、傾斜或者其他形式的變形具有高度不變性。
[0075]本實施例在通用的卷積神經網絡的基礎上，將輸入設定為指紋圖像，輸出設定為指紋類型，并采用若干標定有指紋類型的指紋圖像對卷積神經網絡中的參數進行了訓練。
[0076]本公開通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0077]圖3是根據一示例性實施例示出的一種指紋處理的方法的流程圖，如圖3所示，指紋處理的方法可以應用于終端(如臺式電腦、筆記本電腦)或指紋鎖中，該方法包括以下步驟。
[0078]在步驟S201中，獲取若干指紋圖像。
[0079]在實際應用中，為了確保卷積神經網絡的參數的訓練效果(如卷積神經網絡的輸出準確)，一般獲取大量的指紋圖像進行訓練，如三種指紋類型的指紋圖像各5萬張。
[0080]可選地，該方法還可以包括:
[0081]對若干指紋圖像進行歸一化處理，得到預定規格的指紋圖像。
[0082]其中，預定規格可以包括設定的尺寸或格式。
[0083]在實際應用中，為了保證卷積神經網絡輸出結果的準確性，將所有輸入進行歸一化處理，比如歸一化為224像素*224像素的圖像，可以避免由于輸入圖像的不一致造成卷積神經網絡輸出結果產生誤差。
[0084]在步驟S202中，接收標定的各個指紋圖像的指紋類型。
[0085]在實際應用中，為了在卷積神經網絡輸出不正確時對卷積神經網絡的參數進行調整，在獲取到指紋圖像的同時，還相應接收人為標定的各個指紋圖像的指紋類型(如用1、2、3分別表示三種指紋類型)，終端根據人為標定的指紋類型對卷積神經網絡的參數進行調整，使卷積神經網絡輸出的指紋類型與接收的指紋類型相同。
[0086]在步驟S203中，采用若干指紋圖像和接收的各個指紋圖像的指紋類型，對卷積神經網絡的參數進行訓練。
[0087]由于人對外界的認知是從局部到全局，而圖像的空間聯系也是局部的像素較為緊密，距離較遠的像素相關性則較弱。因此，神經網絡的每個神經元其實沒有必要對全局圖像進行感知，只需要對局部進行感知，然后在更高層將局部的信息綜合起來就得到了全局的?目息O
[0088]卷積神經網絡采用通常設置在靠近網絡輸入端位置的卷積層(alternatingconvolut1nal layer)實現對局部進行感知，采用通常設置在靠近網絡輸出端位置的全連接層實現將局部的信息綜合起來。另外，除了卷積層和全連接層，卷積神經網絡還可以包括通常設置在卷積層輸出端的池化層(pooling layer)，用于降低圖像特征的維度。
[0089]圖4為本實施例采用的卷積神經網絡的結構示意圖。如圖4所示，卷積神經網絡的輸入為224像素*224像素的圖片100，第一層為采用96個5像素*5像素的卷積核進行卷積運算的卷積層200，第二層為采用2*像素*2像素的單元進行劃分的池化層300，第三層為采用256個3像素*3像素的卷積核進行運算的卷積層400，第四層為采用2*像素*2像素的單元進行劃分的池化層500，第五層為采用384個3像素*3像素的卷積核進行運算的卷積層600，第六層為采用384個3像素*3像素的卷積核進行運算的卷積層700，第七層為采用256個3像素*3像素的卷積核進行運算的卷積層800，第八層為采用2*像素*2像素的單元進行劃分的池化層900，第九層為全連接層1000，第十層為全連接層1100，輸出為(采用softmax函數得到)指紋類型(1、2或者3)1200。
[0090]在具體實現中，卷積層采用至少一種卷積核在圖像上做卷積，提取圖像中各個局部感知區域的特征，不同種類的卷積核提取的圖像特征不同。以圖5a為例，在5像素*5像素的圖像A上采用一個3像素*3像素的卷積核B做卷積，即可得到各個局部感知區域的特征圖C。
[0091]池化層對不同位置的特征進行聚合統計。以圖5b為例，將4像素*4像素的特征圖D劃分為若干由2像素*2像素的單元E，計算各個單元E中所有像素的特征值的最大值(也可以為平均值)，得到2像素*2像素的特征圖F，降低了特征的維度。
[0092]全連接層是建立上一層的各個神經元與下一層的所有神經元的連接。全連接層的所有輸入與任意一個輸出滿足如下公式:
[0093]h = f ( Eiffi*xi+b)；
[0094]其中，h為全連接層的輸出，b為偏置值，Xi為全連接層的各個輸入，Wi為全連接層的各個輸入到輸出的權重，i表示全連接層的任意一個輸入，Σ,表示對全連接層的所有輸入求和，f O表示函數關系，一般為sigmoid函數或者tanh函數。
[0095]以圖5c為例，輸入為Xl、X2、X3，輸出h = f (Wl*Xl+ff2*X2+ff3*X3+b )。
[0096]因此，本實施例中卷積神經網絡的參數包括卷積層采用的卷積核，池化層進行劃分的單元，以及全連接層采用的權重和偏置值。
[0097]在實際應用中，卷積神經網絡的參數的初始值可以隨機設置，然后依次將各個指紋圖像輸入卷積神經網絡，并在每個指紋圖像輸入卷積神經網絡輸入卷積神經網絡之后，獲取卷積神經網絡輸出的指紋圖像的指紋類型，并將獲取的指紋圖像的指紋類型與標定的指紋圖像的指紋類型進行對比，當兩者不同時調整卷積神經網絡的參數，以使兩者相同。
[0098]可選地，針對一個指紋圖像，該步驟S203可以包括:
[0099]將指紋圖像輸入卷積神經網絡，得到指紋圖像的指紋類型；
[0100]確定得到的指紋圖像的指紋類型與接收的指紋圖像的指紋類型是否匹配，并統計匹配率；
[0101]當通過統計多個得到的指紋圖像的指紋類型與接收的指紋圖像的指紋類型得到的匹配率低于閾值，或者多次統計的匹配率發散時，反向傳播調整卷積神經網絡的參數；
[0102]當匹配率大于或者等于閾值，并且多次統計的匹配率收斂時，卷積神經網絡訓練完畢。
[0103]在實際應用中，可以用1、2、3分別表示三種指紋的類型，如I表示弓形紋，2表示斗形紋，3表示箕形紋。在統計過程中，如果得到的指紋圖像的指紋類型與接收的指紋圖像的指紋類型相同，則將匹配結果記為I;如果得到的指紋圖像的指紋類型與接收的指紋圖像的指紋類型不同，則將匹配結果記為O;將多個得到的指紋圖像的指紋類型的匹配結果相加，并將相加結果除以多個得到的指紋圖像的個數，即為多個得到的指紋圖像的指紋類型與接收的指紋圖像的指紋類型的匹配率。
[0104]優選地，反向傳播調整卷積神經網絡的參數，可以包括:
[0105]采用梯度下降法調整卷積神經網絡的參數。
[0106]在實際應用中，可以逐漸調整(逐漸增大或逐漸減小)卷積神經網絡的參數，如繼續增大或減小卷積神經網絡的參數，直到匹配率大于或者等于閾值，并且多次統計的匹配率收斂。
[0107]需要說明的是，步驟S201-步驟S203為可選步驟，通過步驟S201-步驟S203可以實現對卷積神經網絡的參數的訓練。
[0108]在步驟S204中，獲取待識別指紋圖像。
[0109]在實際應用中，可以將待識別指紋圖像通過終端配置的I/O接口或者網絡接口傳輸給終端，也可以將終端與指紋傳感器連接，利用指紋傳感器采集指紋得到待識別指紋圖像。
[0110]在步驟S205中，對待識別指紋圖像進行歸一化，得到預定規格的待識別指紋圖像。該步驟S205為可選步驟。
[0111]如前所述，將待識別指紋圖像歸一化，可以避免由于輸入圖像的不一致造成卷積神經網絡輸出結果產生誤差。
[0112]在步驟S206中，將預定規格的待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型。
[0113]如前所述，卷積神經網絡的參數是通過執行步驟S201-步驟S203進行訓練確定的。指紋類型一般包括斗形紋、箕形紋和弓形紋。
[0114]在步驟S207中，從若干設定指紋圖像中，篩選出與待識別指紋圖像的指紋類型相同的設定指紋圖像。
[0115]在實際應用中，設定指紋圖像可以為指紋庫中存儲的指紋圖像。指紋庫中存儲有至少一個用戶的指紋圖像。當待識別指紋圖像與指紋庫中的指紋圖像相同時，即可確認待識別指紋圖像所屬用戶的身份。在具體實現中，指紋庫可以設置在終端內，也可以獨立于終端且與終端連接。
[0116]在本實施例的一種實現方式中，當指紋庫中沒有相應存儲指紋圖像的指紋類型時，該方法還可以包括:
[0117]從指紋庫中獲取設定指紋圖像；
[0118]將設定指紋圖像輸入卷積神經網絡，得到設定指紋圖像的指紋類型。
[0119]在執行步驟S207之前，可以利用訓練好的卷積神經網絡得到設定指紋圖像的指紋類型，進而從若干設定指紋圖像中篩選出與待識別指紋圖像的指紋類型相同的設定指紋圖像。
[0120]在本實施例的另一種實現方式中，當指紋庫中相應存儲指紋圖像的指紋類型時，該方法還可以包括:
[0121]從指紋庫中獲取設定指紋圖像和指紋類型的對應關系。
[0122]預先獲取設定指紋圖像的指紋類型并將其對應存儲在指紋庫中，在執行步驟S207時可以直接根據設定指紋圖像和指紋類型的對應關系進行篩選。
[0123]在步驟S208中，將待識別指紋圖像與篩選出的設定指紋圖像逐一進行比對，確定待識別指紋圖像與篩選出的指紋圖像是否相同。
[0124]在具體實現中，該步驟S208可以包括:
[0125]采用特征點提取算法確定待識別指紋圖像的特征點和篩選出的指紋圖像的特征占.
[0126]計算待識別指紋圖像的特征點與篩選出的指紋圖像的特征點之間的余弦距離；
[0127]當待識別指紋圖像的特征點與篩選出的指紋圖像的特征點之間的余弦距離小于或等于設定值時，確定待識別指紋圖像與篩選出的指紋圖像相同；
[0128]當待識別指紋圖像的特征點與篩選出的指紋圖像的特征點之間的余弦距離大于設定值時，確定待識別指紋圖像與篩選出的指紋圖像不同。
[0129]本公開通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0130]圖6是根據一示例性實施例示出的一種指紋處理的裝置的結構示意圖。參照圖6，該裝置包括第一獲取模塊301和確定模塊302。
[0131]該第一獲取模塊301被配置為獲取待識別指紋圖像。
[0132]該確定模塊302被配置為將第一獲取模塊301獲取的待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0133]本公開通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0134]圖7是根據一示例性實施例示出的一種指紋處理的裝置的結構示意圖。參照圖7，該裝置包括第一獲取模塊401和確定模塊402。
[0135]該第一獲取模塊401被配置為獲取待識別指紋圖像。
[0136]該確定模塊402被配置為將第一獲取模塊401獲取的待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0137]可選地，確定模塊402可以包括歸一化子模塊402a和第一確定子模塊402b。
[0138]該歸一化子模塊402a被配置為對第一獲取模塊401獲取的待識別指紋圖像進行歸一化，得到預定規格的待識別指紋圖像。
[0139]該第一確定子模塊402b被配置為將歸一化子模塊402a得到的預定規格的待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型。
[0140]可選地，該裝置還可以包括第二獲取模塊403、接收模塊404和訓練模塊405。
[0141]該第二獲取模塊403被配置為獲取若干指紋圖像。
[0142]該接收模塊404被配置為接收標定的第二獲取模塊403獲取的各個指紋圖像的指紋類型。
[0143]該訓練模塊405被配置為采用第二獲取模塊403獲取的若干指紋圖像和接收模塊404接收的各個指紋圖像的指紋類型，對卷積神經網絡的參數進行訓練。
[0144]優選地，訓練模塊405可以包括第二確定子模塊405a、第三確定子模塊405b和調整子模塊405c。
[0145]該第二確定子模塊405a被配置為將第二獲取模塊403獲取的指紋圖像輸入卷積神經網絡，得到指紋圖像的指紋類型。
[0146]該第三確定子模塊405b被配置為確定第二確定子模塊405a得到的指紋類型與接收模塊404接收的指紋圖像的指紋類型是否匹配，并統計匹配率。
[0147]該調整子模塊405c被配置為當第三確定子模塊405b通過統計多個第二確定子模塊405a得到的指紋圖像的指紋類型與接收模塊404接收的指紋圖像的指紋類型得到的匹配率低于閾值，或者多次統計的匹配率發散時，反向傳播調整卷積神經網絡的參數；當匹配率大于或者等于閾值，并且多次統計的匹配率收斂時，卷積神經網絡訓練完畢。
[0148]可選地，該裝置可以包括篩選模塊406和比對模塊407。
[0149]該篩選模塊406被配置為從若干設定指紋圖像中，篩選出與確定模塊402得到的指紋類型相同的設定指紋圖像。
[0150]該比對模塊407被配置為將第一獲取模塊401獲取的待識別指紋圖像與篩選模塊406篩選出的設定指紋圖像逐一進行比對，確定待識別指紋圖像與篩選出的指紋圖像是否相同。
[0151]本公開通過獲取待識別指紋圖像，并將待識別指紋圖像輸入卷積神經網絡，得到待識別指紋圖像的指紋類型，直接利用卷積神經網絡根據待識別指紋圖像得到待識別指紋圖像的指紋類型，不需要進行特征點檢測，可以有效避免在指紋圖像模糊等情況下由于檢測出的特征點出現問題(數量較少、位置不對等)而造成無法確定指紋類型的問題。而且卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到，指紋類型確定的準確性和穩定性較好。
[0152]關于上述實施例中的裝置，其中各個模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。
[0153]圖8是根據一示例性實施例示出的一種指紋處理的裝置800的框圖。例如，裝置800可以是移動電話，計算機，數字廣播終端，消息收發設備，游戲控制臺，平板設備，醫療設備，健身設備，個人數字助理等。
[0154]參照圖8，裝置800可以包括以下一個或多個組件:處理組件802，存儲器804，電源組件806，多媒體組件808，音頻組件810，I/0(Input/0utput，輸入/輸出)的接口812，傳感器組件814，以及通信組件816。
[0155]處理組件802通常控制裝置800的整體操作，諸如與顯示，電話呼叫，數據通信，相機操作和記錄操作相關聯的操作。處理元件802可以包括一個或多個處理器820來執行指令，以完成上述的方法的全部或部分步驟。此外，處理組件802可以包括一個或多個模塊，便于處理組件802和其他組件之間的交互。例如，處理部件802可以包括多媒體模塊，以方便多媒體組件808和處理組件802之間的交互。
[0156]存儲器804被配置為存儲各種類型的數據以支持在設備800的操作。這些數據的示例包括用于在裝置800上操作的任何應用程序或方法的指令，聯系人數據，電話簿數據，消息，圖片，視頻等。存儲器804可以由任何類型的易失性或非易失性存儲設備或者它們的組合實現，如SRAM( Stat i c Random Access Memory，靜態隨機存取存儲器)，EEPROM(Electrically Erasable Programmable Read-Only Memory，電可擦除可編程只讀存儲器)，EPROM(Erasable Programmable Read Only Memory，可擦除可編程只讀存儲器)，PROM(Programmable Read-Only Memory，可編程只讀存儲器)，R0M(Read_0nly Memory，只讀存儲器)，磁存儲器，快閃存儲器，磁盤或光盤。
[0157]電力組件806為裝置800的各種組件提供電力。電力組件806可以包括電源管理系統，一個或多個電源，及其他與為裝置800生成、管理和分配電力相關聯的組件。
[0158]多媒體組件808包括在所述裝置800和用戶之間的提供一個輸出接口的屏幕。在一些實施例中，屏幕可以包括LCD(Liquid Crystal Display，液晶顯示器)和TP(TouchPanel，觸摸面板)。如果屏幕包括觸摸面板，屏幕可以被實現為觸摸屏，以接收來自用戶的輸入信號。觸摸面板包括一個或多個觸摸傳感器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸傳感器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中，多媒體組件808包括一個前置攝像頭和/或后置攝像頭。當設備800處于操作模式，如拍攝模式或視頻模式時，前置攝像頭和/或后置攝像頭可以接收外部的多媒體數據。每個前置攝像頭和后置攝像頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
[0159]音頻組件810被配置為輸出和/或輸入音頻信號。例如，音頻組件810包括一個MIC(Microphone，麥克風)，當裝置800處于操作模式，如呼叫模式、記錄模式和語音識別模式時，麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步存儲在存儲器804或經由通信組件816發送。在一些實施例中，音頻組件810還包括一個揚聲器，用于輸出音頻信號。
[0160]1/0接口812為處理組件802和外圍接口模塊之間提供接口，上述外圍接口模塊可以是鍵盤，點擊輪，按鈕等。這些按鈕可包括但不限于:主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
[0161]傳感器組件814包括一個或多個傳感器，用于為裝置800提供各個方面的狀態評估。例如，傳感器組件814可以檢測到設備800的打開/關閉狀態，組件的相對定位，例如所述組件為裝置800的顯示器和小鍵盤，傳感器組件814還可以檢測裝置800或裝置800—個組件的位置改變，用戶與裝置800接觸的存在或不存在，裝置800方位或加速/減速和裝置800的溫度變化。傳感器組件814可以包括接近傳感器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。傳感器組件814還可以包括光傳感器，如CMOS (Complementary MetalOxide Semiconductor，互補金屬氧化物半導體)或CCD(Charge-coupled Device，電荷親合元件)圖像傳感器，用于在成像應用中使用。在一些實施例中，該傳感器組件814還可以包括加速度傳感器，陀螺儀傳感器，磁傳感器，壓力傳感器或溫度傳感器。
[0162]通信組件816被配置為便于裝置800和其他設備之間有線或無線方式的通信。裝置800可以接入基于通信標準的無線網絡，如WiFi(Wireless Fidelity，無線保真技術)，2G(Second Generat1n mobile communicat1n technology，第二代移動通訊技術)或3G(3rd Generat1n mobile communicat1n technology，第三代移動通訊技術)，或它們的組合。在一個示例性實施例中，通信部件816經由廣播信道接收來自外部廣播管理系統的廣播信號或廣播相關信息。在一個示例性實施例中，所述通信部件816還包括NFC(Near FieldCommunicat1n，近場通信)模塊，以促進短程通信。例如，在NFC模塊可基于RFID(RadiοFrequency Identificat1n，射頻識別)技術，IrDA(Infrared Data Associat1n，紅外數據協會)技術，UWB(Ultra Wideband，超寬帶)技術，BT(Blue Tooth，藍牙)技術和其他技術來實現。
[0163]在示例性實施例中，裝置800可以被一個或多個ASIC(Applicat1n SpecificIntegrated Circuit，應用專用集成電路)、DSP(Digital Signal Processing，數字信號處理器)、DSPD (D i g i ta I Signal Processing Devi ce，數字信號處理設備)、PLD(Programmable Logic Device，可編程邏輯器件)、FPGA(Field-Programmable GateArray，現場可編程門陣列)、控制器、微控制器、微處理器或其他電子元件實現，用于執行上述方法。
[0164]在示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質，例如包括指令的存儲器804，上述指令可由裝置800的處理器820執行以完成上述方法。例如，所述非臨時性計算機可讀存儲介質可以是R0M、RAM(Ramdom Access Memory，隨機存取存儲器)XD-ROM(Compact Disc Read-Only Memory，光盤只讀存儲器)、磁帶、軟盤和光數據存儲設備等。
[0165]—種非臨時性計算機可讀存儲介質，當所述存儲介質中的指令由移動終端的處理器執行時，使得移動終端能夠執行一種指紋處理的方法，所述方法包括:
[0166]獲取待識別指紋圖像；
[0167]將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
[0168]可選地，所述將所述待識別指紋圖像輸入卷積神經網絡，包括:
[0169]對所述待識別指紋圖像進行歸一化，得到預定規格的所述待識別指紋圖像；
[0170]將預定規格的所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型。
[0171]可選地，所述方法還包括:
[0172]獲取若干指紋圖像；
[0173]接收標定的各個所述指紋圖像的指紋類型；
[0174]采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練。
[0175]優選地，所述采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練，包括:
[0176]將所述指紋圖像輸入所述卷積神經網絡，得到所述指紋圖像的指紋類型；
[0177]確定得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型是否匹配，并統計匹配率；
[0178]當通過統計多個得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型得到的所述匹配率低于閾值，或者多次統計的所述匹配率發散時，反向傳播調整所述卷積神經網絡的參數；
[0179]當所述匹配率大于或者等于所述閾值，并且多次統計的所述匹配率收斂時，所述卷積神經網絡訓練完畢。
[0180]可選地，所述方法還包括:
[0181]從若干設定指紋圖像中，篩選出與所述待識別指紋圖像的指紋類型相同的所述設定指紋圖像；
[0182]將所述待識別指紋圖像與篩選出的所述設定指紋圖像逐一進行比對，確定所述待識別指紋圖像與篩選出的所述指紋圖像是否相同。
[0183]本領域技術人員在考慮說明書及實踐這里公開的發明后，將容易想到本發明的其它實施方案。本申請旨在涵蓋本發明的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發明的一般性原理并包括本公開未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發明的真正范圍和精神由下面的權利要求指出。
[0184]應當理解的是，本發明并不局限于上面已經描述并在附圖中示出的精確結構，并且可以在不脫離其范圍進行各種修改和改變。本發明的范圍僅由所附的權利要求來限制。
【主權項】
1.一種指紋處理的方法，其特征在于，所述方法包括: 獲取待識別指紋圖像； 將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。2.根據權利要求1所述的方法，其特征在于，所述將所述待識別指紋圖像輸入卷積神經網絡，包括: 對所述待識別指紋圖像進行歸一化，得到預定規格的所述待識別指紋圖像； 將預定規格的所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型。3.根據權利要求1或2所述的方法，其特征在于，所述方法還包括: 獲取若干指紋圖像； 接收標定的各個所述指紋圖像的指紋類型； 采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練。4.根據權利要求3所述的方法，其特征在于，所述采用若干所述指紋圖像和接收的各個所述指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練，包括: 將所述指紋圖像輸入所述卷積神經網絡，得到所述指紋圖像的指紋類型； 確定得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型是否匹配，并統計匹配率； 當通過統計多個得到的所述指紋圖像的指紋類型與接收的所述指紋圖像的指紋類型得到的所述匹配率低于閾值，或者多次統計的所述匹配率發散時，反向傳播調整所述卷積神經網絡的參數； 當所述匹配率大于或者等于所述閾值，并且多次統計的所述匹配率收斂時，所述卷積神經網絡訓練完畢。5.根據權利要求1或2所述的方法，其特征在于，所述方法還包括: 從若干設定指紋圖像中，篩選出與所述待識別指紋圖像的指紋類型相同的所述設定指紋圖像； 將所述待識別指紋圖像與篩選出的所述設定指紋圖像逐一進行比對，確定所述待識別指紋圖像與篩選出的所述指紋圖像是否相同。6.一種指紋處理的裝置，其特征在于，所述裝置包括: 第一獲取模塊，用于獲取待識別指紋圖像； 確定模塊，用于將所述第一獲取模塊獲取的待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。7.根據權利要求6所述的裝置，其特征在于，所述確定模塊包括: 歸一化子模塊，用于對所述第一獲取模塊獲取的待識別指紋圖像進行歸一化，得到預定規格的待識別指紋圖像； 第一確定子模塊，用于將所述歸一化子模塊得到的預定規格的待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型。8.根據權利要求6或7所述的裝置，其特征在于，所述裝置還包括: 第二獲取模塊，用于獲取若干指紋圖像； 接收模塊，用于接收標定的所述第二獲取模塊獲取的各個指紋圖像的指紋類型； 訓練模塊，用于采用所述第二獲取模塊獲取的若干指紋圖像和所述接收模塊接收的各個指紋圖像的指紋類型，對所述卷積神經網絡的參數進行訓練。9.根據權利要求8所述的裝置，其特征在于，所述訓練模塊包括: 第二確定子模塊，用于將所述第二獲取模塊獲取的指紋圖像輸入所述卷積神經網絡，得到所述指紋圖像的指紋類型； 第三確定子模塊，用于確定所述第二確定子模塊得到的所述指紋圖像的指紋類型與所述接收模塊接收的所述指紋圖像的指紋類型是否匹配，并統計匹配率； 調整子模塊，用于當所述第三確定子模塊通過統計多個所述第二確定子模塊得到的所述指紋圖像的指紋類型與所述接收模塊接收的所述指紋圖像的指紋類型得到的所述匹配率低于閾值，或者多次統計的所述匹配率發散時，反向傳播調整所述卷積神經網絡的參數；當所述匹配率大于或者等于所述閾值，并且多次統計的所述匹配率收斂時，所述卷積神經網絡訓練完畢。10.根據權利要求6或7所述的裝置，其特征在于，所述裝置還包括: 篩選模塊，用于從若干設定指紋圖像中，篩選出與所述確定模塊得到的指紋類型相同的設定指紋圖像； 比對模塊，用于將所述第一獲取模塊獲取的待識別指紋圖像與所述篩選模塊篩選出的設定指紋圖像逐一進行比對，確定所述待識別指紋圖像與篩選出的所述指紋圖像是否相同。11.一種指紋處理的裝置，其特征在于，所述裝置包括: 處理器； 用于存儲處理器可執行指令的存儲器； 其中，所述處理器被配置為: 獲取待識別指紋圖像； 將所述待識別指紋圖像輸入卷積神經網絡，得到所述待識別指紋圖像的指紋類型，所述卷積神經網絡的參數通過采用多個標定有指紋脊線的指紋圖像進行訓練得到。
【文檔編號】G06N3/08GK106056095SQ201610412992
【公開日】2016年10月26日
【申請日】2016年6月13日
【發明人】張濤, 張旭華, 汪平仄
【申請人】北京小米移動軟件有限公司