[发明专利]一种基于深度学习的指纹分类识别系统及方法

说明书

技术领域

本发明涉及指纹分类识别技术领域，尤其涉及一种基于深度学习的指纹分类识别系统及方法。

背景技术

在生物特征识别领域上，指纹识别技术是最为成熟和应用最广泛的生物特征识别技术之一，由于其具有终身不变性、唯一性和方便性，且技术成熟、采集简便和成本比较低廉等特点，目前在生物特征识别的市场占比最大，并广泛应用于身份鉴定、信息安全、访问控制、快捷支付等方面。在日常生活中，门禁、考勤、智能手机的解锁等均可见指纹识别技术的应用。

自动指纹识别系统(Automatic fingerprint identification system，AFIS)利用指纹的唯一性、普遍性、便捷性和终身不变性等特点对个人身份进行识别，各类AFIS在进行指纹识别时，待认证的指纹通常需要与数据库中的模板指纹进行比对(通常是1：N的比对)。为减少比对次数较多带来的巨大耗时，AFIS往往会根据指纹纹型进行指纹分类再快速筛选，即待认证的指纹只需与同一纹型的模板指纹进行比对即可。

随着数据库的增大，同类纹型的差异逐渐变大、而不同纹型之间的界限变得模糊，特别是对于残缺指纹和存在大量噪声的指纹，对它们的纹型进行判断更为困难。传统指纹纹型分类算法的准确率直接受到相应特征提取算法的影响。在海量指纹库中，同类纹型指纹形态变化明显增大，不同类纹型界限变得模糊，仅通过人工定义的特征进行分类很难适应全部指纹数据。在公开号为CN105975909A的中国发明专利说明书中公开了一种基于六类指纹纹型特征、指纹奇异点间脊线数和分形维数的指纹三级分类方法，但计算图像分形维数的算法普遍存在对高维数图像计算误差较大，计算量大等缺点。

为解决纹型分类识别与人工定义的特征提取问题的耦合，本发明提出一种直接在指纹原图上进行纹型识别的算法，利用卷积神经网络(Convolutional Neural Networks，CNN)自动特征提取的能力从大量指纹数据中学习得到纹型特征，并通过对训练数据的设计使网络能够适应指纹的多样性，提升算法的鲁棒性。此外，多尺度网络模型平均方法能使分类准确性得到进一步提升。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于深度学习的指纹分类识别系统及方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的指纹分类识别系统，所述系统包括：图像采集模块，图像预处理模块，CNN深度学习模块，特征提取模块，模板存储模块和特征匹配模块。

优选的，所述图像采集模块与一般的按压触摸式传感指纹成像不同，图像采集模块由光源、高清摄像头和图像传感器构成，采取非接触式的高清拍摄来获取手指指纹图像，同时可以避免因按压手指获取的指纹容易发生形变的问题。

优选的，所述图像预处理模块与图像采集模块相连，图像预处理模块对图像采集模块采集到的指纹图像进行预处理，预处理包括对指纹采集模块采集到的指纹图像进行定位、图像分割、图像增强、图像二值化以及细化处理，最终获得处理完毕的指纹图像。

优选的，所述CNN深度学习模块是使用有纹型标定信息的注册指纹图像作为参照图像并生成训练数据，根据训练数据设计并训练卷积神经网络，再输入指纹图像，依参照指纹图像的生成方法生成输入指纹数据，并将该指纹数据输入到训练完成的CNN中，根据CNN输出进行判断并最终得到弓、左箕、右箕和斗4类指纹图像结果。

优选的，所述特征提取模块与CNN深度学习模块相连，特征提取模块在经CNN分类完成的指纹图像中提取指纹细节点，然后再在指纹图像中提取中脊线上的采样点，最后提取指纹图像采样点的凸包，生成含有指纹细节点、所有脊线上采样点和采样点的凸包的指纹特征图像。

优选的，所述模板存储模块与特征提取模块相连，用户输入并通过分类、特征提取后得到的注册指纹特征图像作为指纹特征图像模板存储到数据库中，用于对系统输入的指纹图像进行比对。

优选的，所述的特征匹配模块分别与特征提取模块和模板存储模块相连，当有指纹输入并通过CNN分类、特征提取单元提取指纹特征后，特征匹配单元提取同指纹类型的模板存储单元的指纹模板特征图像与输入的指纹特征图像进行对比，判断输入指纹特征与模板指纹特征是否匹配。

本发明还提供了一种基于深度学习的指纹分类识别的方法，所述的方法包括如下的实施步骤：

步骤S1、利用图像采集模块采集指纹图像，包括注册指纹和输入指纹；

步骤S2、将指纹图像进行预处理，获得便于CNN分类识别的细化指纹图像；