[发明专利]基于训练样本指纹识别智能尾箱应用方法及设备

说明书

本发明提出了基于训练样本指纹识别智能尾箱应用方法及设备，涉及本发明涉及保险柜领域领域。本发明的方案：利用多尺度图像细节优化处理、自编码器、SVM（支持向量机）、分组式KNN等多种模型对是否为智能尾箱持有者的指纹进行判别，为智能尾箱的安全使用提供支持。本发明能够提升了指纹图像识别的精度和健壮性，确保了智能尾箱的安全使用。

技术领域

本发明涉及保险柜领域领域，具体而言，涉及基于训练样本指纹识别智能尾箱应用方法及设备。

背景技术

智能尾箱在金融领域发挥了重要的作用，也越来越受到大众的认可。它不仅可以为使用者提供巨大的方便，也可以一定程度上保证资金、重要单据的使用安全。由于智能尾箱中存放了大量的资金和重要单据等，它的使用安全性也越来越受到大家的关注。结合人工智能技术，很多知名研究机构、高科技企业将指纹识别技术应用于智能尾箱，利用指纹识别对智能尾箱进行开锁控制，旨在提升智能尾箱的使用安全性。

目前，传统的指纹识别技术仍然存在一定的局限性，无法高质量地应用于尾箱开锁控制。一方面，传统的指纹匹配过程无法保证较高的正确率，直接影响了指纹的识别精度；另一方面，传统的指纹识别模型往往没有较好的普适性，对于特征不显著的边缘式待检测图像很难进行判定。

发明内容

本发明的目的在于提供基于训练样本指纹识别智能尾箱应用方法及设备，其能够提升了指纹图像识别的精度和健壮性，确保了智能尾箱的安全使用。

本发明的实施例是这样实现的：

本申请实施例提供一种基于训练样本指纹识别智能尾箱应用方法，包括：S1:采集多个智能尾箱持有者的指纹图像作为潜在正样本，采集多个非智能尾箱持有者指纹图像作为潜在负样本；S2:对潜在正样本和潜在负样本进行图像细节优化处理，得到图像处理后的正样本和图像处理后的负样本；S3:利用自动编码器对图像处理后的正样本和图像处理后的负样本进行深度表征，得到表征后的正样本和表征后的负样本；S4:对表征后的正样本进行欧式距离计算之间的差异性，对相似度高表征后的正样本只保留一个得到正样本，最终保留50个正样本，对表征后的负样本进行欧式距离计算之间的差异性，对相似度高表征后的负样本只保留一个得到负样本，最终保留50个负样本；S5:通过SVM模型对正样本和负样本进行训练，得到智能尾箱持有者指纹识别决策模型；S6:智能尾箱持有者指纹识别决策模型对使用者的指纹图像进行识别；S7:智能尾箱持有者指纹识别决策模型对使用者识别得分高时则打开智能尾箱，智能尾箱持有者指纹识别决策模型对使用者识别得分低时则禁止打开智能尾箱。

在本发明的一些实施例中，上述S1中智能尾箱持有者的指纹图像为50个-100个。

在本发明的一些实施例中，上述智能尾箱持有者的指纹图像为50个。

在本发明的一些实施例中，上述S1中非智能尾箱持有者的指纹图像为50个-100个。

在本发明的一些实施例中，上述非智能尾箱持有者的指纹图像为50个。

在本发明的一些实施例中，上述S2中图像细节优化处理为多尺度图像细节优化处理。

在本发明的一些实施例中，上述S2包括以下步骤：通过最小二乘滤波器对图像处理后的正样本和图像处理后的负样本进行过滤，得到过滤后的正样本图像和过滤后的负样本图像；将过滤后的正样本图像和过滤后的负样本图像均分为多个尺度；对过滤后正样本图像的多个尺度和过滤后负样本图像的多个尺度进行减除计算，得到正样本图像细节信息和负样本图像细节信息；将正样本图像细节信息加权至潜在正样本，得到潜在正样本加强图像，将负样本图像细节信息加权至潜在负样本，得到潜在负样本加强图像。