[发明专利]一种指纹识别方法及指纹识别装置

说明书

本发明提供了一种指纹识别方法及指纹识别装置，解决了小面积指纹识别准确率较低的问题。所述指纹识别方法包括：获取待识别指纹的指纹图像；对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强；对细化处理后的所述指纹图像提取关键点；将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量；基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹。

技术领域

本发明涉及指纹识别技术领域，具体涉及一种指纹识别方法及指纹识别装置。

背景技术

指纹识别技术是一种较成熟的身份信息识别技术，并广泛应用于公共安防和个人信息保护等领域。目前，应用较多的指纹识别技术，主要是采集全指纹信息，一般指纹图像面积大，结构完整，特征提取易实现，但所用指纹采集传感器体积也较大。随着应用需求的变化，尤其是手机等微型设备的广泛普及，指纹采集传感器的体积逐渐要求微型化，而体积的缩小导致采集指纹面积明显变小，因此采集的指纹的结构完整性较差，且特征信息不充分，这就导致小面积指纹识别准确率较低。

发明内容

有鉴于此，本发明提供了一种指纹识别方法及指纹识别装置，解决了小面积指纹识别准确率较低的问题。

本发明一实施例提供的一种指纹识别方法包括：获取待识别指纹的指纹图像；对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强；对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像；将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量；基于所述待识别指纹的特征向量，判断所述待识别指纹是否为目标指纹。

在一种实施方式中，所述对所述指纹图像进行细化处理的步骤包括：对所述指纹图像进行增强处理；采用膨胀腐蚀算法对增强后的指纹图像进行细化处理。在一种实施方式中，所述对细化处理后的所述指纹图像提取关键点的步骤包括：建立一像素模版；在所述细化处理后的指纹图像中选取一个像素作为像素模版的中心点；基于所述像素模版采集所述像素模版的中心点周围的像素；基于所述像素模版的中心点周围的像素得到目标像素的个数，基于所述目标像素的个数确定所述像素模版的中心点为所述关键点，提取所述关键点，基于所述关键点得到所述关键点图像。

在一种实施方式中，所述对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像的步骤包括：建立nxm矩阵像素模版，其中，n≥1，m≥1；在所述细化处理后的指纹图像中选取一个黑色像素作为所述nxm矩阵像素模版的中心点；基于所述nxm矩阵像素模版采集所述像素模版的中心点周围的nxm-1个像素；计算采集到的所述nxm-1个像素中黑色像素的个数，若所述nxm-1个像素中黑色像素的个数为1个，则所述像素模版的中心点为断点；若所述nxm-1个像素中黑色像素的个数为3个，则所述像素模版的中心点为交叉点。

在一种实施方式中，所述将所述指纹图像、所述细化的指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量的步骤包括：将所述指纹图像、所述增强后的指纹图像、细化处理后的所述指纹图像以及所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量。

在一种实施方式中，所述将所述指纹图像、所述细化的指纹图像、所述关键点图像输入卷积神经网络之前，还包括训练所述卷积神经网络；所述训练所述卷积神经网络的步骤包括：将训练数据集中的指纹图像进行分类形成多个子数据集，并在所述训练数据集中选取输入样本图像、正样本图像和负样本图像；将所述输入样本图像、所述正样本图像和所述负样本图像输入所述卷积神经网络，获得所述输入样本图像的特征向量、所述正样本图像的特征向量和所述负样本图像的特征向量；将所述输入样本的特征向量、所述正样本图像的特征向量和所述输入负样本的特征向量带入损失函数以对所述卷积神经网络进行评估，并利用随机梯度下降算法对所述卷积神经网络进行优化。