一种基于3D指纹图像的弱监督的特征分析方法及系统技术方案

本发明专利技术提供一种基于3D指纹图像的弱监督的特征分析方法及系统，所述基于3D指纹图像的弱监督的特征分析方法包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。本发明专利技术利用3D指纹图像对指纹图像特征进行分析和识别，实现了对指纹图像特征区域的可视化分析和提取，避免了指纹图像的表面环境对其识别的影响，进而实现了更高正确率和精确度的指纹图像特征提取，提高了抗噪性能，为证实指纹内部特征的存在奠定了很好的技术基础。

A Weak Supervisory Feature Analysis Method and System Based on 3D Fingerprint Image

The invention provides a feature analysis method and system for weak supervision based on 3D fingerprint image. The feature analysis method for weak supervision based on 3D fingerprint image includes the following steps: collecting fingerprint image data; establishing fingerprint image feature extraction model for the fingerprint image data; and random acquisition of fingerprint image test data, and the fingerprint image test data. The fingerprint image test data are input into the fingerprint image feature extraction model, and then the fingerprint feature information of the fingerprint image test data is characterized. The invention utilizes 3D fingerprint image to analyze and recognize fingerprint image features, realizes visual analysis and extraction of fingerprint image feature area, avoids the influence of fingerprint image surface environment on fingerprint image recognition, thus realizes higher accuracy and accuracy of fingerprint image feature extraction, improves the anti-noise performance, and lays a good foundation for confirming the existence of fingerprint internal features. Technical basis.

【技术实现步骤摘要】
一种基于3D指纹图像的弱监督的特征分析方法及系统
本专利技术涉及一种特征分析方法，尤其涉及一种基于3D指纹图像的弱监督的特征分析方法，并设计采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。
技术介绍
手指存在许多特征，而指纹作为手指的主要生物特征，具有普遍性、显著性、永久性、可收集性、可接受性和抗规避性等几个理想特性。现有基于传统2D指纹图像的生物特征识别，在指尖表面被严重损坏或存在油污或汗液等情况下，使得不可能或极难形成传统的参考2D指纹图案。随着OCT成像技术的成熟，利用OCT3D指纹图像分析指纹内部信息，可以很好的避免此类问题。OCT为Opticalcoherencetomography，即光学相干断层扫描，在本申请中，3D指纹图像指的是OCT3D指纹图像。OCT3D指纹图像所展示的指纹内部信息，清晰展现了指纹的深层结构。同时OCT3D指纹图像由多张纵向指尖图像的截面图构成，单指尖的3D扫描图像数量多于2D，可以提供更多且更完整的指纹特征。但是现有的2D指纹图像分析方法对于OCT3D指纹图像的特征提取，存在维度损失和特征无法定位等问题，也无法表相应征特征信息。现有特征提取方法中，深度学习作为一种区别于传统图像处理的图像分析方法在识别精度上表现良好，广泛应用于计算机视觉领域。在深度学习中对特征可视化可以将图像特征信息直观表征在原图像中，对于图像特征的提取、分析有着重要作用，但现有传统可视化方法均不适用于图像的特征分析，且现有深度学习网络所涉及的模型解释可视化技术尚未应用到表征图像特征提取区域中。
技术实现思路
本专利技术所要解决的技术问题是需要提供一种能够基于OCT成像技术以实现3D指纹图像的弱监督的特征分析方法，进而提高指纹图像特征提取的准确性和精准度；还进一步提供采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。对此，本专利技术提供一种基于3D指纹图像的弱监督的特征分析方法，包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。本专利技术的进一步改进在于，所述步骤S2包括以下子步骤：步骤S21，通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络；步骤S22，训练特征提取网络，并优化所述特征提取网络的参数；步骤S23，保存优化后的特征提取网络模型作为指纹图像特征提取模型。本专利技术的进一步改进在于，所述步骤S22包括以下子步骤：步骤S221，输入指纹图像数据，通过卷积结构提取生物信息特征，通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况，进而输出离散化的生物信息特征标签；步骤S222，反馈对生物信息特征的提取结果，进而对特征提取网络的参数进行调整，所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模型进行迭代更新。本专利技术的进一步改进在于，所述步骤S221的训练特征提取网络过程中，采用两块以上的显卡并行计算和训练，先通过对每一块显卡进行机器学习和训练，实现更新迭代，并计算两块以上的显卡的均值以实现变量的更新；然后将更新后的变量参数返回到至CPU中，以输入至每一块显卡中，实现反复迭代。本专利技术的进一步改进在于，所述步骤S3包括以下子步骤：步骤S31，随机采集指纹图像测试数据；步骤S32，将所述指纹图像测试数据输入所述指纹图像特征提取模型中；步骤S33，在所述指纹图像特征提取模型中对指纹图像测试数据进行表征。本专利技术的进一步改进在于，所述步骤S33包括以下子步骤：步骤S331，使用引导反向传播表征所提取的指纹图像特征区域；步骤S332，使用梯度加权类激活映射表征所提取的指纹图像特征区域；步骤S333，将步骤S331和步骤S332所述的两种表征方法相结合来表征所提取的指纹图像特征区域。本专利技术的进一步改进在于，所述步骤S331中，使用引导反向传播表征所提取的指纹图像特征区域的过程为：在梯度传播时，只传递输入大于零所对应的指纹图像特征的梯度至所述指纹图像特征提取模型中的输入端，得到的权重叠加到指纹图像特征中，得到初步的指纹图像特征区域。本专利技术的进一步改进在于，所述步骤S332中，使用梯度加权类激活映射表征所提取的指纹图像特征区域的过程为：在网络最后一层中使用全局平均池化，通过加权和得到输出，并对输出进行上采样，得到每对指纹图像特征所对应的权重，并将指纹图像特征所对应的权重叠加到原指纹图像中以得到梯度加权类激活映射后的指纹图像特征区域。本专利技术的进一步改进在于，所述步骤S333中，对指纹图像特征提取模型反向计算其隐藏层梯度，并得到卷积层的权重值和经上采样之后得到特征图像的权重值进行相乘，并叠加到原指纹图像中以得到最终的指纹图像特征区域。本专利技术还提供一种基于3D指纹图像的弱监督的特征分析系统，采用了如上所述的基于3D指纹图像的弱监督的特征分析方法。与现有技术相比，本专利技术的有益效果在于：利用3D指纹图像对指纹图像特征进行分析和识别，实现了对指纹图像特征区域的可视化分析和提取，避免了指纹图像的表面环境对其识别的影响，进而实现了更高正确率和精确度的指纹图像特征提取，提高了抗噪性能，为证实指纹内部特征的存在奠定了很好的技术基础。附图说明图1是本专利技术一种实施例的工作流程示意图；图2是本专利技术一种实施例的训练特征提取网络的工作原理示意图；图3是本专利技术一种实施例对指纹特征信息进行表征的工作原理示意图。具体实施方式下面结合附图，对本专利技术的较优的实施例作进一步的详细说明。如图1至图3所示，本例提供一种基于3D指纹图像的弱监督的特征分析方法，包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。本例所述基于3D指纹图像的弱监督的特征分析方法，即通过输入3D指纹图像和所其具有的生物信息特征的离散化标签值，在进行特征提取过程中，表征OCT3D指纹图形所对应的生物特征信息的分布情况。本例所述步骤S1中，通过OCT(光学相干断层扫描)采集的3D指纹图像作为训练数据，优选为集同一用户的同一个手指至少400张的指纹图像作为指纹图像数据，以保证训练数据的准确性。本例所述步骤S2包括以下子步骤：步骤S21，通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络；步骤S22，训练特征提取网络，并优化所述特征提取网络的参数；步骤S23，保存优化后的特征提取网络模型作为指纹图像特征提取模型。本例所述步骤S21中，采用现有的深度学习算法进行网络的搭建；本例所述步骤S22包括以下子步骤：步骤S221，输入指纹图像数据，通过卷积结构提取生物信息特征，通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况，进而输出离散化的生物信息特征标签；步骤S222，反馈对生物信息特征的提取结果，进而对特征提取网络的参数进行调整，所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模本文档来自技高网...

【技术保护点】
1.一种基于3D指纹图像的弱监督的特征分析方法，其特征在于，包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。

【技术特征摘要】
1.一种基于3D指纹图像的弱监督的特征分析方法，其特征在于，包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。2.根据权利要求1所述的基于3D指纹图像的弱监督的特征分析方法，其特征在于，所述步骤S2包括以下子步骤：步骤S21，通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络；步骤S22，训练所述特征提取网络，并优化所述特征提取网络的参数；步骤S23，保存优化后的特征提取网络模型作为指纹图像特征提取模型。3.根据权利要求2所述的基于3D指纹图像的弱监督的特征分析方法，其特征在于，所述步骤S22包括以下子步骤：步骤S221，输入指纹图像数据，通过卷积结构提取生物信息特征，通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况，进而输出离散化的生物信息特征标签；步骤S222，反馈对生物信息特征的提取结果，进而对特征提取网络的参数进行调整，所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模型进行迭代更新。4.根据权利要求3所述的基于3D指纹图像的弱监督的特征分析方法，其特征在于，所述步骤S221的训练特征提取网络过程中，采用两块以上的显卡并行计算和训练，先通过对每一块显卡进行机器学习和训练，实现更新迭代，并计算两块以上的显卡的均值以实现变量的更新；然后将更新后的变量参数返回到至CPU中，以输入至每一块显卡中，实现反复迭代。5.根据权利要求1至4任意一项所述的基于3D指纹图像的弱监督的特征分析方法，其特征在于，所述步骤S3包括以下子步骤：步骤S31，随机采集指纹图...

【专利技术属性】
技术研发人员：刘凤，刘浩哲，张文天，苟文越，齐勇，沈琳琳，赖志辉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44