层级互补卷积神经网络模型、鲁棒指纹识别方法及系统技术方案

本发明专利技术公开了一种层级互补卷积神经网络模型、鲁棒指纹识别方法及系统，属于指纹识别，要解决的技术问题为如何实现对磨损指纹的识别；其系统包括第一层卷积神经网络，主要由子类识别网络和未磨损图像识别网络；第二层卷积神经网络，用于识别已磨损指纹。其方法包括：以训练图像为输入，训练层级互补卷积神经网络模型，得到训练后层级互补卷积神经网络模型；以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别。其系统包括模型构建模块、模型训练模块和识别模块。本发明专利技术通过第一层卷积神经网络判断指纹图像的磨损识别，并对未磨损的指纹进行识别，通过第二层卷积神经网络对已磨损的指纹进行识别。

Hierarchical Complementary Convolutional Neural Network Model, Robust Fingerprint Recognition Method and System

【技术实现步骤摘要】
层级互补卷积神经网络模型、鲁棒指纹识别方法及系统
本专利技术涉及指纹识别领域，具体地说是一种层级互补卷积神经网络模型、鲁棒指纹识别方法及系统。
技术介绍
个人的身份验证在当今高速发展的社会具有极大的市场需求，由于较强的安全性和便利性，生物识别技术作为一种新兴的个人身份验证技术备受关注。指纹识别是最早的生物识别技术，在生物识别市场中占主导地位。虽然指纹识别技术日趋成熟，然而现有的指纹识别技术对于指纹的磨损等问题仍不能取得令人满意的性能。基于上述问题，如何实现对磨损指纹的识别，是需要解决的技术问题。
技术实现思路
本专利技术的技术任务是针对以上不足，提供一种层级互补卷积神经网络模型、鲁棒指纹识别方法及系统，来解决如何实现对磨损指纹的识别的问题。第一方面，本专利技术提供一种层级互补卷积神经网络模型，包括：第一层卷积神经网络，主要由子类识别网络和未磨损图像识别网络，子类识别网络用于识别指纹图像中指纹为未磨损或已磨损，未磨损图像识别网络用于识别未磨损指纹；第二层卷积神经网络，用于识别已磨损指纹。在上述实施方式中，通过第一层卷积神经网络可识别指纹图像的已磨损未磨损状态，并识别未磨损指纹，通过第一层卷积神经网络可识别已磨损指纹，从而在第二层卷积神经网络对第一层级网络具有一定的互补作用，可取得较好的识别效果。作为优选，子类识别网络为Resnet网络。作为优选，未磨损图像识别网络为Alexnet网络。作为优选，第二层卷积神经网络为Densenet网络。第二方面，本专利技术提供一种鲁棒指纹识别方法，通过如第一方面任一项所述的层级互补卷积神经网络模型对输入的指纹图像进行指纹识别，包括：以训练图像为输入，训练层级互补卷积神经网络模型，得到训练后层级互补卷积神经网络模型；以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别。作为优选，以训练图像为输入，训练层级互补卷积神经网络模型，包括:获取训练图像，训练图像包括已磨损指纹图像和未磨损指纹图像；通过子类识别网络对训练图像进行分类标记，生成未磨损子类和已磨损子类，并得到训练后子类识别网络，未磨损子类对应未磨损指纹图像，已磨损子类对应已磨损指纹图像；通过未磨损图像识别网络对未磨损子类进行指纹识别，得到训练后未磨损图像识别网络；通过第二层卷积神经网络对已磨损子类进行指纹识别，得到训练后第二层卷积神经网络。作为优选，以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别，包括：通过训练后子类识别网络对测试图像进行判断，判断测试图像为已磨损子类或磨损子类；如果测试图像为已磨损子类，通过未磨损图像识别网络对测试图像进行指纹识别，如果测试图像为已磨损子类，通过第二层卷积神经网络对测试图像进行指纹识别。第三方面，本专利技术提供一种鲁棒指纹识别系统，包括：模型构建模块，用于构建层级互补卷积神经网络模型，所述层级互补卷积神经网络模型包括第一层卷积神经网络和第二层卷积神经网络，第一层卷积神经网络主要由子类识别网络和未磨损图像识别网络组成，子类识别网络用于识别指纹图像中指纹为未磨损或已磨损，未磨损图像识别网络用于识别未磨损指纹，第二层卷积神经网络用于识别已磨损指纹；模型训练模块，用于获取训练图像，并以训练图像为输入训练层级互补卷积神经网络模型，得到训练后层级互补卷积神经网络模型；识别模块，用于获取测试图像，并通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别。作为优选，模型训练模块为具有如下功能的模块：获取训练图像，训练图像包括已磨损指纹图像和未磨损指纹图像；通过子类识别网络对训练图像进行分类标记，生成未磨损子类和已磨损子类，并得到训练后子类识别网络，未磨损子类对应未磨损指纹图像，已磨损子类对应已磨损指纹图像；通过未磨损图像识别网络对未磨损子类进行指纹识别，得到训练后未磨损图像识别网络；通过第二层卷积神经网络对已磨损子类进行指纹识别，得到训练后第二层卷积神经网络。作为优选，识别模块为具有如下功能的模块：通过训练后子类识别网络对测试图像进行判断，判断测试图像为已磨损子类或磨损子类；如果测试图像为已磨损子类，通过未磨损图像识别网络对测试图像进行指纹识别，如果测试图像为已磨损子类，通过第二层卷积神经网络对测试图像进行指纹识别。本专利技术的层级互补卷积神经网络模型、鲁棒指纹识别方法及系统具有以下优点：通过第一层卷积神经网络判断指纹图像的磨损识别，并对未磨损的指纹进行识别，通过第二层卷积神经网络对已磨损的指纹进行识别，两者结合，可取得较好的识别结果。附图说明为了更清除地说明本专利技术实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。下面结合附图对本专利技术进一步说明。附图1为实施例2鲁棒指纹识别方法的流程框图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定，在不冲突的情况下，本专利技术实施例以及实施例中的技术特征可以相互结合。本专利技术实施例提供层级互补卷积神经网络模型、鲁棒指纹识别方法及系统，用于解决如何实现对磨损指纹的识别的技术问题。实施例1：本专利技术的层级互补卷积神经网络模型，包括第一层卷积神经网络和第二层卷积神经网络，第一层卷积神经网络主要由子类识别网络和未磨损图像识别网络组成，子类识别网络用于识别指纹图像中指纹为未磨损或已磨损，未磨损图像识别网络用于识别未磨损指纹，第二层卷积神经网络用于识别已磨损指纹。其中，子类识别网络为Resnet网络，未磨损图像识别网络为Alexnet网络，第二层卷积神经网络为Densenet网络。本专利技术的层级互补卷积神经网络模型可对指纹图像进行指纹识别。实施例2：如附图1所示，本专利技术的鲁棒指纹识别方法，通过实施例1公开的层级互补卷积神经网络模型对输入的指纹图像进行指纹识别，包括如下步骤：S100、以训练图像为输入，训练层级互补卷积神经网络模型，得到训练后层级互补卷积神经网络模型；S200、以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别。其中，步骤S100包括如下分步骤：S110、获取训练图像，训练图像包括已磨损指纹图像和未磨损指纹图像；S120、通过子类识别网络对训练图像进行分类标记，生成未磨损子类和已磨损子类，并得到训练后子类识别网络，未磨损子类对应未磨损指纹图像，已磨损子类对应已磨损指纹图像；S130、通过未磨损图像识别网络对未磨损子类进行指纹识别，得到训练后未磨损图像识别网络；S140、通过第二层卷积神经网络对已磨损子类进行指纹识别，得到训练后第二层卷积神经网络。步骤S200包括如下分步骤：S210、通过训练后子类识别网络对测试图像进行判断，判断测试图像为已磨损子类或磨损子类；S220、如果测试图像为已磨损子类，通过未磨损图像识别网络对测试图像进行指纹识别，如果测试图像为已磨损子类，通过第二层卷积神经网络对测试图像进行指纹识别。实施例3：本专利技术的鲁棒指纹识别系统，包括模型构建模块、模型训练模块和识别模块。模型构建模块用于构建层级互补卷积神经网络模型；模型训练模块，用于获本文档来自技高网...

【技术保护点】
1.层级互补卷积神经网络模型，其特征在于包括：第一层卷积神经网络，主要由子类识别网络和未磨损图像识别网络，子类识别网络用于识别指纹图像中指纹为未磨损或已磨损，未磨损图像识别网络用于识别未磨损指纹；第二层卷积神经网络，用于识别已磨损指纹。

【技术特征摘要】
1.层级互补卷积神经网络模型，其特征在于包括：第一层卷积神经网络，主要由子类识别网络和未磨损图像识别网络，子类识别网络用于识别指纹图像中指纹为未磨损或已磨损，未磨损图像识别网络用于识别未磨损指纹；第二层卷积神经网络，用于识别已磨损指纹。2.根据权利要求1所述的层级互补卷积神经网络模型，其特征在于子类识别网络为Resnet网络。3.根据权利要求1所述的层级互补卷积神经网络模型，其特征在于未磨损图像识别网络为Alexnet网络。4.根据权利要求1所述的层级互补卷积神经网络模型，其特征在于第二层卷积神经网络为Densenet网络。5.鲁棒指纹识别方法，其特征在于通过如权利要求1-4任一项所述的层级互补卷积神经网络模型对输入的指纹图像进行指纹识别，包括：以训练图像为输入，训练层级互补卷积神经网络模型，得到训练后层级互补卷积神经网络模型；以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别。6.根据权利要求5所述的鲁棒指纹识别方法，其特征在于以训练图像为输入，训练层级互补卷积神经网络模型，包括:获取训练图像，训练图像包括已磨损指纹图像和未磨损指纹图像；通过子类识别网络对训练图像进行分类标记，生成未磨损子类和已磨损子类，并得到训练后子类识别网络，未磨损子类对应未磨损指纹图像，已磨损子类对应已磨损指纹图像；通过未磨损图像识别网络对未磨损子类进行指纹识别，得到训练后未磨损图像识别网络；通过第二层卷积神经网络对已磨损子类进行指纹识别，得到训练后第二层卷积神经网络。7.根据权利要求6所述的鲁棒指纹识别方法，其特征在于以测试图像为输入，通过训练后层级互补卷积神经网络模型对测试图像进行指纹识别，包括：通过训练后子类识别网络对测试图像进行判断，判断测试图像为...

【专利技术属性】
技术研发人员：于治楼，袭肖明，姜凯，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37