基于深度学习的指纹比对方法、系统、可读介质和设备技术方案

本发明专利技术属于指纹比对技术领域，涉及一种基于深度学习的指纹比对方法、系统、可读介质和设备，包括以下步骤：S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；S3将步骤2获得的纹理特征输入步骤S1中的纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；S4将待比对的指纹图像的细节特征与指纹图像候选列表中的指纹图像进行比对，并结合字典特征生成指纹比对结果列表。其能够更加快速、准确的对指纹特征进行识别。准确的对指纹特征进行识别。准确的对指纹特征进行识别。

【技术实现步骤摘要】
基于深度学习的指纹比对方法、系统、可读介质和设备


[0001]本专利技术涉及一种基于深度学习的指纹比对方法、系统、可读介质和设备，属于指纹比对
，特别涉及智能化的指纹比对


技术介绍

[0002]指纹作为人体重要的生物特征，早已在社会生活的各个领域作为身份识别的方式进行应用。指纹自动识别技术作为当前成熟的生物特征识别技术，被广泛的应用于公共安全、身份认证、访问控制等领域。随着指纹识别应用的日益广泛，特别是指纹库规模迅速增长，对指纹自动识别技术提出了新的挑战。从近年来开展的多次国内主要指纹技术产品的测试来看，传统的基于细节特征点的指纹自动识别技术已经面临瓶颈，性能的提升特别是准确性的提升较为缓慢。
[0003]以深度神经网络为代表的一系列模拟人脑神经元工作模式的深度学习算法产生。在图像识别领域，基于人工智能的人像识别由于其社会的广泛需求，已经走在了前列。由于特殊的应用场景和需要专业部门的参与，以指纹识别应用为代表的一系列生物特征识别技术的开发还方兴未艾。这就给了具有数据优势和研发实力的相关部门在这些领域开展研究的时机。
[0004]传统指纹识别技术普遍采用细节特征点作为特征进行提起、存储和识别。随着指纹库容量的不断增加，特征点识别方式存在着诸多不足，主要是：1、基于特征点的指纹识别算法由于特征数量的限制(完整指纹约100个左右)，当现场指纹不完整及变形的情况下，识别性能不断下降；2、需要大量的人工干预，进行特征点的标注及校准；3、经过多年的不断改进，基于特征点的算法性能已经达到瓶颈，积压了大量的无法比中的案件。因此，需要研究一种全新的算法，使用新的技术方案，在性能上既可以独立完成指纹识别，又可以与现有的算法实现互补。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供了一种基于深度学习的指纹比对方法、系统、可读介质和设备，其能够更加快速、准确的对指纹特征进行识别。
[0006]为实现上述目的，本专利技术采取以下技术方案：一种基于深度学习的指纹比对方法，包括以下步骤：S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；S3将步骤S2获得的纹理特征输入步骤S1中的纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；S4将待比对的指纹图像的细节特征与指纹图像候选列表中的指纹图像进行比对，并结合字典特征生成指纹比对结果列表。
[0007]进一步，步骤S1和S2中的指纹图像在输入深度学习模型前均需要进行预处理，预处理过程包括指纹图像剪裁、对齐和将指纹图像二值化。
[0008]进一步，步骤S2中的深度学习模型包括纹理特征提取子模块、细节特征提取子模块、字典特征提取子模块和拼接子模块，将纹理特征提取子模块、细节特征提取子模块和字典特征提取子模块分别获得的纹理特征、细节特征和字典特征通过拼接子模块进行拼接组成基于深度学习的指纹特征。
[0009]进一步，纹理特征提取子模块、细节特征提取子模块为Inception Stem网络，其中，纹理特征提取子模块中指纹图像经过若干串联的Inception网络后，获得指纹图片的纹理特征；细节特征提取子模块仅包括一个Inception网络。
[0010]进一步，细节特征提取子模块中，指纹图像首先通过Inception Stem网络进行指纹细节点提取，随后结合指纹细节点热图，对指纹细节点进行细节特征的提取。
[0011]进一步，细节特征包括细节点在指纹图像中的位置和方向。
[0012]进一步，字典特征提取子模块中，指纹图像利用神经网络的卷积层进行指纹图像的变换，并将变换后的指纹图像输入Dense Net中的Dense网络和Res网络，获得指纹图像的字典特征。
[0013]本专利技术还公开了一种基于深度学习的指纹比对系统，包括：第一特征提取模块，用于将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；第二特征提取模块，用于将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；候选列表建立模块，用于将第二特征提取模块获得的纹理特征输入第一特征提取模块的纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；结果列表生成模块，用于将待比对的指纹图像的细节特征与指纹图像候选列表中的指纹图像进行比对，并结合字典特征生成指纹比对结果列表。
[0014]本专利技术还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一项的基于深度学习的指纹比对方法。
[0015]本专利技术还公开了一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据上述任一项的基于基于深度学习的指纹比对方法。
[0016]本专利技术由于采取以上技术方案，其具有以下优点：本专利技术能够快速、准确的对指纹特征进行识别。
[0017]本专利技术有点主要表现在两方面：1、使用了传统特征点和深度学习图像特征两种模式进行指纹的识别，相对于现有的算法具有更高的特征维度，具有更好的指纹图像的表达能力，在识别准确性方面具有更好的理论基础；2、基于特征向量存储的深度学习特征，只需计算特征向量之间的相似度，相比特征点集合间的比对计算，计算量明显降低。
附图说明
[0018]图1是本专利技术一实施例中基于深度学习的指纹比对系统的示意图；
[0019]图2是本专利技术一实施例中基于深度学习网络的结构示意图。
具体实施方式
[0020]为了使本领域技术人员更好的理解本专利技术的技术方向，通过具体实施例对本专利技术进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本专利技术，它们不应
该理解成对本专利技术的限制。在本专利技术的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0021]实施例一
[0022]本实施例公开了一种基于深度学习的指纹比对方法，如图1所示，包括以下步骤：
[0023]S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库，其中纹理特征数据库中的纹理特征经过预定时间后更新；
[0024]S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；
[0025]字典特征：指纹图像的稀疏编码，通过两个步骤完成：
[0026]S2.1字典训练，利用训练样本通过最小化代价函数得到字典(也称为基)；
[0027]S2.2特征编码，利用步骤S2.1中学习到的字典再次最小化代价函数，得到新的样本的特征(也称为系数)，系数即作为指纹图像的字典特征。
[0028]S3将步骤S2获得的纹理特征输入步骤S1中的纹理特征数据库中，获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的指纹比对方法，其特征在于，包括以下步骤：S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；S3将步骤S2获得的纹理特征输入步骤S1中的所述纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；S4将待比对的指纹图像的细节特征与所述指纹图像候选列表中的指纹图像进行比对，并结合所述字典特征生成指纹比对结果列表。2.如权利要求1所述的基于深度学习的指纹比对方法，其特征在于，所述步骤S1和S2中的指纹图像在输入所述深度学习模型前均需要进行预处理，所述预处理过程包括指纹图像剪裁、对齐和将所述指纹图像二值化。3.如权利要求1所述的基于深度学习的指纹比对方法，其特征在于，所述步骤S2中的深度学习模型包括纹理特征提取子模块、细节特征提取子模块、字典特征提取子模块和拼接子模块，将纹理特征提取子模块、细节特征提取子模块和字典特征提取子模块分别获得的纹理特征、细节特征和字典特征通过拼接子模块进行拼接组成基于深度学习的指纹特征。4.如权利要求3所述的基于深度学习的指纹比对方法，其特征在于，所述纹理特征提取子模块、细节特征提取子模块为Inception Stem网络，其中，所述纹理特征提取子模块中所述指纹图像经过若干串联的Inception网络后，获得指纹图片的纹理特征；所述细节特征提取子模块仅包括一个Inception网络。5.如权利要求4所述的基于深度学习的指纹比对方法，其特征在于，所述细节特征提取子模块中，所述指纹图像首先通过Inception Stem网络进行指纹细节点提取，随...

【专利技术属性】
技术研发人员：李孝君，周纯葆，张世泽，吴春生，王彦棡，韩柯，刘寰，冯才刚，孙忠，吴浩，陈子龙，吕昱帆，
申请(专利权)人：公安部物证鉴定中心，
类型：发明
国别省市：