本发明专利技术属于生物特征认证领域，公开了一种接触式指纹与非接触式指纹的匹配方法及相关装置，包括：获取待匹配的接触式指纹与非接触式指纹；提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果，提升接触式指纹与非接触式指纹的匹配精确性，可以更加有效地运用于实际的应用场景。可以更加有效地运用于实际的应用场景。可以更加有效地运用于实际的应用场景。
【技术实现步骤摘要】
接触式指纹与非接触式指纹的匹配方法及相关装置
[0001]本专利技术属于生物特征认证领域，涉及一种接触式指纹与非接触式指纹的匹配方法及相关装置。
技术介绍
[0002]非接触式指纹具有不易被污染、便于采集以及采集过程中不和其余人接触的特性。并且，相比于接触式指纹的采集过程，非接触式指纹的采集更不容易传染病毒，因而，非接触式指纹近年来正越来越受到学界和工业界的注意。然而，当前已有的指纹库大都是接触式指纹，想要重新采集新的非接触式指纹作为指纹库费时费力，因此，研究区别于传统方法的非接触式指纹与接触式指纹的匹配方法显得尤为重要。
[0003]传统的指纹匹配技术大都是依据于基于细节点的方法，这种方法在以往的传统的指纹匹配中已经确认了其有效性，然而，由于非接触式指纹采集传感器与接触式指纹采集传感器的采集分布不同，二者采集出的指纹之间会产生一些差距，这些差距使得采用传统的方法得出的结果不尽如人意，传统上解决这一差异的方法是利用图像退化矫正算法来消除两种传感器之间的采集差异，但是效果不佳。
技术实现思路
[0004]本专利技术的目的在于克服上述现有技术的缺点，提供一种接触式指纹与非接触式指纹的匹配方法及相关装置。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术第一方面，一种接触式指纹与非接触式指纹的匹配方法，包括：
[0007]获取待匹配的接触式指纹与非接触式指纹；
[0008]提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；
[0009]将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；
[0010]根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
[0011]可选的，所述提取接触式指纹与非接触式指纹的细节点前，还包括：
[0012]将接触式指纹与非接触式指纹进行预处理；所述预处理包括：将接触式指纹与非接触式指纹均进行直方图均衡，并用Garbor滤波器进行滤波。
[0013]可选的，所述提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹包括：
[0014]采用指纹细节点提取算法，提取接触式指纹与非接触式指纹的细节点；
[0015]对于接触式指纹与非接触式指纹，均进行下述操作：
[0016]初始化一个维度与指纹尺寸相同的初始注意力矩阵，并对各细节点分别执行以下操作：以当前细节点的位置为中心，根据预设的标准差，在初始注意力矩阵的维度下生成高斯分布矩阵，将高斯分布矩阵乘以当前细节点的质量作为当前细节点的注意力分布，将当前细节点的注意力分布叠加到初始注意力矩阵上；
[0017]当各细节点遍历完成后，得到注意力矩阵；对注意力矩阵的横坐标轴和纵坐标轴分别求边缘分布，并分别计算边缘分布的积分，得到边缘分布的积分分布；对边缘分布的积分分布，用B样条曲线进行插值，得到采样矩阵；
[0018]根据采样矩阵中每个采样坐标对应到指纹的坐标进行采样，得到采样指纹；其中，当采样坐标为非整数坐标点时，采用双线性插值法进行插值。
[0019]可选的，所述预设的指纹匹配神经网络模型包括网络结构一致且参数共享的接触式指纹分支和非接触式指纹分支；
[0020]其中，接触式指纹分支和非接触式指纹分支均为卷积神经网络；接触式指纹分支的输入为接触式指纹和接触式指纹的采样指纹，输出为接触式指纹的高维特征向量；非接触式指纹分支的输入为非接触式指纹和非接触式指纹的采样指纹，输出为非接触式指纹的高维特征向量。
[0021]可选的，所述预设的指纹匹配神经网络模型通过下述方式构建得到：
[0022]获取若干手指的接触式指纹样本与非接触式指纹样本；
[0023]提取接触式指纹样本与非接触式指纹样本的细节点，并根据接触式指纹样本与非接触式指纹样本的细节点进行采样，得到接触式指纹样本与非接触式指纹样本的采样指纹样本；
[0024]基于接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，生成数据集；其中，数据集包括预设比例的配对样本和不配对样本，配对样本包括同一手指的接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，不配对样本包括一手指的接触式指纹样本和接触式指纹样本的采样指纹样本，以及另一手指的非接触式指纹样本以及非接触式指纹样本的采样指纹样本；
[0025]构建初始指纹匹配神经网络模型，根据下式的损失函数L，通过数据集训练初始指纹匹配神经网络模型，得到预设的指纹匹配神经网络模型；
[0026]L＝(1
‑
Y)max((d
‑
M1),0)2+Ymax((M2‑
d),0)2[0027]其中，Y＝0为配对样本，Y＝1为不配对样本，M1和M2为预设的边界值。
[0028]可选的，所述获取若干手指的接触式指纹样本与非接触式指纹样本时，当接触式指纹样本与非接触式指纹样本的采集数量小于预设值时，采用图像旋转的方法进行接触式指纹样本与非接触式指纹样本的数量增强；所述构建初始指纹匹配神经网络模型时，接触式指纹分支和非接触式指纹分支的卷积神经网络均采用经过现有图像数据集预训练完成的卷积神经网络。
[0029]可选的，所述根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果包括：
[0030]计算接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离；
[0031]当接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离小于预设的欧氏
距离阈值时，接触式指纹与非接触式指纹的匹配结果为匹配；否则，接触式指纹与非接触式指纹的匹配结果为不匹配。
[0032]本专利技术第二方面，一种接触式指纹与非接触式指纹的匹配装置，包括：
[0033]数据获取模块，用于获取待匹配的接触式指纹与非接触式指纹；
[0034]采样模块，用于提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；
[0035]模型调用模块，用于将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；
[0036]匹配模块，用于根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
[0037]本专利技术第三方面，一种计算机设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种接触式指纹与非接触式指纹的匹配方法，其特征在于，包括：获取待匹配的接触式指纹与非接触式指纹；提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。2.根据权利要求1所述的接触式指纹与非接触式指纹的匹配方法，其特征在于，所述提取接触式指纹与非接触式指纹的细节点前，还包括：将接触式指纹与非接触式指纹进行预处理；所述预处理包括：将接触式指纹与非接触式指纹均进行直方图均衡，并用Garbor滤波器进行滤波。3.根据权利要求1所述的接触式指纹与非接触式指纹的匹配方法，其特征在于，所述提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹包括：采用指纹细节点提取算法，提取接触式指纹与非接触式指纹的细节点；对于接触式指纹与非接触式指纹，均进行下述操作：初始化一个维度与指纹尺寸相同的初始注意力矩阵，并对各细节点分别执行以下操作：以当前细节点的位置为中心，根据预设的标准差，在初始注意力矩阵的维度下生成高斯分布矩阵，将高斯分布矩阵乘以当前细节点的质量作为当前细节点的注意力分布，将当前细节点的注意力分布叠加到初始注意力矩阵上；当各细节点遍历完成后，得到注意力矩阵；对注意力矩阵的横坐标轴和纵坐标轴分别求边缘分布，并分别计算边缘分布的积分，得到边缘分布的积分分布；对边缘分布的积分分布，用B样条曲线进行插值，得到采样矩阵；根据采样矩阵中每个采样坐标对应到指纹的坐标进行采样，得到采样指纹；其中，当采样坐标为非整数坐标点时，采用双线性插值法进行插值。4.根据权利要求1所述的接触式指纹与非接触式指纹的匹配方法，其特征在于，所述预设的指纹匹配神经网络模型包括网络结构一致且参数共享的接触式指纹分支和非接触式指纹分支；其中，接触式指纹分支和非接触式指纹分支均为卷积神经网络；接触式指纹分支的输入为接触式指纹和接触式指纹的采样指纹，输出为接触式指纹的高维特征向量；非接触式指纹分支的输入为非接触式指纹和非接触式指纹的采样指纹，输出为非接触式指纹的高维特征向量。5.根据权利要求4所述的接触式指纹与非接触式指纹的匹配方法，其特征在于，所述预设的指纹匹配神经网络模型通过下述方式构建得到：获取若干手指的接触式指纹样本与非接触式指纹样本；提取接触式指纹样本与非接触式指纹样本的细节点，并根据接触式指纹样本与非接触式指纹样本的细节点进行采样，得到接触式指纹样本与非接触式指纹样本的采样指纹样本；
基于接触式指纹样本、非接触式指纹样本、接触式指纹样本的...
【专利技术属性】
技术研发人员：蔺琛皓，赵璞，沈超，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。