生物识别方法、装置和电子设备制造方法及图纸

本申请实施例提供了生物识别方法、装置和电子设备。本实施例通过依据已有的目标特征模板和目标特征模板对应的缓冲区中已存放的所有参考特征模板，动态确定用于代表生物对象当前状态的最优生物特征向量，以基于最优生物特征向量对后续采集的上述生物对象对应的生物特征图像进行识别，这显然避免了一些生物特征(如人脸)会随着时间推移或环境改变而发生变化或者生物识别所采用的底库模板的质量比较差等引起的生物识别准确率低的问题。差等引起的生物识别准确率低的问题。差等引起的生物识别准确率低的问题。

【技术实现步骤摘要】
生物识别方法、装置和电子设备


[0001]本申请涉及生物识别技术，特别涉及生物识别方法、装置和电子设备。

技术介绍

[0002]生物识别，是利用人类生物特征进行身份认证的一种技术。这里的生物特征比如指纹、手指静脉、人脸、虹膜、掌纹等。相比于借助体外物比如身份标识物品(如钥匙、证件、ATM卡等)和身份标识(如用户名和密码等)，生物识别的准确率和可靠性大大提高。
[0003]生物识别是通过比对输入的用户生物特征和已注册的生物特征模板(也称注册模板)来确定用户的身份。但是，在实际应用中，常会存在影响生物识别准确率的情况，比如一些生物特征(如人脸)会随着时间推移或环境改变而发生变化，或者，执行生物识别所采用的底库模板的质量比较差等等，而该情况则会影响生物识别，导致生物识别的准确率变低。

技术实现思路

[0004]本申请实施例提供了生物识别方法、装置和电子设备，以提高生物识别的准确率。
[0005]本申请提供的技术方案包括：
[0006]一种生物识别方法，该方法应用于电子设备，包括：
[0007]从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板；所述目标生物特征向量是从待识别的生物对象对应的生物特征图像中提取出的；依据目标生物特征向量和目标特征模板的匹配度，将所述目标生物特征向量作为参考特征模板存放至所述目标特征模板对应的缓冲区；所述目标特征模板、所述缓冲区中已存放的各参考特征模板具有的维度相同；
[0008]若所述缓冲区中已存放的参考特征模板的数量达到该缓冲区对应的设定存储数量，则针对每一维度，依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值，确定该维度对应的最优特征值；依据各维度对应的最优特征值，确定用于代表所述生物对象当前状态的最优生物特征向量，以依据所述最优生物特征向量和所述目标特征模板，对之后采集的所述生物对象对应的生物特征图像进行识别。
[0009]一种生物识别装置，该装置应用于电子设备，包括：
[0010]确定单元，用于从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板；所述目标生物特征向量是从待识别的生物对象对应的生物特征图像中提取出的；
[0011]缓存单元，用于依据所述目标生物特征向量和所述目标特征模板的匹配度，将所述目标生物特征向量作为参考特征模板存放至所述目标特征模板对应的缓冲区；
[0012]处理单元，用于当所述缓冲区中已存放的参考特征模板的数量达到该缓冲区对应的设定存储数量时，针对每一维度，依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值，确定该维度对应的最优特征值；依据各维度对应的最优特征值，确定用于代表所述生物对象当前状态的最优生物特征向量，以依据所述最优生
物特征向量和所述目标特征模板，对之后采集的所述生物对象对应的生物特征图像进行识别。
[0013]一种电子设备，该电子设备包括：处理器和机器可读存储介质；
[0014]所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
[0015]所述处理器用于执行机器可执行指令，以实现上述方法中的步骤
[0016]由以上技术方案可以看出，本实施例通过依据已有的目标特征模板和目标特征模板对应的缓冲区中已存放的所有参考特征模板在各维度下的特征值逐维度确定各维度的最优特征值，并基于各维度的最优特征值动态确定用于代表生物对象当前状态的最优生物特征向量，以基于最优生物特征向量对后续采集的上述生物对象对应的生物特征图像进行识别，这显然避免了一些生物特征(如人脸)会随着时间推移或环境改变而发生变化或者生物识别所采用的底库模板的质量比较差等引起的生物识别准确率低的问题。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0018]图1为本申请实施例提供的方法流程图；
[0019]图2为本申请实施例提供的参考生物特征向量提取流程图；
[0020]图3为本申请实施例提供的CNN结构图；
[0021]图4a为本申请实施例提供的步骤101实现流程图；
[0022]图4b为本申请实施例提供的步骤101另一实现流程图；
[0023]图4c为本申请实施例提供的步骤101又一实现流程图；
[0024]图5为本申请实施例提供的特征模板与缓冲区对应示意图；
[0025]图6为本申请实施例提供的步骤102实现流程图；
[0026]图7为本申请实施例提供的模板融合示意图；
[0027]图8为本申请实施例提供的模板融合实现流程图；
[0028]图9为本申请实施例提供的最优特征值确定示意图；
[0029]图10为本申请实施例提供的装置结构图；
[0030]图11为本申请实施例提供的装置硬件结构图。
具体实施方式
[0031]为使本申请提供的方法更加容易理解，下面结合附图和实施例对本申请提供的方法进行详细描述：
[0032]参见图1，图1为本申请实施例提供的方法流程图。该流程可应用于电子设备。在一个例子中，这里的电子设备可为前端设备(比如终端等)、后台服务器等，本实施例并不具体限定。
[0033]如图1所示，该流程可包括以下步骤：
[0034]步骤101，从已获得的所有特征模板中，确定目标生物特征向量相匹配的目标特征模板。
[0035]作为一个实施例，本步骤101中获得的所有特征模板可为注册特征模板(具体为已
注册的特征模板)、和/或注册特征模板被更新后的特征模板。下文步骤103中会描述特征模板的描述，这里暂不赘述。
[0036]作为一个实施例，本步骤101中的目标生物特征向量，是从待识别的生物对象比如人脸、虹膜等对应的生物特征图像中提取出的。具体地，从生物对象比如人脸、虹膜等对应的生物特征图像中提取出目标生物特征向量有很多实现方式，比如可通过深度方法提取参考生物特征向量，基于参考生物特征向量确定上述目标生物特征向量。以生物对象为虹膜、生物特征图像为虹膜图像为例，如图2所示，利用卷积神经网络(CNN：Convolutional Neural Network)提取出参考生物特征向量。图3举例示出了CNN中各卷积层的结构，应用于图3，参考生物特征向量的维度可为128维。
[0037]作为一个实施例，上述基于参考生物特征向量确定上述目标生物特征向量有很多实现方式，比如，应用于上述CNN进一步包含归一化层的前提下，可直接将参考生物特征向量确定为上述目标生物特征向量。再比如，应用于上述CNN未包含归一化层的前提下，可将上述参考生物特征向量输入至已设置的归一化网络，最终得到上述目标生物特征向量。
[0038]最终，上述目标生物特征向量可为归一化后的特征向量，每一维度下的特征值在[0、1]范围，以便执行后续的生物识别，下文会有描述，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物识别方法，其特征在于，该方法应用于电子设备，包括：从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板；所述目标生物特征向量是从待识别的生物对象对应的生物特征图像中提取出的；依据目标生物特征向量和目标特征模板的匹配度，将所述目标生物特征向量作为参考特征模板存放至所述目标特征模板对应的缓冲区；所述目标特征模板、所述缓冲区中已存放的各参考特征模板具有的维度相同；若所述缓冲区中已存放的参考特征模板的数量达到该缓冲区对应的设定存储数量，则针对每一维度，依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值，确定该维度对应的最优特征值；依据各维度对应的最优特征值，确定用于代表所述生物对象当前状态的最优生物特征向量，以依据所述最优生物特征向量和所述目标特征模板，对之后采集的所述生物对象对应的生物特征图像进行识别。2.根据权利要求1所述的方法，其特征在于，所述依据所述目标生物特征向量和所述目标特征模板的匹配度，将所述目标生物特征向量作为参考特征模板存放至所述目标特征模板对应的缓冲区包括：若已获得的所述生物特征图像的图像质量评分大于或等于预设图像质量评分阈值，且所述目标生物特征向量与目标特征模板之间的匹配度大于或等于预设匹配度，则将所述目标生物特征向量作为参考特征模板存放至所述目标特征模板对应的缓冲区。3.根据权利要求1所述的方法，其特征在于，所述针对每一维度，依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值，确定该维度对应的最优特征值包括：针对每一维度，获得所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值；依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值的分布情况，确定该维度的当前代表值；所述当前代表值用于指示所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值向所述当前代表值靠拢，该维度下与所述当前代表值之间的差距满足设定差距要求的特征值的数量最多；依据该维度的当前代表值，确定该维度对应的最优特征值。4.根据权利要求3所述的方法，其特征在于，所述依据所述目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值的分布情况，确定该维度的当前代表值包括：针对每一维度，将目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值按照顺序排列，形成一个序列；计算所述序列中相邻特征值之间的间距；统计所述序列中满足条件的L个特征值，将统计出的L个特征值进行平均值计算，得到计算结果；依据计算结果确定该维度的当前代表值；其中，L大于1，所述条件是指：L个特征值中任两个相邻特征值之间的间距小于设定间距；或者，针对每一维度，将目标特征模板和所述缓冲区中已存放的所有参考特征模板在该维度下的特征值按照聚类算法进行聚类，基于目标聚类中的特征值确定该维度的当前代表值；所述目标聚类是指该维度对应的其中一个聚类，相比该维度对应的其它聚类，所述目标聚类中特征值的密度最高。
5.根据权利要求1所述的方法，其特征在于，所述依据最优生物特征向量和所述目标特征模板，对之后采集的所述生物对象对应的生物特征图像进行识别包括：针对每一维度，依据所述目标特征模板和所述最优生物特征向量中处于该维度下的特征值，确定该维度对应的权重参数；其中，针对每一维度，所述目标特征模板和所述最优生物特征向量中处于该维度下的特征值的差距越大，则表示该维度对应权重参数越低；利用各维度对应的权重参数，确定所述目标特征模板对应的权重参数向量，以在之后采集到所述生物对象对应的生物特征图像中的目标生物特征向量时，基于所述目标特征模板和目标特征模板对应的权重参数向量，返回所述从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板的步骤。6.根据权利要求1或5所述的方法，其特征在于，所述从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板包括：针对已获得的每一特征模板，依据该特征模板和目标生物特征向量在各维度下的特征值、以及已获得的该特征模板对应的权重参数向量在各维度下的权重参数，确定所述目标生物特征向量与该特征模板之间的匹配度；依据所述目标生物特征向量与各特征模板之间的匹配度，选择目标特征模板；所述目标生物特征向量与之间的匹配度大于或等于所述目标生物特征向量与已获得的其它任一特征模板之间的匹配度。7.根据权利要求1或5所述的方法，其特征在于，所述从已获得的所有特征模板中，确定与目标生物特征向量相匹配的目标特征模板包括：针对已获得的每一特征模板，依据该特征模板对应的权重参数向量，排除该特征模板中至少一个维度下的特征值；其中，权重参数向量的维度与特征模板的维度相同，当权重参数向量中任一维度下的权重参数为指定权重参数或者小于或等于设定权重阈值，则排除特征模板中处于该维度下的特征值；针对该特征模板中每一剩余维度，依据特征模板中在该剩余维度下的特征值和目标生物特征向量在该剩余维度下的特征值、以及已获得的该特征模板对应的权重参数向量在该剩余维度下的权重参数，确定所述目标生物特征向量与该特征模板之间的匹配度；依据所述目标生物特征向量与各特征模板之间的匹配度，选择目标特征模板；所述目标生物特征向量与之间的匹配度大于或等于所述目标生物特征向量与已获得的其它任一特征模板之间的匹配度。8.根据权利要求1所述的方法，其特征在于，在确定用于代表所述生物对象当前状态的最优生物特征向量之后，该方法进一步包括：删除所述缓冲区中已存放的所有参...

【专利技术属性】
技术研发人员：张伟，王升国，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：