假指纹膜图像的处理方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种假指纹膜图像的处理方法、装置和电子设备。其中，该方法包括：基于随机噪声通过生成模型生成多个随机假指纹膜图像；基于随机假指纹膜图像和预先采集的真实假指纹膜图像训练判别模型；固定判别模型的权重参数，基于判别模型训练生成模型，以使判别模型不区分真实假指纹膜图像和随机假指纹膜图像；继续执行基于随机噪声通过生成模型生成多个随机假指纹膜图像的步骤，直至判别模型输出的随机假指纹膜图像和真实假指纹膜图像的判别结果在预设范围内，得到训练完成的神经网络。可以使用神经网络通过少量的样本大量生成有效的随机假指纹膜图像，以供指纹防伪算法训练优化，可以降低指纹防伪算法的训练成本，提高指纹防伪算法的性能。高指纹防伪算法的性能。高指纹防伪算法的性能。

【技术实现步骤摘要】
假指纹膜图像的处理方法、装置和电子设备


[0001]本专利技术涉及神经网络
，尤其是涉及一种假指纹膜图像的处理方法、装置和电子设备。

技术介绍

[0002]目前，对于指纹识别算法，除了要正确匹配解锁与录入的指纹，还需要防止未录入人员使用假指纹膜解锁设备，即对于生物特征识别需要有效的指纹防伪算法。
[0003]随着技术的不断升级，制作假指纹膜的材料也不断增加到了数十种。目前常用的指纹防伪算法，无论机器学习或深度学习方法，都需要大量不同手指的假指纹膜图像进行算法的训练，而假指纹膜的制作需要大量人员配合，且部分材料制作的假指纹膜无法有效的保存需要不断重复制作，导致指纹防伪算法训练优化的成本较高，因此，需要一种高效廉价的假指纹膜图像数据扩充方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种假指纹膜图像的处理方法、装置和电子设备，以使用神经网络通过少量的样本大量生成有效的随机假指纹膜图像，以供指纹防伪算法训练优化，可以降低指纹防伪算法的训练成本，提高指纹防伪算法的性能。
[0005]第一方面，本专利技术实施例提供了一种假指纹膜图像的处理方法，应用于神经网络，神经网络包括生成模型和判别模型，方法包括：基于随机噪声通过生成模型生成多个随机假指纹膜图像；基于随机假指纹膜图像和预先采集的真实假指纹膜图像训练判别模型，以使判别模型区分真实假指纹膜图像和随机假指纹膜图像；固定判别模型的权重参数，基于判别模型训练生成模型，以使判别模型不区分真实假指纹膜图像和随机假指纹膜图像；继续执行基于随机噪声通过生成模型生成多个随机假指纹膜图像的步骤，直至判别模型输出的随机假指纹膜图像和真实假指纹膜图像的判别结果在预设范围内，得到训练完成的神经网络。
[0006]在本申请可选的实施例中，上述训练完成的神经网络中的判别模型不区分真实假指纹膜图像和随机假指纹膜图像。
[0007]在本申请可选的实施例中，上述判别结果表征输入判别模型的图像为真实假指纹膜图像或生成模型生成的假指纹膜图像。
[0008]在本申请可选的实施例中，判别结果在预设范围内，包括：判别结果与0.5的差值小于预设阈值。
[0009]在本申请可选的实施例中，上述得到训练完成的神经网络的步骤之后，方法还包括：基于训练完成的神经网络中的生成模型生成多个随机假指纹膜图像样本；基于随机假指纹膜图像样本对指纹防伪模型进行训练。
[0010]在本申请可选的实施例中，上述基于训练完成的神经网络中的生成模型生成多个随机假指纹膜图像样本的步骤之后，方法还包括：将随机假指纹膜图像样本存储于假指纹
膜图库中。
[0011]在本申请可选的实施例中，神经网络为生成式对抗网络。
[0012]第二方面，本专利技术实施例还提供一种假指纹膜图像的处理装置，应用于神经网络，神经网络包括生成模型和判别模型，装置包括：随机假指纹膜图像生成模块，用于基于随机噪声通过生成模型生成多个随机假指纹膜图像；判别模型训练模块，用于基于随机假指纹膜图像和预先采集的真实假指纹膜图像训练判别模型，以使判别模型区分真实假指纹膜图像和随机假指纹膜图像；生成图像训练模块，用于固定判别模型的权重参数，基于判别模型训练生成模型，以使判别模型不区分真实假指纹膜图像和随机假指纹膜图像；神经网络训练完成模块，用于继续执行基于随机噪声通过生成模型生成多个随机假指纹膜图像的步骤，直至判别模型输出的随机假指纹膜图像和真实假指纹膜图像的判别结果在预设范围内，得到训练完成的神经网络。
[0013]第三方面，本专利技术实施例还提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述假指纹膜图像的处理方法。
[0014]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述假指纹膜图像的处理方法。
[0015]本专利技术实施例带来了以下有益效果：
[0016]本专利技术实施例提供的一种假指纹膜图像的处理方法、装置和电子设备，依次对神经网络中的判别模型和生成模型进行循环训练，直至判别模型不能区分真实假指纹膜图像和生成模型生成的假指纹膜图像，得到训练完成的神经网络。可以使用神经网络通过少量的样本大量生成有效的随机假指纹膜图像，以供指纹防伪算法训练优化，可以降低指纹防伪算法的训练成本，提高指纹防伪算法的性能。
[0017]本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
[0018]为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，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。
[0020]图1为本专利技术实施例提供的一种假指纹膜图像的处理方法的流程图；
[0021]图2为本专利技术实施例提供的一种GAN网络的示意图；
[0022]图3为本专利技术实施例提供的另一种假指纹膜图像的处理方法的流程图；
[0023]图4为本专利技术实施例提供的一种假指纹膜图像的处理装置的结构示意图；
[0024]图5为本专利技术实施例提供的另一种假指纹膜图像的处理装置的结构示意图；
[0025]图6为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]目前，对于指纹识别算法，除了要正确匹配解锁与录入的指纹，还需要防止未录入人员使用假指纹膜解锁设备，即对于生物特征识别需要有效的指纹防伪算法。随着技术的不断升级，制作假指纹膜的材料也不断增加到了数十种。目前常用的指纹防伪算法，无论机器学习或深度学习方法，都需要大量不同手指的假指纹膜图像进行算法的训练，而假指纹膜的制作需要大量人员配合，且部分材料制作的假指纹膜无法有效的保存需要不断重复制作，导致指纹防伪算法训练优化的成本较高，因此，需要一种高效廉价的假指纹膜图像数据扩充方法。
[0028]基于此，本专利技术实施例提供的一种假指纹膜图像的处理方法、装置和电子设备，具体提供了一种基于GAN(Generative Adversarial Networks，生成式对抗网络)网络的非活体指纹数据的扩充方法，可以使用神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种假指纹膜图像的处理方法，其特征在于，应用于神经网络，所述神经网络包括生成模型和判别模型，所述方法包括：基于随机噪声通过所述生成模型生成多个随机假指纹膜图像；基于所述随机假指纹膜图像和预先采集的真实假指纹膜图像训练所述判别模型，以使所述判别模型区分所述真实假指纹膜图像和所述随机假指纹膜图像；固定所述判别模型的权重参数，基于所述判别模型训练所述生成模型，以使所述判别模型不区分所述真实假指纹膜图像和所述随机假指纹膜图像；继续执行基于随机噪声通过所述生成模型生成多个随机假指纹膜图像的步骤，直至所述判别模型输出的所述随机假指纹膜图像和所述真实假指纹膜图像的判别结果在预设范围内，得到训练完成的所述神经网络。2.根据权利要求1所述的方法，其特征在于，训练完成的所述神经网络中的判别模型不区分所述真实假指纹膜图像和所述随机假指纹膜图像。3.根据权利要求1所述的方法，其特征在于，所述判别结果表征输入所述判别模型的图像为真实假指纹膜图像或所述生成模型生成的假指纹膜图像。4.根据权利要求1所述的方法，其特征在于，所述判别结果在预设范围内，包括：所述判别结果与0.5的差值小于预设阈值。5.根据权利要求4所述的方法，其特征在于，得到训练完成的所述神经网络的步骤之后，所述方法还包括：基于训练完成的所述神经网络中的生成模型生成多个随机假指纹膜图像样本；基于所述随机假指纹膜图像样本对指纹防伪模型进行训练。6.根据权利要求5所述的方法，其特征在于，基于训练完成的所述神经网络中的生成模型生成多个随机假指纹膜图像样本的步骤之后，所述方法还包括：将...

【专利技术属性】
技术研发人员：柯岩，田志民，王长海，冯继雄，宋子明，陈世林，李保梁，刘奇，朱琳，郑逢德，沈洁，张自文，杨丽新，
申请(专利权)人：北京集创北方科技股份有限公司，
类型：发明
国别省市：