生物特征信息提取方法技术

本申请公开了一种生物特征信息提取方法

【技术实现步骤摘要】
生物特征信息提取方法、特征识别方法、识别模组及芯片


[0001]本专利技术涉及生物特征识别
，特别涉及一种生物特征信息提取方法
、
特征识别方法
、
识别模组及芯片
。

技术介绍

[0002]近年来，指纹识别技术消费电子领域应用十分广泛，利用指纹进行身份验证的技术广泛应用
。
譬如手机
、
门锁
、
电脑
、
智能手表等
。
电容指纹识别技术指先通过指纹脊线和谷线的电容差异
(
形成指纹图像并保存
。
在识别时，再采集待验证图像，与之前保存的指纹图像进行匹配
。
然而，如图
1a
所示，由于录入时采集的指纹图像和识别时采集的指纹图像有可能不是同一个位置，那么就先提取特征点
(
比如端点
、
分叉点等
)
，然后再利用特征点进行匹配
。
[0003]随着科技不断发展，电子产品快速向着集成度更高
、
体积更小的方向迭代，以手机为例，很多手机为了屏幕覆盖率，将指纹传感器置于手机侧边
。
如图
1b
所示，缩小后的指纹采集区域所采集的指纹图像更加狭长而并非完整的指纹图像，这样一来，指纹图像中的纹路信息减少了很多，进而导致可提取的特征信息减少了很多，从而提高指纹匹配的困难，导致指纹识别率降低，影响使用性能
。
[0004]因此，亟需一种生物特征信息提取方法
、
特征识别方法
、
识别模组及芯片以解决上述问题
。

技术实现思路

[0005]鉴于上述问题，本申请的目的在于提供一种生物特征信息提取方法
、
特征识别方法
、
识别模组及芯片
。
基于神经网络的多任务主干分支模型，获得对应于有限数量生物特征点的更多生物特征信息
。
[0006]根据本申请的一方面，提供一种生物特征信息提取方法，包括：构建神经网络模型；以及根据所述神经网络模型提取生物特征图像的特征信息，其中，所述神经网络模型包括主干网络以及多条分支网络，所述主干网络用于提取所述生物特征图像的特征向量，所述多条分支网络用于提取对应于所述特征向量的不同的所述特征信息
。
[0007]可选地，所述特征信息包括所述特征向量的置信度，所述特征向量的位置以及所述特征向量的描述子，所述多条分支网络包括用于获取所述特征向量置信度的第一分支
、
用于获取所述特征向量位置的第二分支以及用于获取所述特征向量描述子的第三分支
。
[0008]可选地，在所述构建神经网络模型后还包括训练所述神经网络模型，所述训练包括：获取所述第一生物特征图像根据预设变换函数变换后的第二生物特征图像；根据所述神经网络模型提取对应于所述第一生物特征图像的第一特征信息和对应于所述第二生物特征图像的第二特征信息；根据所述第一特征信息和所述第二特征信息计算损失函数；以及根据所述损失函数优化所述神经网络模型
。
[0009]可选地，根据下式计算所述损失函数
L
：
[0010]L
＝
a‖S1
‑
S2‖2+b‖H
×
P1
‑
P2‖2+c‖F1
‑
F2‖2[0011]其中，
‖x‖
表示
x
的二范数，
S1
表示第一图像的置信度
、P1
表示第一图像的位置
、F1
表示第一图像的描述子；
S2
表示第二图像的置信度
、P2
表示第二图像的位置
、F2
表示第二图像的描述子；
H
表示由第一图像变换为第二图像的变换函数；
a
为置信度的权重参数；
b
为位置的权重参数；
c
为描述子的权重参数，
a、b、c
均为介于0和1之间的正数，且
a+b+c
＝
1。
[0012]可选地，用于优化所述神经网络模型的算法包括反向传播算法
。
[0013]可选地，所述主干网络选用卷积神经网络，所述卷积神经网络包括
Alex Net、VGG、Res Net、Google Net、Inception Net。
[0014]可选地，每条所述分支网络包括至少一个卷积层以及相应的激活函数
。
[0015]根据本申请的再一方面，提供一种生物特征识别方法，包括：构建神经网络模型；根据所述神经网络模型获取注册的样本图像和待识别图像的特征信息；以及比较所述注册的样本图像和所述待识别图像的所述特征信息，其中，所述神经网络模型包括主干网络以及多条分支网络，所述主干网络用于提取所述生物特征图像的特征向量，所述多条分支网络用于提取对应于所述特征向量的不同的所述特征信息
。
[0016]可选地，所述特征信息包括所述特征向量的置信度
、
所述特征向量的位置以及所述特征向量的描述子，所述多条分支网络包括用于获取所述特征向量的置信度的第一分支；用于获取所述特征向量的位置的第二分支以及用于获取所述特征向量的描述子的第三分支
。
[0017]可选地，在所述构建神经网络模型后还包括训练所述神经网络模型，所述训练包括：获取所述第一生物特征图像根据预设变换函数变换后的第二生物特征图像；根据所述神经网络模型提取对应于所述第一生物特征图像的第一特征信息和对应于所述第二生物特征图像的第二特征信息；根据所述第一特征信息和所述第二特征信息计算损失函数；以及根据所述损失函数优化所述神经网络模型
。
[0018]可选地，根据下式计算所述损失函数
L
：
[0019]L
＝
a‖S1
‑
S2‖2+b‖H
×
P1
‑
P2‖2+c‖F1
‑
F2‖2[0020]其中，
‖x‖
表示
x
的二范数，
S1
表示第一图像的置信度
、P1
表示第一图像的位置
、F1
表示第一图像的描述子；
S2
表示第二图像的置信度
、P2
表示第二图像的位置
、F2
表示第二图像的描述子；
H
表示由第一图像变换为第二图像的变换函数；
a
为置信度的权重参数；
b
为位置的权重参数；
c
为描述子的权重参数，
a、b、c
均为介于0和1之间的正数，且
a+b+c
＝
1。...

【技术保护点】

【技术特征摘要】
1.
一种生物特征信息提取方法，包括：构建神经网络模型；以及根据所述神经网络模型提取生物特征图像的特征信息，其中，所述神经网络模型包括主干网络以及多条分支网络，所述主干网络用于提取所述生物特征图像的特征向量，所述多条分支网络用于提取对应于所述特征向量的不同的所述特征信息
。2.
根据权利要求1所述的生物特征提取方法，其中，所述特征信息包括所述特征向量的置信度，所述特征向量的位置以及所述特征向量的描述子，所述多条分支网络包括用于获取所述特征向量置信度的第一分支
、
用于获取所述特征向量位置的第二分支以及用于获取所述特征向量描述子的第三分支
。3.
根据权利要求2所述的生物特征信息提取方法，其中，在所述构建神经网络模型后还包括训练所述神经网络模型，所述训练包括：获取所述第一生物特征图像根据预设变换函数变换后的第二生物特征图像；根据所述神经网络模型提取对应于所述第一生物特征图像的第一特征信息和对应于所述第二生物特征图像的第二特征信息；根据所述第一特征信息和所述第二特征信息计算损失函数；以及根据所述损失函数优化所述神经网络模型
。4.
根据权利要求3所述的生物特征信息提取方法，其中，根据下式计算所述损失函数
L
：
L
＝
a‖S1
‑
S2‖2+b‖H
×
P1
‑
P2‖2+c‖F1
‑
F2‖2其中，
‖x‖
表示
x
的二范数，
S1
表示第一图像的置信度
、P1
表示第一图像的位置
、F1
表示第一图像的描述子；
S2
表示第二图像的置信度
、P2
表示第二图像的位置
、F2
表示第二图像的描述子；
H
表示由第一图像变换为第二图像的变换函数；
a
为置信度的权重参数；
b
为位置的权重参数；
c
为描述子的权重参数，
a、b、c
均为介于0和1之间的正数，且
a+b+c
＝
1。5.
根据权利要求3所述的生物特征信息提取方法，其中，用于优化所述神经网络模型的算法包括反向传播算法
。6.
根据权利要求1所述的生物特征信息提取方法，其中，所述主干网络选用卷积神经网络，所述卷积神经网络包括
Alex Net、VGG、Res Net、Google Net、Inception Net。7.
根据权利要求6所述的生物特征信息提取方法，其中，每条所述分支网络包括至少一个卷积层以及相应的激活函数
。8.
一种生物特征识别方法，包括：构建神经网络模型；根据所述神经网络模型获取注册的样本图像和待识别图像的特征信息；以及比较所述注册的样本图像和所述待识别图像的所述特征信息，其中，所述神经网络模型包括主干网络以及多条分支网络，所述主干网络用于提取所述生物特征图像的特征向量，所述多条分支网络用于提取对应于所述特征向量的不同的所述特征信息
。9.
根据权利要...

【专利技术属性】
技术研发人员：冯继雄，王长海，田志民，宋子明，陈世林，
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：