一种基于深度学习的指纹活性检测方法技术

本发明专利技术提供了一种基于深度学习的指纹活性检测方法，针对FLD（Fingerprint Liveness Detection，指纹活性检测）系统通过检测指纹的活性达到识别伪造指纹的目的，为解决现有FLD系统识别精度低和泛化性差的问题，设计了MSFFNet（Multi‑scale Spatial Feature Fusion Network，即多尺度空间特征融合网络），该网络以EfficientnetV2‑S模型为基础，简化原有的网络结构，优化贡献度较小的网络层。首先对图像进行ROI（Region Of Interest）处理；设计MSFFNet网络；将处理后的图像送入网络中训练；根据训练结果给出最终的识别结果。解决了当前FLD系统在针对不同传感器，不同材料收集的数据，检测精度不高的问题。

【技术实现步骤摘要】

本专利技术涉及本专利技术涉及生物特征识别应用领域，尤其是涉及一种基于深度学习的指纹活性检测方法。

技术介绍

1、指纹是智能设备安全验证方案中应用最广的生物特征，但自动指纹识别系统(automatic fingerprint identification system-afis)容易受到不同材料伪造假指纹的攻击，此时假指纹即失去了活性，因此通常可以通过指纹活性检测进行伪造指纹的检测。指纹活性检测系统可以用过硬件和软件两种方式实现。基于硬件的指纹活性检测方法收集手指的固有信息，如血压、皮肤形变和气味等。然而，该方案对硬件要求较高，升级换代困难，因此研究人员致力于基于软件的指纹活性检测方案，通过图像处理与识别算法，可以辨别真假指纹。基于软件的指纹活性检测方案成本更低，易于维护和升级迭代，该方法可以分为传统方法和深度学习方法。

2、在2010年，学者们提出了自动提取和定位汗孔的启发式算法，该算法采用两类不同的滤波器，对指尖图像的频谱进行高通滤波获得毛孔检测，并将提取的毛孔与小圆关联起来实现毛孔定位。结果表明，在指尖嵴的汗孔对应的输出端有一个非常明显的相本文档来自技高网...

【技术保护点】

1.一种基于深度学习的指纹活性检测方法，其特征在于包括以下步骤：

2.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤S2包括以下步骤：

3.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤S3中的MSFFNet网络具体结构如下：

4.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤S4中的MSFFNet的主体由stem、block和head组成；

5.根据权利要求4所述一种基于深度学习的指纹活性检测方法，其特征在于：当MSFFNet的第l阶段为SGE模块时，将输入分为G组，...

【技术特征摘要】

1.一种基于深度学习的指纹活性检测方法，其特征在于包括以下步骤：

2.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤s2包括以下步骤：

3.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤s3中的msffnet网络具体结构如下：

4.根据权利要求1所述一种基于深度学习的指纹活性检测方法，其特征在于：步骤s4中的msffnet的主体由stem、block和head组成；

5.根据权利要求4所述一种基于深度学习的指纹活性检测方法，其特征在于：当msffnet的第l阶段为sge模块时，将输入分为...

【专利技术属性】
技术研发人员：孙水发，王华峥，饶哲，王逸飞，
申请(专利权)人：三峡大学，
类型：发明
国别省市：