[发明专利]一种基于3D指纹图像的弱监督的特征分析方法及系统

说明书

本发明提供一种基于3D指纹图像的弱监督的特征分析方法及系统，所述基于3D指纹图像的弱监督的特征分析方法包括以下步骤：步骤S1，采集指纹图像数据；步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。本发明利用3D指纹图像对指纹图像特征进行分析和识别，实现了对指纹图像特征区域的可视化分析和提取，避免了指纹图像的表面环境对其识别的影响，进而实现了更高正确率和精确度的指纹图像特征提取，提高了抗噪性能，为证实指纹内部特征的存在奠定了很好的技术基础。

技术领域

本发明涉及一种特征分析方法，尤其涉及一种基于3D指纹图像的弱监督的特征分析方法，并设计采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。

背景技术

手指存在许多特征，而指纹作为手指的主要生物特征，具有普遍性、显著性、永久性、可收集性、可接受性和抗规避性等几个理想特性。现有基于传统2D指纹图像的生物特征识别，在指尖表面被严重损坏或存在油污或汗液等情况下，使得不可能或极难形成传统的参考2D指纹图案。随着OCT成像技术的成熟，利用OCT 3D指纹图像分析指纹内部信息，可以很好的避免此类问题。OCT为Optical coherence tomography，即光学相干断层扫描，在本申请中，3D指纹图像指的是OCT 3D指纹图像。

OCT 3D指纹图像所展示的指纹内部信息，清晰展现了指纹的深层结构。同时OCT3D指纹图像由多张纵向指尖图像的截面图构成，单指尖的3D扫描图像数量多于2D，可以提供更多且更完整的指纹特征。但是现有的2D指纹图像分析方法对于OCT 3D指纹图像的特征提取，存在维度损失和特征无法定位等问题，也无法表相应征特征信息。

现有特征提取方法中，深度学习作为一种区别于传统图像处理的图像分析方法在识别精度上表现良好，广泛应用于计算机视觉领域。在深度学习中对特征可视化可以将图像特征信息直观表征在原图像中，对于图像特征的提取、分析有着重要作用，但现有传统可视化方法均不适用于图像的特征分析，且现有深度学习网络所涉及的模型解释可视化技术尚未应用到表征图像特征提取区域中。

发明内容

本发明所要解决的技术问题是需要提供一种能够基于OCT成像技术以实现3D指纹图像的弱监督的特征分析方法，进而提高指纹图像特征提取的准确性和精准度；还进一步提供采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。

对此，本发明提供一种基于3D指纹图像的弱监督的特征分析方法，包括以下步骤：

步骤S1，采集指纹图像数据；

步骤S2，针对所述指纹图像数据搭建指纹图像特征提取模型；

步骤S3，随机采集指纹图像测试数据，并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中，进而对指纹图像测试数据的指纹特征信息进行表征。

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S21，通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络；

步骤S22，训练特征提取网络，并优化所述特征提取网络的参数；

步骤S23，保存优化后的特征提取网络模型作为指纹图像特征提取模型。

本发明的进一步改进在于，所述步骤S22包括以下子步骤：

步骤S221，输入指纹图像数据，通过卷积结构提取生物信息特征，通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况，进而输出离散化的生物信息特征标签；