[发明专利]一种基于全卷积网络的指纹图像质量判断方法

说明书

一种基于全卷积网络的指纹图像质量判断方法，其步骤如下：(1)挑选指纹样本并标注：挑选大量的用不同传感器采集的不同质量的指纹图像作为指纹样本，为每张图像标注标签；(2)指纹图像质量判断模型训练：将指纹样本的大小进行调整并转换成深度学习框架训练所需的数据格式，得到训练样本，将训练样本输入到全卷积网络进行深度学习训练，得到指纹图像质量判断模型；(3)指纹图像质量判断模型转换：将得到的指纹图像质量判断模型用ncnn转换工具转换成ncnn框架支持的模型，并进行量化和加密；(4)指纹图像质量判断：读取转换后的模型，将待预测的指纹图像传入模型，逐层读取模型的参数进行前向传播，最终得到质量判断结果。

技术领域

本发明属于指纹识别技术领域，涉及一种基于全卷积网络的指纹图像质量判断方法。

背景技术

指纹识别技术因其唯一性和稳定性，在我们的生活中得到了广泛应用，如指纹考勤、指纹门锁、手机指纹登陆和手机指纹支付等，其应用随处可见。随着指纹识别技术的进一步广泛应用，市场对指纹识别技术的速度和性能提出了更高的要求。在传感器所采集指纹图像面积越来越小的情况下，现有的指纹识别模块，由于平台限制，其识别速度与性能越来越不能满足实际需求。对指纹图像质量的判断水平在很大程度上影响了整个指纹识别模块的水平。可见，一种快速有效地判断指纹图像质量方法的提出，对提高整个指纹识别模块的速度和性能有很大的实际意义。

与此同时，深度学习技术正飞速发展，特别是卷积神经网络(CNN),从LeNet、AlexNet、VGGNet、GoogLeNet、ResNet到MobileNet,各种不同的卷积网络层出不穷。目前深度学习已广泛应用在人脸识别、物体检测、车牌识别和无人驾驶等领域，有巨大的发展潜力。相较于传统的机器学习方法，深度学习不需要手动提取特征，不需要对数据做额外的处理，也不需要花费过多时间调整超参数，却能得到更好的性能，具有更好的泛化能力和鲁棒性，具有天然优势。但在指纹识别领域，深度学习技术的应用还很少。如何将深度学习应用于指纹识别技术领域，在保证指纹图像质量判断准确率的同时，又要尽可能地提升速度，是我们需要思考的一个问题。

在指纹识别模块中，由于不对指纹图像质量或图像块质量进行判断，或者进行了错误的判断，导致质量很差的图像或图像块也参与注册、特征提取和比对等环节，很容易降低整个模块的识别性能。在指纹识别模块中，现有方案存在以下缺点：

1)随着指纹识别技术的不断发展，现有方案耗时较长，占用空间大，越来越不适合应用在Android和嵌入式平台等条件受限领域；

2)对整幅指纹图像的质量判断不够准确，且不能判断指纹图像局部区域的质量，限制了整个指纹识别模块性能的提升。在传感器采集指纹图像面积越来越小的情况下，这个问题变得越来越突出。

发明内容

为了克服现有技术中存在的不足，本发明在于提供了一种可以快速有效地判断指纹图像质量、不仅可以提高整个模块的识别性能，也可满足条件受限平台对实时性要求的基于全卷积网络的指纹图像质量判断方法。

本发明采用的技术方案是：

一种基于全卷积网络的指纹图像质量判断方法，其步骤如下：

(1)挑选指纹样本并标注：挑选大量的用不同传感器采集的不同质量的指纹图像作为指纹样本，为每张图像标注标签，对质量较好的图像标注为0，对质量较差的图像标注为1；

(2)指纹图像质量判断模型训练：将指纹样本的大小进行调整并转换成深度学习框架训练所需的数据格式，得到训练样本，将训练样本输入到全卷积网络进行深度学习训练，得到指纹图像质量判断模型；

(3)指纹图像质量判断模型转换：将得到的指纹图像质量判断模型用ncnn转换工具转换成ncnn框架支持的模型，并进行量化和加密；