[发明专利]基于深度学习的指纹图像识别方法、装置和电子设备

说明书

本发明提供一种基于深度学习的指纹图像识别方法、装置和电子设备，该方法包括：获取现场指纹图像；获取所述现场指纹图像中特征点的位置信息；根据所述特征点的位置信息获取特征点图像块，所述特征点图像块输入至特征描述生成模型，输出所述特征点的特征描述；根据所述现场指纹图像中所有特征点的特征描述与指纹库中的指纹图像的特征描述进行匹配，得到匹配结果。本发明可以对现场指纹图像进行自动身份确认。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的指 纹图像识别方法、装置和电子设备。

背景技术

指纹识别是将识别对象的指纹进行分类比对从而进行判别。指纹 识别技术是众多生物特征识别技术中的一种，所谓生物特征识别技术， 系指利用人体所固有的生理特征或行为特征来进行个人身份鉴定，由 于生物识别所具有的便捷与安全等优点使得生物识别技术在身份认 证识别和网络安全领域拥有广阔的应用前景，可用的生物特征识别技 术有指纹、人脸、声纹、虹膜等。

指纹识别技术在当前应用非常广泛，可用于从犯罪现场收集证据， 银行客户身份认证，手机或其他智能设备解锁等。但是，当前难以根 据现场指纹图像进行自动身份确认。

发明内容

本发明提供一种基于深度学习的指纹图像识别方法、装置和电子 设备，用以解决现有技术中难以根据现场指纹图像进行自动身份确认 的缺陷，实现对现场指纹图像进行自动身份确认。

本发明提供一种基于深度学习的指纹图像识别方法，包括：获取 现场指纹图像；获取所述现场指纹图像中特征点的位置信息；根据所 述特征点的位置信息获取特征点图像块，将所述特征点图像块输入至 特征描述生成模型，输出所述特征点的特征描述，所述特征描述生成 模型是基于多个样本图像块和与所述多个样本图像块对应的多个特 征描述进行训练得到的；根据所述现场指纹图像中所有特征点的特征 描述与指纹库中的指纹图像的特征描述进行匹配，得到匹配结果。

根据本发明提供的一种基于深度学习的指纹图像识别方法，获取 所述现场指纹图像中特征点的位置信息，包括：对所述现场指纹图像 进行图像增强；将图像增强后的现场指纹图像分割为多个现场指纹增 强子图像块；在所述多个现场指纹增强子图像块中，将含有所述特征 点的现场指纹增强子图像块输入至特征点位置生成模型，输出所述特 征点的位置信息。

根据本发明提供的一种基于深度学习的指纹图像识别方法，对所 述现场指纹图像进行图像增强，包括：构建指纹图像方向场字典集合； 将所述现场指纹图像分割为多个现场指纹子图像；获取所述多个现场 指纹子图像的方向场；根据所述多个现场指纹子图像的方向场在所述 构建指纹图像方向场字典集合中进行匹配，得到多个匹配对象；根据 所述多个匹配对象对所述多个现场指纹子图像进行替换。

根据本发明提供的一种基于深度学习的指纹图像识别方法，构建 指纹图像方向场字典集合，包括：提供样本指纹图像；将所述样本指 纹图像分割为多个样本指纹子图像；获取所述多个样本指纹子图像的 方向场信息；根据所述多个样本指纹子图像的方向场信息构建所述指 纹图像方向场字典集合。

根据本发明提供的一种基于深度学习的指纹图像识别方法，根据 所述特征点的位置信息获取特征点图像块，将所述特征点图像块输入 至特征描述生成模型，输出所述特征点的特征描述，包括：将所述特 征点图像块输入至所述特征描述生成模型，输出所述特征点的N维 特征，将所述N维特征作为所述特征点的特征描述；其中，所述特 征描述生成模型为模拟二代小波网络的深度学习模型，N为大于0的 自然数。

根据本发明提供的一种基于深度学习的指纹图像识别方法，将所 述特征点图像块输入至所述特征描述生成模型，输出所述特征点的N 维特征，包括：将所述特征点图像块输入至所述特征描述生成模型进 行多分辨率小波变换得到多个高频单元；基于所述特征描述生成模型 对所述多个高频单元依次进行平均池化、拼接和全连接变换，输出所 述特征点的N维特征。