[发明专利]基于深度学习的指纹比对方法、系统、可读介质和设备

说明书

本发明属于指纹比对技术领域，涉及一种基于深度学习的指纹比对方法、系统、可读介质和设备，包括以下步骤：S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；S3将步骤2获得的纹理特征输入步骤S1中的纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；S4将待比对的指纹图像的细节特征与指纹图像候选列表中的指纹图像进行比对，并结合字典特征生成指纹比对结果列表。其能够更加快速、准确的对指纹特征进行识别。

技术领域

本发明涉及一种基于深度学习的指纹比对方法、系统、可读介质和设备，属于指纹比对技术领域，特别涉及智能化的指纹比对技术领域。

背景技术

指纹作为人体重要的生物特征，早已在社会生活的各个领域作为身份识别的方式进行应用。指纹自动识别技术作为当前成熟的生物特征识别技术，被广泛的应用于公共安全、身份认证、访问控制等领域。随着指纹识别应用的日益广泛，特别是指纹库规模迅速增长，对指纹自动识别技术提出了新的挑战。从近年来开展的多次国内主要指纹技术产品的测试来看，传统的基于细节特征点的指纹自动识别技术已经面临瓶颈，性能的提升特别是准确性的提升较为缓慢。

以深度神经网络为代表的一系列模拟人脑神经元工作模式的深度学习算法产生。在图像识别领域，基于人工智能的人像识别由于其社会的广泛需求，已经走在了前列。由于特殊的应用场景和需要专业部门的参与，以指纹识别应用为代表的一系列生物特征识别技术的开发还方兴未艾。这就给了具有数据优势和研发实力的相关部门在这些领域开展研究的时机。

传统指纹识别技术普遍采用细节特征点作为特征进行提起、存储和识别。随着指纹库容量的不断增加，特征点识别方式存在着诸多不足，主要是：1、基于特征点的指纹识别算法由于特征数量的限制(完整指纹约100个左右)，当现场指纹不完整及变形的情况下，识别性能不断下降；2、需要大量的人工干预，进行特征点的标注及校准；3、经过多年的不断改进，基于特征点的算法性能已经达到瓶颈，积压了大量的无法比中的案件。因此，需要研究一种全新的算法，使用新的技术方案，在性能上既可以独立完成指纹识别，又可以与现有的算法实现互补。

发明内容

针对上述问题，本发明的目的是提供了一种基于深度学习的指纹比对方法、系统、可读介质和设备，其能够更加快速、准确的对指纹特征进行识别。

为实现上述目的，本发明采取以下技术方案：一种基于深度学习的指纹比对方法，包括以下步骤：S1将指纹图像输入深度学习模型中进行纹理特征提取，并将提取的纹理特征存入纹理特征数据库；S2将待比对的指纹图像输入深度学习模型中进行特征提取，提取纹理特征、细节特征和字典特征；S3将步骤S2获得的纹理特征输入步骤S1中的纹理特征数据库中，获得与其特征匹配的指纹图像，生成指纹图像候选列表；S4将待比对的指纹图像的细节特征与指纹图像候选列表中的指纹图像进行比对，并结合字典特征生成指纹比对结果列表。

进一步，步骤S1和S2中的指纹图像在输入深度学习模型前均需要进行预处理，预处理过程包括指纹图像剪裁、对齐和将指纹图像二值化。

进一步，步骤S2中的深度学习模型包括纹理特征提取子模块、细节特征提取子模块、字典特征提取子模块和拼接子模块，将纹理特征提取子模块、细节特征提取子模块和字典特征提取子模块分别获得的纹理特征、细节特征和字典特征通过拼接子模块进行拼接组成基于深度学习的指纹特征。

进一步，纹理特征提取子模块、细节特征提取子模块为Inception Stem网络，其中，纹理特征提取子模块中指纹图像经过若干串联的Inception网络后，获得指纹图片的纹理特征；细节特征提取子模块仅包括一个Inception网络。

进一步，细节特征提取子模块中，指纹图像首先通过Inception Stem网络进行指纹细节点提取，随后结合指纹细节点热图，对指纹细节点进行细节特征的提取。