一种指纹识别方法、系统、存储介质及电子设备与流程

1.本技术涉及指纹识别技术领域，更具体地说，涉及一种指纹识别方法、系统、存储介质及电子设备。


背景技术：

2.指纹识别是将识别对象的指纹进行分类比对，从而进行判别的一种识别方式。
3.现有指纹识别技术主要是通过机器学习等方法来提取指纹的特征，然后将指纹特征输入分类器中进行分类。利用此方法来提取特征的一个弊端是特征数量偏少，从而造成了现有指纹识别算法在准确率方面表现欠佳，使得现有指纹识别的准确率低。


技术实现要素：

4.有鉴于此，本技术公开了一种指纹识别方法、系统、存储介质及电子设备，旨在提高指纹识别的准确率的目的。
5.为了实现上述目的，其公开的技术方案如下：
6.本技术第一方面公开了一种指纹识别方法，其特征在于，所述方法包括：
7.获取指纹图像；
8.对所述指纹图像进行预处理操作；所述预处理操作用于增强指纹图像数据的多样性；
9.通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果；所述预设指纹识别网络模型由多个优化后的残差单元链接组成；所述预设指纹识别网络模型采用交叉熵确定为损失函数，并利用自适应动量的随机优化算法进行模型优化得到；所述指纹识别结果用于表征是否为真指纹的识别结果。
10.优选的，所述获取指纹图像，包括：
11.通过预设指纹采集设备获取指纹图像。
12.优选的，所述预处理操作包括裁剪操作和旋转操作，所述对所述指纹图像进行预处理操作，包括：
13.对所述指纹图像进行所述裁剪操作和所述旋转操作。
14.优选的，训练预设指纹识别网络模型的过程，包括：
15.获取数据集；所述数据集至少包括训练集样本和测试集样本；所述训练集样本和所述测试集样本中均包括多张真指纹图像和多张假指纹图像；
16.将交叉熵确定为损失函数；
17.设置学习率、设置送入预设指纹识别网络模型的训练样本批大小和设置预设指纹识别网络模型的训练次数；
18.通过自适应动量的随机优化算法、所述损失函数、所述送入预设指纹识别网络模型的训练样本批大小、所述预设指纹识别网络模型的训练次数和所述训练集样本，对预设指纹识别网络模型进行训练；
19.通过所述测试集样本对训练后的预设指纹识别网络模型进行测试，以完成预设指纹识别网络模型的训练过程。
20.优选的，所述通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果，包括：
21.通过预先训练的预设指纹识别网络模型，从预处理操作后的指纹图像中提取指纹图像的特征；
22.确定所述指纹图像的特征在所述数据集中所占的指纹权重；
23.将所述指纹权重与预设权重进行比对；
24.若所述指纹权重大于预设权重，则确定指纹识别结果为真指纹的识别结果；
25.若所述指纹权重小于等于预设权重，则确定指纹识别结果为假指纹的识别结果。
26.本技术第二方面公开了一种指纹识别系统，所述系统包括：
27.获取单元，用于获取指纹图像；
28.操作单元，用于对所述指纹图像进行预处理操作；所述预处理操作用于增强指纹图像数据的多样性；
29.识别单元，用于通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果；所述预设指纹识别网络模型由多个优化后的残差单元链接组成；所述预设指纹识别网络模型采用交叉熵确定为损失函数，并利用自适应动量的随机优化算法进行模型优化得到；所述指纹识别结果用于表征是否为真指纹的识别结果。
30.优选的，所述获取单元，具体用于：
31.通过预设指纹采集设备获取指纹图像。
32.优选的，所述操作单元，具体用于：
33.对所述指纹图像进行裁剪操作和旋转操作。
34.本技术第三方面公开了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如第一方面任意一项所述的指纹识别方法。
35.本技术第四方面公开了一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如第一方面任意一项所述的指纹识别方法。
36.经由上述技术方案可知，本技术实施例公开了一种指纹识别方法、系统、存储介质及电子设备，获取指纹图像，对指纹图像进行预处理操作，预处理操作用于增强指纹图像数据的多样性，通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果，预设指纹识别网络模型由多个优化后的残差单元链接组成，预设指纹识别网络模型采用交叉熵确定为损失函数，并利用自适应动量的随机优化算法进行模型优化得到，指纹识别结果用于表征是否为真指纹的识别结果。通过上述方案，由多个优化后的残差单元链接组成的深度卷积网络提取指纹图像的特征，同时采用交叉熵确定为损失函数，利用自适应动量的随机优化算法对指纹识别网络模型进行模型优化，提高指纹识别的准确率。
附图说明
37.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
38.图1为本技术实施例公开的一种指纹识别方法的流程示意图；
39.图2为本技术实施例公开的初始残差单元的结构示意图；
40.图3为本技术实施例公开的优化后的残差单元的结构示意图；
41.图4为本技术实施例公开的预设指纹识别网络模型的结构示意图；
42.图5为本技术实施例公开的一种指纹识别系统的结构示意图；
43.图6为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
46.由背景技术可知，现有指纹识别技术主要是通过机器学习等方法来提取指纹的特征，然后将指纹特征输入分类器中进行分类。利用此方法来提取特征的一个弊端是特征数量偏少，从而造成了现有指纹识别算法在准确率方面表现欠佳，使得现有指纹识别的准确率低。
47.为了解决上述问题，本技术公开了一种指纹识别方法、系统、存储介质及电子设备，由多个优化后的残差单元链接组成的深度卷积网络提取指纹图像的特征，同时采用交叉熵确定为损失函数，利用自适应动量的随机优化算法对指纹识别网络模型进行模型优化，提高指纹识别的准确率。具体实现方式通过下述实施例具体进行说明。
48.需要说明的是，本技术提供的一种指纹识别方法、系统、存储介质及电子设备，可用于网络安全领域或金融领域。上述仅为示例，并不对本技术提供的一种指纹识别方法、系统、存储介质及电子设备的应用领域进行限定。
49.参考图1所示，为本技术实施例公开的一种指纹识别方法的流程示意图，该指纹识别方法主要包括如下步骤：
50.s101：获取指纹图像。
51.在s101中，通过预设指纹采集设备获取指纹图像。
52.预设指纹采集设备可以是光学指纹采集器、热敏式传感器等，具体预设指纹采集设备的确定由技术人员根据实际情况进行设置，本技术不做具体限定。
53.s102：对指纹图像进行预处理操作；预处理操作用于增强指纹图像数据的多样性。
54.其中，预处理操作包括裁剪操作、旋转操作等操作。
55.预处理操作将数据集中的3张或4张图片等通过旋转、翻转、平移等一系列图像变换操作后，融合成一张新的图像，新图像中的目标作为一副新的图像数据与原数据集一起进行训练，达到扩大数据集的效果，增强对目标物体的识别能力。
56.s103：通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果；预设指纹识别网络模型由多个优化后的残差单元链接组成；预设指纹识别网络模型采用交叉熵确定为损失函数，并利用自适应动量的随机优化adam算法进行模型优化得到；指纹识别结果用于表征是否为真指纹的识别结果。
57.其中，真指纹是指是人类手指末端指腹上由凹凸的皮肤所形成的纹路。
58.预设指纹识别网络模型是由多个优化后的残差单元链接组成的深度卷积网络resnet(即深度残差网络)提取指纹图像的特征，同时采用交叉熵确定为损失函数，利用自适应动量的随机优化算法进行优化得到。
59.深度残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
60.深度卷积网络resnet由多个初始残差单元组成，一个初始残差单元结构如图2所示。
61.图2中，conv为卷积层；bn为批规范化；relu为激活函数；add为累加。
62.当使用捷径shortcut对块block的输入和输出做加法运算时，如果通道维度不相同，shortcut中会增加一个1x1卷积对block输入做卷积运算，使得加法运算的2个输入通道维度一致，具体优化后的残差单元结构如图3所示。
63.图3中，conv为卷积层；bn为批规范化；relu为激活函数；add为累加；dropout为丢弃。
64.首先，在两个卷积层(卷积层eeluhe和卷积层conv 3x3)中间增加一个dropout层，使模型泛化性更强；其次，去除1x1卷积运算后面的bn层以及最后的relu函数，减少模型参数，从而得到预设指纹识别网络模型，预设指纹识别网络模型结构如图4所示。
65.图4中，conv为卷积层；res_block_1、res_block_2、res_block_3、res_block_4、res_block_5、res_block_6、res_block_7、res_block_8和res_block_9均为残差块；averagepooling为平均池化。
66.输入指纹图像至预设指纹识别网络模型，经过1个卷积层和9个改进的残差单元后，再经过均值池化，展平得到一个长度为20588的特征向量，经网络输出层输出结果。该预设指纹识别网络模型结构中最后使用均值池层化替代全连接层，降低了网络的计算成本，并且可以防止过度拟合。
67.训练预设指纹识别网络模型的过程如a1-a5所示。
68.a1：获取数据集；数据集至少包括训练集样本和测试集样本；训练集样本和测试集样本中均包括多张真指纹图像和多张假指纹图像。
69.其中，训练集样本中的真指纹图像和假指纹图像的张数由技术人员根据实际情况进行选取，本技术不做具体限定。
70.测试集样本中的真指纹图像和假指纹图像的张数由技术人员根据实际情况进行选取，本技术不做具体限定。
71.比如，训练集样本7500张图像，其中真指纹图像3542张，假指纹图像3958张；测试集样本1365张图像，其中真指纹图像700张，假指纹图像665张。
72.a2：将交叉熵确定为损失函数。
73.a3：设置学习率、设置送入预设指纹识别网络模型的训练样本批大小和设置预设指纹识别网络模型的训练次数。
74.训练样本批大小由技术人员根据实际情况进行设置，本技术不做具体限定。
75.训练次数由技术人员根据实际情况进行设置，本技术不做具体限定。
76.比如，设置学习率为0.0001，送入预设指纹识别网络模型的训练样本批大小batchsize设置为32，预设指纹识别网络模型的训练次数epoch为250。
77.a4：通过自适应动量的随机优化算法、损失函数、送入预设指纹识别网络模型的训练样本批大小、预设指纹识别网络模型的训练次数和训练集样本，对预设指纹识别网络模型进行训练。
78.a5：通过测试集样本对训练后的预设指纹识别网络模型进行测试，以完成预设指纹识别网络模型的训练过程。
79.具体通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果的过程如b1-b5所示。
80.b1：通过预先训练的预设指纹识别网络模型，从预处理操作后的指纹图像中提取指纹图像的特征。
81.b2：确定指纹图像的特征在数据集中所占的指纹权重。
82.b3：将指纹权重与预设权重进行比对。
83.其中，预设权重的确定由技术人员根据实际情况进行设置，本技术不做具体限定。
84.b4：若指纹权重大于预设权重，则确定指纹识别结果为真指纹的识别结果。
85.b5：若指纹权重小于等于预设权重，则确定指纹识别结果为假指纹的识别结果。
86.其中，假指纹称为人造指纹，指用人工方法在手套上模压制成的人造皮肤花纹(有乳突线花纹、屈肌褶纹、皱纹等)结构。
87.本方案针提出利用改进的深度残差网络对指纹进行识别，此网络由多个改进的残差单元组成，旨在区分实时指纹和假指纹。经实验得到本技术提出的算法在指纹识别中准确率达到98.79％，模型大小约4.29mb，识别时间约60ms，说明基于该神经网络构建的指纹识别模型能够精确提取出待识别指纹图像中包含的各个层次的特征，在保证特征提取精细度的同时，也使得真假指纹的识别结果更加准确、快速、可靠。
88.本技术实施例中，由多个优化后的残差单元链接组成的深度卷积网络提取指纹图像的特征，同时采用交叉熵确定为损失函数，利用自适应动量的随机优化算法对指纹识别网络模型进行模型优化，提高指纹识别的准确率。
89.基于上述实施例公开的一种指纹识别方法，本技术实施例还对应公开了一种指纹识别系统，如图5所示，该指纹识别系统包括获取单元501、操作单元502和识别单元503。
90.获取单元501，用于获取指纹图像。
91.操作单元502，用于对指纹图像进行预处理操作；预处理操作用于增强指纹图像数
据的多样性。
92.识别单元503，用于通过预先训练的预设指纹识别网络模型，对预处理操作后的指纹图像进行指纹识别，得到指纹识别结果；预设指纹识别网络模型由多个优化后的残差单元链接组成；预设指纹识别网络模型采用交叉熵确定为损失函数，并利用自适应动量的随机优化算法进行模型优化得到；指纹识别结果用于表征是否为真指纹的识别结果。
93.进一步的，获取单元501，具体用于通过预设指纹采集设备获取指纹图像。
94.进一步的，操作单元502，具体用于对指纹图像进行裁剪操作和旋转操作。
95.进一步的，训练预设指纹识别网络模型的过程的识别单元503包括获取模块、第一确定模块、设置模块、训练模块和测试模块。
96.获取模块，用于获取数据集；数据集至少包括训练集样本和测试集样本；训练集样本和测试集样本中均包括多张真指纹图像和多张假指纹图像。
97.第一确定模块，用于将交叉熵确定为损失函数；
98.设置模块，用于设置学习率、设置送入预设指纹识别网络模型的训练样本批大小和设置预设指纹识别网络模型的训练次数；
99.训练模块，用于通过自适应动量的随机优化算法、损失函数、送入预设指纹识别网络模型的训练样本批大小、预设指纹识别网络模型的训练次数和训练集样本，对预设指纹识别网络模型进行训练；
100.测试模块，用于通过测试集样本对训练后的预设指纹识别网络模型进行测试，以完成预设指纹识别网络模型的训练过程。
101.进一步的，识别单元503包括提取模块、第二确定模块、比对模块、第三确定模块和第四确定模块。
102.提取模块，用于通过预先训练的预设指纹识别网络模型，从预处理操作后的指纹图像中提取指纹图像的特征。
103.第二确定模块，用于确定指纹图像的特征在数据集中所占的指纹权重。
104.比对模块，用于将指纹权重与预设权重进行比对。
105.第三确定模块，用于若指纹权重大于预设权重，则确定指纹识别结果为真指纹的识别结果。
106.第四确定模块，用于若指纹权重小于等于预设权重，则确定指纹识别结果为假指纹的识别结果。
107.本技术实施例中，由多个优化后的残差单元链接组成的深度卷积网络提取指纹图像的特征，同时采用交叉熵确定为损失函数，利用自适应动量的随机优化算法对指纹识别网络模型进行模型优化，提高指纹识别的准确率。
108.本技术实施例还提供了一种存储介质，存储介质包括存储的指令，其中，在指令运行时控制存储介质所在的设备执行上述指纹识别方法。
109.本技术实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602执行上述指纹识别方法。
110.上述各个实施例的具体实施过程及其衍生方式，均在本技术的保护范围之内。
111.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
112.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
113.对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
114.以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。