加密电子钱包的安全监测方法及系统

技术领域

本申请涉及智能化监测技术领域，且更为具体地，涉及一种加密电子钱包的安全监测方法及系统。

背景技术

基于P2P协议的网络电子货币，已经被广泛的接受和使用。用户只需要拥有一个电子钱包（客户端），就可以通过网络完成收款，付款等操作。

新技术带来方便的同时，也给用户带来了新的安全隐患。虽然电子钱包支持设置字符密码，但是当用户电子钱包被盗后，黑客仍然可以通过暴力破解等手段获得用户的支付凭证，盗取资金。这使得此类电子钱包很难承担用户的日常资金的安全存储和使用，特别是对于拥有大笔资金的用户来说，如果电子钱包被盗，可能会造成巨大的财产损失。

因此，期待一种优化的加密电子钱包的安全监测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种加密电子钱包的安全监测方法及系统，其获取待识别指纹的指纹监测图像和指纹光谱图像；采用基于深度学习的人工智能技术，挖掘指纹监测图像和指纹光谱图像的多尺度像素关联特征，通过将待识别指纹的光谱信息和图像信息结合得到待识别指纹的高维特征分布；以待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异作为待识别指纹与授权指纹之间的差异，并基于此对待识别指纹是否为入侵指纹进行监测。这样，可以提高对待识别指纹的监测的准确性，进而提高电子钱包的安全级别。

根据本申请的一个方面，提供了一种加密电子钱包的安全监测方法，其包括：

获取待识别指纹的指纹监测图像和指纹光谱图像；

将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；

将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；

将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；

融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；

计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及

将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

在上述加密电子钱包的安全监测方法中，所述将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图，包括：使用具有第一尺度的卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征图，其中，所述使用具有第一尺度的卷积核的第一卷积神经网络模型的第一层的输入为所述多通道图像。

在上述加密电子钱包的安全监测方法中，所述将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图，包括：使用具有第二尺度的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征图，其中，所述使用具有第二尺度的卷积核的第二卷积神经网络模型的第一层的输入为所述多通道图像。

在上述加密电子钱包的安全监测方法中，所述融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图，包括：以如下公式来融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；其中，所述公式为：

其中，

在上述加密电子钱包的安全监测方法中，所述计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，包括：使用以下公式计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图；其中，所述公式为：

其中，

在上述加密电子钱包的安全监测方法中，所述将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹，包括：对所述差分特征图进行特征图展开以得到分类特征向量；对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量；以及，将所述优化分类特征向量通过所述分类器以得到所述分类结果。

在上述加密电子钱包的安全监测方法中，所述对所述差分特征图进行特征图展开以得到分类特征向量，包括：对所述差分特征图按照行向量展开以得到所述分类特征向量。

在上述加密电子钱包的安全监测方法中，所述对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量，包括：以如下公式对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量；其中，所述公式为：

其中，

在上述加密电子钱包的安全监测方法中，所述将所述优化分类特征向量通过所述分类器以得到所述分类结果，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一个方面，提供了一种加密电子钱包的安全监测系统，其包括：

图像获取模块，用于获取待识别指纹的指纹监测图像和指纹光谱图像；

聚合模块，用于将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；

第一尺度卷积模块，用于将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；

第二尺度卷积模块，用于将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；

融合模块，用于融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；

差分特征图计算模块，用于计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及

待识别指纹监测模块，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

与现有技术相比，本申请提供的加密电子钱包的安全监测方法及系统，其获取待识别指纹的指纹监测图像和指纹光谱图像；采用基于深度学习的人工智能技术，挖掘指纹监测图像和指纹光谱图像的多尺度像素关联特征，通过将待识别指纹的光谱信息和图像信息结合得到待识别指纹的高维特征分布；以待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异作为待识别指纹与授权指纹之间的差异，并基于此对待识别指纹是否为入侵指纹进行监测。这样，可以提高对待识别指纹的监测的准确性，进而提高电子钱包的安全级别。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的加密电子钱包的安全监测方法的场景示意图。

图2为根据本申请实施例的加密电子钱包的安全监测方法的流程图。

图3为根据本申请实施例的加密电子钱包的安全监测方法的架构示意图。

图4为根据本申请实施例的加密电子钱包的安全监测方法中步骤S170的子步骤的流程图。

图5为根据本申请实施例的加密电子钱包的安全监测方法中步骤S230的子步骤的流程图。

图6为根据本申请实施例的加密电子钱包的安全监测系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，类电子钱包很难承担用户的日常资金的安全存储和使用，特别是对于拥有大笔资金的用户来说，如果电子钱包被盗，可能会造成巨大的财产损失。因此，期待一种优化的加密电子钱包的安全监测方案。

在一些现有的技术方案中，通过指纹加密来提高电子钱包的安全性，但是指纹识别的加密方案也遇到了新的挑战：例如，通过指纹模型来进行入侵等。因此，在指纹识别的基础上，还需要进一步地提高安全级别以满足电子钱包的安全级别。具体地，在本申请的技术方案中，考虑到指纹的光谱信息能够增加指纹的指纹特异性，如果能够结合指纹的光谱信息和图像信息则显然能够提高电子钱包的安全级别。

相应地，在本申请的技术方案中，首先获取待识别指纹的指纹监测图像和指纹光谱图像。这里，所述待识别指纹的指纹监测图像为所述待识别指纹的RGB图像，而所述待识别指纹的指纹光谱图像为所述待识别指纹的光谱图像。在图像信息层面，所述指纹监测图像从表观呈现层面来反映所述待识别指纹的外观信息，而所述指纹光谱图像则反应所述待识别指纹的身份信息。接着，将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像。也就是，在图像源域，沿着通道维度将所述指纹监测图像和所述指纹光谱图像进行信息聚合以得到所述多通道图像。

进而，使用基于深度学习的卷积神经网络模型作为特征提取器对所述多通道图像进行多尺度卷积编码以得到多尺度指纹识别特征图，其中，所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征。具体地，本领域普通技术人员应知晓，卷积神经网络模型在图像特征提取领域具有优异性能，其在对所述多通道图像进行多尺度卷积编码时，能够使用具有特定参数的卷积核进行局部特征提取和基于通道维度的关联特征提取以得到所述多尺度指纹识别特征图。

更具体地，首先将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；同时，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；最终，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图。也就是，在本申请的技术方案中，所述多尺度卷积编码基于不同尺度的卷积核来实现。

进而，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成。也就是，在高维特征空间中，以适当方式来表达待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异以此来作为待识别指纹与授权指纹之间的差异。在本申请一个具体的示例中，计算所述多尺度指纹识别特征图和参考特征图之间的按位置差分以得到所述差分特征图。

最终，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。也就是，使用所述分类器来确定所述差分特征图所属的类概率标签，其中，所述类概率标签包括待识别指纹为入侵指纹（第一标签）和待识别指纹不为入侵指纹（第二标签）。

这里，在本申请的技术方案中，通过将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像，并融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图，可以使得所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征，但与此同时，多类别的图像语义特征之间的差分特征会使得所述差分特征图的特征分布存在局部结构模糊，从而降低所述差分特征图的表达确定性，影响所述差分特征图通过分类器得到的分类结果的准确性。

基于此，本申请的申请人对所述差分特征图展开后得到的分类特征向量

和/>

这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低特征向量的表达确定性，从而改进所述差分特征图通过分类器得到的分类结果的准确性。

基于此，本申请提供了一种加密电子钱包的安全监测方法，其包括：获取待识别指纹的指纹监测图像和指纹光谱图像；将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

图1为根据本申请实施例的加密电子钱包的安全监测方法的场景示意图。如图1所示，在该应用场景中，首先，获取待识别指纹的指纹监测图像（例如，如图1中所示意的C1）和指纹光谱图像（例如，如图1中所示意的C2）；然后，将获取的指纹监测图像和指纹光谱图像输入至部署有加密电子钱包的安全监测算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于加密电子钱包的安全监测算法对所述指纹监测图像和所述指纹光谱图像进行处理，以生成用于表示待识别指纹是否为入侵指纹的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2为根据本申请实施例的加密电子钱包的安全监测方法的流程图。如图2所示，根据本申请实施例的加密电子钱包的安全监测方法，包括步骤：S110，获取待识别指纹的指纹监测图像和指纹光谱图像；S120，将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；S130，将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；S140，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；S150，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；S160，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及，S170，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

图3为根据本申请实施例的加密电子钱包的安全监测方法的架构示意图如图3所示，在该网络架构中，首先，获取待识别指纹的指纹监测图像和指纹光谱图像；然后，将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；接着，将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；然后，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；接着，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；然后，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及，最后，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

具体地，在步骤S110中，获取待识别指纹的指纹监测图像和指纹光谱图像。如前所述，类电子钱包很难承担用户的日常资金的安全存储和使用，特别是对于拥有大笔资金的用户来说，如果电子钱包被盗，可能会造成巨大的财产损失。因此，期待一种优化的加密电子钱包的安全监测方案。

在一些现有的技术方案中，通过指纹加密来提高电子钱包的安全性，但是指纹识别的加密方案也遇到了新的挑战：例如，通过指纹模型来进行入侵等。因此，在指纹识别的基础上，还需要进一步地提高安全级别以满足电子钱包的安全级别。具体地，在本申请的技术方案中，考虑到指纹的光谱信息能够增加指纹的指纹特异性，如果能够结合指纹的光谱信息和图像信息则显然能够提高电子钱包的安全级别。

相应地，在本申请的技术方案中，首先获取待识别指纹的指纹监测图像和指纹光谱图像。这里，所述待识别指纹的指纹监测图像为所述待识别指纹的RGB图像，而所述待识别指纹的指纹光谱图像为所述待识别指纹的光谱图像。在图像信息层面，所述指纹监测图像从表观呈现层面来反映所述待识别指纹的外观信息，而所述指纹光谱图像则反应所述待识别指纹的身份信息。

具体地，在步骤S120中，将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像。接着，将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像。也就是，在图像源域，沿着通道维度将所述指纹监测图像和所述指纹光谱图像进行信息聚合以得到所述多通道图像。

具体地，在步骤S130和步骤S140中，将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；以及，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图。

进而，使用基于深度学习的卷积神经网络模型作为特征提取器对所述多通道图像进行多尺度卷积编码以得到多尺度指纹识别特征图，其中，所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征。具体地，本领域普通技术人员应知晓，卷积神经网络模型在图像特征提取领域具有优异性能，其在对所述多通道图像进行多尺度卷积编码时，能够使用具有特定参数的卷积核进行局部特征提取和基于通道维度的关联特征提取以得到所述多尺度指纹识别特征图。

更具体地，首先将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；同时，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图。

进一步地，在本申请实施例中，所述将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图，包括：使用具有第一尺度的卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征图，其中，所述使用具有第一尺度的卷积核的第一卷积神经网络模型的第一层的输入为所述多通道图像。

更进一步地，在本申请实施例中，所述将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图，包括：使用具有第二尺度的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征图，其中，所述使用具有第二尺度的卷积核的第二卷积神经网络模型的第一层的输入为所述多通道图像。

具体地，在步骤S150中，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图。最终，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图。也就是，在本申请的技术方案中，所述多尺度卷积编码基于不同尺度的卷积核来实现。

在本申请实施例中，所述融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图，包括：以如下公式来融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；其中，所述公式为：

/>

其中，

具体地，在步骤S160中，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成。

进而，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成。也就是，在高维特征空间中，以适当方式来表达待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异以此来作为待识别指纹与授权指纹之间的差异。在本申请一个具体的示例中，计算所述多尺度指纹识别特征图和参考特征图之间的按位置差分以得到所述差分特征图。

其中，所述计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，包括：使用以下公式计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图；其中，所述公式为：

其中，

具体地，在步骤S170中，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。最终，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。也就是，使用所述分类器来确定所述差分特征图所属的类概率标签，其中，所述类概率标签包括待识别指纹为入侵指纹（第一标签）和待识别指纹不为入侵指纹（第二标签）。

图4为根据本申请实施例的加密电子钱包的安全监测方法中步骤S170的子步骤的流程图，如图4所示，所述将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹，包括：S210，对所述差分特征图进行特征图展开以得到分类特征向量；S220，对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量；以及，S230，将所述优化分类特征向量通过所述分类器以得到所述分类结果。

所述对所述差分特征图进行特征图展开以得到分类特征向量，包括：对所述差分特征图按照行向量展开以得到所述分类特征向量。

这里，在本申请的技术方案中，通过将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像，并融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图，可以使得所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征，但与此同时，多类别的图像语义特征之间的差分特征会使得所述差分特征图的特征分布存在局部结构模糊，从而降低所述差分特征图的表达确定性，影响所述差分特征图通过分类器得到的分类结果的准确性。

基于此，本申请的申请人对所述差分特征图展开后得到的分类特征向量

其中，

这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低特征向量的表达确定性，从而改进所述差分特征图通过分类器得到的分类结果的准确性。

图5为根据本申请实施例的加密电子钱包的安全监测方法中步骤S230的子步骤的流程图，如图5所示，所述将所述优化分类特征向量通过所述分类器以得到所述分类结果，包括：S310，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，S320，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

在本申请一具体示例中，使用所述分类器以如下公式对所述优化分类特征向量进行处理以得到所述分类结果；其中，所述公式为：

所述公式为：

综上，基于本申请实施例的加密电子钱包的安全监测方法，其获取待识别指纹的指纹监测图像和指纹光谱图像；采用基于深度学习的人工智能技术，挖掘指纹监测图像和指纹光谱图像的多尺度像素关联特征，通过将待识别指纹的光谱信息和图像信息结合得到待识别指纹的高维特征分布；以待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异作为待识别指纹与授权指纹之间的差异，并基于此对待识别指纹是否为入侵指纹进行监测。这样，可以提高对待识别指纹的监测的准确性，进而提高电子钱包的安全级别。

示例性系统

图6为根据本申请实施例的加密电子钱包的安全监测系统的框图。如图6所示，根据本申请实施例的加密电子钱包的安全监测系统100，包括：图像获取模块110，用于获取待识别指纹的指纹监测图像和指纹光谱图像；聚合模块120，用于将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像；第一尺度卷积模块130，用于将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；第二尺度卷积模块140，用于将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图；融合模块150，用于融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；差分特征图计算模块160，用于计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成；以及，待识别指纹监测模块170，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述第一尺度卷积模块，进一步用于：使用具有第一尺度的卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度特征图，其中，所述使用具有第一尺度的卷积核的第一卷积神经网络模型的第一层的输入为所述多通道图像。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述第二尺度卷积模块，进一步用于：使用具有第二尺度的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度特征图，其中，所述使用具有第二尺度的卷积核的第二卷积神经网络模型的第一层的输入为所述多通道图像。

使用基于深度学习的卷积神经网络模型作为特征提取器对所述多通道图像进行多尺度卷积编码以得到多尺度指纹识别特征图，其中，所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征。具体地，本领域普通技术人员应知晓，卷积神经网络模型在图像特征提取领域具有优异性能，其在对所述多通道图像进行多尺度卷积编码时，能够使用具有特定参数的卷积核进行局部特征提取和基于通道维度的关联特征提取以得到所述多尺度指纹识别特征图。

更具体地，首先将所述多通道图像通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度特征图；同时，将所述多通道图像通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度特征图。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述融合模块，进一步用于：以如下公式来融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图；其中，所述公式为：

其中，

最终，融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图。也就是，在本申请的技术方案中，所述多尺度卷积编码基于不同尺度的卷积核来实现。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述差分特征图计算模块，进一步用于：使用以下公式计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图；其中，所述公式为：

其中，

进而，计算所述多尺度指纹识别特征图和参考特征图之间的差分特征图，其中，所述参考特征图基于授权指纹的指纹监测图像和指纹光谱图像生成。也就是，在高维特征空间中，以适当方式来表达待识别指纹的高维特征分布与授权指纹的高维特征分布之间的差异以此来作为待识别指纹与授权指纹之间的差异。在本申请一个具体的示例中，计算所述多尺度指纹识别特征图和参考特征图之间的按位置差分以得到所述差分特征图。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述待识别指纹监测模块，包括：特征图展开单元，用于对所述差分特征图进行特征图展开以得到分类特征向量；校正单元，用于对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量；以及，分类结果单元，用于将所述优化分类特征向量通过所述分类器以得到所述分类结果。

最终，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待识别指纹是否为入侵指纹。也就是，使用所述分类器来确定所述差分特征图所属的类概率标签，其中，所述类概率标签包括待识别指纹为入侵指纹（第一标签）和待识别指纹不为入侵指纹（第二标签）。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述特征图展开单元，进一步用于：对所述差分特征图按照行向量展开以得到所述分类特征向量。

这里，在本申请的技术方案中，通过将所述指纹监测图像和所述指纹光谱图像沿着通道维度聚合为多通道图像，并融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度指纹识别特征图，可以使得所述多尺度指纹识别特征图包含丰富图像语义的多尺度像素关联特征，但与此同时，多类别的图像语义特征之间的差分特征会使得所述差分特征图的特征分布存在局部结构模糊，从而降低所述差分特征图的表达确定性，影响所述差分特征图通过分类器得到的分类结果的准确性。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述校正单元，进一步用于：以如下公式对所述分类特征向量进行局部结构模糊校正以得到优化分类特征向量；其中，所述公式为：

其中，

这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低特征向量的表达确定性，从而改进所述差分特征图通过分类器得到的分类结果的准确性。

在一个示例中，在上述加密电子钱包的安全监测系统100中，所述分类结果单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述加密电子钱包的安全监测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的加密电子钱包的安全监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。