指纹图像的特征提取方法、装置及计算机可读存储介质

技术领域

本发明涉及指纹图像识别领域，具体涉及一种指纹图像的特征提取方法、装置及计算机可读存储介质。

背景技术

当前指纹图像用于特征抽取的神经网络均输出浮点型描述子，其特征比对速度较慢，不能满足速度要求较高的平台应用需求。例如采用sift、orb等基于特征点的图像匹配算法对指纹图像进行特征提取出的图像二级/三级特征点极多，如仍采用浮点特征匹配，那么图像的匹配效率将是极低的。

发明内容

鉴于以上内容，有必要提出一种指纹图像的特征提取方法、装置及计算机可读存储介质以提取出指纹图像的二值特征，以提高指纹图像的匹配效率。

本申请的第一方面提供一种指纹图像的特征提取方法，所述方法包括步骤：

获取指纹图像；

对所述指纹图像进行预处理以去除所述指纹图像中的噪声；

利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征，其中所述预设卷积神经网络包括具有可模拟阶跃函数功能且连续的激活函数；及

将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果。

优选的，所述预设卷积神经网络包括输入层、多个用于进行特征提取的卷积层、全连接层、激活函数及输出层，所述输入层、卷积层、全连接层、激活函数及输出层依次相连接。

优选的，所述利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征包括：

通过所述输入层为所述指纹图像提供输入通道；通过所述卷积层对所述指纹图像的特征进行训练提取；通过所述全连接层对各卷积层所训练提取出的特征进行整合；通过所述激活函数对所述全连接层输出的特征进行二值化处理及将二值化处理的结果依据预设阈值进行分割得到所述指纹图像的二值特征；及通过所述输出层输出二值特征。

优选的，所述激活函数

通过

优选的，所述激活函数为

通过所述激活函数

优选的，所述将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果包括：

计算所述指纹图像的二值特征与所述预存指纹图像的特征值的汉明距离值；及

当所述汉明距离值小于或等于所述预设距离值时，则所述指纹图像与所述预存指纹图像匹配成功。

优选的，所述计算所述指纹图像的二值特征与所述预存指纹图像的特征值的汉明距离值包括：

将所述指纹图像的二值特征与所述预存指纹图像的特征值进行异或运算得到异或结果，所述异或结果的个数为所述指纹图像与所述预存指纹图像的汉明距离值。

优选的，对所述指纹图像进行预处理以去除所述指纹图像中的噪声包括：

对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域；

对所述指纹图像进行指纹增强以去除所述指纹图像中的叉连、断点及模糊不清的部分；及

对所述指纹图像进行细化处理以删除所述指纹图像中文线的边缘像素。

本申请的第二方面提供一种指纹图像的特征提取装置，所述装置包括：

获取模块，用于获取指纹图像；

预处理模块，用于对所述指纹图像进行预处理以去除所述指纹图像中的噪声；

特征提取模块，用于利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征，其中所述预设卷积神经网络包括具有可模拟阶跃函数功能且连续的激活函数；及

匹配模块，用于将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果。

本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述指纹图像的特征提取方法。

本案通过所述预设卷积神经网络模型的激活函数对所述预设卷积神经网络模型输出的特征进行二值化处理得到指纹图像的二值特征，将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果，如此提高指纹图像的二值特征的匹配效率。

附图说明

图1是本发明一实施方式中指纹图像的特征提取方法的流程图。

图2是本发明一实施方式中指纹图像的特征提取装置的结构图。

图3本发明电子设备的示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

优选地，本发明指纹图像的特征提取方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

实施例1

图1是本发明一实施方式中指纹图像的特征提取方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

参考图1所示，所述指纹图像的特征提取方法具体包括以下步骤：

步骤S101、获取指纹图像。

本实施方式中，通过指纹采集器采集指纹图像。本实施方式中，所述指纹采集器为光学指纹采集器，热敏式指纹识别器或生物射频指纹识别器。

步骤S102、对所述指纹图像进行预处理以去除所述指纹图像中的噪声。

本实施方式中，所述对所述指纹图像进行预处理以去除所述指纹图像中的噪声包括：对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域。在具体实施方式中，可以采用基于阈值的图像分割算法对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域。

在一实施方式中，所述对所述指纹图像进行预处理以去除所述指纹图像中的噪声包括：对所述指纹图像进行指纹增强以去除所述指纹图像中的叉连、断点及模糊不清的部分。在具体实施方式中，通过STFT(Short Time Fourier Transform)指纹增强算法对指纹图像进行指纹分割，从而去除所述指纹图像中的背景区域。

在一实施方式中，所述对所述指纹图像进行预处理以去除所述指纹图像中的噪声包括：对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。在具体实施方式中，通过OPTA细化算法对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。

在一实施方式中，所述对所述指纹图像进行预处理以去除所述指纹图像中的噪声包括：对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域；对所述指纹图像进行指纹增强以去除所述指纹图像中的叉连、断点及模糊不清的部分；及对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。

步骤S103、利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征，其中所述预设卷积神经网络包括具有可模拟阶跃函数功能且连续的激活函数。

本实施方式中，所述预设卷积神经网络包括输入层、多个用于进行特征提取的卷积层、全连接层、激活函数及输出层。所述输入层、卷积层、全连接层、激活函数及输出层依次相连接。本实施方式中，所述“利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征”包括：通过所述输入层为指纹图像提供输入通道；通过卷积层对所述指纹图像的特征进行训练提取；通过所述全连接层对各卷积层所训练提取出的特征进行整合；通过所述激活函数对全连接层输出的特征进行二值化处理及将二值化处理的结果依据预设阈值进行分割得到指纹图像的二值特征；通过所述输出层输出二值特征。

本实施方式中，所述激活函数为

在另一实施方式中，所述激活函数为

本实施方式中，所述方法还包括：对所述预设卷积神经网络模型进行训练。具体的，在对预设卷积神经网络模型进行训练时，可以在服务器2中存储预设数量的指纹图像样本，并且由用户对所述指纹图像样本进行分类；例如，可以准备1000指纹图像样本，然后按照这些指纹图像样本所归属的用户对这1000张指纹图像样本进行分类，并将每一个分类的二指纹图像样本进行二值特征标定。当准备的预设数量的指纹图像样本分类完成后，此时可以将所述预设卷积神经网络模型作为分类模型，将所述人脸指纹图像样本作为训练样本输入到所述预设卷积神经网络模型中进行训练，并根据预设卷积神经网络模型输出的分类结果，对所述预设卷积神经网络模型各基层上节点之间的连接的权重参数进行调整。所述预设卷积神经网络模型在每次调整后基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果所述预设卷积神经网络模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时所述预设卷积神经网络模型中各基层节点之间连接的权重参数均为最佳权重参数，可以认为所述预设卷积神经网络模型已经训练完毕。本实施方式中，在预设卷积神经网络模型训练毕完后，通过已训练好的预设卷积神经网络模型，对输入到预设卷积神经网络模型中的指纹图像进行二值特征的提取。

步骤S104、将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果。

本实施方式中，所述“将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果”包括：计算所述指纹图像的二值特征与预存指纹图像的特征值的汉明距离值；及当汉明距离值小于或等于预设距离值时，则所述指纹图像与预存指纹图像匹配成功。

本实施方式中，所述“计算所述指纹图像的二值特征与预存指纹图像的特征值的汉明距离值”包括：将所述指纹图像的二值特征与预存指纹图像的特征值进行异或运算得到异或结果，所述异或结果的个数为所述指纹图像与预存指纹图像的汉明距离值。

本实施方式中，通过所述预设卷积神经网络模型的激活函数对全连接层输出的特征进行二值化处理及将二值化处理的结果依据预设阈值进行分割就可以得到指纹图像的二值特征，将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果，如此提高指纹图像的二值特征的匹配效率。

实施例2

图2为本发明一实施方式中指纹图像的特征提取装置40的结构图。

在一些实施例中，所述指纹图像的特征提取示装置40运行于电子设备中。所述指纹图像的特征提取装置40可以包括多个由程序代码段所组成的功能模块。所述指纹图像的特征提取装置40中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行指纹图像的特征提取的功能。

本实施例中，所述指纹图像的特征提取装置40根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述指纹图像的特征提取装置40可以包括获取模块401、预处理模块402、特征提取模块403及匹配模块404。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。

所述获取模块401获取指纹图像。

本实施方式中，所述获取模块401通过指纹采集器采集指纹图像。本实施方式中，所述指纹采集器为光学指纹采集器，热敏式指纹识别器或生物射频指纹识别器。

所述预处理模块402对所述指纹图像进行预处理以去除所述指纹图像中的噪声。

本实施方式中，所述预处理模块402对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域。在具体实施方式中，所述预处理模块402可以采用基于阈值的图像分割算法对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域。

在一实施方式中，所述预处理模块402对所述指纹图像进行指纹增强以去除所述指纹图像中的叉连、断点及模糊不清的部分。在具体实施方式中，所述预处理模块402通过STFT(Short Time Fourier Transform)指纹增强算法对指纹图像进行指纹分割，从而去除所述指纹图像中的背景区域。

在一实施方式中，所述预处理模块402对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。在具体实施方式中，所述预处理模块402通过OPTA细化算法对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。

在一实施方式中，所述预处理模块402对所述指纹图像进行指纹分割以去除所述指纹图像中的背景区域；对所述指纹图像进行指纹增强以去除所述指纹图像中的叉连、断点及模糊不清的部分；及对指纹图像进行细化处理以删除指纹图像中文线的边缘像素。

所述特征提取模块403利用已训练好的预设卷积神经网络模型提取出所述指纹图像的二值特征，其中所述预设卷积神经网络包括具有可模拟阶跃函数功能且连续的激活函数。

本实施方式中，所述预设卷积神经网络包括输入层、多个用于进行特征提取的卷积层、全连接层、激活函数及输出层。所述输入层、卷积层、全连接层、激活函数及输出层依次相连接。本实施方式中，所述特征提取模块403通过所述输入层为指纹图像提供输入通道；通过卷积层对所述指纹图像的特征进行训练提取；通过所述全连接层对各卷积层所训练提取出的特征进行整合；通过所述激活函数对全连接层输出的特征进行二值化处理及将二值化处理的结果依据预设阈值进行分割得到指纹图像的二值特征；通过所述输出层输出二值特征。

本实施方式中，所述激活函数为

在另一实施方式中，所述激活函数为

本实施方式中，所述特征提取模块403还用于对所述预设卷积神经网络模型进行训练。具体的，在对预设卷积神经网络模型进行训练时，可以在服务器2中存储预设数量的指纹图像样本，并且由用户对所述指纹图像样本进行分类；例如，可以准备1000指纹图像样本，然后按照这些指纹图像样本所归属的用户对这1000张指纹图像样本进行分类，并将每一个分类的二指纹图像样本进行二值特征标定。当准备的预设数量的指纹图像样本分类完成后，此时可以将所述预设卷积神经网络模型作为分类模型，将所述人脸指纹图像样本作为训练样本输入到所述预设卷积神经网络模型中进行训练，并根据预设卷积神经网络模型输出的分类结果，对所述预设卷积神经网络模型各基层上节点之间的连接的权重参数进行调整。所述预设卷积神经网络模型在每次调整后基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果所述预设卷积神经网络模型输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时所述预设卷积神经网络模型中各基层节点之间连接的权重参数均为最佳权重参数，可以认为所述预设卷积神经网络模型已经训练完毕。本实施方式中，在预设卷积神经网络模型训练毕完后，通过已训练好的预设卷积神经网络模型，对输入到预设卷积神经网络模型中的指纹图像进行二值特征的提取。

所述匹配模块404将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果。

本实施方式中，所述匹配模块404计算所述指纹图像的二值特征与预存指纹图像的特征值的汉明距离值，及当汉明距离值小于或等于预设距离值时，则所述指纹图像与预存指纹图像匹配成功。

本实施方式中，所述匹配模块404用于将所述指纹图像的二值特征与预存指纹图像的特征值进行异或运算得到异或结果，所述异或结果的个数为所述指纹图像与预存指纹图像的汉明距离值。

本实施方式中，所述匹配模块404通过所述预设卷积神经网络模型的激活函数对全连接层输出的特征进行二值化处理及将二值化处理的结果依据预设阈值进行分割就可以得到指纹图像的二值特征，将所述指纹图像的二值特征与预存指纹图像的二值特征进行匹配得到匹配结果，如此提高指纹图像的二值特征的匹配效率。

实施例3

图3为本发明一实施方式中电子设备6的示意图。

所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述指纹图像的特征提取方法实施例中的步骤，例如图1所示的步骤S101～S104。或者，所述处理器62执行所述计算机程序63时实现上述指纹图像的特征提取装置实施例中各模块/单元的功能，例如图2中的模块401～404。

示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器62执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图2中的获取模块401、预处理模块402、特征提取模块403及匹配模块404，各模块具体功能参见实施例二。

所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。

所称处理器62可以是中央处理模块(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。

所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述计电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。