生物特征提取模型训练方法和图像分割方法技术

本申请实施例公开了生物特征提取模型训练方法和图像分割方法。该方法的实施例包括：对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。该实施方式降低了训练生物特征提取模型的人力成本，并提高了生物特征提取的准确性。确性。确性。

【技术实现步骤摘要】
生物特征提取模型训练方法和图像分割方法


[0001]本申请实施例涉及计算机
，具体涉及生物特征提取模型训练方法和图像分割方法。

技术介绍

[0002]随着计算机技术的发展，图像分割技术已广泛应用于计算机视觉领域。在图像识别场景中，通常需要对图像进行图像分割，以裁切出图像中的生物特征区域，以便提升后续生物特征识别的准确性。
[0003]现有技术中，可通过人工标注训练数据的方式训练生物特征提取模型或图像分割模型。此方式需要标注大量的数据，因此人力成本较高。同时，由于标注误差的存在，生物特征对纹理细节的表达能力较弱，因此生物特征提取的准确性较低。

技术实现思路

[0004]本申请实施例提出了生物特征提取模型训练方法和图像分割方法，以解决现有技术中训练生物特征提取模型的人力成本较高且生物特征提取的准确性较低的技术问题。
[0005]第一方面，本申请实施例提供了一种生物特征提取模型训练方法，该方法包括：对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。
[0006]第二方面，本申请实施例提供了一种生物特征提取方法，该方法包括：获取目标图像；将所述目标图像输入至采用第一方面中所描述的方法训练的生物特征提取模型，得到所述目标图像的生物特征图。
[0007]第三方面，本申请实施例提供了一种图像分割方法，该方法包括：获取目标图像；将所述目标图像输入至采用第一方面中所描述的方法训练的生物特征提取模型，得到所述目标图像的生物特征图；基于所述生物特征图，确定所述目标图像中各像素点的特征模长；基于所述特征模长，确定所述目标图像中的生物特征区域。
[0008]第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面、第二方面或第三方面中所描述的方法。
[0009]第五方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面、第二方面或第三方面所描述的方法。
[0010]第六方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面、第二方面或第三方面中所描述的方法。
[0011]本申请实施例提供的生物特征提取模型训练方法和图像分割方法，通过对包含目
标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；而后对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；最后将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，并基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型，实现了正负样本对的自动生成以及生物特征提取模型的无监督训练。一方面，由于无需人工标注训练数据即可训练得到生物特征提取模型，因此降低了人力成本。另一方面，由于省去了人工标注环节，因此不存在标注误差，故以此训练方式得到的生物特征提取模型所提取生物特征对纹理细节的表达能力更强，从而提高了生物特征提取的准确性。
附图说明
[0012]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0013]图1是本申请的生物特征提取模型训练方法的一个实施例的流程图；
[0014]图2是本申请的生物特征提取模型训练方法中对第一图像进行固定像素点位置的数据增强处理前后的特征强度对比图；
[0015]图3是本申请的生物特征提取方法的一个实施例的流程图；
[0016]图4是本申请的图像分割方法的一个实施例的流程图；
[0017]图5是本申请的图像分割方法的处理效果示意图；
[0018]图6是本申请的生物特征提取模型训练装置的一个实施例的结构示意图；
[0019]图7是本申请的生物特征提取装置的一个实施例的结构示意图；
[0020]图8是本申请的图像分割装置的一个实施例的结构示意图；
[0021]图9是用于实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0022]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0023]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0024]需要指出的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0025]近年来，生物识别技术已广泛地应用到各种终端设备或电子装置上。生物特征识别技术包括但不限于指纹识别、掌纹识别、静脉识别、虹膜识别、人脸识别、活体识别、防伪识别等技术。其中，指纹识别通常包括光学指纹识别、电容式指纹识别和超声波指纹识别。随着全面屏技术的兴起，可以将指纹识别模组设置在显示屏下方的局部区域或者全部区域，从而形成屏下(Under
‑
display)光学指纹识别；或者，也可以将光学指纹识别模组的部分或者全部集成至电子设备的显示屏内部，从而形成屏内(In
‑
display)光学指纹识别。上
述显示屏可以是有机发光二极管(Organic Light Emitting Diode，OLED)显示屏或液晶显示屏(LiquidCrystal Display，LCD)等。指纹识别方法通常包括图像的获取、预处理、特征提取、特征匹配等步骤。上述步骤中的部分或者全部可以通过传统计算机视觉(Computer Vision，CV)算法实现，也可以通过基于人工智能(Artificial Intelligence，AI)的深度学习算法实现。指纹识别技术可以应用在智能手机、平板电脑、游戏设备等便携式或移动终端，以及智能门锁、汽车、银行自动柜员机等其他电子设备，以用于指纹解锁、指纹支付、指纹考勤、身份认证等。
[0026]在生物特征识别领域中，通常需要对图像进行图像分割，以裁切出图像中的生物特征区域，以便提升后续生物特征识别的准确性。相关技术中，可通过人工标注训练数据的方式训练生物特征提取模型或图像分割模型。此方式需要标注大量的数据，因此人力成本较高。同时，由于标注误差的存在，生物特征对纹理细节的表达能力较弱，因此生物特征提取的准确性较低。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物特征提取模型训练方法，其特征在于，所述方法包括：对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。2.根据权利要求1所述的方法，其特征在于，所述基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型，包括：基于包含相同第一图像的正样本对和负样本对，生成三元组；迭代执行如下模型训练步骤：从所得到的三元组中提取目标三元组；将所述目标三元组输入至神经网络，得到第一特征图、第二特征图和第三特征图；基于所述第一特征图、所述第二特征图、所述第三特征图和预设的三元组损失函数，确定所述神经网络的损失值；基于所述损失值更新所述神经网络的参数；响应于满足停止迭代条件，停止迭代，得到生物特征提取模型。3.根据权利要求1或2所述的方法，其特征在于，所述对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像，包括：对于每个第一图像，对该第一图像对应的第二图像进行翻转、旋转、平移、镜像中的至少一项处理，得到与该第一图像对应的第三图像。4.根据权利要求1
‑
3之一所述的方法，其特征在于，所述对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像，包括：对于包含目标生物特征的图像集中的每个第一图像，将该第一图像数据进行高斯模糊处理、随机噪声处理、亮度变换、对比度变换、色调变换、饱和度变换中的至少一项处理，得到该第一图像对应的第二图像。5.一种生物特征提取方法，其特征在于，所述方法包括：获取目标图像；将所...

【专利技术属性】
技术研发人员：周世豪，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：