基于深度学习的指纹图像特征点比对方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的指纹图像特征点比对方法及装置，该方法包括：获取待识别指纹图像的特征点集，特征点集中包含多个特征点；基于特征点集中每个特征点的位置和方向分布，构建待识别指纹图像对应的特征点图，特征点图包括多个单通道热图，每个单通道热图对应一个角度，用于表征特征点集中各个特征点在相应方向的强度信息；对待识别指纹图像对应的特征点图进行特征提取，得到待识别指纹图像对应的多维归一化浮点特征；将待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行相似度匹配，得到比对结果。从而可避免进行特征点的几何形变和1对1比对，避免手动设计特征描述子，可提高比对速度及准确度。速度及准确度。速度及准确度。

【技术实现步骤摘要】
基于深度学习的指纹图像特征点比对方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种基于深度学习的指纹图像特征点比对方法及装置。

技术介绍

[0002]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。指纹识别技术是众多生物特征识别技术中的一种，所谓生物特征识别技术，系指利用人体所固有的生理特征或行为特征来进行个人身份鉴定，由于生物识别所具有的便捷与安全等优点使得生物识别技术在身份认证识别和网络安全领域拥有广阔的应用前景，可用的生物特征识别技术有指纹、人脸、声纹、虹膜等。
[0003]目前指纹识别算法主要为基于指纹特征点对匹配的方法。基于特征点匹配的方法主要基于特征点之间对应关系的不变性，对输入特征点集和模板特征点集进行比对，对输入指纹的特征点进行几何变换后，查找模板特征点集中对应的特征点，对应的特征点数量高于设定阈值，比对成功。这种方法比对速度较慢，需要对两组特征点排列组合，同时对虚假特征点和遗漏特征点也比较敏感。在非线性形变的影响下，特征点的严格匹配关系也难以准确确定，严重影响比对准确性。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于深度学习的指纹图像特征点比对方法及装置。
[0005]第一方面，本专利技术提供一种基于深度学习的指纹图像特征点比对方法，包括：
[0006]获取待识别指纹图像的特征点集，所述特征点集中包含多个特征点；
[0007]基于所述特征点集中每个特征点的位置和方向分布，构建所述待识别指纹图像对应的特征点图，所述特征点图包括多个单通道热图，每个单通道热图对应一个角度，用于表征所述特征点集中各个特征点在相应方向的强度信息；
[0008]对所述待识别指纹图像对应的特征点图进行特征提取，得到所述待识别指纹图像对应的多维归一化浮点特征；
[0009]将所述待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行相似度匹配，得到比对结果。
[0010]可选地，所述基于所述特征点集中每个特征点的位置和方向分布，构建所述待识别指纹图像对应的特征点图，包括：
[0011]针对任一目标单通道热图上的任一目标位置，确定所述特征点集中每个特征点与所述目标位置之间的位置关系强度，以及所述特征点集中每个特征点与所述目标单通道热图之间的角度关系强度；
[0012]基于所述位置关系强度和角度关系强度，确定所述目标单通道热图上所述目标位置的值；
[0013]基于确定的所有单通道热图上全部位置的值，构建所述待识别指纹图像对应的特征点图。
[0014]可选地，所述位置关系强度基于如下公式确定：
[0015][0016]其中，(x,y)表示所述目标位置的坐标，(x
t
,y
t
)表示第t个特征点的坐标，G((x,y),(x
t
,y
t
))表示第t个特征点与目标位置之间的位置关系强度。
[0017]可选地，所述角度关系强度基于如下公式确定：
[0018][0019][0020]其中，θ
t
表示第t个特征点的方向，表示第t个特征点与第k个单通道热图之间的角度关系强度，C表示单通道热图的总数。
[0021]可选地，所述基于所述位置关系强度和角度关系强度，确定所述目标单通道热图上所述目标位置的值，包括：
[0022]基于以下公式确定所述目标单通道热图上所述目标位置的值：
[0023][0024]其中，(x,y)表示所述目标位置的坐标，TMap(x,y,k)表示第k个单通道热图上所述目标位置的值，(x
t
,y
t
)表示第t个特征点的坐标，G((x,y),(x
t
,y
t
))表示第t个特征点与目标位置之间的位置关系强度，θ
t
表示第t个特征点的方向，表示第t个特征点与第k个单通道热图之间的角度关系强度，C表示单通道热图的总数，n表示所述特征点集中特征点的总数；k＝0,1,
…
,C
‑
1；t＝1,2,
…
,n。
[0025]可选地，所述对所述待识别指纹图像对应的特征点图进行特征提取，包括：
[0026]基于ResneSt网络模型，对所述待识别指纹图像对应的特征点图进行特征提取。
[0027]可选地，所述将所述待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行相似度匹配，包括：
[0028]将所述待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行点积运算，得到所述待识别指纹图像与所述模板指纹图像之间的相似度；
[0029]在所述相似度大于或等于设定阈值的情况下，确定所述待识别指纹图像与所述模板指纹图像比对成功。
[0030]第二方面，本专利技术还提供一种基于深度学习的指纹图像特征点比对装置，包括：
[0031]特征点获取模块，用于获取待识别指纹图像的特征点集，所述特征点集中包含多个特征点；
[0032]特征点图构建模块，用于基于所述特征点集中每个特征点的位置和方向分布，构建所述待识别指纹图像对应的特征点图，所述特征点图包括多个单通道热图，每个单通道热图对应一个角度，用于表征所述特征点集中各个特征点在相应方向的强度信息；
[0033]特征提取模块，用于对所述待识别指纹图像对应的特征点图进行特征提取，得到所述待识别指纹图像对应的多维归一化浮点特征；
[0034]比对模块，用于将所述待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行相似度匹配，得到比对结果。
[0035]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述第一方面所述的基于深度学习的指纹图像特征点比对方法。
[0036]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述第一方面所述的基于深度学习的指纹图像特征点比对方法。
[0037]本专利技术提供的基于深度学习的指纹图像特征点比对方法及装置，通过将指纹图像的离散特征点生成特征点图，并提取特征点图的全局特征用来表示指纹图像特征点特征，避免了进行特征点的几何形变和1对1比对，避免了手动设计特征描述子，提高了比对速度及准确度。
附图说明
[0038]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术提供的基于深度学习的指纹图像特征点比对方法的流程示意图；
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的指纹图像特征点比对方法，其特征在于，包括：获取待识别指纹图像的特征点集，所述特征点集中包含多个特征点；基于所述特征点集中每个特征点的位置和方向分布，构建所述待识别指纹图像对应的特征点图，所述特征点图包括多个单通道热图，每个单通道热图对应一个角度，用于表征所述特征点集中各个特征点在相应方向的强度信息；对所述待识别指纹图像对应的特征点图进行特征提取，得到所述待识别指纹图像对应的多维归一化浮点特征；将所述待识别指纹图像对应的多维归一化浮点特征，与模板指纹图像对应的多维归一化浮点特征进行相似度匹配，得到比对结果。2.根据权利要求1所述的基于深度学习的指纹图像特征点比对方法，其特征在于，所述基于所述特征点集中每个特征点的位置和方向分布，构建所述待识别指纹图像对应的特征点图，包括：针对任一目标单通道热图上的任一目标位置，确定所述特征点集中每个特征点与所述目标位置之间的位置关系强度，以及所述特征点集中每个特征点与所述目标单通道热图之间的角度关系强度；基于所述位置关系强度和角度关系强度，确定所述目标单通道热图上所述目标位置的值；基于确定的所有单通道热图上全部位置的值，构建所述待识别指纹图像对应的特征点图。3.根据权利要求2所述的基于深度学习的指纹图像特征点比对方法，其特征在于，所述位置关系强度基于如下公式确定：其中，(x,y)表示所述目标位置的坐标，(x
t
,y
t
)表示第t个特征点的坐标，G((x,y),(x
t
,y
t
))表示第t个特征点与目标位置之间的位置关系强度。4.根据权利要求2所述的基于深度学习的指纹图像特征点比对方法，其特征在于，所述角度关系强度基于如下公式确定：角度关系强度基于如下公式确定：其中，θ
t
表示第t个特征点的方向，表示第t个特征点与第k个单通道热图之间的角度关系强度，C表示单通道热图的总数。5.根据权利要求2至4任一项所述的基于深度学习的指纹图像特征点比对方法，其特征在于，所述基于所述位置关系强度和角度关系强度，确定所述目标单通道热图上所述目标
位置的值，包括：基于以下公式确定所述目标单通道热图上所述目标位置的值：其中，(x,y)表示所述目标位置的坐标，TMap(x,y,k)表示第k个单通道热图上所述目标位置的值，(x
t
,y
t

【专利技术属性】
技术研发人员：刘晓春，刘帅，王贤良，许公望，任克军，
申请(专利权)人：北京海鑫科金高科技股份有限公司，
类型：发明
国别省市：