[发明专利]一种基于深度学习的指纹识别方法和装置

权利要求书

1.一种基于深度学习的指纹识别方法，其特征在于，包括以下步骤：

1)搭建深度神经网络，深度神经网络的输出为并行的两种图像特征；

2)将用户注册的指纹图像集输入搭建的深度神经网络中，然后同时采用交叉熵损失函数和对比损失函数对深度神经网络进行训练；

3)将用户注册的指纹图像集输入训练好的深度神经网络中，获取其对比损失函数的输入节点作为特征向量，利用获取的特征向量采用聚类算法对用户注册的指纹图像进行聚类，针对每个用户获得特定数目的聚类中心，根据聚类中心搭建本地特征库；

4)在指纹验证阶段，将给定的指纹图像输入训练好的深度神经网络中，获取其交叉熵损失函数的损失值和对比损失函数的输出向量，利用本地特征库和判定函数进行相似指纹判定。

2.如权利要求1所述的方法，其特征在于，步骤1)所述深度神经网络的最后的输出节点为并行结构，并行的输出节点之间没有直接的联系，以减少在指纹识别过程中获取的对比损失函数直接训练节点的输出向量和交叉熵损失值之间的相关性。

3.如权利要求1所述的方法，其特征在于，步骤1)所述深度神经网络为残差网络。

4.如权利要求1所述的方法，其特征在于，步骤2)同时采用交叉熵损失函数和对比损失函数对深度神经网络进行训练，依下式计算损失值L：

其中，L_cross为交叉熵损失函数；L_con为对比损失值；λ为权重系数；L_dw为权重损失值；n为输入图像的张数，m为F_c层节点个数，F_c层为交叉熵损失函数的输入层，y_i,j和z_i,j分别为第i张指纹图像在F_c层第j个节点的实际输出值和预期输出值；L_pairs为指纹图像对的对比损失函数；I_i,I_j为指纹图像对；W_i为网络中所有参数层参数；m”为参数层个数。

5.如权利要求4所述的方法，其特征在于，L_pairs的计算公式如下：

其中I₁，I₂为指纹图像对，d为误差边缘阈值，r为松弛系数，||.||₂为L₂范式，σ(I₁,I₂)、I₁-I₂、|I₁|-1分别定义为：

其中F′_c层为对比损失函数的输入层，m'、y'、z'分别为F′_c层的节点个数、指纹图像的实际输出值和预期输出值。

6.如权利要求1所述的方法，其特征在于，步骤3)在本地特征库建立过程中，将用户注册的指纹图像集输入到深度神经网络中，获取其对比损失函数直接训练的特征向量；对于每个注册的用户，采用聚类算法提取特征向量作为该用户在本地特征库的特征向量。

7.如权利要求1所述的方法，其特征在于，步骤4)对于需要验证的指纹图像I和指纹ID，将指纹图像I输入训练好的深度神经网络中，获取其交叉熵损失值L_cross、预测编号ID_cross和对比损失函数的输出向量y'，计算y'与本地特征库所有用户指纹特征向量的欧式距离，获取其最小的距离minDis及其编号ID_minDis，并设定系数α和阈值T，则有判定函数F：

F(I)＝F(a,T)＝(T-a*minDis-L_cross0)！(ID_cross＝＝ID_minDis＝＝ID)，

如果判定函数为真，则通过验证，否则拒绝这次验证。