[发明专利]基于深度学习的智能座舱嵌入式指纹特征提取方法

说明书

本发明公开了基于深度学习的智能座舱嵌入式指纹特征提取方法，主要包括步骤如下：采集用户指纹、采用CNN网络提取指纹特征CNN_Features和采用Hand‑crafted方式得到局部特征综合ELF16、采用全连接的Fusion Layer方式进行特征组合、加权激活融合、多层网络迭代、计算交叉熵并判断是否最小、最后得到指纹融合特征。本发明提出的智能座舱用指纹识别身份鉴别，由于不同身份的人操控权限不同，比传统智能座舱的汽车操控具有更高的安全性，具有更高的目标区分度。

技术领域

本发明涉及汽车技术领域，具体为基于深度学习的智能座舱嵌入式指纹特征提取方法。

背景技术

目前的智能座舱没有指纹识别区别身份的功能，多是具有多屏互动的娱乐系统、虚拟仪表盘、车身中控系统等功能，并没有分区不同身份的人该具有哪种操控权限，这在汽车的安全驾驶方面非常关键。

目前国际高端品牌汽车上有指纹开车门以及一键启动的功能，但是其指纹特征提取方法都是基于传统的编码查表或对像素点直接几何计算的指纹脊线端点和分叉点的特征提取方法，没有基于深度学习的指纹特征提取的方法。

发明内容

本发明的目的在于提供基于深度学习的智能座舱嵌入式指纹特征提取方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

本发明公开了基于深度学习的智能座舱嵌入式指纹特征提取方法，包括以下步骤：

(1)采集用户指纹，得到指纹图像数据的像素矩阵；

(2)指纹图像数据平滑消除噪声；

(3)对指纹图像数据采用CNN网络提取指纹特征CNN_Features；

(4)对指纹图像数据采用Hand-crafted方式得到局部特征综合ELF16，局部特征综合ELF16包括灰度直方图特征和纹理特征；

(5)将指纹特征CNN_Features和局部特征综合ELF16采用全连接的Fusion Layer方式进行特征组合，特征组合后的指纹融合特征为x：

x＝[ratio₁*ELF16,ratio₂*CNN_Features]；

式中：

ratio₁——局部特征综合ELF16的梯度下降斜率，取初始值为0.4～0.6；

ratio₂——指纹特征CNN_Features的梯度下降斜率，取初始值为0.9～1.2；

(6)加权激励融合计算：

h——激活函数；

--特征融合算法的权重，取初始值为0.8～1.0；

b_Fusion--特征融合算法的偏置，取初始值为0.08～0.1；

(7)多层网络迭代计算：

式中：

W^(l)——第l层权重；

ΔW^(l)——第l层权重变化量；

——第l层新迭代后权重；

b^(l)——第l层偏置；

Δb^(l)——第l层偏置的变化量；