[发明专利]基于深度学习的指纹图像检测方法

说明书

本发明公开了基于深度学习的指纹图像检测方法包括以下步骤：指纹传感器采集指纹图像，对指纹图像进行预处理；截取多个S1中预处理后的指纹图像的局部作为活体检测模型的输入，设指纹图像为i，截取多个图像个数为n；对输入的每个指纹图像进行活体概率的计算，活体概率为Pi，活体概率通过卷积神经网络模型及分类函数得出；设活体概率判断分值为score＝score/n，score分值大于预设值T，则判断指纹属于活体，若小于预设值T，则判断指纹不为活体。本发明利用卷积神经网络自动提取指纹图像特征，有效的实现了生物活体指纹与人造假指纹的区分，防御了假指纹的攻击。

技术领域

本发明涉及数字图像处理领域，尤其涉及基于深度学习的指纹图像检测方法。

背景技术

指纹图像的采集依赖于指纹传感器。指纹传感器按照指纹成像原理和技术，大致分为光学指纹传感器，半导体电容指纹传感器、半导体压感传感器，热敏传感器等几种。指纹传感器实现的是对人体指纹信息的描述，不同的传感器由于原理的不同其实际成像质量差异较大。不同传感器成像质量的差异可能导致相同算法下性能的差异。

深度学习，尤其是广泛用于计算机视觉领域的卷积神经网络，是当今先进的机器学习手段和方法。其主要特点是从大量数据中依照网络结构和对应的运算规则自动的学习和拟合目标模式。深度学习模型的建立需要大量的数据，就指纹活体检测而言，需要采集大量活体指纹图像和非活体指纹图像构造出训练集，验证集，测试集等图像集。卷积神经网络主要的运算包括卷积、可分离卷积、批标准化、池化和全连接等几种。其中卷积拟合效果较好，但运算量最大。可分离卷积参数量、运算量都比卷积少的多，全连接运算所需参数量最大。

指纹是重要的生物特征，广泛应用于考勤、安防及智能家居等领域，存在大量的指纹膜等假指纹进检验、打卡等现象，容易欺骗设备。因此，现有的指纹检测出现了针对是否为活体的检测。

针对指纹活体检测而言，目前活体检测实现方法基本分为两类，即纯软件方法和需额外硬件配合的方法。需额外硬件配合的方法需要在现有指纹传感器外额外设置硬件检测用户生物特征，主要是肤色、血液等信号，由此获取用户皮肤颜色和心率特征，将这些额外获取的生物特征与指纹图像相结合来进行指纹活体检测。而纯软件的方法，则主要基于检测指纹形变，手指汗孔检测等来实现。设备检测繁琐，设备需要额外的硬件来检测是否为活体，设备成本上升，体积增加，且检测效率低下。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于深度学习的指纹图像检测方法，利用卷积神经网络自动提取指纹图像特征，有效的实现了生物活体指纹与人造假指纹的区分，防御了假指纹的攻击。

为了实现以上目的，本发明采用以下技术方案：

基于深度学习的指纹图像检测方法，包括以下步骤：

S1、指纹传感器采集指纹图像，对指纹图像进行预处理；

S2、截取多个S1中预处理后的指纹图像的局部作为活体检测模型的输入，设指纹图像为i，截取多个图像个数为n；

S3、对输入的每个指纹图像进行活体概率的计算，活体概率为Pi，活体概率通过卷积神经网络模型及分类函数得出；

S4、设活体概率判断分值为score＝score/n，score分值大于预设值T，则判断指纹属于活体，若小于预设值T，则判断指纹不为活体。

进一步的，S1中采集到的指纹图像质量较差，需要经过预处理才能用于活体检测。预处理的方式包括滤波去噪，图像归一化，图像增强等操作，滤波去噪能够减少成像时各种外界噪声引起的图像噪点。图像增强经常进行的是图像纹理的细化等操作。

进一步的，卷积神经网络模型的卷积部分包括模块A及模块B，模块A的输入是上一层计算的输出特征图，而后依次计算卷积层，批标准化层和激活函数层；模块B的输入也是上一层计算的输出特征图，而后依次计算可分离卷积层，批标准化层和激活函数层。