[发明专利]生物特征提取方法、训练方法、认证方法、装置和设备

权利要求书

1.一种生物特征提取方法，其特征在于，所述方法包括：

获取用户的指纹特征；

将所述指纹特征输入至指纹特征提取模型；

利用所述指纹特征提取模型的卷积自编码器对所述指纹特征进行特征提取，得到隐空间特征，其中，所述指纹特征提取模型是预先利用训练样本数据对卷积神经网络模型进行训练得到的；所述训练样本数据为图像样本对应的数据；对所述卷积神经网络模型进行训练前，对图像样本进行旋转和添加噪声预处理；

对所述隐空间特征进行标准化处理，使得所述隐空间特征的各特征点的值正负分布均衡；

通过符号函数对所述隐空间特征的各特征点的值进行二值量化，得到所述指纹特征的二值图像模板；所述二值图像模板用于与所述用户的指纹特征的二值图像进行交并比计算；

将所述二值图像模板存入指纹特征库。

2.一种生物特征提取模型的训练方法，用于训练所述权利要求1的生物特征提取方法所使用的指纹特征提取模型，其特征在于，所述方法包括：

对图像样本进行旋转和添加噪声预处理，向待训练的卷积神经网络模型输入预处理后的图像样本；

利用所述卷积神经网络模型的卷积自编码器对输入图像样本进行特征提取，得到隐空间特征；

利用所述卷积神经网络模型的解码器根据所述隐空间特征进行图像重建，输出重建图像；

利用损失函数计算所述重建图像与所述图像样本之间的损失值，其中，所述损失函数包括损失项和正则项，所述正则项为KL散度；

利用所述损失值调整所述卷积神经网络模型中的参数；

生成包括调整后的网络模型参数的指纹特征提取模型。

3.根据权利要求2所述的训练方法，其特征在于，所述损失函数满足如下公式：

Lossinput|output＝MSEinput|output+βKLFF|α

其中，input代表输入指纹特征图像，output代表输出指纹特征图像；MSE代表均方误差；β代表权重因子，用于平衡损失项和正则项之间的权重；KL代表KL散度，用于约束指纹特征的稀疏性，FF代表隐空间特征，α代表接近于0的标量。

4.根据权利要求2或3所述的训练方法，其特征在于，所述生成包括调整后的网络模型参数的指纹特征提取模型，包括：

当所述待训练的卷积神经网络模型的迭代次数达到设定数值时或所述损失函数的损失值达到目标值时，生成包括调整后的网络模型参数的指纹特征提取模型。

5.一种生物特征认证方法，用于认证通过所述权利要求1所述的生物特征提取方法获取的二值图像模板，其特征在于，该方法包括：

通过指纹特征提取模型的卷积自编码器提取用户的指纹特征的隐空间特征；

对所述隐空间特征进行标准化处理，使得所述隐空间特征的各特征点的值正负分布均衡；

通过符号函数对所述隐空间特征的各特征点的值进行二值量化，得到所述用户的指纹特征的二值图像；

将所述用户的指纹特征的二值图像与指纹特征库中的二值图像模板进行交并比计算；

若计算结果大于设定阈值，则认证成功，否则认证失败。

6.一种生物特征提取装置，用于所述权利要求1所述的提取方法，其特征在于，所述装置还包括：

获取单元，用于获取用户的指纹特征；

输入单元，用于将所述指纹特征输入至指纹特征提取模型；

提取单元，用于利用所述指纹特征提取模型的卷积自编码器对所述指纹特征进行特征提取，得到隐空间特征；

处理单元，用于对所述隐空间特征进行标准化处理，使得所述隐空间特征的各特征点的值正负分布均衡；通过符号函数对所述隐空间特征的各特征点的值进行二值量化，得到所述指纹特征的二值图像模板，将所述二值图像模板存入指纹特征库。