[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

说明书

本发明公开了一种生物特征提取方法、训练方法、认证方法、装置和设备，涉及人工智能领域，该生物特征提取方法包括：将生物特征输入至生物特征提取模型；生物特征提取模型的编码器对生物特征进行特征提取，得到隐空间特征；对该隐空间特征进行标准化处理，使得隐空间特征的各特征点的值正负分布均衡；通过符号函数对隐空间特征的各特征点的值进行二值量化，得到生物特征的二值图像模板；将该二值图像模板存入生物特征库，该方法可以快速准确地提取生物特征。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种生物特征提取方法、训练方法、认证方法、装置和设备。

背景技术

生物特征由于具有唯一性、稳定性、携带方便、不可更改撤销等特性，越来越广泛应用于身份鉴别领域。其中，指纹识别由于其可靠性和采集方便性，成为最成熟、应用最广泛的识别方式。已有的指纹识别方法中，主要是基于对指纹细节点的识别方法。最常用的指纹细节点包括脊线端点和分叉点，而指纹细节点提取的精确性，是指纹识别性能好坏的关键。目前指纹细节点提取的算法十分复杂，而且由于噪声等因素影响，特征信息(位置、方向等)也不够准确。因此，如何从图像中快速准确地提取生物特征成为业界亟需解决的问题。

发明内容

本发明实施例提供一种生物特征提取方法、训练方法、认证方法、装置和设备，用以从图像中快速准确地提取生物特征。

第一方面，本发明提供一种生物特征提取模型的训练方法，该方法包括：

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；该卷积神经网络模型的编码器对输入图像样本进行特征提取，得到隐空间特征；该卷积神经网络模型的解码器根据该隐空间特征进行图像重建，输出重建图像；利用损失函数计算该重建图像与该图像样本之间的损失值，其中，该损失函数包括损失项和正则项，该正则项为KL散度；利用该损失值调整该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生物特征提取模型。

本发明提供的生物特征提取模型的训练方法的有益效果在于：因为预先考虑到生物特征录入时的噪声影响，所以在模型训练过程中，对输入的图像样本主动添加噪声，使模型提取的特征对噪声具有鲁棒性，另外，在模型训练过程中，主动对图像样本进行旋转，可以使得训练得到的模型适用于不同输入角度下采集的指纹、虹膜、人脸等生物特征，提高了模型的泛化能力。再者，在损失函数中引入了稀疏正则项，可以有效地获得稳健、准确的指纹特征，有利于提高后续指纹重建的质量。

在一种可能的设计中，损失函数满足如下公式：

Loss〈input|output〉＝MSE〈input|output〉+βKL〈FF|α〉

其中，input代表输入生物特征图像，output代表输出生物特征图像；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，用于约束生物特征的稀疏性，FF代表隐空间特征，α代表接近于0的标量。该设计中，在损失函数中引入了稀疏正则项，有效获得稳健、准确的指纹特征，有利于提高后续指纹重建的质量。

在一种可能的设计中，生成包括调整后的网络模型参数的生物特征提取模型，包括：

当该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该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生物特征提取模型。该设计中，通过反复多次的训练，提高了模型训练结果的准确性。

第二方面，本申请实施例还提供一种生物特征提取方法，该方法包括：获取用户的生物特征；将该生物特征输入至生物特征提取模型；该生物特征提取模型的编码器对该生物特征进行特征提取，得到隐空间特征，其中，该生物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；对该隐空间特征进行标准化处理，使得该隐空间特征的各特征点的值正负分布均衡；通过符号函数对该隐空间特征的各特征点的值进行二值量化，得到该生物特征的二值图像模板；将该二值图像模板存入生物特征库。