[發明專利]一種基于深度學習的指紋識別方法和裝置

有效

• 申請號: 201810366587.6
• 申請日: 2018-04-23
• 公開（公告）號: CN108875907B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 曾凡鋒;胡勝達;肖珂
• 申請（專利權）人: 北方工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00;G06K9/62
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 邱曉鋒

1.一種基于深度學習的指紋識別方法，其特征在于，包括以下步驟：

1)搭建深度神經網絡，深度神經網絡的輸出為并行的兩種圖像特征；

2)將用戶注冊的指紋圖像集輸入搭建的深度神經網絡中，然后同時采用交叉熵損失函數和對比損失函數對深度神經網絡進行訓練；

3)將用戶注冊的指紋圖像集輸入訓練好的深度神經網絡中，獲取其對比損失函數的輸入節點作為特征向量，利用獲取的特征向量采用聚類算法對用戶注冊的指紋圖像進行聚類，針對每個用戶獲得特定數目的聚類中心，根據聚類中心搭建本地特征庫；

4)在指紋驗證階段，將給定的指紋圖像輸入訓練好的深度神經網絡中，獲取其交叉熵損失函數的損失值和對比損失函數的輸出向量，利用本地特征庫和判定函數進行相似指紋判定。

2.如權利要求1所述的方法，其特征在于，步驟1)所述深度神經網絡的最后的輸出節點為并行結構，并行的輸出節點之間沒有直接的聯系，以減少在指紋識別過程中獲取的對比損失函數直接訓練節點的輸出向量和交叉熵損失值之間的相關性。

3.如權利要求1所述的方法，其特征在于，步驟1)所述深度神經網絡為殘差網絡。

4.如權利要求1所述的方法，其特征在于，步驟2)同時采用交叉熵損失函數和對比損失函數對深度神經網絡進行訓練，依下式計算損失值L：

其中，L_cross為交叉熵損失函數；L_con為對比損失值；λ為權重系數；L_dw為權重損失值；n為輸入圖像的張數，m為F_c層節點個數，F_c層為交叉熵損失函數的輸入層，y_i,j和z_i,j分別為第i張指紋圖像在F_c層第j個節點的實際輸出值和預期輸出值；L_pairs為指紋圖像對的對比損失函數；I_i,I_j為指紋圖像對；W_i為網絡中所有參數層參數；m”為參數層個數。

5.如權利要求4所述的方法，其特征在于，L_pairs的計算公式如下：

其中I₁，I₂為指紋圖像對，d為誤差邊緣閾值，r為松弛系數，||.||₂為L₂范式，σ(I₁,I₂)、I₁-I₂、|I₁|-1分別定義為：

其中F′_c層為對比損失函數的輸入層，m'、y'、z'分別為F′_c層的節點個數、指紋圖像的實際輸出值和預期輸出值。

6.如權利要求1所述的方法，其特征在于，步驟3)在本地特征庫建立過程中，將用戶注冊的指紋圖像集輸入到深度神經網絡中，獲取其對比損失函數直接訓練的特征向量；對于每個注冊的用戶，采用聚類算法提取特征向量作為該用戶在本地特征庫的特征向量。

7.如權利要求1所述的方法，其特征在于，步驟4)對于需要驗證的指紋圖像I和指紋ID，將指紋圖像I輸入訓練好的深度神經網絡中，獲取其交叉熵損失值L_cross、預測編號ID_cross和對比損失函數的輸出向量y'，計算y'與本地特征庫所有用戶指紋特征向量的歐式距離，獲取其最小的距離minDis及其編號ID_minDis，并設定系數α和閾值T，則有判定函數F：

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

如果判定函數為真，則通過驗證，否則拒絕這次驗證。