[發明專利]基于深度學習的指紋比對方法、系統、可讀介質和設備

在審

• 申請號: 202110672415.3
• 申請日: 2021-06-17
• 公開（公告）號: CN113378732A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 李孝君;周純葆;張世澤;吳春生;王彥棡;韓柯;劉寰;馮才剛;孫忠;吳浩;陳子龍;呂昱帆
• 申請（專利權）人: 公安部物證鑒定中心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

本發明屬于指紋比對技術領域，涉及一種基于深度學習的指紋比對方法、系統、可讀介質和設備，包括以下步驟：S1將指紋圖像輸入深度學習模型中進行紋理特征提取，并將提取的紋理特征存入紋理特征數據庫；S2將待比對的指紋圖像輸入深度學習模型中進行特征提取，提取紋理特征、細節特征和字典特征；S3將步驟2獲得的紋理特征輸入步驟S1中的紋理特征數據庫中，獲得與其特征匹配的指紋圖像，生成指紋圖像候選列表；S4將待比對的指紋圖像的細節特征與指紋圖像候選列表中的指紋圖像進行比對，并結合字典特征生成指紋比對結果列表。其能夠更加快速、準確的對指紋特征進行識別。

技術領域

本發明涉及一種基于深度學習的指紋比對方法、系統、可讀介質和設備，屬于指紋比對技術領域，特別涉及智能化的指紋比對技術領域。

背景技術

指紋作為人體重要的生物特征，早已在社會生活的各個領域作為身份識別的方式進行應用。指紋自動識別技術作為當前成熟的生物特征識別技術，被廣泛的應用于公共安全、身份認證、訪問控制等領域。隨著指紋識別應用的日益廣泛，特別是指紋庫規模迅速增長，對指紋自動識別技術提出了新的挑戰。從近年來開展的多次國內主要指紋技術產品的測試來看，傳統的基于細節特征點的指紋自動識別技術已經面臨瓶頸，性能的提升特別是準確性的提升較為緩慢。

以深度神經網絡為代表的一系列模擬人腦神經元工作模式的深度學習算法產生。在圖像識別領域，基于人工智能的人像識別由于其社會的廣泛需求，已經走在了前列。由于特殊的應用場景和需要專業部門的參與，以指紋識別應用為代表的一系列生物特征識別技術的開發還方興未艾。這就給了具有數據優勢和研發實力的相關部門在這些領域開展研究的時機。

傳統指紋識別技術普遍采用細節特征點作為特征進行提起、存儲和識別。隨著指紋庫容量的不斷增加，特征點識別方式存在著諸多不足，主要是：1、基于特征點的指紋識別算法由于特征數量的限制(完整指紋約100個左右)，當現場指紋不完整及變形的情況下，識別性能不斷下降；2、需要大量的人工干預，進行特征點的標注及校準；3、經過多年的不斷改進，基于特征點的算法性能已經達到瓶頸，積壓了大量的無法比中的案件。因此，需要研究一種全新的算法，使用新的技術方案，在性能上既可以獨立完成指紋識別，又可以與現有的算法實現互補。

發明內容

針對上述問題，本發明的目的是提供了一種基于深度學習的指紋比對方法、系統、可讀介質和設備，其能夠更加快速、準確的對指紋特征進行識別。

為實現上述目的，本發明采取以下技術方案：一種基于深度學習的指紋比對方法，包括以下步驟：S1將指紋圖像輸入深度學習模型中進行紋理特征提取，并將提取的紋理特征存入紋理特征數據庫；S2將待比對的指紋圖像輸入深度學習模型中進行特征提取，提取紋理特征、細節特征和字典特征；S3將步驟S2獲得的紋理特征輸入步驟S1中的紋理特征數據庫中，獲得與其特征匹配的指紋圖像，生成指紋圖像候選列表；S4將待比對的指紋圖像的細節特征與指紋圖像候選列表中的指紋圖像進行比對，并結合字典特征生成指紋比對結果列表。

進一步，步驟S1和S2中的指紋圖像在輸入深度學習模型前均需要進行預處理，預處理過程包括指紋圖像剪裁、對齊和將指紋圖像二值化。

進一步，步驟S2中的深度學習模型包括紋理特征提取子模塊、細節特征提取子模塊、字典特征提取子模塊和拼接子模塊，將紋理特征提取子模塊、細節特征提取子模塊和字典特征提取子模塊分別獲得的紋理特征、細節特征和字典特征通過拼接子模塊進行拼接組成基于深度學習的指紋特征。

進一步，紋理特征提取子模塊、細節特征提取子模塊為Inception Stem網絡，其中，紋理特征提取子模塊中指紋圖像經過若干串聯的Inception網絡后，獲得指紋圖片的紋理特征；細節特征提取子模塊僅包括一個Inception網絡。

進一步，細節特征提取子模塊中，指紋圖像首先通過Inception Stem網絡進行指紋細節點提取，隨后結合指紋細節點熱圖，對指紋細節點進行細節特征的提取。