基于深度学习的指纹图像识别方法、装置和电子设备与流程

1.本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的指 纹图像识别方法、装置和电子设备。


背景技术：

2.指纹识别是将识别对象的指纹进行分类比对从而进行判别。指纹 识别技术是众多生物特征识别技术中的一种，所谓生物特征识别技术， 系指利用人体所固有的生理特征或行为特征来进行个人身份鉴定，由 于生物识别所具有的便捷与安全等优点使得生物识别技术在身份认 证识别和网络安全领域拥有广阔的应用前景，可用的生物特征识别技 术有指纹、人脸、声纹、虹膜等。
3.指纹识别技术在当前应用非常广泛，可用于从犯罪现场收集证据， 银行客户身份认证，手机或其他智能设备解锁等。但是，当前难以根 据现场指纹图像进行自动身份确认。


技术实现要素：

4.本发明提供一种基于深度学习的指纹图像识别方法、装置和电子 设备，用以解决现有技术中难以根据现场指纹图像进行自动身份确认 的缺陷，实现对现场指纹图像进行自动身份确认。
5.本发明提供一种基于深度学习的指纹图像识别方法，包括：获取 现场指纹图像；获取所述现场指纹图像中特征点的位置信息；根据所 述特征点的位置信息获取特征点图像块，将所述特征点图像块输入至 特征描述生成模型，输出所述特征点的特征描述，所述特征描述生成 模型是基于多个样本图像块和与所述多个样本图像块对应的多个特 征描述进行训练得到的；根据所述现场指纹图像中所有特征点的特征 描述与指纹库中的指纹图像的特征描述进行匹配，得到匹配结果。
6.根据本发明提供的一种基于深度学习的指纹图像识别方法，获取 所述现场指纹图像中特征点的位置信息，包括：对所述现场指纹图像 进行图像增强；将图像增强后的现场指纹图像分割为多个现场指纹增 强子图像块；在所述多个现场指纹增强子图像块中，将含有所述特征 点的现场指纹增强子图像块输入至特征点位置生成模型，输出所述特 征点的位置信息。
7.根据本发明提供的一种基于深度学习的指纹图像识别方法，对所 述现场指纹图像进行图像增强，包括：构建指纹图像方向场字典集合； 将所述现场指纹图像分割为多个现场指纹子图像；获取所述多个现场 指纹子图像的方向场；根据所述多个现场指纹子图像的方向场在所述 构建指纹图像方向场字典集合中进行匹配，得到多个匹配对象；根据 所述多个匹配对象对所述多个现场指纹子图像进行替换。
8.根据本发明提供的一种基于深度学习的指纹图像识别方法，构建 指纹图像方向场字典集合，包括：提供样本指纹图像；将所述样本指 纹图像分割为多个样本指纹子图像；获取所述多个样本指纹子图像的 方向场信息；根据所述多个样本指纹子图像的方向场信
息构建所述指 纹图像方向场字典集合。
9.根据本发明提供的一种基于深度学习的指纹图像识别方法，根据 所述特征点的位置信息获取特征点图像块，将所述特征点图像块输入 至特征描述生成模型，输出所述特征点的特征描述，包括：将所述特 征点图像块输入至所述特征描述生成模型，输出所述特征点的n维 特征，将所述n维特征作为所述特征点的特征描述；其中，所述特 征描述生成模型为模拟二代小波网络的深度学习模型，n为大于0的 自然数。
10.根据本发明提供的一种基于深度学习的指纹图像识别方法，将所 述特征点图像块输入至所述特征描述生成模型，输出所述特征点的n 维特征，包括：将所述特征点图像块输入至所述特征描述生成模型进 行多分辨率小波变换得到多个高频单元；基于所述特征描述生成模型 对所述多个高频单元依次进行平均池化、拼接和全连接变换，输出所 述特征点的n维特征。
11.根据本发明提供的一种基于深度学习的指纹图像识别方法，根据 所述现场指纹图像中所有特征点的特征描述与指纹库中的指纹图像 的特征点的特征描述进行匹配，得到匹配结果，包括：基于所述现场 指纹图像中所有特征点的特征描述与所述指纹库中的指纹图像的特 征点的特征描述计算所述现场指纹图像和所述指纹库中的指纹图像 的全局相似度；将所述指纹库中与所述现场指纹图像的全局相似度最 高的指纹图像作为所述现场指纹图像的匹配对象。
12.根据本发明提供的一种基于深度学习的指纹图像识别方法，基于 所述现场指纹图像中所有特征点的特征描述与所述指纹库中的指纹 图像的特征点的特征描述计算所述现场指纹图像和所述指纹库中的 指纹图像的全局相似度，包括：根据所述现场指纹图像中所有特征点 的特征描述得到所述现场指纹图像的特征集合；从所述指纹库中获取 第一指纹图像的特征集合；计算所述现场指纹图像的特征集合与所述 第一指纹图像的特征集合中每对特征的相似度；将相似度最高的m 对构成相似特征集合；利用所述相似特征集合得到最优对齐矩阵，最 大化特征对相似度和，作为现场指纹图像和所述第一指纹图像的全局 相似度；计算所述指纹库中剩余指纹图像与所述现场指纹图像的全局 相似度。
13.本发明还提供一种基于深度学习的指纹图像识别装置，包括：获 取模块，用于获取现场指纹图像；控制处理模块，用于获取所述现场 指纹图像中特征点的位置信息；所述控制处理模块还用于根据所述特 征点的位置信息获取特征点图像块，将所述特征点图像块输入至特征 描述生成模型，输出所述特征点的特征描述，所述特征描述生成模型 是基于多个样本图像块和与所述多个样本图像块对应的多个特征描 述进行训练得到的；所述控制处理模块还用于根据所述现场指纹图像 中所有特征点的特征描述与指纹库中的指纹图像的特征描述进行匹 配，得到匹配结果。
14.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 控制处理模块用于对所述现场指纹图像进行图像增强；所述控制处理 模块还用于将图像增强后的现场指纹图像分割为多个现场指纹增强 子图像块；所述控制处理还用于在所述多个现场指纹增强子图像块中， 将含有所述特征点的现场指纹增强子图像块输入至特征点位置生成 模型，输出所述特征点的位置信息。
15.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 控制处理模块用于构建指纹图像方向场字典集合；所述控制处理模块 还用于将所述现场指纹图像分割
为多个现场指纹子图像；所述控制处 理模块还用于获取所述多个现场指纹子图像的方向场；所述控制处理 模块还用于根据所述多个现场指纹子图像的方向场在所述构建指纹 图像方向场字典集合中进行匹配，得到多个匹配对象；所述控制处理 模块还用于根据所述多个匹配对象对所述多个现场指纹子图像进行 替换。
16.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 获取模块还用于获取样本指纹图像；所述控制处理模块用于将所述样 本指纹图像分割为多个样本指纹子图像；所述控制处理模块还用于获 取所述多个样本指纹子图像的方向场信息；所述控制处理模块还用于 根据所述多个样本指纹子图像的方向场信息构建所述指纹图像方向 场字典集合。
17.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 获取模块还用于以所述特征点为中心获取特征点图像块；所述控制处 理模块用于将所述特征点图像块输入至所述特征描述生成模型，输出 所述特征点的n维特征，将所述n维特征作为所述特征点的特征描 述；其中，所述特征描述生成模型为模拟二代小波网络的深度学习模 型。
18.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 控制处理模块用于将所述特征点图像块输入至所述特征描述生成模 型进行多分辨率小波变换得到多个高频单元；所述控制处理模块还用 于基于所述特征描述生成模型对所述多个高频单元依次进行平均池 化、拼接和全连接变换，得到所述特征点的n维特征。
19.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 控制处理模块用于基于所述现场指纹图像中所有特征点的特征描述 与所述指纹库中的指纹图像的特征点的特征描述计算所述现场指纹 图像和所述指纹库中的指纹图像的全局相似度；所述控制处理模块还 用于将所述指纹库中与所述现场指纹图像的全局相似度最高的指纹 图像作为所述现场指纹图像的匹配对象。
20.根据本发明提供的一种基于深度学习的指纹图像识别装置，所述 控制处理模块用于根据所述现场指纹图像中所有特征点的特征描述 得到所述现场指纹图像的特征集合；所述控制处理模块还用于从所述 指纹库中获取第一指纹图像的特征集合；所述控制处理模块还用于计 算所述现场指纹图像的特征集合与所述第一指纹图像的特征集合中 每对特征的相似度；所述控制处理模块还用于将相似度最高的m对 构成相似特征集合；所述控制处理模块还用于利用所述相似特征集合 得到最优对齐矩阵，最大化特征对相似度和，作为现场指纹图像和所 述第一指纹图像的全局相似度；所述控制处理模块还用于计算所述指 纹库中剩余指纹图像与所述现场指纹图像的全局相似度。
21.本发明还提供一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时 实现如上述任一种所述基于深度学习的指纹图像识别方法的步骤。
22.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算 机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深 度学习的指纹图像识别方法的步骤。
23.本发明提供的基于深度学习的指纹图像识别方法、装置和电子设 备，通过对现场指纹图像的特征点位置获取特征点图像块，根据特征 点图像块生成特征点的特征描述，根据现场指纹图像中所有特征点的 特征描述与指纹库中的指纹图像的特征描述进行匹配，
得到的匹配结 果可以进行自动身份验证。
附图说明
24.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见 地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术 人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得 其他的附图。
25.图1是本发明提供的基于深度学习的指纹图像识别方法的流程 示意图；
26.图2是本发明提供的基于深度学习的指纹图像识别装置的结构 框图；
27.图3是本发明一个示例中电子设备的结构示意图。
具体实施方式
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发 明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
29.应理解，说明书通篇中提到的“实施例”或“一个实施例”意味 着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实 施例中。因此，在整个说明书各处出现的“实施例中”或“在一个实 施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或 特性可以任意适合的方式结合在一个或多个实施例中。
30.在本发明的描述中，需要理解的是，术语“第一”和“第二”仅 用于描述目的，而不能理解为指示或暗示相对重要性。
31.在本发明的描述中，需要说明的是，除非另有明确的规定和限定， 术语“连接”应做广义理解，例如，可以是直接相连，也可以通过中 间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理 解上述术语在本发明中的具体含义。
32.下面结合图1描述本发明的基于深度学习的指纹图像识别方法。
33.图1是本发明提供的基于深度学习的指纹图像识别方法的流程 示意图。如图1所示，本发明提供的基于深度学习的指纹图像识别方 法，包括：
34.s1：获取现场指纹图像。其中，现场指纹图像可以是犯罪现场或 其他现场的指纹图像。可以照相的方式拍摄现场指纹图像，然后将现 场指纹图像提供分析终端。分析终端可以是进行指纹分析功能的服务 器。
35.s2：获取现场指纹图像中特征点的位置信息。其中，特征点包括 终结点、分叉点、分歧点、孤立点、环点和短纹。
36.在本发明的一个实施例中，步骤s2包括：
37.s2
‑
1：对现场指纹图像进行图像增强。
38.在本发明的一个实施例中，步骤s2
‑
1包括：
39.s2
‑1‑
1：构建指纹图像方向场字典集合。
40.具体地，首先获取大量样本指纹图像，其中，样本指纹图像要求 清晰度满足预设标准。
41.然后将所有样本指纹图像分割为多个样本指纹子图像，例如将每 个样本指纹图像分割为24像素*24像素的多个样本指纹子图像。
42.接着获取多个样本指纹子图像的方向场信息，例如基于梯度场获 取样本指纹子图像的方向场，或者基于傅里叶变换的方法获取样本指 纹子图像的方向场。
43.最后，根据多个样本指纹子图像的方向场信息构建指纹图像方向 场字典集合。其中，不同的指纹位置区域构建独立的方向场字典，独 立的字典中仅包含可能出现在该位置的方向场。不同位置区域含部分 重叠。基于傅里叶分析的方法用于计算局部块的方向场。
44.s2
‑1‑
2：将现场指纹图像分割为多个现场指纹子图像。例如将现 场指纹图像分割为24像素*24像素的多个现场指纹子图像。
45.s2
‑1‑
3：获取多个现场指纹子图像的方向场。
46.s2
‑1‑
4：根据多个现场指纹子图像的方向场在构建指纹图像方向 场字典集合中进行匹配，得到多个匹配对象。
47.s2
‑1‑
5：根据多个匹配对象对多个现场指纹子图像进行替换。
48.具体地，对含噪声的现场指纹子图像计算方向场并在对应位置的 字典中比对查找，选择最近的进行替换。查找时，所有位置重叠关系 的字典均参与查找，然后进行统计计算，选取最终的方向场块。
49.s2
‑
2：将图像增强后的现场指纹图像分割为多个现场指纹增强子 图像块。在本示例中，将图像增强后的现场指纹图像分割成24像素 *24像素的多个现场指纹增强子图像块。
50.s2
‑
3：在多个现场指纹增强子图像块中，将含有特征点的现场指 纹增强子图像块输入至特征点位置生成模型，输出特征点的位置信息。
51.具体地，利用二分类神经网络模型判断各个场指纹增强子图像块 是否包含特征点，分类不包含特征点的场指纹增强子图像块不再参与 后续计算，分类包含特征点的场指纹增强子图像块利用神经网络回归 计算特征点具体位置。
52.s3：根据特征点的位置信息获取特征点图像块，将特征点图像块 输入至特征描述生成模型，输出特征点的特征描述。其中，特征描述 生成模型是基于多个样本图像块和与多个样本图像块对应的多个特 征描述进行训练得到的。
53.在本发明的一个实施例中，步骤s3包括：
54.s3
‑
1：以特征点为中心获取特征点图像块。例如将以特征点为中 心的64像素*64像素的图像块作为特征点图像块。
55.s3
‑
2：对特征点图像块输入至特征描述生成模型，输出特征点的 n维特征，将n维特征作为特征点的特征描述。其中，特征描述生 成模型模拟二代小波网络的深度学习模型。n为大于0的自然数。
56.在本发明的一个实施例中，步骤s3
‑
2包括：将特征点图像块输 入至特征描述生成模型进行多分辨率小波变换得到多个高频单元；基 于特征描述生成模型对多个高频单元依次进行平均池化、拼接和全连 接变换，得到特征点的n维特征。
57.具体地，通过神经网络模拟第二代小波中的更新器和预测器，学 习出小波系数，输出小波变换的近似部分和细节部分，即低频和高频。 这一过程在图像的水平方向和竖直方向先后进行，即水平方向分解后 得到低频单元和高频单元，这两个部分继续各自竖直方
向分解，分解 后的图像分辨率减半，例如对于64像素*64像素的图像块，可以分 解为4个32像素*32像素的图像块，然后对32像素*32像素的低频 图像块分解为4个16像素*16像素的图像块，低频图像块继续分解， 直至无法分解为止。对所有产生的高频单元的分解结果进行平均池化， 拼接，神经网络全连接变换，得到最终的128维浮点特征，通过交叉 熵损失函数对整个网络参数优化。训练完成后网络提取的特征浮点经 过量化，量化后得到128字节的特征，作为这一特征点的特征描述。 所有特征点进行相同的操作。
58.s4：根据现场指纹图像中所有特征点的特征描述与指纹库中的指 纹图像的特征描述进行匹配，得到匹配结果。
59.在本发明的一个实施例中，步骤s4包括：
60.s4
‑
1：基于现场指纹图像中所有特征点的特征描述与指纹库中的 指纹图像的特征点的特征描述进行计算现场指纹图像和指纹库中的 指纹图像的全局相似度。
61.在本发明的一个实施例中，步骤s4
‑
1包括：根据现场指纹图像 中所有特征点的特征描述得到现场指纹图像的特征集合；从指纹库中 获取第一指纹图像的特征集合；计算现场指纹图像的特征集合与第一 指纹图像的特征集合中每对特征的相似度；将相似度最高的m对构 成相似特征集合；利用相似特征集合得到最优对齐矩阵，最大化特征 对相似度和，作为现场指纹图像和所述第一指纹图像的全局相似度； 计算指纹库中剩余指纹图像与现场指纹图像的全局相似度。
62.具体地，对于现场指纹图像的特征集合和指纹库中某一指纹图像 特征集合，计算每一对特征的相似度，从高到低排序，取前m对构 成相似特征集合p。m值的选取利用两个集合点集数目的平均值得到。 对于相似特征集合p中的特征对，利用匈牙利算法得到最优对齐矩阵， 最大化特征对的相似度值之和，得到的最大化相似度和用来表示两张 指纹图像的相似度。
63.s4
‑
2：将指纹库中与现场指纹图像的全局相似度最高的指纹图像 作为现场指纹图像的匹配对象，实现现场指纹图像的身份确认。
64.本发明提供的基于深度学习的指纹图像识别方法，通过对现场指 纹图像的特征点位置获取特征点图像块，根据特征点图像块生成特征 点的特征描述，根据现场指纹图像中所有特征点的特征描述与指纹库 中的指纹图像的特征描述进行匹配，得到的匹配结果可以进行自动身 份验证。
65.下面对本发明提供的基于深度学习的指纹图像识别装置进行描 述，下文描述的基于深度学习的指纹图像识别装置与上文描述的基于 深度学习的指纹图像识别方法可相互对应参照。
66.图2是本发明提供的基于深度学习的指纹图像识别装置的结构 框图。如图2所示，本发明提供的基于深度学习的指纹图像识别装置， 包括：获取模块210和控制处理模块220。
67.其中，获取模块210用于获取现场指纹图像；控制处理模块220 用于获取现场指纹图像中特征点的位置信息；控制处理模块220还用 于根据特征点的位置信息获取特征点图像块，将特征点图像块输入至 特征描述生成模型，输出特征点的特征描述，特征描述生成模型是基 于多个样本图像块和与所述多个样本图像块对应的多个特征描述进 行训练得到的；控制处理模块220还用于根据现场指纹图像中所有特 征点的特征描述与指纹库中的
指纹图像的特征描述进行匹配，得到匹 配结果。
68.在本发明的一个实施例中，控制处理模块220用于对现场指纹图 像进行图像增强；控制处理模块220还用于将图像增强后的现场指纹 图像分割为多个现场指纹增强子图像块；控制处理模块220还用于在 多个现场指纹增强子图像块中，将含有特征点的现场指纹增强子图像 块输入至特征点位置生成模型，输出特征点的位置信息。
69.在本发明的一个实施例中，控制处理模块220用于构建指纹图像 方向场字典集合；控制处理模块220还用于将现场指纹图像分割为多 个现场指纹子图像；控制处理模块220还用于获取多个现场指纹子图 像的方向场；控制处理模块220还用于根据多个现场指纹子图像的方 向场在构建指纹图像方向场字典集合中进行匹配，得到多个匹配对象； 控制处理模块220还用于根据多个匹配对象对多个现场指纹子图像 进行替换。
70.在本发明的一个实施例中，获取模块210还用于获取样本指纹图 像；控制处理模块220用于将样本指纹图像分割为多个样本指纹子图 像；控制处理模块220还用于获取多个样本指纹子图像的方向场信息； 控制处理模块220还用于根据多个样本指纹子图像的方向场信息构 建指纹图像方向场字典集合。
71.在本发明的一个实施例中，获取模块210还用于以特征点为中心 获取特征点图像块；控制处理模块220用于将特征点图像块输入至特 征描述生成模型，输出特征点的n维特征，将n维特征作为特征点 的特征描述；其中，特征描述生成模型为模拟二代小波网络的深度学 习模型，n为大于0的自然数。
72.在本发明的一个实施例中，控制处理模块220用于将特征点图像 块输入至特征描述生成模型多分辨率进行小波变换得到多个高频单 元；控制处理模块220还用于基于特征描述生成模型对多个高频单元 依次进行平均池化、拼接和全连接变换，得到特征点的n维特征。
73.在本发明的一个实施例中，控制处理模块220用于基于现场指纹 图像中所有特征点的特征描述与指纹库中的指纹图像的特征点的特 征描述计算现场指纹图像和指纹库中的指纹图像的全局相似度；控制 处理模块220还用于将指纹库中与现场指纹图像的全局相似度最高 的指纹图像作为现场指纹图像的匹配对象。
74.在本发明的一个实施例中，控制处理模块220用于根据现场指纹 图像中所有特征点的特征描述得到现场指纹图像的特征集合；控制处 理模块220还用于从指纹库中获取第一指纹图像的特征集合；控制处 理模块220还用于计算现场指纹图像的特征集合与第一指纹图像的 特征集合中每对特征的相似度；控制处理模块220还用于将相似度最 高的m对构成相似特征集合；控制处理模块220还用于根据相似特 征集合得到最优对齐矩阵，利用最优对齐矩阵最大化特征对相似度和 得到现场指纹图像和第一指纹图像的全局相似度；控制处理模块220 还用于计算指纹库中剩余指纹图像与现场指纹图像的全局相似度。
75.需要说明的是，本发明实施例的基于深度学习的指纹图像识别装 置的具体实施方式与本发明实施例的基于深度学习的指纹图像识别 方法的具体实施方式类似，具体参见基于深度学习的指纹图像识别方 法部分的描述，为了减少冗余，不做赘述。
76.另外，本发明实施例的基于深度学习的指纹图像识别装置的其它 构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余， 不做赘述。
77.图3是本发明一个示例中电子设备的结构示意图。如图3所示， 该电子设备可以包
括：处理器310、通信接口320、存储器330和通 信总线340，其中，处理器310，通信接口320，存储器330通过通 信总线340完成相互间的通信。处理器310可以调用存储器330中的 逻辑指令，以执行基于深度学习的指纹图像识别方法，该方法包括： 获取现场指纹图像；获取所述现场指纹图像中特征点的位置信息；根 据所述特征点的位置信息获取特征点图像块，将所述特征点图像块输 入至特征描述生成模型，输出所述特征点的特征描述；根据所述现场 指纹图像中所有特征点的特征描述与指纹库中的指纹图像的特征描 述进行匹配，得到匹配结果。
78.在本发明实施例中，处理器可以是一种集成电路芯片，具有信号 的处理能力。处理器可以是通用处理器、数字信号处理器(digitalsignal processor，简称dsp)、专用集成电路(application specificintegrated circuit，简称asic)、现场可编程门阵列(field programmablegate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶 体管逻辑器件、分立硬件组件。
79.可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑 框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的 处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬 件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合 执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编 程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存 储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法 的步骤。
80.此外，上述的存储器330中的逻辑指令可以通过软件功能单元的 形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可 读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品 的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若 干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者 网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，random access memory)、磁碟 或者光盘等各种可以存储程序代码的介质。
81.另一方面，本发明还提供一种非暂态计算机可读存储介质，其上 存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各 提供的基于深度学习的指纹图像识别方法，该方法包括：获取现场指 纹图像；获取所述现场指纹图像中特征点的位置信息；根据所述特征 点的位置信息获取特征点图像块，将所述特征点图像块输入至特征描 述生成模型，输出所述特征点的特征描述；根据所述现场指纹图像中 所有特征点的特征描述与指纹库中的指纹图像的特征描述进行匹配， 得到匹配结果。
82.存储介质可以是存储器，例如可以是易失性存储器或非易失性存 储器，或可包括易失性和非易失性存储器两者。
83.其中，非易失性存储器可以是只读存储器(read
‑
only memory， 简称rom)、可编程只读存储器(programmable rom，简称prom)、 可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦 除可编程只读存储器(electrically eprom，简称eeprom)或闪存。
84.易失性存储器可以是随机存取存储器(random access memory， 简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明， 许多形式的ram可用，例如静态随机存取
存储器(static ram，简 称sram)、动态随机存取存储器(dynamic ram，简称dram)、 同步动态随机存取存储器(synchronous dram，简称sdram)、双 倍数据速率同步动态随机存取存储器(double data rate sdram，简 称ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，简称esdram)、同步连接动态随机存取存储器(synch linkdram，简称sldram)和直接内存总线随机存取存储器(directrambus ram，简称drram)。
85.本发明实施例描述的存储介质旨在包括但不限于这些和任意其 它适合类型的存储器。
86.本领域技术人员应该可以意识到，在上述一个或多个示例中，本 发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可 以将相应功能存储在计算机可读介质中或者作为计算机可读介质上 的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储 介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传 送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存 取的任何可用介质。
87.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部 件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也 可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付 出创造性的劳动的情况下，即可以理解并实施。
88.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解 到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然 也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现 有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软 件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光 盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所 述的方法。
89.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领 域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技 术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修 改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。