图片处理方法和装置与流程

本公开涉及图像识别技术领域，尤其涉及一种图片处理方法和装置。

背景技术：

随着指纹识别技术的广泛应用，指纹信息的重要性也越来越高。

人们在日常生活中可能会将带有指纹信息的指纹图片存储在手机中，但由于手机本身安全性能难以保证，如果手机里面存在用户的指纹图片，一旦指纹图片外泄，会对用户的信息安全带来极大危害。

技术实现要素：

为克服相关技术中存在的问题，本公开提供一种图片处理方法和装置。

根据本公开实施例的第一方面，提供一种图片处理方法，所述方法包括：

获取待检测图片；

确定所述待检测图片是否为指纹图片，所述指纹图片中携带指纹信息；

当所述待检测图片为指纹图片时，去除所述指纹信息。

在本公开中，先获取待检测图片，确定待检测图片是否为指纹图片，指纹图片上带有指纹信息，当检测到指纹图片时，去除指纹信息，避免因为指纹图片外泄，对用户的信息安全带来的危害。

在本公开实施例的一种实现方式中，所述确定所述待检测图片是否为指纹图片，包括：

用滑动窗口对所述待检测图片进行遍历扫描，得到多个扫描区域图像；

采用分类器对所述多个扫描区域图像进行分类，确定所述多个扫描区域图像中每个扫描区域图像的类型，所述类型包括指纹图像和非指纹图像；

根据所述多个扫描区域图像中每个扫描区域图像的类型，确定所述待检测图片是否为指纹图片。

在该实现方式中，通过将待检测图片划分为多个区域来确定是否为指纹图片，检测方式简单、检测结果准确。

在本公开实施例的另一种实现方式中，所述根据所述多个扫描区域图像中每个扫描区域图像的类型，确定所述待检测图片是否为指纹图片，包括：

计算所述多个扫描区域图像中类型为指纹图像的扫描区域图像的数量与扫描区域图像的总数量的比值；

当所述比值大于或者等于设定值时，确定所述待检测图片为指纹图片；

当所述比值小于设定值时，确定所述待检测图片为非指纹图片。

在该实现方式中，通过判断指纹图像所占的比例来判断待检测图片是否为指纹图片，检测精度高。

在本公开实施例的另一种实现方式中，所述方法还包括：

获取若干指纹样本图片和非指纹样本图片；

对所述若干指纹样本图片和非指纹样本图片进行尺寸归一化；

将所述指纹样本图片作为正样本，所述非指纹样本图片作为负样本，组成样本库；

利用所述样本库进行自适应增强算法训练，得到所述分类器。

在本公开实施例的另一种实现方式中，所述分类器为采用基于HOG降维特征的自适应增强算法训练得到的分类器，所述HOG降维特征为HOG特征经过线性判别分析LDA降维处理后的特征。

在该实现方式中，采用适用于指纹图片和非指纹图片分类的HOG降维特征训练得到分类器，能够提高分类器的分类效果。

在本公开实施例的另一种实现方式中，所述方法还包括：

获取若干样本图片，所述样本图片包括指纹样本图片和非指纹样本图片；

提取每个所述样本图片的HOG特征并进行LDA降维处理，得到HOG降维特征；

采用基于所述HOG降维特征的自适应增强算法训练得到所述分类器。

在本公开实施例的另一种实现方式中，所述去除所述指纹信息，包括：

删除所述指纹图片；或者，

对所述指纹图片进行模糊处理。

在该实现方式中，直接删除指纹图片可以避免指纹图片外泄，从而保护了用户指纹信息；对指纹图片进行模糊处理，可以使得指纹图片即使外泄也不会泄漏用户信息。

根据本公开实施例的第二方面，提供一种图片处理装置，所述装置包括：

获取模块，用于获取待检测图片；

确定模块，用于确定所述待检测图片是否为指纹图片，所述指纹图片中携带指纹信息；

处理模块，用于当所述待检测图片为指纹图片时，去除所述指纹信息。

在本公开实施例的一种实现方式中，所述确定模块，用于：

用滑动窗口对所述待检测图片进行遍历扫描，得到多个扫描区域图像；

采用分类器对所述多个扫描区域图像进行分类，确定所述多个扫描区域图像中每个扫描区域图像的类型，所述类型包括指纹图像和非指纹图像；

根据所述多个扫描区域图像中每个扫描区域图像的类型，确定所述待检测图片是否为指纹图片。

在本公开实施例的另一种实现方式中，所述确定模块，用于：

计算所述多个扫描区域图像中类型为指纹图像的扫描区域图像的数量与扫描区域图像的总数量的比值；

当所述比值大于或者等于设定值时，确定所述待检测图片为指纹图片；

当所述比值小于设定值时，确定所述待检测图片为非指纹图片。

在本公开实施例的另一种实现方式中，所述分类器为采用基于HOG降维特征的自适应增强算法训练得到的分类器，所述HOG降维特征为HOG特征经过线性判别分析LDA降维处理后的特征。

在本公开实施例的另一种实现方式中，所述装置还包括：训练模块，用于：

获取若干样本图片，所述样本图片包括指纹样本图片和非指纹样本图片；

提取每个所述样本图片的HOG特征并进行LDA降维处理，得到HOG降维特征；

采用基于所述HOG降维特征的自适应增强算法训练得到所述分类器。

在本公开实施例的另一种实现方式中，所述处理模块，用于：

删除所述指纹图片；或者，

对所述指纹图片进行模糊处理。

根据本公开实施例的第三方面，提供一种图片处理装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待检测图片；

确定所述待检测图片是否为指纹图片，所述指纹图片中携带指纹信息；

当所述待检测图片为指纹图片时，去除所述指纹信息。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本公开中，先获取待检测图片，确定待检测图片是否为指纹图片，指纹图片上带有指纹信息，当检测到指纹图片时，去除指纹信息，避免因为指纹图片外泄，对用户的信息安全带来的危害。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的应用场景图。

图2是根据一示例性实施例示出的一种图片处理方法的流程图。

图3是根据一示例性实施例示出的一种图片处理方法的流程图。

图4是根据一示例性实施例示出的一种图片处理装置的框图。

图5是根据一示例性实施例示出的一种图片处理装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

为了便于实施例的描述，下面先简单介绍一下本公开中实施例的应用场景。图1是根据一示例性实施例示出的应用场景图，参见图1，该场景包括终端设备100，终端设备100包括但不限于是智能电话、智能手表、平板电脑等。

需要说明的是，以上所述的设备种类仅为举例，本公开对此不作限制。

图2是根据一示例性实施例示出的一种图片处理方法的流程图，如图2所示，该图片处理方法适用于前述场景中的终端设备，包括以下步骤：

在步骤S11中，获取待检测图片。

其中，待检测图片是指需要进行指纹图片检测的图片，通常为用户设备中的所有照片。当然，用户也可以只选择用户设备中部分图片作为待检测图片。

可选地，该方法还可以包括：

设定待检测图片。设定待检测图片的方式包括但不限于用户通过终端设备的设置选项中的指纹图片检测选项，指定一个相册中作为待检测图片的获取相册，或者指定多张图片作为待检测图片，这多张图片可以在一个或多个相册中。

相应地，获取待检测图片，可以包括：从用户设定的图片或者文件夹中选择待检测图片。

在步骤S12中，确定待检测图片是否为指纹图片。

其中，指纹图片是指具有用户指纹信息的图片，该图片既可以只有部分区域为指纹图像，也可以全部区域均为指纹图像。

在本实施例中，可以采用分类器对待检测图片进行分类，从而确定每张图片是否为指纹图片。

在步骤S13中，当待检测图片为指纹图片时，去除指纹信息。

进一步地，该方法还可以包括：当待检测图片为非指纹图片时，不对该待检测图片进行处理。

当步骤S11中获取待检测图片是获取一张待检测图片时，若该图片经过果步骤S12确定为指纹图片，则步骤S13直接对该图片进行处理；若该图片经过步骤S12确定为非指纹图片，则步骤S13不对该图片进行处理，再次执行步骤S11～S13。

当步骤S11中获取待检测图片是获取多张待检测图片甚至是用户设定的相册或者多张图片中的全部图片时，若步骤S12检测出指纹图片，则去除指纹信息。

在本公开中，先获取待检测图片，确定待检测图片是否为指纹图片，指纹图片上带有指纹信息，当检测到指纹图片时，去除指纹信息，避免因为指纹图片外泄，对用户的信息安全带来的危害。

图3是根据一示例性实施例示出的一种图片处理方法的流程图，如图3所示，该图片处理方法适用于前述场景中的终端设备，包括以下步骤：

在步骤S21中，获取若干样本图片，样本图片包括指纹样本图片和非指纹样本图片。

在本公开实施例中，指纹样本图片的数量可以少于非指纹样本图片的数量，例如分别为10万张和200万张。

在步骤S22中，提取每个样本图片的方向梯度直方图(Histogram of Oriented Gradient，简称HOG)并进行线性判别分析(Linear Discriminant Analysis，简称LDA)降维处理，得到HOG降维特征。

在本实施例中，步骤S22可以包括：

第一步，对样本图片进行尺寸归一化。

在实施例中，进行尺寸归一化后的指纹样本图片和非指纹样本图片的尺寸可以为48×48(单位为像素)，这种尺寸通常能保证指纹样本图片具有清晰的指纹图像，从而便于后续训练。当然，该尺寸仅为举例，还可以是其他尺寸大小。

第二步，对归一化后的样本图片进行HOG特征提取。

其中，第二步可以按照下述方式执行：

1)对样本图片进行灰度化处理；

2)采用伽马Gamma校正法对步骤1)得到的样本图片进行颜色空间的标准化(归一化)；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3)计算步骤2)得到的样本图片每个像素的梯度(包括大小和方向)；目的是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4)将样本图片划分成小单元cells(例如6*6像素/cell)；

5)统计每个cell的梯度直方图，形成每个cell的特征；

6)将每几个cell组成一个块block(例如3*3个cell/block)，一个block内所有cell的特征合并起来便得到该block的HOG特征。

7)将样本图片内的所有block的HOG特征合并起来得到该样本图片的HOG特征。

第三步，对提取到的HOG特征进行LDA降维处理。

在步骤S23中，采用基于HOG降维特征的自适应增强(Adaptive Boosting，简称ADABOOST)算法训练得到分类器。

也就是说，在本实施例中，分类器为采用基于HOG降维特征的自适应增强算法训练得到的分类器，HOG降维特征为HOG特征经过线性判别分析LDA降维处理后的特征。需要说明的是，在其他实施例中，也可以采用其他分类器实现，本公开对此不作限制。

在本实施例中，步骤S23可以包括：

步骤231，采用支持向量机(Support Vector Machine，简称SVM)对HOG降维特征中的每个特征训练一个弱分类器；

步骤232，采用ADABOOST算法将多个弱分类器训练为强分类器。

在实现时，ADABOOST算法中的HOG降维特征可以通过修改训练程序代码得到(例如将传统的Haar特征换为HOG降维特征)，因此，该方法还可以包括：获取用户输入信息，根据用户输入信息生成具有HOG降维特征的自适应增强算法。

步骤S21中样本图片构成的样本库包括如下样本：(x₁，y₁)，(x₂，y₂)，……，(x_n，y_n)，其中y_i＝0表示其为负样本(非指纹样本图片)，y_i＝1表示其为正样本(指纹样本图片)。n为样本库的训练样本数量。下面以此样本库为例，对步骤232的过程进行说明：

A、初始化样本库中的训练样本权重，得到初始训练样本权重w_1,i＝D(i)；D(i)可以按照如下方式设置：D(i)＝1/2M(对负样本)或D(i)＝1/2L(对正样本)。其中M、L分别是负样本和正样本的数量，M+L＝n。

B、根据初始训练样本权重进行T次迭代操作(样本分类)，得到T个最佳弱分类器。其中，第t次迭代操作包括(t＝1，……，T)：

1、归一化训练样本权重，得到第t次训练样本权重：

$q_{t,i}=\frac{W_{t,i}}{{\Σ}_{j=1}^n{W}_{t,j}}.$

2、根据第t次训练样本权重选取样本集。

3、采用步骤231训练得到的弱分类器对样本集中的训练样本进行分类。

每个特征f对应一个弱分类器h(x，f，p，θ)，一个弱分类器h(x，f，p，θ)由一个特征f，阈值q和指示不等号方向的θ组成：

h＝1表示特征f判断此样本为正样本，h＝0表示特征f判断此样本为负样本。

4、计算每个特征对应的弱分类器在t次迭代操作中的加权(q_t)错误率ε_f：

ε_f＝∑_iq_i|h(x_i，f，p，θ)-y_i|。

5、选取加权错误率最小的弱分类器h_t(x)：

ε_t＝min_f，p，θ∑_iq_i|h(x_i，f，p，θ)-y_i|＝∑_iq_i|h(x_i，f_t，p_t，θ_t)-y_i|h_t(x)＝h(x，f_t，p_t，θ_t)；

其中，t表示第t次迭代操作。

6、根据加权错误率最小的弱分类器，调整训练样本权重：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i};$

其中，e_i＝0表示x_i被正确地分类，e_i＝1表示x_i被错误地分类；

C、经过T次迭代操作后，获得了T个加权错误率最小的弱分类器：h1(x)，……，hT(x)，可以按照下面的方式组合成一个强分类器：

其中，

在步骤S24中，获取待检测图片。

其中，步骤S24可以包括：

当达到设定时间点或者有新图片时，获取新图片作为待检测图片。

即在一种实现方式中，当达到用户设定的时间点时，获取未进行过指纹图片检测的图片作为待检测图片。在另一种实现方式中，当有新图片加入图库时，获取该图片作为待检测图片。进一步地，该方法还可以包括：对进行过指纹图片检测的图片进行标记，以避免重复检测。

其中，待检测图片是指需要进行指纹图片检测的图片，通常为用户设备中的所有照片。当然，用户也可以只选择用户设备中部分图片作为待检测图片。

可选地，该方法还可以包括：

设定待检测图片。设定待检测图片的方式包括但不限于用户通过终端设备的设置选项中的指纹图片检测选项，指定一个相册中作为待检测图片的获取相册，或者指定多张图片作为待检测图片，这多张图片可以在一个或多个相册中。例如，待检测图片为宝宝相册中的照片。

相应地，获取待检测图片，可以包括：从用户设定的图片或者文件夹中选择待检测图片。

在本实施例中，获取待检测图片既可以是获取一张待检测图片，也可以是获取多张待检测图片，甚至是全部待检测图片。

在步骤S25中，采用训练出的分类器确定待检测图片是否为指纹图片。

其中，指纹图片是指具有用户指纹信息的图片，该图片既可以只有部分区域为指纹图像，也可以全部区域均为指纹图像。

在本实施例中，确定待检测图片是否为指纹图片，可以包括：

第一步，用滑动窗口对待检测图片进行遍历扫描，得到多个扫描区域图像。

其中，遍历扫描是指按照一定的方向以设定大小依次从图片上获取区域图像。

其中，在待检测图片进行遍历扫描包括：采用金字塔层级遍历对图片进行遍历扫描。金字塔层级遍历是指依次对原图片进行遍历扫描、对图片进行预定倍数的放大(可执行多种倍数的多次放大)后进行遍历扫描、对图片进行预定倍数的缩小(可执行多种倍数的多次缩小)后进行遍历扫描。这种扫描方式可以避免图片中图像太大或太小造成的无法正确分类问题。

其中，扫描区域图像的大小与进行尺寸归一化后的指纹样本图片和非指纹样本图片的尺寸相等，如48×48。

第二步，采用分类器对多个扫描区域图像进行分类，确定多个扫描区域图像中每个扫描区域图像的类型，类型包括指纹图像和非指纹图像；

第三步，根据多个扫描区域图像中每个扫描区域图像的类型，确定图片是否为指纹图片。

其中，第三步可以包括：

计算多个扫描区域图像中类型为指纹图像的扫描区域图像的数量与扫描区域图像的总数量的比值；

当比值大于或者等于设定值时，确定图片为指纹图片；

当比值小于设定值时，确定图片为非指纹图片。

其中，设定值可以根据实际需要进行设置，例如1/3。

进一步地，该方法还可以包括：

将指纹图像中设定区域标记为指纹区域，设定区域为多个扫描区域图像中类型为指纹图像的扫描区域图像所在区域。

在步骤S26中，当待检测图片为指纹图片时，去除指纹信息。

进一步地，该方法还可以包括：当待检测图片为非指纹图片时，不对该待检测图片进行处理。

当步骤S24中获取待检测图片是获取一张待检测图片时，若该图片经过果步骤S25确定为指纹图片，则步骤S26直接对该图片进行处理；若该图片经过步骤S25确定为非指纹图片，则步骤S26不对该图片进行处理，再次执行步骤S24～S26。

当步骤S24中获取待检测图片是获取多张待检测图片甚至是用户设定的相册或者多张图片中的全部图片时，若步骤S25检测出指纹图片，则去除指纹信息。

在本实施例中，去除指纹信息，可以包括：

删除指纹图片；或者，

对指纹图片进行模糊处理。

其中，对指纹图片进行模糊处理包括对图像进行虚化、打马赛克、删除图片的部分内容等等，本公开对此不做限制。

例如，对指纹图片进行模糊处理，可以包括：

采用高斯滤波器对指纹图片进行模糊处理。

进一步地，采用高斯滤波器对指纹图片进行模糊处理，可以包括：采用高斯滤波器对指纹图片中的指纹区域进行模糊处理。

在本公开中，先获取待检测图片，确定待检测图片是否为指纹图片，指纹图片上带有指纹信息，当检测到指纹图片时，去除指纹信息，避免因为指纹图片外泄，对用户的信息安全带来的危害。

在本公开的上述实施例中，步骤S21～S23为可选步骤，这些步骤可以事先由其他装置(例如具有图形处理器(Graphics Processing Unit，简称GPU)的设备)完成。

图4是根据一示例性实施例示出的一种图片处理装置的框图，该图片处理装置可以为终端设备或终端设备的一部分，如图4所示，装置包括：

获取模块301，用于获取待检测图片；

确定模块302，用于确定待检测图片是否为指纹图片；

处理模块303，用于当待检测图片为指纹图片时，去除指纹信息。

可选地，确定模块302，用于：

用滑动窗口对待检测图片进行遍历扫描，得到多个扫描区域图像；

采用分类器对多个扫描区域图像进行分类，确定多个扫描区域图像中每个扫描区域图像的类型，类型包括指纹图像和非指纹图像；

根据多个扫描区域图像中每个扫描区域图像的类型，确定图片是否为指纹图片。

可选地，确定模块302，用于：

计算多个扫描区域图像中类型为指纹图像的扫描区域图像的数量与扫描区域图像的总数量的比值；

当比值大于或者等于设定值时，确定图片为指纹图片；

当比值小于设定值时，确定图片为非指纹图片。

可选地，分类器为采用基于HOG降维特征的自适应增强算法训练得到的分类器，HOG降维特征为HOG特征经过线性判别分析LDA降维处理后的特征。

可选地，该装置还包括：训练模块304，用于：

获取若干样本图片，样本图片包括指纹样本图片和非指纹样本图片；

提取每个样本图片的HOG特征并进行LDA降维处理，得到HOG降维特征；

采用基于HOG降维特征的自适应增强算法训练得到分类器。

可选地，处理模块303，用于：

删除指纹图片；或者，

对指纹图片进行模糊处理。

在本公开中，先获取待检测图片，确定待检测图片是否为指纹图片，指纹图片上带有指纹信息，当检测到指纹图片时，去除指纹信息，避免因为指纹图片外泄，对用户的信息安全带来的危害。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种图片处理装置900的框图。例如，图片处理装置900可以是移动终端。

参照图5，图片处理装置900可以包括以下一个或多个组件：处理组件902，存储器904，电力组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制图片处理装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在图片处理装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件906为图片处理装置900的各种组件提供电力。电力组件906可以包括电源管理系统，一个或多个电源，及其他与为图片处理装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述图片处理装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当图片处理装置900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当图片处理装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为图片处理装置900提供各个方面的状态评估。例如，传感器组件914可以检测到图片处理装置900的打开/关闭状态，组件的相对定位，例如所述组件为图片处理装置900的显示器和小键盘，传感器组件914还可以检测图片处理装置900或图片处理装置900一个组件的位置改变，用户与图片处理装置900接触的存在或不存在，图片处理装置900方位或加速/减速和图片处理装置900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于图片处理装置900和其他设备之间有线或无线方式的通信。图片处理装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，图片处理装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由图片处理装置900的处理器920执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置的处理器执行时，使得装置够执行一种图片处理方法，所述方法包括：

获取待检测图片；

确定待检测图片是否为指纹图片；

当待检测图片为指纹图片时，去除指纹信息。

在本公开实施例的一种实现方式中，确定待检测图片是否为指纹图片，包括：

用滑动窗口对待检测图片进行遍历扫描，得到多个扫描区域图像；

采用分类器对多个扫描区域图像进行分类，确定多个扫描区域图像中每个扫描区域图像的类型，类型包括指纹图像和非指纹图像；

根据多个扫描区域图像中每个扫描区域图像的类型，确定图片是否为指纹图片。

在本公开实施例的另一种实现方式中，根据多个扫描区域图像中每个扫描区域图像的类型，确定图片是否为指纹图片，包括：

计算多个扫描区域图像中类型为指纹图像的扫描区域图像的数量与扫描区域图像的总数量的比值；

当比值大于或者等于设定值时，确定图片为指纹图片；

当比值小于设定值时，确定图片为非指纹图片。

在本公开实施例的另一种实现方式中，方法还包括：

获取若干指纹样本图片和非指纹样本图片；

对若干指纹样本图片和非指纹样本图片进行尺寸归一化；

将指纹样本图片作为正样本，非指纹样本图片作为负样本，组成样本库；

利用样本库进行自适应增强算法训练，得到分类器。

在本公开实施例的另一种实现方式中，分类器为采用基于HOG降维特征的自适应增强算法训练得到的分类器，HOG降维特征为HOG特征经过线性判别分析LDA降维处理后的特征。

在本公开实施例的另一种实现方式中，方法还包括：

获取若干样本图片，样本图片包括指纹样本图片和非指纹样本图片；

提取每个样本图片的HOG特征并进行LDA降维处理，得到HOG降维特征；

采用基于HOG降维特征的自适应增强算法训练得到分类器。

在本公开实施例的另一种实现方式中，去除指纹信息，包括：

删除指纹图片；或者，

对指纹图片进行模糊处理。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。