指纹识别方法及装置与流程

本发明涉及生物识别技术，更具体地，涉及指纹识别方法及装置。

背景技术：

随着信息技术的快速发展，终端(如手机、平板电脑等)的使用越来越普及，指纹识别技术作为终端上的标配技术，在终端的解锁、唤醒、移动支付等等中得到广泛应用。在指纹识别技术流行的同时，为了实现快速解锁，终端的解锁时间也是终端制造商直接关心的问题。

然而，实际指纹应用场景中，时常会因为手指是湿的或容易出汗而导致解锁成功率很低，这是因为当手指按压指纹识别模组时，由于指纹是纹路性的，脊线是凸出的，会接触到指纹识别模组的表面，而脊线之间的谷线是凹下去的，接触不到表面，这样，在指纹识别模组中就会因为接触和不接触两种不同的状态而识别出指纹。但是，当手指湿润时，指纹表面会形成一层水膜，水膜可能会填平脊线之间的凹陷部分。这样当手指按压指纹识别模组时，不会出现接触与不接触相间的指纹状态，第一手指类型识别成功率也大大降低。

在终端应用中第一手指类型的解锁成功率低，严重影响了用户体验，因此，期望进一步提高手指出汗或湿润时的指纹识别的成功率。

技术实现要素：

鉴于上述问题，本发明的目的在于提供指纹识别方法及装置，其中，根据手指类型采用相应的采集参数获取指纹图像，以提高指纹识别的成功率。

根据本发明的第一方面，提供一种指纹识别方法，包括：采用初始采集参数获得第一指纹图像；根据所述第一指纹图像判断手指类型；如果判断为第一手指类型，则采用重新设定的采集参数，获得第二指纹图像，以及采用所述第二指纹图像进行指纹识别。

优选地，所述初始采集参数是针对第二手指类型优化的采集参数，所述重新设定的采集参数是针对第一手指类型优化的采集参数。

优选地，所述初始采集参数和所述重新设定的采集参数包括彼此不同的采集密度和/或采集频率。

优选地，在获得所述第一指纹图像的步骤和判断手指类型的步骤之间，还包括：采用所述第一指纹图像进行指纹识别，如果指纹识别失败，则进一步执行判断手指类型的步骤。

优选地，采用所述第一指纹图像进行指纹识别和采用所述第二指纹图像进行识别分别包括：提取相应的指纹图像的第一特征信息；以及将所述第一特征信息与预设模板比较，以得到识别结果。

优选地，所述第一特征信息包括纹形、纹数、核心点、分叉点、曲率。

优选地，在采用所述第一指纹图像进行指纹识别时，采用针对第二手指类型优化的识别算法，在采用所述第二指纹图像进行指纹识别时，采用针对第一手指类型优化的识别算法。

优选地，所述判断手指类型的步骤包括：采用分类模型分析所述第一指纹图像，以获得所述手指类型。

优选地，采用分类模型分析所述第一指纹图像的步骤包括：提取所述第一指纹图像的第二特征信息；以及将所述第二特征信息应用于所述分类模型中以获得分类结果。

优选地，所述第二特征信息包括脊线和谷线面积比例、脊线宽度、脊线交叉点数。

优选地，还包括：收集第二手指类型和第一手指类型的指纹图像作为训练样本；以及采用所述训练样本训练所述分类模型。

优选地，所述分类模型包括以下任意一种模型：svm、bp神经网络、聚类分析算法。

优选地，所述第一手指类型为湿手指类型，所述第二手指类型为干手指类型。

根据本发明的第二方面，提供一种指纹识别装置，包括：采集单元，用于采集第一指纹图像和第二指纹图像；配置单元，在采集所述第一指纹图像和所述第二指纹图像时设置所述采集单元的采集参数；分类单元，用于根据所述第一指纹图像判断手指类型；以及识别单元，用于采用所述第一指纹图像或所述第二指纹图像进行指纹识别。

优选地，所述识别单元提取相应的指纹图像的第一特征信息，以及将所述第一特征信息与预设模板比较，以得到识别结果。

优选地，所述第一特征信息包括纹形、纹数、核心点、分叉点、曲率。

优选地，所述分类单元提取所述第一指纹图像的第二特征信息，以及将所述第二特征信息应用于所述分类模型中以获得分类结果。

优选地，所述第二特征信息包括脊线和谷线面积比例、脊线宽度、脊线交叉点数。

优选地，所述识别单元在采用所述第一指纹图像进行指纹识别失败时，启动所述分类单元判断手指类型。

优选地，所述分类单元在判断为第一手指类型时，启动所述配置单元重新设定采集参数，以及启动所述采集单元采集所述第二指纹图像。

优选地，所述第一手指类型为湿手指类型，所述第二手指类型为干手指类型。

根据本发明实施例的指纹识别方法，根据第一指纹图像判断手指类型，在判断为第一手指类型时，采用重新设定的采集参数获得第二指纹图像。该方法根据手指类型采用相应的采集参数重新获取指纹图像，从而可以提高手指出汗或湿润时的指纹识别的成功率。

在优选的实施例中，在采集第一指纹图像时使用针对第二手指类型优化的采集参数，在采集第二指纹图像时使用针对第一手指类型优化的采集参数，从而充分利用采集单元的硬件性能获得优化的指纹图像。在进一步优选的实施例中，在采用第一指纹图像和第二指纹图像进行识别时分别采用相应优化的识别算法。因而，在针对手指类别优化采集参数获得的指纹图像的基础上，进一步采用相应优化的识别算法，从而可以进一步提高手指出汗或湿润时的指纹识别的成功率。

在优选的实施例中，在指纹识别时，从指纹图像提取第一特征信息与预设模板比较，在手指分类时，从指纹图像第二特征信息应用于分类模型中进行分析。第一特征信息和第二特征信息是从指纹图像获得的不同的特征信息，因而可以分别用于提高指纹识别和手指分类的准确性。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示出根据本发明第一实施例的指纹识别方法的流程图；

图2示出根据本发明第二实施例的指纹识别方法的流程图；

图3示出根据本发明实施例的指纹识别方法中使用的svm分类模型；

图4示出本发明第三实施例的指纹识别装置的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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做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。

图1示出根据本发明第一实施例的指纹识别方法的流程图，在下述方法中，第一手指类型为湿手指类型，第二手指类型为干手指类型。

在步骤s101中，采用初始采集参数获得第一指纹图像。例如，在用户按压指纹识别模组的过程中获得第一指纹图像。

初始采集参数例如是默认的采集参数，或者针对第二手指类型优化的采集参数。采集参数包括采集密度和采集频率。例如，第二手指类型的指纹清晰，可以采用较小的采集密度和采集频率，以提高指纹采集的速度，减少指纹解锁的整体等待时间。

第一指纹图像可以是整体图像，或者局部图像。例如，可以确定指纹识别模组的采集范围，并将上述采集范围划分为多个区域，获取该多个区域中信噪比最大的区域所对应的指纹图像。

第一指纹图像还可以是连续获得的多个指纹图像中选择出的一个指纹图像。例如，第一指纹图像可为用户的一个手指的一个图像或者一个手指的多个指纹图像中最清晰的一个。在采集指纹图像的过程中，可能会因为手指移动而造成一些指纹图像模糊。因此，可以抓取多次指纹图像，采用最后一幅指纹图像，或任意选择一幅清晰的指纹图像作为第一指纹图像，具体本发明不做限定。

在步骤s102中，根据第一指纹图像判断手指类型。例如，从第一指纹图像提取特征信息，然后将特征信息应用于经过预先训练的分类模型。因而，根据第一指纹图像的特征信息将第一指纹图像分为第一手指类型图像和第二手指类型图像。

第一指纹图像中可以用于手指分类的特征信息包括脊线和谷线面积比例、脊线宽度、脊线交叉点数中的至少一种。例如，第二手指类型的脊线和谷线面积比例大致为1：1，第一手指类型的指纹表面会形成一层水膜，水膜可能会填平脊线之间的凹陷部分，结果脊线和谷线面积比例可能变化为大于2：1。

分类模型包括svm、bp神经网络、聚类分析等。

svm指的是支持向量机，是常见的一种判别方法。svm方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。svm方法应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。

bp神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。聚类技术衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

在步骤s103中，根据指纹类型选择不同的后续步骤。如果判断第一指纹图像为第二手指类型图像，则执行步骤s104。如果判断第一指纹图像为第一手指类型图像，则执行步骤s105。

在步骤s104中，针对第二手指类型(例如是干手指类型)，采用第一指纹图像进行指纹识别。例如，从第一指纹图像提取特征信息，然后将第一指纹图像特征信息与预设模板相比较，获得识别结果，指纹识别结束。

第一指纹图像中可以用于识别的第一特征信息包括纹形、纹数、核心点、分叉点、曲率中的至少一种。

指纹图像是由纹脊和纹谷组成，纹脊又称为纹路，脊线，对应手指皮肤的凸起部分，在指纹图像中呈现为灰度较深的粗线条；纹谷即谷线则对应手指皮肤凹进去的部分，夹在两条脊线之间，相对脊线的灰度较亮。纹形是指纹的整体形态，例如分为左箕型、右箕型、斗型、拱形和尖拱形。纹数是指模式区内指纹纹路的数量，也有些算法用两点之间的纹路数作为指纹特征，比如两个节点之间的纹路数。核心点位于指纹纹路的渐进中心，它通常用作读取指纹和比对指纹时的参考点。分叉点是纹路中的细微特征，例如一条纹路在此分成两条或多条纹路。曲率是纹路中的细微特征，表示纹路方向改变的速度。指纹图像的特征信息包含但不限于上述特征。

预设模板是预先在模板数据库中存入的若干个指纹模板，预存的指纹模板数量至少为一个，且预存的指纹模板中至少包含同一手指的至少一个指纹模板。例如，可预先存入同一人的十个手指的指纹模板，同一手指的指纹模板可只存入一个，也可存入多个。存入某一手指的多个指纹模板可提高使用该手指进行指纹匹配识别的识别成功率。

基于第一指纹图像的指纹识别步骤包括将第一指纹图像的特征信息与模板数据库中存储的模板指纹信息进行比对。采用现有的识别算法，根据第一指纹图像的第一特征信息与预设模板的相似度大小判断是否匹配。相似度是指可以代表图像之间相似程度的参数，包括特征点匹配个数及直方图分布相似度中的至少一个，但不限于特征点匹配个数及直方图分布相似度。例如，可设定特征匹配个数阈值及直方图分布相似度阈值，如果达不到相应阈值，则判断不匹配。若模板数据库中有多个模板指纹信息，则将第一指纹信息依次与这几个模板指纹信息进行比对。

在步骤s105中，针对第一手指类型(第一手指类型例如是湿手指类型)，重新设定采集参数。重新设定的采集参数例如是针对第一手指类型优化的采集参数。

如上所述，采集参数包括采集密度和采集频率。例如，第一手指类型的指纹模糊，可以采用较高的采集密度和采集频率，以提高指纹图像的分辨率和清晰度。尽管指纹采集的速度降低导致解锁时间延长，但可以提高指纹识别的成功率。

优选地，进一步调整根据识别模组的类型调整传感器参数，以提高指纹图像的清晰主。例如，光学指纹识别模组是利用光的折射和反射原理，光从底部射向三棱镜，并经棱镜射出，射出的光线在手指表面指纹凹凸不平的线纹上折射的角度及反射回去的光线明暗就会不一样。cmos(complementarymetaloxidesemiconductor，互补金属氧化物半导体)或者ccd(chargecoupleddevice，电荷耦合器件)的光学器件就会收集到不同明暗程度的图片信息，就完成指纹的采集。电容式指纹识别模组是在一块集成有成千上万半导体器件的“平板”上，手指贴在其上与其构成了电容的另一面，由于手指平面凸凹不平，凸点处和凹点处接触平板的实际距离大小就不一样，形成的电容数值也就不一样，设备根据这个原理将采集到的不同的数值汇总，也就完成了指纹的采集。

在光学指纹识别模组中提高光学器件的灵敏度，在电容式指纹识别模组中改变电容阈值，可以提高指纹图像的清晰度和对比度，获得更多的特征信息以提高识别成功率。

在步骤s106中，采用重新设定的采集参数获得第二指纹图像。例如，在用户按压指纹识别模组的过程中获得第二指纹图像。

第二指纹图像可以是整体图像，或者是局部图像。例如，可以确定指纹识别模组的采集范围，并将上述采集范围划分为多个区域，获取该多个区域中信噪比最大的区域所对应的指纹图像。

第二指纹图像还可以是连续获得的多个指纹图像中选择出的一个指纹图像。例如，第二指纹图像可为用户的一个手指的一个图像或者一个手指的多个指纹图像中最清晰的一个。在采集指纹图像的过程中，可能会因为手指移动而造成一些指纹图像模糊。因此，可以抓取多次指纹图像，采用最后一幅指纹图像，或任意选择一幅清晰的指纹图像作为第二指纹图像，具体本发明不做限定。

在步骤s107中，采用第二指纹图像进行指纹识别。例如，从第二指纹图像提取第一特征信息，然后将第一特征信息与预设模板相比较，获得指纹识别结果，指纹识别结束。。

第二指纹图像中可以用于识别的第一特征信息与第一指纹图像用于识别的第一特征信息基本相同，包括纹形、纹数、核心点、分叉点、曲率中的至少一种。

采用现有的识别算法，根据第二指纹图像的第一特征信息与预设模板的相似度大小判断是否匹配，从而获得指纹识别结果。

优选地，可以采用针对第一手指类型优化的指纹识别算法，进一步提高第二指纹图像识别的成功率。例如，根据第一手指类型的指纹图像模糊的特点，在识别算法中减小相似度阈值，可以提高指纹识别成功率。

在步骤s108中，指纹识别结束。

该识别结果包括采用第一指纹图像识别成功、采用第一指纹图像识别失败、采用第二指纹图像识别成功、采用第二指纹图像识别失败中的任一种。

根据第一实施例的指纹识别方法，根据第一指纹图像判断手指类型，在判断为第一手指类型时，重新设定采集参数获得第二指纹图像。该方法根据手指类型采用重新设定的采集参数重新获取指纹图像，从而可以提高手指出汗或湿润时的指纹识别的成功率。

图2示出根据本发明第二实施例的指纹识别方法的流程图。本发明第二实施例的指纹识别方法与第一实施例的不同之处在于采用第一指纹图像进行预识别。在图中采样相同的附图标记表示二者的相同步骤，以下仅描述与预识别相关的步骤。

在步骤s101中，采用初始采集参数获得第一指纹图像。然后，执行步骤s111对第一指纹图像进行预识别。

例如，从第一指纹图像提取第一特征信息，然后将第一特征信息与预设模板相比较，获得指纹识别结果，指纹识别结束。

第一指纹图像中可以用于识别的第一特征信息，包括纹形、纹数、核心点、分叉点、曲率中的至少一种。

采用现有的指纹识别算法，根据第一指纹图像的第一特征信息与预设模板的相似度大小判断是否匹配，从而获得指纹识别结果。

在步骤s112中，根据第一指纹图像的识别结果选择不同的后续步骤。如果第一指纹图像的识别成功，则执行步骤s108，结束指纹识别。如果第一指纹图像的识别失败，则执行步骤s102。

在步骤s102中，根据第一指纹图像判断手指类型。例如，从第一指纹图像提取特征信息，然后将特征信息应用于经过预先训练的分类模型。因而，根据第一指纹图像的特征信息将指纹图像分为第一手指类型图像和第二手指类型图像。

在步骤s103中，根据指纹类型选择不同的后续步骤。如果判断第一指纹图像为第二手指类型图像，则执行步骤s108，指纹识别结束。如果判断第一指纹图像为第一手指类型图像，则执行步骤s105。

根据第二实施例的后续步骤s105-s107与第一实施例的相应步骤相同，在此不再详述。

根据第二实施例的指纹识别方法，采用第一指纹图像进行预识别，如果预识别成功则结束指纹识别，如果预识别失败，则进一步根据第一指纹图像判断手指类型，在判断为第一手指类型时，采用重新设定的采集参数获得第二指纹图像。该方法可以减少不必要的手指类型判断过程，从而提高识别速度。进一步地，根据手指类型采用相应的采集参数重新获取指纹图像，从而可以提高手指出汗或湿润时的指纹识别的成功率。

图3示出根据本发明实施例的指纹识别方法中使用的svm分类模型。

在svm分类模型中，只有两个不同的分类结果，第一手指类型指纹或第二手指类型指纹。第一手指类型和第二手指类型的脊线和谷线面积比例、脊线宽度、脊线交叉点数等特征不同，因此可以通过对输入的手指指纹测试集进行特征分类来判断其属于第二手指类型指纹，还是属于第一手指类型指纹。

svm分类模型的训练：选择合适的核函数，将第二手指类型训练集和第一手指类型训练集映射到高维特征空间。利用svm在样本特征空间中找出第二手指类型特征样本和第一手指类型特征样本的最优分类超平面，得到代表第二手指类型和第一手指类型样本特征的支持向量集及其相应的vc可信度，形成判断各特征类型的判别函数。

svm分类模型的使用：在获得第一指纹图像之后，使用svm分类模型对第一指纹图像进行分类判断，将待分类的第一指纹图像的特征信息通过核函数作用映射到特征空间中，作为判别函数的输入，利用分类判决函数得出分类结果，即指纹图像是第二手指类型指纹图像还是第一手指类型指纹图像。

图4出本发明第三实施例的指纹识别装置的示意性框图。

指纹识别装置100包括采集单元101、配置单元102、识别单元103和分类单元105。

采集单元101用于采集第一指纹图像和第二指纹图像。

配置单元102，在采集所述第一指纹图像和所述第二指纹图像时设置所述采集单元101的采集参数。

识别单元103与采集单元101相连接，用于采用所述第一指纹图像或所述第二指纹图像进行指纹识别。识别单元103提取相应的指纹图像的第一特征信息，以及将所述第一特征信息与预设模板比较，以得到识别结果。第一特征信息包括纹形、纹数、核心点、分叉点、曲率中的任意一种。

分类单元105与采集单元101相连接以获得第一指纹图像，与识别单元103相连接以获得第一指纹图像的识别结果。对于根据第一实施例的指纹识别方法，分类单元105在获得第一指纹图像之后，进一步根据第一指纹图像判断手指类型。对于根据第二实施例的指纹识别方法，分类单元105在识别单元103对第一指纹图像的识别失败之后，进一步根据第一指纹图像判断手指类型。

分类单元105提取所述第一指纹图像的第二特征信息，以及将所述第二特征信息应用于所述分类模型中以获得分类结果。第二特征信息包括脊线和谷线面积比例、脊线宽度、脊线交叉点数中的任意一种。

分类单元105与配置单元102相连接，从而在判断手指类型之后启动配置单元102提供针对湿手机优化的采集参数。

依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。