皮肤纹理图像验证方法、电子设备及记录介质与流程

本公开的实施例一般涉及皮肤纹理图像识别领域，更具体地涉及一种皮肤纹理图像验证方法、电子设备及非瞬时性计算机可读记录介质。

背景技术：

随着计算机技术的快速发展，许多机构和个人对于身份认证的高效性和可靠性要求越来越高。基于诸如皮肤纹理图像的生物特征识别技术的身份认证系统正在逐渐取代了基于诸如密码、钥匙、id卡等的密钥的身份认证系统。如何进行有效的皮肤纹理图像验证成为了亟待解决的问题。

技术实现要素：

有鉴于上述情况，本公开提供了一种皮肤纹理图像验证方法、电子设备及非瞬时性计算机可读记录介质。

第一方面，根据本公开的实施例，提供了一种皮肤纹理图像验证方法，包括：获得对待检测皮肤纹理图像进行识别检测的第一置信度；获得对待检测皮肤纹理图像进行活体检测的第二置信度；基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，基于第一置信度和第二置信度获得待检测皮肤纹理图像的验证结果，包括：基于第一置信度和第二置信度，获得置信度特征向量；基于置信度特征向量，获得待检测皮肤纹理图像的验证结果。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，基于置信度特征向量获得待检测皮肤纹理图像的验证结果，包括：基于置信度特征向量，获得待检测皮肤纹理图像的融合置信度；基于融合置信度，获得待检测皮肤纹理图像的验证结果。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，基于置信度特征向量获得待检测皮肤纹理图像的融合置信度，包括：基于置信度特征向量以及逻辑回归模型，获得待检测皮肤纹理图像的融合置信度。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，逻辑回归模型是基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像相对应的置信度特征向量以及与各个皮肤纹理图像相对应的第一离散标签获得的。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，置信度特征向量包括以下至少两项：第一置信度的幂、第二置信度的幂、及第一置信度的幂与第二置信度的幂的乘积。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，第一置信度的幂包括第一置信度的0.5次幂、1次幂或2次幂；第二置信度的幂包括第二置信度的0.5次幂、1次幂或2次幂。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，置信度特征向量包括

f＝[score1^0.5，score2^0.5，score1^0.5×score2^0.5，score1^0.5×score2，score1×score2^0.5，score1，score2，score1×score2，score1²×score2，score1²，score2²，score1×score2²，score1²×score2²]

其中，score1为第一置信度，score2为第二置信度，score1^0.5为第一置信度的0.5次幂、score1为第一置信度的1次幂，score1²为第一置信度的2次幂，score2^0.5为第二置信度的0.5次幂、score2为第二置信度的1次幂，score2²为第二置信度的2次幂。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，基于融合置信度获得待检测皮肤纹理图像的验证结果，包括：如果融合置信度大于预设阈值，则待检测皮肤纹理图像的验证结果为成功；如果融合置信度小于或等于预设阈值，则待检测皮肤纹理图像的验证结果为失败。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，获得对待检测皮肤纹理图像进行识别检测的第一置信度，包括：获得待检测皮肤纹理图像的第一特征点集合和注册皮肤纹理图像的第二特征点集合；基于第一特征点集合和第二特征点集合的比对结果，获得第一置信度。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，获得对待检测皮肤纹理图像进行活体检测的第二置信度，包括：基于待检测皮肤纹理图像和残差网络模型，获得第二置信度。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，残差网络模型是基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像以及与各个皮肤纹理图像相对应的第二离散标签获得的。

例如，在本公开一实施例提供的皮肤纹理图像验证方法中，皮肤纹理图像包括指纹图像。

第二方面，根据本公开的实施例，提供了一种电子设备，包括：存储器及处理器，其中，处理器与存储器耦合，存储器中存储指令，当指令由处理器执行时以使电子设备执行如上的任一项的方法。

第三方面，根据本公开的实施例，提供了一种非瞬时性计算机可读记录介质，其上已存储用于被计算机运行时执行如上的任一项的方法的程序。

要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是示出根据本公开实施例的一种电子设备的结构框图；

图2是示出根据本公开至少一个实施例的皮肤纹理图像验证方法的流程图；

图3是示出根据本公开至少一个实施例的对待检测皮肤纹理图像进行识别检测的流程图；

图4示出了根据本公开至少一个实施例的一种图像预处理的示意图；

图5是示出根据本公开至少一个实施例的对待检测皮肤纹理图像进行活性检测的流程图；

图6示出了根据本公开至少一个实施例的一种获得残差网络模型的流程图；

图7是示出根据本公开至少一个实施例的基于该第一置信度和该第二置信度获得该待检测皮肤纹理图像的验证结果的流程图；

图8示出了根据本公开至少一个实施例的基于置信度特征向量获得待检测皮肤纹理图像的验证结果的流程图；

图9是示出根据本公开至少一个实施例的皮肤纹理图像验证的功能模块示意图。

具体实施方式

下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本公开的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

传统的皮肤纹理图像识别系统只能检测待检测皮肤纹理图像与注册皮肤纹理图像是否一致，但是，非法用户会窃取注册用户的皮肤纹理图像，并使用硅胶、明胶，橡皮泥等材料制作假的皮肤纹理图像来欺骗皮肤纹理图像识别系统，为了进一步对待检测指纹进行活性检测，目前的皮肤纹理图像识别系统需要借助额外的硬件设备来检测指纹的生生物活性特征，诸如温度、脉搏、血压、血氧、汗液、气味等，但是基于额外硬件的皮肤纹理图像识别系统较为复杂，响应较慢并且更新难度大。

本公开的至少一个实施例提供的皮肤纹理图像验证方法、电子设备及非瞬时性计算机可读记录介质，通过获得对待检测皮肤纹理图像进行识别检测的第一置信度，以及获得对待检测皮肤纹理图像进行活体检测的第二置信度，并基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果，实现了在不借助额外的硬件的情况下，对同一皮肤纹理图像进行皮肤纹理图像识别和活体检测，提高了指纹识别系统的整体安全性。

图1是示出根据本公开实施例的一种电子设备100的结构框图，根据本公开的皮肤纹理图像验证方法均可以运行于该电子设备100中。如图1所示，电子设备100包括一个或多个(图中仅示出一个)存储器110以及一个或多个(图中仅示出一个)处理器120。这些组件通过一条或多条通讯总线/信号线相互通讯。

存储器110可用于存储软件程序以及模块，如本公开实施例中的皮肤纹理图像验证方法以及装置对应的程序指令/模块，处理器120通过运行存储在存储器110内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本公开实施例提供的皮肤纹理图像验证方法。该存储器110还可以进一步用于存储软件程序以及模块运行所需的数据或运行产生的数据等。

存储器110可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、半导体存储装置(例如闪存)或者其他非易失性固态存储器。

处理器120可以采用数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、微处理器中的至少一种硬件形式来实现，该处理器120可以是中央处理单元(cpu)、图像处理器(gpu)、专用的集成电路(asic)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合，并且可以控制该电子设备100中的其它组件以执行期望的功能。

可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。例如，根据需要，电子设备还可以包括输入/输出(i/o)装置、外设接口、通信装置等。例如，该输入/输出装置例如为显示器、触摸板、触摸屏、键盘、鼠标等。该外设接口可以为各种类型的接口，例如为usb接口、闪电(lighting)接口等。该通信装置可以通过无线通信来与网络和其他设备进行通信，该网络例如为因特网、内部网和/或诸如蜂窝电话网络之类的无线网络、无线局域网(lan)和/或城域网(man)。无线通信可以使用多种通信标准、协议和技术中的任何一种，包括但不局限于全球移动通信系统(gsm)、增强型数据gsm环境(edge)、宽带码分多址(w-cdma)、码分多址(cdma)、时分多址(tdma)、蓝牙、wi-fi(例如基于ieee802.11a、ieee802.11b、ieee802.11g和/或ieee802.11n标准)、基于因特网协议的语音传输(voip)、wi-max，用于电子邮件、即时消息传递和/或短消息服务(sms)的协议，或任何其他合适的通信协议。

例如，电子设备100可以为手机、平板电脑、笔记本电脑、电子书、游戏机、电视机、数码相框、导航仪等任何设备，也可以为任意的电子设备及硬件的组合，本公开的实施例对此不作限制。

图2是示出根据本公开至少一个实施例的皮肤纹理图像验证方法的流程图，该方法可以应用于图1所示的电子设备100中。下面，将参考图2来描述根据本公开实施例的皮肤纹理图像验证方法。

在步骤s201，获得对待检测皮肤纹理图像进行识别检测的第一置信度。

待检测皮肤纹理图像可以为指纹、掌纹等。

该第一置信度为用于标识待检测皮肤纹理图像与注册测皮肤纹理图像的匹配度的值，即表示待检测皮肤纹理图像与注册皮肤纹理图像来自同一皮肤纹理图像的置信度。该第一置信度越高，表示来自同一皮肤纹理图像的概率越大，该第一置信度越低，表示来自同一皮肤纹理图像的概率越小。

该第一置信度可以为数值，例如可以为取值范围为[0，1]的数值；该第一置信度也可以为诸如“匹配”、“不匹配”、“部分匹配”等文本。本公开实施例并不局限于此。

该第一置信度可以是通过该电子设备100对待检测皮肤纹理图像进行识别检测来获得，也可以从其它电子设备或者服务器直接获得对待检测皮肤纹理图像进行识别检测后的结果。

在步骤s202，获得对该待检测皮肤纹理图像进行活体检测的第二置信度。

该第二置信度为用于标识待检测皮肤纹理图像是真的皮肤纹理图像(而并非使用硅胶、明胶，橡皮泥等材料制作假的皮肤纹理图像)的可能性的值，该第二置信度越高，表示待检测皮肤纹理图像是真的皮肤纹理图像的概率越大，该第二置信度越低，表示待检测皮肤纹理图像是真的皮肤纹理图像的概率越小。

该第二置信度可以为数值，例如可以为取值范围为[0，1]的数值；该第二置信度也可以为诸如“真”、“假”、“可能为真”等文本。本公开实施例并不局限于此。

该第二置信度可以是通过电子设备100对该待检测皮肤纹理图像进行活体检测来获得，也可以从其它电子设备或者服务器直接获得对该待检测皮肤纹理图像进行活体检测的结果。

该活体检测是对该待检测皮肤纹理图像本身进行的，而并非对诸如温度，脉搏，血压，血氧，汗液，气味等的人体的活性特征进行的，因此，电子设备100无需借助诸如传感器等的额外的硬件。

可以理解的是，步骤s201和步骤s202的执行顺序可以是顺序执行，也可以是并行执行。并且，顺序执行的方式可以是如图2所示的先执行步骤s201再执行步骤s202，但是也可以先执行步骤s202再执行步骤s201。本发明实施例不限于此。

在步骤s203，基于该第一置信度和该第二置信度，获得该待检测皮肤纹理图像的验证结果。

可以基于该第一置信度和该第二置信度的算数运算来获得该待检测皮肤纹理图像的验证结果，或者可以基于该第一置信度和该第二置信度得到融合置信度来获得该待检测皮肤纹理图像的验证结果。

该验证结果用于识别待检测皮肤纹理图像是否合法。该验证结果可以为数值，例如可以为取值范围为[0，1]的数值；该验证结果也可以为诸如“成功”、“失败”等文本。本公开实施例并不局限于此。

本公开的实施例提供的皮肤纹理图像验证方法，通过获得对待检测皮肤纹理图像进行识别检测的第一置信度，以及获得对待检测皮肤纹理图像进行活体检测的第二置信度，并基于第一置信度和第二置信度获得待检测皮肤纹理图像的验证结果，实现了在不借助额外的硬件的情况下，对同一皮肤纹理图像进行皮肤纹理图像识别和活体检测，提高了指纹识别系统的整体安全性。

下面将参考图3至图8分别对步骤s201至步骤s203的具体实施方式进行详细描述。首先将以图3至图4为例对上述步骤s201的一种实施方式进行详细描述。图3是示出根据本公开至少一个实施例的对待检测皮肤纹理图像进行识别检测的流程图。图4示出了根据本公开至少一个实施例的一种图像预处理的示意图。

请参考图3，在步骤s301，获得待检测皮肤纹理图像的第一特征点集合和注册皮肤纹理图像的第二特征点集合。

该待检测皮肤纹理图像是在皮肤纹理图像验证阶段通过电子设备(例如，电子设备的指纹获得模块)获得的。该注册皮肤纹理图像可以是用户提前录入到电子设备中的，该注册皮肤纹理图像可以为一个或者多个。若该待检测皮肤纹理图像为多个，则依次与该待检测皮肤纹理图像进行比对。

其中，该第一特征点集合是从该待检测皮肤纹理图像中提取的用于表示该待检测皮肤纹理图像的细节的点，该第二特征点集合是从注册皮肤纹理图像中提取的用于表示该注册皮肤纹理图像的点。任何从图像中提取特征点集合的方法都属于本公开保护的范围。

提取第一特征点集合和第二特征点集合的方式可以相同也可以不同。并且可以是电子设备100自己提取第一特征点集合和第二特征点集合，也可以是从其它设备或者服务器等处直接获得提取好的第一特征点集合和第二特征点集合。

作为一种实施方式，在步骤s301之前，可以分别对待检测皮肤纹理图像以及注册皮肤纹理图像进行图像预处理。

如图4中所示的，图像预处理可以包括前后背景分割、方向场提取、频率场提取、图像增强、图像二值化和图像细化。但是，可以理解的是，图像预处理可以仅包括前后背景分割、方向场提取、频率场提取、图像增强、图像二值化和图像细化的一个或多个。例如，图像预处理可以仅包括方向场处理或者可以仅包括前后背景分割和图像细化。而且，图像预处理还可以包括在图4中未列出的其他预处理，本发明实施例对此不作具体限制。

前后背景分割是指从待检测皮肤纹理图像的背景图像中分割出有意义的前景物体的方法。例如，grabcut算法、分水岭算法或一些阈值分割的算法等。当然，本公开实施例不限于此。

方向场提取是指对待检测皮肤纹理图像的脊线方向进行提取的方法。例如，以指纹的方向场为例，可以用指纹方向图来对指纹的方向场的进行提取。当然，本公开实施例不限于此。

频率场提取是指对待检测皮肤纹理图像的脊线的密集程度的提取，又可以称为纹线距离提取(纹线距离和频率互为倒数)。例如，可以采用频谱分析法、统计窗法、方向窗法等方法来进行频率场提取，任何可以进行频率场提取的方法都属于本公开保护的范围。

图像增强是指通过一定的变换方法来改善图像对比度、提高图像清晰度、降低图像中的噪声信息的方法。例如，图像增强方法可以包括gabor增强方法等，本公开实施例不限于此。

图像二值化是指将例如256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。

图像细化一般是指二值化图像的骨架化(imageskeletonization)的一种操作运算，可以包括非迭代算法及迭代算法等。

通过分别对待检测皮肤纹理图像和注册皮肤纹理图像进行预处理后，可以获得待检测皮肤纹理图像对应的第一细化图像和注册皮肤纹理图像对应的第二细化图像。分别提取第一细化图像的第一特征点集合和该第二细化图像的第二特征点集合。

在获得该第一特征点集合和第二特征点集合后，还可以对获得的第一特征点集合和第二特征点集合进行滤波，以去除伪特征点(即并不能表征该皮肤纹理图像的细节的点)。

通过上述图像预处理以及滤波处理，使得获得的第一特征点集合和第二特征点集合中包括的用于表示的待检测皮肤纹理图像和注册皮肤纹理图像的细节特征更加准确，从而使得通过第一特征点集合和第二特征点集合进行比对获得的用于表示待检测皮肤纹理图像与注册测皮肤纹理图像来自同一皮肤纹理图像的第一置信度更加准确。

在步骤s302，基于第一特征点集合和第二特征点集合的比对结果，获得第一置信度。

将第一特征点集合和第二特征点集合的进行比对的实施方式有很多，此处不再赘述，任何能够实现特征点比对的方法均属于本公开保护的范围。通过第一特征点集合和第二特征点集合的比对来实现皮肤纹理图像识别检测，提高了验证结果的准确率。

可以理解的是，获得第一置信度的方式不局限于上述基于第一特征点集合和第二特征点集合的比对结果的方式，还可以是直接利用神经网络的方式来获得该第一置信度，即可以利用神经网络来获得待检测皮肤纹理图像以及注册皮肤纹理图像的匹配程度。

下面将以图5至图6为例对上述步骤s202的一种实施方式进行详细描述。图5是示出根据本公开至少一个实施例的对待检测皮肤纹理图像进行活性检测的流程图。图6示出了根据本公开至少一个实施例的一种获得残差网络模型的流程图。

请参考图5，在步骤s501，基于待检测皮肤纹理图像和残差网络模型，获得第二置信度。

当然，在步骤s501之前，步骤s202还可以例如将待检测皮肤纹理图像进行归一化处理，以将该待检测皮肤纹理图像变化为具有某一固定标准形式的图像，然后将经过归一化的待检测皮肤纹理图像输入到预先训练好的残差网络模型，通过该残差网络模型获得第二置信度。

该残差网络模型是预先训练好的，在皮肤纹理图像验证阶段中获得待检测皮肤纹理图像的第二置信度时可以直接使用。例如，该残差网络模型可以是预先基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像以及与各个皮肤纹理图像相对应的第二离散标签进行训练获得的。下面将以图6为示例，对获得残差网络模型的一种实施方式进行详细说明。

首先对训练集、测试集、用于训练的皮肤纹理图像集合及用于验证的皮肤纹理图像集合、第一离散标签、第二离散标签这几个概念进行说明。

作为一种实施方式，可以预先生成并存储多条皮肤纹理图像记录，该皮肤纹理图像记录可以为三元组，例如，该三元组形式的皮肤纹理图像记录的形式可以为[注册皮肤纹理图像，待检测皮肤纹理图像，第一离散标签]，该第一离散标签为人为标定。

第一离散标签的取值范围为{0，1}，当待检测皮肤纹理图像与注册皮肤纹理图像来自同一皮肤纹理图像并且该待检测皮肤纹理图像为真的皮肤纹理图像时，该第一离散标签的值为1；其它情况时(即，当待检测皮肤纹理图像与注册皮肤纹理图像不是来自同一皮肤纹理图像和/或该待检测皮肤纹理图像为假的皮肤纹理图像时)，该第一离散标签的值为0。

例如，假设有10000张样本皮肤纹理图像，可以从这些样本皮肤纹理图像中选择一张作为注册皮肤纹理图像，从其余的样本皮肤纹理图像再选择一张样本皮肤纹理图像作为待检测皮肤纹理图像，并根据上述标准人为的标定该第一离散标签的值，以此构成一条皮肤纹理图像记录。以此类推，构成多条皮肤纹理图像记录。

可以将这多条皮肤纹理图像记录划分为训练集和测试集。该训练集可以在后续的残差网络模型及逻辑回归模型的训练中使用，该测试集可以用于评估训练的逻辑回归模型的准确度。

作为一种实施方式，可以进一步将上述训练集中的各个皮肤纹理图像(待检测皮肤纹理图像/注册皮肤纹理图像)进行标记以获得各个皮肤纹理图像相对应的第二离散标签。第二离散标签的取值范围为{0，1}。例如，将真的皮肤纹理图像标记为1，即真的皮肤纹理图像对应的离散标签为1；将假的皮肤纹理图像标记为0，即假的皮肤纹理图像对应的离散标签为0。该第二离散标签为人为标定。

当然，也可以预先将该第二离散标签添加到上述皮肤纹理图像记录中，使得该皮肤纹理图像记录为四元组，若该皮肤纹理图像记录为四元组，该四元组形式的皮肤纹理图像记录的形式可以为[注册皮肤纹理图像，待检测皮肤纹理图像，第一离散标签，第二离散标签]。

进一步的，可以将上述训练集进一步划分为两个子集，第一子集是用于训练的皮肤纹理图像集合，第二子集是用于验证的皮肤纹理图像集合(即验证集)。通过用于训练的皮肤纹理图像集合中的皮肤纹理图像来训练残差网络模型，并且通过用于验证的皮肤纹理图像集合中的皮肤纹理图像来对该训练的残差网络模型进行评估和验证。

其中，用于训练的皮肤纹理图像和用于验证的皮肤纹理图像的数量可以根据需要进行设定。例如，用于训练的皮肤纹理图像和用于验证的皮肤纹理图像的数量的比值可以为4:1。当然，本公开实施例并不局限于此。例如，也可以不将上述训练集进一步划分，即可以不对训练好的残差网络模型进行验证，此时，用于训练的皮肤纹理图像集合等同于上述训练集。

下面，以四元组形式[注册皮肤纹理图像，待检测皮肤纹理图像，第一离散标签，第二离散标签]的皮肤纹理图像记录为例，描述根据本公开实施例的训练方法。然而，应了解根据本公开实施例的训练方法不限于四元组形式的皮肤纹理图像记录，而可以为[注册皮肤纹理图像，待检测皮肤纹理图像，第一离散标签]的三元组形式的皮肤纹理图像记录，或者可以为[注册皮肤纹理图像，待检测皮肤纹理图像，第二离散标签]的三元组形式的皮肤纹理图像记录。

请参阅图6，在步骤s601，对用于训练的皮肤纹理图像集合中的各个皮肤纹理图像的进行图像预处理。

图像预处理可以包括：对用于训练的皮肤纹理图像的进行前景区域提取、有效区域定位、图像增强、归一化中的至少一个。其中，前景区域提前类似于上文中提到的前后背景分割方法，图像增强及归一化已经在上文中进行说明，此处不再赘述。任何能够实现有效区域定位的方法都属于本公开保护的范围。

可以理解的是，该图像预处理可以在将训练集划分之前进行，也可以在将训练集划分之后进行，本公开对此不作限制。

步骤s602，基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像以及与各个皮肤纹理图像相对应的第二离散标签，获得残差网络模型的模型参数。

将经过图像预处理的用于训练的皮肤纹理图像以及各个皮肤纹理图像相对应的第二离散标签输入到具有未知模型参数的残差网络模型中进行训练，以获得该残差网络模型的参数。任何通过训练获得残差网络模型的模型参数的方式都属于本公开保护的范围。当残差网络模型的模型参数确定后，该残差网络模型确定。

步骤s603，基于用于验证的皮肤纹理图像集合，对残差网络模型进行验证。

当通过步骤s602的方式获得确定的残差网络模型后，可以通过基于用于验证的皮肤纹理图像集合(验证集)，对残差网络模型进行验证。若发现验证结果没有达到预期，可以进行调整后重新进行训练，从而使得该残差网络模型的判断更加准确。

通过基于待检测皮肤纹理图像和残差网络模型，获得第二置信度，使得可以基于深度学习来实现待检测皮肤纹理图像的活体检测，并进一步提高了验证结果的准确率。并且，通过这种方式使得无需使用额外的硬件进行检测，从而由于无需等待外部硬件的检测结果而使得响应更加及时。并且，由于无需进行硬件升级使得系统的更新更加容易。

下面将以图7至图8为例对上述步骤s203的一种实施方式进行详细描述。图7是示出根据本公开至少一个实施例的基于该第一置信度和该第二置信度获得该待检测皮肤纹理图像的验证结果的流程图。图8示出了根据本公开至少一个实施例的基于置信度特征向量获得待检测皮肤纹理图像的验证结果的流程图。

请参考图7，在步骤s701，基于第一置信度和第二置信度，获得置信度特征向量。

例如，可以通过对第一置信度和第二置信度分别进行各类数学变换，例如，取幂、内积点乘等，将分别得到的值作为构成置信度特征向量中包括的元素。

例如，该置信度特征向量可以包括以下至少两项：第一置信度的幂、第二置信度的幂、及第一置信度的幂与第二置信度的幂的乘积。例如，该置信度特征向量可以包括第一置信度的幂和第二置信度的幂；又如，该置信度特征向量可以包括第一置信度的幂以及第一置信度的幂与第二置信度的幂的乘积；再如，该置信度特征向量可以包括第一置信度的幂、第二置信度的幂以及第一置信度的幂与第二置信度的幂的乘积等等。

例如，该第一置信度的幂可以包括第一置信度的0.5次幂、1次幂或2次幂。例如，第一置信度记为score1，则第一置信度的幂可以包括score1^0.5，score1，或score1²。当然，本公开实施例不局限于此。例如，第一置信度的幂还可以包括score1³，score1⁴等。

例如，该第二置信度的幂可以包括第二置信度的0.5次幂、1次幂或2次幂。例如，第二置信度记为score2，则第二置信度的幂可以包括score2^0.5，score2，或score2²。当然，本公开实施例不局限于此。例如，第一置信度的幂还可以包括score2³，score2⁴等。

并且，该置信度特征向量可以为多维向量，例如，二维特征向量、三维向量、四维向量、…、十三维特征向量等等。

该二维特征向量例如可以包括：

f＝[score1，score2]

该三维向量例如可以包括：

f＝[score1^0.5，score2^0.5，score1^0.5×score2^0.5]

该四维向量例如可以包括：

f＝[score1^0.5，score1^0.5×score2，score2，score1²×score2²]

该十三维置信度特征向量例如可以包括：

f＝[score1^0.5，score2^0.5，score1^0.5×score2^0.5，score1^0.5×score2，score1×score2^0.5，score1，score2，score1×score2，score1²×score2，score1²，score2²，score1×score2²，score1²×score2²]

其中，score1为第一置信度，score2为第二置信度。

当然，本公开实施例并不局限于此。例如，该置信度特征向量可以包括更高维度或更低维度的特征向量，并且特征向量中的元素可以根据需要进行设置。

该置信度特征向量维度越多，可以使得该置信度特征向量中具有更加丰富的该待检测皮肤纹理图像的特征，从而使得第一置信度和第二置信度的融合效果更好，从而提高了验证结果的准确率。

步骤s702，基于置信度特征向量，获得待检测皮肤纹理图像的验证结果。

基于上述置信度特征向量，例如，该置信度特征向量的模，或对该置信度特征向量进一步处理获得该待检测皮肤纹理图像的验证结果，即该待检测皮肤纹理图像的验证结果为“成功”、“失败”。

基于第一置信度和第二置信度来获得置信度特征向量，使得该置信度特征向量中具有更加丰富的该待检测皮肤纹理图像的特征，使得第一置信度和第二置信度的融合效果更好，从而基于该置信度特征向量获得的验证结果的准确率进一步被提高。

下面将以图8为例，对基于置信度特征向量获得待检测皮肤纹理图像的验证结果的一种实施方式进行详细说明。

请参考图8，在步骤s801，基于置信度特征向量，获得待检测皮肤纹理图像的融合置信度。

例如，可以基于置信度特征向量以及逻辑回归模型，获得待检测皮肤纹理图像的融合置信度。

该融合置信度例如可以通过下述公式来计算：

其中，[w，b]为该逻辑回归模型的参数，f为该待检测皮肤纹理图像的信度特征向量，scoref为待检测皮肤纹理图像的融合置信度，其取值范围[0，1]。scoref的值越大，说明该待检测皮肤纹理图像的验证结果为成功的置信度越高，合法登录该皮肤纹理图像验证系统的可能性越大；scoref的值越小，说明该待检测皮肤纹理图像的验证结果为失败的置信度越高，非法登录该皮肤纹理图像验证系统的可能性越大。

该逻辑回归模型是预先训练好的，可以在待检测皮肤纹理图像进行验证时直接使用。例如，该逻辑回归模型可以是基于用于训练的皮肤纹理图像集合(可以为训练集，也可以为训练集的部分子集(例如，第一子集)，根据需要进行指定)中的各个皮肤纹理图像相对应的置信度特征向量f以及与各个皮肤纹理图像相对应的第一离散标签训练获得的。

例如，可以首先从上述训练集中获取[注册皮肤纹理图像，待检测皮肤纹理图像]，并参考图3所示的方法获得该训练集中的待检测皮肤纹理图像的第一置信度。然后参考图5所示的方法将该训练集中的待检测皮肤纹理图像进行活性检测，获得该训练集中的待检测皮肤纹理图像的第二置信度。并根据步骤s701所示的方法获得该训练集中的待检测皮肤纹理图像的置信度特征向量f。

类似地，将训练集中的所有/部分皮肤纹理图像记录，都通过上述方式构造成为对应的置信度特征向量f，将这多个置信度特征向量f记为置信度特征向量集合x，并结合预先设置的第一离散标签，输入到具有未知参数[w，b]的逻辑回归模型中，以获得该逻辑回归模型的参数[w，b]。

当该逻辑回归模型的参数[w，b]的值确定后，该逻辑回归模型确定，此时该逻辑回归模型可以用来获得待检测皮肤纹理图像的融合置信度。当上述逻辑回归模型确定后，可以通过上述测试集来评估该逻辑回归模型的准确度。

通过置信度特征向量和逻辑回归模型来获得待检测皮肤纹理图像的融合置信度，进一步降低了皮肤纹理图像验证系统的响应时延，提高了皮肤纹理图像验证系统的时效性。

步骤s802，基于融合置信度，获得待检测皮肤纹理图像的验证结果。

例如，如果融合置信度大于预设阈值，则待检测皮肤纹理图像的验证结果为成功；如果融合置信度小于或等于预设阈值，则待检测皮肤纹理图像的验证结果为失败。

应了解，在采用三元组形式[注册皮肤纹理图像，待检测皮肤纹理图像，第一离散标签]的皮肤纹理图像记录的情况下，可以根据该第一离散标签一起对上述的残差网络和逻辑回归模型进行训练。在采用三元组形式[注册皮肤纹理图像，待检测皮肤纹理图像，第二离散标签]的皮肤纹理图像记录的情况下，可以根据该第二离散标签对上述的残差网络进行训练，并进一步根据第二离散标签对逻辑回归模型进行训练。

本公开至少一个实施例的皮肤纹理图像验证方法，通过获得对待检测皮肤纹理图像进行识别检测的第一置信度，获得对待检测皮肤纹理图像进行活体检测的第二置信度，并基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果，实现了在不借助额外的硬件的情况下，对同一皮肤纹理图像进行皮肤纹理图像识别和活体检测，提高了指纹识别系统的整体安全性。

图9是示出根据本公开至少一个实施例的皮肤纹理图像验证装置900的功能模块示意图，该皮肤纹理图像验证装置900可以应用于图1所示的电子设备100中，参见图9，皮肤纹理图像验证装置900可以包括第一置信度获得模块910、第二置信度获得模块920及验证模块930。

第一置信度获得模块910，用于获得对待检测皮肤纹理图像进行识别检测的第一置信度。

例如，该皮肤纹理图像包括指纹图像。

例如，该第一置信度获得模块910，还用于获得待检测皮肤纹理图像的第一特征点集合和注册皮肤纹理图像的第二特征点集合；基于第一特征点集合和第二特征点集合的比对结果，获得第一置信度。

第二置信度获得模块920，用于获得对待检测皮肤纹理图像进行活体检测的第二置信度。

例如，该第二置信度获得模块920，还用于基于待检测皮肤纹理图像和残差网络模型，获得第二置信度。

例如，残差网络模型可以是基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像以及与各个皮肤纹理图像相对应的第二离散标签获得的。

验证模块930，用于基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果。

例如，该验证模块930还用于基于第一置信度和第二置信度，获得置信度特征向量；基于置信度特征向量，获得待检测皮肤纹理图像的验证结果。

例如，该置信度特征向量可以包括以下至少两项：第一置信度的幂、第二置信度的幂、及第一置信度的幂与第二置信度的幂的乘积。

例如，该第一置信度的幂可以包括第一置信度的0.5次幂、1次幂或2次幂。

例如，该第二置信度的幂可以包括第二置信度的0.5次幂、1次幂或2次幂。

例如，该置信度特征向量可以包括十三维置信度特征向量。

例如，该十三维置信度特征向量可以包括：

f＝[score1^0.5，score2^0.5，score1^0.5×score2^0.5，score1^0.5×score2，score1×score2^0.5，score1，score2，score1×score2，score1²×score2，score1²，score2²，score1×score2²，score1^2×score2²]

其中，score1为第一置信度，score2为第二置信度，score1^0.5为第一置信度的0.5次幂、score1为第一置信度的1次幂，score1²为第一置信度的2次幂，score2^0.5为第二置信度的0.5次幂、score2为第二置信度的1次幂，score2²为第二置信度的2次幂。

例如，该验证模块930还用于基于置信度特征向量，获得待检测皮肤纹理图像的融合置信度；基于融合置信度，获得待检测皮肤纹理图像的验证结果。

例如，如果融合置信度大于预设阈值，则待检测皮肤纹理图像的验证结果为成功；如果融合置信度小于或等于预设阈值，则待检测皮肤纹理图像的验证结果为失败。

例如，该验证模块930还用于基于置信度特征向量以及逻辑回归模型，获得待检测皮肤纹理图像的融合置信度。

例如，逻辑回归模型可以是基于用于训练的皮肤纹理图像集合中的各个皮肤纹理图像相对应的置信度特征向量以及与各个皮肤纹理图像相对应的第一离散标签获得的。本公开至少一个实施例的皮肤纹理图像验证装置，通过获得对待检测皮肤纹理图像进行识别检测的第一置信度，获得对待检测皮肤纹理图像进行活体检测的第二置信度，并基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果，实现了在不借助额外的硬件的情况下，对同一皮肤纹理图像进行皮肤纹理图像识别和活体检测，提高了指纹识别系统的整体安全性。

本公开的至少一个实施例提供了一种电子设备，包括：存储器及处理器，其中，处理器与存储器耦合，存储器中存储指令，当指令由处理器执行时以使电子设备执行如上的皮肤纹理图像验证方法。

例如，该电子设备可以为图1所示的电子设备100，该电子设备可以执行上述皮肤纹理图像验证方法。关于该电子设备的详细描述可以参考前述内容，此处不再赘述。

本公开至少一个实施例的电子设备，通过获得对待检测皮肤纹理图像进行识别检测的第一置信度，获得对待检测皮肤纹理图像进行活体检测的第二置信度，并基于第一置信度和第二置信度，获得待检测皮肤纹理图像的验证结果，实现了在不借助额外的硬件的情况下，对同一皮肤纹理图像进行皮肤纹理图像识别和活体检测，提高了指纹识别系统的整体安全性。

本公开的至少一个实施例还提供一种非瞬时性计算机可读记录介质，其上已存储用于被计算机运行时执行上述的方法的程序。例如，该非瞬时性计算机可读记录介质被计算机运行时可以执行上述皮肤纹理图像验证方法的一个或多个步骤。该非瞬时性计算机可读记录介质可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(rom)、硬盘、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、闪存等。在该非瞬时性计算机可读记录介质上可以存储一个或多个计算机程序模块，当该一个或多个计算机程序模块被计算机运行时可以实现上述方法。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本公开实施例所提供的皮肤纹理图像验证装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本公开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)执行本公开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，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第三等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所附权利要求及其等同物的保护范围为准。