一種身份識別裝置及方法與流程
2023-08-03 12:57:26 3
本發明涉及生物識別
技術領域：
，特別涉及一種身份識別裝置及方法。
背景技術：
：隨著科技的迅猛發展，整個社會的信息化程度日益提高，信息洩密的概率與日遞增。這些信息一旦被不法分子採集並冒用，將會給被冒用者帶來重大的經濟利益損失，嚴重時甚至會危害到他人及整個社會的安全。信息保護的一個重要手段是採用身份識別技術。傳統的身份識別技術普遍是基於IC射頻卡、靜態密碼或動態密碼等，存在易丟失、易遺忘、易替代等安全漏洞問題。生物識別技術是指通過計算機，利用人體固有的生物特徵來進行身份認證的一種識別技術，目前已被用於生物識別的人體生物特徵包括指紋、掌紋、臉形、虹膜、脈搏、聲音、腦電、心電、基因等，該技術具有不易遺忘、不易偽造或被盜、隨身「攜帶」和隨時隨地可用等優點，比傳統的身份識別方法更具安全、保密和便捷性。然而，目前大部分的生物識別技術都是基於單一的生物特徵，如僅僅採用指紋、虹膜、聲音、臉部等，但由於每一種生物特徵都有或多或少的缺陷，尤其是易受外界環境以及生物特徵受損等因數的影響，導致識別率下降。如指紋易磨損，沾水後難以識別；虹膜識別結果與光照，角度等都密切相關；人臉識別不能對臉部飾物和整形手術後的臉部進行精確識別等。針對上述問題，有研究人員提出了基於多模態的生物特徵識別方法。例如，中國專利CN105117697A提出了一種指紋識別方法、指紋識別裝置及其終端設備，該專利通過向待檢測對象發射紅光、紅外光和綠光，通過反射光的變化來判斷待檢測對象是否為活體，確定為活體後再通過採集指紋圖像對用戶的身份進行識別。因此，嚴格來說，該專利還是採用單一的生物特徵進行身份識別。中國專利CN102542263A提出了一種基於指部生物特徵的多模態身份認證裝置及方法。該專利主要是通過採集指靜脈圖像、指節紋圖像和指紋圖像來採集用戶的生物特徵信息。然而，在該專利中，只是孤立地採集這三種生物特徵信息並進行身份識別，缺乏將這三種模態進行有效的融合，識別率還需進一步提高。中國專利CN1758263提出了一種基於得分差加權融合的多模態身份識別方法。該專利提出了採用得分差加權融合算法實現多模態的身份識別，然而，該算法並沒有考慮其他環境因素對身份識別的影響。技術實現要素：本發明提供了一種身份識別裝置及方法，旨在至少在一定程度上解決現有技術中的上述技術問題之一。為了解決上述問題，本發明提供了如下技術方案：一種身份識別裝置，包括生物特徵信號採集模塊、生物特徵提取模塊和生物特徵識別模塊；所述生物特徵信號採集模塊用於採集指紋圖像以及指部群延遲曲線；所述生物特徵提取模塊用於根據所述指紋圖像以及指部群延遲曲線分別提取指紋特徵值和群延遲特徵值；所述生物特徵識別模塊用於通過訓練樣本集構建身份識別模型，並利用卷積神經網絡算法將所提取的指紋特徵值和群延遲特徵值與所述身份識別模型進行交叉驗證，實現用戶的身份識別。本發明實施例採取的技術方案還包括：所述生物特徵信號採集模塊包括指紋採集單元和介電譜採集單元，所述指紋採集單元為指紋傳感器，用於採集指部的指紋圖像；所述介電譜採集單元包括信號發送電極、信號接收電極、信號源、接收器，所述信號發送電極和信號接收電極分別位於指紋傳感器的兩端；當手指按壓到信號發送電極和信號接收電極時，所述信號源產生正弦波，並通過信號發送電極將正弦波耦合到用戶的指部，所述信號接收電極接收正弦波經過指部後的信號群延遲曲線，並存儲在接收器中。本發明實施例採取的技術方案還包括信號預處理模塊，所述信號預處理模塊包括：指紋預處理單元：用於對指紋圖像進行傅立葉變換濾波處理後，利用梯度算法對指紋圖像的清晰度進行分析，並採用動態二值化算法對指紋圖像進行二值化處理；群延遲曲線預處理單元：用於將所述群延遲曲線轉換為群延遲圖像，並採用無跡粒子濾波算法對群延遲圖像進行濾波處理。本發明實施例採取的技術方案還包括環境參數監測模塊，所述環境參數監測模塊用於採集用戶環境參數信息；所述環境參數監測模塊包括溼度傳感單元和溫度傳感單元，所述溼度傳感單元包括溼度傳感器和油脂傳感器，所述溼度傳感器和油脂傳感器分別用於採集用戶手指的水分分布和油膩程度信息；所述溫度傳感單元為體溫傳感器，用於採集用戶當前的體溫信息。本發明實施例採取的技術方案還包括：所述生物特徵提取模塊包括：指紋特徵提取單元：用於利用log-Gabor濾波器對指紋圖像進行分割後，提取指紋紋路方向特徵，並根據紋路方向提取指紋的點特徵和線特徵；群延遲特徵提取單元：用於提取不同頻帶下的群延遲曲率半徑、不同頻帶下的群延遲平均值，並提取群延遲曲線的頻譜特性。本發明實施例採取的技術方案還包括：所述生物特徵識別模塊包括訓練單元和測試單元；所述訓練單元的訓練方式包括：採集多個志願者在不同時間段的指紋圖像、指部群延遲曲線和環境參數信息，將採集的指紋圖像、指部群延遲曲線和環境參數信息作為訓練樣本集，利用卷積神經網絡算法對訓練樣本集進行迭代計算，並輸出與所述環境參數信息相關的身份識別模型；將該身份識別模型存儲在生物特徵資料庫中。所述測試單元的測試方式包括：將所述生物特徵提取模塊提取的指紋特徵值、群延遲特徵值以及環境參數監測模塊採集的環境參數信息與生物特徵資料庫中的身份識別模型進行交叉驗證，判斷所提取的指紋特徵值、群延遲特徵值以及環境參數信息與身份識別模型中的指紋圖像、指部群延遲曲線以及環境參數信息的相關程度，並輸出身份識別結果，實現用戶的身份識別。本發明實施例採取的另一技術方案為：一種身份識別方法，包括以下步驟：步驟a：採集指紋圖像以及指部群延遲曲線；步驟b：根據指紋圖像以及指部群延遲曲線分別提取指紋特徵值和群延遲特徵值；步驟c：通過訓練樣本集構建身份識別模型，並利用卷積神經網絡算法將所提取的指紋特徵值和群延遲特徵值與所述身份識別模型進行交叉驗證，實現用戶的身份識別。本發明實施例採取的技術方案還包括：所述步驟a還包括：步驟a1：採集環境參數信息；所述環境參數信息包括水分溼度、油膩程度、體溫信息；步驟a2：對指紋圖像進行傅立葉變換濾波處理後，利用梯度算法對指紋圖像的清晰度進行分析，採用動態二值化算法對指紋圖像進行二值化處理；步驟a3：將群延遲曲線轉換為群延遲圖像，並採用無跡粒子濾波算法對群延遲圖像進行濾波處理。本發明實施例採取的技術方案還包括：在所述步驟b中，所述提取生物特徵信息具體包括：利用log-Gabor濾波器對指紋圖像進行分割後，提取指紋紋路方向特徵，根據紋路方向提取指紋的點特徵和線特徵；提取不同頻帶下的群延遲曲率半徑、群延遲平均值，並提取群延遲曲線的頻譜特性。本發明實施例採取的技術方案還包括：在所述步驟c中，所述的身份識別包括：步驟c1：採集多個志願者在不同時間段的指紋圖像、指部群延遲曲線和環境參數信息，將採集的指紋圖像、指部群延遲曲線和環境參數信息作為訓練樣本集，利用卷積神經網絡算法對訓練樣本集進行迭代計算，並輸出與所述環境參數信息相關的身份識別模型，將該身份識別模型存儲在生物特徵資料庫中；步驟c2：將提取的指紋特徵值、群延遲特徵值以及採集的環境參數信息與生物特徵資料庫中的身份識別模型進行交叉驗證，判斷所提取的指紋特徵值、群延遲特徵值以及環境參數信息與身份識別模型中的指紋圖像、指部群延遲曲線以及環境參數信息的相關程度，並輸出身份識別結果，實現用戶的身份識別。相對於現有技術，本發明實施例產生的有益效果在於：本發明實施例的身份識別裝置及方法通過採集用戶的指紋特徵和指部介電譜特徵信息進行身份識別，同時，為了減小外部環境和內部環境對身份識別的幹擾，在採集指紋特徵的同時採集用戶手指的水分分布、油膩程度及體溫等環境參數信息，通過環境參數信息對身份識別進行修正，有效地提高了身份識別的準確性和可靠性。並採用基於卷積神經網絡的多模態融合身份識別算法進行身份識別，進一步提高身份識別的準確性和可靠性。附圖說明圖1是本發明實施例的身份識別裝置的結構示意圖；圖2是本發明實施例的生物特徵信號採集模塊的結構示意圖；圖3是本發明實施例的基於卷積神經網絡算法的身份識別示意圖；圖4是本發明實施例的生物特徵識別模塊身份識別過程示意圖；圖5是本發明實施例的身份識別方法的流程圖。具體實施方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。請參閱圖1，是本發明實施例的身份識別裝置的結構示意圖。本發明實施例的身份識別裝置包括生物特徵信號採集模塊、環境參數監測模塊、信號預處理模塊、生物特徵提取模塊、生物特徵識別模塊和生物特徵資料庫；生物特徵信號採集模塊用於採集指部的指紋圖像以及正弦波經過指部後的信號群延遲曲線；環境參數監測模塊用於採集用戶指部的水分溼度、油膩程度、體溫等環境參數信息；信號預處理模塊用於對指紋圖像和指部群延遲曲線進行預處理，得到二值化指紋圖像及指部群延遲圖像；生物特徵提取模塊用於根據二值化指紋圖像以及指部群延遲圖像分別提取指紋特徵值和群延遲特徵值；生物特徵識別模塊用於構建身份識別模型，將身份識別模型存儲在生物特徵資料庫中；並通過卷積神經網絡算法將生物特徵提取模塊提取的指紋特徵值、群延遲特徵值以及環境參數監測模塊採集的環境參數信息進行融合後，與生物特徵資料庫中存儲的身份識別模型進行交叉驗證，判斷這兩種生物特徵是否來自於同一個用戶，從而實現用戶的身份識別。具體地，請一併參閱圖2，是本發明實施例的生物特徵信號採集模塊的結構示意圖；生物特徵信號採集模塊包括指紋採集單元和介電譜採集單元；指紋採集單元用於採集指部的指紋圖像；其中指紋採集單元F為一個能夠連續快速採集的指紋傳感器，當用戶的手指按壓指紋傳感器時，指紋傳感器則以4幀/秒的速度開始連續採集用戶的指紋，當採集到20幀指紋圖像後，自動結束指紋圖像的採集；可以理解，在本發明其他實施例中，指紋圖像的採集速度和數量還可以根據實際應用進行設定。介電譜採集單元用於採集正弦波經過指部後的信號群延遲曲線；具體地，介電譜採集單元包括信號發送電極A、信號接收電極B、信號源(圖未示)、接收器(圖未示)，信號發送電極A和信號接收電極B分別位於指紋傳感器的兩端。當手指按壓到信號發送電極A和信號接收電極B時，信號源以1MHz為頻率間隔，在5秒內依序產生1MHz-200MHz的正弦波，並通過信號發送電極A將正弦波耦合到用戶的指部。由於人體的差異性，每個人的手指的介電常數也不一樣，導致正弦波在經過指部時信號的群延遲會發生改變。信號接收電極B通過接收不同頻率下的指部信號群延遲，並存儲在接收器中，從而採集用戶指部的介電譜信息。可以理解，在本發明其他實施例中，介電譜採集單元產生的信號頻率還可以根據實際應用進行設定。通過指紋採集單元採集獲得的指紋圖像以及通過介電譜採集單元獲得的指部群延遲曲線通常都伴有各種各樣的噪聲。本發明通過信號預處理模塊對指紋圖像和群延遲曲線進行預處理，使得低質量的指紋圖像和群延遲曲線變得更加清晰、飽滿，削弱或消除各種噪聲幹擾因素的影響，以便能提取或識別到精準的特徵信息。具體地，信號預處理模塊包括指紋預處理單元和群延遲曲線預處理單元；指紋預處理單元用於對指紋圖像進行傅立葉變換濾波處理後，利用梯度算法對指紋圖像的清晰度進行分析，選擇出清晰度最高的指紋圖像，並採用動態二值化算法對指紋圖像進行二值化處理。其中，指紋預處理單元用於對指紋圖像進行傅立葉變換濾波處理的處理方式具體包括：1.1：利用指紋傳感器所採集的20幅指紋圖像，建立指紋圖像處理資料庫：C＝{c1,c2,...,cn,...,cN}(1)在公式(1)中，N＝20，1≤n≤N，cn表示第n幅指紋圖像。1.2：將指紋圖像c1分成16×16大小的子塊，對每一個子塊生成矩陣A+Bj，並對矩陣進行傅立葉變換：Xjk+Yjkj=Σp=015Σq=015{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(2)]]>1.3：當Xjk+Yjkj的頻帶大於十倍的中心頻帶時，將其設置為0；同樣，當Xjk+Yjkj的頻帶小於中心頻帶的十分之一時，將其設置為0；然後對其進行分線性變換：Cjk+Djkj＝(Xjk2+Yjk2)pow(Xjk+Yjkj)(3)1.4：進行逆傅立葉變換，將增強後的頻率域信息反轉換為空間域信息，實現對指紋圖像的傅立葉變換濾波：Upq+Vpqj=Σj=015Σk=015{(Cjk+Djkj)exp{2πjw(pj+qk)}}---(4)]]>1.5：對指紋圖像處理資料庫的其他指紋圖像c2,...,cn,...,cN，重複執行上述步驟，對每一幅指紋圖像進行傅立葉變換濾波處理。指紋預處理單元利用梯度算法對指紋圖像的清晰度進行分析的分析方式具體包括：2.1：通過梯度算法採集指紋圖像c1的梯度，指紋圖像c1的梯度可表示為：jc1=(f(x,y)-f(x+1,y+1))2+(f(x+1,y)-f(x,y+1))212---(5)]]>在公式(5)中，f(x,y)是位於(x,y)位置處的像素點。2.2：當指紋圖像c1的大小為M×N時，指紋圖像c1的清晰度可表示為：Jc1=Σ1MΣ1Njc1mn---(6)]]>2.3：對指紋圖像處理資料庫的其他指紋圖像c2,...,cn,...,cN，重複執行上述步驟，對每一幅指紋圖像的清晰度進行分析；2.4：對指紋圖像處理資料庫中的20幅指紋圖像清晰度進行排序，選擇出清晰度最高的指紋圖像。指紋預處理單元採用動態二值化算法對指紋圖像進行二值化處理的處理方式具體包括：3.1：確定指紋圖像動態二值化的窗口大小，本發明實施例中所採用的窗口大小為8×8；3.2：確定動態二值化算法的閾值T(x,y)：T(x,y)=T1(x,y)+,T1(x,y)<TtT1(x,y)-,T1(x,y)Tt---(7)]]>在公式(7)中，f(x,y)是位於(x,y)位置處像素點的灰度值，Tt為固定的參考閾值，其大小根據圖像的灰度分布圖確定，ε為誤判修正因子。3.3：令二值化後的指紋圖像為I(x,y)，則I(x,y)可以表示為：I(x,y)=1,f(x,y)T(x,y)0,f(x,y)3.4：根據公式(8)對指紋圖像進行二值化運算，採集經過二值化後的指紋圖像，並保存。群延遲曲線預處理單元用於將群延遲曲線轉換為相應的群延遲圖像，並採用無跡粒子濾波算法對群延遲圖像進行濾波處理；其中，群延遲曲線預處理單元將群延遲曲線轉換為相應的群延遲圖像的轉換方式具體為：建立一個M×N的空白矩陣；按照線性映射的方法對群延遲曲線從上至下進行掃描，將1MHz-200MHz的群延遲曲線轉換為大小為M×N的群延遲圖像。群延遲曲線預處理單元對群延遲圖像進行濾波處理的處理方式具體為：4.1：從群延遲圖像中採集N個像素{xi0,i＝1,2,...,N}，並令每個樣本的初始權值為wi0＝1/N,i＝1,2,...,N；4.2：根據密度函數，更新圖像像素{xik-1,pik-1}的狀態，由此得到新的像素集4.3：計算像素集的均值和方差4.4：利用上述的均值和方差得到密度函數從中抽樣得到新的像素4.5：根據最新預測所得的結果，計算各個像素的權值並進行歸一化：w~ik=w~ikp(yk|xki)p(xk|xk-1i)q(xki|xk-1i,y1:k),wki=w~ikΣiw~ik---(9)]]>4.6：通過不斷更新像素的位置，每一次迭代結束後重新計算每個像素的權值，直至所有的迭代完成，最終完成信號的濾波處理。生物特徵提取模塊用於根據二值化指紋圖像和群延遲圖像提取用戶的指紋特徵值以及群延遲特徵值；具體地，生物特徵提取模塊包括指紋特徵提取單元和群延遲特徵提取單元；指紋特徵提取單元用於利用log-Gabor濾波器對指紋圖像進行分割後，提取指紋紋路方向特徵，並根據紋路方向提取指紋的點特徵和線特徵；其中，指紋特徵提取單元對指紋圖像進行分割的分割方式具體包括：根據指紋的局部方向性、方向圖的統計特徵等特性，利用log-Gabor濾波器，將指紋圖像分割成許多互不重疊的小塊；計算每一小塊的特徵向量，根據特徵向量來判斷某一小塊是否符合特徵提取要求，如不合適，則捨棄該一小塊。指紋特徵提取單元提取指紋紋路方向特徵的提取方式具體為：在某一小塊內，以像素(x,y)為中心，計算以W為邊長的方形區域的紋路方向O(i,j)，並分別對每一像素的紋路方向進行分析：Vx=Σw(Gx2(x,y)-Gy2(x,y))---(10)]]>Vy＝2Gx(x,y)-Gy(x,y)(11)θ(i,j)=12tan-1(VyVx)---(12)]]>在上述公式中，Gx(x,y)、Gy(x,y)分別為像素(x,y)處的梯度。指紋特徵提取單元根據紋路方向提取指紋的點特徵和線特徵的提取方式具體為：通過對紋路方向的跟蹤獲得指紋的點特徵和線特徵，包括起點和終點的坐標、方向、類型，長度、最大曲率、起點與終點順序等信息；通過跟蹤指紋節點建立紋線之間的相鄰拓撲關係，通過紋線的拓撲關係建立節點之間的關聯排序關係。群延遲特徵提取單元用於提取不同頻帶下的群延遲曲率半徑以及不同頻帶下的群延遲平均值等群延遲特徵值，並提取群延遲曲線的頻譜特性。其中，群延遲特徵提取單元採集群延遲曲率半徑的採集方式為：5.1：根據群延遲曲線變化規律，將群延遲曲線劃分為多段曲線G＝{g1,g2,...,gn,...,gN}，其中gn表示為第n段曲線；5.2：採用多項式y＝f(x)＝Ax2+Bx+C對G＝{g1,g2,...,gn,...,gN}中每一段曲線進行多項式擬合，確定參數A，B，C的大小；5.3：根據曲率計算公式計算G＝{g1,g2,...,gn,...,gN}中每一段曲線的曲率半徑大小，並將曲線的曲率半徑大小作為群延遲的特徵值之一，其中為x關於y的一階偏導，為x關於y的二階偏導。群延遲特徵提取單元採集群延遲平均值的採集方式包括：6.1：將1MHz-200MHz的群延遲曲線按照頻率的大小，以5MHz為間隔，將群延遲曲線均勻劃分為40段，T＝{t1,t2,...,tn,...,t40}，即其中t1表示1MHz-5MHz的群延遲，t2表示6MHz-10MHz的群延遲，依此類推；6.2：計算T＝{t1,t2,...,tn,...,t40}每一段tn群延遲的平均值，計算方式為6.3：計算tn段群延遲平均值在群延遲曲線中的權重並將該權重作為群延遲的特徵值之一。群延遲特徵提取單元提取群延遲曲線的頻譜特性的採集方式為：根據傅立葉變換原理，對群延遲曲線進行傅立葉變換，獲得群延遲曲線在頻域的分布情況，採集公式為：F(p,q)=Σp=0MΣq=0N{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(13)]]>並計算每一個頻帶的權重將該權重作為群延遲的特徵值之一。環境參數監測模塊用於採集用戶手指的水分溼度、油膩程度、用戶體溫等環境參數信息，所採集的環境參數信息用於對生物特徵識別模塊進行修正，提高身份識別的可靠性。研究表明，當用戶的手指沾水或者有油膩分布時，基於指紋的身份識別效果大幅降低。此外，由於用戶體溫的變化，可能會引起用戶指部介電常數改變，從而導致指部的介電譜也發生改變，造成指部的群延遲特性發生變化，影響身份識別。為了減小外部因素對身份識別的幹擾，本發明實施例通過引入環境參數監測模塊，可有效提高身份識別的準確性。具體地，環境參數監測模塊包括溼度傳感單元和溫度傳感單元，溼度傳感單元包括一個溼度傳感器和油脂傳感器，分別用於採集用戶手指的水分分布和油膩程度等信息。溫度傳感單元為一個體溫傳感器，用於採集用戶當前的體溫信息，該體溫傳感器的檢測範圍為34℃-39℃。生物特徵識別模塊用於利用卷積神經網絡算法對訓練樣本集(包括多幅指紋圖像和指部群延遲曲線以及環境參數信息)進行迭代計算，得到身份識別模型，並將提取的生物特徵信息與以及環境參數信息與身份識別模型進行交叉驗證，判斷所提取的生物特徵信息與身份識別模型中的指紋圖像、指部群延遲曲線的相關程度，判斷這兩種生物特徵信息是否來自於同一個用戶，從而實現用戶的身份識別。請參閱圖3，是本發明實施例的基於卷積神經網絡算法的身份識別示意圖。卷積神經網絡算法結構包括輸入層，卷積層，子採樣層，全連接層和輸出層。各層設置如下：1、輸入層設置：在基於卷積神經網絡的多模態融合身份識別算法中，輸入層節點數設置為16×16，共256個節點數：a0101a0102a0103...a0116a0201a0202a0203...a0216...............a1501a1502a1503...a1516a1601a1602a1603...a1616---(14)]]>在公式(14)中，a01n代表紋路方向，a02n代表紋路長度，a03n代表紋路中的點特徵，a04n代表紋路中的線特徵，a05n代表紋路節點之間的關聯度，a06n代表紋線之間的相鄰拓撲關係，a07n代表群延遲曲率半徑大小，a08n代表群延遲曲率變化方向，a09n代表群延遲的平均值，a10n代表不同頻率的群延遲在時域內的權重，a11n代表群延遲的頻譜特徵，a12n代表不同頻率的群延遲在頻域內的權重，a13n代表外部環境的溼度，a14n代表用戶手指表面的水分含量，a15n代表用戶手指表面的油膩程度，a16n代表人體體溫大小。此外，{a01n,a02n,a03n,...,a12n}的值均來自於生物特徵提取模塊的計算結果，{a13n,a14n,a15n,a16n}的值則來自於環境參數監測模塊的監測結果。2、輸出層設置輸出層的節點數設置為2，分別代表兩種識別結果：(1)生物特徵匹配，用戶為合法用戶；(2)生物特徵不匹配，用戶為非法用戶。3、卷積層設置在卷積層，該層中的每個單元接收前一層中的一個小鄰域內的一組單元作為輸入，乘以一個可訓練的卷積核，然後加一個偏置，之後通過激活函數輸出。該卷積層按如下方式計算：ymn=f(Σj=0J-1Σi=0I-1am+i,n+jwij+b)---(15)]]>在公式(15)中，w為尺寸J×I的卷積核，函數f為激活函數，b為偏置量。在本次設置中，卷積核的大小為5×5，激活函數一律採用tanh函數，偏置量則根據經驗值確定。4、子採樣層設置子採樣層的目的是對上一層得到的每一個特徵圖進行採樣操作，使得特徵圖的尺寸減小，並且可以使得網絡對物體平移、縮放有一定的不變性，使得網絡更加魯棒。在子採樣層中，按如下方式進行採樣：ymn=1S1S2Σj=0S2-1Σi=0S1-1xm×S1+i,nS2+j---(16)]]>在公式(16)中，x為二維輸入量，y為採樣後得到的輸出，S1×S2為採樣模板的尺寸大小，在此算法中，該採樣模板的大小設置為2×2。請參閱圖4，是本發明實施例的生物特徵識別模塊身份識別過程示意圖。本發明實施例的生物特徵識別模塊包括訓練單元和測試單元。訓練單元的訓練過程具體包括：首先採集多個志願者在不同時間段的指紋圖像、指部群延遲曲線(本發明實施例包括200幅指紋圖像、200幅指部群延遲曲線，具體採集數量並不僅限於此)。同時，利用溼度傳感器、油脂傳感器和體溫傳感器分別採集志願者的手指表面水分、油膩程度和體溫數據等環境參數信息(本發明實施例分別採集200次志願者的手指表面水分、油膩程度和體溫數據，具體採集次數並不僅限於此)。將所採集的指紋圖像、指部群延遲曲線和環境參數信息作為訓練樣本集，通過對訓練樣本集進行預處理，將訓練樣本集劃分為指紋、群延遲、水分溼度、油膩程度、體溫五個小樣本集，並對樣本集進行畸變處理。畸變處理完成後，利用卷積神經網絡算法對訓練樣本集進行多次迭代計算，當迭代次數到達一定次數(本發明實施例僅以迭代100次為例)後，停止迭代運算，並輸出一個與環境參數信息(即用戶手指表面水分溼度、油膩程度、用戶體溫)相關的身份識別模型，將該身份識別模型存儲在生物特徵資料庫中，完成身份識別的訓練過程。測試單元的測試過程具體包括：將生物特徵提取模塊提取的指紋特徵值、群延遲特徵值以及環境參數監測模塊採集的環境參數信息與身份識別模型進行交叉驗證，判斷所提取的指紋特徵值、群延遲特徵值以及環境參數信息與生物特徵資料庫中存儲的身份識別模型中的指紋圖像、指部群延遲曲線以及環境參數信息的相關程度，判斷這兩種生物特徵是否來自於同一個用戶，從而實現用戶的身份識別。請參閱圖5，是本發明實施例的身份識別方法的流程圖。本發明實施例的身份識別方法包括以下步驟：步驟100：採集指部的指紋圖像以及正弦波經過指部後的信號群延遲曲線；在步驟100中，本發明實施例通過指紋傳感器採集指部的指紋圖像；當用戶的手指按壓指紋傳感器時，指紋傳感器則以4幀/秒的速度開始連續採集用戶的指紋，當採集到20幀指紋圖像後，自動結束指紋圖像的採集。並通過介電譜採集單元採集正弦波經過指部後的信號群延遲曲線；介電譜採集單元包括信號發送電極A、信號接收電極B、信號源、接收器，信號發送電極A和信號接收電極B分別位於指紋傳感器的兩端，當手指按壓到信號發送電極A和信號接收電極B時，信號源以1MHz為頻率間隔，在5秒內依序產生1MHz-200MHz的正弦波，並通過信號發送電極A將正弦波耦合到用戶的指部。由於人體的差異性，每個人的手指的介電常數也不一樣，導致正弦波在經過指部時信號的群延遲會發生改變。信號接收電極B通過接收不同頻率下的指部信號群延遲，並存儲在接收器中，從而採集用戶指部的介電譜信息。步驟200：採集用戶指部的水分溼度、油膩程度、體溫等環境參數信息；在步驟200中，當用戶的手指沾水或者有油膩分布時，基於指紋的身份識別效果大幅降低。此外，由於用戶體溫的變化，可能會引起用戶指部介電常數改變，從而導致指部的介電譜也發生改變，造成指部的群延遲特性發生變化，影響身份識別。為了減小外部因素對身份識別的幹擾，本發明實施例通過引入環境參數監測模塊，環境參數監測模塊包括溼度傳感單元和溫度傳感單元，溼度傳感單元包括一個溼度傳感器和油脂傳感器，分別用於採集用戶手指的水分分布和油膩程度等信息。溫度傳感單元為一個體溫傳感器，用於採集用戶當前的體溫信息，該體溫傳感器的檢測範圍為34℃-39℃。步驟300：對指紋圖像進行傅立葉變換濾波處理後，利用梯度算法對指紋圖像的清晰度進行分析，選擇出清晰度最高的指紋圖像，並採用動態二值化算法對指紋圖像進行二值化處理；在步驟300中，對指紋圖像進行傅立葉變換濾波處理的處理方式具體包括：步驟310：利用指紋傳感器所採集的20幅指紋圖像，建立指紋圖像處理資料庫：C＝{c1,c2,...,cn,...,cN}(1)在公式(1)中，N＝20，1≤n≤N，cn表示第n幅指紋圖像。步驟311：將指紋圖像c1分成16×16大小的子塊，對每一個子塊生成矩陣A+Bj，並對矩陣進行傅立葉變換：Xjk+Yjkj=Σp=015Σq=015{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(2)]]>步驟312：當Xjk+Yjkj的頻帶大於十倍的中心頻帶時，將其設置為0；同樣，當Xjk+Yjkj的頻帶小於中心頻帶的十分之一時，將其設置為0；然後對其進行分線性變換：Cjk+Djkj＝(Xjk2+Yjk2)pow(Xjk+Yjkj)(3)步驟313：進行逆傅立葉變換，將增強後的頻率域信息反轉換為空間域信息，實現對指紋圖像的傅立葉變換濾波：Upq+Vpqj=Σj=015Σk=015{(Cjk+Djkj)exp{2πjw(pj+qk)}}---(4)]]>步驟314：對指紋圖像處理資料庫的其他指紋圖像c2,...,cn,...,cN，重複執行上述步驟，對每一幅指紋圖像進行傅立葉變換濾波處理。對指紋圖像的清晰度進行分析的分析方式具體包括：步驟320：通過梯度算法採集指紋圖像c1的梯度，指紋圖像c1的梯度可表示為：jc1=(f(x,y)-f(x+1,y+1))2+(f(x+1,y)-f(x,y+1))212---(5)]]>在公式(5)中，f(x,y)是位於(x,y)位置處的像素點。步驟321：當指紋圖像c1的大小為M×N時，指紋圖像c1的清晰度可表示為：Jc1=Σ1MΣ1Njc1mn---(6)]]>步驟322：對指紋圖像處理資料庫的其他指紋圖像c2,...,cn,...,cN，重複執行上述步驟，對每一幅指紋圖像的清晰度進行分析；步驟323：對指紋圖像處理資料庫中的20幅指紋圖像清晰度進行排序，選擇出清晰度最高的指紋圖像。對指紋圖像進行二值化處理的處理方式具體包括：步驟330：確定指紋圖像動態二值化的窗口大小，本發明實施例中所採用的窗口大小為8×8；步驟331：確定動態二值化算法的閾值T(x,y)：T(x,y)=T1(x,y)+,T1(x,y)<TtT1(x,y)-,T1(x,y)Tt---(7)]]>在公式(7)中，f(x,y)是位於(x,y)位置處像素點的灰度值，Tt為固定的參考閾值，其大小根據圖像的灰度分布圖確定，ε為誤判修正因子。步驟332：令二值化後的指紋圖像為I(x,y)，則I(x,y)可以表示為：I(x,y)=1,f(x,y)T(x,y)0,f(x,y)步驟333：根據公式(8)對指紋圖像進行二值化運算，採集經過二值化後的指紋圖像，並保存。步驟400：將群延遲曲線轉換為相應的群延遲圖像，並採用無跡粒子濾波算法對群延遲圖像進行濾波處理；在步驟400中，將群延遲曲線轉換為相應的群延遲圖像的轉換方式具體為：建立一個M×N的空白矩陣；按照線性映射的方法對群延遲曲線從上至下進行掃描，將1MHz-200MHz的群延遲曲線轉換為大小為M×N的群延遲圖像。上述中，對群延遲圖像進行濾波處理的處理方式具體包括：步驟410：從群延遲圖像中採集N個像素{xi0,i＝1,2,...,N}，並令每個樣本的初始權值為wi0＝1/N,i＝1,2,...,N；步驟411：根據密度函數，更新圖像像素{xik-1,pik-1}的狀態，由此得到新的像素集步驟412：計算像素集的均值和方差步驟413：利用上述的均值和方差得到密度函數從中抽樣得到新的像素步驟414：根據最新預測所得的結果，計算各個像素的權值並進行歸一化：w~ik=w~ikp(yk|xki)p(xk|xk-1i)q(xki|xk-1i,y1:k),wki=w~ikΣiw~ik---(9)]]>步驟415：通過不斷更新像素的位置，每一次迭代結束後重新計算每個像素的權值，直至所有的迭代完成，最終完成信號的濾波處理。步驟500：利用log-Gabor濾波器對指紋圖像進行分割後，提取指紋紋路方向特徵，並根據紋路方向提取指紋的點特徵和線特徵；在步驟500中，對指紋圖像進行分割的分割方式具體包括：根據指紋的局部方向性、方向圖的統計特徵等特性，利用log-Gabor濾波器，將指紋圖像分割成許多互不重疊的小塊；計算每一小塊的特徵向量，根據特徵向量來判斷某一小塊是否符合特徵提取要求，如不合適，則捨棄該一小塊。提取指紋紋路方向特徵的提取方式具體為：在某一小塊內，以像素(x,y)為中心，計算以W為邊長的方形區域的紋路方向O(i,j)，並分別對每一像素的紋路方向進行分析：Vx=Σw(Gx2(x,y)-Gy2(x,y))---(10)]]>Vy＝2Gx(x,y)-Gy(x,y)(11)θ(i,j)=12tan-1(VyVx)---(12)]]>在上述公式中，Gx(x,y)、Gy(x,y)分別為像素(x,y)處的梯度。根據紋路方向提取指紋的點特徵和線特徵的提取方式具體為：通過對紋路方向的跟蹤獲得指紋的點特徵和線特徵，包括起點和終點的坐標、方向、類型，長度、最大曲率、起點與終點順序等信息；通過跟蹤指紋節點建立紋線之間的相鄰拓撲關係，通過紋線的拓撲關係建立節點之間的關聯排序關係。步驟600：提取不同頻帶下的群延遲曲率半徑以及不同頻帶下的群延遲平均值等群延遲特徵值，並提取群延遲曲線的頻譜特性；在步驟600中，採集群延遲曲率半徑的採集方式為：步驟610：根據群延遲曲線變化規律，將群延遲曲線劃分為多段曲線G＝{g1,g2,...,gn,...,gN}，其中gn表示為第n段曲線；步驟611：採用多項式y＝f(x)＝Ax2+Bx+C對G＝{g1,g2,...,gn,...,gN}中每一段曲線進行多項式擬合，確定參數A，B，C的大小；步驟612：根據曲率計算公式計算G＝{g1,g2,...,gn,...,gN}中每一段曲線的曲率半徑大小，並將曲線的曲率半徑大小作為群延遲的特徵值之一，其中為x關於y的一階偏導，為x關於y的二階偏導。上述中，採集群延遲平均值的採集方式包括：步驟620：將1MHz-200MHz的群延遲曲線按照頻率的大小，以5MHz為間隔，將群延遲曲線均勻劃分為40段，T＝{t1,t2,...,tn,...,t40}，即其中t1表示1MHz-5MHz的群延遲，t2表示6MHz-10MHz的群延遲，依此類推；步驟621：計算T＝{t1,t2,...,tn,...,t40}每一段tn群延遲的平均值，計算方式為步驟622：計算tn段群延遲平均值在群延遲曲線中的權重並將該權重作為群延遲的特徵值之一。上述中，提取群延遲曲線的頻譜特性的採集方式為：根據傅立葉變換原理，對群延遲曲線進行傅立葉變換，獲得群延遲曲線在頻域的分布情況，採集公式為：F(p,q)=Σp=0MΣq=0N{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(13)]]>並計算每一個頻帶的權重將該權重作為群延遲的特徵值之一。步驟700：採集多幅指紋圖像、指部群延遲曲線以及環境參數信息作為訓練樣本集，利用卷積神經網絡算法對訓練樣本集進行迭代計算，得到身份識別模型，並將身份識別模型存儲在生物特徵資料庫中；在步驟700中，卷積神經網絡算法結構包括輸入層，卷積層，子採樣層，全連接層和輸出層。各層設置如下：1、輸入層設置：在基於卷積神經網絡的多模態融合身份識別算法中，輸入層節點數設置為16×16，共256個節點數：a0101a0102a0103...a0116a0201a0202a0203...a0216...............a1501a1502a1503...a1516a1601a1602a1603...a1616---(14)]]>在公式(14)中，a01n代表紋路方向，a02n代表紋路長度，a03n代表紋路中的點特徵，a04n代表紋路中的線特徵，a05n代表紋路節點之間的關聯度，a06n代表紋線之間的相鄰拓撲關係，a07n代表群延遲曲率半徑大小，a08n代表群延遲曲率變化方向，a09n代表群延遲的平均值，a10n代表不同頻率的群延遲在時域內的權重，a11n代表群延遲的頻譜特徵，a12n代表不同頻率的群延遲在頻域內的權重，a13n代表外部環境的溼度，a14n代表用戶手指表面的水分含量，a15n代表用戶手指表面的油膩程度，a16n代表人體體溫大小。此外，{a01n,a02n,a03n,...,a12n}的值均來自於生物特徵提取模塊的計算結果，{a13n,a14n,a15n,a16n}的值則來自於環境參數監測模塊的監測結果。2、輸出層設置輸出層的節點數設置為2，分別代表兩種識別結果：(1)生物特徵匹配，用戶為合法用戶；(2)生物特徵不匹配，用戶為非法用戶。3、卷積層設置在卷積層，該層中的每個單元接收前一層中的一個小鄰域內的一組單元作為輸入，乘以一個可訓練的卷積核，然後加一個偏置，之後通過激活函數輸出。該卷積層按如下方式計算：ymn=f(Σj=0J-1Σi=0I-1am+i,n+jwij+b)---(15)]]>在公式(15)中，w為尺寸J×I的卷積核，函數f為激活函數，b為偏置量。在本次設置中，卷積核的大小為5×5，激活函數一律採用tanh函數，偏置量則根據經驗值確定。4、子採樣層設置子採樣層的目的是對上一層得到的每一個特徵圖進行採樣操作，使得特徵圖的尺寸減小，並且可以使得網絡對物體平移、縮放有一定的不變性，使得網絡更加魯棒。在子採樣層中，按如下方式進行採樣：ymn=1S1S2Σj=0S2-1Σi=0S1-1xm×S1+i,nS2+j---(16)]]>在公式(16)中，x為二維輸入量，y為採樣後得到的輸出，S1×S2為採樣模板的尺寸大小，在此算法中，該採樣模板的大小設置為2×2。步驟800：將提取的指紋特徵值、群延遲特徵值以及環境參數信息與生物特徵資料庫中存儲的身份識別模型進行交叉驗證，判斷所提取的指紋特徵值、群延遲特徵值以及環境參數信息與身份識別模型中的指紋圖像、指部群延遲曲線的相關程度，判斷這兩種生物特徵信息是否來自於同一個用戶，從而實現用戶的身份識別。在步驟800中，本發明實施例的身份識別方式包括身份識別的訓練過程和身份識別的測試過程；身份識別的訓練過程具體包括：首先採集多個志願者在不同時間段的指紋圖像、指部群延遲曲線。同時，利用溼度傳感器、油脂傳感器和體溫傳感器分別採集志願者的手指表面水分、油膩程度和體溫數據等環境參數信息，將所採集的指紋圖像、指部群延遲曲線和環境參數信息作為訓練樣本集，通過對訓練樣本集進行預處理，將訓練樣本集劃分為指紋、群延遲、水分溼度、油膩程度、體溫五個小樣本集，並對樣本集進行畸變處理。畸變處理完成後，利用卷積神經網絡算法對訓練樣本集進行多次迭代計算，當迭代次數到達一定次數後，停止迭代運算，並輸出一個與環境參數信息相關的身份識別模型，將該身份識別模型存儲在生物特徵資料庫中，完成身份識別的訓練過程。身份識別的測試過程具體包括：將提取的指紋特徵值、群延遲特徵值以及採集的環境參數信息與生物特徵資料庫中的身份識別模型進行交叉驗證，判斷所提取的指紋特徵值、群延遲特徵值以及環境參數信息與身份識別模型中的指紋圖像、指部群延遲曲線以及環境參數信息的相關程度，從而實現用戶的身份識別。本發明實施例的身份識別裝置及方法通過採集用戶的指紋特徵和指部介電譜特徵信息進行身份識別，同時，為了減小外部環境和內部環境對身份識別的幹擾，在採集指紋特徵的同時採集用戶手指的水分分布、油膩程度及體溫等環境參數信息，通過環境參數信息對身份識別進行修正，有效地提高了身份識別的準確性和可靠性。並採用基於卷積神經網絡的多模態融合身份識別算法進行身份識別，進一步提高身份識別的準確性和可靠性。對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或範圍的情況下，在其它實施例中實現。因此，本發明將不會被限制於本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的範圍。當前第1頁1 2 3