本發(fā)明屬于生物特征識(shí)別領(lǐng)域，更具體地，涉及一種生物特征識(shí)別方法及裝置。

背景技術(shù)：

隨著蘋果公司將生物特征識(shí)別技術(shù)引用于智能移動(dòng)設(shè)備中，生物特征識(shí)別已成為智能終端的主流配置。生物特征識(shí)別技術(shù)包括：注冊(cè)和驗(yàn)證兩個(gè)階段。在注冊(cè)階段，采集用戶的生物特征信息，并提取生物特征信息中的特征值，存儲(chǔ)在存儲(chǔ)器中，用于后期生物特征驗(yàn)證；在驗(yàn)證階段，采集待驗(yàn)證用戶的生物特征信息，提取生物特征信息中的特征值，然后和預(yù)設(shè)的特征值進(jìn)行匹配。如果匹配成功，即可進(jìn)行下一部操作；否則，無(wú)法進(jìn)行操作。預(yù)存儲(chǔ)的生物特征特征值往往不會(huì)發(fā)生改變。

當(dāng)手指有油漬、汗?jié)n或者脫皮等情況時(shí)，采集到的生物特征信息往往和預(yù)設(shè)的生物特征信息有差別，這就導(dǎo)致生物特征識(shí)別率大大降低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種生物特征識(shí)別方法及裝置。

根據(jù)本發(fā)明的一方面，提供一種生物特征識(shí)別方法，包括：接收待識(shí)別生物特征圖像；采用生物特征識(shí)別模型對(duì)所述待識(shí)別生物特征進(jìn)行識(shí)別，確定所述待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，其中，所述生物特征識(shí)別模型是采用生物特征訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的；當(dāng)所述待識(shí)別生物特征與預(yù)設(shè)生物特征圖像匹配時(shí)，存儲(chǔ)所述待識(shí)別生物特征圖像；當(dāng)存儲(chǔ)的所述待識(shí)別生物特征圖像大于預(yù)設(shè)閾值時(shí)，更新所述生物特征識(shí)別模型。

優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)包括卷積層和采樣層。

優(yōu)選地，所述方法還包括：獲取生物特征訓(xùn)練樣本集，其中，所述生物特征訓(xùn)練樣本集包括生物特征訓(xùn)練樣本圖像；

將所述生物特征訓(xùn)練樣本集輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識(shí)別模型。

優(yōu)選地，所述方法還包括：對(duì)所述生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理。

優(yōu)選地，更新所述生物特征識(shí)別模型包括：將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型；使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

優(yōu)選地，更新所述生物特征識(shí)別模型包括：在所述卷積神經(jīng)網(wǎng)絡(luò)中，增加一個(gè)神經(jīng)元分支，形成新的卷積神經(jīng)網(wǎng)絡(luò)；將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到新的卷積神經(jīng)網(wǎng)絡(luò)中，獲得新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)以及新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度；重復(fù)上述步驟直至新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度小于或等于預(yù)設(shè)收斂閾值；根據(jù)新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型；使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

優(yōu)選地，所述方法還包括：將存儲(chǔ)的所述待識(shí)別圖像刪除。

優(yōu)選地，所述方法還包括：對(duì)所述待識(shí)別生物特征圖像進(jìn)行歸一化處理。

根據(jù)本發(fā)明的另一方面，提供一種生物特征識(shí)別裝置，包括：接收模塊，用于接收待識(shí)別生物特征圖像；識(shí)別模塊，用于采用生物特征識(shí)別模型對(duì)所述待識(shí)別生物特征進(jìn)行識(shí)別，確定所述待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，其中，所述生物特征識(shí)別模型是采用生物特征訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的；存儲(chǔ)模塊，用于當(dāng)所述待識(shí)別生物特征與預(yù)設(shè)生物特征圖像匹配時(shí)，存儲(chǔ)所述待識(shí)別生物特征圖像；更新模塊，用于當(dāng)存儲(chǔ)的所述待識(shí)別生物特征圖像大于預(yù)設(shè)閾值時(shí)，更新所述生物特征識(shí)別模型。

優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)包括卷積層和采樣層。

優(yōu)選地，所述裝置還包括：獲取模塊，用于獲取生物特征訓(xùn)練樣本集，其中，所述生物特征訓(xùn)練樣本集包括生物特征訓(xùn)練樣本圖像；訓(xùn)練模塊，用于將所述生物特征訓(xùn)練樣本集輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識(shí)別模型。

優(yōu)選地，所述裝置還包括：歸一化模塊，用于對(duì)所述生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理。

優(yōu)選地，所述更新模塊包括：訓(xùn)練單元，用于將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型；更新單元，用于使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

優(yōu)選地，所述更新模塊包括：訓(xùn)練單元，用于在所述卷積神經(jīng)網(wǎng)絡(luò)中，增加一個(gè)神經(jīng)元分支，形成新的卷積神經(jīng)網(wǎng)絡(luò)；將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到新的卷積神經(jīng)網(wǎng)絡(luò)中，獲得新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)以及新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度；重復(fù)上述步驟直至新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度小于或等于預(yù)設(shè)收斂閾值；根據(jù)新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型；更新單元，用于使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

優(yōu)選地，所述更新單元還用于將存儲(chǔ)的所述待識(shí)別圖像刪除。

優(yōu)選地，所述裝置還包括：所述第二歸一化模塊，用于對(duì)所述待識(shí)別生物特征圖像進(jìn)行歸一化處理。

本發(fā)明提供的生物特征識(shí)別方法及裝置，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)建立生物特征識(shí)別模型，并通過(guò)生物特征識(shí)別模型對(duì)生物特征進(jìn)行識(shí)別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識(shí)別模型，更新生物特征識(shí)別模型。由于基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的上述生物特征識(shí)別模型能夠自動(dòng)學(xué)習(xí)到生物特征圖像的多層詳細(xì)特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細(xì)度，使得生物特征識(shí)別的結(jié)果更加準(zhǔn)確。

附圖說(shuō)明

通過(guò)以下參照附圖對(duì)本發(fā)明實(shí)施例的描述，本發(fā)明的上述以及其他目的、特征和優(yōu)點(diǎn)將更為清楚，在附圖中：

圖1示出了本發(fā)明實(shí)施例提供的生物特征識(shí)別方法的流程圖；

圖2示出了卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖3示出了本發(fā)明實(shí)施例提供的更新生物特征識(shí)別模型的流程圖；

圖4示出了本發(fā)明另一實(shí)施例提供的更新生物特征識(shí)別模型的流程圖；

圖5示出了本發(fā)明實(shí)施例提供的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程的流程圖；

圖6示出了本發(fā)明實(shí)施例提供的生物特征傳輸裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

以下將參照附圖更詳細(xì)地描述本發(fā)明的各種實(shí)施例。在各個(gè)附圖中，相同的元件采用相同或類似的附圖標(biāo)記來(lái)表示。為了清楚起見(jiàn)，附圖中的各個(gè)部分沒(méi)有按比例繪制。

本發(fā)明可以各種形式呈現(xiàn)，以下將描述其中一些示例。

圖1示出了本發(fā)明實(shí)施例提供的生物特征識(shí)別方法的流程圖。該生物特征識(shí)別方法可以由生物特征識(shí)別裝置來(lái)執(zhí)行，該生物特征識(shí)別裝置具體可以為手機(jī)終端、平板電腦等智能終端對(duì)應(yīng)的服務(wù)器或者服務(wù)器上安裝的應(yīng)用程序APP。該生物特征識(shí)別裝置還可以為手機(jī)終端、平板電腦等智能終端或者智能終端上安裝的應(yīng)用程序APP。如圖1所示，所述生物特征識(shí)別方法包括以下步驟。

在步驟S101中，接收待識(shí)別生物特征圖像。

在本實(shí)施例中，生物特征識(shí)別裝置接收到用戶輸入的待識(shí)別生物特征圖像的數(shù)量可以是一個(gè)，也可以是多個(gè)。針對(duì)多個(gè)待識(shí)別生物特征圖像的情況，需分別針對(duì)每個(gè)待識(shí)別生物特征圖像進(jìn)行識(shí)別處理。

所述生物特征可以是單生物特征數(shù)據(jù)或多生物特征，如紋理(包括指紋、掌紋、靜脈及相關(guān)附屬特征，如汗孔等)、生物膜(如虹膜、視網(wǎng)膜等)、面孔、耳道、語(yǔ)音、體形，個(gè)人習(xí)慣(例如敲擊鍵盤的力度和頻率、簽字、步態(tài))等。

在步驟S102中，采用生物特征識(shí)別模型對(duì)所述待識(shí)別生物特征進(jìn)行識(shí)別，確定所述待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，其中，所述生物特征識(shí)別模型是采用生物特征訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的。

在本實(shí)施例中，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建生物特征識(shí)別模型。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當(dāng)前語(yǔ)音分析和圖像識(shí)別領(lǐng)域的研究熱點(diǎn)。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。該優(yōu)點(diǎn)在網(wǎng)絡(luò)的輸入是多維圖像時(shí)表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過(guò)程。

卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，包括多個(gè)卷積層C11-Cmn、多個(gè)采樣層S11-Smn、全連接層和一個(gè)輸出層，其中，m、n均為大于1的正整數(shù)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。其中，多個(gè)卷積層C11-C1n和多個(gè)采樣層S11-S1n組成一個(gè)神經(jīng)元分支。從一個(gè)平面到下一個(gè)平面的映射可以看作是作卷積運(yùn)算。本實(shí)施例中，假設(shè)基于卷積神經(jīng)網(wǎng)絡(luò)獲得的生物特征識(shí)別模型具有N層結(jié)構(gòu)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)和偏置系數(shù)即卷積核，亦即權(quán)重系數(shù)和偏置系數(shù)由生物特征訓(xùn)練樣本集訓(xùn)練確定，其中，N為大于1的正整數(shù)。

具體地，對(duì)卷積層和輸出層的權(quán)重系數(shù)隨機(jī)初始化，偏置系數(shù)全0初始化。然后，把生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，逐次進(jìn)行卷積計(jì)算和采樣。最后輸出層的輸出與預(yù)設(shè)輸出值比對(duì)，通過(guò)極小化誤差的方法反向傳播調(diào)整各層的權(quán)值和偏置。利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)，即卷積層的權(quán)重系數(shù)誤差估計(jì)和偏置誤差估計(jì)。

由于本實(shí)施例中的生物特征識(shí)別模型是為了識(shí)別待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，因此，可以理解的，上述對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所使用的生物特征訓(xùn)練樣本集包括若干生物特征樣本圖像。具體的訓(xùn)練過(guò)程在后續(xù)實(shí)施例中描述。

在實(shí)際使用過(guò)程中，將待識(shí)別的生物特征圖像輸入到上述生物特征識(shí)別模型中，經(jīng)生物特征識(shí)別模型對(duì)該待識(shí)別的生物特征圖像進(jìn)行逐層的特征提取，最后經(jīng)生物特征識(shí)別模型的最后一層的輸出層進(jìn)行比對(duì)，輸出該待識(shí)別生物特征圖像的比對(duì)結(jié)果，根據(jù)該比對(duì)結(jié)果得知該待識(shí)別生物特征圖像所對(duì)應(yīng)的生物特征是否與預(yù)設(shè)生物特征圖像匹配。假設(shè)生物特征識(shí)別模型輸出的識(shí)別結(jié)果即比對(duì)結(jié)果中，以大于0表示匹配，以小于等于0表示不匹配。如果上述待識(shí)別生物特征圖像的識(shí)別結(jié)果大于0，則說(shuō)明待識(shí)別生物特征圖像中的生物特征與預(yù)設(shè)生物特征圖像是匹配的，即驗(yàn)證成功。

在步驟S103中，當(dāng)所述待識(shí)別生物特征與預(yù)設(shè)生物特征圖像匹配時(shí)，存儲(chǔ)所述待識(shí)別生物特征圖像。

在步驟S104中，當(dāng)存儲(chǔ)的所述待識(shí)別生物特征圖像大于預(yù)設(shè)閾值時(shí)，更新所述生物特征識(shí)別模型。

在本實(shí)施例中，當(dāng)存儲(chǔ)的滿足預(yù)設(shè)條件的待識(shí)別生物特征圖像的數(shù)量大于預(yù)設(shè)閾值時(shí)，將存儲(chǔ)的所述待識(shí)別生物特征圖像作為訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到待更新的生物特征識(shí)別模型，然后用新得到的生物特征識(shí)別模型更新原來(lái)的生物特征識(shí)別模型。

結(jié)合圖3所示的優(yōu)選實(shí)施例，更新所述生物特征識(shí)別模型包括以下步驟。

在步驟S301中，將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)；

在步驟S302中，根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型。

在步驟S303中，使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

具體地，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)保持不變，將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型，然后用新得到的生物特征識(shí)別模型更新原來(lái)的生物特征識(shí)別模型。

結(jié)合圖4所示的優(yōu)選實(shí)施例，更新所述生物特征識(shí)別模型包括以下步驟。

在步驟S401中，在所述卷積神經(jīng)網(wǎng)絡(luò)中，增加一個(gè)神經(jīng)元分支，形成新的卷積神經(jīng)網(wǎng)絡(luò)；

在步驟S402中，將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到新的卷積神經(jīng)網(wǎng)絡(luò)中，獲得新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)以及新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度；

在步驟S403中，重復(fù)步驟S401、步驟S402直至新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度小于或等于預(yù)設(shè)收斂閾值；

在步驟S404中，根據(jù)新的卷積神經(jīng)網(wǎng)絡(luò)的卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型。

在步驟S405中，使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

具體地，在卷積神經(jīng)網(wǎng)絡(luò)中增加一個(gè)神經(jīng)元分支形成新的卷積神經(jīng)網(wǎng)絡(luò)，其中，所述神經(jīng)元分支與卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元分支等長(zhǎng)，即n保持不變，m增加1。將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，以及新的神經(jīng)網(wǎng)絡(luò)總體誤差收斂速度，當(dāng)新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度大于預(yù)設(shè)收斂閾值時(shí)，繼續(xù)增加一個(gè)神經(jīng)元分支，重復(fù)上述步驟直至新的卷積神經(jīng)網(wǎng)絡(luò)的總體誤差收斂速度低于預(yù)設(shè)收斂閾值。然后根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型。

另外，可選地，為了保證識(shí)別結(jié)果的準(zhǔn)確可靠，可以對(duì)輸入到生物特征識(shí)別模型的待識(shí)別生物特征圖像進(jìn)行歸一化處理。比如按照預(yù)設(shè)尺寸要求，進(jìn)行尺寸的歸一化處理，將尺寸都?xì)w一化為比如224像素*224像素大小。再比如，對(duì)坐標(biāo)中心化、x-剪切(x-shearing)、縮放和旋轉(zhuǎn)等進(jìn)行歸一化處理。

在一個(gè)優(yōu)選地實(shí)施例中，更新生物特征識(shí)別模型的同時(shí)，將存儲(chǔ)的待識(shí)別生物特征圖像刪除。

本發(fā)明提供的生物特征識(shí)別方法，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)建立生物特征識(shí)別模型，并通過(guò)生物特征識(shí)別模型對(duì)生物特征進(jìn)行識(shí)別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識(shí)別模型，更新生物特征識(shí)別模型。由于基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的上述生物特征識(shí)別模型能夠自動(dòng)學(xué)習(xí)到生物特征圖像的多層詳細(xì)特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細(xì)度，使得生物特征識(shí)別的結(jié)果更加準(zhǔn)確。

下面結(jié)合圖5所示實(shí)施例，對(duì)上述生物特征識(shí)別模型的構(gòu)成過(guò)程即卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程進(jìn)行介紹。

在步驟S501中，獲取生物特征訓(xùn)練樣本集，其中，所述生物特征訓(xùn)練樣本集包括生物特征訓(xùn)練樣本圖像。

在本實(shí)施例中，為了保證生物特征識(shí)別模型的準(zhǔn)確性，訓(xùn)練時(shí)需要采集大量的生物特征訓(xùn)練樣本圖像，如200萬(wàn)張。

在步驟S502中，將所述生物特征訓(xùn)練樣本集輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識(shí)別模型。

另外，為了最小化樣本差異性對(duì)生物特征識(shí)別模型訓(xùn)練過(guò)程的影響，本實(shí)施例中，也分別對(duì)生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理，保證各個(gè)樣本圖像的大小一致。比如對(duì)尺寸、坐標(biāo)中心化、x-剪切(x-shearing)、縮放和旋轉(zhuǎn)等進(jìn)行歸一化處理。

可選的，本實(shí)施例中，為了進(jìn)一步提高訓(xùn)練過(guò)程的處理效率，降低上述調(diào)整的次數(shù)，可以采用分批訓(xùn)練的方式。具體來(lái)說(shuō)，將生物特征訓(xùn)練樣本集中的所有樣本圖像隨機(jī)分批，比如每批100張樣本圖像。依次隨機(jī)將一批訓(xùn)練樣本圖像中的每個(gè)訓(xùn)練樣本圖像輸入，在一批訓(xùn)練樣本圖像完成訓(xùn)練后，統(tǒng)計(jì)該批訓(xùn)練樣本圖像中各訓(xùn)練樣本圖像的輸出值大于預(yù)設(shè)閾值的訓(xùn)練樣本圖像數(shù)量占該批訓(xùn)練樣本圖像總數(shù)的比例，如果該比例大于一定閾值，則調(diào)整經(jīng)該批訓(xùn)練樣本圖像訓(xùn)練獲得的生物特征識(shí)別模型中卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)和偏置系數(shù)。然后再將下一批訓(xùn)練樣本圖像依次輸入到經(jīng)前一批訓(xùn)練樣本圖像訓(xùn)練得到的生物特征識(shí)別模型中，直到所有批次的訓(xùn)練樣本圖像都訓(xùn)練完成為止。其中，對(duì)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)和偏置系數(shù)的調(diào)整可以采用梯度下降法進(jìn)行調(diào)整。

本實(shí)施例中，通過(guò)采用包含有生物特征訓(xùn)練樣本圖像的生物特征訓(xùn)練樣本集，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，使得得到的生物特征識(shí)別模型能夠自動(dòng)深度學(xué)習(xí)到各訓(xùn)練樣本圖像中包含的多層次的特征信息，從而提高了基于該生物特征識(shí)別模型正確識(shí)別待識(shí)別生物特征圖像。

圖6示出了根據(jù)本發(fā)明實(shí)施例提供的生物特征識(shí)別裝置的結(jié)構(gòu)示意圖。如圖6所示，該裝置包括接收模塊10、識(shí)別模塊20、存儲(chǔ)模塊30、更新模塊40、獲取模塊50和訓(xùn)練模塊60。

其中，接收模塊10用于接收待識(shí)別生物特征圖像。

在本實(shí)施例中，生物特征識(shí)別裝置接收到用戶輸入的待識(shí)別生物特征圖像的數(shù)量可以是一個(gè)，也可以是多個(gè)。針對(duì)多個(gè)待識(shí)別生物特征圖像的情況，需分別針對(duì)每個(gè)待識(shí)別生物特征圖像進(jìn)行識(shí)別處理。

識(shí)別模塊20用于采用生物特征識(shí)別模型對(duì)所述待識(shí)別生物特征進(jìn)行識(shí)別，確定所述待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，其中，所述生物特征識(shí)別模型是采用生物特征訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的。

在本實(shí)施例中，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建生物特征識(shí)別模型。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當(dāng)前語(yǔ)音分析和圖像識(shí)別領(lǐng)域的研究熱點(diǎn)。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。該優(yōu)點(diǎn)在網(wǎng)絡(luò)的輸入是多維圖像時(shí)表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過(guò)程。

卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，包括多個(gè)卷積層C11-Cmn、多個(gè)采樣層S11-Smn、全連接層和一個(gè)輸出層，其中，m、n均為大于1的正整數(shù)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。其中，多個(gè)卷積層C11-C1n和多個(gè)采樣層S11-S1n組成一個(gè)神經(jīng)元分支。從一個(gè)平面到下一個(gè)平面的映射可以看作是作卷積運(yùn)算。本實(shí)施例中，假設(shè)基于卷積神經(jīng)網(wǎng)絡(luò)獲得的生物特征識(shí)別模型具有N層結(jié)構(gòu)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)和偏置系數(shù)即卷積核，亦即權(quán)重系數(shù)和偏置系數(shù)由生物特征訓(xùn)練樣本集訓(xùn)練確定，其中，N為大于1的正整數(shù)。

由于本實(shí)施例中的生物特征識(shí)別模型是為了識(shí)別待識(shí)別生物特征是否與預(yù)設(shè)生物特征圖像匹配，因此，可以理解的，上述對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所使用的生物特征訓(xùn)練樣本集包括若干生物特征樣本圖像。具體的訓(xùn)練過(guò)程在后續(xù)實(shí)施例中描述。

在實(shí)際使用過(guò)程中，將待識(shí)別的生物特征圖像輸入到上述生物特征識(shí)別模型中，經(jīng)生物特征識(shí)別模型對(duì)該待識(shí)別的生物特征圖像進(jìn)行逐層的特征提取，最后經(jīng)生物特征識(shí)別模型的最后一層的輸出層進(jìn)行比對(duì)，輸出該待識(shí)別生物特征圖像的比對(duì)結(jié)果，根據(jù)該比對(duì)結(jié)果得知該待識(shí)別生物特征圖像所對(duì)應(yīng)的生物特征是否與預(yù)設(shè)生物特征圖像匹配。假設(shè)生物特征識(shí)別模型輸出的識(shí)別結(jié)果即比對(duì)結(jié)果中，以大于0表示匹配，以小于等于0表示不匹配。如果上述待識(shí)別生物特征圖像的識(shí)別結(jié)果大于0，則說(shuō)明待識(shí)別生物特征圖像中的生物特征與預(yù)設(shè)生物特征圖像是匹配的，即驗(yàn)證成功。

存儲(chǔ)模塊30用于當(dāng)所述待識(shí)別生物特征與預(yù)設(shè)生物特征圖像匹配時(shí)，存儲(chǔ)所述待識(shí)別生物特征圖像。

更新模塊40用于當(dāng)存儲(chǔ)的所述待識(shí)別生物特征圖像大于預(yù)設(shè)閾值時(shí)，更新所述生物特征識(shí)別模型。

在本實(shí)施例中，更新模塊40包括訓(xùn)練單元41和更新單元42，其中，訓(xùn)練單元41用于將存儲(chǔ)的所述待識(shí)別生物特征圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識(shí)別模型；更新單元42用于使用待更新的生物特征識(shí)別模型替換所述生物特征識(shí)別模型。

在本實(shí)施例中，當(dāng)存儲(chǔ)的滿足預(yù)設(shè)條件的待識(shí)別生物特征圖像的數(shù)量大于預(yù)設(shè)閾值時(shí)，將存儲(chǔ)的所述待識(shí)別生物特征圖像作為訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到待更新的生物特征識(shí)別模型，然后用新得到的生物特征識(shí)別模型更新原來(lái)的生物特征識(shí)別模型。

獲取模塊50用于獲取生物特征訓(xùn)練樣本集，其中，所述生物特征訓(xùn)練樣本集包括生物特征訓(xùn)練樣本圖像。

在本實(shí)施例中，為了保證生物特征識(shí)別模型的準(zhǔn)確性，訓(xùn)練時(shí)需要采集大量的生物特征訓(xùn)練樣本圖像，如200萬(wàn)張。

訓(xùn)練模塊60用于將所述生物特征訓(xùn)練樣本集輸入到卷積神經(jīng)網(wǎng)絡(luò)中，獲得所述卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個(gè)神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識(shí)別模型。

在一個(gè)優(yōu)選的實(shí)施例中，所述裝置還包括第一歸一化模塊70，用于對(duì)所述生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理。

在本實(shí)施例中，為了最小化樣本差異性對(duì)生物特征識(shí)別模型訓(xùn)練過(guò)程的影響，本實(shí)施例中，也分別對(duì)生物特征訓(xùn)練樣本圖像進(jìn)行歸一化處理，保證各個(gè)樣本圖像的大小一致。比如對(duì)尺寸、坐標(biāo)中心化、x-剪切(x-shearing)、縮放和旋轉(zhuǎn)等進(jìn)行歸一化處理。

在一個(gè)優(yōu)選的實(shí)施例中，所述裝置還包括第二歸一化模塊80還用于對(duì)所述待識(shí)別生物特征圖像進(jìn)行歸一化處理。

在本實(shí)施例中，為了保證識(shí)別結(jié)果的準(zhǔn)確可靠，可以對(duì)輸入到生物特征識(shí)別模型的待識(shí)別生物特征圖像進(jìn)行歸一化處理。比如按照預(yù)設(shè)尺寸要求，進(jìn)行尺寸的歸一化處理，將尺寸都?xì)w一化為比如224像素*224像素大小。再比如，對(duì)坐標(biāo)中心化、x-剪切(x-shearing)、縮放和旋轉(zhuǎn)等進(jìn)行歸一化處理。

在一個(gè)優(yōu)選的實(shí)施例中，所述更新單元50還用于將存儲(chǔ)的所述待識(shí)別圖像刪除。

本發(fā)明提供的生物特征識(shí)別裝置，通過(guò)采用包含有生物特征訓(xùn)練樣本圖像的生物特征訓(xùn)練樣本集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練得到的生物特征識(shí)別模型對(duì)生物特征進(jìn)行識(shí)別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識(shí)別模型，更新生物特征識(shí)別模型。由于基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的上述生物特征識(shí)別模型能夠自動(dòng)學(xué)習(xí)到生物特征圖像的多層詳細(xì)特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細(xì)度，使得生物特征識(shí)別的結(jié)果更加準(zhǔn)確。

依照本發(fā)明的實(shí)施例如上文所述，這些實(shí)施例并沒(méi)有詳盡敘述所有的細(xì)節(jié)，也不限制該發(fā)明僅為所述的具體實(shí)施例。顯然，根據(jù)以上描述，可作很多的修改和變化。本說(shuō)明書選取并具體描述這些實(shí)施例，是為了更好地解釋本發(fā)明的原理和實(shí)際應(yīng)用，從而使所屬技術(shù)領(lǐng)域技術(shù)人員能很好地利用本發(fā)明以及在本發(fā)明基礎(chǔ)上的修改使用。本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以本發(fā)明權(quán)利要求所界定的范圍為準(zhǔn)。