一种基于白盒-黑盒联合评估的指纹识别方法与流程

本发明属于计算机，尤其涉及一种基于白盒-黑盒联合评估的指纹识别方法。

背景技术：

1、随着智能门与智能门锁行业的快速发展，半导体指纹识别已成为当前电子智能锁最核心的身份认证方式之一。指纹识别算法的性能直接关系到产品的安全性、用户体验以及市场应用可靠性。现有指纹算法性能评估通常采用端到端的"黑盒测试"方式，即仅关注系统输入（指纹图像）与输出（匹配分数/认证结果）之间的关系，通过far（falseacceptance rate，认假率）与frr（false rejection rate，拒真率）作为主要指标评价整体系统性能。国际上常用的fvc（fingerprint verification competition）测试体系同样采用上述黑盒指标对算法进行评测。

2、然而，黑盒评估存在根本性局限：当系统整体性能不佳时，无法判断问题根源究竟出在指纹图像采集、特征提取还是匹配比对环节，导致算法优化缺乏针对性方向。近年来，学术界也提出白盒评估概念，主张独立评估系统各子模块性能，但现有白盒研究多针对单一模块（如仅评估采集器或仅评估特征提取器），缺乏将采集、特征提取、匹配三个模块进行统一白盒评估并与黑盒结果关联分析的完整框架。

3、现有的指纹算法测试方法存在以下缺点：

4、第一，现有方法均为端到端黑盒测试或者仅模块级白盒测试，黑盒评估无法定位问题环节，白盒评估各模块独立进行且未与黑盒结果关联。当算法发生误识或拒识时，研发人员无法判断是图像采集质量下降、特征点提取错误还是匹配算法鲁棒性不足导致的，无法精准定位优化方向。

5、第二，现有方法缺乏对各模块不确定性的量化分析，没有一种统一的、可跨模块比较的不确定度计算方法，导致不同模块的稳定性无法直接比较。

6、第三，门锁使用中手指放置角度多变、用户可能干手或湿手、按压压力差异大，现有通用评估方法未专门设计对应测试条件，也无法评估采集器、特征提取器、匹配器分别对干手、湿手、压力变化等工况的敏感度差异，难以指导模块选型与组合优化。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于白盒-黑盒联合评估的指纹识别方法，该方法构建了多维度的评价体系，能够更全面地反映算法的综合性能。

2、为实现上述目的，本发明提供了一种基于白盒-黑盒联合评估的指纹识别方法，包括：

3、根据预设的多种真实采集条件，获取多条件半导体指纹数据集，其中，所述多种真实采集条件包括：不同手指湿度条件和不同按压压力条件；

4、根据所述多条件半导体指纹数据集，引入不确定度评定模型，计算指纹模型中的采集模块、特征提取模块和匹配模块在环境扰动下的性能退化率，获取各模块对应的不确定度指标；

5、根据所述不确定度指标，将采集模块、特征提取模块与匹配模块的白盒评估结果同系统级黑盒性能指标进行关联分析，获取指纹识别结果。

6、可选的，根据预设的多种真实采集条件，获取多条件半导体指纹数据集包括：

7、在公开数据集及已有标准图库的基础上，采集同一批手指在多种真实采集条件下的指纹图像；

8、根据所述多种真实采集条件下采集的指纹图像，形成包含参考样本和扰动样本的多条件半导体指纹数据集，所述参考样本为在正常采集条件下获得的指纹图像，所述扰动样本为在干燥、湿润、低压或高压条件下获得的同源指纹图像。

9、可选的，所述不同手指湿度条件包括干燥状态、正常状态和湿润状态，所述不同按压压力条件包括低压状态、正常压力和高压状态。

10、可选的，根据所述多条件半导体指纹数据集，引入不确定度评定模型，计算所述指纹模型中的采集模块、特征提取模块和匹配模块在环境扰动下的性能退化率，获取各模块对应的不确定度指标包括：

11、根据所述参考样本和扰动样本，分别计算采集模块、特征提取模块和匹配模块在扰动条件下的模块评分，并将所述模块评分归一化至预设区间获得退化率序列；

12、根据所述退化率序列，计算各参考样本的均值和标准不确定度，并汇总全部参考样本以获得总体标准不确定度，获取各模块对应的不确定度指标。

13、可选的，计算采集模块在扰动条件下的模块评分包括：

14、根据所述参考样本和扰动样本，利用图像质量评价指标对不同条件下获取的指纹图像进行量化分析，获取量化分析结果；

15、根据所述量化分析结果，将正常条件下采集的指纹图像作为参考样本，将不同扰动条件下采集的同源指纹图像作为扰动样本，计算质量评分在扰动过程中的波动程度，获得采集模块在扰动条件下的模块评分。

16、可选的，计算特征提取模块在扰动条件下的模块评分包括：

17、基于所述参考样本和扰动样本，根据已手动标注真实细节特征位置及方向的参考指纹图像，建立标准细节点参考数据库；

18、将不同环境条件下的同源指纹图像输入待评价的特征提取算法，获得自动提取的细节点集合，并采用邻域匹配策略将所述自动提取的细节点集合与标准细节点参考数据库进行配对；

19、根据配对结果，计算细节点检测能力指标、位置均方根误差和方向误差，并分别统计不同环境条件下的性能参数退化率，获得特征提取模块的不确定度指标。

20、可选的，计算匹配模块在扰动条件下的模块评分包括：

21、基于所述参考样本和扰动样本，结合所述标准细节点参考数据库，构建符合真实应用场景的细节点扰动模型，所述细节点扰动模型包括局部遮挡扰动模型和全局旋转扰动模型，其中，所述局部遮挡扰动模型用于模拟不同程度的局部信息缺失，所述全局旋转扰动模型用于模拟不同程度的姿态偏移；

22、根据所述细节点扰动模型生成扰动模板，并将参考模板与所述扰动模板输入待评价的匹配算法以获得对应的匹配分数；

23、根据所述匹配分数的变化进行统计分析，获得匹配模块的不确定度指标。

24、可选的，根据所述不确定度指标，将采集模块、特征提取模块与匹配模块的白盒评估结果同系统级黑盒性能指标进行关联分析，获取指纹识别结果包括：

25、根据所述不确定度指标，分别判断各模块对环境扰动的敏感程度；

26、根据所述各模块对环境扰动的敏感程度，结合系统级黑盒性能指标，定位导致系统性能下降的目标模块，以实现对指纹识别系统的综合评估。

27、与现有技术相比，本发明具有如下优点和技术效果：

28、1.现有评估多采用人工合成噪声、运动模糊或理想化旋转等扰动，与真实用户使用门锁时的干手、湿手、按压力度变化、手指放置角度偏差等场景差异较大。本发明的评估结果能更准确地反映算法在实际产品中的性能表现。2.本发明所提出的不确定度评定模型，通过归一化的性能评分和标准差汇总，得到一个无量纲且范围稳定的总体不确定度。该指标适用于采集质量、特征检测精度、匹配分数等不同类型的评价输出，从而实现了对采集器、特征提取器、匹配器等异构模块鲁棒性的统一量化比较。这在技术选型、招标评测和算法迭代中具有明确的实用价值。3.传统评估往往仅关注单一指标（如匹配分数或 eer），容易掩盖算法在某些方面的缺陷。本发明构建了多维度的评价体系，能够更全面地反映算法的综合性能。