接触式指纹与非接触式指纹的匹配方法及相关装置

1.本发明属于生物特征认证领域，涉及一种接触式指纹与非接触式指纹的匹配方法及相关装置。


背景技术：

2.非接触式指纹具有不易被污染、便于采集以及采集过程中不和其余人接触的特性。并且，相比于接触式指纹的采集过程，非接触式指纹的采集更不容易传染病毒，因而，非接触式指纹近年来正越来越受到学界和工业界的注意。然而，当前已有的指纹库大都是接触式指纹，想要重新采集新的非接触式指纹作为指纹库费时费力，因此，研究区别于传统方法的非接触式指纹与接触式指纹的匹配方法显得尤为重要。
3.传统的指纹匹配技术大都是依据于基于细节点的方法，这种方法在以往的传统的指纹匹配中已经确认了其有效性，然而，由于非接触式指纹采集传感器与接触式指纹采集传感器的采集分布不同，二者采集出的指纹之间会产生一些差距，这些差距使得采用传统的方法得出的结果不尽如人意，传统上解决这一差异的方法是利用图像退化矫正算法来消除两种传感器之间的采集差异，但是效果不佳。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种接触式指纹与非接触式指纹的匹配方法及相关装置。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.本发明第一方面，一种接触式指纹与非接触式指纹的匹配方法，包括：
7.获取待匹配的接触式指纹与非接触式指纹；
8.提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；
9.将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；
10.根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
11.可选的，所述提取接触式指纹与非接触式指纹的细节点前，还包括：
12.将接触式指纹与非接触式指纹进行预处理；所述预处理包括：将接触式指纹与非接触式指纹均进行直方图均衡，并用garbor滤波器进行滤波。
13.可选的，所述提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹包括：
14.采用指纹细节点提取算法，提取接触式指纹与非接触式指纹的细节点；
15.对于接触式指纹与非接触式指纹，均进行下述操作：
16.初始化一个维度与指纹尺寸相同的初始注意力矩阵，并对各细节点分别执行以下操作：以当前细节点的位置为中心，根据预设的标准差，在初始注意力矩阵的维度下生成高斯分布矩阵，将高斯分布矩阵乘以当前细节点的质量作为当前细节点的注意力分布，将当前细节点的注意力分布叠加到初始注意力矩阵上；
17.当各细节点遍历完成后，得到注意力矩阵；对注意力矩阵的横坐标轴和纵坐标轴分别求边缘分布，并分别计算边缘分布的积分，得到边缘分布的积分分布；对边缘分布的积分分布，用b样条曲线进行插值，得到采样矩阵；
18.根据采样矩阵中每个采样坐标对应到指纹的坐标进行采样，得到采样指纹；其中，当采样坐标为非整数坐标点时，采用双线性插值法进行插值。
19.可选的，所述预设的指纹匹配神经网络模型包括网络结构一致且参数共享的接触式指纹分支和非接触式指纹分支；
20.其中，接触式指纹分支和非接触式指纹分支均为卷积神经网络；接触式指纹分支的输入为接触式指纹和接触式指纹的采样指纹，输出为接触式指纹的高维特征向量；非接触式指纹分支的输入为非接触式指纹和非接触式指纹的采样指纹，输出为非接触式指纹的高维特征向量。
21.可选的，所述预设的指纹匹配神经网络模型通过下述方式构建得到：
22.获取若干手指的接触式指纹样本与非接触式指纹样本；
23.提取接触式指纹样本与非接触式指纹样本的细节点，并根据接触式指纹样本与非接触式指纹样本的细节点进行采样，得到接触式指纹样本与非接触式指纹样本的采样指纹样本；
24.基于接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，生成数据集；其中，数据集包括预设比例的配对样本和不配对样本，配对样本包括同一手指的接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，不配对样本包括一手指的接触式指纹样本和接触式指纹样本的采样指纹样本，以及另一手指的非接触式指纹样本以及非接触式指纹样本的采样指纹样本；
25.构建初始指纹匹配神经网络模型，根据下式的损失函数l，通过数据集训练初始指纹匹配神经网络模型，得到预设的指纹匹配神经网络模型；
26.l＝(1-y)max((d-m1),0)2 ymax((m
2-d),0)227.其中，y＝0为配对样本，y＝1为不配对样本，m1和m2为预设的边界值。
28.可选的，所述获取若干手指的接触式指纹样本与非接触式指纹样本时，当接触式指纹样本与非接触式指纹样本的采集数量小于预设值时，采用图像旋转的方法进行接触式指纹样本与非接触式指纹样本的数量增强；所述构建初始指纹匹配神经网络模型时，接触式指纹分支和非接触式指纹分支的卷积神经网络均采用经过现有图像数据集预训练完成的卷积神经网络。
29.可选的，所述根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果包括：
30.计算接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离；
31.当接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离小于预设的欧氏
距离阈值时，接触式指纹与非接触式指纹的匹配结果为匹配；否则，接触式指纹与非接触式指纹的匹配结果为不匹配。
32.本发明第二方面，一种接触式指纹与非接触式指纹的匹配装置，包括：
33.数据获取模块，用于获取待匹配的接触式指纹与非接触式指纹；
34.采样模块，用于提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；
35.模型调用模块，用于将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；
36.匹配模块，用于根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
37.本发明第三方面，一种计算机设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述接触式指纹与非接触式指纹的匹配方法的步骤。
38.本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述接触式指纹与非接触式指纹的匹配方法的步骤。
39.与现有技术相比，本发明具有以下有益效果：
40.本发明接触式指纹与非接触式指纹的匹配方法，通过根据接触式指纹与非接触式指纹的细节点进行采样，采用基于细节点的注意力采样方式，实现增强指纹匹配神经网络模型识别接触式指纹与非接触式指纹的匹配能力的目的，相较于目前的基于神经网络的接触式指纹与非接触式指纹的匹配方法，通过添加基于细节点的注意力采样分支来提升识别效能，能够更专注于细节点周围的区域，放大细节点周围的区域，缩小不重要的区域，而这些区域是指纹最富细节的区域，使得模型更加明确地关注到对分类影响较大的区域的信息，从而克服该场景下类间距离小、类内方差大的难点，从而使得指纹匹配神经网络模型在相同数据集下的指标(如错误率)更加优秀，使得指纹匹配神经网络模型的匹配能力得到提升，提升接触式指纹与非接触式指纹的匹配精确性，可以有效地运用于实际的应用场景。
41.进一步的，模型构建过程中采用的微调方法也可用于其余类似的生物特征识别场景，从而节省运算资源，使得模型更快速的收敛；该方法提出的基于特征点的注意力分布的采样方法也可以运用于其余的生物特征识别场景，从而更好地结合传统方法的成果与神经网络的强大能力，为类似问题提供了新的解决思路。
附图说明
42.图1为本发明实施例的接触式指纹与非接触式指纹的匹配方法流程图；
43.图2为本发明实施例的根据细节点进行注意力采样的流程图；
44.图3为本发明实施例的指纹匹配神经网络模型的结构示意图；
45.图4为本发明实施例的接触式指纹与非接触式指纹的匹配系统结构框图。
具体实施方式
46.为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
47.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
48.申请人在实际工作中发现，以神经网络为代表的深度学习技术在各个领域都取得了很大的突破，特别是在模式识别与生物特征识别领域，人脸识别和掌纹识别的识别指标都因采用深度学习算法而有所新的突破，这对我们使用神经网络解决指纹匹配问题提供了可行性保障，一些相关研究也证实了这种思路的可行性。同时，指纹匹配可以看做是一种细粒度识别任务，细粒度识别的研究是设法让模型专注于具有显著类间差异的区域而实现的，能够用来解决指纹识别。
49.参见图1，本发明一实施例中，提供一种接触式指纹与非接触式指纹的匹配方法，具体为基于注意力采样机制的接触式指纹与非接触式指纹的匹配方法，实现了接触式指纹与非接触式指纹的高精度匹配。
50.具体的，该接触式指纹与非接触式指纹的匹配方法包括以下步骤：
51.s1：获取待匹配的接触式指纹与非接触式指纹。
52.s2：提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹。
53.s3：将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量。
54.s4：根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
55.其中，所述步骤s1中，非接触式指纹可以通过非接触式传感器采集得到，接触式指纹可以通过接触式传感器采集得到，也可以是现有接触式指纹库中的各接触式指纹，用以实现当前采集的非接触式指纹与现有接触式指纹的匹配。
56.所述步骤s2中，所述提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹包括：采用指纹细节点提取算法，提取接触式指纹与非接触式指纹的细节点；对于接触式指纹与非接触式指纹，均进行下述操作：初始化一个维度与指纹尺寸相同的初始注意力矩阵，并对各细节点分别执行以下操作：以当前细节点的位置为中心，根据预设的标准差，在初始注意力
矩阵的维度下生成高斯分布矩阵，将高斯分布矩阵乘以当前细节点的质量作为当前细节点的注意力分布，将当前细节点的注意力分布叠加到初始注意力矩阵上；当各细节点遍历完成后，得到注意力矩阵；对注意力矩阵的横坐标轴和纵坐标轴分别求边缘分布，并分别计算边缘分布的积分，得到边缘分布的积分分布；对边缘分布的积分分布，用b样条曲线进行插值，得到采样矩阵；根据采样矩阵中每个采样坐标对应到指纹的坐标进行采样，得到采样指纹。其中，一个细节点的属性应包括细节点的x坐标、细节点的y坐标、细节点的质量以及细节点的类型。并且，当采样坐标为非整数坐标点时，采用双线性插值法进行插值，以使最终得到的图像更为清晰。
57.具体的，参见图2，示出了基本的注意力采样过程，各环节依次为原始的指纹，包括接触式指纹和非接触式指纹，细节点的注意力分布，注意力矩阵的边缘分布，边缘分布的积分分布，以及采样指纹。
58.在一种可能的实施方式中，本发明接触式指纹与非接触式指纹的匹配方法，在提取接触式指纹与非接触式指纹的细节点前，还包括：将接触式指纹与非接触式指纹进行预处理；所述预处理包括：将接触式指纹与非接触式指纹均进行直方图均衡，并用garbor滤波器进行滤波，来尽可能提升图像的对比度。
59.参见图3，所述步骤s3中，预设的指纹匹配神经网络模型包括网络结构一致且参数共享的接触式指纹分支和非接触式指纹分支；接触式指纹分支和非接触式指纹分支均为卷积神经网络；接触式指纹分支的输入为接触式指纹和接触式指纹的采样指纹，输出为接触式指纹的高维特征向量；非接触式指纹分支的输入为非接触式指纹和非接触式指纹的采样指纹，输出为非接触式指纹的高维特征向量。
60.在一种可能的实施方式中，所述步骤s3中预设的指纹匹配神经网络模型可以通过下述方式构建得到：
61.s301：获取若干手指的接触式指纹样本与非接触式指纹样本。
62.具体的，对每一个手指分别用接触式传感器与非接触式传感器采集指纹图像，每一个用户分别采集多次以获得足够的指纹图像，得到若干手指的接触式指纹样本与非接触式指纹样本。
63.在一种可能的实施方式中，对于所获得的原始数据进行预处理，对接触式传感器获得的接触式指纹样本进行直方图均衡；对非接触式传感器获得的非接触式指纹样本进行直方图均衡，并用garbor滤波器提升指纹样本的对比度。
64.在一种可能的实施方式中，所述获取若干手指的接触式指纹样本与非接触式指纹样本时，当接触式指纹样本与非接触式指纹样本的采集数量小于预设值时，采用图像旋转的方法进行接触式指纹样本与非接触式指纹样本的数量增强。具体的，对于每一个的接触式指纹样本与非接触指纹样本，用图像旋转的方法进行数据增强，因为旋转过程中有边缘填充，会有图像尺寸的变化，将旋转后的图像缩放到与旋转前的图像尺寸一致。可以在不同的场景下，对于不同的情形设置不同的数据增强倍率n，通过多次实验取得选取最佳的参数n。
65.例如，对于每一个接触式指纹样本，分别旋转8
°
、-8
°
、15
°
和-15
°
四个角度；对于每一个非接触式指纹样本，分别旋转10
°
、-10
°
、20
°
和-20
°
四个角度，从而把指纹样本扩充为原始指纹样本的六倍。
66.s302：提取接触式指纹样本与非接触式指纹样本的细节点，并根据接触式指纹样本与非接触式指纹样本的细节点进行采样，得到接触式指纹样本与非接触式指纹样本的采样指纹样本。具体的，包括以下步骤：
67.s3021：使用指纹细节点提取算法，提取出所有接触式指纹样本与非接触式指纹样本的细节点，一个细节点的属性应包括：细节点的x坐标、细节点的y坐标、细节点的质量、细节点的类型。
68.s3022：对于每一个指纹样本，初始化一个注意力矩阵，其维度应该与指纹样本图像的尺寸一致，遍历该指纹样本的所有的细节点，并对每一个细节点执行以下操作：以当前细节点位置为中心，指定的参数σ为标准差，可选的，σ＝10，在注意力矩阵的维度下生成高斯分布矩阵；将生成的高斯分布矩阵乘以细节点的质量作为在该处细节点的注意力分布；将该注意力分布叠加到注意力矩阵上，生成新的注意力矩阵。
69.s3023：对于每一个指纹样本，依据s3022得到的注意力矩阵，执行以下操作：分别对注意力矩阵的横坐标轴和纵坐标轴求边缘分布；对于每一个坐标轴的边缘分布，分别计算边缘分布的积分，计算出来的积分结果为边缘分布的积分分布；对于每一个边缘分布的积分分布用b样条曲线进行插值，按照指纹图像的尺寸将因变量均匀等分，对应自变量设置为采样的横(纵)坐标，得到采样矩阵。
70.s3024：对于每一个指纹，依据s3023得到的采样矩阵，执行以下步骤：依据采样矩阵中每个采样坐标对应到指纹样本的坐标进行采样，对于采样坐标位于非整数坐标点的情况，采用双线性插值法进行插值，以使得采样的图像更为清晰，最终得到接触式指纹样本与非接触式指纹样本的采样指纹样本。
71.s303：基于接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，生成数据集；数据集包括预设比例的配对样本和不配对样本，配对样本包括同一手指的接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，不配对样本包括一手指的接触式指纹样本和接触式指纹样本的采样指纹样本，以及另一手指的非接触式指纹样本以及非接触式指纹样本的采样指纹样本。
72.具体的，包括以下步骤：
73.s3031：对于接触式指纹样本集合cb与非接触式指纹样本cl，以及接触式指纹样本的采样指纹样本集合cb-a与非接触式指纹样本的采样指纹样本集合cl-a；设手指数为n，设置两个初始集合a、b，集合a＝(a1，a2……an
)存放每一个接触式指纹样本对应的手指id；集合b＝(b1，b2……bn
)存放每一个非接触式指纹样本对应的手指id；求集合a与集合b的笛卡尔积为c，并将c中的每一个元素(ai，bj)对应的一组指纹对作为数据集的一个元素，从而形成数据集；如果这一对指纹属于同一个手指，即ai＝bj，那么这个指纹对的标签设为配对，反之则设为不配对。
74.s3032：在得到的数据集中，由于配对的指纹对个数远小于不配对的指纹对个数，因而对于得到的所有不配对的指纹对，随机抽取配对的指纹对的数目的不配对的指纹对，舍弃剩余不配对的指纹对，得到最终的数据集。
75.s3033：对得到数据集依据一定的比例，划分训练集、测试集和验证集。
76.s304：构建初始指纹匹配神经网络模型，根据下式的损失函数l，通过数据集训练
初始指纹匹配神经网络模型，得到预设的指纹匹配神经网络模型：
77.l＝(1-y)max((d—m1)，0)2 ymax((m
2-d)，0)278.其中，y＝0为配对样本，y＝1为不配对样本，m1和m2为预设的边界值。
79.具体的，包括以下步骤：
80.s3041：构建初始指纹匹配神经网络模型，指纹匹配神经网络模型由两个分支组成，一个分支为接触式指纹分支，另一个分支为非接触式指纹分支，二者网络结构一致，参数共享。
81.s3042：对于指纹匹配神经网络模型的每个分支，分为两个子分支，一个子分支的输入为指纹样本，另一个子分支的输入为指纹样本的采样指纹样本。
82.s3043：将每个子分支的结构设定为大型图像数据集预训练完毕的卷积神经网络，可选的，可以设定为在imagenet数据集上预训练完毕的inception-v3网络，其卷积参数保持预训练的参数，去除卷积神经网络最后的全连接分类层。且对每个分支，将每个子分支的卷积神经网络提取出的高层特征相加，并通过一个全连接层，可选的通过一个维度为512的全连接层，得到这个分支最终的结果。
83.s3044：指纹匹配神经网络模型前向传播时，对于数据集中的每个元素将与依次经过两个对应的分支，得到不同的高维特征向量；并计算两个高维特征向量的欧氏距离d，并将其作为评价相似度的指标。
84.s3045：指纹匹配神经网络模型训练时，基于给定的训练轮次，使用训练集对指纹匹配神经网络模型进行训练，训练方法为：学习率设为卷积神经网络原始学习率的十分之一，在预设的迭代次数内进行训练，训练优化器为adam。
85.具体的，步骤s4中，根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果包括：计算接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离；当接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离小于预设的欧氏距离阈值时，接触式指纹与非接触式指纹的匹配结果为匹配；否则接触式指纹与非接触式指纹的匹配结果为不匹配。
86.其中，欧氏距离阈值可以根据模型训练时得到的配对样本的欧氏距离确定。例如，从测试集中选取一个配对样本，以该配对样本生成的欧氏距离d为基准，设置合适的欧氏距离阈值为2，如果当前的欧氏距离》2，则认为待匹配的接触式指纹与非接触式指纹不匹配；否则认为匹配，如此就完成了一次指纹匹配过程。
87.本发明接触式指纹与非接触式指纹的匹配方法，通过设计一种通过细节点生成注意力分布，并利用注意力分布进行注意力采样的方法，以实现基于细节点的注意力分支，增强神经网络识别接触式指纹与非接触式指纹的匹配能力的目的。相较于目前的基于神经网络的接触式指纹与非接触式指纹的匹配方法，所构建的指纹匹配神经网络模型通过添加注意力机制分支来提升模型的效能，能够更专注于细节点周围的区域，而这些区域是指纹最富细节的区域，从而使得模型在相同数据集下的指标(如等错误率)更加优秀，使得模型的匹配能力得到提升，可以更加有效地运用于实际的应用场景。
88.此外，该方法中模型采用的微调方法也可用于其余类似的生物特征识别场景，从而节省运算资源，使得模型更快速的收敛；该方法提出的基于特征点的注意力分布的采样
方法也可以运用于其余的生物特征识别场景，从而更好地结合传统方法的成果与神经网络的强大能力，为类似问题提供了新的解决思路。
89.其中，基于指纹特征点的注意力采样机制能够使得采样后的图形在不发生非常明显的形变的条件下，放大特征点周围的区域，缩小不重要的区域，从而使得注意力机制能够较为准确的嵌入到模型的训练中。并且，注意力旁支的设计使得模型在训练的过程中，不仅使得模型能够从全局层面上提取较通用的信息，也能使得模型同时更加明确地关注到对分类影响较大的区域的信息，从而克服该场景下类间距离小、类内方差大的难点。同时，模型训练过程中使用的微调和再训练的方法大幅度的降低了模型训练的时间，并成功保留了模型在大规模图像识别数据集上所提取到的知识信息，并实现了不同场景下通用知识的迁移。
90.下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
91.参见图4，本发明再一实施例中，提供一种接触式指纹与非接触式指纹的匹配装置，能够用于实现上述的接触式指纹与非接触式指纹的匹配方法，具体的，该接触式指纹与非接触式指纹的匹配装置包括数据获取模块、采样模块、模型调用模块以及匹配模块。
92.其中，数据获取模块用于获取待匹配的接触式指纹与非接触式指纹；采样模块用于提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹；模型调用模块用于将接触式指纹、接触式指纹的采样指纹、非接触式指纹以及非接触式指纹的采样指纹，输入预设的指纹匹配神经网络模型中，得到接触式指纹与非接触式指纹的高维特征向量；匹配模块用于根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果。
93.在一种可能的实施方式中，所述提取接触式指纹与非接触式指纹的细节点前，还包括：将接触式指纹与非接触式指纹进行预处理；所述预处理包括：将接触式指纹与非接触式指纹均进行直方图均衡，并用garbor滤波器进行滤波。
94.在一种可能的实施方式中，所述提取接触式指纹与非接触式指纹的细节点，根据接触式指纹与非接触式指纹的细节点进行采样，得到接触式指纹与非接触式指纹的采样指纹包括：采用指纹细节点提取算法，提取接触式指纹与非接触式指纹的细节点；对于接触式指纹与非接触式指纹，均进行下述操作：初始化一个维度与指纹尺寸相同的初始注意力矩阵，并对各细节点分别执行以下操作：以当前细节点的位置为中心，根据预设的标准差，在初始注意力矩阵的维度下生成高斯分布矩阵，将高斯分布矩阵乘以当前细节点的质量作为当前细节点的注意力分布，将当前细节点的注意力分布叠加到初始注意力矩阵上；当各细节点遍历完成后，得到注意力矩阵；对注意力矩阵的横坐标轴和纵坐标轴分别求边缘分布，并分别计算边缘分布的积分，得到边缘分布的积分分布；对边缘分布的积分分布，用b 样条曲线进行插值，得到采样矩阵；根据采样矩阵中每个采样坐标对应到指纹的坐标进行采样，得到采样指纹；其中，当采样坐标为非整数坐标点时，采用双线性插值法进行插值。
95.在一种可能的实施方式中，所述预设的指纹匹配神经网络模型包括网络结构一致且参数共享的接触式指纹分支和非接触式指纹分支；其中，接触式指纹分支和非接触式指纹分支均为卷积神经网络；接触式指纹分支的输入为接触式指纹和接触式指纹的采样指
纹，输出为接触式指纹的高维特征向量；非接触式指纹分支的输入为非接触式指纹和非接触式指纹的采样指纹，输出为非接触式指纹的高维特征向量。
96.在一种可能的实施方式中，所述预设的指纹匹配神经网络模型通过下述方式构建得到：获取若干手指的接触式指纹样本与非接触式指纹样本；提取接触式指纹样本与非接触式指纹样本的细节点，并根据接触式指纹样本与非接触式指纹样本的细节点进行采样，得到接触式指纹样本与非接触式指纹样本的采样指纹样本；基于接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，生成数据集；其中，数据集包括预设比例的配对样本和不配对样本，配对样本包括同一手指的接触式指纹样本、非接触式指纹样本、接触式指纹样本的采样指纹样本以及非接触式指纹样本的采样指纹样本，不配对样本包括一手指的接触式指纹样本和接触式指纹样本的采样指纹样本，以及另一手指的非接触式指纹样本以及非接触式指纹样本的采样指纹样本；构建初始指纹匹配神经网络模型，根据下式的损失函数l，通过数据集训练初始指纹匹配神经网络模型，得到预设的指纹匹配神经网络模型；
97.l＝(1-y)max((d-m1),0)2 ymax((m
2-d),0)298.其中，y＝0为配对样本，y＝1为不配对样本，m1和m2为预设的边界值。
99.在一种可能的实施方式中，所述获取若干手指的接触式指纹样本与非接触式指纹样本时，当接触式指纹样本与非接触式指纹样本的采集数量小于预设值时，采用图像旋转的方法进行接触式指纹样本与非接触式指纹样本的数量增强；所述构建初始指纹匹配神经网络模型时，接触式指纹分支和非接触式指纹分支的卷积神经网络均采用经过现有图像数据集预训练完成的卷积神经网络。
100.在一种可能的实施方式中，所述根据接触式指纹与非接触式指纹的高维特征向量之间的相似度，得到接触式指纹与非接触式指纹的匹配结果包括：计算接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离；当接触式指纹与非接触式指纹的高维特征向量之间的欧氏距离小于预设的欧氏距离阈值时，接触式指纹与非接触式指纹的匹配结果为匹配；否则，接触式指纹与非接触式指纹的匹配结果为不匹配。
101.前述的接触式指纹与非接触式指纹的匹配方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的接触式指纹与非接触式指纹的匹配装置所对应的功能模块的功能描述，在此不再赘述。
102.本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
103.本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing) unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integratedcircuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现
一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于接触式指纹与非接触式指纹的匹配方法的操作。
104.本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器 (non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关接触式指纹与非接触式指纹的匹配方法的相应步骤。
105.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
106.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
107.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
108.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
109.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。