生物特征提取模型训练方法和图像分割方法与流程

1.本技术实施例涉及计算机技术领域，具体涉及生物特征提取模型训练方法和图像分割方法。


背景技术：

2.随着计算机技术的发展，图像分割技术已广泛应用于计算机视觉领域。在图像识别场景中，通常需要对图像进行图像分割，以裁切出图像中的生物特征区域，以便提升后续生物特征识别的准确性。
3.现有技术中，可通过人工标注训练数据的方式训练生物特征提取模型或图像分割模型。此方式需要标注大量的数据，因此人力成本较高。同时，由于标注误差的存在，生物特征对纹理细节的表达能力较弱，因此生物特征提取的准确性较低。


技术实现要素：

4.本技术实施例提出了生物特征提取模型训练方法和图像分割方法，以解决现有技术中训练生物特征提取模型的人力成本较高且生物特征提取的准确性较低的技术问题。
5.第一方面，本技术实施例提供了一种生物特征提取模型训练方法，该方法包括：对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。
6.第二方面，本技术实施例提供了一种生物特征提取方法，该方法包括：获取目标图像；将所述目标图像输入至采用第一方面中所描述的方法训练的生物特征提取模型，得到所述目标图像的生物特征图。
7.第三方面，本技术实施例提供了一种图像分割方法，该方法包括：获取目标图像；将所述目标图像输入至采用第一方面中所描述的方法训练的生物特征提取模型，得到所述目标图像的生物特征图；基于所述生物特征图，确定所述目标图像中各像素点的特征模长；基于所述特征模长，确定所述目标图像中的生物特征区域。
8.第四方面，本技术实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面、第二方面或第三方面中所描述的方法。
9.第五方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面、第二方面或第三方面所描述的方法。
10.第六方面，本技术实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面、第二方面或第三方面中所描述的方法。
11.本技术实施例提供的生物特征提取模型训练方法和图像分割方法，通过对包含目
标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；而后对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；最后将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，并基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型，实现了正负样本对的自动生成以及生物特征提取模型的无监督训练。一方面，由于无需人工标注训练数据即可训练得到生物特征提取模型，因此降低了人力成本。另一方面，由于省去了人工标注环节，因此不存在标注误差，故以此训练方式得到的生物特征提取模型所提取生物特征对纹理细节的表达能力更强，从而提高了生物特征提取的准确性。
附图说明
12.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
13.图1是本技术的生物特征提取模型训练方法的一个实施例的流程图；
14.图2是本技术的生物特征提取模型训练方法中对第一图像进行固定像素点位置的数据增强处理前后的特征强度对比图；
15.图3是本技术的生物特征提取方法的一个实施例的流程图；
16.图4是本技术的图像分割方法的一个实施例的流程图；
17.图5是本技术的图像分割方法的处理效果示意图；
18.图6是本技术的生物特征提取模型训练装置的一个实施例的结构示意图；
19.图7是本技术的生物特征提取装置的一个实施例的结构示意图；
20.图8是本技术的图像分割装置的一个实施例的结构示意图；
21.图9是用于实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
22.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.需要指出的是，本技术中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
25.近年来，生物识别技术已广泛地应用到各种终端设备或电子装置上。生物特征识别技术包括但不限于指纹识别、掌纹识别、静脉识别、虹膜识别、人脸识别、活体识别、防伪识别等技术。其中，指纹识别通常包括光学指纹识别、电容式指纹识别和超声波指纹识别。随着全面屏技术的兴起，可以将指纹识别模组设置在显示屏下方的局部区域或者全部区域，从而形成屏下(under-display)光学指纹识别；或者，也可以将光学指纹识别模组的部分或者全部集成至电子设备的显示屏内部，从而形成屏内(in-display)光学指纹识别。上
述显示屏可以是有机发光二极管(organic light emitting diode，oled)显示屏或液晶显示屏(liquidcrystal display，lcd)等。指纹识别方法通常包括图像的获取、预处理、特征提取、特征匹配等步骤。上述步骤中的部分或者全部可以通过传统计算机视觉(computer vision，cv)算法实现，也可以通过基于人工智能(artificial intelligence，ai)的深度学习算法实现。指纹识别技术可以应用在智能手机、平板电脑、游戏设备等便携式或移动终端，以及智能门锁、汽车、银行自动柜员机等其他电子设备，以用于指纹解锁、指纹支付、指纹考勤、身份认证等。
26.在生物特征识别领域中，通常需要对图像进行图像分割，以裁切出图像中的生物特征区域，以便提升后续生物特征识别的准确性。相关技术中，可通过人工标注训练数据的方式训练生物特征提取模型或图像分割模型。此方式需要标注大量的数据，因此人力成本较高。同时，由于标注误差的存在，生物特征对纹理细节的表达能力较弱，因此生物特征提取的准确性较低。本技术提供了一种有利于降低人力成本并提高生物特征准确性的生物特征提取模型训练方法。
27.请参考图1，其示出了根据本技术的生物特征提取模型训练方法的一个实施例的流程100。该生物特征提取模型训练方法可应用于各种电子设备。例如，可包括但不限于：服务器、台式计算机、膝上型便携计算机等。该生物特征提取模型训练方法，包括以下步骤：
28.步骤101，对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像。
29.在本实施例中，生物特征提取模型训练方法的执行主体可以预先获取包含目标生物特征的图像集。目标生物特征可以是任一预设的生物特征，如指纹特征、掌纹特征、虹膜特征、唇纹特征等。相应的，包含目标生物特征的图像集可以是指纹图像集、掌纹图像集、虹膜图像集、唇纹图像集。上述图像集可采用多种方式获取。例如，可以通过有线连接方式或无线连接方式，从用于存储训练数据的另一服务器(例如数据库服务器)中获取存储于其中的现有的图像集。再例如，可以通过终端设备来收集图像，将所收集的图像汇总至图像集。图像集中的图像的采集环境(如图像采集模组、采集温度等)和手指状态(如手指温度、手指湿度、按压力度等)可呈多样性，以保证图像的差异，提高所训练的生物特征提取模型的泛化性。
30.在本实施例中，上述执行主体可将图像集中的各图像作为第一图像，对各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像。其中，数据增强是指通过对数据做一系列随机改变，来产生相似但又不同的数据的技术。通过数据增强处理，可扩大数据集的规模。其中，固定像素点位置的数据增强处理可包括固定像素点位置的数据增强处理和变换像素点位置的数据增强处理。
31.在本实施例的一些可选的实现方式中，固定像素点位置的数据增强处理可包括但不限于以下至少一项：高斯模糊处理、随机噪声处理、亮度变换、对比度变换、色调变换、饱和度变换。对于每个第一图像，上述执行主体可以将该第一图像数据进行高斯模糊处理、随机噪声处理、亮度变换、对比度变换、色调变换、饱和度变换中的至少一项处理，得到该第一图像对应的第二图像。
32.作为示例，图2示出了对第一图像进行固定像素点位置的数据增强处理前后的特征强度对比图。原始的第一图像的生物特征图如标号201所示。对该第一图像进行固定像素
点位置的数据增强处理后，其生物特征图如标号202所示，特征强度相较于标号201所示的生物特征图发生变化。
33.需要说明的是，固定像素点位置的数据增强处理可包括但不限于上述列举，此处不再一一赘述。
34.步骤102，对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像。
35.在本实施例中，在得到各第一图像对应的第二图像后，上述执行主体可以对各第二图像进行变换像素点位置的数据增强处理，得到各第二图像对应的第三图像，也即得到各第一图像对应的第三图像。
36.在本实施例的一些可选的实现方式中，变换像素点位置的数据增强处理可包括但不限于以下至少一项：翻转、旋转、平移、镜像。对于每个第一图像，上述执行主体可以对该第一图像对应的第二图像进行翻转、旋转、平移、镜像中的至少一项处理，得到该第一图像对应的第三图像。需要说明的是，第一图像与第三图像的尺寸可以相同。例如，若执行了旋转操作，则可以对旋转后的图像进行剪裁等处理，以使得处理后的图像与第一图像的尺寸相同。
37.步骤103，将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。
38.在本实施例中，由于第二图像是对第一图像进行固定像素点位置的数据增强处理后得到，因此第一图像与其所对应的第二图像中的生物特征纹线(如指纹纹线、掌纹纹线、唇纹纹线等)位置相同。由此，可将每个第一图像与其对应的第二图像组合为正样本对。由于第三图像是对第一图像进行变换像素点位置的数据增强处理后得到，因此第一图像与其所对应的第三图像中的生物特征纹线(如指纹纹线、掌纹纹线、唇纹纹线等)位置不同。由此，可将每个第一图像与其对应的第二图像组合为负样本对。进而，可基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。
39.此处，模型的训练目标可以为拉近正样本对的特征间距，同时扩大负样本对的特征间距。以训练指纹特征提取模型为例，上述训练目标可使模型对指纹纹线相同的图像提取的生物特征尽可能相同，以保证模型对不同采集环境和手指状态的相同手指能够提取尽可能相同的特征，提高后续指纹识别的准确性；同时，可使模型对指纹纹线不同的图像所提取的生物特征尽可能不同，以避免模型对不同手指采集到相似特征造成后续指纹识别错误。其中，特征的相似性由可特征间的欧氏距离来度量。经过训练后得到的生物特征提取模型，对于清晰区域提取出的特征的模长相对于模糊区域提取出的特征的模长更长，因此可基于特征模长，确定出待识别图像中的生物特征所在区域，从而便于后续进行生物特征识别、图像分割等。
40.在本实施例中，神经网络可以是使用各种现有的结构(例如unet等)的卷积神经网络(convolutional neural network，cnn)。实践中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行样本视频中的帧特征的提取。在本实施例中，神经网络可以包括但不限于卷积层和反卷积层等。卷积层可用于提取图像特征并进行特征图的下采样
(downsample)。反池化层可以用于提取图像特征并进行特征图的上采样(upsample)。此处所使用的神经网络，输出的特征图与输入至该神经网络的图像的尺寸可以相同。
41.在本实施例的一些可选的实现方式中，上述执行主体可以采用如下子步骤训练得到生物特征提取模型：
42.子步骤s11，基于包含相同第一图像的正样本对和负样本对，生成三元组。三元组中可包括第一图像、该第一图像所属正样本对中的第二图像、以及该第一图像所属负样本对中的第三图像。针对每个第一图像，均可构建一个三元组，从而可得到多个三元组。可将每个三元组可作为一个训练样本，多个样本即可构成用于训练生物特征提取模型的样本集。该样本集基于无标注的图像集生成，实现了生物特征提取模型的无监督训练，降低了人力成本，同时避免了标注误差。
43.子步骤s12，迭代执行如下模型训练步骤：
44.第一步，从所得到的三元组中提取目标三元组。目标三元组的提取方式和提取数量在本技术中并不限制。例如，可以是随机提取至少一个目标三元组，也可以是按照指定顺序提取至少一个目标三元组。
45.第二步，将目标三元组输入至神经网络，得到第一特征图、第二特征图和第三特征图。此处，第一特征图、第二特征图和第三特征图可分别为目标三元组中的第一图像对应的生物特征图、第二图像对应的生物特征图和第三图像对应的生物特征图。
46.第三步，基于第一特征图、第二特征图、第三特征图和预设的三元组损失函数，确定神经网络的损失值。此处，损失值为损失函数(loss function)的值。损失函数是一个非负实值函数，可以用于表征检测结果与真实结果的差异。一般情况下，损失值越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置，此处可使用三元组损失函数。
47.第四步，基于损失值更新神经网络的参数。此处，可以利用反向传播算法求得损失值相对于神经网络参数的梯度，而后利用梯度下降算法基于梯度更新神经网络的参数。具体地，可以利用链式求导法则(chain rule)和反向传播算法(back propgation algorithm，bp算法)，求得损失值相对于神经网络各层参数的梯度。实践中，上述反向传播算法也可称为误差反向传播(error back propagation，bp)算法，或误差逆传播算法,是适合于多层神经元网络的一种学习算法。在反向传播过程中，可以逐层求出损失函数对各神经元权值的偏导数，构成损失函数对权值向量的梯度，作为修改权值的依据。梯度下降(gradient descent)算法是机器学习领域中常用的求解模型参数的方法。在求解损失函数的最小值时，可以通过梯度下降算法基于所计算出的梯度对神经元权值(例如卷积层中卷积核的参数等)进行调整。
48.子步骤s13，响应于满足停止迭代条件，停止迭代，得到生物特征提取模型。此处，每输入一次目标三元组，可以基于神经网络的损失值，对神经网络的参数进行一次更新，直至满足停止迭代条件。实践中，停止迭代条件可以根据需要进行各种设定。例如，若神经网络的训练次数等于预设次数时，可以确定训练完成。再例如，当神经网络的损失值收敛时，可以确定训练完成。在神经网络训练完成时，即可将训练后的神经网络确定为生物特征提取模型。
49.本技术的上述实施例提供的方法，通过对图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；而后对各第二图像进行变换像素
点位置的数据增强处理，得到各第一图像对应的第三图像；最后将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，并基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型，实现了正负样本对的自动生成以及生物特征提取模型的无监督训练。一方面，无需人工标注训练数据即可训练得到生物特征提取模型，降低了人力成本。另一方面，由于省去了人工标注环节，因此不存在标注误差，故以此训练方式得到的生物特征提取模型所提取生物特征对纹理细节的表达能力更强，从而提高了生物特征提取的准确性。
50.进一步参考图3，其示出了生物特征提取方法的一个实施例的流程300。该生物特征提取方法可应用于各种电子设备。例如，可包括但不限于：智能手机、平板电脑、膝上型便携计算机、车载电脑、掌上电脑、台式计算机、机顶盒、智能电视机、相机、可穿戴设备等。
51.该生物特征提取方法的流程300，包括以下步骤：
52.步骤301，获取目标图像。
53.在本实施例中，生物特征提取方法的执行主体可以获取目标图像，目标图像可以是任一待进行生物特征提取的图像，如用户在指纹采集区域录入的指纹图像、在掌纹采集区域录入的掌纹等。
54.步骤302，将目标图像输入至生物特征提取模型，得到目标图像的生物特征图。
55.在本实施例中，上述执行主体可以将目标图像输入至生物特征提取模型，得到目标图像的生物特征图。生物特征提取模型可以是采用上述实施例所描述的生物特征提取模型训练方法训练得到的。具体生成过程可以上述实施例的相关描述，此处不再赘述。
56.在提取生物特征图后，可以根据需要对该生物特征图进行其他处理，如进行生物特征识别、生物特征区域分割等，此处不作具体限定。
57.本实施例的生物特征提取方法可以用于提取图像中的生物特征，所提取生物特征对纹理细节具有更强的表达能力，从而可提高生物特征提取的准确性。
58.进一步参考图4，其示出了图像分割方法的一个实施例的流程400。该图像分割方法可应用于各种电子设备。例如，可包括但不限于：智能手机、平板电脑、膝上型便携计算机、车载电脑、掌上电脑、台式计算机、机顶盒、智能电视机、相机、可穿戴设备等。
59.该图像分割方法的流程400，包括以下步骤：
60.步骤401，获取目标图像。
61.在本实施例中，图像分割方法的执行主体可以获取目标图像，目标图像可以是任一待进行生物特征提取的图像，如用户在指纹采集区域录入的指纹图像、在掌纹采集区域录入的掌纹等。
62.步骤402，将目标图像输入至生物特征提取模型，得到目标图像的生物特征图。
63.在本实施例中，上述执行主体可以将目标图像输入至生物特征提取模型，得到目标图像的生物特征图。生物特征提取模型可以是采用上述实施例所描述的生物特征提取模型训练方法训练得到的。具体生成过程可以上述实施例的相关描述，此处不再赘述。
64.步骤403，基于生物特征图，确定目标图像中各像素点的特征模长。
65.在本实施例中，上述执行主体可以基于生物特征图，确定目标图像中各像素点的特征模长。对于每个像素点，该像素点特征模长即为该像素点在生物特征图中的对应特征点的特征模长，也即该对应特征点在生物特征图的各通道的特征值的模长。可通过对特征
值求平方和根的方式计算得到。
66.作为示例，图像与特征图的尺寸可以相同。此时，对于生物特征图中的每个特征点，上述执行主体可以首先基于该特征点在生物特征图的各通道的特征值，确定该特征点对应的特征模长。即，计算该特征点在各通道的特征值的平方和根，得到特征模长。而后，将该特征模长确定为图像中与该特征点对应的像素点的特征模长。需要说明的是，特征图可包括一个或多个通道，通道数量可基于最后一个卷积层的卷积核数量确定，此处对通道数量的具体取值不作限定。
67.步骤404，基于特征模长，确定目标图像中的生物特征区域。
68.在本实施例中，生物特征提取模型对于清晰区域(如指纹区域、掌纹区域、唇纹区域、或者虹膜区域等)提取出的特征的模长相对于模糊区域(如背景区域)提取出的特征的模长更长。上述执行主体在得到目标图像中各像素点的特征模长之后，可以得到由特征模长作为像素值的一张模长图。基于该模长图，上述执行主体可以确定目标图像中的生物特征区域(如指纹区域、掌纹区域、唇纹区域、或者虹膜区域等)。作为示例，可将模长值大于预设阈值的像素点所构成的区域确定为目标区域。作为又一示例，可以首先对该模长图进行图像处理(如截断、归一化、或者校正等)，得到处理后的模长图。而后，将处理后的模长图中的模长值大于预设阈值的像素点所构成的区域确定为生物特征区域。由此，实现了对图像的有效分割。
69.在本实施例的一些可选的实现方式中，上述执行主体可以采用如下步骤确定目标图像中的生物特征区域：
70.第一步，将大于第一阈值的特征模长调整为第一阈值，以避免离群点影响后续处理。
71.第二步，对各像素点的特征模长进行归一化处理。例如，可将第一步处理后各像素点的特征模长同除上述第一阈值，使各像素点的特征模长归一化，使数据更易于处理。
72.第三步，对归一化处理后的各像素点的特征模长进行校正，并将校正后大于第二阈值的像素点所构成的区域确定为生物特征区域。此处，可采用gamma校正等图像校正方式，调整像素值分布，便于阈值卡控。在校正后，可将大于第二阈值的像素点所构成的区域确定为生物特征区域。由此，实现了对图像的有效分割。基于所确定的生物特征区域，可为后续进行生物特征识别等操作提供便利。
73.作为示例，图5是图像分割方法的处理效果示意图。原始图像为指纹图像，如标号501所示。按上述可选的实现方式处理后的图像如标号502所示，该图像中可有效分割出生物特征区域，即指纹区域。
74.本实施例的图像分割方法可以用于提取图像中的生物特征，所提取生物特征对纹理细节具有更强的表达能力，从而可提高生物特征提取的准确性，进而提高了图像分割的准确性。
75.进一步参考图6，作为对上述各图所示方法的实现，本技术提供了一种生物特征提取模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
76.如图6所示，本实施例的生物特征提取模型训练装置600包括：第一处理单元601，用于对包含目标生物特征的图像集中的各第一图像进行固定像素点位置的数据增强处理，
得到各第一图像对应的第二图像；第二处理单元602，用于对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；训练单元603，用于将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型。
77.在本实施例的一些可选的实现方式中，上述训练单元603，进一步用于：基于包含相同第一图像的正样本对和负样本对，生成三元组；迭代执行如下模型训练步骤：从所得到的三元组中提取目标三元组；将上述目标三元组输入至神经网络，得到第一特征图、第二特征图和第三特征图；基于上述第一特征图、上述第二特征图、上述第三特征图和预设的三元组损失函数，确定上述神经网络的损失值；基于上述损失值更新上述神经网络的参数；响应于满足停止迭代条件，停止迭代，得到生物特征提取模型。
78.在本实施例的一些可选的实现方式中，上述第二处理单元602，进一步用于：对于每个第一图像，对该第一图像对应的第二图像进行翻转、旋转、平移、镜像中的至少一项处理，得到该第一图像对应的第三图像。
79.在本实施例的一些可选的实现方式中，上述第一处理单元601，进一步用于：对于包含目标生物特征的图像集中的每个第一图像，将该第一图像数据进行高斯模糊处理、随机噪声处理、亮度变换、对比度变换、色调变换、饱和度变换中的至少一项处理，得到该第一图像对应的第二图像。
80.本技术的上述实施例提供的装置，通过对图像集中的各第一图像进行固定像素点位置的数据增强处理，得到各第一图像对应的第二图像；而后对各第二图像进行变换像素点位置的数据增强处理，得到各第一图像对应的第三图像；最后将每个第一图像与对应的第二图像组合为正样本对，将每个第一图像与对应的第三图像组合为负样本对，并基于所得到的正样本对和负样本对，对神经网络进行训练，得到生物特征提取模型，实现了正负样本对的自动生成以及生物特征提取模型的无监督训练。一方面，无需人工标注训练数据即可训练得到生物特征提取模型，降低了人力成本。另一方面，由于省去了人工标注环节，因此不存在标注误差，故以此训练方式得到的生物特征提取模型所提取生物特征对纹理细节的表达能力更强，从而提高了生物特征提取的准确性。
81.进一步参考图7，作为对上述各图所示方法的实现，本技术提供了一种生物特征提取装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
82.如图7所示，本实施例的生物特征提取装置700包括：获取单元701，用于获取目标图像；特征提取单元702，用于将上述目标图像输入至生物特征提取模型，得到上述目标图像的生物特征图。
83.在本实施例中，生物特征提取模型可以是采用上述实施例所描述的生物特征提取模型训练方法训练得到的。具体生成过程可以上述实施例的相关描述，此处不再赘述。
84.本技术的上述实施例提供的装置，可以用于提取图像中的生物特征，所提取生物特征对纹理细节具有更强的表达能力，从而可提高生物特征提取的准确性。
85.进一步参考图8，作为对上述各图所示方法的实现，本技术提供了一种图像分割装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
86.如图8所示，本实施例的图像分割装置800包括：获取单元801，用于获取目标图像；特征提取单元802，用于将上述目标图像输入至生物特征提取模型，得到上述目标图像的生物特征图；第一确定单元803，用于基于上述生物特征图，确定上述目标图像中各像素点的特征模长；第二确定单元804，用于基于上述特征模长，确定上述目标图像中的生物特征区域。
87.在本实施例的一些可选的实现方式中，上述第二确定单元，进一步用于将大于第一阈值的特征模长调整为上述第一阈值；对各像素点的特征模长进行归一化处理；对归一化处理后的各像素点的特征模长进行校正，并将校正后大于第二阈值的像素点所构成的区域确定为生物特征区域。
88.在本实施例的一些可选的实现方式中，上述图像与上述特征图的尺寸相同；上述第一确定单元，进一步用于对于上述生物特征图中的每个特征点，基于该特征点在上述生物特征图的各通道的特征值，确定该特征点对应的特征模长，并将该特征点对应的特征模长确定为上述目标图像中与该特征点对应的像素点的特征模长。
89.本技术的上述实施例提供的装置，可以用于提取图像中的生物特征，所提取生物特征对纹理细节具有更强的表达能力，从而可提高生物特征提取的准确性，进而提高了图像分割的准确性。
90.本技术实施例还提供了一种电子设备，包括一个或多个处理器，存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述生物特征提取模型训练方法。
91.下面参考图9，其示出了用于实现本技术的一些实施例的电子设备的结构示意图。图9示出的电子设备仅仅是一个示例，不应对本技术的实施例的功能和使用范围带来任何限制。
92.如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom 902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
93.通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；包括例如磁盘、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
94.本技术实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述生物特征提取模型训练方法。
95.特别地，根据本技术的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在
这样的一些实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom 902被安装。在该计算机程序被处理装置901执行时，执行本技术的一些实施例的方法中限定的上述功能。
96.本技术实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述生物特征提取模型训练方法。
97.需要说明的是，本技术的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
98.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
99.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例中的方法。
100.可以以一种或多种程序设计语言或其组合来编写用于执行本技术的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ；还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)，上述网络包括局域网(lan)或广域网(wan)。
101.附图中的流程图和框图，图示了按照本技术各种实施例的系统、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，两个接连地表示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操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。
102.描述于本技术的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、选取单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
103.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
104.以上描述仅为本技术的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。