本發(fā)明涉及生物識(shí)別
技術(shù)領(lǐng)域：
，特別涉及一種身份識(shí)別裝置及方法。
背景技術(shù)：
：隨著科技的迅猛發(fā)展，整個(gè)社會(huì)的信息化程度日益提高，信息泄密的概率與日遞增。這些信息一旦被不法分子采集并冒用，將會(huì)給被冒用者帶來(lái)重大的經(jīng)濟(jì)利益損失，嚴(yán)重時(shí)甚至?xí)：Φ剿思罢麄€(gè)社會(huì)的安全。信息保護(hù)的一個(gè)重要手段是采用身份識(shí)別技術(shù)。傳統(tǒng)的身份識(shí)別技術(shù)普遍是基于IC射頻卡、靜態(tài)密碼或動(dòng)態(tài)密碼等，存在易丟失、易遺忘、易替代等安全漏洞問(wèn)題。生物識(shí)別技術(shù)是指通過(guò)計(jì)算機(jī)，利用人體固有的生物特征來(lái)進(jìn)行身份認(rèn)證的一種識(shí)別技術(shù)，目前已被用于生物識(shí)別的人體生物特征包括指紋、掌紋、臉形、虹膜、脈搏、聲音、腦電、心電、基因等，該技術(shù)具有不易遺忘、不易偽造或被盜、隨身“攜帶”和隨時(shí)隨地可用等優(yōu)點(diǎn)，比傳統(tǒng)的身份識(shí)別方法更具安全、保密和便捷性。然而，目前大部分的生物識(shí)別技術(shù)都是基于單一的生物特征，如僅僅采用指紋、虹膜、聲音、臉部等，但由于每一種生物特征都有或多或少的缺陷，尤其是易受外界環(huán)境以及生物特征受損等因數(shù)的影響，導(dǎo)致識(shí)別率下降。如指紋易磨損，沾水后難以識(shí)別；虹膜識(shí)別結(jié)果與光照，角度等都密切相關(guān)；人臉識(shí)別不能對(duì)臉部飾物和整形手術(shù)后的臉部進(jìn)行精確識(shí)別等。針對(duì)上述問(wèn)題，有研究人員提出了基于多模態(tài)的生物特征識(shí)別方法。例如，中國(guó)專(zhuān)利CN105117697A提出了一種指紋識(shí)別方法、指紋識(shí)別裝置及其終端設(shè)備，該專(zhuān)利通過(guò)向待檢測(cè)對(duì)象發(fā)射紅光、紅外光和綠光，通過(guò)反射光的變化來(lái)判斷待檢測(cè)對(duì)象是否為活體，確定為活體后再通過(guò)采集指紋圖像對(duì)用戶的身份進(jìn)行識(shí)別。因此，嚴(yán)格來(lái)說(shuō)，該專(zhuān)利還是采用單一的生物特征進(jìn)行身份識(shí)別。中國(guó)專(zhuān)利CN102542263A提出了一種基于指部生物特征的多模態(tài)身份認(rèn)證裝置及方法。該專(zhuān)利主要是通過(guò)采集指靜脈圖像、指節(jié)紋圖像和指紋圖像來(lái)采集用戶的生物特征信息。然而，在該專(zhuān)利中，只是孤立地采集這三種生物特征信息并進(jìn)行身份識(shí)別，缺乏將這三種模態(tài)進(jìn)行有效的融合，識(shí)別率還需進(jìn)一步提高。中國(guó)專(zhuān)利CN1758263提出了一種基于得分差加權(quán)融合的多模態(tài)身份識(shí)別方法。該專(zhuān)利提出了采用得分差加權(quán)融合算法實(shí)現(xiàn)多模態(tài)的身份識(shí)別，然而，該算法并沒(méi)有考慮其他環(huán)境因素對(duì)身份識(shí)別的影響。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種身份識(shí)別裝置及方法，旨在至少在一定程度上解決現(xiàn)有技術(shù)中的上述技術(shù)問(wèn)題之一。為了解決上述問(wèn)題，本發(fā)明提供了如下技術(shù)方案：一種身份識(shí)別裝置，包括生物特征信號(hào)采集模塊、生物特征提取模塊和生物特征識(shí)別模塊；所述生物特征信號(hào)采集模塊用于采集指紋圖像以及指部群延遲曲線；所述生物特征提取模塊用于根據(jù)所述指紋圖像以及指部群延遲曲線分別提取指紋特征值和群延遲特征值；所述生物特征識(shí)別模塊用于通過(guò)訓(xùn)練樣本集構(gòu)建身份識(shí)別模型，并利用卷積神經(jīng)網(wǎng)絡(luò)算法將所提取的指紋特征值和群延遲特征值與所述身份識(shí)別模型進(jìn)行交叉驗(yàn)證，實(shí)現(xiàn)用戶的身份識(shí)別。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述生物特征信號(hào)采集模塊包括指紋采集單元和介電譜采集單元，所述指紋采集單元為指紋傳感器，用于采集指部的指紋圖像；所述介電譜采集單元包括信號(hào)發(fā)送電極、信號(hào)接收電極、信號(hào)源、接收器，所述信號(hào)發(fā)送電極和信號(hào)接收電極分別位于指紋傳感器的兩端；當(dāng)手指按壓到信號(hào)發(fā)送電極和信號(hào)接收電極時(shí)，所述信號(hào)源產(chǎn)生正弦波，并通過(guò)信號(hào)發(fā)送電極將正弦波耦合到用戶的指部，所述信號(hào)接收電極接收正弦波經(jīng)過(guò)指部后的信號(hào)群延遲曲線，并存儲(chǔ)在接收器中。本發(fā)明實(shí)施例采取的技術(shù)方案還包括信號(hào)預(yù)處理模塊，所述信號(hào)預(yù)處理模塊包括：指紋預(yù)處理單元：用于對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理后，利用梯度算法對(duì)指紋圖像的清晰度進(jìn)行分析，并采用動(dòng)態(tài)二值化算法對(duì)指紋圖像進(jìn)行二值化處理；群延遲曲線預(yù)處理單元：用于將所述群延遲曲線轉(zhuǎn)換為群延遲圖像，并采用無(wú)跡粒子濾波算法對(duì)群延遲圖像進(jìn)行濾波處理。本發(fā)明實(shí)施例采取的技術(shù)方案還包括環(huán)境參數(shù)監(jiān)測(cè)模塊，所述環(huán)境參數(shù)監(jiān)測(cè)模塊用于采集用戶環(huán)境參數(shù)信息；所述環(huán)境參數(shù)監(jiān)測(cè)模塊包括濕度傳感單元和溫度傳感單元，所述濕度傳感單元包括濕度傳感器和油脂傳感器，所述濕度傳感器和油脂傳感器分別用于采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，用于采集用戶當(dāng)前的體溫信息。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述生物特征提取模塊包括：指紋特征提取單元：用于利用log-Gabor濾波器對(duì)指紋圖像進(jìn)行分割后，提取指紋紋路方向特征，并根據(jù)紋路方向提取指紋的點(diǎn)特征和線特征；群延遲特征提取單元：用于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，并提取群延遲曲線的頻譜特性。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述生物特征識(shí)別模塊包括訓(xùn)練單元和測(cè)試單元；所述訓(xùn)練單元的訓(xùn)練方式包括：采集多個(gè)志愿者在不同時(shí)間段的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息，將采集的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息作為訓(xùn)練樣本集，利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集進(jìn)行迭代計(jì)算，并輸出與所述環(huán)境參數(shù)信息相關(guān)的身份識(shí)別模型；將該身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中。所述測(cè)試單元的測(cè)試方式包括：將所述生物特征提取模塊提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)監(jiān)測(cè)模塊采集的環(huán)境參數(shù)信息與生物特征數(shù)據(jù)庫(kù)中的身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與身份識(shí)別模型中的指紋圖像、指部群延遲曲線以及環(huán)境參數(shù)信息的相關(guān)程度，并輸出身份識(shí)別結(jié)果，實(shí)現(xiàn)用戶的身份識(shí)別。本發(fā)明實(shí)施例采取的另一技術(shù)方案為：一種身份識(shí)別方法，包括以下步驟：步驟a：采集指紋圖像以及指部群延遲曲線；步驟b：根據(jù)指紋圖像以及指部群延遲曲線分別提取指紋特征值和群延遲特征值；步驟c：通過(guò)訓(xùn)練樣本集構(gòu)建身份識(shí)別模型，并利用卷積神經(jīng)網(wǎng)絡(luò)算法將所提取的指紋特征值和群延遲特征值與所述身份識(shí)別模型進(jìn)行交叉驗(yàn)證，實(shí)現(xiàn)用戶的身份識(shí)別。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述步驟a還包括：步驟a1：采集環(huán)境參數(shù)信息；所述環(huán)境參數(shù)信息包括水分濕度、油膩程度、體溫信息；步驟a2：對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理后，利用梯度算法對(duì)指紋圖像的清晰度進(jìn)行分析，采用動(dòng)態(tài)二值化算法對(duì)指紋圖像進(jìn)行二值化處理；步驟a3：將群延遲曲線轉(zhuǎn)換為群延遲圖像，并采用無(wú)跡粒子濾波算法對(duì)群延遲圖像進(jìn)行濾波處理。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟b中，所述提取生物特征信息具體包括：利用log-Gabor濾波器對(duì)指紋圖像進(jìn)行分割后，提取指紋紋路方向特征，根據(jù)紋路方向提取指紋的點(diǎn)特征和線特征；提取不同頻帶下的群延遲曲率半徑、群延遲平均值，并提取群延遲曲線的頻譜特性。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟c中，所述的身份識(shí)別包括：步驟c1：采集多個(gè)志愿者在不同時(shí)間段的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息，將采集的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息作為訓(xùn)練樣本集，利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集進(jìn)行迭代計(jì)算，并輸出與所述環(huán)境參數(shù)信息相關(guān)的身份識(shí)別模型，將該身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中；步驟c2：將提取的指紋特征值、群延遲特征值以及采集的環(huán)境參數(shù)信息與生物特征數(shù)據(jù)庫(kù)中的身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與身份識(shí)別模型中的指紋圖像、指部群延遲曲線以及環(huán)境參數(shù)信息的相關(guān)程度，并輸出身份識(shí)別結(jié)果，實(shí)現(xiàn)用戶的身份識(shí)別。相對(duì)于現(xiàn)有技術(shù)，本發(fā)明實(shí)施例產(chǎn)生的有益效果在于：本發(fā)明實(shí)施例的身份識(shí)別裝置及方法通過(guò)采集用戶的指紋特征和指部介電譜特征信息進(jìn)行身份識(shí)別，同時(shí)，為了減小外部環(huán)境和內(nèi)部環(huán)境對(duì)身份識(shí)別的干擾，在采集指紋特征的同時(shí)采集用戶手指的水分分布、油膩程度及體溫等環(huán)境參數(shù)信息，通過(guò)環(huán)境參數(shù)信息對(duì)身份識(shí)別進(jìn)行修正，有效地提高了身份識(shí)別的準(zhǔn)確性和可靠性。并采用基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)融合身份識(shí)別算法進(jìn)行身份識(shí)別，進(jìn)一步提高身份識(shí)別的準(zhǔn)確性和可靠性。附圖說(shuō)明圖1是本發(fā)明實(shí)施例的身份識(shí)別裝置的結(jié)構(gòu)示意圖；圖2是本發(fā)明實(shí)施例的生物特征信號(hào)采集模塊的結(jié)構(gòu)示意圖；圖3是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)算法的身份識(shí)別示意圖；圖4是本發(fā)明實(shí)施例的生物特征識(shí)別模塊身份識(shí)別過(guò)程示意圖；圖5是本發(fā)明實(shí)施例的身份識(shí)別方法的流程圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。請(qǐng)參閱圖1，是本發(fā)明實(shí)施例的身份識(shí)別裝置的結(jié)構(gòu)示意圖。本發(fā)明實(shí)施例的身份識(shí)別裝置包括生物特征信號(hào)采集模塊、環(huán)境參數(shù)監(jiān)測(cè)模塊、信號(hào)預(yù)處理模塊、生物特征提取模塊、生物特征識(shí)別模塊和生物特征數(shù)據(jù)庫(kù)；生物特征信號(hào)采集模塊用于采集指部的指紋圖像以及正弦波經(jīng)過(guò)指部后的信號(hào)群延遲曲線；環(huán)境參數(shù)監(jiān)測(cè)模塊用于采集用戶指部的水分濕度、油膩程度、體溫等環(huán)境參數(shù)信息；信號(hào)預(yù)處理模塊用于對(duì)指紋圖像和指部群延遲曲線進(jìn)行預(yù)處理，得到二值化指紋圖像及指部群延遲圖像；生物特征提取模塊用于根據(jù)二值化指紋圖像以及指部群延遲圖像分別提取指紋特征值和群延遲特征值；生物特征識(shí)別模塊用于構(gòu)建身份識(shí)別模型，將身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中；并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)算法將生物特征提取模塊提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)監(jiān)測(cè)模塊采集的環(huán)境參數(shù)信息進(jìn)行融合后，與生物特征數(shù)據(jù)庫(kù)中存儲(chǔ)的身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷這兩種生物特征是否來(lái)自于同一個(gè)用戶，從而實(shí)現(xiàn)用戶的身份識(shí)別。具體地，請(qǐng)一并參閱圖2，是本發(fā)明實(shí)施例的生物特征信號(hào)采集模塊的結(jié)構(gòu)示意圖；生物特征信號(hào)采集模塊包括指紋采集單元和介電譜采集單元；指紋采集單元用于采集指部的指紋圖像；其中指紋采集單元F為一個(gè)能夠連續(xù)快速采集的指紋傳感器，當(dāng)用戶的手指按壓指紋傳感器時(shí)，指紋傳感器則以4幀/秒的速度開(kāi)始連續(xù)采集用戶的指紋，當(dāng)采集到20幀指紋圖像后，自動(dòng)結(jié)束指紋圖像的采集；可以理解，在本發(fā)明其他實(shí)施例中，指紋圖像的采集速度和數(shù)量還可以根據(jù)實(shí)際應(yīng)用進(jìn)行設(shè)定。介電譜采集單元用于采集正弦波經(jīng)過(guò)指部后的信號(hào)群延遲曲線；具體地，介電譜采集單元包括信號(hào)發(fā)送電極A、信號(hào)接收電極B、信號(hào)源(圖未示)、接收器(圖未示)，信號(hào)發(fā)送電極A和信號(hào)接收電極B分別位于指紋傳感器的兩端。當(dāng)手指按壓到信號(hào)發(fā)送電極A和信號(hào)接收電極B時(shí)，信號(hào)源以1MHz為頻率間隔，在5秒內(nèi)依序產(chǎn)生1MHz-200MHz的正弦波，并通過(guò)信號(hào)發(fā)送電極A將正弦波耦合到用戶的指部。由于人體的差異性，每個(gè)人的手指的介電常數(shù)也不一樣，導(dǎo)致正弦波在經(jīng)過(guò)指部時(shí)信號(hào)的群延遲會(huì)發(fā)生改變。信號(hào)接收電極B通過(guò)接收不同頻率下的指部信號(hào)群延遲，并存儲(chǔ)在接收器中，從而采集用戶指部的介電譜信息?？梢岳斫?，在本發(fā)明其他實(shí)施例中，介電譜采集單元產(chǎn)生的信號(hào)頻率還可以根據(jù)實(shí)際應(yīng)用進(jìn)行設(shè)定。通過(guò)指紋采集單元采集獲得的指紋圖像以及通過(guò)介電譜采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(fā)明通過(guò)信號(hào)預(yù)處理模塊對(duì)指紋圖像和群延遲曲線進(jìn)行預(yù)處理，使得低質(zhì)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干擾因素的影響，以便能提取或識(shí)別到精準(zhǔn)的特征信息。具體地，信號(hào)預(yù)處理模塊包括指紋預(yù)處理單元和群延遲曲線預(yù)處理單元；指紋預(yù)處理單元用于對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理后，利用梯度算法對(duì)指紋圖像的清晰度進(jìn)行分析，選擇出清晰度最高的指紋圖像，并采用動(dòng)態(tài)二值化算法對(duì)指紋圖像進(jìn)行二值化處理。其中，指紋預(yù)處理單元用于對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理的處理方式具體包括：1.1：利用指紋傳感器所采集的20幅指紋圖像，建立指紋圖像處理數(shù)據(jù)庫(kù)：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(duì)每一個(gè)子塊生成矩陣A+Bj，并對(duì)矩陣進(jìn)行傅里葉變換：Xjk+Yjkj=Σp=015Σq=015{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(2)]]>1.3：當(dāng)Xjk+Yjkj的頻帶大于十倍的中心頻帶時(shí)，將其設(shè)置為0；同樣，當(dāng)Xjk+Yjkj的頻帶小于中心頻帶的十分之一時(shí)，將其設(shè)置為0；然后對(duì)其進(jìn)行分線性變換：Cjk+Djkj＝(Xjk2+Yjk2)pow(Xjk+Yjkj)(3)1.4：進(jìn)行逆傅里葉變換，將增強(qiáng)后的頻率域信息反轉(zhuǎn)換為空間域信息，實(shí)現(xiàn)對(duì)指紋圖像的傅里葉變換濾波：Upq+Vpqj=Σj=015Σk=015{(Cjk+Djkj)exp{2πjw(pj+qk)}}---(4)]]>1.5：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)的其他指紋圖像c2,...,cn,...,cN，重復(fù)執(zhí)行上述步驟，對(duì)每一幅指紋圖像進(jìn)行傅里葉變換濾波處理。指紋預(yù)處理單元利用梯度算法對(duì)指紋圖像的清晰度進(jìn)行分析的分析方式具體包括：2.1：通過(guò)梯度算法采集指紋圖像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))2]12---(5)]]>在公式(5)中，f(x,y)是位于(x,y)位置處的像素點(diǎn)。2.2：當(dāng)指紋圖像c1的大小為M×N時(shí)，指紋圖像c1的清晰度可表示為：Jc1=Σ1MΣ1Njc1mn---(6)]]>2.3：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)的其他指紋圖像c2,...,cn,...,cN，重復(fù)執(zhí)行上述步驟，對(duì)每一幅指紋圖像的清晰度進(jìn)行分析；2.4：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)中的20幅指紋圖像清晰度進(jìn)行排序，選擇出清晰度最高的指紋圖像。指紋預(yù)處理單元采用動(dòng)態(tài)二值化算法對(duì)指紋圖像進(jìn)行二值化處理的處理方式具體包括：3.1：確定指紋圖像動(dòng)態(tài)二值化的窗口大小，本發(fā)明實(shí)施例中所采用的窗口大小為8×8；3.2：確定動(dòng)態(tài)二值化算法的閾值T(x,y)：T(x,y)=T1(x,y)+ϵ,T1(x,y)<TtT1(x,y)-ϵ,T1(x,y)≥Tt---(7)]]>在公式(7)中，f(x,y)是位于(x,y)位置處像素點(diǎn)的灰度值，Tt為固定的參考閾值，其大小根據(jù)圖像的灰度分布圖確定，ε為誤判修正因子。3.3：令二值化后的指紋圖像為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)<T(x,y)---(8)]]>3.4：根據(jù)公式(8)對(duì)指紋圖像進(jìn)行二值化運(yùn)算，采集經(jīng)過(guò)二值化后的指紋圖像，并保存。群延遲曲線預(yù)處理單元用于將群延遲曲線轉(zhuǎn)換為相應(yīng)的群延遲圖像，并采用無(wú)跡粒子濾波算法對(duì)群延遲圖像進(jìn)行濾波處理；其中，群延遲曲線預(yù)處理單元將群延遲曲線轉(zhuǎn)換為相應(yīng)的群延遲圖像的轉(zhuǎn)換方式具體為：建立一個(gè)M×N的空白矩陣；按照線性映射的方法對(duì)群延遲曲線從上至下進(jìn)行掃描，將1MHz-200MHz的群延遲曲線轉(zhuǎn)換為大小為M×N的群延遲圖像。群延遲曲線預(yù)處理單元對(duì)群延遲圖像進(jìn)行濾波處理的處理方式具體為：4.1：從群延遲圖像中采集N個(gè)像素{xi0,i＝1,2,...,N}，并令每個(gè)樣本的初始權(quán)值為wi0＝1/N,i＝1,2,...,N；4.2：根據(jù)密度函數(shù)，更新圖像像素{xik-1,pik-1}的狀態(tài)，由此得到新的像素集4.3：計(jì)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(shù)從中抽樣得到新的像素4.5：根據(jù)最新預(yù)測(cè)所得的結(jié)果，計(jì)算各個(gè)像素的權(quán)值并進(jìn)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(guò)不斷更新像素的位置，每一次迭代結(jié)束后重新計(jì)算每個(gè)像素的權(quán)值，直至所有的迭代完成，最終完成信號(hào)的濾波處理。生物特征提取模塊用于根據(jù)二值化指紋圖像和群延遲圖像提取用戶的指紋特征值以及群延遲特征值；具體地，生物特征提取模塊包括指紋特征提取單元和群延遲特征提取單元；指紋特征提取單元用于利用log-Gabor濾波器對(duì)指紋圖像進(jìn)行分割后，提取指紋紋路方向特征，并根據(jù)紋路方向提取指紋的點(diǎn)特征和線特征；其中，指紋特征提取單元對(duì)指紋圖像進(jìn)行分割的分割方式具體包括：根據(jù)指紋的局部方向性、方向圖的統(tǒng)計(jì)特征等特性，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(jì)算每一小塊的特征向量，根據(jù)特征向量來(lái)判斷某一小塊是否符合特征提取要求，如不合適，則舍棄該一小塊。指紋特征提取單元提取指紋紋路方向特征的提取方式具體為：在某一小塊內(nèi)，以像素(x,y)為中心，計(jì)算以W為邊長(zhǎng)的方形區(qū)域的紋路方向O(i,j)，并分別對(duì)每一像素的紋路方向進(jìn)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。指紋特征提取單元根據(jù)紋路方向提取指紋的點(diǎn)特征和線特征的提取方式具體為：通過(guò)對(duì)紋路方向的跟蹤獲得指紋的點(diǎn)特征和線特征，包括起點(diǎn)和終點(diǎn)的坐標(biāo)、方向、類(lèi)型，長(zhǎng)度、最大曲率、起點(diǎn)與終點(diǎn)順序等信息；通過(guò)跟蹤指紋節(jié)點(diǎn)建立紋線之間的相鄰?fù)負(fù)潢P(guān)系，通過(guò)紋線的拓?fù)潢P(guān)系建立節(jié)點(diǎn)之間的關(guān)聯(lián)排序關(guān)系。群延遲特征提取單元用于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征值，并提取群延遲曲線的頻譜特性。其中，群延遲特征提取單元采集群延遲曲率半徑的采集方式為：5.1：根據(jù)群延遲曲線變化規(guī)律，將群延遲曲線劃分為多段曲線G＝{g1,g2,...,gn,...,gN}，其中g(shù)n表示為第n段曲線；5.2：采用多項(xiàng)式y(tǒng)＝f(x)＝Ax2+Bx+C對(duì)G＝{g1,g2,...,gn,...,gN}中每一段曲線進(jìn)行多項(xiàng)式擬合，確定參數(shù)A，B，C的大小；5.3：根據(jù)曲率計(jì)算公式計(jì)算G＝{g1,g2,...,gn,...,gN}中每一段曲線的曲率半徑大小，并將曲線的曲率半徑大小作為群延遲的特征值之一，其中為x關(guān)于y的一階偏導(dǎo)，為x關(guān)于y的二階偏導(dǎo)。群延遲特征提取單元采集群延遲平均值的采集方式包括：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(lèi)推；6.2：計(jì)算T＝{t1,t2,...,tn,...,t40}每一段tn群延遲的平均值，計(jì)算方式為6.3：計(jì)算tn段群延遲平均值在群延遲曲線中的權(quán)重并將該權(quán)重作為群延遲的特征值之一。群延遲特征提取單元提取群延遲曲線的頻譜特性的采集方式為：根據(jù)傅里葉變換原理，對(duì)群延遲曲線進(jìn)行傅里葉變換，獲得群延遲曲線在頻域的分布情況，采集公式為：F(p,q)=Σp=0MΣq=0N{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(13)]]>并計(jì)算每一個(gè)頻帶的權(quán)重將該權(quán)重作為群延遲的特征值之一。環(huán)境參數(shù)監(jiān)測(cè)模塊用于采集用戶手指的水分濕度、油膩程度、用戶體溫等環(huán)境參數(shù)信息，所采集的環(huán)境參數(shù)信息用于對(duì)生物特征識(shí)別模塊進(jìn)行修正，提高身份識(shí)別的可靠性。研究表明，當(dāng)用戶的手指沾水或者有油膩分布時(shí)，基于指紋的身份識(shí)別效果大幅降低。此外，由于用戶體溫的變化，可能會(huì)引起用戶指部介電常數(shù)改變，從而導(dǎo)致指部的介電譜也發(fā)生改變，造成指部的群延遲特性發(fā)生變化，影響身份識(shí)別。為了減小外部因素對(duì)身份識(shí)別的干擾，本發(fā)明實(shí)施例通過(guò)引入環(huán)境參數(shù)監(jiān)測(cè)模塊，可有效提高身份識(shí)別的準(zhǔn)確性。具體地，環(huán)境參數(shù)監(jiān)測(cè)模塊包括濕度傳感單元和溫度傳感單元，濕度傳感單元包括一個(gè)濕度傳感器和油脂傳感器，分別用于采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(gè)體溫傳感器，用于采集用戶當(dāng)前的體溫信息，該體溫傳感器的檢測(cè)范圍為34℃-39℃。生物特征識(shí)別模塊用于利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集(包括多幅指紋圖像和指部群延遲曲線以及環(huán)境參數(shù)信息)進(jìn)行迭代計(jì)算，得到身份識(shí)別模型，并將提取的生物特征信息與以及環(huán)境參數(shù)信息與身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的生物特征信息與身份識(shí)別模型中的指紋圖像、指部群延遲曲線的相關(guān)程度，判斷這兩種生物特征信息是否來(lái)自于同一個(gè)用戶，從而實(shí)現(xiàn)用戶的身份識(shí)別。請(qǐng)參閱圖3，是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)算法的身份識(shí)別示意圖。卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)包括輸入層，卷積層，子采樣層，全連接層和輸出層。各層設(shè)置如下：1、輸入層設(shè)置：在基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)融合身份識(shí)別算法中，輸入層節(jié)點(diǎn)數(shù)設(shè)置為16×16，共256個(gè)節(jié)點(diǎn)數(shù)：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(zhǎng)度，a03n代表紋路中的點(diǎn)特征，a04n代表紋路中的線特征，a05n代表紋路節(jié)點(diǎn)之間的關(guān)聯(lián)度，a06n代表紋線之間的相鄰?fù)負(fù)潢P(guān)系，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(shí)域內(nèi)的權(quán)重，a11n代表群延遲的頻譜特征，a12n代表不同頻率的群延遲在頻域內(nèi)的權(quán)重，a13n代表外部環(huán)境的濕度，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(lái)自于生物特征提取模塊的計(jì)算結(jié)果，{a13n,a14n,a15n,a16n}的值則來(lái)自于環(huán)境參數(shù)監(jiān)測(cè)模塊的監(jiān)測(cè)結(jié)果。2、輸出層設(shè)置輸出層的節(jié)點(diǎn)數(shù)設(shè)置為2，分別代表兩種識(shí)別結(jié)果：(1)生物特征匹配，用戶為合法用戶；(2)生物特征不匹配，用戶為非法用戶。3、卷積層設(shè)置在卷積層，該層中的每個(gè)單元接收前一層中的一個(gè)小鄰域內(nèi)的一組單元作為輸入，乘以一個(gè)可訓(xùn)練的卷積核，然后加一個(gè)偏置，之后通過(guò)激活函數(shù)輸出。該卷積層按如下方式計(jì)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(shù)f為激活函數(shù)，b為偏置量。在本次設(shè)置中，卷積核的大小為5×5，激活函數(shù)一律采用tanh函數(shù)，偏置量則根據(jù)經(jīng)驗(yàn)值確定。4、子采樣層設(shè)置子采樣層的目的是對(duì)上一層得到的每一個(gè)特征圖進(jìn)行采樣操作，使得特征圖的尺寸減小，并且可以使得網(wǎng)絡(luò)對(duì)物體平移、縮放有一定的不變性，使得網(wǎng)絡(luò)更加魯棒。在子采樣層中，按如下方式進(jìn)行采樣：ymn=1S1S2Σj=0S2-1Σi=0S1-1xm×S1+i,nS2+j---(16)]]>在公式(16)中，x為二維輸入量，y為采樣后得到的輸出，S1×S2為采樣模板的尺寸大小，在此算法中，該采樣模板的大小設(shè)置為2×2。請(qǐng)參閱圖4，是本發(fā)明實(shí)施例的生物特征識(shí)別模塊身份識(shí)別過(guò)程示意圖。本發(fā)明實(shí)施例的生物特征識(shí)別模塊包括訓(xùn)練單元和測(cè)試單元。訓(xùn)練單元的訓(xùn)練過(guò)程具體包括：首先采集多個(gè)志愿者在不同時(shí)間段的指紋圖像、指部群延遲曲線(本發(fā)明實(shí)施例包括200幅指紋圖像、200幅指部群延遲曲線，具體采集數(shù)量并不僅限于此)。同時(shí)，利用濕度傳感器、油脂傳感器和體溫傳感器分別采集志愿者的手指表面水分、油膩程度和體溫?cái)?shù)據(jù)等環(huán)境參數(shù)信息(本發(fā)明實(shí)施例分別采集200次志愿者的手指表面水分、油膩程度和體溫?cái)?shù)據(jù)，具體采集次數(shù)并不僅限于此)。將所采集的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息作為訓(xùn)練樣本集，通過(guò)對(duì)訓(xùn)練樣本集進(jìn)行預(yù)處理，將訓(xùn)練樣本集劃分為指紋、群延遲、水分濕度、油膩程度、體溫五個(gè)小樣本集，并對(duì)樣本集進(jìn)行畸變處理。畸變處理完成后，利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集進(jìn)行多次迭代計(jì)算，當(dāng)?shù)螖?shù)到達(dá)一定次數(shù)(本發(fā)明實(shí)施例僅以迭代100次為例)后，停止迭代運(yùn)算，并輸出一個(gè)與環(huán)境參數(shù)信息(即用戶手指表面水分濕度、油膩程度、用戶體溫)相關(guān)的身份識(shí)別模型，將該身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中，完成身份識(shí)別的訓(xùn)練過(guò)程。測(cè)試單元的測(cè)試過(guò)程具體包括：將生物特征提取模塊提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)監(jiān)測(cè)模塊采集的環(huán)境參數(shù)信息與身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與生物特征數(shù)據(jù)庫(kù)中存儲(chǔ)的身份識(shí)別模型中的指紋圖像、指部群延遲曲線以及環(huán)境參數(shù)信息的相關(guān)程度，判斷這兩種生物特征是否來(lái)自于同一個(gè)用戶，從而實(shí)現(xiàn)用戶的身份識(shí)別。請(qǐng)參閱圖5，是本發(fā)明實(shí)施例的身份識(shí)別方法的流程圖。本發(fā)明實(shí)施例的身份識(shí)別方法包括以下步驟：步驟100：采集指部的指紋圖像以及正弦波經(jīng)過(guò)指部后的信號(hào)群延遲曲線；在步驟100中，本發(fā)明實(shí)施例通過(guò)指紋傳感器采集指部的指紋圖像；當(dāng)用戶的手指按壓指紋傳感器時(shí)，指紋傳感器則以4幀/秒的速度開(kāi)始連續(xù)采集用戶的指紋，當(dāng)采集到20幀指紋圖像后，自動(dòng)結(jié)束指紋圖像的采集。并通過(guò)介電譜采集單元采集正弦波經(jīng)過(guò)指部后的信號(hào)群延遲曲線；介電譜采集單元包括信號(hào)發(fā)送電極A、信號(hào)接收電極B、信號(hào)源、接收器，信號(hào)發(fā)送電極A和信號(hào)接收電極B分別位于指紋傳感器的兩端，當(dāng)手指按壓到信號(hào)發(fā)送電極A和信號(hào)接收電極B時(shí)，信號(hào)源以1MHz為頻率間隔，在5秒內(nèi)依序產(chǎn)生1MHz-200MHz的正弦波，并通過(guò)信號(hào)發(fā)送電極A將正弦波耦合到用戶的指部。由于人體的差異性，每個(gè)人的手指的介電常數(shù)也不一樣，導(dǎo)致正弦波在經(jīng)過(guò)指部時(shí)信號(hào)的群延遲會(huì)發(fā)生改變。信號(hào)接收電極B通過(guò)接收不同頻率下的指部信號(hào)群延遲，并存儲(chǔ)在接收器中，從而采集用戶指部的介電譜信息。步驟200：采集用戶指部的水分濕度、油膩程度、體溫等環(huán)境參數(shù)信息；在步驟200中，當(dāng)用戶的手指沾水或者有油膩分布時(shí)，基于指紋的身份識(shí)別效果大幅降低。此外，由于用戶體溫的變化，可能會(huì)引起用戶指部介電常數(shù)改變，從而導(dǎo)致指部的介電譜也發(fā)生改變，造成指部的群延遲特性發(fā)生變化，影響身份識(shí)別。為了減小外部因素對(duì)身份識(shí)別的干擾，本發(fā)明實(shí)施例通過(guò)引入環(huán)境參數(shù)監(jiān)測(cè)模塊，環(huán)境參數(shù)監(jiān)測(cè)模塊包括濕度傳感單元和溫度傳感單元，濕度傳感單元包括一個(gè)濕度傳感器和油脂傳感器，分別用于采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(gè)體溫傳感器，用于采集用戶當(dāng)前的體溫信息，該體溫傳感器的檢測(cè)范圍為34℃-39℃。步驟300：對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理后，利用梯度算法對(duì)指紋圖像的清晰度進(jìn)行分析，選擇出清晰度最高的指紋圖像，并采用動(dòng)態(tài)二值化算法對(duì)指紋圖像進(jìn)行二值化處理；在步驟300中，對(duì)指紋圖像進(jìn)行傅里葉變換濾波處理的處理方式具體包括：步驟310：利用指紋傳感器所采集的20幅指紋圖像，建立指紋圖像處理數(shù)據(jù)庫(kù)：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(duì)每一個(gè)子塊生成矩陣A+Bj，并對(duì)矩陣進(jìn)行傅里葉變換：Xjk+Yjkj=Σp=015Σq=015{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(2)]]>步驟312：當(dāng)Xjk+Yjkj的頻帶大于十倍的中心頻帶時(shí)，將其設(shè)置為0；同樣，當(dāng)Xjk+Yjkj的頻帶小于中心頻帶的十分之一時(shí)，將其設(shè)置為0；然后對(duì)其進(jìn)行分線性變換：Cjk+Djkj＝(Xjk2+Yjk2)pow(Xjk+Yjkj)(3)步驟313：進(jìn)行逆傅里葉變換，將增強(qiáng)后的頻率域信息反轉(zhuǎn)換為空間域信息，實(shí)現(xiàn)對(duì)指紋圖像的傅里葉變換濾波：Upq+Vpqj=Σj=015Σk=015{(Cjk+Djkj)exp{2πjw(pj+qk)}}---(4)]]>步驟314：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)的其他指紋圖像c2,...,cn,...,cN，重復(fù)執(zhí)行上述步驟，對(duì)每一幅指紋圖像進(jìn)行傅里葉變換濾波處理。對(duì)指紋圖像的清晰度進(jìn)行分析的分析方式具體包括：步驟320：通過(guò)梯度算法采集指紋圖像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))2]12---(5)]]>在公式(5)中，f(x,y)是位于(x,y)位置處的像素點(diǎn)。步驟321：當(dāng)指紋圖像c1的大小為M×N時(shí)，指紋圖像c1的清晰度可表示為：Jc1=Σ1MΣ1Njc1mn---(6)]]>步驟322：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)的其他指紋圖像c2,...,cn,...,cN，重復(fù)執(zhí)行上述步驟，對(duì)每一幅指紋圖像的清晰度進(jìn)行分析；步驟323：對(duì)指紋圖像處理數(shù)據(jù)庫(kù)中的20幅指紋圖像清晰度進(jìn)行排序，選擇出清晰度最高的指紋圖像。對(duì)指紋圖像進(jìn)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(dòng)態(tài)二值化的窗口大小，本發(fā)明實(shí)施例中所采用的窗口大小為8×8；步驟331：確定動(dòng)態(tài)二值化算法的閾值T(x,y)：T(x,y)=T1(x,y)+ϵ,T1(x,y)<TtT1(x,y)-ϵ,T1(x,y)≥Tt---(7)]]>在公式(7)中，f(x,y)是位于(x,y)位置處像素點(diǎn)的灰度值，Tt為固定的參考閾值，其大小根據(jù)圖像的灰度分布圖確定，ε為誤判修正因子。步驟332：令二值化后的指紋圖像為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)<T(x,y)---(8)]]>步驟333：根據(jù)公式(8)對(duì)指紋圖像進(jìn)行二值化運(yùn)算，采集經(jīng)過(guò)二值化后的指紋圖像，并保存。步驟400：將群延遲曲線轉(zhuǎn)換為相應(yīng)的群延遲圖像，并采用無(wú)跡粒子濾波算法對(duì)群延遲圖像進(jìn)行濾波處理；在步驟400中，將群延遲曲線轉(zhuǎn)換為相應(yīng)的群延遲圖像的轉(zhuǎn)換方式具體為：建立一個(gè)M×N的空白矩陣；按照線性映射的方法對(duì)群延遲曲線從上至下進(jìn)行掃描，將1MHz-200MHz的群延遲曲線轉(zhuǎn)換為大小為M×N的群延遲圖像。上述中，對(duì)群延遲圖像進(jìn)行濾波處理的處理方式具體包括：步驟410：從群延遲圖像中采集N個(gè)像素{xi0,i＝1,2,...,N}，并令每個(gè)樣本的初始權(quán)值為wi0＝1/N,i＝1,2,...,N；步驟411：根據(jù)密度函數(shù)，更新圖像像素{xik-1,pik-1}的狀態(tài)，由此得到新的像素集步驟412：計(jì)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(shù)從中抽樣得到新的像素步驟414：根據(jù)最新預(yù)測(cè)所得的結(jié)果，計(jì)算各個(gè)像素的權(quán)值并進(jìn)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(guò)不斷更新像素的位置，每一次迭代結(jié)束后重新計(jì)算每個(gè)像素的權(quán)值，直至所有的迭代完成，最終完成信號(hào)的濾波處理。步驟500：利用log-Gabor濾波器對(duì)指紋圖像進(jìn)行分割后，提取指紋紋路方向特征，并根據(jù)紋路方向提取指紋的點(diǎn)特征和線特征；在步驟500中，對(duì)指紋圖像進(jìn)行分割的分割方式具體包括：根據(jù)指紋的局部方向性、方向圖的統(tǒng)計(jì)特征等特性，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(jì)算每一小塊的特征向量，根據(jù)特征向量來(lái)判斷某一小塊是否符合特征提取要求，如不合適，則舍棄該一小塊。提取指紋紋路方向特征的提取方式具體為：在某一小塊內(nèi)，以像素(x,y)為中心，計(jì)算以W為邊長(zhǎng)的方形區(qū)域的紋路方向O(i,j)，并分別對(duì)每一像素的紋路方向進(jìn)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(jù)紋路方向提取指紋的點(diǎn)特征和線特征的提取方式具體為：通過(guò)對(duì)紋路方向的跟蹤獲得指紋的點(diǎn)特征和線特征，包括起點(diǎn)和終點(diǎn)的坐標(biāo)、方向、類(lèi)型，長(zhǎng)度、最大曲率、起點(diǎn)與終點(diǎn)順序等信息；通過(guò)跟蹤指紋節(jié)點(diǎn)建立紋線之間的相鄰?fù)負(fù)潢P(guān)系，通過(guò)紋線的拓?fù)潢P(guān)系建立節(jié)點(diǎn)之間的關(guān)聯(lián)排序關(guān)系。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征值，并提取群延遲曲線的頻譜特性；在步驟600中，采集群延遲曲率半徑的采集方式為：步驟610：根據(jù)群延遲曲線變化規(guī)律，將群延遲曲線劃分為多段曲線G＝{g1,g2,...,gn,...,gN}，其中g(shù)n表示為第n段曲線；步驟611：采用多項(xiàng)式y(tǒng)＝f(x)＝Ax2+Bx+C對(duì)G＝{g1,g2,...,gn,...,gN}中每一段曲線進(jìn)行多項(xiàng)式擬合，確定參數(shù)A，B，C的大?。徊襟E612：根據(jù)曲率計(jì)算公式計(jì)算G＝{g1,g2,...,gn,...,gN}中每一段曲線的曲率半徑大小，并將曲線的曲率半徑大小作為群延遲的特征值之一，其中為x關(guān)于y的一階偏導(dǎo)，為x關(guān)于y的二階偏導(dǎo)。上述中，采集群延遲平均值的采集方式包括：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(lèi)推；步驟621：計(jì)算T＝{t1,t2,...,tn,...,t40}每一段tn群延遲的平均值，計(jì)算方式為步驟622：計(jì)算tn段群延遲平均值在群延遲曲線中的權(quán)重并將該權(quán)重作為群延遲的特征值之一。上述中，提取群延遲曲線的頻譜特性的采集方式為：根據(jù)傅里葉變換原理，對(duì)群延遲曲線進(jìn)行傅里葉變換，獲得群延遲曲線在頻域的分布情況，采集公式為：F(p,q)=Σp=0MΣq=0N{(Apq+Bpqj)exp{-2πjw(pj+qk)}}---(13)]]>并計(jì)算每一個(gè)頻帶的權(quán)重將該權(quán)重作為群延遲的特征值之一。步驟700：采集多幅指紋圖像、指部群延遲曲線以及環(huán)境參數(shù)信息作為訓(xùn)練樣本集，利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集進(jìn)行迭代計(jì)算，得到身份識(shí)別模型，并將身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中；在步驟700中，卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)包括輸入層，卷積層，子采樣層，全連接層和輸出層。各層設(shè)置如下：1、輸入層設(shè)置：在基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)融合身份識(shí)別算法中，輸入層節(jié)點(diǎn)數(shù)設(shè)置為16×16，共256個(gè)節(jié)點(diǎn)數(shù)：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(zhǎng)度，a03n代表紋路中的點(diǎn)特征，a04n代表紋路中的線特征，a05n代表紋路節(jié)點(diǎn)之間的關(guān)聯(lián)度，a06n代表紋線之間的相鄰?fù)負(fù)潢P(guān)系，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(shí)域內(nèi)的權(quán)重，a11n代表群延遲的頻譜特征，a12n代表不同頻率的群延遲在頻域內(nèi)的權(quán)重，a13n代表外部環(huán)境的濕度，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(lái)自于生物特征提取模塊的計(jì)算結(jié)果，{a13n,a14n,a15n,a16n}的值則來(lái)自于環(huán)境參數(shù)監(jiān)測(cè)模塊的監(jiān)測(cè)結(jié)果。2、輸出層設(shè)置輸出層的節(jié)點(diǎn)數(shù)設(shè)置為2，分別代表兩種識(shí)別結(jié)果：(1)生物特征匹配，用戶為合法用戶；(2)生物特征不匹配，用戶為非法用戶。3、卷積層設(shè)置在卷積層，該層中的每個(gè)單元接收前一層中的一個(gè)小鄰域內(nèi)的一組單元作為輸入，乘以一個(gè)可訓(xùn)練的卷積核，然后加一個(gè)偏置，之后通過(guò)激活函數(shù)輸出。該卷積層按如下方式計(jì)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(shù)f為激活函數(shù)，b為偏置量。在本次設(shè)置中，卷積核的大小為5×5，激活函數(shù)一律采用tanh函數(shù)，偏置量則根據(jù)經(jīng)驗(yàn)值確定。4、子采樣層設(shè)置子采樣層的目的是對(duì)上一層得到的每一個(gè)特征圖進(jìn)行采樣操作，使得特征圖的尺寸減小，并且可以使得網(wǎng)絡(luò)對(duì)物體平移、縮放有一定的不變性，使得網(wǎng)絡(luò)更加魯棒。在子采樣層中，按如下方式進(jìn)行采樣：ymn=1S1S2Σj=0S2-1Σi=0S1-1xm×S1+i,nS2+j---(16)]]>在公式(16)中，x為二維輸入量，y為采樣后得到的輸出，S1×S2為采樣模板的尺寸大小，在此算法中，該采樣模板的大小設(shè)置為2×2。步驟800：將提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與生物特征數(shù)據(jù)庫(kù)中存儲(chǔ)的身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與身份識(shí)別模型中的指紋圖像、指部群延遲曲線的相關(guān)程度，判斷這兩種生物特征信息是否來(lái)自于同一個(gè)用戶，從而實(shí)現(xiàn)用戶的身份識(shí)別。在步驟800中，本發(fā)明實(shí)施例的身份識(shí)別方式包括身份識(shí)別的訓(xùn)練過(guò)程和身份識(shí)別的測(cè)試過(guò)程；身份識(shí)別的訓(xùn)練過(guò)程具體包括：首先采集多個(gè)志愿者在不同時(shí)間段的指紋圖像、指部群延遲曲線。同時(shí)，利用濕度傳感器、油脂傳感器和體溫傳感器分別采集志愿者的手指表面水分、油膩程度和體溫?cái)?shù)據(jù)等環(huán)境參數(shù)信息，將所采集的指紋圖像、指部群延遲曲線和環(huán)境參數(shù)信息作為訓(xùn)練樣本集，通過(guò)對(duì)訓(xùn)練樣本集進(jìn)行預(yù)處理，將訓(xùn)練樣本集劃分為指紋、群延遲、水分濕度、油膩程度、體溫五個(gè)小樣本集，并對(duì)樣本集進(jìn)行畸變處理。畸變處理完成后，利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本集進(jìn)行多次迭代計(jì)算，當(dāng)?shù)螖?shù)到達(dá)一定次數(shù)后，停止迭代運(yùn)算，并輸出一個(gè)與環(huán)境參數(shù)信息相關(guān)的身份識(shí)別模型，將該身份識(shí)別模型存儲(chǔ)在生物特征數(shù)據(jù)庫(kù)中，完成身份識(shí)別的訓(xùn)練過(guò)程。身份識(shí)別的測(cè)試過(guò)程具體包括：將提取的指紋特征值、群延遲特征值以及采集的環(huán)境參數(shù)信息與生物特征數(shù)據(jù)庫(kù)中的身份識(shí)別模型進(jìn)行交叉驗(yàn)證，判斷所提取的指紋特征值、群延遲特征值以及環(huán)境參數(shù)信息與身份識(shí)別模型中的指紋圖像、指部群延遲曲線以及環(huán)境參數(shù)信息的相關(guān)程度，從而實(shí)現(xiàn)用戶的身份識(shí)別。本發(fā)明實(shí)施例的身份識(shí)別裝置及方法通過(guò)采集用戶的指紋特征和指部介電譜特征信息進(jìn)行身份識(shí)別，同時(shí)，為了減小外部環(huán)境和內(nèi)部環(huán)境對(duì)身份識(shí)別的干擾，在采集指紋特征的同時(shí)采集用戶手指的水分分布、油膩程度及體溫等環(huán)境參數(shù)信息，通過(guò)環(huán)境參數(shù)信息對(duì)身份識(shí)別進(jìn)行修正，有效地提高了身份識(shí)別的準(zhǔn)確性和可靠性。并采用基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)融合身份識(shí)別算法進(jìn)行身份識(shí)別，進(jìn)一步提高身份識(shí)別的準(zhǔn)確性和可靠性。對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專(zhuān)業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。當(dāng)前第1頁(yè)1 2 3