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

背景技術(shù)：

隨著蘋果公司將生物特征識別技術(shù)引用于智能移動設(shè)備中，生物特征識別已成為智能終端的主流配置。生物特征識別技術(shù)包括：注冊和驗證兩個階段。在注冊階段，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，存儲在存儲器中，用于后期生物特征驗證；在驗證階段，采集待驗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)的特征值進行匹配。如果匹配成功，即可進行下一部操作；否則，無法進行操作。預(yù)存儲的生物特征特征值往往不會發(fā)生改變。

當手指有油漬、汗?jié)n或者脫皮等情況時，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)致生物特征識別率大大降低。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種生物特征識別方法及裝置。

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

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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識別模型。

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

優(yōu)選地，更新所述生物特征識別模型包括：將存儲的所述待識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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型；使用待更新的生物特征識別模型替換所述生物特征識別模型。

優(yōu)選地，更新所述生物特征識別模型包括：在所述卷積神經(jīng)網(wǎng)絡(luò)中，增加一個神經(jīng)元分支，形成新的卷積神經(jīng)網(wǎng)絡(luò)；將存儲的所述待識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)的卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型；使用待更新的生物特征識別模型替換所述生物特征識別模型。

優(yōu)選地，所述方法還包括：將存儲的所述待識別圖像刪除。

優(yōu)選地，所述方法還包括：對所述待識別生物特征圖像進行歸一化處理。

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

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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識別模型。

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

優(yōu)選地，所述更新模塊包括：訓(xùn)練單元，用于將存儲的所述待識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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型；更新單元，用于使用待更新的生物特征識別模型替換所述生物特征識別模型。

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，增加一個神經(jīng)元分支，形成新的卷積神經(jīng)網(wǎng)絡(luò)；將存儲的所述待識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)的卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型；更新單元，用于使用待更新的生物特征識別模型替換所述生物特征識別模型。

優(yōu)選地，所述更新單元還用于將存儲的所述待識別圖像刪除。

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

本發(fā)明提供的生物特征識別方法及裝置，通過卷積神經(jīng)網(wǎng)絡(luò)建立生物特征識別模型，并通過生物特征識別模型對生物特征進行識別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識別模型，更新生物特征識別模型。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別模型能夠自動學(xué)習(xí)到生物特征圖像的多層詳細特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細度，使得生物特征識別的結(jié)果更加準確。

附圖說明

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

圖1示出了本發(fā)明實施例提供的生物特征識別方法的流程圖；

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)明實施例提供的更新生物特征識別模型的流程圖；

圖4示出了本發(fā)明另一實施例提供的更新生物特征識別模型的流程圖；

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

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

具體實施方式

以下將參照附圖更詳細地描述本發(fā)明的各種實施例。在各個附圖中，相同的元件采用相同或類似的附圖標記來表示。為了清楚起見，附圖中的各個部分沒有按比例繪制。

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)明實施例提供的生物特征識別方法的流程圖。該生物特征識別方法可以由生物特征識別裝置來執(zhí)行，該生物特征識別裝置具體可以為手機終端、平板電腦等智能終端對應(yīng)的服務(wù)器或者服務(wù)器上安裝的應(yīng)用程序APP。該生物特征識別裝置還可以為手機終端、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，所述生物特征識別方法包括以下步驟。

在步驟S101中，接收待識別生物特征圖像。

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

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、語音、體形，個人習(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，采用生物特征識別模型對所述待識別生物特征進行識別，確定所述待識別生物特征是否與預(yù)設(shè)生物特征圖像匹配，其中，所述生物特征識別模型是采用生物特征訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練后得到的。

在本實施例中，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建生物特征識別模型。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當前語音分析和圖像識別領(lǐng)域的研究熱點。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)點在網(wǎng)絡(luò)的輸入是多維圖像時表現(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)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。

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)是一個多層的神經(jīng)網(wǎng)絡(luò)，包括多個卷積層C11-Cmn、多個采樣層S11-Smn、全連接層和一個輸出層，其中，m、n均為大于1的正整數(shù)，每層由多個二維平面組成，而每個平面由多個獨立神經(jīng)元組成。其中，多個卷積層C11-C1n和多個采樣層S11-S1n組成一個神經(jīng)元分支。從一個平面到下一個平面的映射可以看作是作卷積運算。本實施例中，假設(shè)基于卷積神經(jīng)網(wǎng)絡(luò)獲得的生物特征識別模型具有N層結(jié)構(gòu)卷積層中各個神經(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，對卷積層和輸出層的權(quán)重系數(shù)隨機初始化，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，逐次進行卷積計算和采樣。最后輸出層的輸出與預(yù)設(shè)輸出值比對，通過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估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，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，即卷積層的權(quán)重系數(shù)誤差估計和偏置誤差估計。

由于本實施例中的生物特征識別模型是為了識別待識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，上述對卷積神經(jīng)網(wǎng)絡(luò)進行訓(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)練過程在后續(xù)實施例中描述。

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

在步驟S103中，當所述待識別生物特征與預(yù)設(shè)生物特征圖像匹配時，存儲所述待識別生物特征圖像。

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

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

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

在步驟S301中，將存儲的所述待識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)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型。

在步驟S303中，使用待更新的生物特征識別模型替換所述生物特征識別模型。

具體地，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)保持不變，將存儲的所述待識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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型，然后用新得到的生物特征識別模型更新原來的生物特征識別模型。

結(jié)合圖4所示的優(yōu)選實施例，更新所述生物特征識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，將存儲的所述待識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)的卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型。

在步驟S405中，使用待更新的生物特征識別模型替換所述生物特征識別模型。

具體地，在卷積神經(jīng)網(wǎng)絡(luò)中增加一個神經(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，即n保持不變，m增加1。將存儲的所述待識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，繼續(xù)增加一個神經(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)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型。

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

在一個優(yōu)選地實施例中，更新生物特征識別模型的同時，將存儲的待識別生物特征圖像刪除。

本發(fā)明提供的生物特征識別方法，通過卷積神經(jīng)網(wǎng)絡(luò)建立生物特征識別模型，并通過生物特征識別模型對生物特征進行識別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識別模型，更新生物特征識別模型。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別模型能夠自動學(xué)習(xí)到生物特征圖像的多層詳細特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細度，使得生物特征識別的結(jié)果更加準確。

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

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。

在本實施例中，為了保證生物特征識別模型的準確性，訓(xùn)練時需要采集大量的生物特征訓(xùn)練樣本圖像，如200萬張。

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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識別模型。

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

可選的，本實施例中，為了進一步提高訓(xùn)練過程的處理效率，降低上述調(diào)整的次數(shù)，可以采用分批訓(xùn)練的方式。具體來說，將生物特征訓(xùn)練樣本集中的所有樣本圖像隨機分批，比如每批100張樣本圖像。依次隨機將一批訓(xùn)練樣本圖像中的每個訓(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別模型中卷積層中各個神經(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，對卷積層中各個神經(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行調(diào)整。

本實施例中，通過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，對卷積神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練，使得得到的生物特征識別模型能夠自動深度學(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別模型正確識別待識別生物特征圖像。

圖6示出了根據(jù)本發(fā)明實施例提供的生物特征識別裝置的結(jié)構(gòu)示意圖。如圖6所示，該裝置包括接收模塊10、識別模塊20、存儲模塊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用于接收待識別生物特征圖像。

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

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

在本實施例中，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建生物特征識別模型。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當前語音分析和圖像識別領(lǐng)域的研究熱點。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)點在網(wǎng)絡(luò)的輸入是多維圖像時表現(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)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。

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)是一個多層的神經(jīng)網(wǎng)絡(luò)，包括多個卷積層C11-Cmn、多個采樣層S11-Smn、全連接層和一個輸出層，其中，m、n均為大于1的正整數(shù)，每層由多個二維平面組成，而每個平面由多個獨立神經(jīng)元組成。其中，多個卷積層C11-C1n和多個采樣層S11-S1n組成一個神經(jīng)元分支。從一個平面到下一個平面的映射可以看作是作卷積運算。本實施例中，假設(shè)基于卷積神經(jīng)網(wǎng)絡(luò)獲得的生物特征識別模型具有N層結(jié)構(gòu)卷積層中各個神經(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)。

由于本實施例中的生物特征識別模型是為了識別待識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，上述對卷積神經(jīng)網(wǎng)絡(luò)進行訓(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)練過程在后續(xù)實施例中描述。

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

存儲模塊30用于當所述待識別生物特征與預(yù)設(shè)生物特征圖像匹配時，存儲所述待識別生物特征圖像。

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

在本實施例中，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用于將存儲的所述待識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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到待更新的生物特征識別模型；更新單元42用于使用待更新的生物特征識別模型替換所述生物特征識別模型。

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

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。

在本實施例中，為了保證生物特征識別模型的準確性，訓(xùn)練時需要采集大量的生物特征訓(xùn)練樣本圖像，如200萬張。

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神經(jīng)元的權(quán)重系數(shù)，并根據(jù)卷積層中各個神經(jīng)元的權(quán)重系數(shù)得到所述生物特征識別模型。

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

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

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

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

在一個優(yōu)選的實施例中，所述更新單元50還用于將存儲的所述待識別圖像刪除。

本發(fā)明提供的生物特征識別裝置，通過采用包含有生物特征訓(xùn)練樣本圖像的生物特征訓(xùn)練樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練得到的生物特征識別模型對生物特征進行識別，將匹配的生物特征圖像作為新的訓(xùn)練樣本集通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到新的生物特征識別模型，更新生物特征識別模型。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別模型能夠自動學(xué)習(xí)到生物特征圖像的多層詳細特征信息，從而保證了生物特征圖像中生物特征特征提取的高精細度，使得生物特征識別的結(jié)果更加準確。

依照本發(fā)明的實施例如上文所述，這些實施例并沒有詳盡敘述所有的細節(jié)，也不限制該發(fā)明僅為所述的具體實施例。顯然，根據(jù)以上描述，可作很多的修改和變化。本說明書選取并具體描述這些實施例，是為了更好地解釋本發(fā)明的原理和實際應(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)明的保護范圍應(yīng)當以本發(fā)明權(quán)利要求所界定的范圍為準。