一种指纹支付系统
阅读：1038发布：2020-06-01
专利汇可以提供一种指纹支付系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种指纹 支付系统 ，包括： 特征向量 生成单元；待注册指纹采集单元；待注册指纹处理单元，分别连接所述特征向量生成单元和所述待注册指纹采集单元；存储单元，连接所述待注册指纹处理单元；待识别指纹处理单元，连接至所述特征向量生成单元；指纹识别单元，分别连接所述存储单元和所述待识别指纹处理单元；支付单元，连接所述指纹识别单元。本发明所得到的第一哈希模板和第二哈希模板具有较好的可撤性及无关联性，因此具有较好的安全性，并且匹配操作均在加密域条件下进行，因此即使模板丢失，原始模板信息也不会泄露，从而提高了利用指纹进行支付的安全性。，下面是一种指纹支付系统专利的具体信息内容。
1.一种指纹支付系统，其特征在于，包括：
特征向量生成单元，用于根据待训练细节点的第一融合特征向量得到聚类中心集，其中所述聚类中心集中包括若干所述第一融合特征向量；
待注册指纹采集单元，用于采集待注册指纹的指纹信息，所述指纹信息包括若干待注册细节点；
待注册指纹处理单元，分别连接所述特征向量生成单元和所述待注册指纹采集单元，用于根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
存储单元，连接所述待注册指纹处理单元，用于存储所述第一哈希模板；
待识别指纹处理单元，连接至所述特征向量生成单元，用于根据所述聚类中心集和待识别细节点的第三融合特征向量得到第二哈希模板；
指纹识别单元，分别连接所述存储单元和所述待识别指纹处理单元，用于基于所述第一哈希模板和所述第二哈希模板，使用所述加密域匹配公式得到识别结果；
支付单元，连接所述指纹识别单元，用于根据所述识别结果进行支付。
2.根据权利要求1所述的指纹支付系统，其特征在于，所述特征向量生成单元包括：
待训练细节点采集模块，用于获取若干待训练细节点；
第一待训练细节点处理模块，连接所述待训练细节点采集模块，用于根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量；
第二待训练细节点处理模块，连接所述待训练细节点采集模块，用于根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度得到所述待训练细节点的第二定长实数向量；
第一融合特征向量生成模块，连接所述第一待训练细节点处理模块和所述第二待训练细节点处理模块，用于利用PCA对所述第一定长实数向量和所述第二定长实数向量分别进行降维处理后级联成第一融合特征向量；
聚类模块，连接所述第一融合特征向量生成模块，用于利用k-means算法对所述第一融合特征向量进行聚类处理得到聚类中心集。
3.根据权利要求2所述的指纹支付系统，其特征在于，第一待训练细节点处理模块包括：
第一区域建立模块，用于以所述待训练细节点为基点构建所述第一区域；
第一高斯函数值计算模块，连接所述第一区域建立模块，用于根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到所述第一区域内除基点处其余待训练细节点和所述第一区域内每个所述像素点的距离，基于所述待训练细节点和所述第一区域内每个所述像素点的距离，利用高斯函数得到所述第一高斯函数值；
第一定长实数向量生成模块，连接所述第一高斯函数值计算模块，用于根据所述第一高斯函数值得到所述第一区域内每个所述像素点的第一贡献值，并根据所述第一贡献值得到所述第一定长实数向量。
4.根据权利要求2所述的指纹支付系统，其特征在于，第二待训练细节点处理模块包括：
第二区域建立模块，用于以所述待训练细节点为基点构建所述第二区域；
第一纹理特征值计算模块，连接所述第二区域建立模块，用于根据所述待训练细节点的灰度值与所述第二区域内所述像素点的灰度值的差值得到第一纹理特征值；
第一定长实数向量生成模块，连接所述第一纹理特征值计算模块，用于根据所述第一纹理特征值得到所述第二定长实数向量。
5.根据权利要求1所述的指纹支付系统，其特征在于，待注册指纹处理单元包括：
第二融合特征向量生成模块，用于获取所述待注册细节点的第二融合特征向量；
第一比特向量生成模块，连接所述第二融合特征向量生成模块，用于根据所述第二融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到第一比特向量；
第一哈希模板生成模块，连接所述第一比特向量生成模块，用于根据局部敏感哈希算法随机生成m组第一置换种子，并利用m组第一置换种子对所述第一比特向量进行随机置换得到m个第一置换比特向量，之后根据所述第一置换比特向量得到所述第一哈希模板。
6.根据权利要求5所述的指纹支付系统，其特征在于，第二融合特征向量生成模块包括：
待注册细节点获取模块，用于获取所述待注册指纹的若干待注册细节点；
第三定长实数向量生成模块，连接所述待注册细节点获取模块，用于根据高斯函数处理所述待注册细节点和所述待注册细节点对应的第三区域内像素点得到所述待注册细节点的第三定长实数向量；
第四定长实数向量生成模块，连接所述待注册细节点获取模块，用于根据所述待注册细节点和所述待注册细节点对应的第四区域内像素点的灰度得到所述待注册细节点的第四定长实数向量；
第一融合模块，分别连接所述第三定长实数向量生成模块和所述第四定长实数向量生成模块，用于利用PCA对所述第三定长实数向量和所述第四定长实数向量分别进行降维处理后级联成第二融合特征向量。
7.根据权利要求5所述的指纹支付系统，其特征在于，根据所述第一置换比特向量得到所述第一哈希模板具体包括：
提取所述第一置换比特向量中的前w个元素；
提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的第一索引值；
对所述第一索引值进行取模处理，根据所述取模处理后的第一索引值得到所述第一哈希模板。
8.根据权利要求1所述的指纹支付系统，其特征在于，待识别指纹处理单元包括：
第三融合特征向量生成模块，用于获取所述待识别细节点的第三融合特征向量；
第二比特向量生成模块，连接所述第三融合特征向量生成模块，用于根据所述第三融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到第二比特向量；
第二哈希模板生成模块，连接所述第二比特向量生成模块，用于根据局部敏感哈希算法随机生成m组第二置换种子，并利用m组第二置换种子对所述第二比特向量进行随机置换得到m个第二置换比特向量，之后根据所述第二置换比特向量得到所述第二哈希模板。
9.根据权利要求8所述的指纹支付系统，其特征在于，第三融合特征向量生成模块包括：
待识别细节点获取模块，用于获取待识别指纹的若干待识别细节点；
第五定长实数向量生成模块，连接所述待识别细节点获取模块，用于根据高斯函数处理所述待识别细节点和所述待识别细节点对应的第五区域内像素点得到所述待识别细节点的第五定长实数向量；
第六定长实数向量生成模块，连接所述待识别细节点获取模块，用于根据所述待识别细节点和所述待识别细节点对应的第六区域内像素点的灰度得到所述待识别细节点的第六定长实数向量；
第二融合模块，分别连接所述第五定长实数向量生成模块和所述第六定长实数向量生成模块，用于利用PCA对所述第五定长实数向量和所述第六定长实数向量分别进行降维处理后级联成第三融合特征向量。
10.根据权利要求8所述的指纹支付系统，其特征在于，根据所述第二置换比特向量得到所述第二哈希模板具体包括：
提取所述第二置换比特向量中的前w个元素；
提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的第二索引值；
对所述第二索引值进行取模处理，根据所述取模处理后的第二索引值得到所述第二哈希模板。
一种指纹支付系统
技术领域
[0001] 本发明属于指纹识别技术领域，具体涉及一种指纹支付系统。
背景技术
[0002] 随着全球经济与信息技术的发展，尤其是全球互联网时代的到来，越来越多的领域需要可靠的身份认证。在信息化的背景下，个人身份逐渐数字化和隐性化，如何准确的鉴别一个人的身份，保证信息安全，是信息化时代的一个重要挑战。生物特征由于其稳定性和方便性而被人们所认识并深入研究，生物特征即一个人固有的生理或行为特征，比如指纹、虹膜、掌纹、声音等。
[0003] 相比较传统认证和识别系统中的口令、令牌等认证信息，生物特征具有不会遗忘、不会丢失等优点，以生物特征作为识别和认证手段可以同时提供较高的用户易用性和较高的安全性，因此得到越来越广泛的应用。尤其指纹支付功能已经得到广泛应用，因指纹不用记密码，不用担心记在小本本上的密码被别人看到，给消费者带来了极大的便利；目前指纹支付有手机指纹支付、指纹支付pos机等。
[0004] 然而利用指纹特征进行支付的广泛应用也带来了对个人隐私泄漏和其他一些安全性的担心，因此如何提高指纹特征的安全性成为了亟待解决的问题。
发明内容
[0005] 为了解决现有技术中存在的上述问题，本发明提供了一种指纹支付系统。本发明要解决的技术问题通过以下技术方案实现：
[0006] 一种指纹支付系统，包括：
[0008] 待注册指纹采集单元，用于采集待注册指纹的指纹信息，所述指纹信息包括若干待注册细节点；
[0009] 待注册指纹处理单元，分别连接所述特征向量生成单元和待注册指纹采集单元，用于根据所述聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
[0010] 存储模单元，连接所述待注册指纹处理单元，用于存储第一哈希模板；
[0011] 待识别指纹处理单元，连接至所述特征向量生成单元，根据所述聚类中心集和待识别细节点的第三融合特征向量得到第二哈希模板；
[0012] 指纹识别单元，分别连接所述存储单元和所述待识别指纹处理单元，用于基于所述第一哈希模板和所述第二哈希模板，使用所述加密域匹配公式得到识别结果；
[0013] 支付模块，连接所述指纹识别单元，用于根据所述识别结果进行支付。
[0014] 在本发明的一个实施例中，所述特征向量生成单元包括：
[0015] 待训练细节点采集模块，用于获取若干待训练细节点；
[0017] 第二待训练细节点处理模块，连接所述待训练细节点采集模块，用于根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度得到所述待训练细节点的第二定长实数向量；
[0018] 第一融合特征向量生成模块，连接所述第一待训练细节点处理模块和所述第二待训练细节点处理模块，用于利用PCA对所述第一定长实数向量和所述第二定长实数向量分别进行降维处理后级联成第一融合特征向量；
[0020] 在本发明的一个实施例中，第一待训练细节点处理模块包括：
[0021] 第一区域建立模块，用于以所述待训练细节点为基点构建所述第一区域；
[0022] 第一高斯函数值计算模块，连接所述第一区域建立模块，用于根据所述待训练细节点的极坐标和所述第一区域内每个所述像素点的极坐标得到所述第一区域内除基点处其余待训练细节点和所述第一区域内每个所述像素点的距离，基于所述待训练细节点和所述第一区域内每个所述像素点的距离，利用高斯函数得到所述第一高斯函数值；
[0023] 第一定长实数向量生成模块，连接所述第一高斯函数值计算模块，用于根据所述第一高斯函数值得到所述第一区域内每个所述像素点的第一贡献值，并根据所述第一贡献值得到所述第一定长实数向量。
[0024] 在本发明的一个实施例中，第二待训练细节点处理模块包括：
[0025] 第二区域建立模块，用于以所述待训练细节点为基点构建所述第二区域；
[0026] 第一纹理特征值计算模块，连接所述第二区域建立模块，用于根据所述待训练细节点的灰度值与所述第二区域内所述像素点的灰度值的差值得到第一纹理特征值；
[0027] 第一定长实数向量生成模块，连接所述第一纹理特征值计算模块，用于根据所述第一纹理特征值得到所述第二定长实数向量。
[0028] 在本发明的一个实施例中，待注册指纹处理单元包括：
[0029] 第二融合特征向量生成模块，用于获取所述待注册细节点的第二融合特征向量；
[0030] 第一比特向量生成模块，连接所述第二融合特征向量生成模块，用于根据所述第二融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到第一比特向量；
[0031] 第一哈希模板生成模块，连接所述第一比特向量生成模块，用于根据局部敏感哈希算法随机生成m组第一置换种子，并利用m组第一置换种子对所述第一比特向量进行随机置换得到m个第一置换比特向量，之后根据所述第一置换比特向量得到所述第一哈希模板。
[0032] 在本发明的一个实施例中，第二融合特征向量生成模块包括：
[0033] 待注册细节点获取模块，用于获取所述待注册指纹的若干待注册细节点；
[0034] 第三定长实数向量生成模块，连接所述待注册细节点获取模块，用于根据高斯函数处理所述待注册细节点和所述待注册细节点对应的第三区域内像素点得到所述待注册细节点的第三定长实数向量；
[0035] 第四定长实数向量生成模块，连接所述待注册细节点获取模块，用于根据所述待注册细节点和所述待注册细节点对应的第四区域内像素点的灰度得到所述待注册细节点的第四定长实数向量；
[0036] 第一融合模块，分别连接所述第三定长实数向量生成模块和所述第四定长实数向量生成模块，用于利用PCA对所述第三定长实数向量和所述第四定长实数向量分别进行降维处理后级联成第二融合特征向量。
[0037] 在本发明的一个实施例中，根据所述第一置换比特向量得到所述第一哈希模板具体包括：
[0038] 提取所述第一置换比特向量中的前w个元素；
[0039] 提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的第一索引值；
[0040] 对所述第一索引值进行取模处理，根据所述取模处理后的第一索引值得到所述第一哈希模板。
[0041] 在本发明的一个实施例中，待识别指纹处理单元包括：
[0042] 第三融合特征向量生成模块，用于获取所述待识别细节点的第三融合特征向量；
[0043] 第二比特向量生成模块，连接所述第三融合特征向量生成模块，用于根据所述第三融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到第二比特向量；
[0044] 第二哈希模板生成模块，连接所述第二比特向量生成模块，用于根据局部敏感哈希算法随机生成m组第二置换种子，并利用m组第二置换种子对所述第二比特向量进行随机置换得到m个第二置换比特向量，之后根据所述第二置换比特向量得到所述第二哈希模板。
[0045] 在本发明的一个实施例中，第三融合特征向量生成模块包括：
[0046] 待识别细节点获取模块，用于获取待识别指纹的若干待识别细节点；
[0047] 第五定长实数向量生成模块，连接所述待识别细节点获取模块，用于根据高斯函数处理所述待识别细节点和所述待识别细节点对应的第五区域内像素点得到所述待识别细节点的第五定长实数向量；
[0048] 第六定长实数向量生成模块，连接所述待识别细节点获取模块，用于根据所述待识别细节点和所述待识别细节点对应的第六区域内像素点的灰度得到所述待识别细节点的第六定长实数向量；
[0049] 第二融合模块，分别连接所述第五定长实数向量生成模块和所述第六定长实数向量生成模块，用于利用PCA对所述第五定长实数向量和所述第六定长实数向量分别进行降维处理后级联成第三融合特征向量。
[0050] 在本发明的一个实施例中，根据所述第二置换比特向量得到所述第二哈希模板具体包括：
[0051] 提取所述第二置换比特向量中的前w个元素；
[0052] 提取所述前w个元素中第一个聚类成功的位置并记录所述聚类成功的位置的第二索引值；
[0053] 对所述第二索引值进行取模处理，根据所述取模处理后的第二索引值得到所述第二哈希模板。
[0054] 本发明的有益效果：
[0055] 本发明通过待训练细节点得到了包括融合特征向量的聚类中心集，然后通过待注册细节点与聚类中心集得到了第一哈希模板，又根据待识别细节点和聚类中心集得到了第二哈希模板，最后根据加密域匹配公式对第一哈希模板和第二哈希模板进行匹配，因所得到的第一哈希模板和第二哈希模板具有较好的可撤性及无关联性，因此具有较好的安全性，并且匹配操作均在加密域条件下进行，因此即使模板丢失，原始模板信息也不会泄露，从而提高了利用指纹进行支付的安全性。
附图说明
[0057] 图1是本发明实施例提供的一种指纹支付系统的示意图；
[0058] 图2是本发明实施例提供的一种基于局部敏感哈希的指纹模板保护方法的示意图；
[0059] 图3是本发明实施例提供的一种特征向量生成单元的示意图；
[0060] 图4是本发明实施例提供的一种待注册指纹处理单元的示意图；
[0061] 图5是本发明实施例提供的一种待识别指纹处理单元的示意图。
具体实施方式
[0062] 下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0063] 实施例一
[0064] 请参见图1，图1是本发明实施例提供的一种指纹支付系统的示意图，图2是本发明实施例提供的一种基于局部敏感哈希的指纹模板保护方法的示意图。本实施例提供一种基于指纹保护模板的指纹支付系统，该指纹支付系统包括特征向量生成单元、待注册指纹采集单元、待注册指纹处理单元、存储单元、待识别指纹处理单元、指纹识别单元和支付单元，其中，
[0065] 特征向量生成单元用于根据待训练细节点的第一融合特征向量得到聚类中心集，其中聚类中心集中包括若干第一融合特征向量；
[0066] 待注册指纹采集单元用于采集待注册指纹的指纹信息，指纹信息包括若干待注册细节点；
[0067] 待注册指纹处理单元分别连接特征向量生成单元和待注册指纹采集单元，待注册指纹处理单元用于根据聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板；
[0068] 存储单元连接所述待注册指纹处理单元，存储单元用于存储第一哈希模板；
[0069] 待识别指纹处理单元连接至特征向量生成单元，待识别指纹处理单元用于根据聚类中心集和待识别细节点的第三融合特征向量得到第二哈希模板；
[0070] 指纹识别单元分别连接存储单元和待识别指纹处理单元，指纹识别单元用于基于第一哈希模板和第二哈希模板，使用加密域匹配公式得到识别结果；
[0071] 支付单元连接指纹识别单元，支付单元用于根据所述识别结果进行支付。
[0072] 也就是说，本实施例首先利用特征向量生成单元根据用于训练的待训练细节点第一融合特征向量得到聚类中心集，然后通过待注册指纹采集单元采集需要注册指纹的待注册细节点，并将所采集的注册指纹的待注册细节点传输至待注册指纹处理单元，待注册指纹处理单元则可以根据聚类中心集和待注册细节点的第二融合特征向量得到第一哈希模板，之后将所得到的第一哈希模板存储到存储单元中，以便于识别时使用，当需要通过指纹识别进行支付时，待识别指纹处理单元则会根据需要识别指纹的待识别细节点的第三融合特征向量得到第二哈希模板，第一哈希模板和第二哈希模板均具有较好的可撤性及无关联性，因此之后在对待识别指纹进行识别时，则会将第一哈希模板和第二哈希模板进行匹配，若匹配成功，则支付单元便可以进行支付，若未匹配成功，则不能进行支付，因为匹配操作均在加密域条件下进行，因此即使模板丢失，原始模板信息也不会泄露，从而提高了利用指纹进行支付的安全性。
[0073] 在一个具体实施例中，请参见图3，特征向量生成单元包括待训练细节点采集模块、第一待训练细节点处理模块、第二待训练细节点处理模块、第一融合特征向量生成模块和聚类模块，待训练细节点采集模块分别连接第一待训练细节点处理模块和第二待训练细节点处理模块，第一待训练细节点处理模块和第二待训练细节点处理模块均连接至第一融合特征向量生成模块，且第一融合特征向量生成模块连接至聚类模块。
[0074] 在一个实施例中，待训练细节点采集模块用于获取若干待训练细节点。
[0075] 本实施例的待训练细节点可以是通过采集多张指纹图像，并从每张指纹图像中获取若干细节点组合而成，待训练细节点可以包括指纹线的终点和分叉点。
[0076] 进一步，首先获取若干第一待训练指纹图像，之后可以对第一待训练指纹图像进行指纹增强和细化处理得到第二待训练指纹图像，然后提取第二待训练指纹图像上的若干待训练细节点。
[0077] 在本实施例中，第一待训练指纹图像用于提取待训练细节点，为了提高指纹图像的质量和更准确的提取细节点特征，本实施例对第一待训练指纹图像进行了预处理从而第二待训练指纹图像，预处理可以包括增强处理和细化处理，之后通过第二待训练指纹图像提取训练用的待训练细节点。
[0078] 在一个实施例中，第一待训练细节点处理模块用于根据高斯函数处理所述待训练细节点和所述待训练细节点对应的第一区域内的像素点得到所述待训练细节点的第一定长实数向量。
[0079] 本实施例的第一待训练细节点处理模块通过高斯函数处理待训练细节点和以待训练细节点为基准得到的第一区域内的像素点，从而得到了待训练细节点的第一定长实数向量，第一定长实数向量反应了待训练细节点位置特点，因此通过第一定长实数向量获取的融合特征向量能够体现待训练细节点的位置特点。
[0080] 进一步地，第一待训练细节点处理模块可以包括依次连接的第一区域建立模块、第一高斯函数值计算模块和第一定长实数向量生成模块。
[0081] 具体地，第一区域建立模块用于以待训练细节点为基点构建所述第一区域。
[0082] 也就是说，本实施例为了更好的反映每个待训练细节点的特征，在处理每个待训练细节点时，首先以待训练细节点为基点，以某种形状选择一第一区域，从而可以使得该第一区域包含该待训练细节点和其周围的像素点。本实施例不对第一区域进行限制，第一区域例如可以为圆形、方形等。为了更好的说明第一区域，本实施例以第一区域为圆形进行举例说明，例如以某一待训练细节点{xr,yr,θr}为圆心、以半径rm做圆，圆内像素点的个数为[0083] 第一高斯函数值计算模块用于根据待训练细节点的极坐标和第一区域内每个像素点的极坐标得到第一区域内除基点处其余待训练细节点和第一区域内每个像素点的距离，基于待训练细节点和第一区域内每个像素点的距离，利用高斯函数得到第一高斯函数值。
[0084] 也就是说，本实施例首先对待训练细节点进行极坐标转换得到待训练细节点的极坐标，并对第一区域内的像素点进行极坐标转换得到每个像素点的极坐标，之后利用第一区域内除基点处其余待训练细节点和第一区域内每个像素点的极坐标计算该待训练细节点与第一区域内每个像素点的距离，并将所得到的距离代入至高斯函数中从而得到第一高斯函数值，其中，高斯函数的表达式为：
[0085]
[0086] 其中，ξ为待训练细节点与第一区域内像素点的距离，σS为标准差。
[0087] 具体地，第一定长实数向量生成模块用于根据第一高斯函数值得到第一区域内每个像素点的第一贡献值，并根据第一贡献值得到第一定长实数向量。
[0088] 也就是说，首先将第一区域内每个像素点所得到的第一高斯函数值记为该像素点的第一贡献值，即Cφs(mt,px,y)＝G(d(mt,px,y))，其中G(d(mt,px,y))为高斯函数，ξ＝d(mt,spx,y)，Cφ(mt,px,y)为像素点的贡献值，之后按照设定顺序遍历完第一区域内所有像素点后，按照设定顺序集合所有第一贡献值组合成该待训练细节点的第一定长实数向量，并通过上述方式对应得到第一区域内每个待训练细节点的第一定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0089] 在一个实施例中，第二待训练细节点处理模块用于根据所述待训练细节点和所述待训练细节点对应的第二区域内像素点的灰度得到所述待训练细节点的第二定长实数向量。
[0090] 本实施例的第二待训练细节点处理通过待训练细节点的灰度和以待训练细节点为基准得到的第二区域内像素点的灰度之间的差值，从而得到了待训练细节点的第二定长实数向量，第二定长实数向量反应了待训练细节点灰度特点，因此通过第二定长实数向量获取的融合特征向量能够体现待训练细节点的灰度特点。
[0091] 进一步地，第二待训练细节点处理模块可以包括依次连接的第二区域建立模块、第一纹理特征值计算模块和第一定长实数向量生成模块。
[0092] 具体地，第二区域建立模块用于以待训练细节点为基点构建第二区域。
[0093] 也就是说，本实施例为了更好的反映每个待训练细节点的特征，在处理每个待训练细节点时，首先以待训练细节点为基点，以某种形状选择一第二区域，从而可以使得该第二区域包含该待训练细节点和其周围的像素点。本实施例不对第二区域进行限制，第二区域例如可以为圆形、方形等。为了更好的说明第二区域，本实施例以第二区域为圆形进行举例说明，例如以某一待训练细节点{xr,yr,θr}为圆心、以半径rt做圆，圆内像素点的个数为[0094] 具体地，第一纹理特征值计算模块用于根据待训练细节点的灰度值与第二区域内像素点的灰度值的差值得到第一纹理特征值；
[0095] 也就是说，计算该待训练细节点的灰度值与第二区域内像素点的灰度值的差值，并将该差值记为第一纹理特征值。
[0096] 具体地，第一定长实数向量生成模块用于根据第一纹理特征值得到第二定长实数向量。
[0097] 也就是说，按照设定顺序遍历完第二区域内所有像素点后，按照设定顺序集合所有第一纹理特征值组合成该待训练细节点的第二定长实数向量，并通过上述方式对应得到第二区域内每个待训练细节点的第二定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0098] 在一个实施例中，第一融合特征向量生成模块用于利用PCA对所述第一定长实数向量和所述第二定长实数向量分别进行降维处理后级联成第一融合特征向量。
[0099] 也就是说，利用PCA(主成分分析，Primcipal Compomemts Amalysis)方法分别对待训练细节点的第一定长实数向量和第二定长实数向量进行降维处理，并将降维处理后的第一定长实数向量和第二定长实数向量进行级联，级联后所得到的向量即为该待训练细节点的第一融合特征向量。
[0100] 在一个实施例中，聚类模块用于利用k-means算法对所述第一融合特征向量进行聚类处理得到聚类中心集，其中聚类中心集中包括若干第一融合特征向量。
[0101] 也就是说，本实施例将所有用于训练的第一融合特征向量进行聚类处理，例如设定一定数目，将聚类处理完成之后满足该数目的所有第一融合特征向量集合为聚类中心集，例如，设定聚类数目为4000，则将满足聚类条件的第一融合特征向量进行聚类。
[0102] 在一个具体实施例中，请参见图4，待注册指纹处理单元可以包括依次连接的第二融合特征向量生成模块、第一比特向量生成模块和第一哈希模板生成模块。
[0103] 在一个实施例中，第二融合特征向量生成模块用于获取待注册细节点的第二融合特征向量。
[0104] 也就是说，注册指纹为在实际使用中需要注册的指纹，待注册细节点为注册指纹中含有的细节点，每个待注册细节点可以包括指纹线的终点和分叉点，第二融合特征向量反映了待注册细节点的位置和灰度特征。
[0105] 进一步地，第二融合特征向量生成模块可以包括待注册细节点获取模块、第三定长实数向量生成模块、第四定长实数向量生成模块和第一融合模块，待注册细节点获取模块分别连接至第三定长实数向量生成模块、第四定长实数向量生成模块，第三定长实数向量生成模块和第四定长实数向量生成模块均连接至第一融合模块。
[0106] 具体地，待注册细节点获取模块用于获取待注册指纹的若干待注册细节点。
[0107] 具体地，第三定长实数向量生成模块用于根据高斯函数处理待注册细节点和待注册细节点对应的第三区域内像素点得到待注册细节点的第三定长实数向量。
[0108] 进一步地，第三定长实数向量生成模块具体用于以待注册细节点为基点构建第三区域；根据待注册细节点的极坐标和第三区域内每个像素点的极坐标得到第二高斯函数值，并根据该第二高斯函数值得到第三区域内每个像素点的第二贡献值；根据第三区域内每个像素点的第二贡献值得到待注册细节点的第三定长实数向量。
[0109] 本实施例为了更好的反映每个待注册细节点的特征，在处理每个待注册细节点时，首先以待注册细节点为基点，以某种形状选择一第三区域，从而可以使得该第三区域包含该待注册细节点和其周围的像素点。本实施例不对第三区域进行限制，第三区域例如可以为圆形、方形等。
[0110] 然后，根据待注册细节点的极坐标和第三区域内每个像素点的极坐标得到第三区域内除基点处其余待注册细节点和第三区域内每个像素点的距离；再基于待注册细节点和第三区域内每个像素点的距离，利用高斯函数得到第二高斯函数值，之后将第三区域内每个像素点所得到的第二高斯函数值记为该像素点的第二贡献值。
[0111] 也就是说，首先对待注册细节点进行极坐标转换得到待注册细节点的极坐标，并对第三区域内的像素点进行极坐标转换得到每个像素点的极坐标，之后利用第三区域内除基点处其余待注册细节点的极坐标和第三区域内每个像素点的极坐标计算该待注册细节点与第三区域内每个像素点的距离，并将所得到的距离代入至高斯函数中从而得到第二高斯函数值，并将第三区域内每个像素点所得到的第二高斯函数值记为该像素点的第二贡献值。
[0112] 最后，按照设定顺序遍历完第三区域内所有像素点后，按照设定顺序集合第三区域内所有像素点的第二贡献值组合成该待注册细节点的第三定长实数向量，并通过上述方式对应得到第三区域内每个待注册细节点的第三定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0113] 具体地，第四定长实数向量生成模块用于根据待注册细节点和待注册细节点对应的第四区域内像素点的灰度得到待注册细节点的第四定长实数向量。
[0114] 进一步地，第四定长实数向量生成模块具体用于以待注册细节点为基点构建第四区域；根据待注册细节点的灰度值与第四区域内像素点的灰度值的差值得到第二纹理特征值；根据第四区域内像素点的第二纹理特征值得到第四定长实数向量。
[0115] 本实施例为了更好的反映每个待注册细节点的特征，在处理每个待注册细节点时，首先以待注册细节点为基点，以某种形状选择一第四区域，从而可以使得该第四区域包含该待注册细节点和其周围的像素点。本实施例不对第四区域进行限制，第四区域例如可以为圆形、方形等。
[0116] 然后，计算该待注册细节点的灰度值与第四区域内像素点的灰度值的差值，并将该差值记为第四区域内像素点的第二纹理特征值。
[0117] 最后，按照设定顺序遍历完第四区域内所有像素点后，按照设定顺序集合所有第二纹理特征值组合成该待注册细节点的第四定长实数向量，并通过上述方式对应得到第四区域内每个待注册细节点的第四定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0118] 具体地，第一融合模块用于利用PCA对所述第三定长实数向量和所述第四定长实数向量分别进行降维处理后级联成第二融合特征向量。
[0119] 也就是说，利用PCA方法分别对待注册细节点的第三定长实数向量和第四定长实数向量进行降维处理，并将降维处理后的第三定长实数向量和第四定长实数向量进行级联，级联后所得到的向量即为该待注册细节点的第二融合特征向量。
[0120] 在一个实施例中，第一比特向量生成模块用于根据第二融合特征向量和聚类中心集中的第一融合特征向量的欧式距离得到第一比特向量。
[0121] 首先初始化一个向量，其长度与聚类中心集中所包含的第一融合特征向量的数量相等，之后计算所得到的待注册细节点的第二融合特征向量和聚类中心集中每个第一融合特征向量的欧式距离，对应得到每个第二融合特征向量中欧式距离最小的第一融合特征向量，并将初始化向量中对应的位置分配为1，其余位置分配为0，遍历完所有待注册细节点后，便可以得到待注册指纹的第一比特向量。
[0122] 在一个实施例中，第一哈希模板生成模块用于根据局部敏感哈希算法随机生成m组第一置换种子，并利用m组第一置换种子对所述第一比特向量进行随机置换得到m个第一置换比特向量，之后根据所述第一置换比特向量得到所述第一哈希模板。
[0123] 也就是说，首先将哈希码值初始化，将各元素初始化为0，之后随机生成m组第一置换种子，第一置换种子用于对所得到的第一比特向量进行位置置换。
[0124] 然后将第一比特向量按照随机生成的第一置换种子对第一比特向量进行位置置换并对应得到一个第一置换比特向量，则m组第一置换种子对第一比特向量进行随机置换可对应得到m个第一置换比特向量，例如第一比特向量为[00110]，第一置换种子分别为[13245]和[43215]，则对应得到的第一置换比特向量分别为[01010]和[11000]。
[0125] 之后提取第一置换比特向量中的前w个元素，提取前w个元素中第一个聚类成功的位置并记录聚类成功的位置的第一索引值，并对第一索引值进行取模处理，最后根据取模处理后的第一索引值得到第一哈希模板。
[0126] 即首先提取每个第一置换比特向量中前w个元素，例如第一置换比特向量中含有4000个元素，w为200；之后确定该前w个元素中第一个聚类成功的位置，第一个聚类成功的位置即第一个元素为1的位置，之后记录该聚类成功的位置的第一索引值ti，第一索引值即为第一个为1的元素的位置所对应的数值，例如w取5，前5个元素为01000，则其第一索引值为2，又如前5个元素为00001，则其第一索引值为5；则m个第一置换比特向量对应得到m个第一索引值。之后，对索引值ti进行取模操作(mod)，则最终可以得到第一哈希模板te＝{tie|i＝1,2,...,m}。
[0127] 在一个具体实施例中，请参见图5，待识别指纹处理单元可以包括依次连接的第三融合特征向量生成模块、第二比特向量生成模块和第二哈希模板生成模块。
[0128] 在一个实施例中，第三融合特征向量生成模块用于获取待识别细节点的第三融合特征向量。
[0129] 也就是说，待识别指纹为在实际使用中需要识别认证的指纹，待识别细节点为待识别指纹中含有的细节点，每个待识别细节点可以包括指纹线的终点和分叉点，第三融合特征向量反映了待识别细节点的位置和灰度特征。
[0130] 进一步地，第三融合特征向量生成模块可以包括待识别细节点获取模块、第五定长实数向量生成模块、第六定长实数向量生成模块和第二融合模块，待识别细节点获取模块分别连接至第五定长实数向量生成模块、第六定长实数向量生成模块，第五定长实数向量生成模块和第六定长实数向量生成模块均连接至第二融合模块。
[0131] 具体地，待识别细节点获取模块用于获取待识别指纹的若干待识别细节点。
[0132] 具体地，第五定长实数向量生成模块用于根据高斯函数处理待识别细节点和待识别细节点对应的第五区域内像素点得到待识别细节点的第五定长实数向量。
[0133] 进一步地，第五定长实数向量生成模块具体用于以待识别细节点为基点构建第五区域；并根据待识别细节点的极坐标和第五区域内每个像素点的极坐标得到第三高斯函数值，并根据该第三高斯函数值得到第五区域内每个像素点的第三贡献值；之后根据第五区域内每个像素点的第三贡献值得到待识别细节点的第五定长实数向量。
[0134] 本实施例为了更好的反映每个待识别细节点的特征，在处理每个待识别细节点时，首先以待识别细节点为基点，以某种形状选择一第五区域，从而可以使得该第五区域包含该待识别细节点和其周围的像素点。本实施例不对第五区域进行限制，第五区域例如可以为圆形、方形等。
[0135] 然后，根据待识别细节点的极坐标和第五区域内每个像素点的极坐标得到第五区域内除基点处其余待识别细节点和第五区域内每个像素点的距离；再基于待识别细节点和第五区域内每个像素点的距离，利用高斯函数得到第三高斯函数值，之后将第五区域内每个像素点所得到的第三高斯函数值记为该像素点的第三贡献值。
[0136] 也就是说，首先对待识别细节点进行极坐标转换得到待识别细节点的极坐标，并对第五区域内的像素点进行极坐标转换得到每个像素点的极坐标，之后利用第五区域内除基点处其余待识别细节点的极坐标和第五区域内每个像素点的极坐标计算该待识别细节点与第五区域内每个像素点的距离，并将所得到的距离代入至高斯函数中从而得到第三高斯函数值，并将第五区域内每个像素点所得到的第三高斯函数值记为该像素点的第三贡献值。
[0137] 最后，按照设定顺序遍历完第五区域内所有像素点后，按照设定顺序集合第五区域内所有像素点的第三贡献值组合成该待识别细节点的第五定长实数向量，并通过上述方式对应得到第五区域内每个待识别细节点的第五定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0138] 具体地，第六定长实数向量生成模块用于根据待识别细节点和待识别细节点对应的第六区域内像素点的灰度得到待识别细节点的第六定长实数向量。
[0139] 进一步地，第六定长实数向量生成模块具体用于以待识别细节点为基点构建第六区域；根据待识别细节点的灰度值与第六区域内像素点的灰度值的差值得到第三纹理特征值；根据第六区域内像素点的第三纹理特征值得到第六定长实数向量。
[0140] 本实施例为了更好的反映每个待识别细节点的特征，在处理每个待识别细节点时，首先以待识别细节点为基点，以某种形状选择一第六区域，从而可以使得该第六区域包含该待识别细节点和其周围的像素点。本实施例不对第六区域进行限制，第六区域例如可以为圆形、方形等。
[0141] 然后，计算该待识别细节点的灰度值与第六区域内像素点的灰度值的差值，并将该差值记为第六区域内像素点的第三纹理特征值。
[0142] 最后，按照设定顺序遍历完第六区域内所有像素点后，按照设定顺序集合所有第三纹理特征值组合成该待识别细节点的第六定长实数向量，并通过上述方式对应得到第六区域内每个待识别细节点的第六定长实数向量，其中设定顺序可以根据实际需求进行设定，例如设定顺序可以为从左至右、从上至下。
[0143] 具体地，第二融合模块用于利用PCA对第五定长实数向量和第六定长实数向量分别进行降维处理后级联成第三融合特征向量。
[0144] 也就是说，利用PCA方法分别对待注册细节点的第五定长实数向量和第六定长实数向量进行降维处理，并将降维处理后的第五定长实数向量和第六定长实数向量进行级联，级联后所得到的向量即为该待识别细节点的第三融合特征向量。
[0145] 在一个实施例中，第二比特向量生成模块用于根据所述第三融合特征向量和所述聚类中心集中的第一融合特征向量的欧式距离得到第二比特向量。
[0146] 也就是说，首先初始化一个向量，其长度与聚类中心集中所包含的第一融合特征向量的数量相等，之后计算所得到的待识别细节点的第三融合特征向量和聚类中心集中每个第一融合特征向量的欧式距离，对应得到每个第三融合特征向量中欧式距离最小的第一融合特征向量，并将初始化向量中对应的位置分配为1，其余位置分配为0，遍历完所有待识别细节点后，便可以得到待识别指纹的第二比特向量。
[0147] 在一个实施例中，第二哈希模板生成模块用于根据局部敏感哈希算法随机生成m组第二置换种子，并利用m组第二置换种子对第二比特向量进行随机置换得到m个第二置换比特向量，之后根据第二置换比特向量得到第二哈希模板。
[0148] 也就是说，首先将哈希码值初始化，将各元素初始化为0，之后随机生成m组第二置换种子，第二置换种子用于对所得到的第二比特向量进行位置置换。
[0149] 然后将第二比特向量按照随机生成的第二置换种子对第二比特向量进行位置置换并对应得到一个第二置换比特向量，则m组第二置换种子对第二比特向量进行随机置换可对应得到m个第二置换比特向量。
[0150] 之后提取第二置换比特向量中的前w个元素，提取前w个元素中第一个聚类成功的位置并记录聚类成功的位置的第二索引值，并对第二索引值进行取模处理，根据取模处理后的第二索引值得到第二哈希模板。
[0151] 即首先提取每个第二置换比特向量中前w个元素；之后确定该前w个元素中第一个聚类成功的位置，第一个聚类成功的位置即第一个元素为1的位置，之后记录该聚类成功的位置的第二索引值tj，第二索引值即为第一个为1的元素的位置所对应的数值，则m个第二置换比特向量对应得到m个第二索引值。之后，对第二索引值tj进行取模操作(mod)，则最终可以得到第二哈希模板tq＝{tjq|j＝1,2,…,m}。
[0152] 在一个具体实施例中， 指纹识别单元具体用于基于第一哈希模板和第二哈希模板，使用加密域匹配公式得到识别结果，其中，加密域匹配公式为：
[0153]
[0154] 其中，S(te,tq)为匹配分数，Qeq为索引值匹配向量，其由0和1组成，其长度与第一哈希模板和第二哈希模板均相等，且将第一哈希模板中的第一索引值和第二哈希模板中的第二索引值相同的位置记为1，其余位置记为0，例如第一哈希模板为[135425]，第二哈希模板为[136435]，则Qeq为[110101]，|Qeq|＝4，Be为第一哈希模板对应的匹配向量，Bq为第二哈希模板对应的匹配向量，Be和Bq均为二值矩阵，Be、Bq的长度与Qeq相等，且初始化为零矩阵，te中不为0的位置在Be对应的位置记为1，te中为0的位置在Be对应的位置记为0，tq中不为0的位置在Bq对应的位置记为1，tq中为0的位置在Bq对应的位置记为0，例如，第一哈希模板为[135425]，则Be为[111111]，第二哈希模板为[136435]，则Bq为[111111]，则|Be∩Bq|＝6，最终S(te,tq)＝4/6＝0.67。
[0155] 在本实施例中，可以设定某一阈值，当所得到的S(te,tq)大于该阈值时，则认为识别成功，小于该阈值则认为识别失败，该阈值可以根据实际需求进行设定，本实施例对此不做具体限定。
[0156] 本发明提出的基于局部敏感哈希的指纹模板保护方法，将原始指纹特征映射到与原始指纹信息毫无关联的索引值空间，保证了整个保护模板的不可逆性，同时，本发明所采取的取模操作也进一步增强了安全强度，并且匹配操作均在加密域进行，即使模板丢失，原始模板信息也不会泄露，具有较好的安全性。
[0157] 本发明以随机生成的置换种子作为用户口令，当注册模板丢失时，可以任意更换新的置换种子，并可发布新的模板。这使得基于本发明所得到系统具有较好的可撤性及无关联性。
[0158] 本发明基于局部敏感哈希的指纹支付系统设计了一种基于置换比特向量中第一个为1的索引的变换方法，通过优化哈希函数的个数及相关参数，变换前后的匹配性能损失较小(在公开库FVC 2002DB1的测试中，系统等错误率在特征变换前后的差别仅为0.05％)，并且本发明对生物特征类型没有特别的限制，可以拓展到其他生物特征的模板保护上。
[0159] 本发明提取的指纹特征为免对准的细节点局部特征，该特征具有旋转平移不变性，可以有效的避免由于疤痕、灰尘、指纹干湿程度以及不同采集仪环境下所造成的形变损及细节点丢失误差。同时，由于该特征最终存储为定长有序的比特向量形式，其匹配速度快，存储消耗较小。
[0160] 本发明可以有效保护原始指纹信息不被非法窃取，能够促进信息产业的安全发展，具有重要市场价值。
[0161] 在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0162] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0163] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种针对模具钢的切割加工控制方法 | 2020-06-23 | 2 |
| 一种基于局部并行神经网络的红外人脸识别方法 | 2021-07-18 | 1 |
| 一种基于机器学习的建筑匹配方法及装置 | 2020-07-22 | 2 |
| 一种采用多粒度级联森林评估链路质量的方法 | 2020-08-13 | 2 |
| 基于特征数据挖掘及神经网络的肿瘤的分类方法 | 2022-06-22 | 0 |
| 一种可持续交通网络设计的多属性决策方法 | 2020-10-11 | 1 |
| 事件检测方法和装置、计算设备及存储介质 | 2022-06-28 | 1 |
| 一种利用投影回归的齿轮式数字仪表识别方法 | 2020-12-29 | 2 |
| 基于单通道的脑电信号中眼电伪迹分离方法 | 2020-12-16 | 0 |
| 基于量子蚁群优化RBF网络的特高压输电线损预测方法 | 2020-07-17 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈