身份识别的装置及其方法与流程

1.本公开涉及图像识别技术领域，具体涉及一种身份识别的装置及其方法、计算机可读存储介质和计算机程序产品。


背景技术：

2.纹路和掌静脉识别是近几年提出的一种较新的生物特征识别技术。纹路是指手指或手指末端到手腕部分的手掌的纹路图像，掌静脉是指手掌内部的静脉图像。纹路和掌静脉中很多特征可以用来进行身份识别：例如主线、皱纹、细小的纹理等。然而，要想达到高识别精度，使用细节特征进行比对识别时耗费时间较长，目前还没有一种能够利用纹路和掌静脉快速、准确识别身份的方法。
3.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

4.本公开提供了一种基于纹路和掌静脉进行身份识别的装置及其方法、计算机可读存储介质和计算机程序产品。
5.根据本公开的一方面，提供了一种身份识别的方法，包括：根据包含待识别对象的图像，得到至少一个待识别图像；对待识别图像中至少一个进行特征提取，得到待识别特征向量；基于待识别特征向量，从数据库中的多个候选对象中筛选得到与待识别对象匹配的至少一个候选对象；对待识别图像中至少一个进行处理，得到至少一个待识别特征图像；每个待识别特征图像具有能够表示待识别对象的纹路/静脉分布的多条特征线；基于至少一个待识别特征图像，从至少一个候选对象中确定与待识别对象匹配的目标对象；其中至少一个待识别图像包括第一图像和/或第二图像；拍摄第一图像和第二图像所使用的光源波段不同；并且对象包括手掌或手指。
6.根据本公开的另一方面，提供了一种身份识别的装置，包括：图像获取单元，配置成根据包含待识别对象的图像，得到至少一个待识别图像；特征提取单元，配置成对待识别图像中至少一个进行特征提取，得到待识别特征向量；筛选单元，配置成基于待识别特征向量，从数据库中的多个候选对象中筛选得到与待识别对象匹配的至少一个候选对象；图像处理单元，配置成对待识别图像中至少一个进行处理，得到至少一个待识别特征图像；每个待识别特征图像具有能够表示待识别对象的纹路/静脉分布的多条特征线；确定单元，配置成基于至少一个待识别特征图像，从至少一个候选对象中确定与待识别对象匹配的目标对象；其中至少一个待识别图像包括第一图像和/或第二图像；拍摄第一图像和第二图像所使用的光源波段不同；并且对象包括手掌或手指。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述的方法。
8.根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述的方法。
9.根据本公开的一个或多个实施例，首先利用待识别图像的待识别特征向量对多个候选对象进行初步筛选，过滤掉与待识别对象差异较大的候选对象，提高了对比效率，降低了匹配所需时间。然后再基于待识别特征图像中的纹路/静脉特征得到与待识别对象配的目标对象，利用纹线特征和脉络特征等进行图像匹配筛选，得到的匹配筛选结果将更加可靠。本公开实施例的方法将基于待识别特征向量的初步筛选和基于特征图像的匹配相结合，在提高了筛选效率的同时，提高了匹配筛选结果的可靠性。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
12.图1示出了根据本公开一个实施例的身份识别的方法的流程图；
13.图2示出了根据本公开一个实施例的第二待识别特征图像的示意图；
14.图3示出了根据本公开一个实施例的从至少一个候选对象中确定与待识别对象匹配的目标对象的方法的流程图；
15.图4示出了根据本公开一个实施例的确定第一相似度的方法的流程图；
16.图5示出了图4所示的方法中计算相关度的方法的流程图；
17.图6示出了根据本公开另一个实施例的从至少一个候选对象中确定与待识别对象匹配的目标对象的方法的流程图；
18.图7示出了根据本公开一个实施例的根据匹配程度确定第二相似度的方法的流程图；
19.图8示出了图7所示方法的选取待识别特征图像对应的多个目标交叉点中的至少一个作为初始点的方法的流程图；
20.图9示出了图7所示方法中的基于每个初始点确定最大匹配连通图的方法的流程图；
21.图10示出了根据本公开一个实施例的对目标对象进行验证的方法的流程图；
22.图11示出了示出了对视频流进行处理得到至少一个待识别特征图像的方法；
23.图12示出了根据本公开一个实施例的将第一图像和第二图像分别与预先设置的第一手掌模板图像和第二手掌模板图像进行对齐的方法的流程图；
24.图13示出了根据本公开一个实施例的身份识别的装置的示意图；
25.图14示出了根据本公开的示例性实施例的电子设备的示例的框图。
具体实施方式
26.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
27.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
28.在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
29.下面将结合附图详细描述本公开的实施例。
30.图1示出了根据本公开一个实施例的身份识别的方法100的流程图，该方法100包括：
31.步骤101，根据包含待识别对象的图像，得到至少一个待识别图像；
32.步骤102，对待识别图像中至少一个进行特征提取，得到待识别特征向量；
33.步骤103，基于待识别特征向量，从数据库中的多个候选对象中筛选得到与待识别对象匹配的至少一个候选对象；
34.步骤104，对待识别图像中至少一个进行处理，得到至少一个待识别特征图像；每个待识别特征图像具有能够表示待识别对象的纹路/静脉分布的多条特征线；
35.步骤105，基于至少一个待识别特征图像，从至少一个候选对象中确定与待识别对象匹配的目标对象。
36.根据本实施例的方法，首先利用待识别图像的待识别特征向量这一宏观特征对多个候选对象进行初步筛选，过滤掉与待识别对象差异较大的候选对象，提高了对比效率，降低了匹配所需时间。然后再基于待识别特征图像中的纹路/静脉特征得到与待识别对象匹配的目标对象，利用纹线特征和脉络特征等进行图像匹配筛选，得到的匹配筛选结果将更加可靠。本实施例的方法将基于待识别特征向量的初步筛选和基于特征图像的精细匹配相结合，在提高了筛选效率的同时，提高了匹配筛选结果的可靠性。
37.上述至少一个待识别图像可以包括第一图像和/或第二图像；拍摄第一图像和第二图像所使用的光源波段不同。例如：第一图像可以是对可见光进行成像获得的，得到的第一图像为rgb格式的图像；第二图像可以是对红外光进行成像获得的，得到的第二图像为红外图像。上述对象包括手掌和/或手指，在本实施例中优选为手掌，在步骤101中，分别获取待识别对象的第一图像和第二图像。在获取第一图像和第二图像之后，可以对这两个图像进行诸如图像插值等预处理，以便于后续进行匹配和筛选。
38.在步骤s102中，计算待识别对象的第一图像的第一特征向量和/或待识别对象的第二图像的第二特征向量。然后，在步骤103中，基于待识别对象的第一特征向量和/或第二特征向量，从数据库中的多个候选对象中筛选得到与待识别对象匹配的至少一个候选对象。
39.需要说明的是，待识别特征向量是对待识别图像进行特征提取得到的，体现的是待识别图像的宏观或整体特征。
40.具体地，可以根据向量空间中的第一特征向量和/或第二特征向量的空间位置关系确定哪些候选对象和待识别对象匹配。
41.以第一特征向量为例，数据库中还可以存储有多个候选对象的第一候选图像，第一候选图像是通过可见光成像获取的候选对象的彩色图像，分别计算多个第一候选图像的第一候选特征向量。或者，数据库中存储有多个候选对象的预先计算好的第一候选特征向量。之后，计算候选对象的第一候选特征向量与待识别对象的第一特征向量在向量空间中的欧式距离，距离越近，表示该候选对象与待识别对象越相似。因此可以筛选掉在向量空间中与待识别对象的第一特征向量较远的第一候选特征向量所对应的候选对象，仅保留在向量空间中与待识别对象距离较近的候选对象。
42.当然，上述方法同样适用于第二图像。例如，数据库中还存储有多个候选对象的第二候选图像，第二候选图像是通过红外成像获取的候选对象的红外图像。分别计算多个第二候选图像的第二候选特征向量。或者，数据库中存储有多个候选对象的预先计算好的第二候选特征向量。然后根据向量空间中的候选对象的第二候选特征向量与待识别对象的第二特征向量的空间位置关系确定哪些候选对象和待识别对象相似，进而对多个候选对象进行筛选。因此，可以理解，可以如上所述单独使用第一特征向量或第二特征向量，或根据第一特征向量和第二特征向量两者确定与待识别对象匹配的至少一个候选对象。
43.在步骤s104中，可以分别对第一图像和第二图像进行处理，得到第一待识别特征图像和第二待识别特征图像。第一图像为彩色图像，其可以显示出手掌/手指的纹路，对第一图像进行特征提出可以得到第一待识别特征图像，第一待识别特征图像具有能够表示待识别对象的纹路分布的多条特征线。在本实施例中，第一待识别特征图像可以是二值图像或灰度图像，其中白色部分或偏向白色的部分表示特征线所在的部分，黑色部分或偏向黑色的部分表示不存在特征线的部分。上述特征提取过程可以通过将第一图像输入预先训练好的纹路识别模型中并获取其输出来实现。
44.第二图像为红外图像，其可以显示出手掌/手指的静脉，对第二图像进行特征提出可以得到第二待识别特征图像，第二待识别特征图像具有能够表示待识别对象的掌/指静脉分布的多条特征线。图2示出了根据本公开一个实施例的第二待识别特征图像的示意图，在本实施例中，第二待识别特征图像也可以是二值图像或灰度图像，其中白色部分或偏向白色的部分表示特征线所在的部分，黑色部分或偏向黑色的部分表示不存在特征线的部分。上述特征提取过程可以通过将第二图像输入预先训练好的静脉识别模型中并获取其输出来实现。
45.在获得第一待识别特征图像和第二待识别特征图像之后，可以通过这两张特征图像从至少一个候选对象中确定出与待识别手掌匹配的目标对象。上述数据库中预先存储有多张候选对象的第一候选图像和第二候选图像，在后续比对筛选过程中，可以将多张候选对象的第一候选图像和第二候选图像进行特征提取得到候选对象的第一候选特征图像和第二候选特征图像。或者，在上述数据库中可以直接预先存储候选对象的处理好的第一候选特征图像和第二候选特征图像。或者，在上述数据库中可以直接预先存储候选对象的处理好的第一候选特征图像和第二候选特征图像所对应的用于进行匹配的信息(如细节点特征等)，以便于后续的比对和筛选。
46.在步骤105中，基于数据库中的多个候选对象的第一候选特征图像与待识别对象
的第一待识别特征图像中所包含的纹路特征线来进行候选对象和待识别对象的匹配，或者基于数据库中的多个候选对象的第二候选特征图像与待识别对象的第二待识别特征图像中所包含的静脉分布特征线来进行候选对象和待识别对象的匹配，或者同时基于数据库中的多个候选对象与待识别对象的纹路特征线和静脉分布特征线来进行候选对象和待识别对象的匹配，并基于对比结果从步骤103中获得的至少一个候选对象中确定与待识别对象匹配的目标对象。
47.图3示出了根据本公开一个实施例的从至少一个候选对象中确定与待识别对象匹配的目标对象的方法300的流程图，该方法300包括：
48.步骤301，根据待识别特征图像与每个候选对象对应的候选特征图像之间的相关度，确定待识别对象与该候选对象之间的第一相似度；
49.步骤302，根据第一相似度确定目标对象。
50.在本实施例中，可以将第一待识别特征图像和每个候选对象的第一候选特征图像整体进行比对，得到二者的相关度，并基于该相关度确定待识别对象与该候选对象之间的第一相似度。当然，在另外一些实施例中，还可以将第二待识别特征图像和每个候选对象的第二候选特征图像整体进行比对，得到第一相似度，或者还可以将第一待识别特征图像和第二待识别特征图像分别与第一候选特征图像和第二候选特征图像进行比对得到第一相似度。
51.图4示出了根据本公开一个实施例的确定第一相似度的方法400的流程图。该方法400针对每一个候选对象执行以下步骤：
52.步骤401，基于待识别特征图像的多条特征线的分布，确定待识别特征图像的特征线区域；
53.步骤402，计算待识别特征图像的特征线区域和候选对象对应的候选特征图像的特征线区域的相关度；
54.步骤403，基于相关度，确定第一相似度。
55.为了简化描述，下文将以第一待识别特征图像为例进行说明，但是可以理解，本实施例的方法同样适用于第二待识别特征图像，或第一待识别特征图像和第二待识别特征图像两者。在步骤401中，首先确定待识别对象的第一待识别特征图像的特征线区域，即图2所示的白色区域部分。
56.在步骤402中，可以首先将待识别对象的第一待识别特征图像和候选对象的第一候选特征图像重合，然后将第一待识别特征图像保持不变，对第一候选特征图像进行旋转和/或平移操作，以在多个预选位置中确定第一候选特征图像与第一待识别特征图像相关度最高的位置。示例性地，可以在
‑
20
°
～20
°
之间，每间隔1
°
设置一个预选位置。将第一候选特征图像分别旋转到多个预设位置，并分别计算在每个预设位置处的相关度，然后选择出相关度最高的预设位置，并以该位置处的相关度作为步骤402中计算得到的相关度。
57.具体的，相关度可以通过如下方式进行计算：在第一待识别特征图像和第一候选特征图像是二值图像的情况下，可以计算待识别对象的第一待识别特征图像和候选对象的第一候选特征图像的特征线区域的第一交并比以作为两者的相关度。上述交并比是指上述两个特征图像的特征线的交集区域和并集区域之间的比值，也就是两个特征图像的特征线的区域重叠的面积和特征线区域总面积和之比。
58.在第一待识别特征图像和第一候选特征图像是灰度图像的情况下，可以分别计算第一待识别特征图像和第一候选特征图像中的每个对应像素点之间的点相关度，在计算点相关度时可以考虑每个像素点的灰度值。然后，基于每个像素点的点相关度确定两个特征图像的特征线区域的相关度，例如将各点相关度之和作为两个特征图像的特征线区域的相关度。当然，在本公开另外一些实施例中，还可以使用其它图像比对的方法来确定上述相关度，这些方法是本领域技术人员熟知的，这里不再一一列举。
59.在步骤403中，可以基于上述得到的相关度数值的大小来确定第一相似度，一般而言，相关度数值越大，第一相似度也就越大。
60.图5示出了图4所示的方法中计算相关度的方法700的流程图，该方法500包括：
61.步骤501，将待识别特征图像和候选对象对应的候选特征图像分别分割成各自相对应的多个子区域；
62.步骤502，分别计算待识别特征图像的每个子区域和候选特征图像的与该子区域相对应的子区域之间的子相关度；
63.步骤503，确定每个子区域的权重；
64.步骤504，基于多个子区域各自相对应的子相关度及其权重，计算相关度。
65.为了简化描述，下文将以第一待识别特征图像为例进行说明。在步骤501中，可以根据第一待识别特征图像中的不同区域的图像保真度将第一待识别特征图像分割成多个子区域。例如，以对象是手掌为例，可以将第一待识别特征图像简单地分割成左上、左下、右上和右下4和子区域。由于左上、右上两个子区域更加靠近手掌关键点所在的位置(手掌关键点一般分布在手指根部附近)，因此可以理解，在对第一图像进行预处理(例如关于上述关键点进行插值)的操作之后，这两个区域的图像变化较小，保真度较高。相对而言，远离上述关键点的左下、右下两个子区域经预处理之后，变化较大，保真度较小。
66.在步骤502中，对每个分割出的子区域计算各自的子相关度。上述子相关度的计算和上述步骤402中计算相关度的方法类似，这里不再赘述。
67.在步骤503中，可以根据每个子区域的保真度确定每个子区域的权重。保真度越高的区域，其计算的得到的子相关度越可靠，因此可以赋予其较高的权重，相反地，保真度越低的区域，其计算的得到的子相关度越不可靠，因此可以赋予其低权重。例如对于分割成4个子区域的第一待识别特征图像，左上、右上两个子区域将具有比左下、右下两个子区域更高的权重。
68.在步骤504中，可以将每个子区域的子相关度乘以其权重然后相加计算得到相关度，以用于后续确定目标对象。可以理解，在另外一些实施例中，第一特征区域可以被分割成多于4个或少于4个的子区域，并且每个子区域也可以根据除保真度之外的其他参数确定其权重。
69.上述将特征区域分割成子区域并计算相关度的方法也同样可以应用于计算第二待识别特征图像的相关度的过程中，其具体步骤和计算第一待识别特征图像的相关度类似，这里不再赘述。
70.图6示出了根据本公开另一个实施例的从至少一个候选对象中确定与待识别对象匹配的目标对象的方法600的流程图，该方法600包括：
71.步骤601，提取待识别特征图像中待识别对象的细节点特征；
72.步骤602，根据待识别对象对应的细节点特征与每个候选对象对应的细节点特征之间的匹配程度，确定待识别对象与该候选对象之间的第二相似度；以及
73.步骤603，根据第二相似度，确定目标对象。
74.在步骤601中，可以对第一待识别特征图像进行特征提取，得到第一待识别特征图像中待识别对象的细节点特征，上述细节点特征可以例如是多个纹路的延伸方向、每条纹线的转折点等特征。另外，还可以同样对第二待识别特征图像进行特征提取，得到第二待识别特征图像中待识别对象的细节点特征，上述细节点特征可以例如是多个静脉的交叉点、每条静脉的转折点等特征。上述细节点特征的提取可以利用神经网络模型实现。
75.在步骤602中，以步骤601中提取的细节点特征作为比对的对象，也就是说，在步骤602中将待识别对象的细节点特征与候选对象的细节点特征进行比较。在步骤602之前，还可以包括对数据库中的多个候选对象的第一候选特征图像和第二候选特征图像进行细节点特征提取的过程，以便于在步骤602中进行特征比对。根据待识别对象和候选对象的细节点特征之间的匹配程度，确定待识别对象与该候选对象之间的第二相似度。一般而言，匹配程度越高，第二相似度越高。
76.在步骤603中，可以在至少一个候选对象中，选择与待识别对象的第二相似度最高的候选对象作为目标对象。
77.当然，也可综合第一相似度和第二相似度确定目标对象。
78.图7示出了根据本公开一个实施例的根据匹配程度确定第二相似度的方法700的流程图。在该方法700中，细节点特征包括表示待识别对象的纹路/静脉分布的多条特征线之间的多个目标交叉点以及各目标交叉点的相关参数，其中，相关参数包括下列参数中的至少一个：目标交叉点在待识别特征图像中的位置、目标交叉点所在的特征线在目标交叉点处的方向、目标交叉点与相邻目标交叉点之间的间距、目标交叉点与相邻目标交叉点之间连线的角度、目标交叉点的相邻目标交叉点的在待识别特征图像中的位置、相邻目标交叉点所在特征线在相邻目标交叉点处的方向。可以理解的是，细节点特征还可以包括待识别对象的纹路/静脉分布的多条特征线的端点以及端点的相关参数。端点的相关参数包括下列参数中的至少一个：端点在待识别特征图像中的位置、端点所在的特征线在端点处的方向。
79.另外，需要说明的是，候选特征图像中同样包含候选对象的细节点特征，因此，对候选特征图像进行提取也可以得到对应候选对象的细节点特征。候选对象的细节点特征的具体类型与待识别对象的细节点特征的类型相同，这里不再赘述。
80.如图7所示，该方法700包括：
81.步骤701，选取待识别特征图像对应的多个目标交叉点中的至少一个作为初始点；
82.步骤702，基于初始点确定最大匹配连通图，最大匹配连通图包括的每个目标交叉点均在候选特征图像中存在匹配交叉点；其中，匹配交叉点为候选交叉点中与目标交叉点匹配的点，候选交叉点为表示候选对象的纹路/静脉分布的多条特征线之间的交叉点，其中，目标交叉点与候选交叉点是否匹配根据目标交叉点和候选交叉点的相关参数确定；以及
83.步骤703，根据至少一个最大匹配连通图对应的匹配分数确定待识别对象与候选对象之间的第二相似度。
84.具体地，在步骤701中，可以分别获取多个目标交叉点的索引特征，然后根据上述索引特征选取初始点。索引特征根据目标交叉点的相关参数中的至少一个相关参数进行确定。
85.在步骤702中，最大匹配连通图中包括的目标交叉点相互连通。最大匹配连通图中的目标交叉点的相邻交叉点或者同样存在于最大连通图中，或者在候选特征图像中不存在匹配交叉点。一般而言，位于最大匹配连通图边缘上的目标交叉点，其相邻交叉点在候选特征图像中不存在匹配交叉点。
86.需要说明的是，所谓的“最大匹配连通图”并不是一张真实存在的图像，而是用于记录多个目标交叉点的集合。并且，若将该集合中包括的所有目标交叉点在待识别特征图像中进行标记的话，可以得到呈辐射状连通的点集。
87.图8示出了图7所示方法的选取待识别特征图像对应的多个目标交叉点中的至少一个作为初始点的方法800的流程图，该方法800包括：针对每一个目标交叉点，执行以下步骤：
88.步骤801，获取该目标交叉点与相邻目标交叉点之间间距的距离数值；
89.步骤802，根据距离数值确定该间距的区段值；
90.步骤803，对区段值进行哈希，得到该目标交叉点的间距索引特征。
91.在本实施例中，可以根据目标交叉点与相邻目标交叉点之间间距的距离来获得该目标交叉点的索引特征。具体地，在步骤802中，确定步骤801中获得的距离数值所处的区段，例如0
‑
1mm分到第1区段，1
‑
2mm分到第2区段等等。在步骤803中，对步骤802中得到的区段值做哈希，得到该目标交叉点的索引特征，例如某一目标交叉点与相邻交叉点的距离为1.4mm，则被分到第2区段，对2进行哈希得到索引特征。在步骤802中，分区段的目的是为了使得两个相近的距离数值对应的哈希值相同，以避免同一待识别对象在不同的图像采集条件下，根据采集到的图像计算出的索引特征不同。在步骤803中，对区段值进行哈希是为了提高数据的保密性。
92.可以理解，虽然在本实施例中，可以根据目标交叉点与相邻目标交叉点之间间距的距离来确定该目标交叉点的索引特征，在本公开另外一些实施例中，还可以根据目标交叉点的其他相关参数(例如：目标交叉点在特征图像中的位置等)来确定索引特征。
93.图9示出了图7所示方法700中的基于每个初始点确定最大匹配连通图的方法900流程图，如图9所示，该方法900包括：
94.步骤901，基于初始点的相关参数，判断候选特征图像中是否存在与初始点匹配的候选交叉点；
95.步骤902，响应于存在匹配的候选交叉点，在多个目标交叉点中确定与初始点相邻的至少一个相邻目标交叉点；
96.步骤903，基于每个相邻目标交叉点的相关参数，判断候选特征图像中的与该相邻目标交叉点对应的交叉点是否为该相邻目标交叉点的匹配交叉点；以及
97.步骤904，响应于判定候选特征图像中的交叉点是该相邻目标交叉点的匹配交叉点，将该相邻目标交叉点作为新的初始点，
98.步骤905，重复上述步骤，直到判定不存在与相邻目标交叉点匹配的候选交叉点，从而得到包括之前所有匹配交叉点所对应的目标交叉点的最大匹配连通图。
99.在本实施例中，首先选择一个初始点，然后按照从初始点开始向外扩散的顺序逐一确定每个目标交叉点是否存在匹配交叉点，然后基于确定出的所有匹配交叉点所对应的目标交叉点获得最大匹配连通图。
100.在步骤901中，在候选对象的候选特征图像的多个候选交叉点中确定与初始点对应的匹配交叉点作为候选初始点。确定匹配的匹配条件可以根据初始点和与其对应的候选初始点的相关参数进行设定。以图2为例，若点a为初始点，可以将点a的相关参数与候选特征图像中的多个候选交叉点的相关参数进行比对，若确定点a与多个候选交叉点中的候选交叉点a’满足初始匹配条件，则确定a’为候选初始点。上述初始匹配条件例如可以是点a和a’的相关参数的差异小于预设数值，例如可以是点a在待识别特征图像中的坐标和a’在对应的候选对象的候选特征图像中的坐标之差小于特定阈值。
101.在步骤902中，在待识别特征图像中确定上述初始点相邻的至少一个相邻交叉点，以作为后续比对的点。如图2所示，与点a相邻的点可以是点b、c和d。
102.在步骤903中，依次确定从步骤902中得到的多个相邻交叉点是否在候选对象的候选特征图像中存在相匹配的匹配交叉点。如图2所示，可以基于点b和点a在待识别特征图像中的位置关系和候选特征图像中的a’确定出在候选特征图像中的点b’，其中b’和点b相对应。之后将b和b’进行比对以确定这两个点是否匹配。具体地，可以通过点b和b’在各自特征图像中的相关参数来确定二者是否匹配，点b和b’可以根据某一预设的匹配条件来确定是否匹配。示例性地，若点b和b’在各自特征图像中的坐标的坐标差小于预设坐标差，则确定二者相互匹配，或者与点b相连的特征线的延伸方向和与点b’相连的对应特征线的延伸方向之间的角度差小于预设角度，则确定二者相互匹配。可以理解，存在可以通过两个交叉点的相关参数确定二者是否匹配的其它匹配条件，这里不再一一列举，总之本公开的实现不受这些匹配条件的限制。若点b和b’不满足如上述列举的匹配条件，则确定b’不与b匹配，或者说候选特征图像中的与相邻目标交叉点b对应的交叉点b’不是该相邻目标交叉点的匹配交叉点。随后，继续利用上述方法确定点c和点d在候选特征图像中对应的交叉点是否是点c和点d的匹配交叉点。
103.在步骤905中，将相邻交叉点作为新的初始点重复上述匹配操作直至确定出所有匹配交叉点，从而得到包括所有匹配交叉点的最大匹配连通图。若确定上述相邻交叉点存在匹配交叉点，则将该相邻交叉点作为新的初始点重复上述匹配操作。例如：在步骤903中确定图2中的点b在候选对象中存在匹配交叉点b’，那么继续以点b为起始点，寻找与b点相邻的点e、f等等，然后再确定这些新的相邻交叉点是否存在匹配交叉点。若在步骤903中确定某点不存在匹配交差点，那么则终止对以该点为初始点的相邻交叉点的比对。例如，点c在候选对象中不存在匹配交叉点，那么终止对点c的相邻点(例如点g、h等)的比对。
104.利用以上方法，以从初始点开始向外辐射扩展的顺序依次确定每个目标交叉点是否存在匹配交叉点，最终可以得到连结成片的匹配交叉点，即最大匹配连通图，后续可以进一步根据例如最大连通图中所包括的目标交叉点数量和/或各目标交叉点与其对应的匹配交叉点的匹配程度来确定待识别对象和当前进行匹配操作的候选对象之间的匹配度。本实施例的方法能够使得每个目标交叉点与对应的候选交叉点进行逐一比对，不会出现比对点的丢失，因此确定结果更加准确。当出现某一目标交叉点不匹配的情况下，则默认与之相邻的相邻交叉点也不再匹配，从而无需再对后续相邻的点进行比对，因此减少了匹配操作的
工作量，提高了匹配操作的效率。
105.在图1所示方法的步骤105之后，即基于至少一个待识别特征图像，从至少一个候选对象中确定与待识别对象匹配的目标对象之后还可以包括对目标对象的验证。
106.图10示出了根据本公开一个实施例的对目标对象进行验证的方法1000的流程图，该方法1000包括：
107.步骤1001，基于目标对象对应的候选特征图像中的至少一部分匹配交叉点，对待识别特征图像进行对齐操作；
108.步骤1002，基于对齐后的待识别特征图像，确定目标对象与待识别对象的第一相似度和/或第二相似度，以验证目标对象是否与待识别对象匹配。
109.在步骤101中，将待识别对象的待识别特征图像基于之前确定出的目标对象的候选特征图像进行对齐。在一些实施例中，可以利用与图9所示的方法中确定出的最大匹配连通图中的至少部分目标交叉点来对上述两个特征图像进行对齐。例如，可以与至少一个匹配交叉点各自匹配的至少一个目标交叉点为锚点，对待识别特征图像进行薄板样条插值。可以理解，在进行完插值操作之后，待识别对象的待识别特征图像和目标对象的候选特征图像的重合度将更高。
110.在步骤1002中，针对对齐后的待识别特征图像，再次确定目标对象与待识别对象的第一相似度和/或第二相似度。例如，可以根据对齐后的待识别特征图像与目标对象对应的候选特征图像之间的相关度，确定待识别对象与目标对象之间的第一相似度，根据第一相似度，验证目标对象。例如，还可以提取对齐后的待识别特征图像中待识别对象的细节点特征；根据待识别对象对应的细节点特征与目标对象对应的细节点特征之间的匹配程度，确定待识别对象与目标对象之间的第二相似度，然后根据第二相似度验证目标对象。上述第一相似度和第二相似度的确定方法和图4以及图7所示的方法类似，这里不再赘述。当第一相似度和/或第二相似度大于预设阈值时，可以验证目标对象和待识别对象确实匹配。可以理解，由于在步骤1001中执行了对齐操作，步骤1002中得到的第一相似度和第二相似度应大于步骤301和步骤602中得到的第一相似度和第二相似度。
111.图11示出了对视频流进行处理得到至少一个待识别特征图像的方法1100的流程图，其中，待识别图像为视频流中的当前视频帧，并且该方法1100包括：
112.步骤1101，将在先视频帧的图像与当前视频帧对应的待识别特征图像进行比较，确定当前视频帧的待识别特征图像中的至少一条冗余特征线；以及
113.步骤1102，删除当前视频帧对应的待识别特征图像中的至少一条冗余特征线。
114.在步骤1101中，可以根据一段视频流中的多帧图像来确定待识别特征图像中的冗余特征线。以第一待识别特征图像为例，若第一待识别特征图像为一段视频流中的当前帧所对应的特征图像，则将在先视频帧的图像与当前视频帧对应的待识别特征图像进行比较，若第一待识别特征图像中的某一特征线未存在于在先视频帧的图像中，意味着该特征线存在的概率较低，并判定其为冗余特征线。
115.在步骤1102中，删除当前视频帧的第一待识别特征图像中的冗余特征线，仅保留存在概率高的特征线。可以理解，上述方法1100同样适用于第二待识别特征图像。
116.在本实施例中，通过分析视频流中的多帧图像来确定每条特征线的置信度，并删除置信度较小的特征线，使得最终得到的第一待识别特征图像和第二待识别特征图像的可
靠性较高。
117.如上所述，在对第一图像和第二图像进行处理得到待识别特征图像之前还可以对第一图像和第二图像分别进行预处理。上述预处理可以包括：将第一图像和第二图像分别与预先设置的第一手掌模板图像和第二手掌模板图像进行对齐操作。图12示出了根据本公开实施例的将第一图像和第二图像分别与预先设置的第一手掌模板图像和第二手掌模板图像进行对齐的方法1200的流程图，该方法1200包括：
118.步骤1201确定第一图像中的多个手掌关键点和第二图像中的多个手掌关键点，多个手掌关键点包括所有手指的指根线的两个端点，以及手掌和手腕的连接线的两个端点；
119.步骤1202，以各自的多个手掌关键点为锚点，分别对第一图像和第二图像进行薄板样条插值。
120.以第一图像为例，在步骤1201中首先确定第一图像中的多个手掌关键点，上述关键点可以是便于识别出的手掌边缘的点，例如所有手指的指根线的两个端点，以及手掌和手腕的连接线的两个端点等等。
121.在步骤1202进行薄板样条差值后，会根据手掌关键点之间的位置信息对第一图像进行一定程度的形变，以使得待识别对象的图像与预先设置的手掌模板图像的大小和方向相匹配。该过程可以一定程度上抵消、校准由拍摄角度、手掌张开闭合造成的不规则扭曲。
122.根据本公开的实施例，还提供了一种身份识别的装置，图13示出了根据本公开一个实施例的基于纹路和掌静脉进行身份识别的装置1300的示意图。如图13所示，该装置1300包括：图像获取单元1310，配置成根据包含待识别对象的图像，得到至少一个待识别图像；特征提取单元1320，配置成对待识别图像中至少一个进行特征提取，得到待识别特征向量；筛选单元1330，配置成基于待识别特征向量，从数据库中的多个候选对象中筛选得到与待识别对象匹配的至少一个候选对象；图像处理单元1340，配置成对待识别图像中至少一个进行处理，得到至少一个待识别特征图像；每个待识别特征图像具有能够表示待识别对象的纹路/静脉分布的多条特征线；确定单元1350，配置成基于至少一个待识别特征图像，从至少一个候选对象中确定与待识别对象匹配的目标对象；其中至少一个待识别图像包括第一图像和/或第二图像；拍摄第一图像和第二图像所使用的光源波段不同；并且对象包括手掌或手指。
123.应当理解，图13所示装置1300的各个单元及模块可以与参考图1至图10描述的方法中的各个步骤相对应。由此，针对上述方法描述的操作、特征和优点同样适用于装置1300及其包括的单元和模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
124.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
125.图14是示出根据本公开的示例性实施例的电子设备的示例的框图。要注意的是，图14所示出的结构仅是一个示例，根据具体的实现方式，本公开的电子设备可以仅包括图14所示出的组成部分中的一种或多个。
126.电子设备1400例如可以是通用计算机(例如膝上型计算机、平板计算机等等各种计算机)、移动电话、个人数字助理。根据一些实施例，电子设备1400可以是门禁设备或支付设备。
127.电子设备1400可被配置为拍摄图像，对所拍摄的图像进行处理，并且响应于处理
所获得的数据而提供声音提示。例如，电子设备1400可被配置为拍摄图像，对该图像进行处理以基于处理结果进行身份识别，基于识别结果生成声音数据，并且输出声音数据提醒用户。
128.根据一些实施方式，电子设备1400可以被配置为包括门禁设备或支付设备或者被配置为能够可拆卸地安装到门禁设备或支付设备上。
129.电子设备1400可以包括摄像机1404，用于获取图像。摄像机1404可以包括但不限于摄像头或照相机等，被配置为获取包括待识别对象的初始图像。电子设备1400还可以包括电子电路1411，电子电路1411包括被配置为执行如前的方法的步骤(例如图1的流程图中所示的方法步骤)的电路。电子设备1400还可以包括声音合成电路1405，声音合成电路1405被配置为基于身份识别结果合成提示声音。声音合成电路1405例如可以通过专用芯片实现。电子设备1400还可以包括声音输出电路1406，声音输出电路1406被配置为输出声音数据。声音输出电路1406可以包括但不限于耳机、扬声器、或振动器等，及其相应驱动电路。
130.根据一些实施方式，电子设备1400还可以包括图像处理电路1407，图像处理电路1407可以包括被配置为对图像进行各种图像处理的电路。图像处理电路1407例如可以包括但不限于以下中的一个或多个：被配置为对图像进行降噪的电路、被配置为对图像进行去模糊化的电路、被配置为对图像进行几何校正的电路、被配置为对图像进行特征提取的电路、被配置为对图像中的对象进行对象检测和/或识别的电路，等等。
131.上述的各种电路(例如声音合成电路1405、声音输出电路1406、图像处理电路1407、电子电路1411中的一个或多个可以使用定制硬件，和/或可以用硬件、软件、固件、中间件、微代码，硬件描述语言或其任何组合来实现。例如，上述的各种电路中的一个或多个可以通过使用根据本公开的逻辑和算法，用汇编语言或硬件编程语言(诸如verilog，vhdl，c )对硬件(例如，包括现场可编程门阵列(fpga)和/或可编程逻辑阵列(pla)的可编程逻辑电路)进行编程来实现。
132.根据一些实施方式，电子设备1400还可以包括通信电路1408，所述通信电路1408可以是使得能够与外部设备和/或与网络通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
133.根据一些实施方式，电子设备1400还可以包括输入设备1409，所述输入设备1409可以是能向电子设备1400输入信息的任何类型的设备，并且可以包括但不限于各种传感器、鼠标、键盘、触摸屏、按钮、控制杆、麦克风和/或遥控器等等。
134.根据一些实施方式，电子设备1400还可以包括输出设备1410，所述输出设备1410可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、视觉输出终端、振动器和/或打印机等。尽管电子设备1400根据一些实施例用于视障辅助设备，基于视觉的输出设备可以方便用户的家人或维修工作人员等从电子设备1400获得输出信息。
135.根据一些实施方式，电子设备1400还可以包括处理器1401。所述处理器1401可以是任何类型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。处理器1401例如可以是但不限于中央处理单元cpu或微处理器mpu等等。电子设备1400还可以包括工作存储器1402，所述工作存储器1402可以存储对处理器1401的工作有用的程序(包括指令)和/或数据(例如图像、文字、声音，以及其他中间
数据等)的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。电子设备1400还可以包括存储设备1403，所述存储设备1403可以包括任何非暂时性存储设备，非暂时性存储设备可以是非暂时性的并且可以实现数据存储的任何存储设备，并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质，光盘或任何其他光学介质、rom(只读存储器)、ram(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。工作存储器1402和存储设备1403可以被集合地称为“存储器”，并且在有些情况下可以相互兼用。
136.根据一些实施方式，处理器1401可以对摄像机1404、声音合成电路1405、声音输出电路1406、图像处理电路1407、通信电路1408、电子电路1411以及电子设备1400包括的其他各种装置和电路中的至少一个进行控制和调度。根据一些实施方式，图14中所述的各个组成部分中的至少一些可通过总线1414而相互连接和/或通信。
137.软件要素(程序)可以位于所述工作存储器1402中，包括但不限于操作系统1402a、一个或多个应用程序1402b、驱动程序和/或其他数据和代码。
138.根据一些实施方式，用于进行前述的控制和调度的指令可以被包括在操作系统1402a或者一个或多个应用程序1402b中。
139.根据一些实施方式，执行本公开所述的方法步骤(例如图1的流程图中所示的方法步骤)的指令可以被包括在一个或多个应用程序1402b中，并且上述电子设备1400的各个模块可以通过由处理器1401读取和执行一个或多个应用程序1402b的指令来实现。换言之，电子设备1400可以包括处理器1401以及存储程序的存储器(例如工作存储器1402和/或存储设备1403)，所述程序包括指令，所述指令在由所述处理器1401执行时使所述处理器1401执行如本公开各种实施例所述的方法。
140.根据一些实施方式，声音合成电路1405、声音输出电路1406、图像处理电路1407、通信电路1408、电子电路1411中的至少一个所执行的操作中的一部分或者全部可以由处理器1401读取和执行一个或多个应用程序1402的指令来实现。
141.软件要素(程序)的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质(例如所述存储设备1403)中，并且在执行时可以被存入工作存储器1401中(可能被编译和/或安装)。因此，本公开提供存储程序的计算机可读存储介质，所述程序包括指令，所述指令在由电子设备(例如视障辅助设备)的处理器执行时，致使所述电子设备执行如本公开各种实施例所述的方法。根据另一种实施方式，软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
142.还应该理解，可以根据具体要求而进行各种变型。例如，也可以使用定制硬件，和/或可以用硬件、软件、固件、中间件、微代码，硬件描述语言或其任何组合来实现各个电路、单元、模块或者元件。例如，所公开的方法和设备所包含的电路、单元、模块或者元件中的一些或全部可以通过使用根据本公开的逻辑和算法，用汇编语言或硬件编程语言(诸如verilog，vhdl，c )对硬件(例如，包括现场可编程门阵列(fpga)和/或可编程逻辑阵列(pla)的可编程逻辑电路)进行编程来实现。
143.根据一些实施方式，电子设备1400中的处理器1401可以分布在网络上。例如，可以使用一个处理器执行一些处理，而同时可以由远离该一个处理器的另一个处理器执行其他
处理。电子设备1401的其他模块也可以类似地分布。这样，电子设备1401可以被解释为在多个位置执行处理的分布式计算系统。
144.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。