一种基于轻量型网络的嵌入式指纹识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283458A(43)申请公布日2022.04.05(21)申请号202111634393.8(22)申请日2021.12.29(71)申请人杭州晟元数据安全技术股份有限公司地址310000浙江省杭州市五常街道文一西路998号9幢东楼(72)发明人罗美美(74)专利代理机构无锡市汇诚永信专利代理事务所(普通合伙)32260代理人郭慧(51)Int.Cl.G06V40/12(2022.01)G06N3/04(2006.01)G06V10/82(2022.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于轻量型网络的嵌入式指纹识别方法(57)摘要本发明公开了一种基于轻量型网络的嵌入式指纹识别方法，属于计算机网络领域，包括以下步骤：S1获取指纹样本数据，将样本数据送入由深度可分离卷积结构、分组卷积结构和非对称卷积结构构成的指纹识别网络模型进行迭代训练，得到二级指纹识别网络模型；二级指纹识别网络模型为轻量型卷积神经网络模型；S2将迭代训练后的指纹识别网络模型量化压缩至目标内存大小，获得目标模型；S3将目标模型部署至嵌入式端，目标模型用于嵌入式端对目标指纹进行前向预测，提取指纹图形特征，识别目标指纹。本发明通过轻量型卷积神经网络模型及对训练好的模型的量化处理，大大减小了模型的体积，降低了计算量和资源消耗，使指纹识别网络模型适用于嵌入式平台。CN114283458ACN114283458A权利要求书1/2页1.一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，包括以下步骤：S1获取指纹样本数据，将样本数据送入由深度可分离卷积结构、分组卷积结构和非对称卷积结构构成的指纹识别网络模型进行迭代训练，得到二级指纹识别网络模型；其中，所述二级指纹识别网络模型为轻量型卷积神经网络模型；S2将迭代训练后的所述指纹识别网络模型量化压缩至目标内存大小，获得目标模型；S3将目标模型部署至嵌入式端，所述目标模型用于所述嵌入式端对目标指纹进行前向预测，提取指纹图形特征，识别目标指纹。2.根据权利要求1所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述指纹识别网络模型包括深度可分离卷积结构、中间结构、全局深度可分离卷积结构和分组卷积结构；输入数据通过所述深度可分离卷积结构进入所述中间结构，通过所述中间结构进入所述全局深度可分离卷积结构，通过所述全局深度可分离卷积结构进入所述分组卷积结构并输出；所述中间结构包括至少一个轻量网络模块；所述分组卷积结构的卷积核为1*1。3.根据权利要求2所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述轻量网络模块包括：两个1*1分组卷积结构、n*1深度可分离卷积结构和1*n深度可分离卷积结构；输入数据通过一个所述1*1分组卷积结构进入所述n*1深度可分离卷积结构，通过所述n*1深度可分离卷积结构进入所述1*n深度可分离卷积结构，通过所述1*n深度可分离卷积结构进入另一所述1*1分组卷积结构并输出。4.根据权利要求3所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述指纹识别网络模型的各卷积结构后均设置有BN归一化处理模块。5.根据权利要求4所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述S1包括：S11将获取的指纹样本数据进行整理并分类存储，其中，分类存储采用的方式为：同一手指对应的指纹图像存储于同一文件夹，不同手指对应的指纹图像存储于不同文件夹；S12对指纹样本数据进行预处理后送入所述指纹识别网络模型，通过mxnet框架训练所述指纹识别网络模型；其中，所述预处理包括：根据需求调整指纹样本数据大小，转化指纹样本数据为mxnet框架训练所支持的数据格式；S13调整所述指纹识别网络模型的超参数，更新所述指纹识别网络模型中各卷积层的参数，直至损失值稳定，得到二级指纹识别网络模型。6.根据权利要求5所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述S2包括：所述二级指纹识别网络模型中，所述1*1分组卷积结构对同一分组中的特征图共同计算量化参数；其中，所述分组指二级指纹识别网络模型中的通道分组；所述二级指纹识别网络模型中，除所述1*1分组卷积结构以外的卷积对特征图均分别计算量化参数；所述特征图指所述二级指纹识别网络模型的输出值；2CN114283458A权利要求书2/2页通过量化压缩二级指纹识别网络模型至目标内存大小，获得目标模型。7.根据权利要求6所述的一种基于轻量型网络的嵌入式指纹识别方法，其特征在于，所述S3包括：S31嵌入式端读取并保存所述目标模型的参数；S32从嵌入式端输入目标指纹，借助硬件计算设备对目标指纹进行轻量型卷积神经网络各层的前向计算，得到目标指纹的指纹图形特征；S33