一种生物特征的识别方法、装置、设备及存储介质与流程

1.本技术涉及识别技术领域，更具体的说，是涉及一种生物特征的识别方法、装置、设备及存储介质。


背景技术：

2.随着信息技术的不断发展，信息挖掘让众多研究人员感兴趣，从海量信息中挖掘出有用的信息。对于不同的对象，均有其对应的独特特征，如人的指纹、掌纹等，研究人员可以通过从手指图像或手掌图像的繁杂信息中提取特征信息，以确定具体某个对象。针对从图像中提取特征的识别提取方法，研究人员可以通过设计算法，或训练特点的模型，使得算法和模型对图像实施提取特征的功能，实现特征提取。通常地，在将图像输入算法/模型之前，需要对图像进行处理，使得符合算法/模型的数据输入格式，如四维张量数据的格式。
3.目前的生物特征识别模型中，由于生物姿态变化使得模型对识别到的生物特征影响较大，且模型中的激活函数引入了较多非线性变换的操作，使得模型存在较高训练过拟合的风险，以至于识别生物特征的精度不高。


技术实现要素：

4.鉴于上述问题，提出了本技术以便提供一种生物特征的识别方法、装置、设备及存储介质，以降低训练过拟合的风险，提高对生物特征的识别精度。
5.为了实现上述目的，现提出具体方案如下：
6.一种生物特征的识别方法，包括：
7.获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；
8.将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。
9.可选的，所述模型主结构包括下采样卷积块；
10.将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，包括：
11.通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到与所述生物图像数量相同的图像数量的待识别四维张量数据，所述待识别四维张量数据的通道数量大于所述输入通道数量；
12.通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特
征识别，得到与所述生物图像数量相同的识别特征，每个识别特征的维度数量大于所述待识别四维张量数据的通道数量。
13.可选的，所述四维张量数据的图像宽及图像高均为256像素，所述四维张量数据的输入通道数量为3；
14.所述通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到待识别四维张量数据，包括：
15.通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行第1轮下采样处理，得到第一四维张量数据，所述第一四维张量数据的图像宽及图像高均为128像素；
16.通过所述下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据，所述第二四维张量数据的图像宽及图像高均为64像素；
17.通过所述下采样卷积块对所述第二四维张量数据进行第3轮下采样处理，得到第三四维张量数据，所述第三四维张量数据的图像宽及图像高均为32像素；
18.通过所述下采样卷积块对所述第三四维张量数据进行第4轮下采样处理，得到第四四维张量数据，所述第四四维张量数据的图像宽及图像高均为16像素；
19.通过所述下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384。
20.可选的，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384；
21.通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，包括：
22.按照先卷积、再归一化，最后最大值池化的处理顺序，通过所述生物特征识别模型的特征识别模块对所述待识别四维张量数据进行处理两轮，得到中间四维张量数据，所述中间四维张量数据的图像宽及图像高均为2像素；
23.通过所述特征识别模块对所述中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据，所述目标四维张量数据的图像宽及图像高均为单像素，所述目标四维张量数据的维度数量为512；
24.通过所述特征识别模块对所述目标四维张量数据进行特征重塑，得到与所述生物图像数量相同的识别特征。
25.一种生物特征的识别装置，包括：
26.张量数据获取单元，用于获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；
27.特征识别单元，用于将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二
卷积层、第二批量归一化层和第二最大值池化层。
28.可选的，所述模型主结构包括下采样卷积块；
29.所述特征识别单元，包括：
30.主结构识别单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到与所述生物图像数量相同的图像数量的待识别四维张量数据，所述待识别四维张量数据的通道数量大于所述输入通道数量；
31.识别模块识别单元，用于通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，每个识别特征的维度数量大于所述待识别四维张量数据的通道数量。
32.可选的，所述四维张量数据的图像宽及图像高均为256像素，所述四维张量数据的输入通道数量为3；
33.所述主结构识别单元，包括：
34.第一主结构识别子单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行第1轮下采样处理，得到第一四维张量数据，所述第一四维张量数据的图像宽及图像高均为128像素；
35.第二主结构识别子单元，用于通过所述下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据，所述第二四维张量数据的图像宽及图像高均为64像素；
36.第三主结构识别子单元，用于通过所述下采样卷积块对所述第二四维张量数据进行第3轮下采样处理，得到第三四维张量数据，所述第三四维张量数据的图像宽及图像高均为32像素；
37.第四主结构识别子单元，用于通过所述下采样卷积块对所述第三四维张量数据进行第4轮下采样处理，得到第四四维张量数据，所述第四四维张量数据的图像宽及图像高均为16像素；
38.第五主结构识别子单元，用于通过所述下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384。
39.可选的，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384；
40.所述识别模块识别单元，包括：
41.第一识别模块识别子单元，用于按照先卷积、再归一化，最后最大值池化的处理顺序，通过所述生物特征识别模型的特征识别模块对所述待识别四维张量数据进行处理两轮，得到中间四维张量数据，所述中间四维张量数据的图像宽及图像高均为2像素；
42.第二识别模块识别子单元，用于通过所述特征识别模块对所述中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据，所述目标四维张量数据的图像宽及图像高均为单像素，所述目标四维张量数据的维度数量为512；
43.第三识别模块识别子单元，用于通过所述特征识别模块对所述目标四维张量数据进行特征重塑，得到与所述生物图像数量相同的识别特征。
44.一种生物特征的识别设备，包括存储器和处理器；
45.所述存储器，用于存储程序；
46.所述处理器，用于执行所述程序，实现如上所述的生物特征的识别方法的各个步骤。
47.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的生物特征的识别方法的各个步骤。
48.借由上述技术方案，本技术通过获取基于生物图像的四维张量数据，初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息，进一步地，将四维张量数据输入预先建立的生物特征识别模型，输出与生物图像数量相同的识别特征，每个识别特征的维度数量为生物特征识别模型的输出通道数量，其中，输出通道数量大于输入通道数量，生物特征识别模型的模型结构由模型主结构与特征识别模块构成，模型主结构为mobilenetv2结构，模型主结构采用的激活函数为frelu激活函数，特征识别模块接于模型主结构的末端，特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。由此可见，由于生物特征识别模型引入了特征识别模块，能够对齐生物姿态对应位置的生物特征，由于模型主结构中的frelu激活函数为线性函数，因此能够降低模型在训练过程中的过拟合风险，提高对生物特征的识别精度。
附图说明
49.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
50.图1为本技术实施例提供的一种识别生物特征的流程示意图；
51.图2为本技术实施例提供的一种下采样处理得到待识别四维张量数据的流程示意图；
52.图3为本技术实施例提供的一种特征识别模块进行特征识别的流程示意图；
53.图4为本技术实施例提供的一种识别生物特征的装置结构示意图；
54.图5为本技术实施例提供的一种识别生物特征的设备的结构示意图。
具体实施方式
55.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.本技术方案可以基于具备数据处理能力的终端实现，该终端可以是电脑、服务器、云端等。
57.接下来，结合图1所述，本技术的生物特征的识别方法可以包括以下步骤：
58.步骤s110、获取基于生物图像的四维张量数据。
59.其中，基于生物图像的四维张量数据可以包含生物图像数量的信息、输入通道数
量的信息、图像宽的信息和图像高的信息。
60.具体的，四维张量数据的格式可以表示为[a，b，c，d]。a为生物图像数量的信息，可以表示生物图像的批次数量信息，或四维张量数据所需要输入生物特征识别模型的生物图像数量的信息，生物图像可以是具备生物信息的图像，如手掌图像或手指图像，具备生物图像可以从已有的生物信息数据库中获取得到。b为输入通道数量的信息，可以表示四维张量数据输入生物特征识别模型的通道数量，每一通道可以对应生物图像的每一特征维度。c为图像宽的信息，可以表示生物图像在宽方向的像素值。d为图像高的信息，可以表示生物图像在高方向的像素值。
[0061]
可以理解的是，四维张量数据可以是基于a张图像宽为c，图像高为d的图像，以及生物特征识别模型的输入通道参数b生成的，使得四维张量数据符合生物特征识别模型的输入格式。
[0062]
步骤s120、将四维张量数据输入预先建立的生物特征识别模型，输出与生物图像数量相同的识别特征。
[0063]
具体的，每个识别特征的维度数量可以为生物特征识别模型的输出通道数量。
[0064]
其中，输出通道数量可以大于输入通道数量。生物特征识别模型的模型结构可以由模型主结构与特征识别模块构成，模型主结构可以为mobilenetv2结构，模型主结构采用的激活函数可以为frelu激活函数。特征识别模块可以接于模型主结构的末端，特征识别模块可以包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。
[0065]
可以理解的是，特征识别模块可以通过卷积层的卷积功能，将四维张量数据的图像的特征维度从输入通道数量扩增至输出通道数量，因此，特征识别模块可以接受通道数量为输入通道数量的四维张量数据输入，输出通道数量为输出通道数量的四维张量数据，提供更丰富的图像的特征信息，为特征识别模块提供更丰富的经验值。
[0066]
本实施例提供的生物特征的识别方法，通过获取基于生物图像的四维张量数据，初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息，进一步地，将四维张量数据输入预先建立的生物特征识别模型，输出与生物图像数量相同的识别特征，每个识别特征的维度数量为生物特征识别模型的输出通道数量，其中，输出通道数量大于输入通道数量，生物特征识别模型的模型结构由模型主结构与特征识别模块构成，模型主结构为mobilenetv2结构，模型主结构采用的激活函数为frelu激活函数，特征识别模块接于模型主结构的末端，特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。由此可见，由于生物特征识别模型引入了特征识别模块，能够对齐生物姿态对应位置的生物特征，由于模型主结构中的frelu激活函数为线性函数，因此能够降低模型在训练过程中的过拟合风险，提高对生物特征的识别精度。
[0067]
本技术的一些实施例中，对上述实施例提到的生物特征识别模型中的模型主结构进行介绍，该模型主结构可以包括下采样卷积块，下采样卷积块可以对输入的四维张量数据进行下采样，该下采样卷积块的参数stride的值为2。
[0068]
在此基础上，对上述步骤s120、将四维张量数据输入预先建立的生物特征识别模型，输出与生物图像数量相同的识别特征的过程进行介绍，该过程可以包括：
[0069]
s1、通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对四维张量数据进行5轮下采样处理，得到与生物图像数量相同的图像数量的待识别四维张量数据。
[0070]
具体的，待识别四维张量数据的通道数量可以大于输入通道数量。
[0071]
可以理解的是，由于下采样卷积块的参数stride的值为2，因此每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半。因此，对四维张量数据进行5轮下采样处理后所得到的待识别四维张量数据的图像宽高尺寸，为四维张量数据的图像宽高尺寸的1/32。由于待识别四维张量数据的图像宽高尺寸缩小，其图像的特征维度增大，因此待识别四维张量数据的通道数量可以大于输入通道数量。
[0072]
示例如，当输入生物特征识别模型的四维张量数据的图像宽为256像素，且其图像高为256像素时，在经5轮下采样处理后，得到的待识别四维张量数据的图像宽为8像素，图像高为8像素。
[0073]
s2、通过生物特征识别模型的特征识别模块，对待识别四维张量数据进行特征识别，得到与生物图像数量相同的识别特征。
[0074]
具体的，特征识别模块可以接受若干批次生物图像输入，输出同等批次数量的识别特征。
[0075]
其中，每个识别特征的维度数量可以大于待识别四维张量数据的通道数量。
[0076]
可以理解的是，由于特征识别模块可以通过卷积层的卷积功能，将四维张量数据的图像的特征维度扩增，因此识别特征的维度数量可以大于待识别四维张量数据的通道数量。
[0077]
示例如，待识别四维张量数据的通道数量为384，那么特征识别模块对该待识别四维张量数据进行特征识别后，所得到的识别特征的维度数量为512，也即特征识别模块对待识别四维张量数据的识别结果为512个维度特征。
[0078]
本技术的一些实施例中，以四维张量数据的图像宽为256像素，图像高为256像素，输入通道数量为3为例，对上述实施例提到的、通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对四维张量数据进行5轮下采样处理，得到与生物图像数量相同的图像数量的待识别四维张量数据的过程进行介绍，如图2所示，该过程可以包括：
[0079]
步骤s210、通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对四维张量数据进行第1轮下采样处理，得到第一四维张量数据。
[0080]
可以理解的是，由于下采样卷积块的参数stride的值为2，每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半，因此第一四维张量数据的图像宽及图像高均为128像素。
[0081]
步骤s220、通过下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据。
[0082]
可以理解的是，由于下采样卷积块的参数stride的值为2，每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半，因此第二四维张量数据的图像宽及图像高均为64像素。
[0083]
步骤s230、通过下采样卷积块对第二四维张量数据进行第3轮下采样处理，得到第
三四维张量数据。
[0084]
可以理解的是，由于下采样卷积块的参数stride的值为2，每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半，因此第三四维张量数据的图像宽及图像高均为32像素。
[0085]
步骤s240、通过下采样卷积块对所述第三四维张量数据进行第4轮下采样处理，得到第四四维张量数据。
[0086]
可以理解的是，由于下采样卷积块的参数stride的值为2，每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半，因此第四四维张量数据的图像宽及图像高均为16像素。
[0087]
步骤s250、通过下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据。
[0088]
可以理解的是，由于下采样卷积块的参数stride的值为2，每进行一次下采样处理，所得到的四维张量数据的图像宽高尺寸，均比处理前的四维张量数据的图像宽高尺寸小一半，因此待识别四维张量数据的图像宽及图像高均为8像素。在经5轮下采样后，待识别四维张量数据的通道数量，相对于初始输入的四维张量数据的3通道增加至为384通道。
[0089]
本实施例提供的生物特征的识别方法，通过下采样卷积块，对四维张量数据进行5轮下采样处理，得到更小像素，更多通道数量的待识别四维张量数据，由于待识别四维张量数据的像素尺寸更小，便于存储和使用，由于待识别四维张量数据的通道数量更多，图像的特征维度更丰富，给生物特征识别模型在训练过程中提供更丰富的经验值。
[0090]
本技术的一些实施例中，以待识别四维张量数据的图像宽为8像素，待识别四维张量数据的图像高为8像素，输入通道数量为384为例，对上述实施例提到的、通过生物特征识别模型的特征识别模块，对待识别四维张量数据进行特征识别，得到与生物图像数量相同的识别特征的过程进行介绍，如图3所示，该过程可以包括：
[0091]
步骤s310、按照先卷积、再归一化，最后最大值池化的处理顺序，通过生物特征识别模型的特征识别模块对待识别四维张量数据进行处理两轮，得到中间四维张量数据。
[0092]
可以理解的是，由于池化过程中的参数stride为2，每轮(卷积
→
归一化
→
最大值池化)处理后，所得到的四维张量数据的图像尺寸均减半，因此经两轮处理后，所得到的中间四维张量数据的图像宽及图像高均为2像素。
[0093]
其中，中间四维张量数据的通道数量为待识别四维张量数据的输入通道数量384，其图像数量保持不变。
[0094]
具体的，按照先卷积、再归一化，最后最大值池化的处理顺序，通过生物特征识别模型对待识别四维张量数据进行处理两轮，得到中间四维张量数据的过程可以包括：
[0095]
s3101、通过特征识别模块中的第一卷积层，对待识别四维张量数据进行卷积处理，得到第一数据。
[0096]
具体的，第一卷积层的卷积核大小为3*3，第一卷积层用于接收384通道的四维张量数据的输入，输出384通道的数据，参数padding为1。
[0097]
s3102、通过特征识别模块中的第一批量归一化层，对第一数据进行归一化处理，得到第二数据。
[0098]
s3103、通过特征识别模块中的第一最大值池化层，对第二数据进行最大值池化处
理，得到第三数据，以完成对待识别四维张量数据一轮处理。
[0099]
具体的，第一最大值池化层的池化核大小为2*2，参数stride为2。
[0100]
可以理解的是，待识别四维张量数据依照顺序经第一卷积层、第一批量归一化层以及第一最大值池化层处理后，所得到的第三数据的图像宽高尺寸均减半，因此第三数据的图像宽及图像高均为4像素。
[0101]
s3104、通过第一卷积层，对第三数据进行卷积处理，得到第四数据。
[0102]
s3105、通过第一批量归一化层，对第四数据进行卷积处理，得到第五数据。
[0103]
s3106、通过第一最大值池化层，对第五数据进行最大值池化处理，得到中间四维张量数据。
[0104]
可以理解的是，s3104-s3106为s3101-步骤s3103的重复一轮处理，因此所得到的中间四维张量数据的图像宽高尺寸为，第三数据图像宽高尺寸的一半，所以中间四维张量数据的的图像宽及图像高均为2像素。
[0105]
其中，经两轮处理后得到的中间四维张量数据的通道数量为384。
[0106]
步骤s320、通过特征识别模块对中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据。
[0107]
可以理解的是，由于目标四维张量数据是基于中间四维张量数据经过一轮(卷积
→
归一化
→
最大值池化)处理后得到的，所以目标四维张量数据的图像宽及图像高均为单像素。该轮处理可以利用到第二卷积层、第二批量归一化层以及第二最大值池化层。
[0108]
其中，目标四维张量数据在该轮处理中维度特征数量进行了扩增，因此目标四维张量数据的维度数量为输出通道数量。目标四维张量数据的图像数量保持不变。
[0109]
具体的，通过特征识别模块对中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据的过程可以包括：
[0110]
s3201、通过特征识别模块中的第二卷积层，对中间四维张量数据进行通道变换卷积，得到第六数据。
[0111]
其中，第一卷积层的卷积核大小为3*3，参数padding为1，第一卷积层可以用于接收384通道的四维张量数据的输入，输出512通道的数据。
[0112]
s3202、通过特征识别模块中的第二批量归一化层，对中间四维张量数据进行归一化处理，得到第七数据。
[0113]
s3203、通过特征识别模块中的第二最大值池化层，对第七数据进行最大值池化处理，得到第八数据。
[0114]
其中，第二最大值池化层的池化核大小为2*2，参数stride为2。
[0115]
s3204、通过第二批量归一化层，对第八数据进行归一化处理，得到目标四维张量数据。
[0116]
可以理解的是，由于中间四维张量数据经过一轮处理，得到目标四维张量数据，因此目标四维张量数据的图像宽高尺寸为，中间四维张量数据的图像宽高尺寸的一半，所以目标四维张量数据的数据形状为[a，512,1,1]，所输出的图像数量a与最初的四维张量数据的生物图像数量相同。
[0117]
步骤s330、通过特征识别模块对目标四维张量数据进行特征重塑，得到与生物图像数量相同的识别特征。
[0118]
具体的，目标四维张量数据为若干个1*1像素的生物图像数据，因此可以将目标四维张量数据重塑成二维识别特征数据，该二维识别特征数据的格式可以为[e，f]，e可以表示特征识别模块输出的图像数量，f可以表示特征识别模块输出的通道数量，也可以表示特征识别模块输出的生物图像的维度特征数量。
[0119]
下面对本技术实施例提供的实现识别生物特征的装置进行描述，下文描述的实现识别生物特征的装置与上文描述的实现生物特征的识别方法可相互对应参照。
[0120]
参见图4，图4为本技术实施例公开的一种实现识别生物特征的装置结构示意图。
[0121]
如图4所示，该装置可以包括：
[0122]
张量数据获取单元11，用于获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；
[0123]
特征识别单元12，用于将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。
[0124]
可选的，所述模型主结构包括下采样卷积块；
[0125]
所述特征识别单元，包括：
[0126]
主结构识别单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到与所述生物图像数量相同的图像数量的待识别四维张量数据，所述待识别四维张量数据的通道数量大于所述输入通道数量；
[0127]
识别模块识别单元，用于通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，每个识别特征的维度数量大于所述待识别四维张量数据的通道数量。
[0128]
可选的，所述四维张量数据的图像宽及图像高均为256像素，所述四维张量数据的输入通道数量为3；
[0129]
所述主结构识别单元，包括：
[0130]
第一主结构识别子单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行第1轮下采样处理，得到第一四维张量数据，所述第一四维张量数据的图像宽及图像高均为128像素；
[0131]
第二主结构识别子单元，用于通过所述下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据，所述第二四维张量数据的图像宽及图像高均为64像素；
[0132]
第三主结构识别子单元，用于通过所述下采样卷积块对所述第二四维张量数据进行第3轮下采样处理，得到第三四维张量数据，所述第三四维张量数据的图像宽及图像高均为32像素；
[0133]
第四主结构识别子单元，用于通过所述下采样卷积块对所述第三四维张量数据进
行第4轮下采样处理，得到第四四维张量数据，所述第四四维张量数据的图像宽及图像高均为16像素；
[0134]
第五主结构识别子单元，用于通过所述下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384。
[0135]
可选的，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384；
[0136]
所述识别模块识别单元，包括：
[0137]
第一识别模块识别子单元，用于按照先卷积、再归一化，最后最大值池化的处理顺序，通过所述生物特征识别模型的特征识别模块对所述待识别四维张量数据进行处理两轮，得到中间四维张量数据，所述中间四维张量数据的图像宽及图像高均为2像素；
[0138]
第二识别模块识别子单元，用于通过所述特征识别模块对所述中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据，所述目标四维张量数据的图像宽及图像高均为单像素，所述目标四维张量数据的维度数量为512；
[0139]
第三识别模块识别子单元，用于通过所述特征识别模块对所述目标四维张量数据进行特征重塑，得到与所述生物图像数量相同的识别特征。
[0140]
本技术实施例提供的识别生物特征的装置可应用于生物特征的识别设备，如终端：手机、电脑等。可选的，图5示出了生物特征的识别设备的硬件结构框图，参照图5，生物特征的识别设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0141]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0142]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0143]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0144]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0145]
获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；
[0146]
将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。
[0147]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0148]
本技术实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程
序，所述程序用于：
[0149]
获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；
[0150]
将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。
[0151]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0152]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0153]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
[0154]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种生物特征的识别方法，其特征在于，包括：获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。2.根据权利要求1所述的方法，其特征在于，所述模型主结构包括下采样卷积块；将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，包括：通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到与所述生物图像数量相同的图像数量的待识别四维张量数据，所述待识别四维张量数据的通道数量大于所述输入通道数量；通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，每个识别特征的维度数量大于所述待识别四维张量数据的通道数量。3.根据权利要求2所述的方法，其特征在于，所述四维张量数据的图像宽及图像高均为256像素，所述四维张量数据的输入通道数量为3；所述通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到待识别四维张量数据，包括：通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行第1轮下采样处理，得到第一四维张量数据，所述第一四维张量数据的图像宽及图像高均为128像素；通过所述下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据，所述第二四维张量数据的图像宽及图像高均为64像素；通过所述下采样卷积块对所述第二四维张量数据进行第3轮下采样处理，得到第三四维张量数据，所述第三四维张量数据的图像宽及图像高均为32像素；通过所述下采样卷积块对所述第三四维张量数据进行第4轮下采样处理，得到第四四维张量数据，所述第四四维张量数据的图像宽及图像高均为16像素；通过所述下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384。4.根据权利要求2所述的方法，其特征在于，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384；通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，包括：
按照先卷积、再归一化，最后最大值池化的处理顺序，通过所述生物特征识别模型的特征识别模块对所述待识别四维张量数据进行处理两轮，得到中间四维张量数据，所述中间四维张量数据的图像宽及图像高均为2像素；通过所述特征识别模块对所述中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据，所述目标四维张量数据的图像宽及图像高均为单像素，所述目标四维张量数据的维度数量为512；通过所述特征识别模块对所述目标四维张量数据进行特征重塑，得到与所述生物图像数量相同的识别特征。5.一种生物特征的识别装置，其特征在于，包括：张量数据获取单元，用于获取基于生物图像的四维张量数据，所述初始四维张量数据包含生物图像数量的信息、输入通道数量的信息、图像宽的信息和图像高的信息；特征识别单元，用于将所述四维张量数据输入预先建立的生物特征识别模型，输出与所述生物图像数量相同的识别特征，每个识别特征的维度数量为所述生物特征识别模型的输出通道数量，其中，所述输出通道数量大于所述输入通道数量，所述生物特征识别模型的模型结构由模型主结构与特征识别模块构成，所述模型主结构为mobilenetv2结构，所述模型主结构采用的激活函数为frelu激活函数，所述特征识别模块接于所述模型主结构的末端，所述特征识别模块包括第一卷积层、第一批量归一化层、第一最大值池化层、第二卷积层、第二批量归一化层和第二最大值池化层。6.根据权利要求5所述的装置，其特征在于，所述模型主结构包括下采样卷积块；所述特征识别单元，包括：主结构识别单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行5轮下采样处理，得到与所述生物图像数量相同的图像数量的待识别四维张量数据，所述待识别四维张量数据的通道数量大于所述输入通道数量；识别模块识别单元，用于通过所述生物特征识别模型的特征识别模块，对所述待识别四维张量数据进行特征识别，得到与所述生物图像数量相同的识别特征，每个识别特征的维度数量大于所述待识别四维张量数据的通道数量。7.根据权利要求6所述的装置，其特征在于，所述四维张量数据的图像宽及图像高均为256像素，所述四维张量数据的输入通道数量为3；所述主结构识别单元，包括：第一主结构识别子单元，用于通过预先建立的生物特征识别模型的模型主结构中的下采样卷积块，对所述四维张量数据进行第1轮下采样处理，得到第一四维张量数据，所述第一四维张量数据的图像宽及图像高均为128像素；第二主结构识别子单元，用于通过所述下采样卷积块对所述第一四维张量数据进行第2轮下采样处理，得到第二四维张量数据，所述第二四维张量数据的图像宽及图像高均为64像素；第三主结构识别子单元，用于通过所述下采样卷积块对所述第二四维张量数据进行第3轮下采样处理，得到第三四维张量数据，所述第三四维张量数据的图像宽及图像高均为32像素；第四主结构识别子单元，用于通过所述下采样卷积块对所述第三四维张量数据进行第
4轮下采样处理，得到第四四维张量数据，所述第四四维张量数据的图像宽及图像高均为16像素；第五主结构识别子单元，用于通过所述下采样卷积块对所述第四四维张量数据进行第5轮下采样处理，得到待识别四维张量数据，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384。8.根据权利要求6所述的装置，其特征在于，所述待识别四维张量数据的图像宽及图像高均为8像素，所述待识别四维张量数据的输入通道数量为384；所述识别模块识别单元，包括：第一识别模块识别子单元，用于按照先卷积、再归一化，最后最大值池化的处理顺序，通过所述生物特征识别模型的特征识别模块对所述待识别四维张量数据进行处理两轮，得到中间四维张量数据，所述中间四维张量数据的图像宽及图像高均为2像素；第二识别模块识别子单元，用于通过所述特征识别模块对所述中间四维张量数据进行通道变换卷积、归一化处理和最大值池化处理，得到目标四维张量数据，所述目标四维张量数据的图像宽及图像高均为单像素，所述目标四维张量数据的维度数量为512；第三识别模块识别子单元，用于通过所述特征识别模块对所述目标四维张量数据进行特征重塑，得到与所述生物图像数量相同的识别特征。9.一种生物特征的识别设备，其特征在于，包括存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现如权利要求1-4任一项的生物特征的识别方法的各个步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-4任一项的生物特征的识别方法的各个步骤。

技术总结
本申请公开了一种生物特征的识别方法、装置、设备及存储介质，方法包括：获取基于生物图像的四维张量数据，其包含生物图像数量、输入通道数量及图像宽高的信息，将四维张量数据输入生物特征识别模型，输出与生物图像数量相同的识别特征，每个识别特征的维度数量为大于输入通道数量，生物特征识别模型的模型主结构为MobileNetV2结构，模型主结构采用的激活函数为FReLU激活函数。可见，由于生物特征识别模型引入了特征识别模块，能够对齐生物姿态对应位置的生物特征，且模型主结构中的FReLU激活函数为线性函数，能够降低模型在训练过程中的过拟合风险，提高对生物特征的识别精度。提高对生物特征的识别精度。提高对生物特征的识别精度。


技术研发人员：杨奇
受保护的技术使用者：熵基科技股份有限公司
技术研发日：2023.04.21
技术公布日：2023/7/25