技术摘要：
一种基于resnet50神经网络的OCT指纹防伪方法，包括如下步骤：第一步：制取多种类型的指纹样本，采集与之对应的OCT体数据；第二步：对采集得到的数据做数据预处理；第三步：对采集得到的OCT体数据中取切片图进行一阶纵向差分运算，求取出每一列特征点所在位置，连通域去  全部
背景技术：
指纹防伪技术具体是指对指纹的演示攻击进行检测，判断其性质。指纹的演示攻 击主要表现为指纹薄膜、全指赝品、断指、掩膜和一些系统欺诈授权。指纹的形象痕迹所具 备的独特形象特征，成为了指纹伪造的基础条件。同时，手指表面的乳突花纹具备稳定的形 状和体积，成就了指纹伪造的可参考和可模仿的原始条件。现在流行的指纹伪造多是基于 一些和手指皮肤性质相近的软胶材料，模仿出和真实手指不仅具有相同纹路，同时还具有 相近光学、电学和机械特性的伪造样品。这也就可以很轻易的突破市面上大多数的指纹阅 读器。 光学相干断层扫描技术(optical  coherence  tomography,OCT)，是一种非侵入性 的成像技术，它可以扫描得到手指皮下2-3mm的信息。同时，手指的乳头层和汗腺组织正位 于其范围之中，经验证，手指的乳头层是手指的真皮指纹来源，它和手指的外指纹具有一样 的指纹纹路。OCT技术的发展和带来的成果，在指纹识别领域打开了指纹防伪的新的大门。
技术实现要素：
为了克服现有的指纹伪造样本带来的演示攻击，本发明提出了一种基于resnet50 神经网络的OCT指纹防伪方法，将OCT系统采集的切片图(B-scan图)进行预处理之后，取其 包含有效信息的局部小块，输入网络进行训练，得到的训练结果能够快速自动地实现指纹 的分类，从而实现指纹防伪的功能。 为了实现上述目的，本发明采用的技术方案为： 一种基于resnet50的OCT指纹防伪方法，包括如下步骤： 1)利用与手指具相近性质的软胶材料：硅胶、明胶、电容胶，仿造具有手指指纹的 指纹薄膜和假指样本，利用OCT系统，采集真实手指和伪造的指纹样本的OCT体数据； 2)对采集得到不同指纹样本的切片图进行滤波和数据预处理处理，得到平滑的数 据； 3)对切片图进行一阶纵向差分运算，求取出每一列特征点所在位置，连通域去噪 拟合之后得到角质层，确定角质层上的特征点，根据特征点向上30个像素点，左右各112个 像素点，取224*224大小的局部小块； 4)对数据集按8:2比例进行训练集和测试集划分，构建resnet50  网络模型，设定 训练参数和损失函数，使用获得的224*224大小的局部小块训练resnet50网络模型，得到训 练好的resnet50的网络模型； 5)对需要鉴别的数据，随机选取4张B-scan图中的特征点，获得其中224*224大小 的局部小块，将得到的局部小块输入到训练好的  resnet50网络模型，根据对4个样本的概 4 CN 111597895 A 说　明　书 2/5 页 率分类，确定其所属类别，对此进行防伪。 进一步，所述步骤1)包括如下步骤： (11)将热熔胶融化注入实验平台，待其温度降低到42度，未凝之时，将测试的手指 轻轻按压在热熔胶上，获得母模； (12)调配准备好的软胶材料，注入母模当中，获得厚度在  0.1-1mm之间的指纹薄 膜； (13)将母模放置在类似手指的定型材料之中，注入软胶材料，待其凝固，获得具有 指纹的假指样本； (14)利用OCT系统，对所获得的指纹样本在2个不同时段各进行3次采集，获得其 OCT体数据。 再进一步，所述步骤2)中包括如下步骤： (21)用BM3D对OCT采集的B-scan图进行滤波操作，去除采集过程中的噪声点； (22)对滤完波之后的图像，进行如下预处理操作。 其中，img_temp是图像的像素值，img_mean是图像像素的均值，  img_std是图像的 标准差。 进一步，所述步骤3)包括如下步骤： (31)用一阶纵向差分Iy(x，y)来近似提取图像I的特征点： Iy(x,y)＝I(x 1,y)-I(x,y)            (2) 其中，(x,y)是像素坐标，I(x,y)表示位于坐标(x,y)的像素的灰度值，然后选取每 一列Iy(x，y)值最大的点作为特征点； (32)对500*1800的切片图特征点进行连通域去噪，获得手指角质层位置，选择角 质层位置上的某一特征点，再根据特征点往上取30个像素，左右各取112个像素，取大小为 224*224的局部小块，这可以确保训练所取的局部小块包含角质层、乳头层和汗腺组织信 息，依次间隔50个像素，取局部小块，以获取足够的训练样本； (33)重复步骤(31)，(32)，对真手指、指纹薄膜样本、全指样本进行OCT切片图进行 局部小块取样。 进一步，所述步骤4)包括如下步骤： (41)将步骤3得到的数据，80％作为训练集，20％作为测试集，其中真手指指纹图 像存入img_1文件夹中，指纹膜图像存入img_2  文件夹中，假指图像存入img_3文件夹中； (42)将训练样本输入到resnet50神经网络之中，resnet50网络有50个卷积层，50 个ReLU层，2个池化层，1个全连接层，Resnet50 的主要结构是残差结构，H(x)＝F(x) x，如 果浅层网络输出已经足够成熟，即其学习F(x)等于0，这时候就是恒等映射； (43)将残差模块和网络各卷积层提取到的特征进行全连接，利用softmax进行指 纹的具体分类，优化器使用的是Adam优化器，Loss  使用的是交叉熵损失函数，将训练集中 的图片以4张为一个批次载入到resnet50神经网络之中进行训练，迭代次数为100次即可得 到训练好的网络； 所述步骤(43)中，使用基于softmax的交叉熵损失函数；softmax 函数形式如下： 5 CN 111597895 A 说　明　书 3/5 页 上式中，ak(x)代表在x点上第k类的输出值， 代表在x点上所有类的输 出值之和，Pk(x)代表在x点上第k类的概率； 交叉熵损失函数形式如下： 其中w(x)代表模型的权重参数，l(x)代表x点的真实类别，Pl(x)(x)代表x点该真实 类别的概率，E代表交叉熵函数的损失值。 进一步，所述步骤5)包括如下步骤： (51)随机在待鉴别的OCT体数据中选择4张B-scan图X1，X2，  X3，X4，分别在4张B- scan图中根据步骤3)随机取其中的一个局部小块P1，P2，P3，P4； (52)将4张局部小块P1，P2，P3，P4，输入之前训练好的网络之中，对4个局部小块的 概率分类，取平均P＝(P1 P2 P3 P4)/4，实现最后的分类所属类别，从而达到指纹防伪的目 的。 本发明的有益效果为：将OCT系统采集的切片图(B-scan图)  进行预处理之后，取 其包含有效信息的局部小块，输入网络进行训练，得到的训练结果能够快速自动地实现指 纹的分类，从而实现指纹防伪的功能。 附图说明 图1是本发明的指纹指纹鉴别流程图； 图2是本发明中的局部小块提取示意图；