本發明涉及指紋識別
技術領域：
：，尤其涉及一種指紋模擬方法及對應的移動終端。
背景技術：
：：目前指紋識別技術已經日新月異，越來越多的手機已經集成了指紋識別系統。但是，現有的手機中的指紋識別系統仍然存在一些功能缺陷。例如，假設有位用戶，因為某次事故使得手指受傷后指紋模糊了，同時已經無法獲取該手指的原始完整指紋，這時，該用戶就在使用手機的時候，就沒有辦法使用指紋識別的相關功能。技術實現要素：本發明的主要目的在于提出一種指紋模擬方法及對應的移動終端，旨在解決在指紋模糊的情況下難以使用移動終端的指紋功能的問題。為實現上述目的，本發明提供的一種指紋模擬方法，該方法包括步驟：多次采集用戶的模糊指紋圖像；計算每一個所述模糊指紋圖像的特征向量；按預設比例將計算得到的多個特征向量分為測試集a和訓練集b；采用維納濾波復原算法處理所述訓練集b，得到復原后的訓練集c；及將所述測試集a與所述復原后的訓練集c進行對比，得到基準差異值，以作為后續進行指紋驗證的判斷標準。優選地，所述計算每一個所述模糊指紋圖像的特征向量的步驟具體包括：將每一個所述模糊指紋圖像分割為n個小方塊；針對每一個所述模糊指紋圖像，根據每個小方塊中的像素值得到所述模糊指紋圖像的特征向量。優選地，所述預設比例為1：9。優選地，該方法還包括步驟：當進行指紋驗證時，采集用戶的當前指紋圖像；計算所述當前指紋圖像的特征向量；將所述當前指紋圖像的特征向量與所述復原后的訓練集c進行對比，得到當前差異值；及將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證。優選地，所述計算所述當前指紋圖像的特征向量的步驟具體包括：將所述當前指紋圖像分割為n個小方塊；根據每個小方塊中的像素值得到所述當前指紋圖像的特征向量。優選地，所述將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證的步驟具體包括：當所述當前差異值與所述基準差異值之間的差小于或等于預設的誤差范圍p時，判斷所述當前指紋圖像驗證通過；當所述當前差異值與所述基準差異值之間的差大于所述誤差范圍p時，判斷所述當前指紋圖像驗證失敗。此外，為實現上述目的，本發明還提出一種移動終端，所述移動終端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的指紋模擬程序，所述指紋模擬程序被所述處理器執行步驟：多次采集用戶的模糊指紋圖像；計算每一個所述模糊指紋圖像的特征向量；按預設比例將計算得到的多個特征向量分為測試集a和訓練集b；采用維納濾波復原算法處理所述訓練集b，得到復原后的訓練集c；及將所述測試集a與所述復原后的訓練集c進行對比，得到基準差異值，以作為后續進行指紋驗證的判斷標準。優選地，所述指紋模擬程序還被所述處理器執行步驟：當進行指紋驗證時，采集用戶的當前指紋圖像；計算所述當前指紋圖像的特征向量；將所述當前指紋圖像的特征向量與所述復原后的訓練集c進行對比，得到當前差異值；及將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證。優選地，所述將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證的步驟具體包括：當所述當前差異值與所述基準差異值之間的差小于或等于預設的誤差范圍p時，判斷所述當前指紋圖像驗證通過；當所述當前差異值與所述基準差異值之間的差大于所述誤差范圍p時，判斷所述當前指紋圖像驗證失敗。進一步地，為實現上述目的，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有指紋模擬程序，所述指紋模擬程序被處理器執行時實現如上述的指紋模擬方法的步驟。本發明提出的指紋模擬方法、移動終端及計算機可讀存儲介質，能夠通過利用維納濾波復原算法對模糊指紋進行復原，并根據測試集a和復原后的訓練集c之間的對比得到基準差異值。在后續使用所述移動終端的指紋識別進行解鎖操作時，將采集到的當前指紋圖像的特征向量，將與所述復原后的訓練集c進行對比得到當前差異值，并通過所述當前差異值和所述基準差異值的比較判斷指紋驗證結果。因此，使得用戶能夠在指紋模糊的情況下，也可以較為便捷的直接使用移動終端的指紋識別功能，增加了用戶對移動終端產品的認可度。附圖說明圖1為實現本發明各個實施例的移動終端的硬件結構示意圖；圖2為如圖1所示的移動終端的無線通信系統示意圖；圖3為本發明第一實施例提出的一種指紋模擬方法的流程圖；圖4為本發明第二實施例提出的一種指紋模擬方法的流程圖；圖5為本發明中通過所述移動終端采集模糊指紋圖像的示意圖；圖6為本發明中將所述模糊指紋圖像分割為n個小方塊的示意圖；圖7為本發明第三實施例提出的一種指紋模擬裝置的模塊示意圖。本發明目的的實現、功能特點及優點將結合實施例，參照附圖做進一步說明。具體實施方式應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。在后續的描述中，使用用于表示元件的諸如“模塊”、“部件”或“單元”的后綴僅為了有利于本發明的說明，其本身沒有特定的意義。因此，“模塊”、“部件”或“單元”可以混合地使用。終端可以以各種形式來實施。例如，本發明中描述的終端可以包括諸如手機、平板電腦、筆記本電腦、掌上電腦、個人數字助理(personaldigitalassistant，pda)、便捷式媒體播放器(portablemediaplayer，pmp)、導航裝置、可穿戴設備、智能手環、計步器等移動終端，以及諸如數字tv、臺式計算機等固定終端。后續描述中將以移動終端為例進行說明，本領域技術人員將理解的是，除了特別用于移動目的的元件之外，根據本發明的實施方式的構造也能夠應用于固定類型的終端。請參閱圖1，其為實現本發明各個實施例的一種移動終端的硬件結構示意圖，該移動終端100可以包括：rf(radiofrequency，射頻)單元101、wifi模塊102、音頻輸出單元103、a/v(音頻/視頻)輸入單元104、傳感器105、顯示單元106、用戶輸入單元107、接口單元108、存儲器109、處理器110、以及電源111等部件。本領域技術人員可以理解，圖1中示出的移動終端結構并不構成對移動終端的限定，移動終端可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。下面結合圖1對移動終端的各個部件進行具體的介紹：射頻單元101可用于收發信息或通話過程中，信號的接收和發送，具體的，將基站的下行信息接收后，給處理器110處理；另外，將上行的數據發送給基站。通常，射頻單元101包括但不限于天線、至少一個放大器、收發信機、耦合器、低噪聲放大器、雙工器等。此外，射頻單元101還可以通過無線通信與網絡和其他設備通信。上述無線通信可以使用任一通信標準或協議，包括但不限于gsm(globalsystemofmobilecommunication，全球移動通訊系統)、gprs(generalpacketradioservice，通用分組無線服務)、cdma2000(codedivisionmultipleaccess2000，碼分多址2000)、wcdma(widebandcodedivisionmultipleaccess,寬帶碼分多址)、td-scdma(timedivision-synchronouscodedivisionmultipleaccess，時分同步碼分多址)、fdd-lte(frequencydivisionduplexing-longtermevolution，頻分雙工長期演進)和tdd-lte(timedivisionduplexing-longtermevolution，分時雙工長期演進)等。wifi屬于短距離無線傳輸技術，移動終端通過wifi模塊102可以幫助用戶收發電子郵件、瀏覽網頁和訪問流式媒體等，它為用戶提供了無線的寬帶互聯網訪問。雖然圖1示出了wifi模塊102，但是可以理解的是，其并不屬于移動終端的必須構成，完全可以根據需要在不改變發明的本質的范圍內而省略。音頻輸出單元103可以在移動終端100處于呼叫信號接收模式、通話模式、記錄模式、語音識別模式、廣播接收模式等等模式下時，將射頻單元101或wifi模塊102接收的或者在存儲器109中存儲的音頻數據轉換成音頻信號并且輸出為聲音。而且，音頻輸出單元103還可以提供與移動終端100執行的特定功能相關的音頻輸出(例如，呼叫信號接收聲音、消息接收聲音等等)。音頻輸出單元103可以包括揚聲器、蜂鳴器等等。a/v輸入單元104用于接收音頻或視頻信號。a/v輸入單元104可以包括圖形處理器(graphicsprocessingunit，gpu)1041和麥克風1042，圖形處理器1041對在視頻捕獲模式或圖像捕獲模式中由圖像捕獲裝置(如攝像頭)獲得的靜態圖片或視頻的圖像數據進行處理。處理后的圖像幀可以顯示在顯示單元106上。經圖形處理器1041處理后的圖像幀可以存儲在存儲器109(或其它存儲介質)中或者經由射頻單元101或wifi模塊102進行發送。麥克風1042可以在電話通話模式、記錄模式、語音識別模式等等運行模式中經由麥克風1042接收聲音(音頻數據)，并且能夠將這樣的聲音處理為音頻數據。處理后的音頻(語音)數據可以在電話通話模式的情況下轉換為可經由射頻單元101發送到移動通信基站的格式輸出。麥克風1042可以實施各種類型的噪聲消除(或抑制)算法以消除(或抑制)在接收和發送音頻信號的過程中產生的噪聲或者干擾。移動終端100還包括至少一種傳感器105，比如光傳感器、運動傳感器以及其他傳感器。具體地，光傳感器包括環境光傳感器及接近傳感器，其中，環境光傳感器可根據環境光線的明暗來調節顯示面板1061的亮度，接近傳感器可在移動終端100移動到耳邊時，關閉顯示面板1061和/或背光。作為運動傳感器的一種，加速計傳感器可檢測各個方向上(一般為三軸)加速度的大小，靜止時可檢測出重力的大小及方向，可用于識別手機姿態的應用(比如橫豎屏切換、相關游戲、磁力計姿態校準)、振動識別相關功能(比如計步器、敲擊)等；至于手機還可配置的指紋傳感器、壓力傳感器、虹膜傳感器、分子傳感器、陀螺儀、氣壓計、濕度計、溫度計、紅外線傳感器等其他傳感器，在此不再贅述。顯示單元106用于顯示由用戶輸入的信息或提供給用戶的信息。顯示單元106可包括顯示面板1061，可以采用液晶顯示器(liquidcrystaldisplay，lcd)、有機發光二極管(organiclight-emittingdiode,oled)等形式來配置顯示面板1061。用戶輸入單元107可用于接收輸入的數字或字符信息，以及產生與移動終端的用戶設置以及功能控制有關的鍵信號輸入。具體地，用戶輸入單元107可包括觸控面板1071以及其他輸入設備1072。觸控面板1071，也稱為觸摸屏，可收集用戶在其上或附近的觸摸操作(比如用戶使用手指、觸筆等任何適合的物體或附件在觸控面板1071上或在觸控面板1071附近的操作)，并根據預先設定的程式驅動相應的連接裝置。觸控面板1071可包括觸摸檢測裝置和觸摸控制器兩個部分。其中，觸摸檢測裝置檢測用戶的觸摸方位，并檢測觸摸操作帶來的信號，將信號傳送給觸摸控制器；觸摸控制器從觸摸檢測裝置上接收觸摸信息，并將它轉換成觸點坐標，再送給處理器110，并能接收處理器110發來的命令并加以執行。此外，可以采用電阻式、電容式、紅外線以及表面聲波等多種類型實現觸控面板1071。除了觸控面板1071，用戶輸入單元107還可以包括其他輸入設備1072。具體地，其他輸入設備1072可以包括但不限于物理鍵盤、功能鍵(比如音量控制按鍵、開關按鍵等)、軌跡球、鼠標、操作桿等中的一種或多種，具體此處不做限定。進一步的，觸控面板1071可覆蓋顯示面板1061，當觸控面板1071檢測到在其上或附近的觸摸操作后，傳送給處理器110以確定觸摸事件的類型，隨后處理器110根據觸摸事件的類型在顯示面板1061上提供相應的視覺輸出。雖然在圖1中，觸控面板1071與顯示面板1061是作為兩個獨立的部件來實現移動終端的輸入和輸出功能，但是在某些實施例中，可以將觸控面板1071與顯示面板1061集成而實現移動終端的輸入和輸出功能，具體此處不做限定。接口單元108用作至少一個外部裝置與移動終端100連接可以通過的接口。例如，外部裝置可以包括有線或無線頭戴式耳機端口、外部電源(或電池充電器)端口、有線或無線數據端口、存儲卡端口、用于連接具有識別模塊的裝置的端口、音頻輸入/輸出(i/o)端口、視頻i/o端口、耳機端口等等。接口單元108可以用于接收來自外部裝置的輸入(例如，數據信息、電力等等)并且將接收到的輸入傳輸到移動終端100內的一個或多個元件或者可以用于在移動終端100和外部裝置之間傳輸數據。存儲器109可用于存儲軟件程序以及各種數據。存儲器109可主要包括存儲程序區和存儲數據區，其中，存儲程序區可存儲操作系統、至少一個功能所需的應用程序(比如聲音播放功能、圖像播放功能等)等；存儲數據區可存儲根據手機的使用所創建的數據(比如音頻數據、電話本等)等。此外，存儲器109可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他易失性固態存儲器件。處理器110是移動終端的控制中心，利用各種接口和線路連接整個移動終端的各個部分，通過運行或執行存儲在存儲器109內的軟件程序和/或模塊，以及調用存儲在存儲器109內的數據，執行移動終端的各種功能和處理數據，從而對移動終端進行整體監控。處理器110可包括一個或多個處理單元；優選的，處理器110可集成應用處理器和調制解調處理器，其中，應用處理器主要處理操作系統、用戶界面和應用程序等，調制解調處理器主要處理無線通信。可以理解的是，上述調制解調處理器也可以不集成到處理器110中。移動終端100還可以包括給各個部件供電的電源111(比如電池)，優選的，電源111可以通過電源管理系統與處理器110邏輯相連，從而通過電源管理系統實現管理充電、放電、以及功耗管理等功能。盡管圖1未示出，移動終端100還可以包括藍牙模塊等，在此不再贅述。為了便于理解本發明實施例，下面對本發明的移動終端所基于的通信網絡系統進行描述。請參閱圖2，圖2為本發明實施例提供的一種通信網絡系統架構圖，該通信網絡系統為通用移動通信技術的lte系統，該lte系統包括依次通訊連接的ue(userequipment，用戶設備)201，e-utran(evolvedumtsterrestrialradioaccessnetwork，演進式umts陸地無線接入網)202，epc(evolvedpacketcore，演進式分組核心網)203和運營商的ip業務204。具體地，ue201可以是上述終端100，此處不再贅述。e-utran202包括enodeb2021和其它enodeb2022等。其中，enodeb2021可以通過回程(backhaul)(例如x2接口)與其它enodeb2022連接，enodeb2021連接到epc203，enodeb2021可以提供ue201到epc203的接入。epc203可以包括mme(mobilitymanagemententity，移動性管理實體)2031，hss(homesubscriberserver，歸屬用戶服務器)2032，其它mme2033，sgw(servinggateway，服務網關)2034，pgw(pdngateway，分組數據網絡網關)2035和pcrf(policyandchargingrulesfunction，政策和資費功能實體)2036等。其中，mme2031是處理ue201和epc203之間信令的控制節點，提供承載和連接管理。hss2032用于提供一些寄存器來管理諸如歸屬位置寄存器(圖中未示)之類的功能，并且保存有一些有關服務特征、數據速率等用戶專用的信息。所有用戶數據都可以通過sgw2034進行發送，pgw2035可以提供ue201的ip地址分配以及其它功能，pcrf2036是業務數據流和ip承載資源的策略與計費控制策略決策點，它為策略與計費執行功能單元(圖中未示)選擇及提供可用的策略和計費控制決策。ip業務204可以包括因特網、內聯網、ims(ipmultimediasubsystem，ip多媒體子系統)或其它ip業務等。雖然上述以lte系統為例進行了介紹，但本領域技術人員應當知曉，本發明不僅僅適用于lte系統，也可以適用于其他無線通信系統，例如gsm、cdma2000、wcdma、td-scdma以及未來新的網絡系統等，此處不做限定。基于上述移動終端硬件結構以及通信網絡系統，提出本發明方法各個實施例。本發明提出的一種指紋模擬方法，應用于移動終端中，用于利用維納濾波算法對失真的指紋圖像進行復原，使得用戶能夠在指紋模糊的情況下，較為方便的使用移動終端的指紋功能。實施例一如圖3所示，本發明第一實施例提出一種指紋模擬方法，該方法包括以下步驟：s300，多次采集用戶的模糊指紋圖像。具體地，通過移動終端的指紋采集模塊采集該用戶的模糊指紋圖像。經過m次采集，得到m個所述模糊指紋圖像。參閱圖5所示，為通過所述移動終端采集所述模糊指紋圖像的示意圖。所述指紋采集模塊在所述移動終端的觸控屏上顯示一個指紋采集區域，當用戶用手指(例如右手大拇指)觸摸所述指紋采集區域后，所述指紋采集模塊偵測該手指的指紋信息，根據所述指紋信息生成所述模糊指紋圖像。s302，計算每一個所述模糊指紋圖像的特征向量。具體地，當采集到m個所述模糊指紋圖像之后，首先將每一個所述模糊指紋圖像分割為n個小方塊(參閱圖6所示)。針對每一個所述模糊指紋圖像，根據每個小方塊中的像素值得到所述模糊指紋圖像的特征向量。因此，可以計算得到m個所述模糊指紋圖像對應的m個特征向量，每個特征向量包括n個像素值。s304，按預設比例將計算得到的多個特征向量分為測試集a和訓練集b。具體地，所述預設比例可以設置為1：9。將計算得到的m個特征向量按1：9分為測試集a和訓練集b。例如，當m＝100時，將其中10個特征向量作為測試集a，將剩下90個特征向量作為訓練集b，則測試集a可以看作n*10的矩陣，訓練集b可以看作9個n*10的矩陣。s306，采用維納濾波復原算法處理所述訓練集b，得到復原后的訓練集c。具體地，所述維納濾波復原算法是一種現有的線性圖像復原算法，具體算法原理在此不作贅述。所述維納濾波復原算法實現簡單，相對于約束最小二乘方復原以及逆濾波圖像復原，它的抑制噪聲的能力最好，復原效果最佳，能夠完成圖像復原功能。采用所述維納濾波復原算法處理所述訓練集b中的90個特征向量，得到復原后的90個指紋圖像對應的特征向量，即所述復原后的訓練集c。所述復原后的訓練集c也可以看作9個n*10的矩陣。s308，將所述測試集a與所述復原后的訓練集c進行對比，得到基準差異值。在第一優選實施例中，可以根據所述復原后的訓練集c中的9個n*10的矩陣計算出一個平均值矩陣d(n*10的矩陣)，其中，計算所述9個n*10的矩陣中每個相同位置的9個數據的平均值，并將該平均值作為所述平均值矩陣d中該位置的數據。然后將所述測試集a(n*10的矩陣)中的數據與所述平均值矩陣d中的數據進行對比，以得到所述基準差異值。在第二優選實施例中，也可以將所述測試集a(n*10的矩陣)中的數據與所述復原后的訓練集c中的每一個n*10的矩陣中的數據分別進行對比(即與9個n*10的矩陣對比9次)，得到9個差異值，然后計算該9個差異值的平均值，作為所述基準差異值。具體地，可以根據下列公式來計算所述基準差異值：其中，在所述第一優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述平均值矩陣d中的數據，e2為所述基準差異值。在所述第二優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述復原后的訓練集c中的每一個n*10的矩陣中的數據，e2為所述測試集a與所述復原后的訓練集c中的每一個n*10的矩陣的差異值。計算得到9個所述差異值e2后，再計算該9個差異值e2的平均值，作為所述基準差異值。本實施例提出的指紋模擬方法，可以通過利用維納濾波復原算法對模糊指紋進行復原，并根據測試集a和復原后的訓練集c之間的對比得到基準差異值，以便在后續使用所述移動終端的指紋識別進行解鎖操作時，將所述基準差異值作為指紋驗證的判斷標準。因此，使得用戶能夠在指紋模糊的情況下，也可以較為便捷的直接使用移動終端的指紋識別功能，增加了用戶對移動終端產品的認可度。實施例二如圖4所示，本發明第二實施例提出一種指紋模擬方法。在第二實施例中，所述指紋模擬方法的步驟s400-s408與第一實施例的步驟s300-s308相類似，區別在于該方法還包括步驟s410-s416。該方法包括以下步驟：s400，多次采集用戶的模糊指紋圖像。具體地，通過移動終端的指紋采集模塊采集該用戶的模糊指紋圖像(參閱圖5所示)。經過m次采集，得到m個所述模糊指紋圖像。s402，計算每一個所述模糊指紋圖像的特征向量。具體地，當采集到m個所述模糊指紋圖像之后，首先將每一個所述模糊指紋圖像分割為n個小方塊(參閱圖6所示)。針對每一個所述模糊指紋圖像，根據每個小方塊中的像素值得到所述模糊指紋圖像的特征向量。因此，可以計算得到m個所述模糊指紋圖像對應的m個特征向量，每個特征向量包括n個像素值。s404，按預設比例將計算得到的多個特征向量分為測試集a和訓練集b。具體地，所述預設比例可以設置為1：9。將計算得到的m個特征向量按1：9分為測試集a和訓練集b。例如，當m＝100時，將其中10個特征向量作為測試集a，將剩下90個特征向量作為訓練集b，則測試集a可以看作n*10的矩陣，訓練集b可以看作9個n*10的矩陣。s406，采用維納濾波復原算法處理所述訓練集b，得到復原后的訓練集c。具體地，所述維納濾波復原算法是一種現有的線性圖像復原算法，具體算法原理在此不作贅述。采用所述維納濾波復原算法處理所述訓練集b中的90個特征向量，得到復原后的90個指紋圖像對應的特征向量，即所述復原后的訓練集c。所述復原后的訓練集c也可以看作9個n*10的矩陣。s408，將所述測試集a與所述復原后的訓練集c進行對比，得到基準差異值。在第一優選實施例中，可以根據所述復原后的訓練集c中的9個n*10的矩陣計算出一個平均值矩陣d(n*10的矩陣)，其中，計算所述9個n*10的矩陣中每個相同位置的9個數據的平均值，并將該平均值作為所述平均值矩陣d中該位置的數據。然后將所述測試集a(n*10的矩陣)中的數據與所述平均值矩陣d中的數據進行對比，以得到所述基準差異值。在第二優選實施例中，也可以將所述測試集a(n*10的矩陣)中的數據與所述復原后的訓練集c中的每一個n*10的矩陣中的數據分別進行對比(即與9個n*10的矩陣對比9次)，得到9個差異值，然后計算該9個差異值的平均值，作為所述基準差異值。具體地，可以根據下列公式來計算所述基準差異值：其中，在所述第一優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述平均值矩陣d中的數據，e2為所述基準差異值。在所述第二優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述復原后的訓練集c中的每一個n*10的矩陣中的數據，e2為所述測試集a與所述復原后的訓練集c中的每一個n*10的矩陣的差異值。計算得到9個所述差異值e2后，再計算該9個差異值e2的平均值，作為所述基準差異值。s410，當需要進行指紋驗證時，采集用戶的當前指紋圖像。具體地，當完成上述步驟s400-s408之后，就可以使用所述移動終端的指紋識別進行解鎖操作。此時，通過所述移動終端的指紋采集模塊采集該用戶的當前指紋圖像。s412，計算所述當前指紋圖像的特征向量。具體地，當采集到所述當前指紋圖像之后，首先將所述當前指紋圖像分割為n個小方塊，然后根據每個小方塊中的像素值得到所述當前指紋圖像的特征向量，該特征向量也包括n個像素值。s414，將所述當前指紋圖像的特征向量與所述復原后的訓練集c進行對比，得到當前差異值。具體地，所述當前指紋圖像的特征向量可以看作一個n*1的矩陣，所述復原后的訓練集c可以劃分為多個n*1的矩陣(例如90個n*1的矩陣)。在第三優選實施例中，可以將根據所述復原后的訓練集c中的90個n*1的矩陣計算出一個平均值矩陣e(n*1的矩陣)，其中，計算所述90個n*1的矩陣中每個相同位置的90個數據的平均值，并將該平均值作為所述平均值矩陣e中該位置的數據。然后將所述當前指紋圖像的特征向量(n*1的矩陣)中的數據與所述平均值矩陣e中的數據進行對比，以得到所述當前差異值。在第四優選實施例中，也可以將所述當前指紋圖像的特征向量(n*1的矩陣)中的數據與所述復原后的訓練集c中的每一個n*1的矩陣中的數據分別進行對比(即與90個n*1的矩陣對比90次)，得到90個差異值，然后計算該90個差異值的平均值，作為所述當前差異值。同樣地，可以根據下列公式來計算所述當前差異值：其中，在所述第三優選實施例中，e為期望操作符，f(x，y)為所述當前指紋圖像的特征向量中的數據，為所述平均值矩陣e中的數據，e2為所述當前差異值。在所述第四優選實施例中，e為期望操作符，f(x，y)為所述當前指紋圖像的特征向量中的數據，為所述復原后的訓練集c中的每一個n*1的矩陣中的數據，e2為所述當前指紋圖像的特征向量與所述復原后的訓練集c中的每一個n*1的矩陣的差異值。計算得到90個所述差異值e2后，再計算該90個差異值e2的平均值，作為所述當前差異值。s416，將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證。具體地，可以預先設置一個誤差范圍p。當所述當前差異值與所述基準差異值之間的差小于或等于所述誤差范圍p時，認為所述當前指紋圖像與所述測試集a對應的所述模糊指紋圖像比較相似，因此判斷所述當前指紋圖像驗證通過。當所述當前差異值與所述基準差異值之間的差大于所述誤差范圍p時，認為所述當前指紋圖像與所述測試集a對應的所述模糊指紋圖像不太相似，因此判斷所述當前指紋圖像驗證失敗。在其他實施例中，當所述當前指紋圖像驗證失敗時，通知所述移動終端的用戶輸入密碼進行解鎖操作。本實施例提出的指紋模擬方法，可以通過利用維納濾波復原算法對模糊指紋進行復原，并根據測試集a和復原后的訓練集c之間的對比得到基準差異值。在后續使用所述移動終端的指紋識別進行解鎖操作時，將采集到的當前指紋圖像的特征向量，將與所述復原后的訓練集c進行對比得到當前差異值，并通過所述當前差異值和所述基準差異值的比較判斷指紋驗證結果。因此，使得用戶能夠在指紋模糊的情況下，也可以較為便捷的直接使用移動終端的指紋識別功能，增加了用戶對移動終端產品的認可度。本發明進一步提供一種移動終端，所述移動終端包括存儲器、處理器、指紋采集模塊和指紋模擬系統。所述指紋模擬系統用于利用維納濾波算法對失真的指紋圖像進行復原，使得用戶能夠在指紋模糊的情況下，較為方便的使用移動終端的指紋功能。實施例三如圖7所示，本發明第三實施例提出一種移動終端7。所述移動終端7包括存儲器70、處理器72、指紋采集模塊74和指紋模擬系統76。在本實施例中，所述指紋模擬系統76包括：接收模塊700，用于接收所述指紋采集模塊74多次采集的模糊指紋圖像。具體地，通過所述指紋采集模塊74采集該用戶的模糊指紋圖像(參閱圖5所示)。經過m次采集，得到m個所述模糊指紋圖像。所述接收模塊700從所述指紋采集模塊74中接收m個所述模糊指紋圖像。計算模塊702，用于計算每一個所述模糊指紋圖像的特征向量。具體地，當所述接收模塊700接收到m個所述模糊指紋圖像之后，所述計算模塊702首先將每一個所述模糊指紋圖像分割為n個小方塊(參閱圖6所示)。然后針對每一個所述模糊指紋圖像，根據每個小方塊中的像素值得到所述模糊指紋圖像的特征向量。因此，可以計算得到m個所述模糊指紋圖像對應的m個特征向量，每個特征向量包括n個像素值。劃分模塊704，用于按預設比例將計算得到的多個特征向量分為測試集a和訓練集b。具體地，所述預設比例可以設置為1：9。所述劃分模塊704將計算得到的m個特征向量按1：9分為測試集a和訓練集b。例如，當m＝100時，將其中10個特征向量作為測試集a，將剩下90個特征向量作為訓練集b，則測試集a可以看作n*10的矩陣，訓練集b可以看作9個n*10的矩陣。復原模塊706，用于采用維納濾波復原算法處理所述訓練集b，得到復原后的訓練集c。具體地，所述維納濾波復原算法是一種現有的線性圖像復原算法，具體算法原理在此不作贅述。所述復原模塊706采用所述維納濾波復原算法處理所述訓練集b中的90個特征向量，得到復原后的90個指紋圖像對應的特征向量，即所述復原后的訓練集c。所述復原后的訓練集c也可以看作9個n*10的矩陣。對比模塊708，用于將所述測試集a與所述復原后的訓練集c進行對比，得到基準差異值。在第一優選實施例中，可以根據所述復原后的訓練集c中的9個n*10的矩陣計算出一個平均值矩陣d(n*10的矩陣)，其中，計算所述9個n*10的矩陣中每個相同位置的9個數據的平均值，并將該平均值作為所述平均值矩陣d中該位置的數據。然后將所述測試集a(n*10的矩陣)中的數據與所述平均值矩陣d中的數據進行對比，以得到所述基準差異值。在第二優選實施例中，也可以將所述測試集a(n*10的矩陣)中的數據與所述復原后的訓練集c中的每一個n*10的矩陣中的數據分別進行對比(即與9個n*10的矩陣對比9次)，得到9個差異值，然后計算該9個差異值的平均值，作為所述基準差異值。具體地，可以根據下列公式來計算所述基準差異值：其中，在所述第一優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述平均值矩陣d中的數據，e2為所述基準差異值。在所述第二優選實施例中，e為期望操作符，f(x，y)為所述測試集a中的數據，為所述復原后的訓練集c中的每一個n*10的矩陣中的數據，e2為所述測試集a與所述復原后的訓練集c中的每一個n*10的矩陣的差異值。計算得到9個所述差異值e2后，再計算該9個差異值e2的平均值，作為所述基準差異值。進一步地，所述接收模塊700還用于當需要進行指紋驗證時，采集用戶的當前指紋圖像。具體地，當使用所述移動終端7的指紋識別進行解鎖操作時，通過所述指紋采集模塊74采集該用戶的當前指紋圖像。所述接收模塊700從所述指紋采集模塊74中接收所述當前指紋圖像。所述計算模塊702還用于計算所述當前指紋圖像的特征向量。具體地，當所述接收模塊700接收到到所述當前指紋圖像之后，所述計算模塊702首先將所述當前指紋圖像分割為n個小方塊，然后根據每個小方塊中的像素值得到所述當前指紋圖像的特征向量，該特征向量也包括n個像素值。所述對比模塊708還用于將所述當前指紋圖像的特征向量與所述復原后的訓練集c進行對比，得到當前差異值。具體地，所述當前指紋圖像的特征向量可以看作一個n*1的矩陣，所述復原后的訓練集c可以劃分為多個n*1的矩陣(例如90個n*1的矩陣)。在第三優選實施例中，可以將根據所述復原后的訓練集c中的90個n*1的矩陣計算出一個平均值矩陣e(n*1的矩陣)，其中，計算所述90個n*1的矩陣中每個相同位置的90個數據的平均值，并將該平均值作為所述平均值矩陣e中該位置的數據。然后將所述當前指紋圖像的特征向量(n*1的矩陣)中的數據與所述平均值矩陣e中的數據進行對比，以得到所述當前差異值。在第四優選實施例中，也可以將所述當前指紋圖像的特征向量(n*1的矩陣)中的數據與所述復原后的訓練集c中的每一個n*1的矩陣中的數據分別進行對比(即與90個n*1的矩陣對比90次)，得到90個差異值，然后計算該90個差異值的平均值，作為所述當前差異值。同樣地，可以根據下列公式來計算所述當前差異值：其中，在所述第三優選實施例中，e為期望操作符，f(x，y)為所述當前指紋圖像的特征向量中的數據，為所述平均值矩陣e中的數據，e2為所述當前差異值。在所述第四優選實施例中，e為期望操作符，f(x，y)為所述當前指紋圖像的特征向量中的數據，為所述復原后的訓練集c中的每一個n*1的矩陣中的數據，e2為所述當前指紋圖像的特征向量與所述復原后的訓練集c中的每一個n*1的矩陣的差異值。計算得到90個所述差異值e2后，再計算該90個差異值e2的平均值，作為所述當前差異值。另外，所述指紋模擬系統76還包括驗證模塊710，用于將所述當前差異值與所述基準差異值進行比較，以判斷所述當前指紋圖像是否通過驗證。具體地，可以預先設置一個誤差范圍p。當所述當前差異值與所述基準差異值之間的差小于或等于所述誤差范圍p時，認為所述當前指紋圖像與所述測試集a對應的所述模糊指紋圖像比較相似，因此判斷所述當前指紋圖像驗證通過。當所述當前差異值與所述基準差異值之間的差大于所述誤差范圍p時，認為所述當前指紋圖像與所述測試集a對應的所述模糊指紋圖像不太相似，因此判斷所述當前指紋圖像驗證失敗。在其他實施例中，當所述當前指紋圖像驗證失敗時，所述驗證模塊710還用于通知所述移動終端的用戶輸入密碼進行解鎖操作。需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端(可以是手機，計算機，服務器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。上面結合附圖對本發明的實施例進行了描述，但是本發明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨和權利要求所保護的范圍情況下，還可做出很多形式，這些均屬于本發明的保護之內。當前第1頁12當前第1頁12