李寿鹏作者

​LCD屏下指纹识别方案正式面世,中端手机迎来新成长机遇

最近两年,在全面屏趋势的驱动下,OLED屏下指纹识别方案大热。这与OLED屏幕自发光和透光性好有很大的关系。因为那就意味着能让厂商可以将可见光摄像头通过特定的制程与显示面板结合起来,利用OLED面板的透光性,将指纹用“拍照”的方式获取。而在LCD屏幕上,因为拥有独立的背光和偏光片等多层材料,这就限制了“光”的传播,让屏下指纹的方案过去无法在LCD上实现量产,这也成为了整个行业关注的重点。

LCD和OLED的方案对比

但在昨日,深圳阜时科技在深圳举办的一场发布会上宣布,公司正式推出了LCD面板屏下指纹识别方案。按照该公司总经理莫良华先生的说法,这是公司100多人历时两年研发的成果。

阜时科技总经理莫良华先生

资料显示,刚成立没多久的深圳阜时科技在过去两年内一直在做3D传感、屏内指纹和屏下指纹识别等软硬件技术的研发。在这些项目推进的过程中,也为他们研发LCD屏下指纹识别技术提供了丰富的参考。

例如在研究3D人脸识别方案时,研发团队收获了大量经验,被成功吸收到屏下指纹的研发中来,使得产品研发在经过一段时间的平台期之后,迎来了一个又一个技术突破的机会,并成功转化成可以预见的技术成果。

阜时科技的LCD屏下指纹识别方案专利

在通过对LCD背光板的不断改造与尝试,对指纹光路方案的不断调整与改进,阜时科技成功解决了显示效果、指纹成像效果等瓶颈问题。在2019年春节前后,他们在公司实验室中做到了第一个可以清晰地看到指纹图像的LCD面板+屏下指纹方案。通过在对应 LCD 屏下指纹采集的局限环境下采用最新的深度学习神经网络算法优化,实现了LCD屏下指纹的快速识别。

阜时科技研发副总林峰先生

阜时科技研发副总林峰也表示:“目前其LCD屏下指纹识别率可媲美传统电容式指纹,且算法还在不断进化中”。“在LCD屏下指纹开发上,坚持不懈是至关重要的,只有熬下去才能抓住最后的成功”,他进一步指出。

而据笔者获悉,在发布会举办的前后,阜时科技的研发团队又将产品的方案进行了一次调整和迭代,以期获得更大的手指检测面积,提升用户的使用体验。在这些坚持下,阜时科技的LCD屏下指纹识别吸引了国内的一线品牌厂商与他们合作开发,并计划在今年正式实现量产。

在这个研发过程中,公司也积累了160多项专利,在保证自己技术的同时,也为公司推进下一代产品打下了扎实基础。在发布这个方案的同时,阜时科技也正在与行业厂商配合,推动第二代LCD屏下指纹识别方案的实现。另外,他们还在推进大区域、超薄OLED屏下指纹方案的加速研发落地。为未来的进一步发展布局。

由于智能手机整个产业竞争劲烈,对于任何一个方案来说,成本会是一个关注点所在。在问到这个问题的时候,林峰先生告诉记者:“目前的LCD屏下指纹识别方案和OLED屏下指纹识别方案的成本差不多,但是如果对比‘OLED+屏下指纹’和‘LCD+屏下指纹的方案’,后者的优势会非常明显”。而在笔者看来,阜时这个方案面世之后,或将在不久之后推动中低端手机产业的“升级”。

据统计显示,2018年全球智能手机出货量约合14.6亿部,当中大部分由使用LCD屏幕的中低端手机贡献,这些手机的用户对屏下指纹方案也有巨大的渴求。而阜时科技的这套方案则能助力相关产品升级,给公司带来更多的利好。莫良华也强调:“阜时科技特别讲究平等、开放,好的产品都是产品线和研发团队琢磨出来的。只要他们能够证明自己,公司的资源、资金都会不断地助推这个产品落地。我们不仅欢迎新老客户合作共赢,更是欢迎行业优秀人才、技术伙伴、投资人来我们这里寻找合适的机会,实现更大的价值。”

半导体行业观察
半导体行业观察

最有深度的半导体新媒体,实时、专业、原创、深度,30万半导体精英关注!专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业神经网络深度学习人脸识别指纹识别
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~