申请/专利权人：平安科技(深圳)有限公司

申请日：2019-05-15

公开（公告）日：2024-04-09

公开（公告）号：CN110298233B

主分类号：G06V40/13

分类号：G06V40/13;G06V10/44;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.06.08#实质审查的生效;2019.10.01#公开

摘要：本发明属于人工智能领域，本发明实施例公开了一种掌纹识别的方法、装置、计算机设备及存储介质，其中方法包括下述步骤：获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。掌纹识别时对手掌姿势、位置不限，提高了灵活性，用裁剪后的特征图与存档特征图比对，极大地避免干扰，提高了识别的精度。

主权项：1.一种掌纹识别方法，其特征在于，包括下述步骤：获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数，所述深度对齐神经网络模型包括卷积神经网络层、变换估计层、热度图生成层和特征提取层，所述将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图的步骤中，包括K个阶段，K为大于1的正整数，其中，第k个阶段包括下述步骤：当k=1时，将所述手掌图片输入到所述卷积神经网络层，获得阶段1的关键点修正值ΔS1，与预设的关键点初始值S0相加，得到阶段k的手掌关键点预测值S1；当k=2~K时，将阶段k-1输出的手掌关键预测值Sk-1输入到所述变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；将所述阶段k的变换矩阵Tk与所述手掌图片相乘得到阶段k的手掌变换图片TkI；将所述阶段k的手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；将所述阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；将TkSk-1输入到所述热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：；其中Si是TkSk-1的第i个标记，x,y为所述手掌图片中点的坐标；将所述阶段k的手掌变换图片TkI、所述阶段k的特征图Fk和所述阶段k的热度图Hk输入到所述卷积神经网络层，得到阶段k的关键点修正值ΔSk；将所述阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：；其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为所述阶段k的变换矩阵Tk及逆变矩阵Tk-1；将获得的阶段1至阶段k的特征图作为所述深度对齐神经网络模型响应所述手掌图片而输出的特征图，以及将获得的阶段1至阶段k的关键点预测值作为所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。

全文数据：掌纹识别方法、装置、计算机设备及存储介质技术领域本发明属于人工智能领域，尤其涉及一种掌纹识别方法、装置、计算机设备及存储介质。背景技术在常用的生物特征识别技术中，指纹识别应用范围最为广泛，虹膜的识别精度很高，然而这两种生物特征的采集区域较小，需要高分辨率的图像才能取得满意的识别精度，普通移动设备的成像系统很难采集到能够满足识别要求的高分辨率指纹或虹膜图像。而手形和掌纹的区域较大，相关的识别技术并不需要很高的图像分辨率。掌纹是指手指末端到手腕部分的手掌图像。其中很多特征可以用来进行身份识别：如主线、皱纹、细小的纹理、分叉点等。掌纹识别也是一种非侵犯性的识别方法，用户比较容易接受，对采集设备要求不高。目前非接触式的手掌关键点提取方法，通常采用辅助点，即采用两个以上小圆柱固定在手指指根缝隙处，这种方法只适用于固定装置，不能应用于相机或视频等实际场景中非接触式的手掌关键点提取。手掌只能竖直向上，不能有较多的倾斜放置，受限较多，识别精度不高。发明内容本发明提供一种掌纹识别方法、装置、计算机设备及存储介质，以解决掌纹识别受限较多、识别精度不高的问题。为解决上述技术问题，本发明提出一种掌纹识别方法，包括如下步骤：获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。可选地，所述深度对齐神经网络模型按照下述步骤训练：获取训练样本，所述训练样本为标注了手掌关键点的掌纹图片集，其中，每个样本标注的手掌关键点为N个；将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点；计算所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和；调整所述深度对齐神经网络模型各节点的参数，至所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和最小时，训练结束。可选地，所述深度对齐神经网络模型包括卷积神经网络层、变换估计层、热度图生成层和特征提取层，在所述将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点的步骤中，包括K个阶段，K为大于1的正整数，其中，第k个阶段包括下述步骤：当k＝1时，将所述训练样本输入到所述卷积神经网络层，获得阶段1的关键点修正值ΔS1，与预设的关键点初始值S0相加，得到阶段k的手掌关键点预测值S1；当k＝2～K时，将阶段k-1输出的手掌关键预测值Sk-1输入到所述变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；将所述阶段k的变换矩阵Tk与所述训练样本相乘得到阶段k的手掌变换图片TkI；将所述阶段k的手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；将所述阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；将TkSk-1输入到所述热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：其中Si是TkSk-1的第i个标记，x,y为所述训练样本图片中点的坐标；将所述阶段k的手掌变换图片TkI、所述阶段k的特征图Fk和所述阶段k的热度图Hk输入到所述卷积神经网络层，得到阶段k的关键点修正值ΔSk；将所述阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为所述阶段k的变换矩阵Tk及逆变矩阵Tk-1。可选地，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：将所述M个特征图匹配值与预设的阈值比对；当所述M个特征图匹配值中有L个数值大于和或等于预设的阈值时，其中，L为大于0的正整数，确定所述L个数值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号；当所述M个特征图匹配值都小于预设的阈值时，返回识别失败信息。可选地，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：比较所述M个特征图匹配值的大小，确定所述M个特征图匹配值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号。可选地，所述预设的底片库中各存档特征图关联对应的关键点辅助信息，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：比较所述M个特征图匹配值的大小，将所述M个特征图匹配值中最大的R个数值对应的存档特征图标注的身份标识号进行比对，其中R为大于0，小于M的正整数；当所述R个数值对应的存档特征图标注的身份标识号相同时，确定所述身份标识号为所述手掌图片的身份标识号；当所述R个数值对应的存档特征图标注的身份标识号不同时，计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值；根据所述R个数值和对应的R个关键点匹配值，计算所述手掌图片与所述R个数值对应的存档特征图之间的综合匹配度，其中综合匹配度按照下述公式计算：Pv＝aPfv+bPsv其中，Pv为综合匹配度，Pfv为特征图匹配值，Psv为关键点匹配值，a和b为预设的权重，v为1～R的正整数；确定所述手掌图片的身份标识号为所述综合匹配度中最大数值对应的存档特征图标注的身份标识号。可选地，所述存档特征图的关键点辅助信息为至少包含3个存档特征图的关键点的坐标，在所述计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值的步骤中，包括下述步骤：根据所述存档特征图的关键点的坐标计算所述存档特征图的关键点距离比；根据所述手掌图片的关键点计算所述手掌图片的关键点距离比；根据所述存档特征图的关键点距离比和所述手掌图片的关键点距离比计算距离比相似度，得到所述手掌图片与所述存档特征图的关键点匹配值。为解决上述问题，本发明还提供一种掌纹识别装置，包括：获取模块，用于获取待识别的手掌图片；处理模块，用于将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；裁减模块，用于根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算模块，用于计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数。执行模块，用于根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。可选地，所述处理模块中还包括：第一获取子模块，用于获取训练样本，所述训练样本为标注了手掌关键点的掌纹图片集，其中，每个样本标注的手掌关键点为N个；第一处理子模块，用于将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点；第一计算子模块，用于计算所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和；第一调整子模块，用于调整所述深度对齐神经网络模型各节点的参数，至所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和最小时，训练结束。可选地，所述深度对齐神经网络模型包括卷积神经网络层、变换估计层、热度图生成层和特征提取层，在第一处理子模块中，包括K个子处理器，K为大于1的正整数：当k＝1时，所述子处理器1用于将所述训练样本输入到所述卷积神经网络层，获得阶段1的关键点修正值ΔS1，与预设的关键点初始值S0相加，得到阶段k的手掌关键点预测值S1；当k＝2～K时，所述子处理器k用于将阶段k-1输出的手掌关键预测值Sk-1输入到所述变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；将所述阶段k的变换矩阵Tk与所述训练样本相乘得到阶段k的手掌变换图片TkI；将所述阶段k的手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；将所述阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；将TkSk-1输入到所述热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：其中Si是TkSk-1的第i个标记，x,y为所述训练样本图片中点的坐标；将所述阶段k的手掌变换图片TkI、所述阶段k的特征图Fk和所述阶段k的热度图Hk输入到所述卷积神经网络层，得到阶段k的关键点修正值ΔSk；将所述阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为所述阶段k的变换矩阵Tk及逆变矩阵Tk-1。可选地，在所述执行模块中还包括：第一比对子模块，用于将所述M个特征图匹配值与预设的阈值比对；第一确定子模块，用于当所述M个特征图匹配值中有L个数值大于和或等于预设的阈值时，其中，L为大于0的正整数，确定所述L个数值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号；第一返回子模块，用于当所述M个特征图匹配值都小于预设的阈值时，返回识别失败信息。可选地，在所述执行模块中还包括：第二确定子模块，用于比较所述M个特征图匹配值的大小，确定所述M个特征图匹配值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号。可选地，所述预设的底片库中各存档特征图关联对应的关键点辅助信息，在所述执行模块中还包括：第一比较子模块，用于比较所述M个特征图匹配值的大小，将所述M个特征图匹配值中最大的R个数值对应的存档特征图标注的身份标识号进行比对，其中R为大于0，小于M的正整数；第二确定子模块，用于当所述R个数值对应的存档特征图标注的身份标识号相同时，确定所述身份标识号为所述手掌图片的身份标识号；第二计算子模块，用于当所述R个数值对应的存档特征图标注的身份标识号不同时，计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值；第三计算子模块，用于根据所述R个数值和对应的R个关键点匹配值，计算所述手掌图片与所述R个数值对应的存档特征图之间的综合匹配度，其中综合匹配度按照下述公式计算：Pv＝aPfv+bPsv其中，Pv为综合匹配度，Pfv为特征图匹配值，Psv为关键点匹配值，a和b为预设的权重，v为1～R的正整数；第三确定子模块，用于确定所述手掌图片的身份标识号为所述综合匹配度中最大数值对应的存档特征图标注的身份标识号。可选地，所述存档特征图的关键点辅助信息为至少包含3个存档特征图的关键点的坐标，在所述第二计算子模块中还包括：第四计算子模块，用于根据所述存档特征图的关键点的坐标计算所述存档特征图的关键点距离比；第五计算子模块，用于根据所述手掌图片的关键点计算所述手掌图片的关键点距离比；第六计算子模块，用于根据所述存档特征图的关键点距离比和所述手掌图片的关键点距离比计算距离比相似度，得到所述手掌图片与所述存档特征图的关键点匹配值。为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述掌纹识别方法的步骤。为解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时，使得所述处理器执行上述所述掌纹识别方法的步骤。本发明实施例的有益效果为：通过获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。掌纹识别时对手掌姿势、位置不限，提高了灵活性，用裁剪后的特征图与存档特征图比对，极大地避免干扰，提高了识别的精度。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图图1为本发明实施例一种掌纹识别方法基本流程示意图；图2为本发明实施例深度对齐神经网络模型训练流程示意图；图3为本发明实施例一种掌纹识别装置基本结构框图；图4为本发明实施计算机设备基本结构框图。具体实施方式为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCSPersonalCommunicationsService，个人通信系统，其可以组合语音、数据处理、传真和或数据通信能力；PDAPersonalDigitalAssistant，个人数字助理，其可以包括射频接收器、寻呼机、互联网内联网访问、网络浏览器、记事本、日历和或GPSGlobalPositioningSystem，全球定位系统接收器；常规膝上型和或掌上型计算机或其他设备，其具有和或包括射频接收器的常规膝上型和或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具航空、海运和或陆地中的，或者适合于和或配置为在本地运行，和或以分布形式，运行在地球和或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐视频播放终端，例如可以是PDA、MIDMobileInternetDevice，移动互联网设备和或具有音乐视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。本实施方式中的终端即为上述的终端。具体地，请参阅图1，图1为本实施例一种掌纹识别方法的基本流程示意图。如图1所示，一种掌纹识别方法，包括下述步骤：S101、获取待识别的手掌图片；通过具有图像采集功能的设备获取待识别的手掌图片，包括带摄像头的手持设备、移动设备等。S102、将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；将手掌图片输入到预先训练的深度对齐神经网络模型，获取深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图。手掌关键点为多个，取决于深度对其神经网络模型对训练样本的学习。深度对齐神经网络模型包含卷积神经网络层、变换估计层、热度图生成层和特征提取层，具体的训练请参阅图2，如图2所示，深度对齐神经网络模型的训练包括下述步骤：S111、获取训练样本，所述训练样本为标注了手掌关键点的掌纹图片集，其中，每个样本标注的手掌关键点为N个；训练样本为掌纹图片集，且每个样本标注了手掌关键点的坐标，这里标注的手掌关键点包括但不限于手掌的小指指根外侧点，小指指尖，小指与无名指之间指丫点，无名指指尖，无名指与中指之间指丫点，中指指尖，中指与食指之间指丫点，食指指尖，食指外侧点，虎口，大拇指指尖，大拇指指根点，掌纹三条主纹路的起点、中点、终点。S112、将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点；深度对齐神经网络模型响应训练样本而输出预测的手掌关键点的过程包含多个阶段。其中，第1个阶段包括下述步骤：将训练样本输入到卷积神经网络层，获得阶段1的关键点修正值ΔS1，与关键点初始值S0相加，得到阶段1的手掌关键点预测值S1；其中关键点初始值S0为训练样本标注的关键点的坐标的平均值。第k个阶段包括下述步骤：将阶段k-1输出的手掌关键预测值Sk-1输入到变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；变换估计层用于生成变换矩阵，实现对训练图片的姿势对齐，具体地，用变换矩阵Tk与训练样本相乘得到阶段k的手掌变换图片TkI，也就是手掌姿势对齐后的图片。然后将手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；特征提取有多种方法，例如采用方向梯度直方图法，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。这种方法的主要思想是在一副图像中，局部目标的表象和形状appearanceandshape能够被梯度或边缘的方向密度分布很好地描述。具体实现方法为将一个图像image：1灰度化将图像看做一个x,y,z灰度的三维图像；2采用Gamma校正法对输入图像进行颜色空间的标准化归一化；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；3计算图像每个像素的梯度包括大小和方向；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。4将图像划分成小cells例如6*6像素cell；5统计每个cell的梯度直方图不同梯度的个数，即可形成每个cell的描述子；6将每几个cell组成一个block例如3*3个cellblock，一个block内所有cell的特征描述子串联起来便得到该block的梯度直方图特征描述子。7将图像image内的所有block的梯度直方图特征描述子串联起来就可以得到该image的梯度直方图特征描述子。然后将阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；再将TkSk-1输入到热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：其中Si是TkSk-1的第i个标记，x,y为所述训练样本图片中点的坐标；将阶段k的手掌变换图片TkI、阶段k的特征图Fk和阶段k的热度图Hk输入到卷积神经网络层，得到阶段k的关键点修正值ΔSk；将阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为阶段k的变换矩阵Tk及逆变矩阵Tk-1。为了平衡计算量和精度，通常循环执行上述阶段3次，及k为3，执行3次循环，得到S3即为深度对齐神经网络响应训练样本输出的手掌关键点预测值。S113、计算所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和；这里标注的手掌关键点与预测的手掌关键点之间的距离指对应的关键点之间的距离，例如标注的手掌关键点包括中指指尖、食指指尖，这里的距离指标注的中指指尖与预测的中指指尖的距离、标注的食指指尖与预测的食指指尖的距离。S114、调整所述深度对齐神经网络模型各节点的参数，至所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和最小时，训练结束。调整深度对齐神经网络模型各节点的参数，使标注的手掌关键点和预测的手掌关键点之间的距离的平方和最小。本发明实施例中采用梯度下降法，梯度下降法是一个最优化算法，用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。S103、根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；根据手掌关键点裁剪特征图，具体地，以包含所有关键点的矩形对通过步骤S102处理得到的特征图进行裁剪。S104、计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数；预设的底片库存有多张存档特征图，存档特征图标注了身份标识号，用来与待识别的手掌图片的特征图对比，从而确定手掌图片的身份标识号。计算特征图之间的匹配度，即计算两个矩阵之间的相似度，矩阵相似度的计算可以采用矩阵中的元素对比的方法，如果两个矩阵中相同位置的元素相同，相似点数+1，扫描完所有元素得到相似点数，相似点数与矩阵元素个数相除即得到两个矩阵的相似度。也可以通过计算矩阵的特征向量，计算两个特征向量之间的余弦相似度来确定两个矩阵的相似度。通过以上方法与底片库中所有的存档特征图匹配，得到M个特征图匹配值。S105、根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。根据M个特征图匹配值，确定手掌图片对应的身份标识号有多种方式，具体地，将M个特征图匹配值与预设的阈值比对；当M个特征图匹配值中有L个数值大于和或等于预设的阈值时，其中，L为大于0的正整数，确定L个数值中最大值对应的存档特征图标注的身份标识号为待识别的手掌图片的身份标识号；当M个特征图匹配值都小于预设的阈值时，返回识别失败信息。在一些实施方式中，通过比较M个特征图匹配值的大小，确定M个特征图匹配值中最大值对应的存档特征图标注的身份标识号为手掌图片的身份标识号。本发明实施例中，为提高识别的精度，在预设的底片库中各存档特征图关联对应的关键点辅助信息，根据下述步骤确定待识别的手掌图像的身份标识号：S121、比较所述M个特征图匹配值的大小，将所述M个特征图匹配值中最大的R个数值对应的存档特征图标注的身份标识号进行比对，其中R为大于0，小于M的正整数；S122、当所述R个数值对应的存档特征图标注的身份标识号相同时，确定所述身份标识号为所述手掌图片的身份标识号；S123、当所述R个数值对应的存档特征图标注的身份标识号不同时，计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值；本发明实施例中，存档特征图的关键点辅助信息为至少包含3个存档特征图的关键点的坐标，在所述计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值的步骤中，包括下述步骤：S131、根据所述存档特征图的关键点的坐标计算所述存档特征图的关键点距离比；通过关键点的坐标计算关键点距离比，例如存档特征图标注的3个关键点为A、B、C，先计算各点之间距离，记为AB、BC、AC，然后计算距离比，即AB：BC、BC：AC、AB：AC，为表示方便记为d1、d2、d3。S132、根据所述手掌图片的关键点计算所述手掌图片的关键点距离比；同理，例如手掌图片的关键点为A*、B*、C*，A*与A为手掌相同位置的关键点，手掌图片的关键点距离比可表示为A*B*：B*C*、B*C*：A*C*、A*B*：B*C*，记为d1*、d2*、d3*。S133、根据所述存档特征图的关键点距离比和所述手掌图片的关键点距离比计算距离比相似度，得到所述手掌图片与所述存档特征图的关键点匹配值。根据以下公式计算关键点匹配值：其中di*为手掌图片的关键点距离比，di为存档特征图的关键点距离比，N为关键点个数。通过关键点距离比计算关键点的匹配度，距离比可以很好的体现手掌的结构特征，可以提高识别精度，且计算简便。S124、根据所述R个数值和对应的R个关键点匹配值，计算所述手掌图片与所述R个数值对应的存档特征图之间的综合匹配度，其中综合匹配度按照下述公式计算：Pv＝aPfv+bPsv其中，Pv为综合匹配度，Pfv为特征图匹配值，Psv为关键点匹配值，a和b为预设的权重，v为1～R的正整数；将特征图匹配值和关键点匹配值进行加权求和，计算掌图片与R个数值对应的存档特征图之间的综合匹配度。S125、确定所述手掌图片的身份标识号为所述综合匹配度中最大数值对应的存档特征图标注的身份标识号。确定综合匹配度最大值对应的存档特征图标注的身份标识号为手掌图片的身份标识号。综合匹配度加入了关键点匹配值这一因素，可以进一步提高掌纹识别的精度。为解决上述技术问题本发明实施例还提供一种掌纹识别装置。具体请参阅图3，图3为本实施例掌纹识别装置的基本结构框图。如图3所示，一种掌纹识别装置，包括：获取模块210、处理模块220、裁剪模块230、计算模块240和执行模块250，其中获取模块210，用于获取待识别的手掌图片；处理模块220，用于将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；裁减模块230，用于根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算模块240，用于计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数，获得M个特征图匹配值；执行模块250，用于根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。本发明实施例通过获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。掌纹识别时对手掌姿势、位置不限，提高了灵活性，用裁剪后的特征图与存档特征图比对，极大地避免干扰，提高了识别的精度。在一些实施方式中，所述处理模块220中还包括：第一获取子模块，用于获取训练样本，所述训练样本为标注了手掌关键点的掌纹图片集，其中，每个样本标注的手掌关键点为N个；第一处理子模块，用于将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点；第一计算子模块，用于计算所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和；第一调整子模块，用于调整所述深度对齐神经网络模型各节点的参数，至所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和最小时，训练结束。在一些实施方式中，所述深度对齐神经网络模型包括卷积神经网络层、变换估计层、热度图生成层和特征提取层，在第一处理子模块中，包括K个子处理器，K为大于1的正整数：当k＝1时，所述子处理器1用于将所述训练样本输入到所述卷积神经网络层，获得阶段1的关键点修正值ΔS1，与预设的关键点初始值S0相加，得到阶段k的手掌关键点预测值S1；当k＝2～K时，所述子处理器k用于将阶段k-1输出的手掌关键预测值Sk-1输入到所述变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；将所述阶段k的变换矩阵Tk与所述训练样本相乘得到阶段k的手掌变换图片TkI；将所述阶段k的手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；将所述阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；将TkSk-1输入到所述热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：其中Si是TkSk-1的第i个标记，x,y为所述训练样本图片中点的坐标；将所述阶段k的手掌变换图片TkI、所述阶段k的特征图Fk和所述阶段k的热度图Hk输入到所述卷积神经网络层，得到阶段k的关键点修正值ΔSk；将所述阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为所述阶段k的变换矩阵Tk及逆变矩阵Tk-1。在一些实施方式中，在所述执行模块250中还包括：第一比对子模块，用于将所述M个特征图匹配值与预设的阈值比对；第一确定子模块，用于当所述M个特征图匹配值中有L个数值大于和或等于预设的阈值时，其中，L为大于0的正整数，确定所述L个数值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号；第一返回子模块，用于当所述M个特征图匹配值都小于预设的阈值时，返回识别失败信息。在一些实施方式中，在所述执行模块250中还包括：第二确定子模块，用于比较所述M个特征图匹配值的大小，确定所述M个特征图匹配值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号。在一些实施方式中，所述预设的底片库中各存档特征图关联对应的关键点辅助信息，在所述执行模块中还包括：第一比较子模块，用于比较所述M个特征图匹配值的大小，将所述M个特征图匹配值中最大的R个数值对应的存档特征图标注的身份标识号进行比对，其中R为大于0，小于M的正整数；第二确定子模块，用于当所述R个数值对应的存档特征图标注的身份标识号相同时，确定所述身份标识号为所述手掌图片的身份标识号；第二计算子模块，用于当所述R个数值对应的存档特征图标注的身份标识号不同时，计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值；第三计算子模块，用于根据所述R个数值和对应的R个关键点匹配值，计算所述手掌图片与所述R个数值对应的存档特征图之间的综合匹配度，其中综合匹配度按照下述公式计算：Pv＝aPfv+bPsv其中，Pv为综合匹配度，Pfv为特征图匹配值，Psv为关键点匹配值，a和b为预设的权重，v为1～R的正整数；第三确定子模块，用于确定所述手掌图片的身份标识号为所述综合匹配度中最大数值对应的存档特征图标注的身份标识号。在一些实施方式中，所述存档特征图的关键点辅助信息为至少包含3个存档特征图的关键点的坐标，在所述第二计算子模块中还包括：第四计算子模块，用于根据所述存档特征图的关键点的坐标计算所述存档特征图的关键点距离比；第五计算子模块，用于根据所述手掌图片的关键点计算所述手掌图片的关键点距离比；第六计算子模块，用于根据所述存档特征图的关键点距离比和所述手掌图片的关键点距离比计算距离比相似度，得到所述手掌图片与所述存档特征图的关键点匹配值。为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。如图4所示，计算机设备的内部结构示意图。如图4所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种掌纹识别的方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种掌纹识别的方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。本实施方式中处理器用于执行图3中获取模块210、处理模块220、裁剪模块230、计算模块240和执行模块250的具体内容，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有掌纹识别方法中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。计算机设备通过获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。掌纹识别时对手掌姿势、位置不限，提高了灵活性，用裁剪后的特征图与存档特征图比对，极大地避免干扰，提高了识别的精度。本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述掌纹识别方法的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体Read-OnlyMemory，ROM等非易失性存储介质，或随机存储记忆体RandomAccessMemory，RAM等。应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种掌纹识别方法，其特征在于，包括下述步骤：获取待识别的手掌图片；将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，获得M个特征图匹配值，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数；根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。2.根据权利要求1所述的掌纹识别方法，其特征在于，所述深度对齐神经网络模型按照下述步骤训练：获取训练样本，所述训练样本为标注了手掌关键点的掌纹图片集，其中，每个样本标注的手掌关键点为N个；将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点；计算所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和；调整所述深度对齐神经网络模型各节点的参数，至所述标注的手掌关键点和所述预测的手掌关键点之间的距离的平方和最小时，训练结束。3.根据权利要求2所述的掌纹识别方法，其特征在于，所述深度对齐神经网络模型包括卷积神经网络层、变换估计层、热度图生成层和特征提取层，在所述将所述训练样本输入到深度对齐神经网络模型获取所述深度对齐神经网络模型响应所述训练样本而预测的手掌关键点的步骤中，包括K个阶段，K为大于1的正整数，其中，第k个阶段包括下述步骤：当k＝1时，将所述训练样本输入到所述卷积神经网络层，获得阶段1的关键点修正值ΔS1，与预设的关键点初始值S0相加，得到阶段k的手掌关键点预测值S1；当k＝2～K时，将阶段k-1输出的手掌关键预测值Sk-1输入到所述变换估计层，获得阶段k的变换矩阵Tk及逆变矩阵Tk-1；将所述阶段k的变换矩阵Tk与所述训练样本相乘得到阶段k的手掌变换图片TkI；将所述阶段k的手掌变换图片TkI输入到所述特征提取层，得到阶段k的特征图Fk；将所述阶段k的变换矩阵Tk与所述阶段k-1的手掌关键点预测值Sk-1相乘得到TkSk-1；将TkSk-1输入到所述热度图生成层，得到阶段k的热度图Hk，其中热度图的变换公式为：其中Si是TkSk-1的第i个标记，x,y为所述训练样本图片中点的坐标；将所述阶段k的手掌变换图片TkI、所述阶段k的特征图Fk和所述阶段k的热度图Hk输入到所述卷积神经网络层，得到阶段k的关键点修正值ΔSk；将所述阶段k的关键点修正值ΔSk代入下述公式，计算阶段k的手掌关键点预测值Sk：其中，Sk-1为所述阶段k-1的关键点预测值，Tk及Tk-1为所述阶段k的变换矩阵Tk及逆变矩阵Tk-1。4.根据权利要求1所述的掌纹识别方法，其特征在于，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：将所述M个特征图匹配值与预设的阈值比对；当所述M个特征图匹配值中有L个数值大于和或等于预设的阈值时，其中，L为大于0的正整数，确定所述L个数值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号；当所述M个特征图匹配值都小于预设的阈值时，返回识别失败信息。5.根据权利要求1所述的掌纹识别方法，其特征在于，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：比较所述M个特征图匹配值的大小，确定所述M个特征图匹配值中最大值对应的存档特征图标注的身份标识号为所述手掌图片的身份标识号。6.根据权利要求1所述的掌纹识别方法，其特征在于，所述预设的底片库中各存档特征图关联对应的关键点辅助信息，在所述根据M个特征图匹配值，确定所述手掌图片对应的身份标识号的步骤中，包括下述步骤：比较所述M个特征图匹配值的大小，将所述M个特征图匹配值中最大的R个数值对应的存档特征图标注的身份标识号进行比对，其中R为大于0，小于M的正整数；当所述R个数值对应的存档特征图标注的身份标识号相同时，确定所述身份标识号为所述手掌图片的身份标识号；当所述R个数值对应的存档特征图标注的身份标识号不同时，计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值；根据所述R个数值和对应的R个关键点匹配值，计算所述手掌图片与所述R个数值对应的存档特征图之间的综合匹配度，其中综合匹配度按照下述公式计算：Pv＝aPfv+bPsv其中，Pv为综合匹配度，Pfv为特征图匹配值，Psv为关键点匹配值，a和b为预设的权重，v为1～R的正整数；确定所述手掌图片的身份标识号为所述综合匹配度中最大数值对应的存档特征图标注的身份标识号。7.根据权利要求6所述的掌纹识别方法，其特征在于，所述存档特征图的关键点辅助信息为至少包含3个存档特征图的关键点的坐标，在所述计算所述手掌图片的关键点与所述R个数值对应的存档特征图的关键点辅助信息之间的匹配度，获得R个关键点匹配值的步骤中，包括下述步骤：根据所述存档特征图的关键点的坐标计算所述存档特征图的关键点距离比；根据所述手掌图片的关键点计算所述手掌图片的关键点距离比；根据所述存档特征图的关键点距离比和所述手掌图片的关键点距离比计算距离比相似度，得到所述手掌图片与所述存档特征图的关键点匹配值。8.一种掌纹识别装置，其特征在于，包括：获取模块，用于获取待识别的手掌图片；处理模块，用于将所述手掌图片输入到预先训练的深度对齐神经网络模型，获取所述深度对齐神经网络模型响应所述手掌图片而输出的手掌关键点和特征图，其中，所述手掌关键点为N个，N为大于1的正整数；裁减模块，用于根据所述手掌关键点裁减所述特征图，得到裁减后的特征图；计算模块，用于计算所述裁减后的特征图与预设的底片库中的各存档特征图之间的匹配度，其中，所述预设的底片库中包含M张标注了身份标识号的存档特征图，M为大于1的正整数，获得M个特征图匹配值；执行模块，用于根据所述M个特征图匹配值，确定所述手掌图片对应的身份标识号。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。

百度查询： 平安科技(深圳)有限公司 掌纹识别方法、装置、计算机设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD