[发明专利]一种手部生理信息检测方法

权利要求书

1.一种手部生理信息检测方法，其特征在于：具体步骤如下，

(1)手部完整度检测；

(2)手腕灵活度检测；

(3)手指灵活度检测。

2.按照权利要求1所述的手部生理信息检测方法，其特征在于：在手部完整度检测中，包括下列步骤，

(101)通过大量实际正常手部检测，提取完整手部正常的特征值通过神经网络训练，形成手指长度特征模型库；

(102)在对被测者的手部完整度检测中，先将置信分数低于M的关键点排除，然后根据选择出的关键点，计算每根手指的长度以及每根手指中各个骨节的长度；

(103)进行肤色验证。

3.按照权利要求2所述的手部生理信息检测方法，其特征在于：在(103)进行肤色验证的步骤中，包含下列步骤，

(1031)从原始图像中，将手部区域抠出，

(1032)进行平滑模糊；

(1033)利用椭圆颜色空间，过滤出接近肤色的区域；

(1034)求出肤色区域图，在原始图像上，根据关键点，计算出每根手指对应的矩形区域；

(1035)以每根手指的矩形区域作为蒙板，在肤色区域图中，抠出对应指头的肤色矩形区域，判断该区域的肤色比例是否大于预先设定的比例，判定否则残缺。

4.按照权利要求2所述的手部生理信息检测方法，其特征在于：(102)步骤中，关键点的置信分数临界阈值M求导具体步骤如下：

(1021)通过对运动中的手部进行实时数据采集，再基于OpenPose手部识别算法，以每秒20张的处理速度，定位手部21个关键点；

(1022)OpenPose根据PAF算法，给出了每个关键点的置信分数，范围为[0，1]，每个关键点的置信分数临界阈值为M，在[M，1]区间内，置信分数值越高，说明关键点越准确，置信分数低于M的关键点作为干扰信息排除；

(1023)设置信分数集合为S，且该集合中位数为S_d，

将区间[0，1]按照0.1的间隔划分为10个小区间，f₁，f₂，f₃，……f₁₀

设(1≤i≤10，且i为自然数)为集合S中置信分落在f_i区间的集合，

且该集合平均数为

设

M＝M_d-3(M_d-S_d)

5.按照权利要求2所述的手部生理信息检测方法，其特征在于：(101)步骤中形成手指长度特征模型库的神经网络训练方式如下，提前抓取海量正常手部照片，针对每张图片提取出手部关键点，并制作成二值图，以此海量图片为数据，进行神经网络的训练，用于对体检人的手部完整度进行识别。

6.按照权利要求5所述的手部生理信息检测方法，其特征在于：所述神经网络的训练分为6层，该6层神经网络的训练如下，

第一层为卷积层，卷积核大小为3*3*1，数量为32，步长为1，边界处理方式为“SAME”，激发函数为Relu；

第二层为池化层，尺寸为2*2，方式为最大化池化；

第三层为卷积层，卷积核大小为3*3*32，数量为32，步长为1，边界处理方式为“SAME”，激发函数为Relu；

第四层为池化层，尺寸为2*2，方式为最大化池化；

第五层为全连接层，神经元数量为1024个，激发函数为Relu；

第六层为全连接层，神经元数量为10个，激发函数为softmax，用于输出分类结果；Softmax多用于分类过程中，它将多个神经元的输出，映射到(0，1)区间内，可以看成概率来理解，从而来进行多分类；

假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是：

模型训练过程的损失函数为交叉熵，如下：

其中y为训练数据的真实值，a为softmax求出的值，下标i为输出结点的标号。