[发明专利]一种引入ResNet深度学习网络构建皮纹分类预测模型的方法

权利要求书

1.一种引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于，所采用的步骤包括：

第一步：利用智能终端设备的摄像功能，充分采集若干样本皮纹原始图像并存储，准备进行对每一个样本皮纹图像预处理环节，所述预处理环节依次进行以下①②③④⑤五个处理步骤：

①进行归一化处理：对样本皮纹原始图像进行适宜的裁剪以得到固定分辨率的图像，将图像分辨率设置为512×512，得到样本皮纹图像Ⅰ；

②对样本皮纹图像Ⅰ对进行维纳滤波去噪处理，得到滤波平滑的样本皮纹图像Ⅱ；

③采用Sobel算子算法对样本皮纹图像Ⅱ锐化并提取边缘，得到样本皮纹图像Ⅲ；

④采用二值化算法处理样本皮纹图像Ⅲ，得到仅保留黑白像素纹理的样本皮纹图像Ⅳ；

⑤将样本皮纹图像Ⅳ通过OPTA细化算法，使其像素骨架化，抽取像素的骨架，得到像素骨架化的样本皮纹图像Ⅴ；

第二步，采用GAN生成式对抗网络模型算法对像素骨架化的每一个样本皮纹图像Ⅴ进行修补处理、增强处理，得到修补增强后的样本皮纹图像Ⅵ；

第三步，对每个样本皮纹图像Ⅵ进行人工标注；

第四步，配置GPU图形处理器，在linux系统环境下，引入可大幅提升特征抽象能力的RestNet深度学习网络模型，并配合可进行模型训练、验证和预测的TensorFlow机器学习系统，搭建皮纹分类预测模型；

其中，所述RestNet深度学习网络模型包括卷积层、池化层、以及若干全连接层，其运算步骤依次为：

使用8*8size的卷积核对第一层网络输入进行卷积、线性激活、池化，输出64*36*36的数据给第二层网络；

使用4*4size的卷积核对第二层网络输入进行卷积、线性激活、池化，输出128*16*16的数据给第三层网络；

使用4*4size的卷积核对第三层网络输入进行卷积、线性激活、池化，输出512*6*6的数据给第四层网络；

使用size为256*32的全连接网络对图像进行分类；

第五步，将修补增强后的各个样本皮纹图像Ⅵ和标注一同作为连续性的数据输入所搭建的皮纹分类预测模型，优化损失函数，迭代训练模型，验证获取皮纹分类模型；

第六步，使用TensorFlow Serving+model搭建模型预测服务端，采用TensorFlowServing工具将训练好的模型直接上线并提供服务，供手机端APP访问调用。

2.根据权利要求1所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述ResNet深度学习网络模型还包括残差网络模块。

3.根据权利要求2所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述ResNet深度学习神经网络模型算法于残差网络中增加直连通道。

4.根据权利要求3所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述直连通道中，将输入X通过X identity绕道传入下一层网络。

5.根据权利要求1-4任一项所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述增强处理包括使像素骨架化的皮纹图像Ⅴ剔除掉背景、噪音，以便突出皮纹特征。

6.根据权利要求1所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述ResNet深度学习网络模型基于CNN网络模型而实现。

7.根据权利要求6所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述CNN网络模型包括卷积层、池化层。

8.根据权利要求7所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述卷积层包括局部感知、权重共享、多卷积核。

9.根据权利要求8所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述局部感知是卷积核和图像卷积时，每次卷积核所覆盖的像素仅一小部分。

10.根据权利要求1或6所述的引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于：所述Tensorflow拥有多层级结构。