[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

说明书

本发明涉及一种引入ResNet深度学习网络构建皮纹分类预测模型的方法，其利用智能终端设备充分采集样本皮纹原始图像并依次进行归一化、维纳滤波去噪、Sobel算子算法锐化、二值化算法处理、OPTA像素骨架化处理；然后采用GAN生成式对抗网络模型算法修补增强处理，对每个样本皮纹图像进行人工标注；最后，搭建皮纹分类预测模型，优化损失函数，迭代训练模型，验证获取皮纹分类模型。本发明通过引入基于CNN的ResNet深度学习网络来构建皮纹分类预测模型，所构建的模型在应用时，有利于从多维度、多特征的角度对不同皮纹特征图像进行学习分析，于皮纹图像信息中提取到更多的特征，在皮纹识别分类中达到较高的准确率。

技术领域

本发明涉及皮纹分类识别领域，尤其涉及一种引入ResNet深度学习网络构 建皮纹分类预测模型的方法。

背景技术

从概念范畴上讲，指纹属于皮纹的一种，皮纹是指生于手指、手掌以及脚 趾、脚掌上凸起的纹路，我们常见的名称“指纹”是生于手指上的纹理，生于 手掌及脚掌上的纹理分别叫手掌纹及脚掌纹。皮纹一经发育完成，终生不变， 其所具备的唯一性体现在拥有与其它指纹相区别的独特性，不仅与他人不同， 就是自己的十个手指纹也不相同，其中包括皮纹样式、皮膌高低、密度、数量 及三叉点的位置都不相同。

对于非本技术领域所了解的皮纹，大多仅局限于利用其唯一性进行检测这 项技术，然而，对于专业人士，若对皮纹所存在的这些显著特性进一步展开研 究，则皮纹检测技术具有很深重要的研究意义，例如，其能够用于了解个体的 先天遗传信息、以及对皮纹的分类预测，如现有的常见指纹分类体系将指纹图 像按照其拓扑结构分成五种类型，即弓、账弓、左旋、右旋、和斗，可通过认 识指纹的脊线流入、流出特征、中心点、三角点的图形特征等，对纹型进行合 理的判断。

然而，纹型和纹型之间的差异比较小，用人工的方式，需要通过大量复杂 的专业学习并结合长时间的实践才能够熟练掌握纹型辨识的能力。显然，人工 方式会致使纹型辨识不准，对皮纹信息的解读不够准确，可参考度较低。

由此可见，对于皮纹的分类预测需要一套合理的流程方法，这也是本领域 技术人员不断创新的核心区域之一，旨在通过相应流程方法的实现，提升皮纹 分类与预测的准确度，但在目前对于皮纹分类预测模型的设计并无合理的方法， 其原因在于：

首先，以往皮纹识别分类一般使用浅结构模型来处理数据，且结构模型至 多只有一层或两层的非线性特征的层，浅层结构模型已经用于解决一些在简单 的实际问题，但是当遇到复杂的多维度、多特征的状况时，浅层模型难以完成 很好的表达，因而，若按照以往使用浅结构模型来建立则难以完成分类目标；

其次，皮纹预测模型的建立需要搜索采集大量的样本，皮纹图像的采集需 要智能终端进行拍摄来获取，若受到如灯光、角度、像素等因素影响，则采集 到的皮纹很可能会有受损情况，均会导致有可能需要反复采集，对建立皮纹分 类预测模型的前期数据处理带来较大影响。

近年来，计算机的运算力得到了大幅度提高，互联网上日益增长的海量数 据和需求的不断推动，也得益于ImageNet大赛上CNN夺冠等事件的发生，基 于深度学习的图像处理方法以迅雷不及掩耳的速度在各个图像处理领域都不断 的有新的突破，在传统的图像识别领域，各种CNN模型，准确率不断被刷新， 正是基于模型识别准确率的提升，本发明技术方案之设计人员为了解决上述所 存在问题，在现有公知技术的基础上结合实践应用，尝试将ResNet深度学习网 络模型引入并且使其利于构建皮纹分类预测模型算法，以便于完成皮纹分类预 测。

发明内容

为克服上述问题或者至少部分地解决或缓减解决上述问题，本发明提供一 种引入ResNet深度学习网络构建皮纹分类预测模型的方法，通过引入基于CNN 的ResNet深度学习神经网络来进行皮纹分类预测模型的构建，在进行数据处理 时，有利于从皮纹图像信息中提取到更多的特征，使皮纹分类预测中达到较高 的准确率。

为实现上述目的，本发明采用以下技术方案：