[发明专利]一种基于云边端协同计算的深度学习掌静脉识别系统及方法

权利要求书

1.一种基于云边端协同计算的深度学习掌静脉识别系统，其特征在于，包括：

云存储模块，用于搭载深度学习掌静脉识别模型，对深度卷积神经网络模型进行训练获得深度学习掌静脉识别模型，并存储用户信息；

掌静脉采集识别设备，包括采集模块、边缘计算模块和接收模块，其中，采集模块用于采集用户的掌静脉图像，边缘计算模块用于调用深度学习掌静脉识别模型对采集的掌静脉图像进行验证，若验证成功，将验证信息上传至云存储模块，若验证失败，则通过接收模块接收用户输入的信息，并将用户输入的信息与云存储模块中存储的用户信息进行匹配，判断是否为未采集验证掌静脉的新注册的用户，如果是新注册的用户，则采集新注册用户的掌静脉图像，利用新注册用户的掌静脉图像对深度学习掌静脉识别模型进行更新，获得更新后的掌静脉识别模型；

客户端，用于提供登录界面，供用户查询相应的识别信息。

2.如权利要求1所述的系统，其特征在于，云存储模块还用于：

处理客户端的请求，并通过判断不同的请求，做出相应的响应。

3.一种基于权利要求1至2任一项权利要求所述的识别系统的掌静脉识别方法，其特征在于，包括：

步骤S1：通过云存储模块搭载深度学习掌静脉识别模型，对深度卷积神经网络模型进行训练获得深度学习掌静脉识别模型，并存储用户信息；

步骤S2：通过采集模块采集用户的掌静脉图像，通过边缘计算模块调用深度学习掌静脉识别模型对采集的掌静脉图像进行验证，其中，在验证成功时将验证信息上传至云存储模块，验证失败时，通过接收模块接收用户输入的信息，并将用户输入的信息与云存储模块中存储的用户信息进行匹配，判断是否为未采集验证掌静脉的新注册的用户，如果是新注册的用户，则采集新注册用户的掌静脉图像，利用新注册用户的掌静脉图像对深度学习掌静脉识别模型进行更新，获得更新后的掌静脉识别模型；

步骤S3：通过客户端提供登录界面，供用户查询相应的识别信息。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

基于更新后的掌静脉识别模型对当前新注册用户的掌静脉图像进行识别，并将当前新注册用户的掌静脉图像信息返回至云存储模块；

将当前新注册用户的掌静脉图像信息与用户的注册信息进行匹配，若匹配成功，返回至掌静脉采集识别设备，提示录入成功；如果匹配失败，则返回至掌静脉采集识别设备，提示录入失败，并显示重新采集掌静脉图像的指令信息。

5.如权利要求3所述的方法，其特征在于，步骤S1中，深度学习掌静脉识别模型的获得流程，包括：

步骤S1.1：将获取的掌静脉数据集输入云存储模块，其中，掌静脉数据集划分为训练集、测试集和验证集；

步骤S1.2：在模型训练阶段，将训练集以及训练集中图像对应的标签输入深度卷积神经网络模型中，训练完成后，将结果输出；

步骤S1.3：在模型测试阶段，将掌静脉的测试集输入到深度卷积神经网络模型中，测试模型的识别率；

步骤S1.4：在模型验证阶段，将深度卷积神经网络模型中，验证模型的识别情况，根据识别情况，调整分类器参数和模型的复杂度，获得分类器参数和模型的复杂度符合条件的深度学习掌静脉识别模型。

6.如权利要求3所述的方法，其特征在于，步骤S2边缘计算模块调用深度学习掌静脉识别模型对采集的掌静脉图像进行验证，具体包括：

步骤S2.1：对采集的用户的掌静脉图像进行预处理；

步骤S2.2：调用深度学习掌静脉识别模型，对进行预处理后的掌静脉图像进行相似性计算；

步骤S2.3：根据相似性计算结果，通过决策器验证掌静脉相似度是否达到设定阈值，对采集的用户的掌静脉图像进行验证。

7.如权利要求5所述的方法，其特征在于，步骤S1.2具体包括：

步骤S1.2.1：初始化深度卷积神经网络模型的变量训练次数；

步骤S1.2.2：选择部分掌静脉训练集进行批处理；

步骤S1.2.3：在训练模型时，对整个模型进行前向传播获取预测值；

步骤S1.2.4：前向传播完成后，模型在训练的过程中，进行反向传播并更新变量；

步骤S1.2.5：检测是否达到训练的目标，若达到目标，则本次训练结束；若未达到目标，转向步骤S1.2.6；

步骤S1.2.6：测试是否达到训练次数，若达到训练次数，则本次训练结束；若未达到训练次数，转向步骤S1.2.7；

步骤S1.2.7：将训练次数递增，然后再次重复执行步骤S1.2.1～步骤S1.2.6，直到满足训练要求，结束训练。