[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

说明书

本发明公开了一种基于云边端协同计算的深度学习掌静脉识别系统，主要由云计算层、边缘计算层和终端层构成，通过三层的组合决定了整个识别系统的计算和存储能力，具体包括云存储模块、掌静脉采集识别设备以及客户端，云存储模块能够为模型提供训练所需的计算资源，并将训练后的模型传给掌静脉采集设备的边缘计算模块上，终端收集深度卷积神经网络模型的识别状况，并经边缘计算模块反馈给云存储模块上的深度卷积神经网络模型芯片，这样不断地训练、应用、反馈、再训练，经过反复的有效迭代训练，最终得到的掌静脉识别模型准确率有很大提高；后端云存储模块还可以根据云平台的资源配置和管理能力来实现掌静脉识别系统的快速部署和统一管理。

技术领域

本发明涉及模式识别技术领域，具体涉及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。

背景技术

近年来，随着“智能时代”的到来，AI技术越来越多的应用到生物特征识别领域，这使得生物识别技术在安全性、便捷性和准确性等方面得到了极大的改善。掌静脉识别作为全球唯一的“第二代生物特征识别技术”，在防伪性、精确性和抗干扰性上具有得天独厚的优势。

CNN全称为Convolutional Neural Networks，中文解释为卷积神经网络，它是一种具有局部连接、权重共享和汇聚等特性的深层前馈神经网络。作为深度神经网络的一个分支，CNN在计算机视觉、自然语言处理以及软件工程中的数据挖掘都有很好的应用。特别是计算机视觉中表现尤为突出，目标检测(Object detection)、图像分类(Imageclassification)、图像检索(Image retrieval)、图像语义分割(Image semanticsegmentation)等方面与传统方法甚至一些其他深度神经网络模型相比，表现出更优性能。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

目前，市场上比较流行的掌静脉识别系统主要搭载在本地服务器或远程的云端服务器上，实现用户的考勤、门禁识别和身份认证。同时，识别精度高的深度学习识别引擎计算复杂度相对也很高，而大型的云计算服务器处于终端产生数据和应用模型的远端，这使得深度学习训练出的识别模型无法快速地发布和应用到终端识别设备，而且无法快速得到终端的反馈并及时做出修改，最终使得掌静脉识别系统无法做到用户需求的快速反应。

发明内容

有鉴于此，本发明提供了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，用以解决或者至少部分解决现有技术中系统识别精度不高以及响应速度慢的问题。

为了解决上述技术问题，本发明第一方面提供了一种基于云边端协同计算的深度学习掌静脉识别系统，包括：

云存储模块，用于部署深度学习掌静脉识别算法，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，则利用新注册用户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。

在一种实施方式中，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。

基于同样的发明构思，本发明第二方面提供了一种基于第一方面所述的识别系统的掌静脉识别方法，包括：