[发明专利]一种手掌图像识别方法、系统及设备

说明书

本发明公开了一种手掌图像识别方法、系统及设备，适用于预先建立好的MobileNet神经网络模型，所述MobileNet神经网络模型使用MaxMin函数作为激活函数，方法包括：获取可见光场景下不同的手掌图像并对手掌区域的关键点信息进行标注；将标注好的手掌图像输入到MobileNet神经网络模型中进行训练，得到训练好的MobileNet神经网络模型；将实时的图像输入到训练好的MobileNet神经网络模型中，MobileNet神经网络模型输出图像中的手掌识别结果。本发明通过使用MobileNet神经网络模型对图像中的手掌进行识别，在MobileNet神经网络模型中使用MaxMin函数作为激活函数，使得MobileNet神经网络模型学习到更多的非线性特征，获得较优的模型性能，有效减少模型训练过程中神经元坏死导致梯度消失的情况，从而提高了手掌图像的识别精度。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种手掌图像识别方法、系统及设备。

背景技术

目前，身份认证核验系统通常包含生物特征检测、登记与识别等过程，其中，能否正确检测生物特征对于认证核验系统的性能至关重要。当前对于生物特征的检测，通常采用传统图像处理和深度学习两种方法实现，但前者是人为设计的特征模板，学习过程计算量大且耗时；后者则是设计卷积神经网络(CNN)实现自主学习样本的特征信息，这种方式适用性强，加之近几年学术界和工业界对其展开大量的研究，其模型的计算参数和耗时对比传统方法已经有很大的改进。

考虑到算法结合产品的实际应用场景，计算量少的小网络模型成为很多研究者的首选。然而，由于小网络模型存在着a.模型设计简单；b.训练数据较少；c.模型训练过程易出现拟合等不足，导致对于图像中的手掌检测准确率低。

综上所述，现有技术中采用小网络模型对图像中的手掌进行检测时，存在着准确率较低的技术问题。

发明内容

本发明提供了一种手掌图像识别方法、系统及设备，用于解决现有技术中采用小网络模型对图像中的手掌进行检测时，存在着准确率较低的技术问题。

本发明提供的一种手掌图像识别方法，适用于预先建立好的MobileNet神经网络模型，所述MobileNet神经网络模型使用MaxMin函数作为激活函数，方法包括以下步骤：

获取可见光场景下不同的手掌图像；

对手掌图像中手掌区域的关键点信息进行标注；

将标注好的手掌图像输入到MobileNet神经网络模型中进行训练，得到训练好的MobileNet神经网络模型；

将实时的图像输入到训练好的MobileNet神经网络模型中，MobileNet神经网络模型输出图像中的手掌识别结果。

优选的，手掌图像通过输入层输入MobileNet神经网络模型，卷积层提取出手掌图像的特征信息以及特征映射关系；激励层根据特征映射关系对特征信息进行非线性运算，提取深层特征信息；池化层对手掌图像进行压缩处理；全连接层压缩后的手掌图像的深层特征信息进行拟合，并将拟合后的深层特征信息传输到分类回归层中进行计算、输出识别结果。

优选的，MaxMin函数作为激活函数的工作过程如下：

将输入MaxMin函数的所有特征通道划分成特征通道大小一致、通道数量相同的两部分N1和N2；其中，若输入的特征通道为奇数时，最后一个通道信息则采用ReLU运算得到f(x_m)，若为偶数，f(x_m)则为0；

对N1和N2进行最大值、最小值的点运算，分别生成输入通道信息的最大值f_maxmin(x)|_max和最小值f_maxmin(x)|_min；