[发明专利]一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质

说明书

本发明提供了一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质，所述方法包括：采用resNet网络和FPN网络组合形成的神经网络进行训练得到检测模型，其中，所述FPN网络包括自上至下进行逆卷积变换的第一特征金字塔和自下至上进卷积变换的第二特征金字塔，所述第一特征金字塔和所述第二特征金字塔与所述resNet网络具有相同数量且尺寸的特征层，除了最底层外，所述resNet网络的每一层分别连接至所述第一特征金字塔的相应层，且所述resNet网络的最底层分别连接至所述第一特征金字塔的最顶层和所述第二特征金字塔的最顶层。采用本发明的技术方案，训练得到的掌静脉检测模型检测精度高。

技术领域

本发明涉及图像识别技术领域，具体为一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质。

背景技术

掌静脉检测在掌静脉识别系统中具有非常重要的作用，即只有检测准确而且迅速才能保证后续的识别准确性以及在终端的可应用。现有掌静脉检测技术主要分为两类，第一类是基于传统的手动设计的特征，同时结合定位，得到掌静脉的检测结果；第二类方法则是基于深度学习自动提取特征，将分类l oss和定位l oss进行结合，训练得到检测模型。

现有的掌静脉检测技术，无论是早期的传统方法还是最新的深度学习提取掌静脉特征，由于训练数据采集的原因，对于距离很远或距离很近的手掌的掌静脉检测效果都不好；另外，为了同时保证模型的精度和速度，只能在两者之前取平衡，然而最终的结果导致既不能保证模型的精度，也不能保证模型的速度。

发明内容

本发明的目的在于提供一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质。

本发明实施例中，提供了一种掌静脉检测模型的训练方法，其包括：采用resNet网络和FPN网络组合形成的神经网络进行训练得到检测模型，其中，所述FPN网络包括自上至下进行逆卷积变换的第一特征金字塔和自下至上进卷积变换的第二特征金字塔，所述第一特征金字塔和所述第二特征金字塔与所述resNet网络具有相同数量且尺寸的特征层，除了最底层外，所述resNet网络的每一层分别连接至所述第一特征金字塔的相应层，且所述resNet网络的最底层分别连接至所述第一特征金字塔的最顶层和所述第二特征金字塔的最顶层。

本发明实施例中，在训练之前，对训练图片进行裁剪和缩放。

本发明实施例中，将所述resNet网络的卷积堆结构设置为[3,3,9,3]。

本发明实施例中，在训练时，将所述检测模型的每个特征层中的卷积核的数量减少为原来的一半。

本发明实施例中，在训练样本集中，将五个手指两两之间的最低点作为训练的检测关键点，将其回归的loss与掌静脉检测的loss进行合并，得到最终的loss。

本发明实施例中，最终的loss值L的计算方式如下：

其中，λ₁和λ₂分别代表不同损失的权重系数，为小于1的常数；L_cls为掌静脉分类损失函数，p_i和分别为预测和真实掌静脉分类；L_box为掌静脉定位回归损失函数，t_i和分别为预测和真实掌静脉方框坐标；L_pts为掌静脉关键点回归损失函数，l_i和分别为预测和真实掌静脉关键点坐标。

本发明实施例中，掌静脉分类损失函数

其中，N是输入的样本数或者实例的数量，i是某一个样本或者实例；M表示样本可能的分类数量，j表示某一个分类；表示某个样本i属于分类j的标签，p_ij表示样本i预测为分类j的概率；

掌静脉定位回归损失函数