[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

摘要

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。

主权项

1.一种引入ResNet深度学习网络构建皮纹分类预测模型的方法，其特征在于，所采用的步骤包括：第一步：利用智能终端设备的摄像功能，充分采集若干样本皮纹原始图像并存储，准备进行对每一个样本皮纹图像预处理环节，所述预处理环节依次进行以下①②③④⑤五个处理步骤：①进行归一化处理：对样本皮纹原始图像进行适宜的裁剪以得到固定分辨率的图像，将图像分辨率设置为512×512，得到样本皮纹图像Ⅰ；②对样本皮纹图像Ⅰ对进行维纳滤波去噪处理，得到滤波平滑的样本皮纹图像Ⅱ；③采用Sobel算子算法对样本皮纹图像Ⅱ锐化并提取边缘，得到样本皮纹图像Ⅲ；④采用二值化算法处理样本皮纹图像Ⅲ，得到仅保留黑白像素纹理的样本皮纹图像Ⅳ；⑤将样本皮纹图像Ⅳ通过OPTA细化算法，使其像素骨架化，抽取像素的骨架，得到像素骨架化的样本皮纹图像Ⅴ；第二步，采用GAN生成式对抗网络模型算法对像素骨架化的每一个样本皮纹图像Ⅴ进行修补处理、增强处理，得到修补增强后的样本皮纹图像Ⅵ；第三步，对每个样本皮纹图像Ⅵ进行人工标注；第四步，配置GPU图形处理器，在linux系统环境下，引入可大幅提升特征抽象能力的RestNet深度学习网络模型，并配合可进行模型训练、验证和预测的TensorFlow机器学习系统，搭建皮纹分类预测模型；其中，所述RestNet深度学习网络模型包括卷积层、池化层、以及若干全连接层，其运算步骤依次为：使用8*8size的卷积核对第一层网络输入进行卷积、线性激活、池化，输出64*36*36的数据给第二层网络；使用4*4size的卷积核对第二层网络输入进行卷积、线性激活、池化，输出128*16*16的数据给第三层网络；使用4*4size的卷积核对第三层网络输入进行卷积、线性激活、池化，输出512*6*6的数据给第四层网络；使用size为256*32的全连接网络对图像进行分类；第五步，将修补增强后的各个样本皮纹图像Ⅵ和标注一同作为连续性的数据输入所搭建的皮纹分类预测模型，优化损失函数，迭代训练模型，验证获取皮纹分类模型；第六步，使用TensorFlow Serving+model搭建模型预测服务端，采用TensorFlow Serving工具将训练好的模型直接上线并提供服务，供手机端APP访问调用。