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与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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。
6.本发明实施例中，在训练之前，对训练图片进行裁剪和缩放。
7.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]。
[0008]
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。
[0009]
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。
[0010]
本发明实施例中，最终的loss值l的计算方式如下：
[0011][0012]
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，pi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，ti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，li和分别为预测和真实掌静脉关键点坐标。
[0013]
本发明实施例中，掌静脉分类损失函数
[0014]
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；
[0015]
掌静脉定位回归损失函数
[0016]
其中表示某个样本i的检测框第j个真实坐标位置，xj、yj表示某个样本i的检测框第j个预测坐标位置；
[0017]
掌静脉关键点回归损失函数
[0018]
其中表示某个样本i的第j个关键点真实坐标位置，xj、yj表示某个样本i的第j个关键点预测坐标位置。
[0019]
本发明实施例中，还提供了一种掌静脉检测模型，其通过上述的掌静脉检测模型的训练方法训练得到。
[0020]
本发明实施例中，还提供了一种存储介质，其存储有计算机程序代码，所述计算机程序代码被执行时，实现上述的掌静脉检测模型的训练方法。
[0021]
与现有技术相比较，采用本发明的掌静脉检测模型的训练方法，将fpn网络引入resnet网络形成用于训练掌静脉检测模型的神经网络，并在fpn网络中加入更多底层特征的直接连接，从而减小最底层的特征的信息损失，提高了掌静脉检测模型的精度；进一步地，通过对训练图片进行剪裁或缩放，解决了距离远近导致识别不准的问题；进一步地，对每个卷积层中的卷积核的数量进行0.5倍变换，提高了训练的速度；进一步地，把手指间最低点作为关键点加入训练，也提高了检测模型的精度。
附图说明
[0022]
图1是本发明实施例的掌静脉检测模型的结构示意图。
[0023]
图2是本发明实施例将五个手指两两之间的最低点作为训练的检测关键点的示意图。
具体实施方式
[0024]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0025]
以下结合具体实施例对本发明的实现进行详细描述。
[0026]
如图1所示，本发明实施例中，提供了一种掌静脉检测模型的训练方法，采用resnet网络1和fpn网络2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2包括自上至下进行逆卷积变换的第一特征金字塔21和自下至上进卷积变换的第二特征金字塔22，所述第一特征金字塔21和所述第二特征金字塔22具有相同的成熟，且所述第一特
征金字塔21的每一层分别连接至所述第二特征金字塔的相应层。
[0027]
所述resnet网络1有自下而上尺寸逐步减小的多个特征层组成。所述第一特征金字塔21和所述第二特征金字塔22与所述resnet网络1具有相同数量且尺寸的特征层。除了最底层外，所述resnet网络1的每一层分别连接至所述第一特征金字塔21的相应层，且所述resnet网络1的最底层分别连接至所述第一特征金字塔21的最顶层p5和所述第二特征金字塔22的最顶层n5。
[0028]
需要说明的是，在图1中，所述resnet网络1、所述fpn网络2的第一特征金字塔21和第二特征金字塔22均为4层，也可以根据具体需要设计更多的成熟，本发明对此不进行限制。
[0029]
常规的resnet网络的卷积堆结构为[3,4,6,3]，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]，可以进一步提升计算精度。
[0030]
本发明实施例中，采用所述检测模型进行训练之前，对训练图片进行裁剪和缩放处理，从而在训练集中更多的正样本，提高所述检测模型对远距离或者近距离拍摄的手掌的掌静脉检测效果。
[0031]
为提高训练的速度，本发明实施例中，在训练时，对所述检测模型中每个特征层中的卷积核的数量减少一半。例如，之前模型某一层有128个卷积核，现在调整为64，模型的每一层都要调整，比如假设原来模型一共三层，分别是256,128,128，则现在调整为128,64,64。
[0032]
如图2所示，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。需要说明的是，为获得精确度高的模型，训练样本中包括了不同旋转角度，不同距离的掌静脉图像。另外，为增加样本的多样性，对采集到的五个手指最低点的图片进行了手指并拢、光线变化、畸变、旋转及远近缩放等处理。
[0033]
本发明实施例中，最终的loss值l的计算方式如下：
[0034][0035]
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，pi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，ti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，li和分别为预测和真实掌静脉关键点坐标。下面分别对掌静脉分类损失函数l
cls
、掌静脉定位回归损失函数l
box
、掌静脉关键点回归损失函数l
pts
进行说明。
[0036]
掌静脉分类损失函数
[0037]
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(通常是0或者1)，p
ij
表示样本i预测为分类j的概率。
[0038]
掌静脉定位回归损失函数
[0039]
其中表示某个样本i的检测框第j个真实坐标位置，xj、yj表示某个样本i的
检测框第j个预测坐标位置。
[0040]
掌静脉关键点回归损失函数
[0041]
其中表示某个样本i的第j个关键点真实坐标位置，xj、yj表示某个样本i的第j个关键点预测坐标位置。
[0042]
需要说明的是，这些损失都是在训练过程中计算的：训练时，有训练数据，已经标注好了，即真实的类别和坐标位置都已经给定；在训练的过程中，模型能输出预测的类别和坐标位置；预测的和真实的数据，根据上述的几个公式，可以计算出模型产生的损失。
[0043]
需要说明的是，在常规的掌静脉检测模型中，只对掌静脉图片中的掌静脉图像进行检测训练，而在本发明实施例中，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，可以进一步增加所述检测模型的检测精度。
[0044]
本发明实施例中，还提供了一种存储介质，其存储有计算机程序代码，所述计算机程序代码被执行时，实现上述的掌静脉检测模型的训练方法。
[0045]
综上所述，采用本发明的掌静脉检测模型的训练方法，将fpn网络引入resnet网络形成用于训练掌静脉检测模型的神经网络，并在fpn网络中加入更多底层特征的直接连接，从而减小最底层的特征的信息损失，提高了掌静脉检测模型的精度；进一步地，通过对训练图片进行剪裁或缩放，解决了距离远近导致识别不准的问题；进一步地，对每个卷积层中的卷积核的数量进行0.5倍变换，提高了训练的速度；进一步地，把手指间最低点作为关键点加入训练，也提高了检测模型的精度。
[0046]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。