一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质，该方法通过采用Inception神经网络模型对掌静脉图像数据进行训练处理，能够降低图片噪声对特征提取的影响，提高图像识别的精度和速度。

【技术实现步骤摘要】
一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质
本专利技术涉及图像处理领域，特别是一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质。
技术介绍
在掌静脉图像识别处理中，在进行图像识别前，首先需要提取相应图像的特征数据，并录入数据库，作为之后进行识别对比的重要元素。因此能否从静脉图像中提取可靠的特征点，直接影响着静脉匹配的精度。在传统的静脉识别算法中，往往使用经典的图像特征提取方法，如基于HU不变矩的特征值提取。但经过多次实验发现，静脉图像质量较差时会给静脉特征提取带来很大的难度，尽管经过静脉图像增强的处理可以提高和改善图像质量，但是静脉增强很难在较大程度上恢复静脉骨架的清晰度，并且在增强处理图像时本身也具有误差。所以，通过传统图像特征提取方法获取图像特征值进行掌静脉识别，所得结果的准确度和稳定程度都不高。现在的技术中，使用基于Inception卷积神经网络模型的深度学习方法来对图像进行分类验证，此方法能通过对神经网络模型的参数不断调整来更加精准地提取图像特征值，进而实现了相对以往方法更为快速准确的图像识别分类。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质，该方法通过采用Inception神经网络模型对掌静脉图像数据进行训练处理，能够降低图片噪声对特征提取的影响，提高图像识别的精度和速度。本专利技术采用以下方案实现：一种基于Inception神经网络模型的掌静脉图像识别方法，包括以下步骤：步骤S1：获取不同身份的人的手掌静脉图像；步骤S2：将获取到的不同身份的人的手掌静脉图像以身份分类的文件夹形式进行汇总，作为训练数据；其中，文件夹名称以身份分类标签进行命名；步骤S3：根据步骤S2中的训练数据对现有训练好的Inception神经网络模型进行迁移学习，建立所需的Inception神经网络模型；步骤S4：将建立好的Inception神经网络模型通过模型持久化的方法储存起来，并对用户所设定好路径的图像进行识别，在程序中导入建立好的Inception神经网络模型和测试图片，运行后得到识别得到测试图片对应的身份分类标签和准确率。进一步地，所述步骤S1采用具有不同波长的滤波片的摄像头对不同身份的人的手掌进行拍摄，通过调整不同滤波片的组合使得摄像头获得成像质量好的手掌静脉图像。进一步地，所述步骤S2中，手掌静脉图像在进行汇总时，不同身份的人的文件夹名称以每个人的人名进行命名，则所述步骤S4中的身份分类标签即为每个人的人名。进一步地，所述步骤S3具体包括以下步骤：步骤S31：定义Inception神经网络模型的瓶颈层的节点个数；步骤S32：定义Inception神经网络模型中代表瓶颈层张量的名称；步骤S33：定义图像输入张量所对应的名称；步骤S34：采用现有训练好的Inception神经网络模型文件目录，将原始图像通过Inception神经网络模型计算得到的特征向量保存到文件中；步骤S35：定义输入图片的文件位置；步骤S36：定义验证的数据百分比；步骤S37：定义测试的数据百分比；步骤S38：定义Inception神经网络的学习率、训练次数以及每次使用数据的数量；步骤S39：通过定义一个方法函数对摄像头获取的图像进行处理；步骤S310：采用现有训练好的Inception神经网络模型处理一张图片，得到这个图片的特征向量，将特征向量由四维数组压缩成一维数组；步骤S311：通过步骤S310的方法处理得到随机的一组图片的数据，作为训练数据；步骤S312：通过步骤S311的步骤过程得到全部的测试集数据；步骤S313：定义训练过程，建立所需的Inception神经网络模型。进一步地，所述步骤S9中的方法函数具体包括以下步骤：步骤S391：将所有的图片都存在运行程序中的字典数据类型里；步骤S392：获取当前目录下所有的子目录，遍历子目录；步骤S393：获取当前目录下所有的有效图片文件格式、用于存放有效照片的文件夹，存放的是图片的名称；步骤S394：返回最后的文件名，此时的文件夹的名称即为分类的名称；步骤S395：返回所有匹配的文件路径列表，将找到的图片加载到filelist上通过目录名获取类别的名称；步骤S396：初始化当前类别得生成验证集，测试集，训练集。进一步地，所述步骤S313具体包括以下步骤：步骤S3131：获取所有图片，得到类别的个数，读取现有训练好的Inception神经网络模型，加载读取这个模型，得到瓶颈层张量，和数据输入所对应的张量；步骤S3132：定义新的神经网络输入，即新的图片经过模型之后前向传播到达瓶颈层时的节点取值，进行特征提取；定义新的标准答案输入，定义一层全连接神经网络，定义权重和偏置，求出前向传播算法的结果；步骤S3133：通过激活函数去线性化，定义交叉损失函数，计算平均损失，优化算法来优化损失函数，训练得到所需的Inception神经网络模型。为实现上述目的，本专利技术还提供一种基于Inception神经网络模型的掌静脉图像识别装置，该装置包括处理器、存储介质及存储在所述存储介质上用以被所述处理器执行的指令，所述指令被所述处理器执行以实现如上述所述方法的步骤。此外，为实现上述目的，本专利技术还提供一种存储介质，所述存储介质上存储有指令，所述指令被处理器执行以实现如上述所述方法的步骤。与现有技术相比，本专利技术有以下有益效果：本专利技术的一种基于Inception神经网络模型的掌静脉图像识别方法相较于传统的掌静脉识别技术通过算法对具体的单张图像进行特征提取，其中图像特征提取技术是在已经具备很高识别能力的深度学习模型的基础上进行的再训练及优化，特征提取更为准确，进而静脉识别的精确度也相应更高，这极大减少了生活化场景中所需的静脉识别应用的识别失误率，从而大大提高了安全可靠性，可以应用到更多生活化场景中，扩大了应用范围。附图说明图1是本专利技术实施例中用于掌静脉识别的Inception神经网络模型的结构示意图。图2是本专利技术实施例中掌静脉图像识别方法的流程图。具体实施方式下面结合实施方式与实施例对本专利技术做进一步说明。了解决传统方法对掌静脉图像处理识别的精度和速度问题，本实施方式提供一种基于Inception神经网络模型的掌静脉图像识别方法，图1为该方法中建立的Inception神经网络模型的结构示意图：1.Inception模型是一个卷积神经网络(CNN)模型。2.瓶颈层：在最后一层全连接层之前的层统称为瓶颈层，一个新的图像经过训练好的卷积神经网络直到瓶颈层的过程可以看成是对图像进行特征提取的过程，输出的节点向量可以看做为图像的一个更加精简并且表达能力更强的特征向量。3.全连接层：就是神经网络的每一层直接所有节点都相连。本实施例使用的模型是调整最后一层全连接层来生成更佳的模型。在本实施例中，如图2所示，一种基于Inception神经网络模型的掌静脉图像识别方法，包括以下步骤：步骤S1：采用具有不同波长的滤波片的摄像头对不同身份的人的手掌进行拍摄，通过调整不同滤波片的组合使得摄像头获得成像质量好的手掌静脉图像；步骤S2：将获取到的不同身份的人的手掌静脉图像以身份分类的文件夹形式进行汇总，作为训练数据；其中本文档来自技高网...

【技术保护点】
1.一种基于Inception神经网络模型的掌静脉图像识别方法，其特征在于：包括以下步骤：步骤S1：获取不同身份的人的手掌静脉图像；步骤S2：将获取到的不同身份的的人的手掌静脉图像以身份分类的文件夹形式进行汇总，作为训练数据；其中，文件夹名称以身份分类标签进行命名；步骤S3：根据步骤S2中的训练数据对现有训练好的Inception神经网络模型进行迁移学习，建立所需的Inception神经网络模型；步骤S4：将建立好的Inception神经网络模型通过模型持久化的方法储存起来，并对用户所设定好路径的图像进行识别，在程序中导入建立好的Inception神经网络模型和测试图片，运行后得到识别得到测试图片对应的身份分类标签和准确率。

【技术特征摘要】
1.一种基于Inception神经网络模型的掌静脉图像识别方法，其特征在于：包括以下步骤：步骤S1：获取不同身份的人的手掌静脉图像；步骤S2：将获取到的不同身份的的人的手掌静脉图像以身份分类的文件夹形式进行汇总，作为训练数据；其中，文件夹名称以身份分类标签进行命名；步骤S3：根据步骤S2中的训练数据对现有训练好的Inception神经网络模型进行迁移学习，建立所需的Inception神经网络模型；步骤S4：将建立好的Inception神经网络模型通过模型持久化的方法储存起来，并对用户所设定好路径的图像进行识别，在程序中导入建立好的Inception神经网络模型和测试图片，运行后得到识别得到测试图片对应的身份分类标签和准确率。2.根据权利要求1所述的一种基于Inception神经网络模型的掌静脉图像识别方法，其特征在于：所述步骤S1采用具有不同波长的滤波片的摄像头对不同身份的人的手掌进行拍摄，通过调整不同滤波片的组合使得摄像头获得成像质量好的手掌静脉图像。3.根据权利要求1所述的一种基于Inception神经网络模型的掌静脉图像识别方法，其特征在于：所述步骤S2中，手掌静脉图像在进行汇总时，不同身份的人的文件夹名称以每个人的人名进行命名，则所述步骤S4中的身份分类标签即为每个人的人名。4.根据权利要求1所述的一种基于Inception神经网络模型的掌静脉图像识别方法，其特征在于：所述步骤S3具体包括以下步骤：步骤S31：定义Inception神经网络模型的瓶颈层的节点个数；步骤S32：定义Inception神经网络模型中代表瓶颈层张量的名称；步骤S33：定义图像输入张量所对应的名称；步骤S34：采用现有训练好的Inception神经网络模型文件目录，将原始图像通过Inception神经网络模型计算得到的特征向量保存到文件中；步骤S35：定义输入图片的文件位置；步骤S36：定义验证的数据百分比；步骤S37：定义测试的数据百分比；步骤S38：定义Inception神经网络的学习率、训练次数以及每次使用数据的数量；步骤S39：通过定义一个方法函数对摄像头获取的图像进行处理；步骤S310：采用现有训练好的Inc...

【专利技术属性】
技术研发人员：陈本强，赵俭辉，刘锋，朱淳怡，
申请(专利权)人：福州精益精科技有限责任公司，
类型：发明
国别省市：福建,35