一种可见光手掌识别模型的训练方法和装置制造方法及图纸

本申请公开了一种可见光手掌识别模型的训练方法和装置，通过扩增后的可见光手掌数据集对第一卷积神经网络进行训练，得到训练好的第一卷积神经网络；将通过预置对抗生成网络生成的无标签可见光手掌数据集输入到训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集；结合扩增后的可见光手掌数据集和软标签可见光手掌数据集对第二卷积神经网络进行训练，得到可见光手掌识别模型，解决了现有的小规模可见光手掌数据集训练得到的手掌识别模型的识别精度不高，且继续采集大规模的可见光手掌图像需耗费大量的人力物力，工作量大、耗费时间长的技术问题。

【技术实现步骤摘要】
一种可见光手掌识别模型的训练方法和装置
本申请涉及图像识别
，尤其涉及一种可见光手掌识别模型的训练方法和装置。
技术介绍
生物特征识别技术应用越来越广泛，例如门禁、支付等领域，生物特征识别技术采用的识别特征有人脸、指纹和手掌等。而现有的可见光手掌识别数据集的规模较小，在小规模可见光手掌数据集训练得到的手掌识别模型，存在识别精度不高的问题；而继续采集大规模的可见光手掌图像需耗费大量的人力物力，工作量大、且耗费时间长。
技术实现思路
本申请提供了一种可见光手掌识别模型的训练方法和装置，用于解决现有的小规模可见光手掌数据集训练得到的手掌识别模型的识别精度不高，且继续采集大规模的可见光手掌图像需耗费大量的人力物力，工作量大、耗费时间长的技术问题。有鉴于此，本申请第一方面提供了一种可见光手掌识别模型的训练方法，包括：对有标签可见光手掌数据集进行数据扩增，将扩增后的所述可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；基于提取的特征向量和所述标签，通过第一损失函数计算网络损失，基于所述网络损失更新所述第一卷积神经网络的参数，直至所述第一卷积神经网络收敛，得到训练好的第一卷积神经网络；将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至所述训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，所述预置对抗生成网络通过有标签可见光手掌数据集训练得到；结合扩增后的所述有标签可见光手掌数据集和所述软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新所述第二卷积神经网络的参数，直至所述第二卷积神经网络收敛，得到可见光手掌识别模型。可选地，所述预置对抗生成网络包括鉴别器和生成器，所述预置对抗生成网络的配置过程为：每训练一次所述鉴别器后，训练一次所述生成器，直至所述对抗生成网络收敛，得到所述预置对抗生成网络。可选地，所述鉴别器的训练过程，包括：将所述有标签可见光手掌数据集中的若干张真实的手掌图像和若干张假手掌图像分别输入至所述鉴别器，输出所述真实的手掌图像的分数和所述假图像的分数，所述假手掌图像通过所述生成器生成；基于所述真实的手掌图像的分数和所述假图像的分数，通过真假图像分类损失函数计算真假图像分类损失；计算所述真假图像分类损失相对于鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。可选地，所述鉴别器的训练过程，还包括：每训练第一预置次数的所述鉴别器后，通过梯度正则化损失函数计算所述真实的手掌图像的梯度正则化损失；计算所述梯度正则化损失相对于所述鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。可选地，所述生成器的训练过程，包括：将获取的噪声数据输入所述生成器，输出所述假手掌图像；根据所述假手掌图像的分数，通过非饱和分类损失函数计算非饱和分类损失，所述假手掌图像的分数通过所述鉴别器得到；计算所述非饱和分类损失相对于生成器参数的梯度，并基于梯度下降法更新所述生成器参数。可选地，所述生成器的训练过程，还包括：每训练第二预置次数的所述鉴别器后，通过所述假手掌图像的路径正则化损失函数计算路径正则化损失；基于所述路径正则化损失更新所述生成器参数。可选地，所述通过所述假手掌图像的路径正则化损失函数计算路径正则化损失，包括：将获取的噪声数据输入所述生成器，输出所述假手掌图像和对应的隐编码；基于所述假手掌图像、所述假手掌图像对应的隐编码和当前路径正则化的平均路径长度，通过所述假手掌图像的路径正则化损失函数计算路径正则化损失，其中，所述路径正则化的平均路径长度的初始化值为0；相应的，所述基于所述路径正则化损失更新所述生成器参数，包括：计算所述路径正则化损失相对于所述生成器参数的梯度，基于梯度下降法更新所述生成器参数，并更新所述路径正则化的平均路径长度。可选地，所述生成器的训练过程，还包括：基于指数滑动平均算法对所述生成器参数进行指数滑动平均处理。可选地，所述对有标签可见光手掌数据集进行数据扩增处理，包括：对有标签可见光手掌数据集中的手掌图像进行对比度、亮度、色调或饱和度调整后，再进行旋转、平移、错切或透视扭曲处理，得到扩增后的所述有标签可见光手掌数据集中的手掌图像。可选地，所述方法还包括：将待验证可见光手掌图像输入至所述可见光手掌识别模型进行手掌特征提取后，对提取的所述手掌特征两两进行比对计算余弦相似度分数，并根据所述余弦相似度分数，通过ROC算法测评所述可见光手掌识别模型在FRR@FAR＝0下的错误率。本申请第二方面提供了一种可见光手掌识别模型的训练装置，包括：特征提取单元，用于对有标签可见光手掌数据集进行数据扩增，将扩增后的所述可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；计算单元，用于基于提取的特征向量和所述标签，通过第一损失函数计算网络损失，基于所述网络损失更新所述第一卷积神经网络的参数，直至所述第一卷积神经网络收敛，得到训练好的第一卷积神经网络；软标签预测单元，用于将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至所述训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，所述预置对抗生成网络通过有标签可见光手掌数据集训练得到；训练单元，用于结合扩增后的所述有标签可见光手掌数据集和所述软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新所述第二卷积神经网络的参数，直至所述第二卷积神经网络收敛，得到可见光手掌识别模型。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种可见光手掌识别模型的训练方法，包括：对有标签可见光手掌数据集进行数据扩增，将扩增后的可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；基于提取的特征向量和标签，通过第一损失函数计算网络损失，基于网络损失更新第一卷积神经网络的参数，直至第一卷积神经网络收敛，得到训练好的第一卷积神经网络；将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，预置对抗生成网络通过有标签可见光手掌数据集训练得到；结合扩增后的有标签可见光手掌数据集和软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新第二卷积神经网络的参数，直至第二卷积神经网络收敛，得到可见光手掌识别模型。本申请中，对现有的小规模的有标签可见光手掌数据集进行数据扩增，采用扩展后的数据集训练第一卷积神经网络，避免小规模数据集训练得到的模型容易出现过拟合情况；通过有标签可见光手掌数据集训练得到的预置对抗生成网络生成无标签的可见光手掌图像，并通过训练好的第一卷积神经网络对无标签的可见光手掌图像进行软标签预测，得到软标签本文档来自技高网...

【技术保护点】
1.一种可见光手掌识别模型的训练方法，其特征在于，包括：/n对有标签可见光手掌数据集进行数据扩增，将扩增后的所述可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；/n基于提取的特征向量和所述标签，通过第一损失函数计算网络损失，基于所述网络损失更新所述第一卷积神经网络的参数，直至所述第一卷积神经网络收敛，得到训练好的第一卷积神经网络；/n将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至所述训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，所述预置对抗生成网络通过有标签可见光手掌数据集训练得到；/n结合扩增后的所述有标签可见光手掌数据集和所述软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新所述第二卷积神经网络的参数，直至所述第二卷积神经网络收敛，得到可见光手掌识别模型。/n

【技术特征摘要】
1.一种可见光手掌识别模型的训练方法，其特征在于，包括：
对有标签可见光手掌数据集进行数据扩增，将扩增后的所述可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；
基于提取的特征向量和所述标签，通过第一损失函数计算网络损失，基于所述网络损失更新所述第一卷积神经网络的参数，直至所述第一卷积神经网络收敛，得到训练好的第一卷积神经网络；
将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至所述训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，所述预置对抗生成网络通过有标签可见光手掌数据集训练得到；
结合扩增后的所述有标签可见光手掌数据集和所述软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新所述第二卷积神经网络的参数，直至所述第二卷积神经网络收敛，得到可见光手掌识别模型。


2.根据权利要求1所述的可见光手掌识别模型的训练方法，其特征在于，所述预置对抗生成网络包括鉴别器和生成器，所述预置对抗生成网络的配置过程为：
每训练一次所述鉴别器后，训练一次所述生成器，直至所述对抗生成网络收敛，得到所述预置对抗生成网络。


3.根据权利要求2所述的可见光手掌识别模型的训练方法，其特征在于，所述鉴别器的训练过程，包括：
将所述有标签可见光手掌数据集中的若干张真实的手掌图像和若干张假手掌图像分别输入至所述鉴别器，输出所述真实的手掌图像的分数和所述假图像的分数，所述假手掌图像通过所述生成器生成；
基于所述真实的手掌图像的分数和所述假图像的分数，通过真假图像分类损失函数计算真假图像分类损失；
计算所述真假图像分类损失相对于鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。


4.根据权利要求3所述的可见光手掌识别模型的训练方法，其特征在于，所述鉴别器的训练过程，还包括：
每训练第一预置次数的所述鉴别器后，通过梯度正则化损失函数计算所述真实的手掌图像的梯度正则化损失；
计算所述梯度正则化损失相对于所述鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。


5.根据权利要求2所述的可见光手掌识别模型的训练方法，其特征在于，所述生成器的训练过程，包括：
将获取的噪声数据输入所述生成器，输出所述假手掌图像；
根据所述假手掌图像的分数，通过非饱和分类损失函数计算非饱和分类损失，所述假手掌图像的分数通过所述鉴别器得到；
计算所述非饱和分类损失相对于生成器参数的梯度，并基于梯度下降法更新所述生成器参数。


6.根据权利要求5所述的可见光手掌识别模型的训练方法，其特征在于，所述生成器的训练过程，还包括：
每训练第二预置次数的所述鉴别器后，通过所述假手掌图...

【专利技术属性】
技术研发人员：刘辉，杨奇，
申请(专利权)人：厦门熵基科技有限公司，
类型：发明
国别省市：福建;35