【技术实现步骤摘要】
本专利技术涉及特征识别，尤其涉及一种基于轻量化网络的掌纹感兴趣区域提取方法及系统。
技术介绍
1、生物特征识别技术发展至今，指纹识别、面部识别和虹膜识别等技术已发展得较为成熟，被广泛应用于多个领域。掌纹识别凭借其更多的信息量、更优的抗干扰能力、更低的成本优势，已逐渐从接触式、约束环境下的识别发展到非接触式、无约束环境下的识别；后者与前者相比，具有更高的用户友好性，一方面能够避免多个用户的手掌与设备接触，减少疾病传播的风险；另一方面能够给予用户充分的自由度和便捷度，实现更加方便、快捷、高效的身份验证。然而，无约束环境下的掌纹识别的所面临的问题也很明显，在用户的手掌姿势和角度、环境的背景和光照均不受控制的情况下，掌纹感兴趣区域(roi)的提取难度大大增加。
2、已有的研究方法中，传统的roi提取方法依赖于图像的分割，在背景、光照等因素的干扰下，难以在多个数据集中同时适用；而基于深度学习的方法往往没有考虑模型的运算成本，难以在嵌入式设备中部署。
技术实现思路
1、为了解决上述技术问题，本专利技术的目标是提供一种基于轻量化网络的掌纹感兴趣区域提取方法及系统，采用轻量化网络结构构建两阶段的网络模型，降低模型运行成本，实现在嵌入式设备中部署，进而实现实时快速的掌纹识别。
2、本专利技术所采用的第一技术方案是：一种基于轻量化网络的掌纹感兴趣区域提取方法，包括以下步骤：
3、收集掌纹图像，构建掌纹数据库；
4、基于yolov5-lite对掌纹图像进行
5、基于改进的u-net网络对初定位掌纹图像进行关键点检测，得到第一关键点和第二关键点；
6、基于第一关键点和第二关键点的连线与水平线的夹角校正初定位掌纹图像；
7、基于连线和连线的中垂线构建直角坐标系；
8、在直角坐标系内对校正后的初定位掌纹图像进行区域截取，得到掌纹感兴趣区域。
9、进一步，所述收集掌纹图像，构建掌纹数据库这一步骤，其具体包括：
10、在不同背景、光照条件下，拍摄不同角度的手掌图像，得到掌纹图像；
11、对掌纹图像进行手掌区域标注和关键点标注，得到数据标注后的掌纹图像；
12、对数据标注后的掌纹图像进行数据扩充增强，得到掌纹数据库。
13、通过该优选步骤，大大增强掌纹数据库的多样性，并且样本情况符合生活的场景，更具代表性。
14、进一步，所述改进的u-net网络，其具体改进包括：
15、删减u-net网络的卷积核，随着网络深度的加深和特征图分辨率的降低，保持特征图数量不变，以减少冗余特征和计算量；
16、将原有的通过最大池化的方式实现下采样改为利用卷积实现下采样，同时引入残差连接，避免因特征数量减少和网络加深带来的网络退化问题；
17、采用可分离卷积替换原有的普通卷积，以减少网络的计算量；
18、采用热力图回归与直接坐标回归相结合的方式，将输出端改为热力图和关键点坐标。
19、通过该优选步骤，使得改进的u-net网络的参数量和计算量大大降低，加速网络的推理速度，避免过拟合现现象，避免了梯度消失和爆炸，解决网络退化问题，并使网络训练结果更加精确。
20、进一步，所述热力图回归与直接坐标回归相结合的方式，其具体包括：
21、基于热力图回归生成包含第一关键点和第二关键点的热力图；
22、基于soft-argmax函数找到热力图中高斯热力图概率值最大的两个点；
23、基于直接坐标回归将高斯热力图概率值最大的两个点的坐标进行输出，得到关键点坐标；
24、根据热力图与标签的js散度损失和关键点坐标与标签的欧几里得损失构建联合损失函数；
25、基于联合损失函数指导改进的u-net网络的学习训练。
26、通过该优选步骤，利用联合损失函数对改进的u-net网络进行学习训练，包含了热力图的散度损失和坐标的欧几里得损失，提高网络的鲁棒性，能够使学习训练效果更佳。
27、进一步，所述联合损失函数，其表达式如下：
28、loss＝js(p,q)+l2(y^,y)
29、
30、
31、
32、其中，loss表示联合损失函数，js(p,q)表示js散度损失函数，l2(y^,y)表示l2损失函数，p(xi)表示样本i的真实分布，q(xi)表示模型预测下样品i的预测分布，表示坐标预测结果，yi表示对应预测的真实标签，kl(p||q)表示kl散度损失函数。
33、本专利技术所采用的第二技术方案是：一种基于轻量化网络的掌纹感兴趣区域提取系统，包括：
34、数据收集模块，用于收集掌纹图像，构建掌纹数据库；
35、初定位模块，基于yolov5-lite对掌纹图像进行目标检测，得到初定位掌纹图像；
36、关键点定位模块，基于改进的u-net网络对初定位掌纹图像进行关键点检测，得到第一关键点和第二关键点；
37、角度校正模块，基于第一关键点和第二关键点的连线与水平线的夹角校正初定位掌纹图像；
38、坐标系构建模块，基于连线和连线的中垂线构建直角坐标系；
39、区域分割模块，用于在直角坐标系内对校正后的初定位掌纹图像进行区域截取，得到掌纹感兴趣区域。
40、本专利技术方法及系统的有益效果是：本专利技术通过yolov5-lite对掌纹图像进行初定位，去除大部分复杂背景的干扰；通过控制特征图的数量、使用残差卷积块代替最大池化进行下采样、引入深度可分离卷积的方法改进u-net网络，减少网络的参数量的同时提升网络性能；采用热力图回归与直接坐标回归相结合的方式，实现更高的识别准确率；提出联合损失函数对网络进行学习训练，提高网络的鲁棒性；通过yolov5-lite和改进的u-net网络构建两阶段的网络模型，降低模型运行成本，实现在嵌入式设备中部署，进而实现实时快速的掌纹识别。
本文档来自技高网...【技术保护点】
1.一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述收集掌纹图像，构建掌纹数据库这一步骤，其具体包括：
3.根据权利要求1所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述改进的U-Net网络，其具体改进包括：
4.根据权利要求3所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述热力图回归与直接坐标回归相结合的方式，其具体包括：
5.根据权利要求3所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述联合损失函数，其表达式如下：
6.一种基于轻量化网络的掌纹感兴趣区域提取系统，其特征在于，包括：
【技术特征摘要】
1.一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述收集掌纹图像，构建掌纹数据库这一步骤，其具体包括：
3.根据权利要求1所述一种基于轻量化网络的掌纹感兴趣区域提取方法，其特征在于，所述改进的u-net网络，其具体改进包括...
【专利技术属性】
技术研发人员：邹向群，代芬，林程锐，
申请(专利权)人：广州方向智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。