【技术实现步骤摘要】
本专利技术属于特征提取方法，具体涉及一种基于机器学习算法的掌脉特征提取方法。
技术介绍
1、掌脉特质作为生物识别技术的一种，与传统的密码锁相比，提供了更高级别的安全性。传统密码锁的安全性往往较低，因为密码可能被盗窃或者遗忘。掌脉特质因其唯一性和稳定性，只有拥有特定掌脉特质的人才能解锁密码锁，大大提高了安全性能。
2、一般采用摄像头拍摄采集人的手掌图像，录入电脑中通过预设算法分析提取掌脉特质。常见的算法有yolov5n，yolox-nano，nanodet，pp-yolo-tiny等，这些算法在cpu中进行分析。
3、现有掌脉特征提取时，往往通过算法进行分析，而算法需要的计算机资源较为庞大，全部cpu资源用于算法推理框架并不现实，尤其是一些单核服务器，使arm平台提取掌脉特征的效能较差，为此，我们提出一种基于机器学习算法的掌脉特征提取方法。
技术实现思路
1、本专利技术的目的是提供一种基于机器学习算法的掌脉特征提取方法，能够提供fastestdet算法针对计arm平台，突出单核效能，有利于提高arm平台提取掌脉特征的效能。
2、本专利技术采取的技术方案具体如下：
3、一种基于机器学习算法的掌脉特征提取方法，具体包括以下步骤：
4、s1、采集图像：通过拍摄手掌，收集手掌图像并上传到服务器；
5、s2、图像处理：依次经过fastestdet算法的单轻量化检测头、anchor-free模块、跨网格多候选目标模块、动态正
6、单轻量化检测头，是为了适应检测不同尺度物体目标，高分辨率的检测头负责检测小物体，低分辨的检测头负责检测大物体；由于，不同尺度的物体所需要的感知野是不同的，而模型每层的感知野都是不一样的，包括fpn也是对不同感知野特征的汇总融合，这里参考的yolof算法的思想，在网络结构中，采用类似inception算法的5x5分组卷积并行网络结构，期待能融合不同感知野的特征，让单个检测头也能适应检测不同尺度的物体；
7、anchor-free模块，现有的anchor-base算法在训练模型都需要对数据集进行anchor-bias算法的运算，anchor-bias可以理解为对数据集中标注物体的宽高进行聚类，得到一组先验宽高，网络在这组先验宽高的基础上去优化预测框的宽高，fastestdet采用的是anchor-free算法，模型是直接回归gt于特征图宽高的scale值的，是没有先验宽高，这种方法可以简化模型后处理，而且对于anchor-base算法每个特征图的特征点是对应n个anchor候选框的，而这种anchor-free算法每个特征图的特征点只对应一个候选框，所以在推理速度上也是有优势的；
8、跨网格多候选目标模块，借鉴了yolov5算法，不单单只把gt中心点所在的网格点当成候选目标，还把附近的三个也算进去，增加正样本候选框的数量；
9、动态正负样本分配模块，是在模型训练过程去动态分配正负样本，这是有别于以前yolo-fastest算法的，原先yolo-fastest算法的anchor-bias设置好以后，通过计算anchor-bias与gt宽高的scale，对scale卡固定阈值分配正负样本(参考yolov5算法的做法)，而anchor-bias和gt在训练过程中都是不变的，所以正负样本分配在训练过程中也是不变的，而在fastestdet算法的正负样本分配参考的atss，通过设置预测框与gt计算的siou的均值作为分配正负样本的阈值，假如当前预测框与gt的siou阈值大于均值，那么为正样本，反之亦然；
10、数据增强模块，对于轻量级的模型数据增强采用简单的数据增强，如随机平移和随机缩放；
11、s3、得出结果：对于数据处于指定范围的区域进行标识，得出掌脉特征，可选取车辆或人体实物提取人体特质进行测试。
12、fastestdet算法针对计算资源紧缺的arm平台设计的，突出单核效能，因为在实际业务场景中，不会把所有cpu资源都给推理框架做模型推理的，假如说你想在例如树莓派，rk3399，rk3568去跑实时目标检测，那么fastestdet算法是比较好的选择，或者移动端上不想占用太多cpu资源，也可以去用单核并设置cpusleep去推理fastestdet算法，在低功耗的条件下运行算法，有利于提高arm平台提取掌脉特征的效能。
13、本专利技术取得的技术效果为：
14、本专利技术的一种基于机器学习算法的掌脉特征提取方法，能够提供fastestdet算法针对计arm平台，突出单核效能，在低功耗的条件下运行算法，有利于提高arm平台提取掌脉特征的效能。
15、本专利技术的单轻量化检测头，是为了适应检测不同尺度物体目标，高分辨率的检测头负责检测小物体，低分辨的检测头负责检测大物体，让单个检测头也能适应检测不同尺度的物体。
16、本专利技术的anchor-free模块，每个特征图的特征点只对应一个候选框，所以在推理速度上也是有优势的。
17、本专利技术的动态正负样本分配模块，是在模型训练过程去动态分配正负样本，在训练过程中也是不变的。
本文档来自技高网...【技术保护点】
1.一种基于机器学习算法的掌脉特征提取方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中单轻量化检测头采用5x5分组卷积并行网络结构。
3.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中anchor-free模块对应n个anchor候选框。
4.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中跨网格多候选目标模块包含gt中心点所在的网格点及其附近的三个网格点。
5.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中动态正负样本分配模块设置预测框与gt计算的siou的均值作为分配正负样本的阈值。
6.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中数据增强模块对于轻量级的模型数据增强采用数据增强。
7.根据权利要求6所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2
8.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤S2中FastestDet算法通过单核并设置cpusleep去推理。
...【技术特征摘要】
1.一种基于机器学习算法的掌脉特征提取方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤s2中单轻量化检测头采用5x5分组卷积并行网络结构。
3.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤s2中anchor-free模块对应n个anchor候选框。
4.根据权利要求1所述的一种基于机器学习算法的掌脉特征提取方法，其特征在于：所述步骤s2中跨网格多候选目标模块包含gt中心点所在的网格点及其附近的三个网格点。
5.根据权利要求1所述的一种基于机器...
【专利技术属性】
技术研发人员：余孟春，余咏，
申请(专利权)人：广州市生基科技有限公司，
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。