[發明專利]一種手部生理信息檢測方法

在審

• 申請號: 201910161452.0
• 申請日: 2019-03-04
• 公開（公告）號: CN109977791A
• 公開（公告）日: 2019-07-05
• 發明（設計）人: 韓東明;謝凡;寇瑜琨;丁義雄
• 申請（專利權）人: 山東海博科技信息系統股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種手部生理信息檢測方法，其特征在于：具體步驟如下，

(1)手部完整度檢測；

(2)手腕靈活度檢測；

(3)手指靈活度檢測。

2.按照權利要求1所述的手部生理信息檢測方法，其特征在于：在手部完整度檢測中，包括下列步驟，

(101)通過大量實際正常手部檢測，提取完整手部正常的特征值通過神經網絡訓練，形成手指長度特征模型庫；

(102)在對被測者的手部完整度檢測中，先將置信分數低于M的關鍵點排除，然后根據選擇出的關鍵點，計算每根手指的長度以及每根手指中各個骨節的長度；

(103)進行膚色驗證。

3.按照權利要求2所述的手部生理信息檢測方法，其特征在于：在(103)進行膚色驗證的步驟中，包含下列步驟，

(1031)從原始圖像中，將手部區域摳出，

(1032)進行平滑模糊；

(1033)利用橢圓顏色空間，過濾出接近膚色的區域；

(1034)求出膚色區域圖，在原始圖像上，根據關鍵點，計算出每根手指對應的矩形區域；

(1035)以每根手指的矩形區域作為蒙板，在膚色區域圖中，摳出對應指頭的膚色矩形區域，判斷該區域的膚色比例是否大于預先設定的比例，判定否則殘缺。

4.按照權利要求2所述的手部生理信息檢測方法，其特征在于：(102)步驟中，關鍵點的置信分數臨界閾值M求導具體步驟如下：

(1021)通過對運動中的手部進行實時數據采集，再基于OpenPose手部識別算法，以每秒20張的處理速度，定位手部21個關鍵點；

(1022)OpenPose根據PAF算法，給出了每個關鍵點的置信分數，范圍為[0，1]，每個關鍵點的置信分數臨界閾值為M，在[M，1]區間內，置信分數值越高，說明關鍵點越準確，置信分數低于M的關鍵點作為干擾信息排除；

(1023)設置信分數集合為S，且該集合中位數為S_d，

將區間[0，1]按照0.1的間隔劃分為10個小區間，f₁，f₂，f₃，……f₁₀

設(1≤i≤10，且i為自然數)為集合S中置信分落在f_i區間的集合，

且該集合平均數為

設

M＝M_d-3(M_d-S_d)

5.按照權利要求2所述的手部生理信息檢測方法，其特征在于：(101)步驟中形成手指長度特征模型庫的神經網絡訓練方式如下，提前抓取海量正常手部照片，針對每張圖片提取出手部關鍵點，并制作成二值圖，以此海量圖片為數據，進行神經網絡的訓練，用于對體檢人的手部完整度進行識別。

6.按照權利要求5所述的手部生理信息檢測方法，其特征在于：所述神經網絡的訓練分為6層，該6層神經網絡的訓練如下，

第一層為卷積層，卷積核大小為3*3*1，數量為32，步長為1，邊界處理方式為“SAME”，激發函數為Relu；

第二層為池化層，尺寸為2*2，方式為最大化池化；

第三層為卷積層，卷積核大小為3*3*32，數量為32，步長為1，邊界處理方式為“SAME”，激發函數為Relu；

第四層為池化層，尺寸為2*2，方式為最大化池化；

第五層為全連接層，神經元數量為1024個，激發函數為Relu；

第六層為全連接層，神經元數量為10個，激發函數為softmax，用于輸出分類結果；Softmax多用于分類過程中，它將多個神經元的輸出，映射到(0，1)區間內，可以看成概率來理解，從而來進行多分類；

假設我們有一個數組，V，Vi表示V中的第i個元素，那么這個元素的softmax值就是：

模型訓練過程的損失函數為交叉熵，如下：

其中y為訓練數據的真實值，a為softmax求出的值，下標i為輸出結點的標號。