[發明專利]一種手掌關鍵點檢測方法和裝置

有效

• 申請號: 202010171785.4
• 申請日: 2020-03-10
• 公開（公告）號: CN111401219B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 蔡小紅;陳書楷;劉輝
• 申請（專利權）人: 廈門熵基科技有限公司
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06V10/44;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 黃忠

本申請公開了一種手掌關鍵點檢測方法和裝置，將標志有9個關鍵點的手掌樣本數據集輸入到預置卷積神經網絡中預測手掌分類層、手掌框回歸層、關鍵點位置回歸層和關鍵點方向回歸層的輸出值，根據手掌分類層、手掌框回歸層、關鍵點位置回歸層和關鍵點方向回歸層輸出值計算各層對應的損失值，從而得到預置卷積神經網絡的損失值，將預置神經網絡的損失值通過反向傳播對預置神經網絡的網絡參數進行更新，得到目標卷積神經網絡，優化了檢測網絡模型的檢測性能，提高了手掌關鍵點檢測的準確性。

技術領域

本申請涉及關鍵點識別技術領域，尤其涉及一種手掌關鍵點檢測方法和?裝置。

背景技術

目前，各式各樣的生物識別技術被應用在了人們的生活當中，如人臉識?別、聲紋識別和手掌識別等。基于手掌的認證核驗系統通常包含手掌檢測、?登記與識別等過程，其中，能否正確檢測手掌對于認證核驗系統的性能至關?重要，當前對于手掌的檢測，包括傳統的圖像處理方法和深度學習方法。傳?統的圖像處理方法進行手掌檢測是手掌特征通常是根據人為設計的特征提取?模版得到的，計算量大且耗時，而傳統的深度學習方法通過設計卷積神經網?絡來實現自主學習樣本的特征信息，這種方式相對于傳統的圖像處理方法在?計算量和耗時方面得到了改進，但是傳統的卷積神經網絡深度學習方法實現?手掌檢測方式在手掌關鍵點的準確性方面仍然有待提高，因此，進一步提高?手掌關鍵點檢測的檢測準確性，是本領域技術人員亟待解決的技術問題。

發明內容

本申請提供了一種手掌關鍵點檢測方法和裝置，用于解決現有的手掌關?鍵點檢測方式檢準確性不高的技術問題。

有鑒于此，本申請第一方面提供了一種手掌關鍵點檢測方法，包括：

獲取包含9個關鍵點的手掌樣本數據集，所述9個關鍵點分別為食指與?掌面的交界中點、小指與掌面的交界中點、所述食指與中指的間隔點、所述?中指與無名指的間隔點、所述無名指與小指的間隔點、掌面區域的四個輪廓?點；

將所述手掌樣本數據集中的手掌樣本數據輸入到預置卷積神經網絡模型?中，得到所述預置卷積神經網絡輸出的手掌分類層預測值、手掌框回歸層預?測值、關鍵點位置回歸層預測值和關鍵點方向回歸層預測值；

分別計算所述預置卷積神經網絡模型的手掌分類層的損失值、手掌框回?歸層的損失值、關鍵點位置回歸層的損失值和關鍵點方向回歸層的損失值；

根據所述手掌分類層的損失值、所述手掌框回歸層的損失值、所述關鍵?點位置回歸層的損失值和所述關鍵點方向回歸層的損失值更新所述預置卷積?神經網絡模型的網絡參數，得到目標卷積神經網絡模型；

將待檢測手掌圖像輸入到所述目標卷積神經網絡模型中進行手掌關鍵點?檢測，得到所述目標卷積神經網絡模型輸出的手掌關鍵點檢測結果。

可選地，所述分別計算所述預置卷積神經網絡模型的手掌分類層的損失?值、手掌框回歸層的損失值、關鍵點位置回歸層的損失值和關鍵點方向回歸?層的損失值，包括：

基于MSE函數計算所述預置卷積神經網絡模型的手掌分類層的損失值；

基于Smooth?L1函數計算所述預置卷積神經網絡模型的手掌框回歸層的?損失值；

基于交叉熵函數計算所述預置卷積神經網絡模型的關鍵點位置回歸層的?損失值；

基于Smooth?L1函數計算所述預置卷積神經網絡模型的關鍵點方向回歸?層的損失值。

可選地，所述根據所述手掌分類層的損失值、所述手掌框回歸層的損失?值、所述關鍵點位置回歸層的損失值和所述關鍵點方向回歸層的損失值更新?所述預置卷積神經網絡模型的網絡參數，得到目標卷積神經網絡模型，包括：

對所述手掌分類層的損失值、所述手掌框回歸層的損失值、所述關鍵點?位置回歸層的損失值和所述關鍵點方向回歸層的損失值賦予預置權重后求?和，得到所述預置卷積神經網絡模型的損失值；