CN107657239A - 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 - Google Patents
掌纹图像性别分类方法及装置、计算机装置及可读存储介质 Download PDFInfo
- Publication number
- CN107657239A CN107657239A CN201710923082.0A CN201710923082A CN107657239A CN 107657239 A CN107657239 A CN 107657239A CN 201710923082 A CN201710923082 A CN 201710923082A CN 107657239 A CN107657239 A CN 107657239A
- Authority
- CN
- China
- Prior art keywords
- palmprint image
- convolutional neural
- neural networks
- gender classification
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009434 installation Methods 0.000 title claims abstract description 12
- 238000003860 storage Methods 0.000 title description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000003321 amplification Effects 0.000 claims description 15
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种掌纹图像性别分类方法,应用于终端。获取待识别的掌纹图像;从所述待识别的掌纹图像中提取待识别样本;采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。本发明实施例还提供一种掌纹图像性别分类装置、计算机装置和计算机可读存储介质。利用本发明实施例可根据掌纹图像识别性别,提高识别的速率与精度,提升用户体验。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及一种掌纹图像性别分类方法及装置、计算机装置及可读存储介质。
背景技术
本部分旨在为权利要求书及具体实施方式中陈述的本发明实施例的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
性别识别是存在于生物特征识别的一个重要问题,近年来逐渐引起计算机视觉和模式识别领域越来越多研究者的关注。其中,人脸的视觉信息是最常用的生理特征。目前,现有的许多方法主要利用人脸信息来进行性别识别。但由于化妆、整容等问题,人脸识别的精度问题受到挑战与质疑,而且采集人脸图像有些被采集者不太乐意接受。除了人脸外,目前用于性别识别的其他生物特征还包括指纹、虹膜。科学研究表明,采集人脸、虹膜等其他生物特征,被采集者感到受侵犯程度并不低,用户体验不高。
发明内容
鉴于此,本发明提供的一种掌纹图像性别分类方法及装置、计算机装置及可读存储介质,可根据掌纹图像识别性别,提高识别的速率与精度,提升用户体验。
本发明实施例一方面提供一种掌纹图像性别分类方法,应用于终端,所述掌纹图像性别分类方法包括:
获取待识别的掌纹图像;
从所述待识别的掌纹图像中提取待识别样本;
采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述掌纹图像性别分类方法还包括:
获取初始卷积神经网络模型;
提取样本掌纹图像的感兴趣区域并标记训练样本,在所述初始卷积神经网络模型中输入所述训练样本;
采用有监督的学习方法预训练所述初始卷积神经网络模型,并保存训练完的卷积神经网络的参数;
扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型;
通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述提取样本掌纹图像的感兴趣区域并标记训练样本包括:
根据手掌指间谷点提取掌纹中心块图像,去除冗余信息,其中,所述掌纹中心块图像即为所述掌纹图像感兴趣区域,所述掌纹中心块图像构成所述卷积神经网络的训练样本。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述训练样本包括:
利用镜像翻转扩增所述训练样本,所述训练样本分批多次输入到所述卷积神经网络,每一批次选择多张掌纹图像。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述采用有监督的学习方法预训练所述初始卷积神经网络模型包括:
建立包含多卷积层、池化层、丢弃层和全连接层的所述卷积神经网络,其中,所述卷积神经网络模型使用VGGNet模型进行微调;
利用高斯随机初始化所述卷积神经网络模型的最后两个所述全连接层,利用VGGNet模型参数初始化所述卷积神经网络的其他层。
其中,所述预训练包括:提取所述卷积神经网络的浅层特征,保存训练完的参数。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型包括:
所述卷积神经网络扩增一个所述全连接层,所述全连接层维度为2维,原维度为2的全连接层的维度变为1000维;
利用高斯随机初始化扩增的所述全连接层以及原所述维度为2的全连接层;
利用所述预训练后保存的参数初始化扩增后的卷积神经网络其他层。
进一步的,在本发明实施例提供的上述掌纹图像性别分类方法中,所述通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型包括:
所述初始化网络层数扩增后的卷积神经网络模型为新的卷积神经网络;
通过迭代次数与验证集错误率间的关系得出迭代最优次数,将所述训练迭代最优次,得到最优卷积神经网络模型,判断性别分类;
其中,所述待识别样本包括训练样本、验证集。
本实施例另一方面还提供一种掌纹图像性别分类装置,应用于终端,所述掌纹图像性别分类装置包括:
图像采集模块,用于获取掌纹图像;
提取标记模块,用于提取样本掌纹图像的感兴趣区域;
分类模块,用于用训练好的卷积神经网络模型进行性别分类。
本发明实施例再一方面还提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现上述任意一项所述的掌纹图像性别分类方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现上述任意一项所述的掌纹图像性别分类方法的步骤。
本发明实施例提供的掌纹图像性别分类方法及装置、计算机装置及可读存储介质,获取待识别的掌纹图像;从所述待识别的掌纹图像中提取待识别样本;采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。利用本发明实施例,可根据掌纹图像识别性别,提高识别的速率与精度,提升用户体验。
附图说明
图1是本发明第一实施方式的掌纹图像性别分类方法流程图。
图2是本发明第二实施方式的掌纹图像性别分类方法流程图。
图3是本发明一实施方式的终端的结构示意图。
图4是图3所述的终端的示例性的功能模块图。
图5是本发明一示例性的终端的应用界面示意图。
主要元件符号说明
终端 | 1 |
存储器 | 10 |
显示屏 | 20 |
处理器 | 30 |
图像采集模块 | 11 |
提取标记模块 | 12 |
分类模块 | 13 |
具体实施方式
为了能够更清楚地理解本发明实施例的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明实施例,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明实施例的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明实施例。
图1是本发明第一实施方式的掌纹图像性别分类方法流程示意图,所述掌纹图像性别分类方法应用于终端,所述终端可以是例如智能手机、笔记本电脑、台式/平板电脑、智能手表等智能设备。如图1所示,该掌纹图像性别分类方法可以包括如下步骤:
101:获取待识别的掌纹图像。
本实施方式中,所述掌纹图像上都具有大量方向和粗细各异纹线结构,所述纹线是由于手指运动、组织结构和皮肤质地等原因形成的,不同的人的纹线结构所述的位置、方向和粗细,都有较大的差异。获取所述掌纹图像的方法包括但不限于先将手掌上涂上油墨,再将手掌掌纹印在白纸上,随后通过扫描仪将所述掌纹图像扫描成灰度图像存储到计算机中。或,利用数码照相机将手区域拍摄成图像,然后输入到计算机中。或,在所述掌纹图像获取过程中,用图像获取设备平台托住用户的手,获取设备构成一个封闭的采集环境,所述图像获取设备平台内部设置有一支架,预留一窗口仅供手伸入,将手放在内置支架的固定位置进行图像采集。
102:从所述待识别的掌纹图像中提取待识别样本。
本实施方式中,将所述掌纹图像去除手指区域,去除冗余信息,并根据手掌指间谷点提取得到所述掌纹中心块图像,所述掌纹中心块图像为所述掌纹图像得到的手图像的掌心区域位置。以掌心区域质心点为中心建立直角坐标系,在所述直角坐标系中固定位置截取固定大小的感兴趣的图像区域作为掌纹图像的特征提取区域,即所述掌纹图像感兴趣区域。可以理解的,所述掌纹图像感兴趣区域为从所述待识别的掌纹图像中提取的待识别样本。
103:采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。
本实施方式中,在构建所述卷积神经网络时,所述卷积神经网络优先使用VGGNet模型的网络结构进行微调。所述卷积神经网络的结构与所述VGGNet19网络Conv1-1层到Pool5层一样的网络结构,共16层。所述卷积神经网络由输入层与五个卷积部分组成,每个所述卷积部分后均连接一个最大池化层,前两个卷积部分各由两层卷积层组成,后三个卷积部分各由四个卷积部分组成,然后连接两个维度值为4096的全连接层,最后全连接输出层。预训练时,利用高斯随机初始化所述卷积神经网络模型的最后两个所述全连接层,利用VGGNet模型参数初始化所述卷积神经网络的其他层。再训练时,所述卷积神经网络扩增一个所述全连接层,所述全连接层的维度值为2维,原维度值为2的全连接层的维度变为1000维。利用高斯随机初始化扩增后的所述全连接层以及原所述维度值为2的全连接层,利用所述预训练后保存的参数初始化所述卷积神经网络的其他层。初始化网络层数扩增后的卷积神经网络模型即为新的卷积神经网络,将上述训练迭代至最优次,得到最优卷积神经网络模型,判断性别分类。
可以理解的,利用预先训练好的卷积神经网络模型即为所述最优卷积神经网络模型,利用所述最优卷积神经网络模型分析处理所述待识别样本,得到所述采集者的性别。
本实施方式提供的掌纹图像性别分类方法,获取待识别的掌纹图像;从所述待识别的掌纹图像中提取待识别样本;采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。掌纹图像的有效区域大并且具有更丰富的纹理特征,且所述掌纹图像易于采集,因而利用本发明实施例,能够为性别识别提供更为有效可靠的识别信息,提高性别识别匹配的速率与精度。
图2是本发明第二实施方式的掌纹图像性别分类方法流程示意图。所述第二实施方式与第一实施方式的主要区别在于,第二实施方式中包括了具体如何训练所述卷积神经网络等步骤。需要说明的是,在本发明实施例的精神或基本特征的范围内,适用于第一实施方式中的各具体方案也可以相应的适用于第二实施方式中,为节省篇幅及避免重复起见,在此就不再赘述。
如图2所示,该掌纹图像性别分类方法可以包括如下步骤:
201:获取初始卷积神经网络模型。
202:提取样本掌纹图像的感兴趣区域并标记训练样本,在所述初始卷积神经网络模型中输入所述训练样本。
本实施方式中,扩增所述训练样本可以提升所述卷积神经网络的性能。可以理解的,利用镜像翻转扩增所述训练样本,再将所述训练样本分批次多次输入到所述卷积神经网络,每一批次选择多张掌纹图像。
203:采用有监督的学习方法预训练所述初始卷积神经网络模型,并保存训练完的卷积神经网络的参数。
本实施方式中,所述预训练包括提取所述卷积神经网络的浅层特征,并保存训练完的参数。
204:扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型。
205:通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型。
本实施方式中,预训练时采用较高的基础学习率,固定的学习势,随着所述迭代次数的增加,学习率降低,保持所述学习势不变。所述学习率每经过S次迭代,更新一次,N是总的迭代次数,则整个训练过程中更新次数为:
其中,函数floor(·)表示向下取整,则第k次更新后的所述学习率alphak,由如下公式表示,其中gamma表示更新系数,alpha为所述基础学习率:alphak=alpha*(gamma)k,k=0,1,…n
在每一批所述掌纹图像输入到所述卷积神经网络并完成训练后,调用更新函数使所述学习率随迭代次数减少,所述学习势保持不变,所述学习势为一固定常数。所述学习率与所述学习势在更新网络权重时如下函数所示,wi为网络权重,m为所述学习势,E为损失。
由于每一批所述掌纹图像输入到所述卷积神经网络后及时更新所述学习率的方式能够较大的提升网络训练速度,可以理解的,将之前每次训练时设定的迭代次数增倍,通过迭代次数与验证集错误率间的关系曲线找到最佳迭代次数和最佳卷积神经网络模型,即寻找验证集错误率随迭代次数变化曲线中先增加后减小时的拐点,它所指示的迭代次数为该条件下的最优次数,此时训练得到的模型为需要的最优卷积神经网络模型。
可以理解的,在所有所述全连接层后引入丢弃层,丢弃概率为一固定常数,可以较大的提升网络训练速度,防止过拟合。
本实施方式提供的掌纹图像性别分类方法,获取初始卷积神经网络模型;提取样本掌纹图像的感兴趣区域并标记训练样本,在所述初始卷积神经网络模型中输入所述训练样本;采用有监督的学习方法预训练所述初始卷积神经网络模型,并保存训练完的卷积神经网络的参数;扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型;通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型。利用本发明实施例,根据掌纹图像识别性别,提高识别的速率与精度,提升用户体验。
以上是对本发明实施例所提供的方法进行的详细描述。根据不同的需求,所示流程图中方块的执行顺序可以改变,某些方块可以省略。下面对本发明实施例所提供的终端进行描述。
本发明实施例还提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施方式中所述的掌纹图像性别分类方法的步骤。
图3是本发明一实施方式的终端的结构示意图,如图3所示,终端1包括存储器10,存储器10中存储有掌纹图像性别分类装置100。所述的终端1可以是手机、平板电脑、个人数字助理等具有掌纹图像性别分类功能的终端。所述掌纹图像性别分类装置100可以获取待识别的掌纹图像;从所述待识别的掌纹图像中提取待识别样本;采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。所述掌纹图像的有效区域大并且具有更丰富的纹理特征,且所述掌纹图像易于采集,因而利用本发明实施例,能够为性别识别提供更为有效可靠的识别信息,提高性别识别匹配的速率与精度。
所述的掌纹图像性别分类装置100还可以获取初始卷积神经网络模型;提取样本掌纹图像的感兴趣区域并标记训练样本,在所述初始卷积神经网络模型中输入所述训练样本;采用有监督的学习方法预训练所述初始卷积神经网络模型,并保存训练完的卷积神经网络的参数;扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型;通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型。利用本发明实施例,根据掌纹图像识别性别,提高识别的速率与精度,提升用户体验。
本实施方式中,终端1为一手机。终端1还可以包括显示屏20及处理器30。存储器10、显示屏20可以分别与处理器30电连接。
所述的存储器10可以是不同类型存储设备,用于存储各类数据。例如,可以是终端1的存储器、内存,还可以是可外接于该终端1的存储卡,如闪存、SM卡(Smart Media Card,智能媒体卡)、SD卡(Secure Digital Card,安全数字卡)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储装置用于存储各类数据,例如,所述终端1中安装的各类应用程序(Applications)、应用上述掌纹图像性别分类方法而设置、获取的数据等信息。
显示屏20安装于终端1,用于显示信息。
处理器30用于执行所述掌纹图像性别分类方法以及所述终端1内安装的各类软件,例如操作系统及掌纹图像性别分类软件等。处理器30包含但不限于处理器(CentralProcessing Unit,CPU)、微控制单元(Micro Controller Unit,MCU)等用于解释计算机指令以及处理计算机软件中的数据的装置。
所述的掌纹图像性别分类装置100可以包括一个或多个的模块,所述一个或多个模块被存储在终端1的存储器10中并被配置成由一个或多个处理器(本实施方式为一个处理器30)执行,以完成本发明实施例。例如,参阅图4所示,所述终端1可以包括图像采集模块11、提取标记模块12、分类模块13。本发明实施例所称的模块可以是完成一特定功能的程序段,比程序更适合于描述软件在处理器中的执行过程。
可以理解的是,对应上述掌纹图像性别分类方法中的各实施方式,终端1可以包括图4中所示的各功能模块中的一部分或全部,各模块的功能将在以下具体介绍。需要说明的是,以上掌纹图像性别分类方法的各实施方式中相同的名词相关名词及其具体的解释说明也可以适用于以下对各模块的功能介绍。为节省篇幅及避免重复起见,在此就不再赘述。
图像采集模块11可用于获取掌纹图像;
提取标记模块12可用于提取所述掌纹图像感兴趣区域。
分类模块13可用于用训练好的卷积神经网络模型进行性别分类。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施方式中的掌纹图像性别分类方法的步骤。
所述掌纹图像性别分类装置/终端/计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述掌纹图像性别分类装置/终端的控制中心,利用各种接口和线路连接整个掌纹图像性别分类装置/终端的各个部分。
所述存储器用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述掌纹图像性别分类装置/终端的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
请参阅图5,其为本发明实施例一示例性的终端的应用界面示意图。
如图5所示,先建立卷积神经网络结构A,所述卷积神经网络A优先使用VGGNet模型的网络结构进行微调。所述卷积神经网络A的结构与所述VGGNet19网络Conv1-1层到Pool5层一样的网络结构,共16层。所述卷积神经网络由输入层与五个卷积部分组成,每个所述卷积部分后均连接一个最大池化层,前两个卷积部分各由两层卷积层组成,后三个卷积部分各由四个卷积部分组成,然后连接两个维度值为4096的全连接层fc6、fc7,最后全连接输出层fc8。两个全连接层fc7、fc8使用高斯随机初始化外,其他各层使用VGGNet模型参数初始化,训练时输入所述训练样本,使用无监督学习对每一层网络中的掌纹图像进行预训练;每次用无监督学习只训练一层,并将其输出的掌纹特征结果作为更高一层的输入;然后最后一层再用有监督的学习方法调整全连接层的权值系数,在权值调整过程中使用梯度下降法逼近全局最优值,每一次的权值调整代表着一次逼近,但是反向传播时在全连接层fc6处停止传播。修改所述卷积神经网络结构A,增加一个全连接层,得到卷积神经网络B,所述卷积神经网络B继承所述卷积神经网络A的训练结果,同样地所述全连接层fc8、fc9采用高斯随机初始化,其他各层由所述卷积神经网络A的参数进行初始化,训练时在全连接层fc6处停止反向传播。在此不再一一描述。
在本发明所提供的几个具体实施方式中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的系统实施方式仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。
以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (10)
1.一种掌纹图像性别分类方法,应用于终端,其特征在于,所述掌纹图像性别分类方法包括:
获取待识别的掌纹图像;
从所述待识别的掌纹图像中提取待识别样本;
采用预先训练好的卷积神经网络模型对所述待识别样本进行分析处理,以对所述待识别的掌纹图像所述的采集者进行性别分类。
2.根据权利要求1所述的掌纹图像性别分类方法,其特征在于,所述掌纹图像性别分类方法还包括:
获取初始卷积神经网络模型;
提取样本掌纹图像的感兴趣区域并标记训练样本,在所述初始卷积神经网络模型中输入所述训练样本;
采用有监督的学习方法预训练所述初始卷积神经网络模型,并保存训练完的卷积神经网络的参数;
扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型;
通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得所述预先训练好的卷积神经网络模型。
3.根据权利要求2所述的掌纹图像性别分类方法,其特征在于,所述提取样本掌纹图像的感兴趣区域并标记训练样本包括:
根据手掌指间谷点提取掌纹中心块图像,去除冗余信息,其中,所述掌纹中心块图像即为所述掌纹图像的感兴趣区域,所述掌纹中心块图像构成所述卷积神经网络的训练样本。
4.根据权利要求3所述的掌纹图像性别分类方法,其特征在于,所述训练样本包括:
利用镜像翻转扩增所述训练样本,所述训练样本分批多次输入到所述卷积神经网络,每一批次选择多张掌纹图像。
5.根据权利要求2所述的掌纹图像性别分类方法,其特征在于,所述采用有监督的学习方法预训练所述初始卷积神经网络模型包括:
建立包含多卷积层、池化层、丢弃层和全连接层的所述卷积神经网络,其中,所述卷积神经网络模型使用VGGNet模型进行微调;
利用高斯随机初始化所述卷积神经网络模型的最后两个所述全连接层,利用VGGNet模型参数初始化所述卷积神经网络的其他层。
其中,所述预训练包括:提取所述卷积神经网络的浅层特征,保存训练完的参数。
6.根据权利要求5所述的掌纹图像性别分类方法,其特征在于,所述扩增所述初始卷积神经网络模型的网络层数,使用已保存的参数初始化扩增后的卷积神经网络模型包括:
所述卷积神经网络扩增一个所述全连接层,所述全连接层维度为2维,原维度为2的全连接层的维度变为1000维;
利用高斯随机初始化扩增的所述全连接层以及原所述维度为2的全连接层;
利用所述预训练后保存的参数初始化扩增后的卷积神经网络其他层。
7.根据权利要求6所述的掌纹图像性别分类方法,其特征在于,所述通过迭代上述训练对所述初始化后的卷积神经网络模型进行微调,以获得预先训练好的所述卷积神经网络模型包括:
所述初始化网络层数扩增后的卷积神经网络模型为新的卷积神经网络;
通过迭代次数与验证集错误率间的关系得出迭代最优次数,将所述训练迭代最优次,得到最优卷积神经网络模型,判断性别分类;
其中,所述待识别样本包括训练样本、验证集。
8.一种掌纹图像性别分类装置,应用于终端,其特征在于,所述掌纹图像性别分类装置包括:
图像采集模块,用于获取掌纹图像;
提取标记模块,用于提取样本掌纹图像的感兴趣区域;
分类模块,用于用训练好的卷积神经网络模型进行性别分类。
9.一种计算机装置,其特征在于,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任意一项所述的掌纹图像性别分类方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于:所述计算机指令被处理器执行时实现如权利要求1-7中任意一项所述的掌纹图像性别分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923082.0A CN107657239A (zh) | 2017-09-30 | 2017-09-30 | 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923082.0A CN107657239A (zh) | 2017-09-30 | 2017-09-30 | 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657239A true CN107657239A (zh) | 2018-02-02 |
Family
ID=61117601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710923082.0A Pending CN107657239A (zh) | 2017-09-30 | 2017-09-30 | 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657239A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN109190499A (zh) * | 2018-08-09 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN109460485A (zh) * | 2018-10-12 | 2019-03-12 | 咪咕文化科技有限公司 | 一种图像库建立方法、装置和存储介质 |
CN109508692A (zh) * | 2018-11-30 | 2019-03-22 | 深圳大学 | 一种基于3d指纹图像的性别识别方法及系统 |
CN109614988A (zh) * | 2018-11-12 | 2019-04-12 | 国家电网有限公司 | 一种生物识别方法及装置 |
CN109784241A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种稳定的掌纹图像特征富集区域提取方法 |
CN110879956A (zh) * | 2019-07-12 | 2020-03-13 | 熵加网络科技(北京)有限公司 | 一种掌纹特征提取的方法 |
CN110909614A (zh) * | 2019-10-28 | 2020-03-24 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
CN111178310A (zh) * | 2019-12-31 | 2020-05-19 | 广东灵机文化传播有限公司 | 手掌特征识别方法、装置、计算机设备和存储介质 |
WO2020118618A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种乳腺肿块图像识别方法及装置 |
CN111339932A (zh) * | 2020-02-25 | 2020-06-26 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
CN112200124A (zh) * | 2020-10-26 | 2021-01-08 | 南昌航空大学 | 融合多任务软生物特征的深度网络掌纹识别方法及系统 |
CN113221844A (zh) * | 2021-06-07 | 2021-08-06 | 山东建筑大学 | 基于深度学习的掌纹细节点真伪甄别方法及系统 |
CN113673343A (zh) * | 2021-07-19 | 2021-11-19 | 西安交通大学 | 一种基于加权元度量学习的开放集掌纹识别系统及方法 |
CN113705443A (zh) * | 2021-08-27 | 2021-11-26 | 湖南工商大学 | 综合利用知识图谱和深度残差网络的掌纹图像识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015074157A1 (en) * | 2013-11-25 | 2015-05-28 | Ehsan Fazl Ersi | System and method for face recognition |
CN105678381A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种性别分类网络训练方法、性别分类方法及相关装置 |
CN105809090A (zh) * | 2014-12-30 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种人脸性别特征提取的方法及系统 |
-
2017
- 2017-09-30 CN CN201710923082.0A patent/CN107657239A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015074157A1 (en) * | 2013-11-25 | 2015-05-28 | Ehsan Fazl Ersi | System and method for face recognition |
CN105809090A (zh) * | 2014-12-30 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种人脸性别特征提取的方法及系统 |
CN105678381A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种性别分类网络训练方法、性别分类方法及相关装置 |
Non-Patent Citations (5)
Title |
---|
JUNZHANGCOM: ""Image Classification based on VGG16 Transfer Learning using Tensorflow使用Tensorflow打造基于VGG16的图片分类器"", 《HTTPS://JUNZHANGCOM.WORDPRESS.COM/2017/08/07/IMAGE-CLASSIFICATION-BASED-ON-VGG16-TRANSFER-LEARNING-USING-TENSORFLOW-%E4%BD%BF%E7%94%A8TENSORFLOW%E6%89%93%E9%80%A0%E5%9F%BA%E4%BA%8EVGG16%E7%9A%84%E5%9B%BE%E7%89%87%E5%88%86%E7%B1%BB%E5%99%A8/》 * |
MING W: ""Gender Classification Based on Geometry Features of Palm Image"", 《THE SCIENTIFIC WORLD JOURNAL》 * |
公安部第三研究所: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017 * |
周丹: "《保安防范技术》", 31 July 2007 * |
尹方平: "《新编生物特征识别与应用》", 30 April 2016 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN109190499A (zh) * | 2018-08-09 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN109460485A (zh) * | 2018-10-12 | 2019-03-12 | 咪咕文化科技有限公司 | 一种图像库建立方法、装置和存储介质 |
CN109614988A (zh) * | 2018-11-12 | 2019-04-12 | 国家电网有限公司 | 一种生物识别方法及装置 |
WO2020107922A1 (zh) * | 2018-11-30 | 2020-06-04 | 深圳大学 | 一种基于3d指纹图像的性别识别方法及系统 |
CN109508692A (zh) * | 2018-11-30 | 2019-03-22 | 深圳大学 | 一种基于3d指纹图像的性别识别方法及系统 |
CN109508692B (zh) * | 2018-11-30 | 2020-06-16 | 深圳大学 | 一种基于3d指纹图像的性别识别方法及系统 |
WO2020118618A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种乳腺肿块图像识别方法及装置 |
CN109784241A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种稳定的掌纹图像特征富集区域提取方法 |
CN109784241B (zh) * | 2018-12-29 | 2020-10-27 | 西安交通大学 | 一种稳定的掌纹图像特征富集区域提取方法 |
CN110879956A (zh) * | 2019-07-12 | 2020-03-13 | 熵加网络科技(北京)有限公司 | 一种掌纹特征提取的方法 |
CN110909614A (zh) * | 2019-10-28 | 2020-03-24 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
CN110909614B (zh) * | 2019-10-28 | 2023-04-07 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
CN111178310A (zh) * | 2019-12-31 | 2020-05-19 | 广东灵机文化传播有限公司 | 手掌特征识别方法、装置、计算机设备和存储介质 |
CN111339932A (zh) * | 2020-02-25 | 2020-06-26 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
CN111339932B (zh) * | 2020-02-25 | 2022-10-14 | 南昌航空大学 | 一种掌纹图像预处理方法和系统 |
CN112200124B (zh) * | 2020-10-26 | 2022-07-12 | 南昌航空大学 | 融合多任务软生物特征的深度网络掌纹识别方法及系统 |
CN112200124A (zh) * | 2020-10-26 | 2021-01-08 | 南昌航空大学 | 融合多任务软生物特征的深度网络掌纹识别方法及系统 |
CN113221844A (zh) * | 2021-06-07 | 2021-08-06 | 山东建筑大学 | 基于深度学习的掌纹细节点真伪甄别方法及系统 |
CN113673343A (zh) * | 2021-07-19 | 2021-11-19 | 西安交通大学 | 一种基于加权元度量学习的开放集掌纹识别系统及方法 |
CN113673343B (zh) * | 2021-07-19 | 2023-09-19 | 西安交通大学 | 一种基于加权元度量学习的开放集掌纹识别系统及方法 |
CN113705443A (zh) * | 2021-08-27 | 2021-11-26 | 湖南工商大学 | 综合利用知识图谱和深度残差网络的掌纹图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657239A (zh) | 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 | |
CN110084173B (zh) | 人头检测方法及装置 | |
CN109165566B (zh) | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 | |
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
CN107563385B (zh) | 基于深度卷积生成式对抗网络的车牌字符识别方法 | |
CN105138993B (zh) | 建立人脸识别模型的方法及装置 | |
CN112784763B (zh) | 基于局部与整体特征自适应融合的表情识别方法及系统 | |
CN107169504B (zh) | 一种基于扩展非线性核残差网络的手写字符识别方法 | |
CN103824054A (zh) | 一种基于级联深度神经网络的人脸属性识别方法 | |
CN112464865A (zh) | 一种基于像素和几何混合特征的人脸表情识别方法 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN106469298A (zh) | 基于人脸图像的年龄识别方法及装置 | |
CN107221320A (zh) | 训练声学特征提取模型的方法、装置、设备和计算机存储介质 | |
CN109255340A (zh) | 一种融合多种改进vgg网络的人脸识别方法 | |
CN109190566A (zh) | 一种融合局部编码与cnn模型手指静脉识别方法 | |
CN105701513A (zh) | 快速提取掌纹感兴趣区域的方法 | |
CN110033332A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
CN108776774A (zh) | 一种基于复杂度感知分类算法的面部表情识别方法 | |
CN108804677A (zh) | 结合多层级注意力机制的深度学习问题分类方法及系统 | |
CN108921019A (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
CN108564040B (zh) | 一种基于深度卷积特征的指纹活性检测方法 | |
CN105205449A (zh) | 基于深度学习的手语识别方法 | |
CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
CN105989266A (zh) | 基于心电信号的认证方法、装置及系统 | |
CN106611156B (zh) | 一种自适应深度空间特征的行人识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |