CN109345553A - 一种手掌及其关键点检测方法、装置和终端设备 - Google Patents
一种手掌及其关键点检测方法、装置和终端设备 Download PDFInfo
- Publication number
- CN109345553A CN109345553A CN201811016906.7A CN201811016906A CN109345553A CN 109345553 A CN109345553 A CN 109345553A CN 201811016906 A CN201811016906 A CN 201811016906A CN 109345553 A CN109345553 A CN 109345553A
- Authority
- CN
- China
- Prior art keywords
- image
- palm
- probability
- sample image
- network
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 210000005036 nerve Anatomy 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 239000006002 Pepper Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于生物识别技术领域，提供了一种手掌及其关键点检测方法、装置和终端设备，所述方法包括：将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率；当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，其中，所述第二图像尺寸大于所述第一图像尺寸；当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。本申请可以解决现有的手掌及其关键点检测方法的准确率较低，且检测速度较慢的问题。
Description
技术领域
本申请属于生物识别技术领域，尤其涉及一种手掌及其关键点检测方法、装置和终端设备。
背景技术
随着科技的发展，各式各样的生物识别技术应用在了人们的生活当中，例如指纹打卡、掌纹识别和声纹认证等。
在这些生物识别技术当中，掌纹识别和掌静脉识别是分别利用手掌的纹线特征和掌静脉分布图进行个人身份验证的技术。在进行掌纹识别和掌静脉识别的过程中，手掌检测及手掌关键点检测是极其重要的环节，通过手掌检测可以判断一个图像中是否有手掌，这是进行后续手掌识别的基础，通过手掌关键点检测可以实现手掌定位，手掌关键点检测的关键点位置越准确，则手掌区域定位越准确，有利于提高后续进行掌纹识别和掌静脉识别的识别率。
但是，当前的手掌及其关键点检测方法主要是对手掌图像进行肤色检测和背景阈值分割，然后通过特征点检测与比对算法判断图像是否为手掌图像以及确定手掌图像的关键点位置。这种方法不仅准确率比较低，无法准确地辨识手掌图像和定位关键点位置，而且因为对所有图像都进行详细比对，从而导致检测速度过慢。
综上，现有的手掌及其关键点检测方法的准确率较低，且检测速度较慢。
发明内容
有鉴于此，本申请实施例提供了一种手掌及其关键点检测方法、装置和终端设备，以解决现有的手掌及其关键点检测方法的准确率较低，且检测速度较慢的问题。
本申请实施例的第一方面提供了一种手掌及其关键点检测方法，包括：
将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
本申请实施例的第二方面提供了一种手掌及其关键点检测装置，包括：
第一检测模块，用于将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
第二检测模块，用于当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
关键点输出模块，用于当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请提供了一种手掌及其关键点检测方法，首先将待检测图像缩放至第一图像尺寸，输入第一神经网络进行初检，然后将初检中第一手掌图像概率大于第一概率阈值的待检测图像缩放至第二图像尺寸，输入第二神经网络进行精细化检测，通过双重检测提高了准确率，并且第一图像尺寸小于第二图像尺寸，使得第一神经网络可以快速对待检测图像进行判断，筛选除掉明显不是手掌图像的待检测图像，只对经过筛选的待检测图像放大进行精细化检测，从而提高了检测速度，解决了现有的手掌及其关键点检测方法的准确率较低，且检测速度较慢的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种手掌及其关键点检测方法的实现流程示意图；
图2是本申请实施例一提供的一种手掌9关键点模型的示意图；
图3是本申请实施例一提供的经过训练的第一神经网络的第一手掌关键点预测坐标的回归误差测试图；
图4是本申请实施例一提供的经过训练的第一神经网络的分类精度测试图；
图5是本申请实施例一提供的经过训练的第二神经网络的第二手掌关键点预测坐标的回归误差测试图；
图6是本申请实施例一提供的经过训练的第二神经网络的分类精度测试图；
图7是本申请实施例二提供的一种手掌及其关键点检测装置的结构示意图；
图8是本申请实施例三提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：
下面对本申请实施例一提供的一种手掌及其关键点检测方法进行描述，请参阅附图1，本申请实施例一种的手掌及其关键点检测方法包括：
步骤S101、将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值。
其中，神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络的种类有很多，例如ResNet神经网络、Faster R-CNN神经网络、Mask-RCNN神经网络、UNet神经网络和FCN神经网络等。
实际应用过程中，可根据实际情况选择合适的神经网络，例如本实施例中第一神经网络可以选择UNet神经网络，也可以根据实际情况选择其他神经网络。
将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，可得到待检测图像的第一手掌图像概率，第一手掌图像概率是指待检测图像经过第一神经网络的检测之后，第一神经网络得出的待检测图像为包含手掌的图像的概率，通过判断所述第一手掌图像概率是否大于第一概率阈值可以筛选除掉明显不包含手掌的待检测图像，只对可能包含手掌的待检测图像进行精细化检测，提高检测的速度。
步骤S102、当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸。
当所述第一手掌图像概率大于所述第一概率阈值时，则认为待检测图像为可能存在手掌的图像，此时将待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络中进行精细化检测。
第二神经网络可根据实际情况选择UNet神经网络或其他神经网络。
其中，第二图像尺寸大于第一图像尺寸，例如第一图像尺寸可选择为32*32像素，第二图像尺寸可选择为64*64像素，由于图像尺寸的大小对神经网络的检测速度和检测精度存在较大影响，因此第一神经网络的输入图像采用第一图像尺寸，进行初检时以较快的速度筛选待检测图像，而第二神经网络则采用第二图像尺寸，提高第二神经网络的检测结果的准确性。
此外，也可以设置第一神经网络的卷积层数小于第二神经网络的卷积层数，以提高第一神经网络的检测速度。
经过第二神经网络的检测之后，可以得到待检测图像的第二手掌图像概率，第二手掌概率是指待检测图像经过第二神经网络的检测之后，第二神经网络得出的待检测图像为包含手掌的图像的概率，判断第二手掌图像概率是否大于第二概率阈值即可判断待检测图像是否为包含手掌的图像。
步骤S103、当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
当第二手掌图像概率大于第二概率阈值时认为待检测图像为包含手掌的图像，此时输出第二神经网络预测的第二手掌关键点预测坐标，根据第二手掌关键点预测坐标可以对待检测图像中手掌区域进行定位，以便于后续进行掌静脉识别或掌纹识别。
进一步地，所述第一神经网络通过以下方式训练：
A2、将第一正样本图像和第一负样本图像缩放至所述第一图像尺寸并输入初始的第一神经网络，对所述初始的第一神经网络进行训练，得到所述经过训练的第一神经网络，其中，所述第一正样本图像为包含手掌并标注手掌关键点的图像，所述第一负样本图像为不包含手掌的图像。
第一正样本图像为包含手掌并标注手掌关键点的图像，手掌关键点的标注可选择9关键点模型作为典型使用，9关键点模型如图2所示，包含了手掌上识别度较高的9个手掌关键点，即图2中的标号1至9。
第一负样本图像为不包含手掌的图像，例如可以选择一个系列的户外风景图像作为原始负样本图像，随机地从这些户外风景图像中选择并截取任意大小，缩放到第一图像尺寸作为第一负样本图像。
以UNet神经网络为例，可以设置第一神经网络的卷积层数为20层，4次下采样，4次上采样。当训练完成后，第一神经网络的输入和输出都是图像，输入32*32像素的待检测图像，输出为9个手掌关键点的热图(heatmap)。热图的尺寸与待检测图像的尺寸一致，都是32*32像素，热图是以手掌关键点的位置为中心的2D高斯分布亮度图像。在训练过程中，每个关键点对应一个通道，在UNet神经网络的第二个上采样位置介入一个小的网络用于直接预测第一手掌图像概率和手掌关键点的坐标。这样，第一神经网络产生3个输出：热图预测、正样本概率预测和关键点坐标预测，这对应于三个损失函数，分别是MSE损失函数、CrossEntropy损失函数和SmoothL1损失函数。在训练过程中，三个损失函数进行加权再进行向后传播对第一神经网络内的权重值和偏置值进行更新直至总损失函数达到预置的要求，更新的过程可采用Adam算法以提高收敛速度，在一定的训练周期后，降低学习率。对于在线生成热图的环节，可以改变2D高斯分布的形状大小以提高训练的效率，例如在训练开始时，使2D高斯分布的形状较大一些以便于收敛，之后可以适当缩小以提升精度。
在对所述第一神经网络进行训练之前，还可以通过以下方式对所述第一正样本图像进行扩充：
A1、对预置数量的所述第一正样本图像进行预处理，其中，所述预处理包括加入椒盐噪声、亮度调整、过曝光处理、图像翻转、图像旋转和截图中的一种或多种。
除了选取包含手掌并标注手掌关键点的图像作为正样本之外，还可以对已经选取的第一正样本图像通过预处理在线扩充第一正样本图像的数量，例如：选取适当比例的第一正样本图像加入椒盐噪声，用于对抗有噪声的图像；选取适当比例的第一正样本图像进行亮度调整或过曝光处理，用于适应各种场景采集的图像；选取适当比例的第一正样本图像进行左右图像翻转或任意角度旋转，用于适应用户以各种角度输入的图像；选取适当比例的第一正样本图像进行随机截图，只确保至少一半的手掌关键点在截图内，用于提高对用户使用手掌位置的适应性。
进一步地，所述第二神经网络通过以下方式训练：
B1、将测试正样本图像和测试负样本图像缩放至所述第一图像尺寸并输入所述经过训练的第一神经网络，得到各个所述测试正样本图像对应的第一手掌图像概率、第一手掌关键点预测坐标和各个所述测试负样本图像对应的第一手掌图像概率，其中，所述测试正样本图像为包含手掌的图像，所述测试负样本图像为不包含手掌的图像。
测试正样本图像和测试负样本图像的选取方式可以与第一正样本图像和第一负样本图像的选取方式一致，例如，可以将选取的正样本图像和负样本图像以一定比例划分为训练样本和测试样本，例如划分90％的正样本图像作为对初始的第一神经网络进行训练的第一正样本图像，划分10％的正样本图像作为对训练后的第一神经网络进行测试的测试正样本图像。
将测试正样本图像和测试负样本图像缩放至所述第一图像尺寸并输入经过训练的第一神经网络，得到各个测试正样本图像对应的第一手掌图像概率、第一手掌关键点预测坐标和各个测试负样本图像对应的第一手掌图像概率。
B2、将所述第一手掌图像概率大于第三概率阈值且所述第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，将所述第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，将所述第二正样本图像和所述第二负样本图像缩放至所述第二图像尺寸并输入初始的第二神经网络，对所述初始的第二神经网络进行训练，得到所述经过训练的第二神经网络。
将第一手掌图像概率大于第三概率阈值且第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，可以使得第二神经网络在训练过程中更准确地学习到包含有手掌的图像的特征。
对于选取的第二正样本图像也可通过预处理进行在线扩增。
将第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，可以提高第二神经网络对一些难以区分的不包含手掌的图像的辨识能力。
将第二正样本图像和第二负样本图像缩放至所述第二图像尺寸并输入初始的第二神经网络，对初始的第二神经网络进行训练，得到所述经过训练的第二神经网络。
经过上述训练过程后，第一神经网络与第二神经网络的测试结果如图3至图6所示，其中测试样本数是指测试正样本图像和测试负样本图像的数量之和，分类精度是指将测试正样本图像正确归类为包含手掌的图像或将测试负样本图像正确归类为不包含手掌的图像的正确率，回归误差是指第一手掌关键点预测坐标或第二手掌关键点预测坐标与测试正样本图像实际的手掌关键点坐标的回归误差。
通过图3和图5的比对以及图4和图6的比对可知，经过训练的第二神经网络不仅仅分类精度高于经过训练的第一神经网络，而且第二神经网络对于关键点位置进行预测的第二手掌关键点预测坐标也比第一神经网络预测的第一手掌关键点预测坐标更为准确。
进一步地，步骤102可选择以下方式进行实现：
C1、当所述第一手掌图像概率大于所述第一概率阈值时，获取所述第一神经网络预测的第一手掌关键点预测坐标，根据所述第一手掌关键点预测坐标确定手掌方向，旋转所述待检测图像使得所述手掌方向与预置方向对齐。
当第一手掌图像概率大于所述第一概率阈值时，则认为待检测图像为包括手掌的图像的可能性较大，此时可以获取一神经网络预测的第一手掌关键点预测坐标，根据第一手掌关键点预测坐标大致确定手掌在待检测图像中的位置和手掌方向，手掌方向可以根据实际情况进行定义，例如可定义中指的指向方向为手掌方向，根据手掌方向对待检测图像进行旋转，直至手掌方向与预置方向对齐，以便于后续第二神经网络的检测，例如使中指的指向方向与垂线平行。
C2、将对齐后的所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸。
将待检测图像对齐后，再将其缩放至第二图像尺寸并输入经过训练的第二神经网络，可以提高第二神经网络的检测速度。
在本申请的实施例一中，使用经过训练的第一神经网络和第二神经网络对待检测图像进行双重检测，可以极大地提高检测结果的准确率，并且第一图像尺寸小于第二图像尺寸，因此第一神经网络可以用较快的速度完成初检，筛选除掉明显不是手掌图像的待检测图像，只对经过筛选的待检测图像放大通过第二神经网络进行精细化检测，并非对所有待检测图像都进行精细化检测，从而提高了检测速度，解决了现有的手掌及其关键点检测方法的准确率较低，且检测速度较慢的问题。
此外，由于采集待检测图像的时候容易因为环境噪声、光线强度以及用户的使用手掌的习惯，对待检测图像的质量造成一定的影响，因此，可以在第一神经网络和第二神经网络的训练过程中，通过预处理对第一正样本和第二正样本进行在线扩增，以提高第一神经网络和第二神经网络对各种人为干扰因素和环境干扰因素的适应性。
同时，在第二神经网络的训练过程中，还可以在对第一神经网络进行样本测试之后，选取第一手掌图像概率大于第三概率阈值且第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，使得第二神经网络在训练过程中更准确地学习到包含有手掌的图像的特征；选取第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，提高第二神经网络对一些难以区分的不包含手掌的图像的辨识能力。
另外，将待检测图像输入第二神经网络进行第二次检测时，还可以将待检测图像的手掌方向与预置方向对齐，在一定程度上提高第二神经网络的检测速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
本申请实施例二提供了一种手掌及其关键点检测装置，为便于说明，仅示出与本申请相关的部分，如图7所示，手掌及其关键点检测装置包括，
第一检测模块201，用于将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
第二检测模块202，用于当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
关键点输出模块203，用于当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
进一步地，手掌及其关键点检测装置还包括：
第一训练模块，用于将第一正样本图像和第一负样本图像缩放至所述第一图像尺寸并输入初始的第一神经网络，对所述初始的第一神经网络进行训练，得到所述经过训练的第一神经网络，其中，所述第一正样本图像为包含手掌并标注手掌关键点的图像，所述第一负样本图像为不包含手掌的图像。
进一步地，手掌及其关键点检测装置还包括：
测试模块，用于将测试正样本图像和测试负样本图像缩放至所述第一图像尺寸并输入所述经过训练的第一神经网络，得到各个所述测试正样本图像对应的第一手掌图像概率和第一手掌关键点预测坐标和各个所述测试负样本图像对应的第一手掌图像概率，其中，所述测试正样本图像为包含手掌的图像，所述测试负样本图像为不包含手掌的图像；
第二训练模块，用于将所述第一手掌图像概率大于第三概率阈值且所述第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，将所述第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，将所述第二正样本图像和所述第二负样本图像缩放至所述第二图像尺寸并输入初始的第二神经网络，对所述初始的第二神经网络进行训练，得到所述经过训练的第二神经网络。
进一步地，手掌及其关键点检测装置还包括：
预处理模块，用于对预置数量的所述第一正样本图像进行预处理，其中，所述预处理包括加入椒盐噪声、亮度调整、过曝光处理、图像翻转、图像旋转和截图中的一种或多种。
进一步地，第二检测模块202具体包括：
对齐子模块，用于当所述第一手掌图像概率大于所述第一概率阈值时，获取所述第一神经网络预测的第一手掌关键点预测坐标，根据所述第一手掌关键点预测坐标确定手掌方向，旋转所述待检测图像使得所述手掌方向与预置方向对齐；
检测子模块，用于将对齐后的所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图8是本申请实施例三提供的终端设备的示意图。如图8所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述手掌及其关键点检测方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块201至203的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成第一检测模块、第二检测模块以及关键点输出模块，各模块具体功能如下：
将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图8仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30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。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/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，本申请实现上述实施例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。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种手掌及其关键点检测方法，其特征在于，包括：
将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
2.如权利要求1所述的手掌及其关键点检测方法，其特征在于，所述第一神经网络通过以下方式训练：
将第一正样本图像和第一负样本图像缩放至所述第一图像尺寸并输入初始的第一神经网络，对所述初始的第一神经网络进行训练，得到所述经过训练的第一神经网络，其中，所述第一正样本图像为包含手掌并标注手掌关键点的图像，所述第一负样本图像为不包含手掌的图像。
3.如权利要求1所述的手掌及其关键点检测方法，其特征在于，所述第二神经网络通过以下方式训练：
将测试正样本图像和测试负样本图像缩放至所述第一图像尺寸并输入所述经过训练的第一神经网络，得到各个所述测试正样本图像对应的第一手掌图像概率、第一手掌关键点预测坐标和各个所述测试负样本图像对应的第一手掌图像概率，其中，所述测试正样本图像为包含手掌的图像，所述测试负样本图像为不包含手掌的图像；
将所述第一手掌图像概率大于第三概率阈值且所述第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，将所述第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，将所述第二正样本图像和所述第二负样本图像缩放至所述第二图像尺寸并输入初始的第二神经网络，对所述初始的第二神经网络进行训练，得到所述经过训练的第二神经网络。
4.如权利要求2所述的手掌及其关键点检测方法，其特征在于，所述将第一正样本图像和第一负样本图像缩放至所述第一图像尺寸并输入初始的第一神经网络，对所述初始的第一神经网络进行训练，得到所述经过训练的第一神经网络之前还包括：
对预置数量的所述第一正样本图像进行预处理，其中，所述预处理包括加入椒盐噪声、亮度调整、过曝光处理、图像翻转、图像旋转和截图中的一种或多种。
5.如权利要求1至4中任意一项所述的手掌及其关键点检测方法，其特征在于，所述当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸具体包括：
当所述第一手掌图像概率大于所述第一概率阈值时，获取所述第一神经网络预测的第一手掌关键点预测坐标，根据所述第一手掌关键点预测坐标确定手掌方向，旋转所述待检测图像使得所述手掌方向与预置方向对齐；
将对齐后的所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸。
6.一种手掌及其关键点检测装置，其特征在于，包括：
第一检测模块，用于将待检测图像缩放至第一图像尺寸并输入经过训练的第一神经网络，得到所述待检测图像的第一手掌图像概率，判断所述第一手掌图像概率是否大于第一概率阈值；
第二检测模块，用于当所述第一手掌图像概率大于所述第一概率阈值时，将所述待检测图像缩放至第二图像尺寸并输入经过训练的第二神经网络，得到所述待检测图像的第二手掌图像概率，判断所述第二手掌图像概率是否大于第二概率阈值，其中，所述第二图像尺寸大于所述第一图像尺寸；
关键点输出模块，用于当所述第二手掌图像概率大于所述第二概率阈值时，输出所述第二神经网络预测的第二手掌关键点预测坐标。
7.如权利要求6所述的手掌及其关键点检测装置，其特征在于，还包括：
第一训练模块，用于将第一正样本图像和第一负样本图像缩放至所述第一图像尺寸并输入初始的第一神经网络，对所述初始的第一神经网络进行训练，得到所述经过训练的第一神经网络，其中，所述第一正样本图像为包含手掌并标注手掌关键点的图像，所述第一负样本图像为不包含手掌的图像。
8.如权利要求6所述的手掌及其关键点检测装置，其特征在于，还包括：
测试模块，用于将测试正样本图像和测试负样本图像缩放至所述第一图像尺寸并输入所述经过训练的第一神经网络，得到各个所述测试正样本图像对应的第一手掌图像概率和第一手掌关键点预测坐标和各个所述测试负样本图像对应的第一手掌图像概率，其中，所述测试正样本图像为包含手掌的图像，所述测试负样本图像为不包含手掌的图像；
第二训练模块，用于将所述第一手掌图像概率大于第三概率阈值且所述第一手掌关键点预测坐标的误差小于第一误差阈值的测试正样本图像作为第二正样本图像，将所述第一手掌图像概率大于第四概率阈值的测试负样本图像作为第二负样本图像，将所述第二正样本图像和所述第二负样本图像缩放至所述第二图像尺寸并输入初始的第二神经网络，对所述初始的第二神经网络进行训练，得到所述经过训练的第二神经网络。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811016906.7A CN109345553B (zh) | 2018-08-31 | 2018-08-31 | 一种手掌及其关键点检测方法、装置和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811016906.7A CN109345553B (zh) | 2018-08-31 | 2018-08-31 | 一种手掌及其关键点检测方法、装置和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109345553A true CN109345553A (zh) | 2019-02-15 |
| CN109345553B CN109345553B (zh) | 2020-11-06 |
Family
ID=65292172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811016906.7A Active CN109345553B (zh) | 2018-08-31 | 2018-08-31 | 一种手掌及其关键点检测方法、装置和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345553B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008956A (zh) * | 2019-04-01 | 2019-07-12 | 深圳市华付信息技术有限公司 | 发票关键信息定位方法、装置、计算机设备及存储介质 |
| CN110110798A (zh) * | 2019-05-13 | 2019-08-09 | 广东工业大学 | 一种基于Mask-RCNN网络的焊缝识别方法 |
| CN110287940A (zh) * | 2019-07-03 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
| CN110298233A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技（深圳）有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
| CN110414330A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种手掌图像的检测方法及装置 |
| CN111428641A (zh) * | 2020-03-24 | 2020-07-17 | 深圳供电局有限公司 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
| CN111507279A (zh) * | 2020-04-21 | 2020-08-07 | 北京智能工场科技有限公司 | 一种基于UNet++网络的掌纹识别方法 |
| WO2022007559A1 (zh) * | 2020-07-09 | 2022-01-13 | 腾讯科技（深圳）有限公司 | 掌纹识别方法、特征提取模型训练方法、设备及介质 |
| CN114581535A (zh) * | 2022-03-03 | 2022-06-03 | 北京深光科技有限公司 | 图像中用户骨关键点标注方法、装置、存储介质及设备 |
| CN117831082A (zh) * | 2023-12-29 | 2024-04-05 | 广电运通集团股份有限公司 | 手掌区域检测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080240514A1 (en) * | 2007-03-26 | 2008-10-02 | The Hong Kong Polytechnic University | Method of personal recognition using hand-shape and texture |
| CN104182724A (zh) * | 2013-05-24 | 2014-12-03 | 汉王科技股份有限公司 | 一种掌纹关键点定位方法和装置 |
| CN105701513A (zh) * | 2016-01-14 | 2016-06-22 | 深圳市未来媒体技术研究院 | 快速提取掌纹感兴趣区域的方法 |
| CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技（深圳）有限公司 | 眼镜定位方法、装置及存储介质 |
| CN108062518A (zh) * | 2017-12-07 | 2018-05-22 | 北京小米移动软件有限公司 | 面部检测方法及装置 |
-
2018
- 2018-08-31 CN CN201811016906.7A patent/CN109345553B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080240514A1 (en) * | 2007-03-26 | 2008-10-02 | The Hong Kong Polytechnic University | Method of personal recognition using hand-shape and texture |
| CN104182724A (zh) * | 2013-05-24 | 2014-12-03 | 汉王科技股份有限公司 | 一种掌纹关键点定位方法和装置 |
| CN105701513A (zh) * | 2016-01-14 | 2016-06-22 | 深圳市未来媒体技术研究院 | 快速提取掌纹感兴趣区域的方法 |
| CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技（深圳）有限公司 | 眼镜定位方法、装置及存储介质 |
| CN108062518A (zh) * | 2017-12-07 | 2018-05-22 | 北京小米移动软件有限公司 | 面部检测方法及装置 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008956A (zh) * | 2019-04-01 | 2019-07-12 | 深圳市华付信息技术有限公司 | 发票关键信息定位方法、装置、计算机设备及存储介质 |
| CN110110798B (zh) * | 2019-05-13 | 2023-02-10 | 广东工业大学 | 一种基于Mask-RCNN网络的焊缝识别方法、装置、设备及可读存储介质 |
| CN110110798A (zh) * | 2019-05-13 | 2019-08-09 | 广东工业大学 | 一种基于Mask-RCNN网络的焊缝识别方法 |
| CN110298233B (zh) * | 2019-05-15 | 2024-04-09 | 平安科技（深圳）有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
| CN110298233A (zh) * | 2019-05-15 | 2019-10-01 | 平安科技（深圳）有限公司 | 掌纹识别方法、装置、计算机设备及存储介质 |
| CN110414330A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种手掌图像的检测方法及装置 |
| WO2020253505A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技（深圳）有限公司 | 一种手掌图像的检测方法及装置 |
| CN110287940B (zh) * | 2019-07-03 | 2021-08-20 | 山东浪潮科学研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
| CN110287940A (zh) * | 2019-07-03 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
| CN111428641A (zh) * | 2020-03-24 | 2020-07-17 | 深圳供电局有限公司 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
| CN111507279A (zh) * | 2020-04-21 | 2020-08-07 | 北京智能工场科技有限公司 | 一种基于UNet++网络的掌纹识别方法 |
| CN111507279B (zh) * | 2020-04-21 | 2021-05-25 | 北京智能工场科技有限公司 | 一种基于UNet++网络的掌纹识别方法 |
| WO2022007559A1 (zh) * | 2020-07-09 | 2022-01-13 | 腾讯科技（深圳）有限公司 | 掌纹识别方法、特征提取模型训练方法、设备及介质 |
| CN114581535A (zh) * | 2022-03-03 | 2022-06-03 | 北京深光科技有限公司 | 图像中用户骨关键点标注方法、装置、存储介质及设备 |
| CN117831082A (zh) * | 2023-12-29 | 2024-04-05 | 广电运通集团股份有限公司 | 手掌区域检测方法和装置 |
| CN117831082B (zh) * | 2023-12-29 | 2024-08-16 | 广电运通集团股份有限公司 | 手掌区域检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109345553B (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345553A (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
| EP3475791B1 (en) | Eye gaze tracking using neural networks | |
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN111325258B (zh) | 特征信息获取方法、装置、设备及存储介质 | |
| CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
| WO2020199611A1 (zh) | 活体检测方法和装置、电子设备及存储介质 | |
| CN109583449A (zh) | 字符识别方法及相关产品 | |
| CN108229341A (zh) | 分类方法和装置、电子设备、计算机存储介质、程序 | |
| CN109474483A (zh) | 一种设备异常情况的检测方法、检测装置及终端设备 | |
| CN106874826A (zh) | 人脸关键点跟踪方法和装置 | |
| CN109359539A (zh) | 注意力评估方法、装置、终端设备及计算机可读存储介质 | |
| CN108280455A (zh) | 人体关键点检测方法和装置、电子设备、程序和介质 | |
| CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
| CN113239914B (zh) | 课堂学生表情识别及课堂状态评估方法、装置 | |
| CN111984803B (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
| CN114241587B (zh) | 人脸活体检测对抗鲁棒性的评估方法及装置 | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN109635755A (zh) | 人脸提取方法、装置及存储介质 | |
| CN108234195A (zh) | 预测网络性能的方法和装置、设备、介质、程序 | |
| Beaini et al. | Deep green function convolution for improving saliency in convolutional neural networks | |
| CN109376602A (zh) | 一种指静脉识别方法、装置及终端设备 | |
| CN108776959A (zh) | 图像处理方法、装置及终端设备 | |
| CN114093027A (zh) | 基于卷积神经网络的动态手势识别方法、装置及可读介质 | |
| Abu-Jamie et al. | Classification of Sign-Language Using Deep Learning by ResNet | |
| CN114296839B (zh) | 支付控制方法、装置和设备及计算机存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province Applicant after: Xiamen Entropy Technology Co., Ltd Applicant after: Entropy Technology Co., Ltd Address before: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001 Applicant before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd. Applicant before: Zhongkong Smart Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |