CN110008824B - 掌纹识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种掌纹识别方法、装置、计算机设备和存储介质，所述方法包括：获取待识别的手部图像；根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；将所述重叠部分从所述手掌区域中切除；对切除所述重叠部分的手掌区域进行掌纹识别。由于切除了大拇指根部区域，因此可以减少因大拇指形变对掌纹识别造成的干扰，能够提高掌纹识别的准确性，提高掌纹匹配度。

Description

掌纹识别方法、装置、计算机设备和存储介质

技术领域

本发明涉及掌纹识别技术领域，特别是涉及一种掌纹识别方法、装置、计算机设备和存储介质。

背景技术

掌纹是手掌皮肤上所有纹路的统称，主要包括乳突纹、主线和皱褶。掌纹具有唯一性，即不同的人的掌纹千差万别，没有任何两个手掌是完全相同的。基于掌纹的这一特点，可以进行身份鉴别。

目前，掌纹识别有接触式掌纹识别和非接触式掌纹识别，这两种都是通过采集掌纹的图像来进行身份识别。其中的非接触式掌纹识别因具有操作方便简单、干净卫生等优势成为了掌纹识别研究的一个热点。在对相关技术研究过程中，发明人发现：在进行非接触掌纹识别时因为大拇指的形变使得掌纹特征不稳定，所以会降低掌纹识别的准确度。

发明内容

本申请实施例提供一种掌纹识别方法、装置、计算机设备和存储介质，能够提高掌纹识别的准确性。

本申请实施例提供一种掌纹识别方法，包括：获取待识别的手部图像；根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；将所述重叠部分从所述手掌区域中切除；对切除所述重叠部分的手掌区域进行掌纹识别。

在一些实施例中，所述根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域，包括：采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。

在一些实施例中，所述确定所述手部图像中的大拇指根部区域，包括：在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线的长度的(1±10％)*2/5，短轴的长度为所述连线的长度的(1±10％)*1/4，所述椭圆区域的中心位于所述正方形区域的第一边上，所述第一边为垂直于所述连线且靠近大拇指的一边。

在一些实施例中，所述椭圆区域的中心在所述第一边上的位置根据所述正方形区域的边长确定。

在一些实施例中，所述椭圆区域的中心的纵坐标为所述正方形区域的边长的(1±10％)*4/5。

在一些实施例中，对切除所述重叠部分的手掌区域进行掌纹识别，包括：确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

本申请实施例还提供一种掌纹识别装置，该装置包括：图像获取模块，用于获取待识别的手部图像；第一确定模块，用于根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；第二确定模块，用于根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；第三确定模块，用于通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；区域切除模块，用于将所述重叠部分从所述手掌区域中切除；掌纹识别模块，用于对切除所述重叠部分的手掌区域进行掌纹识别。

本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述掌纹识别方法的步骤。

本申请实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述掌纹识别方法的步骤。

本申请实施例提供的掌纹识别方法、装置、计算机设备和存储介质，在对手掌区域进行识别之前，将其与大拇指根部区域的重叠部分切除，然后对切除重叠部分切除后的手掌区域进行掌纹识别。由于切除了大拇指根部区域，因此可以减少因大拇指形变对掌纹识别造成的干扰，能够提高掌纹识别的准确性，提高掌纹匹配度。

附图说明

图1为一个实施例中计算机设备的内部结构框图；

图2为一个实施例中掌纹识别方法的流程图；

图3为一个实施例中图像采集模块采集到的图像的示意图；

图4为一个实施例中手部图像的示意图；

图5为一个实施例中确定所述手部图像中的手掌区域的流程示意图；

图6为一个实施例中手部图像的示意图；

图7为一个实施例中手部图像的示意图；

图8为一个实施例中手部图像的示意图；

图9为一个实施例中对切除所述重叠部分的手掌区域进行掌纹识别的流程示意图；

图10为一个实施例中掌纹识别装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。

图1为本申请一个实施例中计算机设备的结构示意图。如图1所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种掌纹识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种掌纹识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种掌纹识别方法，该掌纹识别方法可以应用于图1所示出的计算机设备中。

本实施例提供的掌纹识别方法的具体应用场景有多种，计算机设备的具体形式也有多种。例如，某公司采用的是非接触式掌纹识别的门禁设备，该公司的员工在上下班时需要在门禁设备上进行身份识别。此时，门禁设备作为一种计算机设备可以采用本实施例提供的掌纹识别方法进行掌纹识别，进而实现身份识别。

参考图2，本实施例提供的掌纹识别方法具体可以包括以下步骤：

S21、获取待识别的手部图像；

该步骤的触发方式有多种，例如，当人们需要进行身份识别时，触发计算机设备上的按键，或者进行某种手势操作，以触发图像采集模块(例如，摄像头)进行图像采集。这样，计算机设备中的处理器可以对图像采集模块采集到的图像进行检测。其中，图像采集模块可以为计算机设备的一部分，也可以独立于计算机设备而设置。

在实际中，计算机设备中的处理器具体可以采用目标检测算法(Single ShotMultiBox Detector，简称SSD)对图像采集模块采集的图像进行检测，定位手部所在区域，进而得到手部图像。例如，在如图3所示，在图像采集模块采集的图像31中检测到手部所在区域32，进而将手部所在区域32作为手部图像，这样可以减少其他区域对掌纹识别造成干扰，同时，采用目标检测算法便于检测出完整的手部图像，不完整的手部图像会被过滤掉，从而保证手部图像包含指尖、指根和手掌。

S22、根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；

可理解的是，手掌区域是手部图像中主要体现掌纹信息的区域。

可理解的是，大拇指根部区域为图4中标记41所在的区域。

在实际应用中，确定所述手部图像中手掌区域的方式有多种，下面参考图5介绍其中一种：

S51、采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；

可理解的是，上述除大拇指之外的任意一手指的指尖位置，可以为食指指尖位置、中指指尖位置、无名指指尖位置或小指指尖位置。

本步骤中采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置。以中指指尖位置为例，对其具体识别过程进行说明：对Cascade卷积神经网络模型进行训练，训练数据集中包括若干张已经标注过食指指根位置、小指指根位置和中指指尖位置的手部图像。在对Cascade卷积神经网络模型训练完成之后，利用该模型对新输入的手部图像进行关键点提取，便可以得到食指指根位置、小指指根位置和中指指尖位置。

S52、根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

在实际应用中，可以根据需要对手掌区域的形状进行设置，例如，可以设置成圆形、椭圆形、正方形、长方形等任意形状。

例如，如图6所示，将手掌区域设置为一个以所述食指指根位置A和所述小指指根位置B之间的连线AB为一条边的正方形区域61，且所述正方形区域61的中心位于所述连线远离所述指尖位置D的一侧。由于所述食指指根位置A和所述小指指根位置B之间的连线AB可以把手掌区域分割为两部分：一部分主要是除大拇指之外的四个手指所在的区域，该区域为上述连线AB靠近上述指尖位置D的一侧；另一部分主要是大拇指及手掌所在的区域，该区域为上述连线AB远离上述指尖位置D的一侧。上述正方形区域61对其一条边和中心所在大致方位进行限定，从而可以确定唯一的一个正方形区域作为手掌区域。

步骤S51和S52提供了一种比较简单的确定手掌区域的方法，当然，也可以采用下面的方法确定手掌区域：

首先，依据S51提取出手部图像中的食指指根位置A、小指指根位置B和中指指尖位置D。为方便计算，可根据食指指根位置A和小指指根位置B的连线AB、连线AB与中指指尖位置D的上下关系，确定手的倾斜角度，根据倾斜角度对手部图像进行旋转，直至连线AB旋转到水平方向，且手指向上。

然后，确定手掌区域的中心和一条边，进而确定手掌区域。具体为：如图7所示，设置连线AB的中垂线CE，E点位于连线AB的中点，且中垂线CE的长度length为连线AB的长度的一半，将点C作为正方形区域的中点，且以连线AB作为正方形区域的一条边，形成一个正方形区域，将该正方形区域作为手掌区域。该手掌区域的四个顶点分别为p1(C.x-length,C.y-length)、p2(C.x+length,C.y-length)、p3(C.x-length,C.y+length)和p4(C.x+length,C.y+length)。

S23、根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；

在实际应用中，可以根据需要对大拇指根部区域的形状进行设置，例如，可以设置成圆形、椭圆形、正方形、长方形等任意形状。

下面以大拇指根部区域为椭圆形为例，对确定所述手部图像中的大拇指根部区域的一种方式进行介绍：

如图8所示，在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线AB的长度的(1±10％)*2/5，短轴的长度为所述连线AB的长度的(1±10％)*1/4，所述椭圆区域的中心F位于所述正方形区域的第一边AG上，所述第一边AG为垂直于所述连线AB且靠近大拇指的一边。

也就是说，将椭圆区域的长轴设置为连线AB的长度的(1±10％)*2/5，将椭圆区域的短轴设置为连线AB的长度的(1±10％)*1/4，即确定了椭圆区域的长轴和短轴。椭圆区域的中心F与手部图像中的手是左手还是右手有关。如果是左手，手掌区域左侧的边靠近大拇指，可以将椭圆区域的中心F设置在正方x形的手掌区域左侧的边上，如果是右手，手掌区域右侧的边靠近大拇指，可以将椭圆区域的中心F设置在正方形的手掌区域右侧的边上。

以没有依据手的倾斜角度进行旋转调整的手部图像为例，介绍一种判断手部图像上的手是左手还是右手的方式：

判断中指指尖位置的纵坐标是否大于小指指根位置的纵坐标，并判断中指指尖位置的横坐标是否小于小指指根位置的横坐标：

若中指指尖位置大于小指指根位置，且中指指尖位置的横坐标小于小指指根位置的横坐标，则为左手；

若中指指尖位置大于小指指根位置，且中指指尖位置的横坐标大于小指指根位置的横坐标，则为右手；

若中指指尖位置小于小指指根位置，且中指指尖位置的横坐标大于小指指根位置的横坐标，则为左手；

若中指指尖位置小于小指指根位置，且中指指尖位置的横坐标小于小指指根位置的横坐标，则为右手。

可理解的是，通过判断中指指尖位置的纵坐标和小指指根位置的纵坐标的大小关系，可以知道手的上下方向。通过判断中指指尖位置的横坐标和小指指根位置的横坐标的大小关系，可以知道大拇指在手掌的左侧还是右侧。通过手的上下方向以及大拇指相对手掌的方位，可以明确手部图像中的手是左手还是右手。

当明确手部图像中的手是左手还是右手后，便可以确定椭圆区域的中心设置在正方形的手掌区域的哪条边上了，便可以确定椭圆区域的中心的横坐标。

在上文中，椭圆区域的中心所在的手掌区域的边为第一边，椭圆中心在第一边上的具体位置可以根据正方形的边长确定。例如，椭圆中心的纵坐标为正方形的边长的(1±10％)*4/5。这里的4/5为经验值，在实际应用中可以根据情况修改。

S24、通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；

举例来说，如图8所示，正方形区域为手掌区域，椭圆区域为大拇指根部区域，正方形区域和椭圆区域的重叠部分即图8中的阴影部分。

这里，将手掌区域和大拇指区域进行区域比对，具体比对方式可以包括：确定手掌区域中各个像素的坐标和大拇指根部区域中各个像素的坐标，将手掌区域和大拇指根部区域中坐标相同的各个像素组成的区域即为上述重叠部分。

S25、将所述重叠部分从所述手掌区域中切除；

将重叠部分从手掌区域中切除的方式有多种，例如，将重叠部分的像素均置为0。

S26、对切除所述重叠部分的手掌区域进行掌纹识别。

在实际应用中，对切除所述重叠部分的手掌区域进行掌纹识别的方式有多种，下面参考图9介绍其中一种：

S91、确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；

可理解的是，特征向量为切除所述重叠部分的手掌区域的多个掌纹特征所组成的向量。具体可以采用机器学习模型(例如，轻量化卷积神经网络MobileNet)从手掌区域中提取特征向量。

可理解的是，余弦相似度是通过计算两个特征向量的夹角余弦值来评估两个特征向量的相似度，进而得知切除所述重叠部分的手掌区域与预先存储的掌纹图像之间的相似度。

S92、根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

例如，切除所述重叠部分的手掌区域的特征向量与预先存储的一个掌纹图像的特征向量之间的余弦相似度高于预设阈值，则认为切除所述重叠部分的手掌区域与预先存储的这个掌纹图像足够相似，两者匹配成功，即切除所述重叠部分的手掌区域识别成功。

这里，采用余弦相似度评价切除所述重叠部分的手掌区域与预先存储的掌纹图像的相似度，具有计算简单、易实现的优点。当然，还可以采用其他的指标来评价两者的相似度。

本实施例提供的掌纹识别方法，在对手掌区域进行识别之前，将其与大拇指根部区域的重叠部分切除，然后对切除重叠部分切除后的手掌区域进行掌纹识别。由于切除了大拇指根部区域，因此可以减少因大拇指形变对掌纹识别造成的干扰，能够提高掌纹识别的准确性，提高掌纹匹配度。

如图10所示，在一个实施例中，提供了一种掌纹识别装置100，该掌纹识别装置100可以集成于上述的计算机设备中，具体可以包括：

图像获取模块101，用于获取待识别的手部图像；

第一确定模块102，用于根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；

第二确定模块103，用于根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；

第三确定模块104，用于通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；

区域切除模块105，用于将所述重叠部分从所述手掌区域中切除；

掌纹识别模块106，用于对切除所述重叠部分的手掌区域进行掌纹识别。

在一些实施例中，第一确定模块102包括：

第一确定单元，用于采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；

第二确定单元，用于根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。

在一些实施例中，第二确定模块103还包括：

区域选取单元，用于在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线的长度的(1±10％)*2/5，短轴的长度为所述连线的长度的(1±10％)*1/4，所述椭圆区域的中心位于所述正方形区域的第一边上，所述第一边为垂直于所述连线且靠近大拇指的一边。

在一些实施例中，所述椭圆区域的中心在所述第一边上的位置根据所述正方形区域的边长确定。

在一些实施例中，所述椭圆区域的中心的纵坐标为所述正方形区域的边长的(1±10％)*4/5。

在一些实施例中，掌纹识别模块106具体用于：确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

本申请提供的掌纹识别装置，掌纹识别模块在对手掌区域进行识别之前，区域切除模块将手掌区域与大拇指根部区域的重叠部分切除，然后掌纹识别模块才对切除重叠部分切除后的手掌区域进行掌纹识别。由于切除了大拇指根部区域，因此可以减少因大拇指形变对掌纹识别造成的干扰，能够提高掌纹识别的准确性，提高掌纹匹配度。

在一些实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上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以下步骤：获取待识别的手部图像；根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；将所述重叠部分从所述手掌区域中切除；对切除所述重叠部分的手掌区域进行掌纹识别。

在一些实施例中，所述处理器所执行的所述根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域，包括：采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。

在一些实施例中，所述处理器所执行的确定所述手部图像中的大拇指根部区域的步骤包括：在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线的长度的(1±10％)*2/5，短轴的长度为所述连线的长度的(1±10％)*1/4，所述椭圆区域的中心位于所述正方形区域的第一边上，所述第一边为垂直于所述连线且靠近大拇指的一边。

在一些实施例中，所述椭圆区域的中心在所述第一边上的位置根据所述正方形区域的边长确定。

在一些实施例中，所述椭圆区域的中心的纵坐标为所述正方形区域的边长的(1±10％)*4/5。

在一些实施例中，所述处理器所执行的对切除所述重叠部分的手掌区域进行掌纹识别的步骤包括：确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

本申请提供的计算机设备的有益效果与上述掌纹识别方法和装置相同，这里不再赘述。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取待识别的手部图像；根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；将所述重叠部分从所述手掌区域中切除；对切除所述重叠部分的手掌区域进行掌纹识别。

在一些实施例中，一个或多个处理器执行的所述根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域，包括：采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到所述食指指根位置、所述小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

在一些实施例中，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。

在一些实施例中，一个或多个处理器执行的步骤确定所述手部图像中的大拇指根部区域，包括：在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线的长度的(1±10％)*2/5，短轴的长度为所述连线的长度的(1±10％)*1/4，所述椭圆区域的中心位于所述正方形区域的第一边上，所述第一边为垂直于所述连线且靠近大拇指的一边。

在一些实施例中，所述椭圆区域的中心在所述第一边上的位置根据所述正方形区域的边长确定。

在一些实施例中，所述椭圆区域的中心的纵坐标为所述正方形区域的边长的(1±10％)*4/5。

在一些实施例中，一个或多个处理器执行的步骤对切除所述重叠部分的手掌区域进行掌纹识别，包括：确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

本申请提供的存储介质的有益效果与上述掌纹识别方法和装置相同，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种掌纹识别方法，其特征在于，所述方法包括：

获取待识别的手部图像；

根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；

根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；

通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；

将所述重叠部分从所述手掌区域中切除；

对切除所述重叠部分的手掌区域进行掌纹识别。

2.根据权利要求1所述的方法，其特征在于，所述根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域，包括：

采用预先训练的卷积神经网络模型对所述手部图像进行识别，得到食指指根位置、小指指根位置和和除大拇指之外的任意一手指的指尖位置；所述卷积神经网络模型由包括若干张已标记出食指指根位置、小指指根位置和除大拇指之外的任意一手指的指尖位置的手部图像的训练数据集训练得到；

根据所述食指指根位置、所述小指指根位置和所述指尖位置，确定所述手掌区域。

3.根据权利要求2所述的方法，其特征在于，所述手掌区域是一个以所述食指指根位置和所述小指指根位置之间的连线为一条边的正方形区域，且所述正方形区域的中心位于所述连线远离所述指尖位置的一侧。

4.根据权利要求3所述的方法，其特征在于，所述确定所述手部图像中的大拇指根部区域，包括：

在所述手部图像中选取满足预设条件的椭圆区域，并将所述椭圆区域作为所述大拇指根部区域；其中，所述预设条件包括：所述椭圆区域的长轴的长度为所述连线的长度的(1±10％)*2/5，短轴的长度为所述连线的长度的(1±10％)*1/4，所述椭圆区域的中心位于所述正方形区域的第一边上，所述第一边为垂直于所述连线且靠近大拇指的一边。

5.根据权利要求4所述的方法，其特征在于，所述椭圆区域的中心在所述第一边上的位置根据所述正方形区域的边长确定。

6.根据权利要求4所述的方法，其特征在于，所述椭圆区域的中心的纵坐标为所述正方形区域的边长的(1±10％)*4/5。

7.根据权利要求1～6任一项所述的方法，其特征在于，对切除所述重叠部分的手掌区域进行掌纹识别，包括：

确定切除所述重叠部分的手掌区域的特征向量分别与预先存储的多个掌纹图像的特征向量之间的余弦相似度；

根据所述余弦相似度，确定所述切除所述重叠部分的手掌区域是否识别成功。

8.一种掌纹识别装置，其特征在于，所述装置包括：

图像获取模块，用于获取待识别的手部图像；

第一确定模块，用于根据预先训练的卷积神经网络模型，确定所述手部图像中的手掌区域；

第二确定模块，用于根据所述手掌区域的特征，确定所述手部图像中的大拇指根部区域；

第三确定模块，用于通过将所述手掌区域和所述大拇指根部区域进行区域比对，确定所述手掌区域和所述大拇指根部区域的重叠部分；

区域切除模块，用于将所述重叠部分从所述手掌区域中切除；

掌纹识别模块，用于对切除所述重叠部分的手掌区域进行掌纹识别。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。

10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述掌纹识别方法的步骤。