CN110334598A - 一种掌纹识别方法和装置 - Google Patents

Abstract

本发明涉及一种掌纹识别方法和装置。包括获取待匹配的手掌图像；将手掌图像输入通过深度学习训练的手掌关键点模型，以将手掌图像分割成至少两块固定大小的区域；通过形态学腐蚀和膨胀的算法消除至少两块固定大小的区域中的第一特定区域。本申请提供的一种掌纹识别方法和装置，包括将手掌图像分割成至少两块固定大小的区域。以及将至少两块固定大小的区域通过形态学腐蚀和膨胀的算法消除其中包括的第一特定区域。从而通过分割和消除完成后的图像中提取相应的掌纹并对比。解决了现有技术中不固定手掌位置所采集的手掌图像在掌纹识别中的困难。提高了掌纹识别的效率。

Description

一种掌纹识别方法和装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种掌纹识别方法和装置。

背景技术

当今社会，对个人身份鉴别的无处不在。传统的证件等方式不能用于对互联网上的个人身份鉴别。而密码等方式又存在着较大的安全隐患。近年来，相近退出了人脸识别、指纹识别、虹膜识别等进行身份鉴别的生物特征识别技术，并且在一些领域得到了应用。

当前的掌纹识别技术大多数采用接触式的采集方式。接触式的采集方式采用封闭的环境，提供单一的背景。从而避免了外界环境对采集的信息的影响。但是，接触式的采集方式存在公共卫生的问题。同时，接触在在传感器表面的信息可能被盗取。最后，分笔试单一背景的采集环境设备体积较大，不便携带。

目前，常用的非接触掌纹提取方法是采用深度学习等方法进行像素级分割，但是这种方法需要不断的训练训练各种情况下的图像，前期收集图像，训练等耗时较长。同时，对手掌中存在的色斑，疤痕等情况，未加处理，使得这些色板，疤痕等作为纹理特征提取出，影响掌纹识别准确性。

发明内容

基于此，有必要提出一种新的掌纹识别方法和装置。从而提高复杂场景下的掌纹识别准确度和速度。

一方面，本申请具体实施例提供一种掌纹识别方法，所述方法包括：

获取待匹配的手掌图像；

将所述手掌图像输入通过深度学习训练的手掌关键点模型，以将所述手掌图像分割成至少两块固定大小的区域；

通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；

对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

在一个可能的设计中，所述将所述手掌图像输入通过深度学习训练的模型，将所述手掌图像分割成至少两块固定大小的区域，具体包括：

通过所述手掌关键点模型对所述手掌图像进行计算，以获取关键点坐标信息；

根据所述关键点坐标信息将所述手掌图像分割成至少两块固定大小的区域。

在一个可能的设计中，所述方法还包括：

针对所述至少两块固定大小的区域中的任一像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；

剔除超出偏差范围模板通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB三通道数据，所述目标通道为所述R通道、G通道和B通道中的一个。

在一个可能的设计中，所述方法还包括：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据；

将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少两块固定大小的区域中的手掌的实际区域。

在一个可能的设计中，所述方法还包括：

根据所述至少两块固定大小的区域中的手掌的实际区域和所述至少两块固定大小的区域中的手掌实际区域之外的区域，确定所述至少两块固定大小的区域中的手掌的轮廓；

获取所述至少两块固定大小的区域中对应所述手掌图像的手掌的轮廓的最大内切圆或最大内切矩形；

将所述最大内切圆或最大内切矩形内包括的掌纹纹路与预先存储的原始手掌图像的掌纹纹路进行匹配。

在一个可能的设计中，所述方法还包括：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据分别转换成HSB颜色空间下的HSB数据，所述HSB数据包括H分量值；

获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点；

将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。

第二方面，本申请的具体实施例提供一种掌纹识别装置，包括获取单元和处理单元；

获取单元，用于获取待匹配的手掌图像；

处理单元，用于将所述手掌图像输入通过深度学习训练的手掌关键点模型，将所述手掌图像分割成至少两块固定大小的区域；

所述处理单元，还用于通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域通过形态学腐蚀和膨胀的算法消除中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；

所述处理单元，还用于对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

在一个可能的设计中，所述处理单元，还用于：

针对所述至少两块固定大小的区域中的任意像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；

剔除超出偏差范围的模板通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述模板通道为所述R通道、G通道和B通道中的一个。

在一个可能的设计中，所述处理单元，还用于：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据；

将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少两块固定大小的区域中的手掌的实际区域。

在一个可能的设计中，所述处理单元，还用于：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据分别转换成HSB颜色空间下的HSB数据，所述HSB数据包括H分量值；

获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点；

将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。

第三方面，本申请的具体实施例还提供了一种掌纹识别方法，所述方法包括对获取的掌纹图像进行分割，对分割后的掌纹图像进行识别。所述分割方法包括第一方面所述任一项。

第四方面，本申请的具体实施例还提供了一种计算机设备，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以下步骤：

获取待匹配的手掌图像；将所述手掌图像输入通过深度学习训练的手掌关键点模型，以将所述手掌图像分割成至少两块固定大小的区域；通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

第五方面，本申请具体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第一方面任一项所述的步骤。

一种掌纹识别方法和装置，包括将手掌图像分割成至少两块固定大小的区域。以及将至少两块固定大小的区域通过形态学腐蚀和膨胀的算法消除其中包括的第一特定区域。从而通过分割和消除完成后的图像中提取相应的掌纹并对比。解决了现有技术中不固定手掌位置所采集的手掌图像在掌纹识别中的困难。提高了掌纹识别的效率。

附图说明

图1为本申请具体实施例中提供的一种掌纹识别方法；

图2为本申请具体实施例中提供的一种手掌图像校准方法；

图3为本申请具体实施例中提供的一种手掌图像轮廓确定方法；

图4为本申请具体实施例中提供的一种手掌图像的干扰去除方法；

图5为本申请具体实施提供的一种掌纹识别装置；

图6为本申请具体实施例提供的一种计算机设备。

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。举例来说，在不脱离本申请的范围的情况下，可以将第一手势测试脚本称为第二手势测试脚本，且类似地，可将第二手势测试脚本称为第二手势测试脚本。

图1为本申请具体实施例提供的一种掌纹识别方法。如图2所示，包括:

S1、获取所需要进行匹配的手掌图像。

手掌图像可以是非固定场景下的相机、摄像机等设备或包括相机、摄像机功能的设备获取的图像。该手掌图像可以包括任意背景，不包括固定点。所述手掌图像还包括需要识别的手掌的图像信息，手掌的图像信息包括掌纹。

S2、将所述手掌图像输入通过深度学习训练的手掌关键点模型，以将手掌图像分割成至少两块固定大小的区域。

具体的，通过深度学习训练的手掌关键点模型对所述手掌图像进行计算，从而得到手掌图像中包括的关键点的坐标信息。所述关键点的坐标信息时手掌图像中某一或某些固定点的坐标新。

根据所述关键点坐标信息将所述手掌图像分割成至少一块固定大小的区域。

在一个例子中，本申请的手掌关键点包括小指指根中点，无名指指根中点，中指指根中点，食指指根中点及中指指尖中点，共5个点作为手掌关键点进行定位。通过该5个关键点，从而将手掌图像分割为无名指图像区域，中指图像区域，食指图像区域和手掌图像区域。

当然，在本申请的实施例中，也可以采用传统肤色(HSV)空间域判别方法，寻找最大外接矩形的方法将手掌图像分割成至少一块固定大小的区域。

S3、通过形态学腐蚀和膨胀的算法消除该至少一块固定大小的区域中的第一特定区域。

在本申请的实施例中，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域。通过消除孔洞和/或鸿沟，获得质量更好的手掌图像。

膨胀算法是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。膨胀算法可以用来填补物体中的空洞。腐蚀算法是一种消除边界点，使边界向内部收缩的过程。腐蚀算法可以用来消除小且无意义的物体。

膨胀(dilation)算法可以看做是腐蚀算法的对偶运算，其定义是：把结构元素B平移a后得到Ba，若Ba击中X，我们记下这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果。用公式表示为：D(X)＝{a|Ba↑X}＝X B。

在一个膨胀算法的例子中，依次遍历整个图片的像素，分析每一个像素的周围八个像素，只要该像素周围存在黑色的像素，就设置该像素颜色为黑色。

在一个腐蚀算法的例子中，一次遍历图像中每一个像素，检查它四周的八个像素，如果有白色的像素，则设置改点为白色。

对手掌图像通过形态学腐蚀和膨胀的算法消除手掌图像中的孔洞和/或鸿沟为现有技术，本申请对此不再进一步的限定。

通过形态学腐蚀和膨胀的算法消除手掌图像中的孔洞和/或鸿沟仅为本申请具体实施例中的一个举例，不能用于对本申请的限定。在一个例子中，消除孔洞和/或鸿沟区域还可以采用开运算、闭运算等。

S4、对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

掌纹识别的方法为现有技术，本申请对此不进行进一步的限定。

本申请通过将需要进行识别的手掌图像分割为固定大小的区域，从而避免对整个手掌图像进行识别而造成的问题。同时，本申请还通过消除至少一块固定大小的区域中包括的孔洞和/或鸿沟，进一步提升了带识别图像的质量。

可以知道的是，每一张图像的每一个像素点都是数据，即图片＝2维数据，一张彩色图片，可以分为红、绿、蓝，三个通道的数据，每一个通道内的每一个点的值都可以单独处理。

可选的，在上述步骤3的基础上，本申请实施例还可以包括进行图像校准的步骤。需要说明的时，下述步骤是针对一个像素进行处理的步骤，本申请实施例中可以对该至少两块固定大小的区域中的每一个像素进行如下步骤的处理。具体包括：

S401，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据。。

S402，剔除超出偏差范围的目标通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述目标通道为所述R通道、G通道和B通道中的一个。

采用2σ准则，剔除超出所述偏差范围的数据。

可选的，在上述步骤3或步骤4的基础上，本申请实施例还可以包括步骤5。步骤5具体包括：

S501，将所述至少一块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据。

YCrCb即YUV，主要用于优化彩色视频信号的传输。YUV色彩空间是亮度信号Y和色度信号U、V，其中亮度和色度分离。在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来。也就是说在此空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色。在本申请中，把RGB转为YCrCb空间，可以忽略Y(亮度)的影响，因为该空间受亮度影响很小，肤色会产生很好的类聚。

在一个例子中，将一个像素的RGB转换到YCrCb的公式如下：

Y＝0.2990R+0.5870G+0.1140B.

Cb＝-0.1687R-0.3313G+0.5000B+128.

Cr＝0.5000R-0.4187G-0.0813B+128.

S502，将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少一块固定大小的区域中的手掌的实际区域。

本申请通过将手掌图像转换的YCrCb所表示的数据与预先设定的YCrCb空间阈值范围做比较。手掌图像转换的YCrCb的值在阈值范围内时，即可认定为手掌肤色点。

根据至少两块固定大小的区域中的手掌的实际区域和至少两块固定大小的区域中的手掌实际区域之外的区域，确定至少两块固定大小的区域中的手掌的轮廓。通过YCrCb对获取到的区域做轮廓查找，获得更精确的手掌区域。

在本申请的实施例中，还包括设定手掌图像的YCrCb空间阈值范围。手掌图像的YCrCb空间阈值范围可以通过多张手掌图片的YCrCb统计分析获得。本申请对此不进行赘述。

可选的，在图5所示的方法的基础上，还包括利用霍夫圆变等方法，寻找通过YCrCb重新确定轮廓的手掌图像的最大内切圆或最大内切矩形，以此来分割掌纹，获得掌纹图像作为掌纹的对比匹配图片。

可选的，在上述步骤3或步骤4或步骤5的基础上，本申请实施例还可以包括步骤6。步骤6具体包括：

S601，将所述至少一块固定大小的区域由RGB颜色空间下的RGB数据分别转换成HSB颜色空间下的HSB数据，所述HSB数据包括H分量值。

在HSB所表示的数据中，H(hues)表示色相，S(saturation)表示饱和度，B(brightness)表示亮度。HSB模式中S和B呈现的数值越高，饱和度明度越高，页面色彩强烈艳丽，对视觉刺激是迅速的，醒目的效果，但不易于长时间的观看。以上两种颜色的S数值接近，是强烈的状态。

在一个例子中，一个像素的RGB到HSV(HSB)的转换可以是:

u＝max

S602，获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点。

在本申请的实施例中，还包括确定手掌图像的H分量阈值范围。本实施例中的H分量阈值范围既可以是一个固定值或一个区间，也可以是多个固定值或多个区间构成的一组数据。在一个例子中，当H分量阈值范围为多个固定值或多个区间构成的一组数据时，可以根据手掌图像的H分量的平均值确定相对应的H分量阈值。该H分量阈值是多个固定值或多个区间中的的一个固定值或一个数值区间。

本申请中确定H分量是否超出H分量的阈值范围是将手掌图像中的每个H分量分别与该H分量的阈值范围比较确定。

S603，将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。

正常肤色的H分量值较为稳定，异常肤色H值差异很大。本方法将H分量设置在一定的阈值范围内，当手掌图像中一个像素的H值超出阈值范围，则判定为异常肤色。将异常肤色的像素点H值用图像的平均H值作为替代，使得异常肤色转换正常肤色。从而有效避免手掌中存在的色斑，疤痕等干扰手掌图像的识别。

在本申请的具体实施例中，还提供了一种掌纹识别方法。所述方法包括：

对获取的掌纹图像进行分割，所述分割方法包括图1至图6所示的至少一项内容，本申请对此不再进行赘述。

对分割后的掌纹图像进行二值化处理。

图片是由多个像素点矩阵构成，对图像的处理就是对这个像素点矩阵的操作。当需要改变某个像素点的颜色时，将该像素点矩阵中找到这个像素点的位置，比如第x行，第y列。所以这个像素点在这个像素点矩阵中的位置就可以表示成(x，y)。一个像素点的颜色由红、绿、蓝三个颜色变量表示，可以通过给这三个变量赋值，来改变这个像素点的颜色，比如改成红色(255，0，0)，可以表示为(x，y，(R＝255，G＝0，B＝0))。

二值化是让图像的像素点矩阵中的每个像素点的灰度值为0(黑色)或者255(白色)，也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0～255，在二值化后的图像中的灰度值范围是0或者255。

例如，一个黑色像素：

二值化后的R＝0

二值化后的G＝0

二值化后的B＝0

一个白色像素：

二值化后的R＝255

二值化后的G＝255

二值化后的B＝255

在一个例子中，二值化方法：

取阀值为127(相当于0～255的中数，(0+255)/2＝127)，让灰度值小于等于127的像素变为0(黑色)，灰度值大于127的变为255(白色)。

方法2：

计算像素点矩阵中的所有像素点的灰度值的平均值avg

(像素点1灰度值+...+像素点n灰度值)/n＝像素点平均值avg

然后让每一个像素点与avg一一比较，小于等于avg的像素点就为0(黑色)，大于avg的像素点为255(白色)。

方法3：

使用直方图方法(也叫双峰法)来寻找二值化阀值，直方图是图像的重要特质。直方图方法认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阀值所在。取到阀值之后再一一比较。

将所述二值化图像进行灰度处理。

所述灰度处理时让像素点矩阵中的每一个像素点都满足下面的关系：R＝G＝B(就是红色变量的值，绿色变量的值，和蓝色变量的值，这三个值相等，“＝”的意思不是程序语言中的赋值，是数学中的相等)，此时的这个值叫做灰度值。

在一个例子中，灰度处理的方法可以是：

方法1：

灰度化后的R＝(处理前的R+处理前的G+处理前的B)/3

灰度化后的G＝(处理前的R+处理前的G+处理前的B)/3

灰度化后的B＝(处理前的R+处理前的G+处理前的B)/3

方法2：

灰度化后的R＝处理前的R*0.3+处理前的G*0.59+处理前的B*0.11

灰度化后的G＝处理前的R*0.3+处理前的G*0.59+处理前的B*0.11

灰度化后的B＝处理前的R*0.3+处理前的G*0.59+处理前的B*0.11

将该灰度处理后的图像与预先存储的手掌图像对比，以完成手掌图像的识别。

图5为本申请具体实施提供的一种掌纹识别装置，所述装置包括获取单元51和处理单元52。

获取单元51，用于获取待匹配的手掌图像；

处理单元52，用于通过所述手掌图像输入通过深度学习训练的手掌关键点模型，以将所述手掌图像分割成至少两块固定大小的区域；

所述处理单元52，还用于通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；所述处理单元，还用于对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

在一个可能的设计中，所述处理单元52，还用于针对所述至少两块固定大小的区域中的任意像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；剔除超出偏差范围的模板通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述目标通道为所述R通道、G通道和B通道中的一个。

在一个可能的设计中，所述处理单元52，还用于将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据；将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少两块固定大小的区域中的手掌的实际区域。

针对所述至少两块固定大小的区域中的任意像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；剔除超出偏差范围的目标通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述目标通道为所述R通道、G通道和B通道中的一个。

在一个可能的设计中，所述处理单元52，还用于将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据分别转换至HSB颜色空间下的HSB数据，所述HSB数据包括H分量值；获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点；将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。

当然，本申请的掌纹识别装置还可以用于执行图1至图4所述的任意方法。

应理解以上数据获取装置的各个单元的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分单元通过软件通过处理元件调用的形式实现，部分单元通过硬件的形式实现。例如，确定单元可以为单独设立的处理元件，也可以集成在基站的某一个芯片中实现，此外，也可以以程序的形式存储于基站的存储器中，由基站的某一个处理元件调用并执行第一控制单元的功能。其它单元的实现与之类似。需要说明的是，接收单元可以通过射频装置和天线与终端通信，例如基站可以通过天线接收终端发送的信息，接收的信息通过射频装置处理后发送给接收单元。此外通信装置的单元可以全部或部分集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个单元可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些单元可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个微处理器(digital singnal processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个单元通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central ProcessingUnit，CPU)或其它可以调用程序的处理器。再如，这些单元可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

在一个实施例中，图6为本申请具体实施例提供的一种计算机设备，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。存储器用于存储实现图1至图4所示方法实施例所执行的方法的程序。处理器调用该程序，执行以上方法实施例的操作。

当然，上述计算机设备的处理器所执行的功能仅为本实施例中的一种举例，不能用于对本申请中的计算机设备的限定。本申请的计算机设备可以执行图1至图4所示方法中的任意步骤。

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图1至图4所示的任意步骤。

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。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

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：

获取待匹配的手掌图像；

将所述手掌图像输入通过深度学习训练的手掌关键点模型，以将所述手掌图像分割成至少两块固定大小的区域；

通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；

对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

2.根据权利要求1所述的方法，其特征在于，所述将所述手掌图像输入通过深度学习训练的模型，以将所述手掌图像分割成至少两块固定大小的区域，具体包括：

通过所述手掌关键点模型对所述手掌图像进行计算，以获取关键点坐标信息；

根据所述关键点坐标信息将所述手掌图像分割成至少两块固定大小的区域。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对所述至少两块固定大小的区域中的任一像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；剔除超出偏差范围的目标通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述目标通道为所述R通道、G通道和B通道中的一个。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据；

将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少两块固定大小的区域中的手掌的实际区域。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述至少两块固定大小的区域中的手掌的实际区域和所述至少两块固定大小的区域中的手掌实际区域之外的区域，确定所述至少两块固定大小的区域中的手掌的轮廓；

获取所述至少两块固定大小的区域中对应所述手掌图像的手掌的轮廓的最大内切圆或最大内切矩形；

将所述最大内切圆或最大内切矩形内包括的掌纹纹路与预先存储的原始手掌图像的掌纹纹路进行匹配。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据分别转换成HSB颜色空间下的HSB数据，所述HSB数据包括H分量值；

获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点；

将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。

7.一种掌纹识别装置，其特征在于，包括：

获取单元，用于获取待匹配的手掌图像；

处理单元，用于将所述手掌图像输入通过深度学习训练的手掌关键点模型，以将所述手掌图像分割成至少两块固定大小的区域；

所述处理单元，还用于通过形态学腐蚀和膨胀的算法消除所述至少两块固定大小的区域中的第一特定区域，所述第一特定区域为所属手掌图像中的孔洞和/或鸿沟区域；

所述处理单元，还用于对消除第一特定区域后的所述至少两块固定大小的区域进行掌纹识别，以确定所述手掌图像中包括的手掌的信息。

8.根据权利要求7所述的装置，其特征在于，所述处理单元，还用于：

针对所述至少两块固定大小的区域中的任意像素，获取所述像素的RGB数据以及所述RGB数据的偏差和标准差，所述RGB数据包括R通道、G通道和B通道的数据；

剔除超出偏差范围的目标通道的数据，并采用中值法填充被剔除的数据，以获取校正后的RGB数据，所述目标通道为所述R通道、G通道和B通道中的一个。

9.根据权利要求7所述的装置，其特征在于，所述处理单元，还用于：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据转换成YCrCb颜色空间下的YCrCb数据；

将转换后的YCrCb数据与预先设定的YCrCb数据阈值进行比较，以获得所述至少两块固定大小的区域中的手掌的实际区域。

10.根据权利要求7所述的装置，其特征在于，所述处理单元，还用于：

将所述至少两块固定大小的区域由RGB颜色空间下的RGB数据分别转换成HSB颜色空间下的HSB数据，所述HSB数据包括H分量值；

获取所述获得轮廓的手掌图像中每个H分量超出阈值范围的像素点；

将所述手掌图像中H分量超出阈值范围的像素点的H分量替换为所述获得轮廓的手掌图像的平均H值。