CN110414330A - 一种手掌图像的检测方法及装置 - Google Patents

Abstract

本发明公开了一种手掌图像的检测方法及装置，涉及图像处理技术领域，该方法包括：采用实心掩膜标记并获取训练图像中的手掌图像；截取训练图像中的子图像；确定子图像中的正样本图像和负样本图像，统计正样本数量和负样本数量，并判断是否满足预置条件，若是则再次截取训练图像中的子图像；若否则提取正样本图像和负样本图像，生成样本训练集；通过Fast R‑CNN模型训练样本训练集，生成训练图像的权重参数；根据权重参数计算待测图像的特征向量值；根据特征向量值判断待测图像中是否包含手掌图像。通过上述方式可提高识别手掌图像的准确率。

Description

一种手掌图像的检测方法及装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种手掌图像的检测方法及装置。

背景技术

随着信息技术的飞速发展，掌纹识别技术因其可靠性和便捷性，各种身份认证场景中得到广泛的应用。掌纹识别技术利用人手掌纹路特征进行身份鉴别，具体过程包括：先拍摄一张用户的待测手掌图片，然后提取待测手掌图片中手掌的掌纹与系统中预存的掌纹进行匹配，如果匹配成功则认为掌纹识别成功，该用户身份合法。

在提取待测手掌图片中手掌掌纹过程中，通常先需要判断所拍摄的图片中是否包含有效手掌图形，再进行后续的掌纹提取操作。现有技术中，先检测图像边缘再通过SVM分类器对有效手掌图像和无效手掌图像的训练结果，判断待测手掌图片是否包含有效手掌图形，其中，SVM分类器是利用图像灰度梯度信息训练的。如果待测手掌图片中包括手掌、手臂和人脸等颜色相近图像，尤其是当颜色相近图像发生重叠时，颜色相近图像所对应的灰度信息基本相同，不能通过灰度信息区分手掌、手臂和人脸，所以利用灰度梯度信息很难准确判断待测手掌图片中是否包含有效手掌图形。

发明内容

有鉴于此，本发明提供一种手掌图像的检测方法及装置，主要目的在于解决现有技术中的判断待测手掌图像中是否包含手掌图像的准确率低的问题。

依据本发明一个方面，提供了一种手掌图像的检测方法，包括：

采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

如果所述子图像包含所述手掌图像，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量；

如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量；

如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

根据所述权重参数，计算待测图像的特征向量值；

根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

依据本发明另一个方面，提供了一种手掌图像的检测装置，包括：

标记模块，用于采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

截取模块，用于在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

确定模块，用于如果所述子图像包含所述手掌图像，则确定所述样本图像为正样本图像，并统计所述正样本图像的正样本数量；

所述确定模块，还用于如果所述子图像不完全包含所述手掌图像，则确定所述样本图像为负样本图像，并统计所述负样本图像的负样本数量；

所述截取模块，用于如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

提取模块，用于如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

生成模块，用于通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

计算模块，用于根据所述权重参数，计算待测图像的特征向量值；

判断模块，用于根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述手掌图像的检测方法对应的操作。

根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述手掌图像的检测方法对应的操作。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种手掌图像的检测方法及装置，首先通过采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像；然后在训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取训练图像中的子图像；再将子图像进行分类并统计，如果子图像包含手掌图像，则确定子图像为正样本图像，并统计正样本图像的正样本数量；如果子图像不完全包含手掌图像，则确定子图像为负样本图像，并统计负样本图像的负样本数量；再根据正样本数量或负样本数量进行判断，如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，则再次截取训练图像中的子图像；如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取正样本图像和负样本图像，生成样本训练集；再通过基于区域的快速卷积神经网络Fast R-CNN模型训练样本训练集中的正样本图像和负样本图像，生成训练图像的图像特征的权重参数，图像特征包括形状、颜色和阴影；再根据权重参数，计算待测图像的特征向量值；最后根据特征向量值，判断待测图像中是否包含手掌图像。与现有技术相比，本发明实施例通过标记训练图像中的手掌图像，获取正样本图像或负样本图像，提高训练样本的精确度，以提高根据训练样本训练得到的图像特征的权重参数的准确度。通过训练Fast R-CNN模型中形状、颜色和阴影等图像特征的权重参数，提高根据该权重参数判断待测图像中是否包含手掌图像的准确度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种手掌图像的检测方法流程图；

图2示出了本发明实施例另一种手掌图像的检测方法流程图；

图3示出了本发明实施例提供的一种手掌图像的检测装置组成框图；

图4示出了本发明实施例提供的另一种手掌图像的检测组成框图；

图5示出了本发明实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在掌纹识别过程中，通常先需要判断所拍摄的图片中是否包含有效手掌图形，如果确定所拍摄的图像中包含有效掌纹图形，再进行后续的掌纹提取与识别操作。在实际拍摄的待测图像中，除了手掌还可能包括脸、胳膊等与手掌颜色相近似的物体图像，并且近色物体的图像还可能发生重叠，使得准确地识别并分割待测图像中的手的形状尤为困难。本发明实施例的目的是提高判断待测图像中是否包含手掌图像的判断准确率。本发明实施例提供了一种手掌图像的检测方法，如图1所示，方法包括：

101、采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像。

训练图像是预先设置的能够全部并正确标识出图像中手掌图像的图像。手掌图像，不是特定的具有相同掌纹特征的图像，而是任意图像中的真实手掌对应的图像，在本发明实施例中是指训练图像中的手掌图像，或者待测图像中的手掌图像。在图像处理中的掩膜是指用选定的图像、图形或物体，对训练图像进行遮挡，以便于控制图像处理的区域或处理过程。实心掩膜是指在遮挡训练图像时，标记像素点内的区域被全部遮挡，其遮挡区域为手掌图像。

使用现有图像处理工具，标记训练图像中的手掌图像，将手掌图像掩膜与训练图像相乘，得到训练图像中的手掌图像，手掌图像内的像素值保持不变，而手掌图像外图像值都是0。也就是用手掌图像的掩膜对手掌图像之外的区域进行屏蔽。示例性的说明从训练图像中提取手掌图像的方法，也就是将训练图像中的每个像素和手掌图像掩膜的每个对应像素进行点乘运算，比如训练图像的像素矩阵为[23,22,89；0,0,255；90,0,23]，手掌图像掩膜为[0,0,1；1,0,1；1,1,1]，进行点乘积之后得到手掌图像的像素矩阵为[0,0,89；0,0,255；90,0,23]。

102、在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像。

子图像是训练图像中的一部分，在本发明实施例中对子图像的大小不做限定。利用随机函数在训练图像的图像像素范围内，计算第一随机值，第一随机值为子图像的图像大小，子图像的形状为矩形形状，第一随机值包括子图像的宽度值和高度值。利用随机函数在训练图像的图像像素范围内，计算第二随机值，第二随机值为子图像的像素点位置。再以像素点位置为起始点，以图像大小为选定区域，截取训练图像中的子图像。在截取图像时，首先设定起始点为选定区域的哪个顶点，选定区域的顶点可以为左上角、左下角、右上角或右下角，再根据确定设定的顶点位置和选定区域大小，截取训练图像中的子图像。

103、如果所述子图像包含所述手掌图像，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量。

比较子图像与手掌图像，判断子图像中是否包含手掌图像，如果手掌图像的完全包含在子图像中，则确定该子图像为正样本图像。在判断子图像中是否包含手掌图像过程中，可以先获取训练图像中手掌图像的标记位置，然后根据子图像在训练图像中的定点和选定区域大小，计算子图像在训练图像中的图像边界，根据图像边界判断标记位置是否全部落入子图像的位置范围中，如果判断结果为是，则确定子图像为正样本图像。如果该子图像是正样本图像，则与正样本图像对应的正样本数量的数值加1。

104、如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量。

本步骤与步骤103是并列，且与步骤103类似，其判断子图像是否包含手掌图像的过程是一样的，如果子图像中不完全包含手掌图像，也就是训练图像中手掌图像的标记位置未全部落入到子图像对应的图像边界内，则确定该子图像为负样本图像。如果该子图像是负样本图像，则与负样本图像对应的负样本数量的数值加1。

105、如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像。

每截取一次子图像，再判断子图像是正样本图像还是负样本图像之后，就判断一次正样本数量是否小于预置最小样本数量，和负样本数量是否小于预置最小负样本数量。如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，说明正样本图像和负样本图像的数量不满足训练要求，还需要按照步骤102再次截取训练图像中的子图像。

106、如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集。

本步骤与步骤105所述的方法类似，每截取一次子图像，再判断子图像是正样本图像还是负样本图像之后，就判断一次正样本数量是否小于预置最小样本数量，和负样本数量是否小于预置最小负样本数量。如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，也就是正样本数量和负样本数量同时满足训练要求时，才执行本步骤的操作。样本训练集中包括正样本图像和负样本图像，样本训练集中需要包括足够数量的正样本图像和负样本图像。预置正负样本总数量，是指样本训练集中所有正负样本图像的数量和，预置正负样本比率是指样本训练集中正样本数量和负样本数量的数量比。根据预置正负样本总数量和预置正负样本比率，计算样本训练集中的正样本需求数量和负样本需求数量，提取正样本需求数量的正样本图像和负样本需求数量的负样本图像，生成样本训练集。

107、通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数。

在基于区域的快速卷积神经网络Fast R-CNN模型中输入样本训练集中的正样本图像和负样本图像，以检测正样本图像和负样本图像中的手掌图像为目的，不断调整并生成训练图像的图像特征的权重参数，其中图像特征包括形状、颜色和阴影。手掌的特殊形状，并且与人脸和胳膊基本相同的颜色，以及光源照射角度不同产生的阴影，是影响检测手掌图像的重要图像特征。通过训练已知是否存在手掌图像的正样本图像和负样本图像，通过不断的调整图像特征对应的权重参数，以使得Fast R-CNN模型具有较高地识别准确度。

108、根据所述权重参数，计算待测图像的特征向量值。

待测图像，是指需要进行掌纹识别的图像，通常为识别掌纹之前即时拍摄的图像。根据预置算法，计算待测图像的图像特征，图像特征包括形状、颜色和阴影，再根据权重参数计算待测图像的特征向量值。

109、根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

当特征向量值大于预置阈值时，待测图中包含手掌图像，当特征向量值不大于预置阈值时，待测图像中不包含手掌图像。

判断待测图像中是否包含手掌图像，然后根据判断结果执行下一操作，如果判断结果为是则识别待测图像中的手掌图像是否为已录入的手掌图像，如果判断结果为否则需要重新拍摄待测图像。当然如果判断结果为否，还可提示未检测到手掌。

本发明提供了一种手掌图像的检测方法，首先通过采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像；然后在训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取训练图像中的子图像；再将子图像进行分类并统计，如果子图像包含手掌图像，则确定子图像为正样本图像，并统计正样本图像的正样本数量；如果子图像不完全包含手掌图像，则确定子图像为负样本图像，并统计负样本图像的负样本数量；再根据正样本数量或负样本数量进行判断，如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，则再次截取训练图像中的子图像；如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取正样本图像和负样本图像，生成样本训练集；再通过基于区域的快速卷积神经网络Fast R-CNN模型训练样本训练集中的正样本图像和负样本图像，生成训练图像的图像特征的权重参数，图像特征包括形状、颜色和阴影；再根据权重参数，计算待测图像的特征向量值；最后根据特征向量值，判断待测图像中是否包含手掌图像。与现有技术相比，本发明实施例通过标记训练图像中的手掌图像，获取正样本图像或负样本图像，提高训练样本的精确度，以提高根据训练样本训练得到的图像特征的权重参数的准确度。通过训练Fast R-CNN模型中形状、颜色和阴影等图像特征的权重参数，提高根据该权重参数判断待测图像中是否包含手掌图像的准确度。

本发明实施例提供了另一种手掌图像的检测方法，如图2所示，方法包括：

201、采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像。

实心掩膜是指在遮挡训练图像时，标记像素点内的区域被全部遮挡，其遮挡区域为手掌图像。获取手掌图像也就是获取训练图像的标记区域内的手掌图像。具体过程包括：采用实心掩膜标记所述训练图像中的手掌图像；获取所述训练图像中被所述实心掩膜标记的标记像素点的像素点坐标；根据所述像素点坐标，生成掩膜矩阵；将所述掩膜矩阵与所述训练图像做点乘运算，生成并获取所述手掌图像。

202、在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像。

本步骤与图1所示的步骤102所述的方法类似，这里不再赘述。

203、如果所述子图像包含所述手掌图像，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量。

本步骤与图1所示的步骤103所述的方法类似，这里不再赘述。

204、如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量。

本步骤与步骤203是并列，与图1所示的步骤104所述的方法类似，这里不再赘述。

205、如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像。

本步骤与图1所示的步骤105所述的方法类似，这里不再赘述。

206、如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集。

每截取一次子图像，再判断子图像是正样本图像还是负样本图像之后，就判断一次正样本数量是否小于预置最小样本数量，和负样本数量是否小于预置最小负样本数量。本步骤具体包括：在正样本库中保存所述正样本图像，在负样本库中保存所述负样本图像；根据所述预置正负样本总数量和所述正负样本比率，按照预置规则从所述正样本库、所述负样本库中分别提取所述正样本图像、所述负样本图像，生成样本训练集。

从正样本库中提取正样本图像，或者从负样本库中提取负样本图像所依据的预置规则，可以是按照存储顺序顺次提取，可以按照图片大小从小到大的顺序提取，还可以随机提取，在本发明实施例中对提取正样本图像或负样本图像的提取规则不做限定。在提取过程中，采用的正负样本比率可以为1:3。集合从正样本库、负样本库中分别提取正样本图像、负样本图像，生成样本训练集。

207、通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数。

训练样本训练集的过程，也就是根据样本训练集中已知的是否包含手掌图像的判断结果，得出并不断修正图像特征的权重参数，以使得FastR-CNN模型具有较高地识别准确度。

本步骤具体包括：在所述Fast R-CNN模型中，输入所述训练样本集中的正样本图像或负样本图像；采用区域候选网络，计算并生成所述正样本图像或负样本图像的预置窗口数量的建议窗口；将所述建议窗口映射到所述Fast R-CNN模型的feature map卷积层上；将所述feature map卷积层与所述Fast R-CNN模型的RoI pooling层的每个矩形框ROI做卷积运算，生成固定尺寸的feature map；联合训练所述固定尺寸的feature map的分类概率和边框回归，生成所述图像特征的权重参数。

其中，在联合训练时：利用探测分类概率Softmax Loss和探测边框回归Smooth L1Loss，分别对分类概率和边框回归联合训练所述固定尺寸的feature map，生成所述图像特征的权重参数。

208、根据所述权重参数，计算待测图像的特征向量值。

待测图像，是指需要进行掌纹识别的图像，通常为识别掌纹之前即时拍摄的图像。根据预置算法，计算待测图像的图像特征，图像特征包括形状、颜色和阴影，再根据权重参数计算待测图像的特征向量值。

209、根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

具体包括：如果所述特征向量值大于预置阈值，则确定所述待测图像中包含所述手掌图像；如果所述特征向量值不大于所述预置阈值，则确定所述待测图像中不包含所述手掌图像。如果判断结果为否则需要重新拍摄待测图像。当然如果判断结果为否，还可自动重启拍摄摄像头进行拍摄。

210、如果所述待测图像中包含所述手掌图像，则识别所述手掌图像中的掌纹特征信息。

由于手掌图像中包含的信息量多，为了提高掌纹识别速度，首先需要识别手掌图像中的掌纹特征信息，其中掌纹特征信息包括主线、褶皱、细节点和三角点。在本步骤中的手掌图像是指待测图像中包含的手掌图像。本步骤中采用的识别掌纹特征信息的方法，与识别用户录入掌纹的掌纹特征信息的方法相同，以便于提高识别准确率。

211、根据所述掌纹特征信息，识别所述待测图像。

识别待测图像也就是识别掌纹特征信息是否与识别系统已保存的掌纹特征信息相同，如果相同则该待测图像通过识别，能够获取响应的系统权限。如果待测图像中包含手掌图像，但未通过掌纹识别系统的识别，还可以检测连续拍摄的待测图像是否为同一图像，如果为是则产生告警信息，并发送告警信息。将告警信息发送至管理员，以通知管理员或者等待管理员启动在预置时间段内不再启动待测图像的拍摄与识别功能等应急处理办法，为掌纹识别系统的安全性提供双重保障。

本发明提供了一种手掌图像的检测方法，首先通过采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像；然后在训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取训练图像中的子图像；再将子图像进行分类并统计，如果子图像包含手掌图像，则确定子图像为正样本图像，并统计正样本图像的正样本数量；如果子图像不完全包含手掌图像，则确定子图像为负样本图像，并统计负样本图像的负样本数量；再根据正样本数量或负样本数量进行判断，如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，则再次截取训练图像中的子图像；如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取正样本图像和负样本图像，生成样本训练集；再通过基于区域的快速卷积神经网络Fast R-CNN模型训练样本训练集中的正样本图像和负样本图像，生成训练图像的图像特征的权重参数，图像特征包括形状、颜色和阴影；再根据权重参数，计算待测图像的特征向量值；最后根据特征向量值，判断待测图像中是否包含手掌图像。与现有技术相比，本发明实施例通过标记训练图像中的手掌图像，获取正样本图像或负样本图像，提高训练样本的精确度，以提高根据训练样本训练得到的图像特征的权重参数的准确度。通过训练Fast R-CNN模型中形状、颜色和阴影等图像特征的权重参数，提高根据该权重参数判断待测图像中是否包含手掌图像的准确度。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种手掌图像的检测装置，如图3所示，该装置包括：

标记模块31，用于采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

截取模块32，用于在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

确定模块33，用于如果所述子图像包含所述手掌图像，则确定所述样本图像为正样本图像，并统计所述正样本图像的正样本数量；

所述确定模块33，还用于如果所述子图像不完全包含所述手掌图像，则确定所述样本图像为负样本图像，并统计所述负样本图像的负样本数量；

所述截取模块32，用于如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

提取模块34，用于如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

生成模块35，用于通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

计算模块36，用于根据所述权重参数，计算待测图像的特征向量值；

判断模块37，用于根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

本发明提供了一种手掌图像的检测装置，首先通过采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像；然后在训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取训练图像中的子图像；再将子图像进行分类并统计，如果子图像包含手掌图像，则确定子图像为正样本图像，并统计正样本图像的正样本数量；如果子图像不完全包含手掌图像，则确定子图像为负样本图像，并统计负样本图像的负样本数量；再根据正样本数量或负样本数量进行判断，如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，则再次截取训练图像中的子图像；如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取正样本图像和负样本图像，生成样本训练集；再通过基于区域的快速卷积神经网络Fast R-CNN模型训练样本训练集中的正样本图像和负样本图像，生成训练图像的图像特征的权重参数，图像特征包括形状、颜色和阴影；再根据权重参数，计算待测图像的特征向量值；最后根据特征向量值，判断待测图像中是否包含手掌图像。与现有技术相比，本发明实施例通过标记训练图像中的手掌图像，获取正样本图像或负样本图像，提高训练样本的精确度，以提高根据训练样本训练得到的图像特征的权重参数的准确度。通过训练Fast R-CNN模型中形状、颜色和阴影等图像特征的权重参数，提高根据该权重参数判断待测图像中是否包含手掌图像的准确度。

进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种手掌图像的检测装置，如图4所示，该装置包括：

标记模块41，用于采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

截取模块42，用于在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

确定模块43，用于如果所述子图像包含所述手掌图像，则确定所述样本图像为正样本图像，并统计所述正样本图像的正样本数量；

所述确定模块43，还用于如果所述子图像不完全包含所述手掌图像，则确定所述样本图像为负样本图像，并统计所述负样本图像的负样本数量；

所述截取模块42，用于如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

提取模块44，用于如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

生成模块45，用于通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

计算模块46，用于根据所述权重参数，计算待测图像的特征向量值；

判断模块47，用于根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

进一步的，所述标记模块41，包括：

标记单元411，用于采用实心掩膜标记所述训练图像中的手掌图像；

获取单元412，用于获取所述训练图像中被所述实心掩膜标记的标记像素点的像素点坐标；

生成单元413，用于根据所述像素点坐标，生成掩膜矩阵；

所述获取单元412，还用于将掩膜矩阵与所述训练图像做点乘运算，生成并获取所述手掌图像。

进一步的，所述提取模块44，包括：

保存单元441，用于在正样本库中保存所述正样本图像，在负样本库中保存所述负样本图像；

提取单元442，还用于根据所述预置正负样本总数量和所述正负样本比率，按照预置规则从所述正样本库、所述负样本库中分别提取所述正样本图像、所述负样本图像，生成样本训练集。

进一步的，所述生成模块45，包括：

输入单元451，用于在所述Fast R-CNN模型中，输入所述训练样本集中的正样本图像或负样本图像；

计算单元452，用于采用区域候选网络，计算并生成所述正样本图像或负样本图像的预置窗口数量的建议窗口；

映射单元453，用于将所述建议窗口映射到所述Fast R-CNN模型的feature map卷积层上；

生成单元454，用于将所述feature map卷积层与所述Fast R-CNN模型的RoIpooling层的每个矩形框ROI做卷积运算，生成固定尺寸的feature map；

所述生成单元454，还用于联合训练所述固定尺寸的feature map的分类概率和边框回归，生成所述图像特征的权重参数。

进一步的，所述生成单元454，用于：

利用探测分类概率Softmax Loss和探测边框回归Smooth L1 Loss，分别对分类概率和边框回归联合训练所述固定尺寸的feature map，生成所述图像特征的权重参数。

进一步的，所述判断模块47，用于：

如果所述特征向量值大于预置阈值，则确定所述待测图像中包含所述手掌图像；

如果所述特征向量值不大于所述预置阈值，则确定所述待测图像中不包含所述手掌图像。

进一步的，所述方法还包括：

识别模块48，用于如果所述待测图像中包含所述手掌图像，则识别所述手掌图像中的掌纹特征信息，所述掌纹特征信息包括主线、褶皱、细节点和三角点；

所述识别模块48，还用于根据所述掌纹特征信息，识别所述待测图像。

本发明提供了一种手掌图像的检测装置，首先通过采用实心掩膜标记训练图像中的手掌图像，并获取手掌图像；然后在训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取训练图像中的子图像；再将子图像进行分类并统计，如果子图像包含手掌图像，则确定子图像为正样本图像，并统计正样本图像的正样本数量；如果子图像不完全包含手掌图像，则确定子图像为负样本图像，并统计负样本图像的负样本数量；再根据正样本数量或负样本数量进行判断，如果正样本数量小于预置最小正样本数量，或负样本数量小于预置最小负样本数量，则再次截取训练图像中的子图像；如果正样本数量不小于预置最小正样本数量，且负样本数量不小于预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取正样本图像和负样本图像，生成样本训练集；再通过基于区域的快速卷积神经网络Fast R-CNN模型训练样本训练集中的正样本图像和负样本图像，生成训练图像的图像特征的权重参数，图像特征包括形状、颜色和阴影；再根据权重参数，计算待测图像的特征向量值；最后根据特征向量值，判断待测图像中是否包含手掌图像。与现有技术相比，本发明实施例通过标记训练图像中的手掌图像，获取正样本图像或负样本图像，提高训练样本的精确度，以提高根据训练样本训练得到的图像特征的权重参数的准确度。通过训练Fast R-CNN模型中形状、颜色和阴影等图像特征的权重参数，提高根据该权重参数判断待测图像中是否包含手掌图像的准确度。

根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的手掌图像的检测方法。

图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。

如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述手掌图像的检测方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

如果所述子图像包含所述手掌图像，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量；

如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量；

如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

根据所述权重参数，计算待测图像的特征向量值；

根据所述特征向量值，判断待测图像中是否包含手掌图像。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种手掌图像的检测方法，其特征在于，包括：

采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

如果所述子图像包含所述手掌图像，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量；

如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量；

如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

根据所述权重参数，计算待测图像的特征向量值；

根据所述特征向量值，判断待测图像中是否包含所述手掌图像。

2.如权利要求1所述的方法，其特征在于，所述采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像，包括：

采用实心掩膜标记所述训练图像中的手掌图像；

获取所述训练图像中被所述实心掩膜标记的标记像素点的像素点坐标；

根据所述像素点坐标，生成掩膜矩阵；

将所述掩膜矩阵与所述训练图像做点乘运算，生成并获取所述手掌图像。

3.如权利要求1所述的方法，其特征在于，所述按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集，包括：

在正样本库中保存所述正样本图像，在负样本库中保存所述负样本图像；

根据所述预置正负样本总数量和所述正负样本比率，按照预置规则从所述正样本库、所述负样本库中分别提取所述正样本图像、所述负样本图像，生成样本训练集。

4.如权利要求1所述的方法，其特征在于，所述通过基于区域的快速卷积神经网络FastR-CNN模型训练所述样本训练集中所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，包括：

在所述Fast R-CNN模型中，输入所述训练样本集中的正样本图像或负样本图像；

采用区域候选网络，计算并生成所述正样本图像或负样本图像的预置窗口数量的建议窗口；

将所述建议窗口映射到所述Fast R-CNN模型的feature map卷积层上；

将所述feature map卷积层与所述Fast R-CNN模型的RoI pooling层的每个矩形框ROI做卷积运算，生成固定尺寸的feature map；

联合训练所述固定尺寸的feature map的分类概率和边框回归，生成所述图像特征的权重参数。

5.如权利要求4所述的方法，其特征在于，所述利联合训练所述固定尺寸的featuremap的分类概率和边框回归，生成所述图像特征的权重参数，包括：

利用探测分类概率Softmax Loss和探测边框回归Smooth L1 Loss，分别对分类概率和边框回归联合训练所述固定尺寸的feature map，生成所述图像特征的权重参数。

6.如权利要求1所述的方法，其特征在于，所述根据所述特征向量值，判断待测图像中是否包含所述手掌图像，包括：

如果所述特征向量值大于预置阈值，则确定所述待测图像中包含所述手掌图像；

如果所述特征向量值不大于所述预置阈值，则确定所述待测图像中不包含所述手掌图像。

7.如权利要求6所述的方法，其特征在于，所述根据所述特征向量值，判断待测图像中是否包含所述手掌图像之后，所述方法还包括：

如果所述待测图像中包含所述手掌图像，则识别所述手掌图像中的掌纹特征信息，所述掌纹特征信息包括主线、褶皱、细节点和三角点；

根据所述掌纹特征信息，识别所述待测图像。

8.一种手掌图像的检测装置，其特征在于，包括：

标记模块，用于采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

截取模块，用于在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

确定模块，用于如果所述子图像包含所述手掌图像，则确定所述样本图像为正样本图像，并统计所述正样本图像的正样本数量；

所述确定模块，还用于如果所述子图像不完全包含所述手掌图像，则确定所述样本图像为负样本图像，并统计所述负样本图像的负样本数量；

所述截取模块，用于如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

提取模块，用于如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

生成模块，用于通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

计算模块，用于根据所述权重参数，计算待测图像的特征向量值；

判断模块，用于根据所述特征向量值，判断待测图像中是否包含手掌图像。

9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的手掌图像的检测方法对应的操作。

10.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的手掌图像的检测方法对应的操作。