CN111178310A - 手掌特征识别方法、装置、计算机设备和存储介质 - Google Patents

手掌特征识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111178310A
CN111178310A CN201911425389.3A CN201911425389A CN111178310A CN 111178310 A CN111178310 A CN 111178310A CN 201911425389 A CN201911425389 A CN 201911425389A CN 111178310 A CN111178310 A CN 111178310A
Authority
CN
China
Prior art keywords
palm
image
palm print
forehand
area
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
Application number
CN201911425389.3A
Other languages
English (en)
Inventor
禤奕霖
赖余康
路晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Lingji Culture Communication Co ltd
Original Assignee
Guangdong Lingji Culture Communication Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Lingji Culture Communication Co ltd filed Critical Guangdong Lingji Culture Communication Co ltd
Priority to CN201911425389.3A priority Critical patent/CN111178310A/zh
Publication of CN111178310A publication Critical patent/CN111178310A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06V40/1347—Preprocessing; Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种手掌特征识别方法、装置、计算机设备和存储介质。该方法包括：获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像；对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像；对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；根据掌纹曲线函数，得到掌纹特征。采用本申请的方法能够提高手掌特征识别的准确率。

Description

手掌特征识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种手掌特征识别方法、装置、计算机设备和存储介质。
背景技术
目前对于手掌图像特征的识别，通常采用用户上传手掌图片后，由用户简单标记出图片上的手掌特征，例如，在手掌图片上画出掌纹的线或者标记出手指的长度等，终端根据用户标记的特征给予用户手掌特征识别的结果。然而，由于实际环境中每个用户标记的方式、判断的角度都会有细微差别，因此，这种用户手动标记手掌特征的方法，无法保证终端准确地识别手掌特征，存在准确率低下的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确率的手掌特征识别方法、装置、计算机设备和存储介质。
一种手掌特征识别方法，所述方法包括：
获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据所述掌纹曲线函数，得到掌纹特征。
一种手掌特征识别装置，所述装置包括：
预处理模块，用于获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
手掌定位模块，用于对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
掌纹主线提取模块，用于对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
拟合模块，用于基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
掌纹特征提取模块，用于根据所述掌纹曲线函数，得到掌纹特征。
一种计算机设备，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计算机程序时实现以下步骤：
获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据所述掌纹曲线函数，得到掌纹特征。
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以下步骤：
获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据所述掌纹曲线函数，得到掌纹特征。
上述手掌特征识别方法、装置、计算机设备和存储介质，通过对目标手掌图像进行预处理，得到正手图像，识别正手图像的手掌区域，得到手掌部位图像，提取手掌部位图像的掌纹主线，得到掌纹特征。本方法不需要用户手动标记手掌特征，通过终端识别目标手掌图像，提取手掌部位图像的掌纹主线和掌纹特征，解决了用户手动标记特征造成的效率低下的问题和人为因素造成的特征表达不准确的问题，提高了手掌特征识别的准确率。
附图说明
图1为一个实施例中手掌特征识别方法的应用场景图；
图2为一个实施例中手掌特征识别方法的流程示意图；
图3为一个实施例中确定正手图像的手掌区域和手指区域步骤的流程示意图；
图4为一个实施例中得到掌纹主线的像素区域步骤的流程示意图；
图5为一个实施例中手掌特征识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图；
图7为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的手掌特征识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102获取目标手掌图像，将目标手掌图像发送至服务器104进行预处理，得到正手图像，服务器104对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像，服务器104对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域，服务器104基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数，服务器104根据掌纹曲线函数，得到掌纹特征。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请提供的手掌特征识别方法，还可应用于图1所示的终端，由终端获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像，对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像，对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域，基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数，根据掌纹曲线函数，得到掌纹特征。
在一个实施例中，如图2所示，提供了一种手掌特征识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像。
其中，目标手掌图像为用户上传的需要进行手掌特征识别的包含手掌的图像，正手图像为属性特征为右手属性的图像。预处理为对用户上传的目标手掌图像进行的一系列处理过程，如图片旋转、图片压缩等，经过预处理后的图像为正手图像。
在一个具体的实施例中，终端获取用户上传的目标手掌图像，对目标手掌图像进行预处理。例如，预处理包括识别目标手掌图像，获取宽长比例，当宽大于长时，对目标手掌图像进行90度旋转，以保证后续处理的图像的手指方向为垂直方向，并非水平方向。其中，终端也会输出提示用户上传手指垂直向上的图像的信息。又如，预处理还包括：对宽小于长的目标手掌图像进行宽长等比例压缩，使其像素宽度减少到预设值，如512。又如，预处理还包括：使用预先训练的分类模型对压缩后的图像进行左右手属性分类，将分类后得到的左手图像翻转成右手图像，右手图像不做任何处理。其中，分类模型为预先训练阶段得到，训练过程可以通过收集大量的人手图片，由人工分为两类，一类为左手图像，一类为右手图像，搭建一个基于卷积神经网络(CNN)的分类算法，作为左右手属性的分类模型来进行训练，具体的模型训练方式可以采用梯度下降、误差反向传播等算法。在一些实施例中，也可以采用循环神经网络(RNN)、普通神经网络等其他分类算法进行分类。
本实施例中，预处理后的图像为右手属性且手指方向垂直向上的正手图像，降低了处理难度，方便后续的处理步骤，图像压缩可以减少后续的计算量，提高图像在正式服务中的传输速度。
步骤S204，对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像。
其中，正手图像的手掌区域为正手图像中除了手指区域以外其他的区域，手掌部位图像为包括正手图像的手掌区域的图像。
在一个实施例中，步骤S204包括：对正手图像进行识别，确定正手图像的手掌区域和手指区域；根据手掌区域和手指区域，判断正手图像是否符合要求，若不符合，则输出提示以重新获取目标手掌图像。
具体地，终端对正手图像进行图像识别处理，确定正手图像的手掌区域和手指区域，并根据手掌区域和手指区域，判断正手图像是否符合要求，如手指是否垂直手掌，手指和手掌是否完整地出现在图片中，若不符合要求，则输出提示信息给用户，提示用户重新拍摄并且上传符合要求的目标手掌图像。
其中，如图3所示，对正手图像进行识别，确定正手图像的手掌区域和手指区域，包括步骤S302至步骤S306：
步骤S302，将正手图像输入预先训练的目标检测模型，得到正手图像的手掌区域和手指区域的候选框，其中，候选框包括像素点坐标和置信度。
其中，目标检测模型用于对正手图像进行定位，实现手掌区域和手指区域的定位，其中，目标检测模型为预先训练阶段得到，训练过程可以通过收集大量的人手图片，由人工标注五根手指及手掌的外接矩形框，并标注其类别，例如大拇指、食指、中指、无名指、小指和正手手掌，使用基于卷积神经网络(CNN)的目标检测算法进行训练，得到可以检测手掌区域和手指区域的目标检测模型。在一些实施例中，也可以使用传统特征提取和分类器的方法进行目标检测。
具体地，终端将正手图像输入预先训练好的目标检测模型，模型输出结果为包括手掌区域和手指区域的若干候选框，其中，候选框包括像素点坐标和置信度等信息。
步骤S304，根据候选框的置信度，筛选达到预设置信度阈值的候选框。
具体地，终端根据候选框的置信度得分进行排序，筛选过滤出达到预设置信度阈值的候选框并保留。预设置信度阈值可以人工设置也可以由终端设置。
步骤S306，根据候选框的像素点坐标，对筛选后的候选框进行非极大值抑制处理，得到正手图像的手掌区域和手指区域。
具体地，终端根据筛选后的达到预设置信度的候选框的像素点坐标，获取筛选后的候选框的相交程度，对重叠的候选框进行非极大值抑制处理，非极大值抑制处理包括：将当前像素的边缘强度与正梯度方向和负梯度方向上的像素的边缘强度进行比较，如果当前像素的边缘强度与具有相同方向的掩模中的其他像素相比是最大的(即将指向y方向的像素与其上方和下方的像素进行垂直轴比较)，该值将被保留。否则，该值将被抑制。通过非极大值抑制处理，删除目标区域内重叠程度较大的候选框，确定正手图像的手掌区域和手指区域对应的结果框，即正手图像的手掌区域和手指区域。其中，手指区域的结果框为5个不同手指的结果框，手掌区域的结果框为正手手掌对应的结果框。
在一些实施例中，手指区域的结果框可以根据像素点坐标中的x坐标进行排序，得到正确手指顺序的结果框，即得到从左至右的顺序如下：大拇指、食指、中指、无名指以及小指的结果框，避免各手指框之间左右顺序错误的情况。
在一个实施例中，根据手掌区域和手指区域，判断正手图像是否符合要求包括：根据手掌区域和手指区域的像素点坐标，判断手指区域是否垂直手掌区域；若手指区域垂直手掌区域，则确定正手图像符合要求。
具体地，判断正手图像是否符合要求，根据手掌区域和手指区域的像素点坐标，判断手指区域是否垂直手掌区域，比如根据以下两项来判断：手指区域中各个手指的结果框的中心位置的x坐标在手掌区域的结果框的x坐标范围内，以及手指区域中各个手指的结果框的y坐标高于手掌区域的结果框的y坐标，若以上两项都满足的话，则判断手指区域垂直手掌区域，确定正手图像符合要求。若至少一项不符合要求，则判断手指区域不是垂直手掌区域，确定正手图像不符合要求。
在步骤S204之后还包括步骤S206，对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域。
其中，掌纹为手掌上的纹线，包括掌纹主线和特殊纹理等。掌纹主线为手掌部位中具备明显痕迹或者纹路较长的纹线，比如生命线、感情线、智慧线、事业线等。
具体地，如图4所示，对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域，包括步骤S402至步骤S408：
步骤S402，将手掌部位图像输入预先训练的掌纹识别模型进行掌纹识别，得到每个像素点的掌纹标签。
其中，掌纹识别模型为识别手掌部位图像的掌纹的模型，掌纹识别模型为预先训练阶段得到，训练过程可以通过收集大量的手掌部位图片，由人工标注四条掌纹主线(顺序依次为感情线、智慧线、生命线、事业线)的所在区域，使用基于卷积神经网络(CNN)的分割算法进行训练，得到掌纹识别模型。掌纹标签为表示掌纹名称的标记，用来区分掌纹类型，例如用“生命线”表示掌纹主线。
具体地，终端将手掌部位图像输入预先训练的掌纹识别模型，由掌纹识别模型对手掌部位图像进行掌纹识别，输出得到手掌部位图像中每个像素点对应的掌纹标签，掌纹标签例如“生命线”、“感情线”、“非掌纹主线”等。
步骤S404，根据掌纹标签，对像素点进行分组，得到掌纹主线涉及到的像素区域。
具体地，每个像素点都有对应的掌纹标签，根据每个像素点对应的掌纹标签，对手掌部位图像的像素点进行分组，即对掌纹标签进行分组，将掌纹主线标签对应的像素点分离出来，得到掌纹主线涉及到的像素区域。
步骤S406，根据像素点的位置以及掌纹标签，识别像素区域的非掌纹主线像素点。
其中，非掌纹主线像素点为非掌纹主线对应的像素点。
具体地，首先识别掌纹标签中不符合先验规则的像素点对应的标签，先验规则即符合大众认知的经验规则，不符合先验规则的情况例如手掌主线涉及到的像素区域下方出现“感情线”标签，根据经验常识可知，感情线位于手掌掌纹主线的中部；然后根据像素点的位置识别位于孤立位置的掌纹标签，即该像素点的周围与该像素点相同掌纹标签的像素点数量偏少，以上两种现象均属于掌纹识别模型的错误判断，因此将不符合先验规则的像素点和位于孤立位置的像素点识别为非掌纹主线像素点。
步骤S408，剔除像素区域中的非掌纹主线像素点，得到掌纹主线的像素区域。
具体地，可以使用邻域降噪法或者其他降噪方法去除掌纹主线涉及到的像素区域中的非掌纹主线像素点，将非掌纹主线像素点对应的掌纹标签调整为“非掌纹主线”标签，得到掌纹主线的像素区域。
在步骤S206之后还包括步骤S208，基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数。
其中，预设函数为预先指定的用于对掌纹主线进行曲线拟合的非线性函数，预设函数的指定方法可以是人为观察掌纹主线的若干图像，找到与其走势相近的函数作为指定的函数，为了在过拟合和拟合之间取得平衡，经过多次调试、比较和发现，函数的参数数量控制在三个左右比较合适，即得到的掌纹曲线函数与掌纹主线的贴合程度较高。非线性函数例如指数函数、对数函数等。
具体地，使用预设的非线性函数对相对应的每条掌纹主线进行曲线拟合，得到每条掌纹主线所对应的掌纹曲线函数。
步骤S210，根据掌纹曲线函数，得到掌纹特征。
其中，掌纹特征为掌纹主线的特征，包括掌纹主线的纹路特征和掌纹主线的位置特征，例如分叉、特殊纹理、掌纹主线之间是否相交等。
具体地，根据掌纹曲线函数和像素点坐标，得知每条掌纹主线在手掌的分布情况，使用预先训练好的标签模型对每条掌纹主线的掌纹标签进行分类，得到每条掌纹主线的掌纹特征。其中，标签分类模型用于对掌纹主线的掌纹特征标签进行分类，标签分类模型为预先训练阶段得到，训练过程可以通过收集每条掌纹主线的头部、中部以及尾部区域的图像，对上述区域的图像进行人工分类，比如人工标注掌纹主线是否出现分叉、十字纹等标签，使用基于卷积神经网络(CNN)的分类算法进行训练，每组标签得到一个相对应的标签分类模型。
本实施例中，通过对目标手掌图像进行预处理，得到正手图像，识别正手图像的手掌区域，得到手掌部位图像，提取手掌部位图像的掌纹主线，得到掌纹特征。本方法不需要用户手动标记手掌特征，通过终端识别目标手掌图像，提取手掌部位图像的掌纹主线和掌纹特征，解决了用户手动标记特征造成的效率低下的问题和人为因素造成的特征表达不准确的问题，提高了手掌特征识别的准确率。
在一个实施例中，根据掌纹曲线函数，得到掌纹特征的步骤，包括：根据掌纹曲线函数和像素点坐标，得到掌纹主线对应的头部、中部以及尾部区域；识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征。
具体地，根据掌纹曲线函数和每条掌纹主线的像素点坐标，得知每条掌纹主线的分布情况，即得到每条掌纹主线的头部、中部以及尾部区域，将以上区域分别输入预先训练的标签分类模型，得到每条掌纹主线的纹路特征，如掌纹主线的尾部是否出现分叉、掌纹主线的头部是否出现十字纹等。
本实施例中，通过掌纹曲线函数得到掌纹主线的不同区域，识别掌纹主线的纹路特征，可以更加全面地获取每条掌纹主线的特征。
在一个实施例中，在识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征之后，还包括：根据掌纹曲线函数和像素点坐标，判断掌纹主线之间是否相交；根据判断结果，得到掌纹主线的位置特征。
具体地，根据掌纹曲线函数以及掌纹主线的像素点坐标(包括x坐标和y坐标)的范围，判断每两条掌纹主线之间是否相交，判断规则为以下公式：
(f2(x1+dx)-f2(x1))×(f1(x1+dx)-f1(x1))<0
其中，f2、f1为任意两条掌纹主线的掌纹曲线函数，x1为任意两条掌纹主线的同一区域，如尾部，dx为任意两条掌纹主线的预设最小距离。
若满足上述公式，则判定两条掌纹主线相交，从而得到掌纹主线的位置特征。
本实施例中，通过判断掌纹主线是否相交来得到掌纹主线的位置特征，可以识别目标手掌图像中掌纹主线的更多特征。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种手掌特征识别装置500，包括：预处理模块502、手掌定位模块504、掌纹主线提取模块506、拟合模块508和掌纹特征提取模块510，其中：
预处理模块502，用于获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像。
手掌定位模块504，用于对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像。
掌纹主线提取模块506，用于对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域。
拟合模块508，用于基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数。
掌纹特征提取模块510，用于根据掌纹曲线函数，得到掌纹特征。
在一个实施例中，掌纹主线提取模块506还用于将手掌部位图像输入预先训练的掌纹识别模型进行掌纹识别，得到每个像素点的掌纹标签；根据掌纹标签，对像素点进行分组，得到掌纹主线涉及到的像素区域；根据像素点的位置以及掌纹标签，识别像素区域的非掌纹主线像素点；剔除像素区域中的非掌纹主线像素点，得到掌纹主线的像素区域。
在一个实施例中，掌纹特征提取模块510还用于根据掌纹曲线函数和像素点坐标，得到掌纹主线对应的头部、中部以及尾部区域；识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征。
在一个实施例中，掌纹特征提取模块510还用于在识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征之后，根据掌纹曲线函数和像素点坐标，判断掌纹主线之间是否相交；根据判断结果，得到掌纹主线的位置特征。
在一个实施例中，手掌定位模块504还用于对正手图像进行识别，确定正手图像的手掌区域和手指区域；根据手掌区域和手指区域，判断正手图像是否符合要求，若不符合，则输出提示以重新获取目标手掌图像。
在一个实施例中，手掌定位模块504还用于将正手图像输入预先训练的目标检测模型，得到正手图像的手掌区域和手指区域的候选框；候选框包括像素点坐标和置信度；根据候选框的置信度，筛选达到预设置信度阈值的候选框；根据候选框的像素点坐标，对筛选后的候选框进行非极大值抑制处理，得到正手图像的手掌区域和手指区域。
在一个实施例中，手掌定位模块504还用于根据手掌区域和手指区域的像素点坐标，判断手指区域是否垂直手掌区域；若手指区域垂直手掌区域，则确定正手图像符合要求。
关于手掌特征识别装置的具体限定可以参见上文中对于手掌特征识别方法的限定，在此不再赘述。上述手掌特征识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预先训练的模型和预设函数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标手掌图像方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标手掌图像方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6-7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，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像；
对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像；
对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据掌纹曲线函数，得到掌纹特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将手掌部位图像输入预先训练的掌纹识别模型进行掌纹识别，得到每个像素点的掌纹标签；根据掌纹标签，对像素点进行分组，得到掌纹主线涉及到的像素区域；根据像素点的位置以及掌纹标签，识别像素区域的非掌纹主线像素点；剔除像素区域中的非掌纹主线像素点，得到掌纹主线的像素区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据掌纹曲线函数和像素点坐标，得到掌纹主线对应的头部、中部以及尾部区域；识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据掌纹曲线函数和像素点坐标，判断掌纹主线之间是否相交；根据判断结果，得到掌纹主线的位置特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对正手图像进行识别，确定正手图像的手掌区域和手指区域；根据手掌区域和手指区域，判断正手图像是否符合要求，若不符合，则输出提示以重新获取目标手掌图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将正手图像输入预先训练的目标检测模型，得到正手图像的手掌区域和手指区域的候选框；候选框包括像素点坐标和置信度；根据候选框的置信度，筛选达到预设置信度阈值的候选框；根据候选框的像素点坐标，对筛选后的候选框进行非极大值抑制处理，得到正手图像的手掌区域和手指区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据手掌区域和手指区域的像素点坐标，判断手指区域是否垂直手掌区域；若手指区域垂直手掌区域，则确定正手图像符合要求。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标手掌图像，对目标手掌图像进行预处理，得到正手图像；
对正手图像进行识别，确定正手图像的手掌区域，得到手掌部位图像；
对手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据掌纹曲线函数，得到掌纹特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将手掌部位图像输入预先训练的掌纹识别模型进行掌纹识别，得到每个像素点的掌纹标签；根据掌纹标签，对像素点进行分组，得到掌纹主线涉及到的像素区域；根据像素点的位置以及掌纹标签，识别像素区域的非掌纹主线像素点；剔除像素区域中的非掌纹主线像素点，得到掌纹主线的像素区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据掌纹曲线函数和像素点坐标，得到掌纹主线对应的头部、中部以及尾部区域；识别头部、中部以及尾部区域的纹路特征，得到掌纹主线的纹路特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据掌纹曲线函数和像素点坐标，判断掌纹主线之间是否相交；根据判断结果，得到掌纹主线的位置特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对正手图像进行识别，确定正手图像的手掌区域和手指区域；根据手掌区域和手指区域，判断正手图像是否符合要求，若不符合，则输出提示以重新获取目标手掌图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将正手图像输入预先训练的目标检测模型，得到正手图像的手掌区域和手指区域的候选框；候选框包括像素点坐标和置信度；根据候选框的置信度，筛选达到预设置信度阈值的候选框；根据候选框的像素点坐标，对筛选后的候选框进行非极大值抑制处理，得到正手图像的手掌区域和手指区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据手掌区域和手指区域的像素点坐标，判断手指区域是否垂直手掌区域；若手指区域垂直手掌区域，则确定正手图像符合要求。
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，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种手掌特征识别方法，所述方法包括：
获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
根据所述掌纹曲线函数，得到掌纹特征。
2.根据权利要求1所述的方法，其特征在于，所述对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域，包括：
将所述手掌部位图像输入预先训练的掌纹识别模型进行掌纹识别，得到每个像素点的掌纹标签；
根据所述掌纹标签，对所述像素点进行分组，得到掌纹主线涉及到的像素区域；
根据所述像素点的位置以及所述掌纹标签，识别所述像素区域的非掌纹主线像素点；
剔除所述像素区域中的所述非掌纹主线像素点，得到掌纹主线的像素区域。
3.根据权利要求1所述的方法，其特征在于，所述掌纹特征包括掌纹主线的纹路特征；所述根据所述掌纹曲线函数，得到掌纹特征，包括：
根据所述掌纹曲线函数和像素点坐标，得到所述掌纹主线对应的头部、中部以及尾部区域；
识别所述头部、中部以及尾部区域的纹路特征，得到所述掌纹主线的纹路特征。
4.根据权利要求3所述的方法，其特征在于，所述掌纹特征还包括掌纹主线的位置特征；在所述识别所述头部、中部以及尾部区域的纹路特征，得到所述掌纹主线的纹路特征之后，还包括：
根据所述掌纹曲线函数和像素点坐标，判断所述掌纹主线之间是否相交；
根据判断结果，得到所述掌纹主线的位置特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像，包括：
对所述正手图像进行识别，确定所述正手图像的手掌区域和手指区域；
根据所述手掌区域和所述手指区域，判断所述正手图像是否符合要求，若不符合，则输出提示以重新获取目标手掌图像。
6.根据权利要求5所述的方法，其特征在于，所述对所述正手图像进行识别，确定所述正手图像的手掌区域和手指区域，包括：
将所述正手图像输入预先训练的目标检测模型，得到所述正手图像的手掌区域和手指区域的候选框；所述候选框包括像素点坐标和置信度；
根据所述候选框的置信度，筛选达到预设置信度阈值的候选框；
根据所述候选框的像素点坐标，对筛选后的候选框进行非极大值抑制处理，得到所述正手图像的手掌区域和手指区域。
7.根据权利要求6所述的方法，其特征在于，所述根据所述手掌区域和所述手指区域，判断所述正手图像是否符合要求，包括：
根据所述手掌区域和所述手指区域的像素点坐标，判断所述手指区域是否垂直所述手掌区域；
若所述手指区域垂直所述手掌区域，则确定所述正手图像符合要求。
8.一种手掌特征识别装置，其特征在于，所述装置包括：
预处理模块，用于获取目标手掌图像，对所述目标手掌图像进行预处理，得到正手图像；
手掌定位模块，用于对所述正手图像进行识别，确定所述正手图像的手掌区域，得到手掌部位图像；
掌纹主线提取模块，用于对所述手掌部位图像进行掌纹识别，提取掌纹主线，得到掌纹主线的像素区域；
拟合模块，用于基于预设函数，对所述掌纹主线的像素区域进行曲线拟合，得到掌纹曲线函数；
掌纹特征提取模块，用于根据所述掌纹曲线函数，得到掌纹特征。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911425389.3A 2019-12-31 2019-12-31 手掌特征识别方法、装置、计算机设备和存储介质 Pending CN111178310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911425389.3A CN111178310A (zh) 2019-12-31 2019-12-31 手掌特征识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911425389.3A CN111178310A (zh) 2019-12-31 2019-12-31 手掌特征识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111178310A true CN111178310A (zh) 2020-05-19

Family

ID=70647426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911425389.3A Pending CN111178310A (zh) 2019-12-31 2019-12-31 手掌特征识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111178310A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860439A (zh) * 2020-07-31 2020-10-30 广东电网有限责任公司 一种无人机巡检图像缺陷检测方法、系统及设备
CN112069928A (zh) * 2020-08-19 2020-12-11 山西慧虎健康科技有限公司 一种手部目标掌纹提取及与中线拟合方法
WO2024016786A1 (zh) * 2022-07-18 2024-01-25 腾讯科技（深圳）有限公司 掌部图像的识别方法、装置、设备、存储介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090268951A1 (en) * 2008-04-24 2009-10-29 The Hong Kong Polytechnic University Method and system for personal identification using 3d palmprint imaging
CN107657239A (zh) * 2017-09-30 2018-02-02 清华大学深圳研究生院 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
CN109472213A (zh) * 2018-10-16 2019-03-15 平安科技（深圳）有限公司 掌纹识别方法、装置、计算机设备和存储介质
CN110008825A (zh) * 2019-02-20 2019-07-12 平安科技（深圳）有限公司 掌纹识别方法、装置、计算机设备和存储介质
CN110210288A (zh) * 2019-04-19 2019-09-06 平安科技（深圳）有限公司 掌纹识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090268951A1 (en) * 2008-04-24 2009-10-29 The Hong Kong Polytechnic University Method and system for personal identification using 3d palmprint imaging
CN107657239A (zh) * 2017-09-30 2018-02-02 清华大学深圳研究生院 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
CN109472213A (zh) * 2018-10-16 2019-03-15 平安科技（深圳）有限公司 掌纹识别方法、装置、计算机设备和存储介质
CN110008825A (zh) * 2019-02-20 2019-07-12 平安科技（深圳）有限公司 掌纹识别方法、装置、计算机设备和存储介质
CN110210288A (zh) * 2019-04-19 2019-09-06 平安科技（深圳）有限公司 掌纹识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄鹏頔: "基于图像的掌纹提取方法研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860439A (zh) * 2020-07-31 2020-10-30 广东电网有限责任公司 一种无人机巡检图像缺陷检测方法、系统及设备
CN112069928A (zh) * 2020-08-19 2020-12-11 山西慧虎健康科技有限公司 一种手部目标掌纹提取及与中线拟合方法
CN112069928B (zh) * 2020-08-19 2024-02-02 山西慧虎健康科技有限公司 一种手部目标掌纹提取的生命线与中线拟合方法
WO2024016786A1 (zh) * 2022-07-18 2024-01-25 腾讯科技（深圳）有限公司 掌部图像的识别方法、装置、设备、存储介质及程序产品

Similar Documents

Publication Publication Date Title
CN110738101B (zh) 行为识别方法、装置及计算机可读存储介质
CN110232311B (zh) 手部图像的分割方法、装置及计算机设备
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN107679448B (zh) 眼球动作分析方法、装置及存储介质
CN111814902A (zh) 目标检测模型训练方法、目标识别方法、装置和介质
CN109002766B (zh) 一种表情识别方法及装置
KR102554724B1 (ko) 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을 실행하기 위한 모바일 디바이스
WO2019033525A1 (zh) Au特征识别方法、装置及存储介质
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN107633204A (zh) 人脸遮挡检测方法、装置及存储介质
CN108805058B (zh) 目标对象变化姿态识别方法、装置及计算机设备
CN111178310A (zh) 手掌特征识别方法、装置、计算机设备和存储介质
CN107633205B (zh) 嘴唇动作分析方法、装置及存储介质
CN110163864B (zh) 图像分割方法、装置、计算机设备和存储介质
WO2019232850A1 (zh) 手写汉字图像识别方法、装置、计算机设备及存储介质
CN112633159B (zh) 人-物交互关系识别方法、模型训练方法及对应装置
CN113822116A (zh) 文本识别方法、装置、计算机设备和存储介质
CN113469092B (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN112101386B (zh) 文本检测方法、装置、计算机设备和存储介质
CN113034514A (zh) 天空区域分割方法、装置、计算机设备和存储介质
Amosov et al. Human localization in the video stream using the algorithm based on growing neural gas and fuzzy inference
Lahiani et al. Hand pose estimation system based on Viola-Jones algorithm for android devices
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN109829484B (zh) 一种服饰分类方法、设备及计算机可读存储介质
CN111722717B (zh) 手势识别方法、装置及计算机可读存储介质

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