CN116092133A - 特征预测模型的训练方法及装置 - Google Patents

Abstract

本说明书实施例提供了特征预测模型的训练方法及装置，其中，一种特征预测模型的训练方法包括：在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图作为根据所述训练样本进行有监督模型训练的监督训练参数。

Description

特征预测模型的训练方法及装置

技术领域

本文件涉及数据处理技术领域，尤其涉及一种特征预测模型的训练方法及装置。

背景技术

随着互联网在不断发展和推广，基于互联网提供的移动支付的应用范围也越来越广，已逐渐覆盖大多数用户，在这种情况下，出现了各种形式的移动支付方式，比如扫码支付、指纹支付、刷脸支付和刷掌支付，其中，刷掌支付作为一种新兴的支付方式，在支付过程中主要通过掌关键点检测、掌关键点对齐、掌识别等算法环节进行手掌识别，出于成本控制的因素，目前市场上许多刷掌设备都没有配置拍摄时显示手掌的屏幕，因此导致用户刷掌过程中无法直观感知手掌的位置，导致刷掌成功率较低，进而影响用户支付成功率。

发明内容

本说明书一个或多个实施例提供了一种特征预测模型的训练方法，包括：在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块。生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射。将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型。所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书一个或多个实施例提供了一种手掌图像的特征预测方法，包括：获取待识别用户的手掌图像。将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图。所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图。基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

本说明书一个或多个实施例提供了一种特征预测模型的训练装置，包括：图像提取模块，被配置为在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块。特征分布处理模块，被配置为生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射。模型训练模块，被配置为将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型。所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书一个或多个实施例提供了一种手掌图像的特征预测装置，包括：手掌图像获取模块，被配置为获取待识别用户的手掌图像。关键特征预测模块，被配置为将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图。所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图。图像处理模块，被配置为基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

本说明书一个或多个实施例提供了一种特征预测模型的训练设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块。生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射。将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型。所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书一个或多个实施例提供了一种手掌图像的特征预测设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：获取待识别用户的手掌图像。将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图。所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图。基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块。生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射。将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型。所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书一个或多个实施例提供了另一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：获取待识别用户的手掌图像。将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图。所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图。基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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为本说明书一个或多个实施例提供的一种特征预测模型的训练方法处理流程图；

图2为本说明书一个或多个实施例提供的一种手掌图像的示意图；

图3为本说明书一个或多个实施例提供的一种规则区域的图像块的示意图；

图4为本说明书一个或多个实施例提供的一种手掌图像中扩展区域的示意图；

图5为本说明书一个或多个实施例提供的一种扩展区域的扩展图像块的示意图；

图6为本说明书一个或多个实施例提供的一种关键点热力分布图的示意图；

图7为本说明书一个或多个实施例提供的一种手掌图像的特征预测方法处理流程图；

图8为本说明书一个或多个实施例提供的一种特征预测模型的训练装置示意图；

图9为本说明书一个或多个实施例提供的一种手掌图像的特征预测装置示意图；

图10为本说明书一个或多个实施例提供的一种特征预测模型的训练设备的结构示意图；

图11为本说明书一个或多个实施例提供的一种手掌图像的特征预测设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

本说明书提供的一种特征预测模型的训练方法实施例：

本实施例提供的特征预测模型的训练方法，在模型训练过程中，通过从手掌图像中提取特定区域的图像块作为进行模型训练的训练样本，并从手掌图像中提取特定区域对应的扩展区域的扩展图像块，进一步生成扩展图像块的关键特征分布图，并建立图像块与关键特征分布图的坐标映射，能够在建立坐标映射的基础上将关键特征分布图作为有监督模型训练过程中训练样本的监督训练参数，最终将训练样本和监督训练参数共同输入待训练模型进行有监督模型训练，获得特征预测模型，以此在特征预测模型训练过程中，借助关键特征分布图进行有监督训练的方式，使特征预测模型学习扩展区域的关键特征的预测能力，从而使训练获得的特征预测模型能够进行视野外的关键特征预测。

步骤S102，在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块。

本实施例所述手掌图像，可以是通过用于进行掌纹图像采集的IoT(Internet ofThings，物联网)设备采集的图像，也可以是通过图像采集组件拍摄的手掌图像，还可以是通过其他采集设备或者其他采集方式采集的手掌图像。所述目标区域，是指手掌图像中的规则区域，比如正方形区域或者圆形区域。所述扩展区域，是指在手掌图像中将目标区域向外延伸扩展获得的图像区域。

所述手掌图像是生成训练样本的基础，通过在所述手掌图像中提取图像块作为模型训练的训练样本，具体在提取过程中，为了提升图像块提取效率，也即为提升训练样本的生成效率，本实施例提供的一种可选实施方式中，在手掌图像中提取目标区域的图像块作为训练样本，包括：

按照预设取样参数选取所述手掌图像中的至少一个规则区域作为所述目标区域；

提取所述手掌图像中所述规则区域的图像块作为所述训练样本。

以上，通过预设取样参数的设置，来精准的控制训练样本生成的有效性，以此来提升基于训练样本进行模型训练的训练效率和训练有效性。所述预设取样参数包括下述至少一项：区域位置参数、区域大小参数和区域形状参数。区域位置参数是指在手掌图像的哪个位置进行图像块提取的参数；区域大小参数是指在手掌图像中进行图像块提取的区域大小，也即图像块大小；区域形状参数是指手掌图像中进行图像块提取的区域形状，比如可以是正方形区域或者圆形区域。

具体在作为训练样本的图像块的提取过程中，可在一张手掌图像中提取一个图像块，还可在一张手掌图像中提取多个图像块，以此来降低作为训练样本的生成基础的手掌图像的数据准备难度。在手掌图像中提取图像块的过程中，可采用随机方式在手掌图像确定进行图像块提取的目标区域，比如通过随机算法确定手掌图像中目标区域的区域位置，通过这种训练样本的生成随机性来提升后续基于训练样本进行模型训练的训练效果。

除上述提供的在手掌图像中提取目标区域的图像块的实现方式之外，为了提升训练效率，在手掌图像中提取目标区域的图像块的过程中，还可以采用如下方式实现：首先检测手掌图像中的关键特征，并根据关键特征计算目标区域的最大图像范围，然后在最大图像范围内随机确定特定大小的规则区域作为目标区域，最后提取所述手掌图像中所述规则区域的图像块作为所述训练样本。这其中，可将最大图像范围限定为不包含手掌图像的全部关键特征，仅包含手掌图像的部分关键特征，在此基础上提取的图像块同样也不会包含手掌图像的全部关键特征，而是仅包含手掌图像的部分关键特征，以此为训练样本进行的模型训练的效率更高。

可选的，所述规则区域的图像块包含所述手掌图像的一个或者多个关键特征，或者，所述规则区域的图像块不包含所述手掌图像的关键特征。

其中，在规则区域的图像块包含手掌图像的关键特征的情况下，即：训练样本包含关键特征的情况下，这部分包含关键特征的训练样本参与训练，有助于提升最终训练获得的特征预测模型在输入图像包含关键特征这种情况下的特征预测能力；而在规则区域的图像块不包含手掌图像的关键特征的情况下，即：训练样本不包含关键特征的情况下，这部分不包含关键特征的训练样本参与训练，有助于提升最终训练获得的特征预测模型在输入图像不包含关键特征这种情况下的特征预测能力。

可选的，所述扩展图像块包含的关键特征多于所述规则区域的图像块包含的关键特征，在此基础上进行的模型训练，模型训练效率得以提升，避免了模型训练过程中模型参数调整向包含关键特征的输入图像输入模型后未输出预测关键特征这一训练方向进行接近的可能性。

需要说明的是，作为训练样本生成基础的手掌图像中的关键特征可预先进行标注，比如预先通过人工标注的方式标注手掌图像中的每个关键特征点，或者，通过将手掌图像输入关键点检测模型进行关键点检测，输出手掌图像的关键特征点。例如，图2所示的手掌图像中的关键点201、关键点202、关键点203、关键点204以及关键点205。

具体实施时，在手掌图像中提取获得作为训练样本的目标区域的图像块之后，还需提取用于生成训练样本在模型训练过程中的监督训练参数，以此利用作为训练样本的图像块和以扩展图像块为基础生成的监督训练参数进行有监督模型训练。

具体的，本实施例提供的一种可选实施方式中，提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块，包括：

根据扩展参数计算所述手掌图像中所述目标区域对应的扩展区域；

按照计算获得的扩展区域在所述手掌图像中进行图像块提取获得所述扩展图像块。

其中，所述扩展参数，可以是扩展区域相对于目标区域的扩大比例，该扩大比例的数值可在预先设定的比例取值范围内进行取值；此外，所述扩展参数还可以是目标区域在不同角度或者方向的延伸距离或者扩大距离，该延伸距离或者扩大距离同样可在预先设定的距离取值范围内进行取值。

例如，在图2所示的手掌图像中确定进行图像块提取的规则区域206之后，在手掌图像中提取规则区域206的图像块作为训练样本，提取的图像块如图3所示；对规则区域206进行扩展后的扩展区域如图4中401所示，在手掌图像中提取的扩展区域401的扩展图像块如图5所示。

步骤S104，生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射。

本实施例中，在手掌图像中提取获得扩展区域的扩展图像块的基础上，以扩展图像块为基础生成监督训练参数，以此利用作为训练样本的图像块和监督训练参数进行有监督模型训练。可选的，以扩展图像块为基础生成关键特征分布图，将生成的关键特征分布图作为进行有监督模型训练的监督训练参数，即：所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本实施例提供的一种可选实施方式中，生成所述扩展图像块的关键特征分布图，包括：

根据所述扩展图像块中关键特征以及非关键特征的特征坐标，计算所述扩展图像中非关键特征与关键特征的坐标距离；

基于所述坐标距离生成所述扩展图像块的关键特征热力分布图，作为所述关键特征分布图。

沿用上例，针对图5所示的扩展图像块，计算扩展图像块中图像特征点与关键点201、关键点202、关键点203、关键点204、关键点205的坐标距离，根据坐标距离生成扩展图像的关键特征热力分布图，生成的关键点热力分布图如图6所示。

除此之外，除上述提供的生成扩展图像块的关键特征分布图的实现方式之外，还可通过将扩展图像块输入预先训练好的关键特征热力分布模型，对输入的扩展图像块进行关键特征热力分布计算，输出关键特征热力分布图。

具体执行过程中，上述生成作为有监督模型训练的监督训练参数的关键特征分布图之后，为使有监督训练过程中监督训练参数能够对训练样本起到实际监督作用，还需建立监督训练参数与训练样本的映射关系，以此在映射关系的约束下，使监督训练参数对训练样本更加有效和更加有针对性的训练监督；

本实施例提供的一种可选实施方式中，建立所述图像块与所述关键特征分布图的坐标映射，包括：

根据所述图像块中特征点与所述扩展图像块中特征点的对应关系，将所述图像块中特征点的特征坐标映射到所述扩展图像块的特征坐标系中；

根据映射获得所述图像块中特征点的映射坐标对所述图像块中特征点的特征坐标进行更新。

除上述提供的建立所述图像块与所述关键特征分布图的坐标映射，以此来使监督训练参数对训练样本更加有效和更加有针对性的训练监督的实现方式之外，还可借助扩展图像块来建立监督训练参数与训练样本的映射关系，比如建立所述图像块与所述扩展图像块的坐标映射，以此，在扩展图像块与关键特征分布图具有特征坐标一致性的情况下，相当于间接建立了作为训练样本的图像块与作为监督训练参数的关键特征分布图的坐标映射；此处，图像块与所述扩展图像块的坐标映射的具体建立过程，与上述提供的图像块与关键特征分布图的坐标映射建立过程类似，参照上述提供的坐标映射建立过程即可，本实施例在此不再赘述。

步骤S106，将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型。

上述提取获得作为训练样本的图像块和作为监督训练参数的关键特征分布图之后，此处，将将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，在模型训练过程中，采用有监督模型训练的方式进行模型训练，具体是根据训练样本输入待训练模型进行关键特征预测输出的预测结果与关键特征分布图的差距，对待训练模型的模型参数进行调整，重复这一有监督模型训练过程，直至模型收敛获得特征预测模型。

此外，在具体模型训练过程中还可构建损失函数计算每次有监督模型训练的训练损失，根据训练损失进行模型参数调整，比如计算训练样本输入待训练模型进行关键特征预测输出的预测结果与关键特征分布图的相似度，构建与该相似度呈负相关的损失函数进行训练损失计算。

实际应用中，在完成待训练模型的有监督训练获得特征预测模型之后，可利用该获得的特征预测模型进行相应的关键特征预测，本实施例提供的一种可选实施方式中，所述特征预测模型，采用如下方式进行特征预测：将待处理图像输入所述特征预测模型进行关键特征预测，输出所述待处理图像的扩展区域的预测关键特征的特征热力分布图。

在此基础上，在将待处理图像输入特征预测模型进行关键特征预测输出相应的特征热力分布图之后，可从特征热力分布图出发对待处理图像进行相应的图像处理，有助于提升用户进行刷掌时采集的手掌图像被识别的可能性，同时还有助于提升待处理图像在掌纹识别场景中的识别成功率，具体的，本实施例提供的一种可选实施方式中，采用如下方式对待处理图像进行图像处理：

将所述预测关键特征的特征坐标映射至所述待处理图像的特征坐标系中；

基于映射结果和所述特征热力分布图确定所述待处理图像的冗余区域，并对所述冗余区域进行掩码处理和/或裁剪处理。

进一步，在对待处理图像进行图像处理获得相应图像的基础上，可根据图像处理获得的相应图像进行用户核身，本实施例提供的一种可选实施方式中，采用如下方式进行用户核身：

根据所述掩码处理和/或所述裁剪处理获得的目标图像，对所述待处理图像对应的待识别用户进行核身处理。

本说明书提供的一种手掌图像的特征预测方法实施例：

本实施例提供的手掌图像的特征预测方法，在对手掌图像进行特征预测的过程中，利用特征预测模型对手掌图像进行关键特征预测，根据特征预测模型在有监督模型训练过程中学习的从输入的目标区域的图像块预测目标区域对应的扩展区域的扩展图像块的关键特征分布图的能力，通过将手掌图像输入特征预测模型，预测出手掌图像在扩展区域的预测关键特征的特征热力分布图，并根据特征热力分布图以及预测关键特征进行手掌图像的图像处理，以此能够使图像处理获得的相应图像能够匹配根据手掌图像进行用户核身的需求，从而有助于提升用户进行刷掌时采集的手掌图像被识别的可能性，同时还有助于提升手掌图像在掌纹识别场景中的识别成功率。

步骤S702，获取待识别用户的手掌图像。

在掌纹识别场景中，所述手掌图像是指通过用于进行掌纹图像采集的IoT(Internet of Things，物联网)设备采集的图像。

步骤S704，将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图。

可选的，所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图。

本实施例提供的一种可选实施方式中，所述特征预测模型，采用如下方式进行训练：

在所述标注手掌图像中提取所述目标区域的图像块以及所述扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述图像块和所述关键特征分布图输入待训练模型进行模型训练，获得所述特征预测模型。

本实施例提供的一种可选实施方式中，在所述标注手掌图像中提取所述目标区域的图像块，采用如下方式实现：

按照预设取样参数选取所述标注手掌图像中的至少一个规则区域作为所述目标区域；

提取所述标注手掌图像中所述规则区域的图像块作为所述训练样本。

可选的，所述规则区域的图像块包含所述标注手掌图像的一个或者多个关键特征，或者，所述规则区域的图像块不包含所述标注手掌图像的关键特征；

以及，所述扩展图像块包含的关键特征多于所述规则区域的图像块包含的关键特征。

本实施例提供的一种可选实施方式中，所述扩展区域的扩展图像块，采用如下方式进行提取：

根据扩展参数计算所述标注手掌图像中所述目标区域对应的扩展区域；

按照计算获得的扩展区域在所述标注手掌图像中进行图像块提取获得所述扩展图像块。

本实施例提供的一种可选实施方式中，生成所述扩展图像块的关键特征分布图，包括：

根据所述扩展图像块中关键特征以及非关键特征的特征坐标，计算所述扩展图像中非关键特征与关键特征的坐标距离；

基于所述坐标距离生成所述扩展图像块的关键特征热力分布图，作为所述关键特征分布图。

本实施例提供的一种可选实施方式中，建立所述图像块与所述关键特征分布图的坐标映射，包括：

根据所述图像块中特征点与所述扩展图像块中特征点的对应关系，将所述图像块中特征点的特征坐标映射到所述扩展图像块的特征坐标系中；

根据映射获得所述图像块中特征点的映射坐标对所述图像块中特征点的特征坐标进行更新。

需要指出的是，本实施例提供的特征预测模型的训练过程仅仅是示意性的，与上述提供的特征预测模型的训练方法中模型训练过程类似，可参照上述方法实施例的具体说明即可；此外，本实施例提供的特征预测模型，还可以是上述提供的特征预测模型的训练方法中训练获得的特征预测模型，这种情况下关于特征预测模型的具体训练过程，同样可参照上述方法实施例提供的具体说明，本实施例在此不再赘述。

步骤S706，基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

上述将待识别用户的手掌图像输入特征预测模型进行关键特征预测输出预测关键特征的特征热力分布图之后，在此，可从预测关键特征和特征热力分布图出发对待处理图像进行相应的图像处理，以此来提升用户进行刷掌时采集的手掌图像被识别的可能性，同时来提升待处理图像在掌纹识别场景中的识别成功率，本实施例提供的一种可选实施方式中，基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，包括：

将所述预测关键特征的特征坐标映射至所述手掌图像的特征坐标系中；

基于映射结果和所述特征热力分布图确定所述手掌图像的冗余区域，并对所述冗余区域进行掩码处理和/或裁剪处理。

进一步，在对待识别用户的手掌图像进行图像处理获得图像处理结果的基础上，可根据图像处理获得的相应图像进行用户核身，本实施例提供的一种可选实施方式中，根据图像处理结果对所述待识别用户进行核身处理，包括：

基于所述掩码处理和/或所述裁剪处理获得的目标图像进行所述待识别用户的核身处理。

本说明书提供的一种特征预测模型的训练装置实施例如下：

在上述的实施例中，提供了一种特征预测模型的训练方法，与之相对应的，还提供了一种特征预测模型的训练装置，下面结合附图进行说明。

参照图8，其示出了本实施例提供的一种特征预测模型的训练装置示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种特征预测模型的训练装置，包括：

图像提取模块802，被配置为在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

特征分布处理模块804，被配置为生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

模型训练模块806，被配置为将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书提供的一种手掌图像的特征预测装置实施例如下：

在上述的实施例中，提供了一种手掌图像的特征预测方法，与之相对应的，还提供了一种手掌图像的特征预测装置，下面结合附图进行说明。

参照图9，其示出了本实施例提供的一种手掌图像的特征预测装置示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种手掌图像的特征预测装置，包括：

手掌图像获取模块902，被配置为获取待识别用户的手掌图像；

关键特征预测模块904，被配置为将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；；

图像处理模块906，被配置为基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

本说明书提供的一种特征预测模型的训练设备实施例如下：

对应上述描述的一种特征预测模型的训练方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种特征预测模型的训练设备，该特征预测模型的训练设备用于执行上述提供的特征预测模型的训练方法，图10为本说明书一个或多个实施例提供的一种特征预测模型的训练设备的结构示意图。

本实施例提供的一种特征预测模型的训练设备，包括：

如图10所示，特征预测模型的训练设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1001和存储器1002，存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括特征预测模型的训练设备中的一系列计算机可执行指令。更进一步地，处理器1001可以设置为与存储器1002通信，在特征预测模型的训练设备上执行存储器1002中的一系列计算机可执行指令。特征预测模型的训练设备还可以包括一个或一个以上电源1003，一个或一个以上有线或无线网络接口1004，一个或一个以上输入/输出接口1005，一个或一个以上键盘1006等。

在一个具体的实施例中，特征预测模型的训练设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对特征预测模型的训练设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

本说明书提供的一种手掌图像的特征预测设备实施例如下：

对应上述描述的一种手掌图像的特征预测方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种手掌图像的特征预测设备，该手掌图像的特征预测设备用于执行上述提供的手掌图像的特征预测方法，图11为本说明书一个或多个实施例提供的一种手掌图像的特征预测设备的结构示意图。

本实施例提供的一种手掌图像的特征预测设备，包括：

如图11所示，手掌图像的特征预测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1101和存储器1102，存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括手掌图像的特征预测设备中的一系列计算机可执行指令。更进一步地，处理器1101可以设置为与存储器1102通信，在手掌图像的特征预测设备上执行存储器1102中的一系列计算机可执行指令。手掌图像的特征预测设备还可以包括一个或一个以上电源1103，一个或一个以上有线或无线网络接口1104，一个或一个以上输入/输出接口1105，一个或一个以上键盘1106等。

在一个具体的实施例中，手掌图像的特征预测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对手掌图像的特征预测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待识别用户的手掌图像；

将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

本说明书提供的一种存储介质实施例如下：

对应上述描述的一种特征预测模型的训练方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

需要说明的是，本说明书中关于一种存储介质的实施例与本说明书中一种特征预测模型的训练方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

本说明书提供的另一种存储介质实施例如下：

对应上述描述的一种手掌图像的特征预测方法，基于相同的技术构思，本说明书一个或多个实施例还提供另一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

获取待识别用户的手掌图像；

将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

需要说明的是，本说明书中关于另一种存储介质的实施例与本说明书中一种手掌图像的特征预测方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (19)

1.一种特征预测模型的训练方法，包括：

在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

2.根据权利要求1所述的特征预测模型的训练方法，所述在手掌图像中提取目标区域的图像块作为训练样本，包括：

按照预设取样参数选取所述手掌图像中的至少一个规则区域作为所述目标区域；

提取所述手掌图像中所述规则区域的图像块作为所述训练样本。

3.根据权利要求2所述的特征预测模型的训练方法，所述规则区域的图像块包含所述手掌图像的一个或者多个关键特征，或者，所述规则区域的图像块不包含所述手掌图像的关键特征；

以及，所述扩展图像块包含的关键特征多于所述规则区域的图像块包含的关键特征。

4.根据权利要求1所述的特征预测模型的训练方法，所述提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块，包括：

根据扩展参数计算所述手掌图像中所述目标区域对应的扩展区域；

按照计算获得的扩展区域在所述手掌图像中进行图像块提取获得所述扩展图像块。

5.根据权利要求1所述的特征预测模型的训练方法，所述生成所述扩展图像块的关键特征分布图，包括：

根据所述扩展图像块中关键特征以及非关键特征的特征坐标，计算所述扩展图像中非关键特征与关键特征的坐标距离；

基于所述坐标距离生成所述扩展图像块的关键特征热力分布图，作为所述关键特征分布图。

6.根据权利要求1所述的特征预测模型的训练方法，所述建立所述图像块与所述关键特征分布图的坐标映射，包括：

根据所述图像块中特征点与所述扩展图像块中特征点的对应关系，将所述图像块中特征点的特征坐标映射到所述扩展图像块的特征坐标系中；

根据映射获得所述图像块中特征点的映射坐标对所述图像块中特征点的特征坐标进行更新。

7.根据权利要求1所述的特征预测模型的训练方法，所述特征预测模型，采用如下方式进行特征预测：

将待处理图像输入所述特征预测模型进行关键特征预测，输出所述待处理图像的扩展区域的预测关键特征的特征热力分布图。

8.根据权利要求7所述的特征预测模型的训练方法，所述将待处理图像输入所述特征预测模型进行关键特征预测，输出所述待处理图像的扩展区域的预测关键特征的特征热力分布图步骤执行之后，还包括：

将所述预测关键特征的特征坐标映射至所述待处理图像的特征坐标系中；

基于映射结果和所述特征热力分布图确定所述待处理图像的冗余区域，并对所述冗余区域进行掩码处理和/或裁剪处理。

9.根据权利要求8所述的特征预测模型的训练方法，所述基于映射结果和所述特征热力分布图确定所述待处理图像的冗余区域，并对所述冗余区域进行掩码处理和/或裁剪处理步骤执行之后，还包括：

根据所述掩码处理和/或所述裁剪处理获得的目标图像，对所述待处理图像对应的待识别用户进行核身处理。

10.一种手掌图像的特征预测方法，包括：

获取待识别用户的手掌图像；

将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

11.根据权利要求10所述的手掌图像的特征预测方法，所述基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，包括：

将所述预测关键特征的特征坐标映射至所述手掌图像的特征坐标系中；

基于映射结果和所述特征热力分布图确定所述手掌图像的冗余区域，并对所述冗余区域进行掩码处理和/或裁剪处理。

12.根据权利要求11所述的手掌图像的特征预测方法，所述根据图像处理结果对所述待识别用户进行核身处理，包括：

基于所述掩码处理和/或所述裁剪处理获得的目标图像进行所述待识别用户的核身处理。

13.根据权利要求10所述的手掌图像的特征预测方法，所述特征预测模型，采用如下方式进行训练：

在所述标注手掌图像中提取所述目标区域的图像块以及所述扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述图像块和所述关键特征分布图输入待训练模型进行模型训练，获得所述特征预测模型。

14.一种特征预测模型的训练装置，包括：

图像提取模块，被配置为在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

特征分布处理模块，被配置为生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

模型训练模块，被配置为将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

15.一种手掌图像的特征预测装置，包括：

手掌图像获取模块，被配置为获取待识别用户的手掌图像；

关键特征预测模块，被配置为将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

图像处理模块，被配置为基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

16.一种特征预测模型的训练设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

17.一种手掌图像的特征预测设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

获取待识别用户的手掌图像；

将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

18.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

在手掌图像中提取目标区域的图像块作为训练样本，并提取所述手掌图像中所述目标区域对应的扩展区域的扩展图像块；

生成所述扩展图像块的关键特征分布图，并建立所述图像块与所述关键特征分布图的坐标映射；

将所述训练样本和所述关键特征分布图输入待训练模型进行模型训练，获得特征预测模型；所述关键特征分布图为根据所述训练样本进行有监督模型训练的监督训练参数。

19.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

获取待识别用户的手掌图像；

将所述手掌图像输入特征预测模型进行关键特征预测，输出所述手掌图像的扩展区域的预测关键特征的特征热力分布图；所述特征预测模型进行有监督训练的训练样本包括在标注手掌图像中提取的目标区域的图像块，所述有监督训练的监督训练参数包括根据所述目标区域对应的扩展区域的扩展图像块生成的关键特征分布图；

基于所述特征热力分布图以及所述预测关键特征进行所述手掌图像的图像处理，以根据图像处理结果对所述待识别用户进行核身处理。

Images