一种掌静脉识别方法、装置、计算机设备及存储介质与流程

本技术涉及人工智能的图像处理，尤其涉及一种掌静脉识别方法、装置、计算机设备及存储介质。

背景技术：

1、生物识别领域中目前最主要的是指纹掌纹等表面特征的识别产品，其缺点是可靠性低，容易复制。而目前可靠性较高的识别技术一一虹膜识别技术，一是由于要人眼睛部位靠近识别，接受程度较低；二是其价格太高，无法进行大规模的推广。而本产品使用的最新技术一一掌静脉识别技术方案，为第三代生物识别技术，具有活体识别、内部特征、非接触式及安全等级高等优点，能有效的解决上述问题。

2、现有一种掌静脉识别方法，即将整个掌静脉作为全局的描述，将掌静脉图像投影到子空间抽取特征矢量，例如利用特征识别方法进行掌静脉匹配，通过掌纹和掌静脉图像融合而成的拉普拉斯手掌特征图像进行全局匹配，最后对掌静脉图像的局部结构特征进行提取。

3、然而，申请人发现，传统的掌静脉识别方法虽然有着较好的识别率，但是提取的特征维数较高，增加了计算时间，由此可见，传统的掌静脉识别方法存在特征提取耗时较长、算法时间复杂度较高、无法在低算力平台下实时运行的问题。

技术实现思路

1、本技术实施例的目的在于提出一种掌静脉识别方法、装置、计算机设备及存储介质，以解决传统的掌静脉识别方法存在特征提取耗时较长、算法时间复杂度较高、无法在低算力平台下实时运行的问题。

2、为了解决上述技术问题，本技术实施例提供一种掌静脉识别方法，采用了如下所述的技术方案：

3、接收用户终端发送的待识别掌静脉图像；

4、将所述待识别掌静脉图像输入至训练好的掌静脉特征提取模型进行掌静脉特征提取操作，得到目标掌静脉图像，其中，所述掌静脉特征提取模型由4个卷积层、3个prelu层以及1个reshape层组成；

5、向所述用户终端输出所述目标掌静脉图像。

6、进一步的，所述将所述待识别掌静脉图像输入至训练好的掌静脉特征提取模型进行掌静脉特征提取操作，得到目标掌静脉图像的步骤，具体包括下述步骤：

7、对所述待识别掌静脉图像进行第一卷积操作，得到第一卷积图像：

8、对所述第一卷积图像进行第一prelu操作，得到第一斜率数据；

9、对所述第一斜率数据进行第二卷积操作，得到第二卷积图像；

10、对所述第二卷积图像进行第二prelu操作，得到第二斜率数据；

11、对所述第二斜率数据进行第三卷积操作，得到第三卷积图像；

12、对所述第三卷积图像进行第三prelu操作，得到第三斜率数据；

13、对所述第三斜率数据进行第四卷积操作，得到第四卷积图像；

14、对所述第四卷积图像进行第五卷积操作，得到第五卷积图像；

15、对所述第五卷积图像进行转换操作，得到所述目标掌静脉图像。

16、进一步的，在所述将所述待识别掌静脉图像输入至训练好的掌静脉特征提取模型进行掌静脉特征提取操作，得到目标掌静脉图像的步骤之前，还包括下述步骤：

17、获取模型训练数据，其中，所述模型训练数据包括相同掌静脉训练图像集以及异常掌静脉训练图像集；

18、调用原始掌静脉特征提取模型，并将所述相同掌静脉训练图像集输入至所述原始掌静脉特征提取模型进行模型训练操作，直至所述训练得到的输出数据的cos相似度满足预设的第一相似度阈值时，得到中间掌静脉特征提取模型；

19、将所述cos相似度输入至所述中间掌静脉特征提取模型进行模型训练操作，直至所述训练得到的输出数据的cos相似度满足预设的第二相似度阈值时，得到所述训练好的掌静脉特征提取模型。

20、为了解决上述技术问题，本技术实施例还提供一种掌静脉识别装置，采用了如下所述的技术方案：

21、图像获取模块，用于接收用户终端发送的待识别掌静脉图像；

22、特征提取模块，用于将所述待识别掌静脉图像输入至训练好的掌静脉特征提取模型进行掌静脉特征提取操作，得到目标掌静脉图像，其中，所述掌静脉特征提取模型由4个卷积层、3个prelu层以及1个reshape层组成；

23、图像输出模块，用于向所述用户终端输出所述目标掌静脉图像。

24、进一步的，所述特征提取模块包括：

25、第一卷积子模块，用于对所述待识别掌静脉图像进行第一卷积操作，得到第一卷积图像；

26、第一prelu子模块，用于对所述第一卷积图像进行第一prelu操作，得到第一斜率数据；

27、第二卷积子模块，用于对所述第一斜率数据进行第二卷积操作，得到第二卷积图像；

28、第二prelu子模块，用于对所述第二卷积图像进行第二prelu操作，得到第二斜率数据；

29、第三卷积子模块，用于对所述第二斜率数据进行第三卷积操作，得到第三卷积图像；

30、第三prelu子模块，用于对所述第三卷积图像进行第三prelu操作，得到第三斜率数据；

31、第四卷积子模块，用于对所述第三斜率数据进行第四卷积操作，得到第四卷积图像；

32、第五卷积子模块，用于对所述第四卷积图像进行第五卷积操作，得到第五卷积图像；

33、转换子模块，用于对所述第五卷积图像进行转换操作，得到所述目标掌静脉图像。

34、进一步的，所述装置还包括：

35、训练数据获取模块，用于获取模型训练数据，其中，所述模型训练数据包括相同掌静脉训练图像集以及异常掌静脉训练图像集；

36、第-模型训练模块，用于调用原始掌静脉特征提取模型，并将所述相同掌静脉训练图像集输入至所述原始掌静脉特征提取模型进行模型训练操作，直至所述训练得到的输出数据的co s相似度满足预设的第一相似度阈值时，得到中间掌静脉特征提取模型；

37、第二模型训练模块，用于将所述cos相似度输入至所述中间掌静脉特征提取模型进行模型训练操作，直至所述训练得到的输出数据的cos相似度满足预设的第二相似度阈值时，得到所述训练好的掌静脉特征提取模型。

38、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

39、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，所述处理器执行所述计算机可读指令时实现如上所述的掌静脉识别方法的步骤。

40、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

41、所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的掌静脉识别方法的步骤。

42、本技术提供了一种掌静脉识别方法，包括：接收用户终端发送的待识别掌静脉图像；将所述待识别掌静脉图像输入至训练好的掌静脉特征提取模型进行掌静脉特征提取操作，得到目标掌静脉图像，其中，所述掌静脉特征提取模型由4个卷积层、3个prelu层以及1个reshape层组成；向所述用户终端输出所述目标掌静脉图像。与现有技术相比，本技术采用由4个卷积层、3个prelu层以及1个reshape层组成的掌静脉特征提取模型进行掌静脉特征提取，该模型结构简单、需要的参数量更小、计算量小，从而可以高效的完成特征提取的操作。