一种基于人工智能的掌纹识别方法及系统技术方案

本发明专利技术公开一种基于人工智能的掌纹识别方法，涉及图像处理技术领域。针对现有识别速度慢且识别精确度不高的问题，采用技术方案包括：S1、建立数据集；S2、对数据集中的掌纹图片进行预处理，完成对数据集的标注；S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；S4、使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型；S5、通过级联神经网络模型对员工进行身份识别，快速且高精确的获得员工身份信息。本发明专利技术还公开一种基于人工智能的掌纹识别系统，其与前述掌纹识别方法相结合，实现掌纹的快速且高精确度识别。

A Palmprint Recognition Method and System Based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的掌纹识别方法及系统
本专利技术涉及图像处理
，具体的说是一种基于人工智能的掌纹识别方法及系统。
技术介绍
目前公司用于员工的身份识别方法多种多样，如指纹识别、人脸识别等，但是传统的指纹识别需要将手指按压在识别板且识别速度较慢，而人脸识别使用机器学习的深度学习技术识别速度较快但是人脸的特征不明显在有些情况下无法做到精确识别，会出现误差。因此，如何专利技术一种识别速度和识别精确度都得到满足的识别技术就成了急需解决的技术问题。
技术实现思路
本专利技术针对目前技术发展的需求和不足之处，提供一种基于人工智能的掌纹识别方法及系统，提高识别速度的同时提高识别精确度。首先，本专利技术公开一种基于人工智能的掌纹识别方法，解决上述技术问题采用的技术方案如下：一种基于人工智能的掌纹识别方法，掌纹识别方法的实现过程包括：S1、建立数据集：将公司数据库中的员工信息和收集到的员工掌纹图片进行处理，形成数据集；S2、对数据集中的掌纹图片进行预处理，完成对数据集的标注；S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；S4、使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型；S5、通过级联神经网络模型对员工进行身份识别，获得员工身份信息。可选的，在步骤S2中，对数据集中的掌纹图片进行预处理，具体预处理操作为：S201、进行数据集标注工作：将每个掌纹的图片标注上对应的员工编号、身份信息，并对每个掌纹进行one-hot编码处理定性特征；S202、对数据集中的图片进行灰度化、降噪、二值化、字符切分以及归一化处理。可选的，在步骤S3中，建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型，具体操作为：S301、选择三个独立的卷积神经网络，三个独立的卷积神经网络分别称为第一层卷积神经网络、第二层卷积神经网络、第三层卷积神经网络，三个独立的卷积神经网络均由卷积层、池化层和全连接层组成，将这三个独立的卷积神经网络依次组合构成级联深度神经网络模型；S302、第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，获得提取后的特征图；S303、第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层，其中，只有两层由池化层完成特征图降维，1x1的卷积用于降低特征图纬度，减少计算量；S304、第三层卷积神经网络使用五层3x3卷积、三层全连接层，得到的特征图经过五层3x3卷积和三层全连接层，将最后得到的低维特征图与数据库中存储的掌纹图片特征图进行对比，相似度最大的就是该掌纹所属员工。可选的，在步骤S4中，使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型，进行训练时，将数据集使用十折交叉验证方法划分，使用小批量梯度下降算法训练级联深度神经网络模型，得到级联深度神经网络模型的计算错误率，根据错误率选择最优的级联深度神经网络模型。可选的，使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型，具体训练流程包括：S401、使用掌纹图片作为训练样本，将训练集按照1:5划分成训练测试集和验证集；S402、训练测试集使用十折交叉验证法进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；S403、训练过程使用训练集和测试集训练级联深度神经网络模型；S404、使用投票法进行投票得到预测结果，使用验证集计算得到级联深度神经网络模型的准确率；S405、根据计算所得准确率来选择最优的级联深度神经网络模型。可选的，在步骤S5中，通过级联神经网络模型对员工进行身份识别，具体识别步骤包括：S501、员工将手掌放入摄像头下，通过级联神经网络模型进行采样，得到级联神经网络模型处理后的低维特征图；S502、使用python脚本查询数据库寻找与该特征图相似度最大的员工，将相似度最大的员工的信息返回给验证界面，如果没有通过验证则验证界面显示未通过，否则显示员工编号和身份信息。其次，本专利技术还公开一种基于人工智能的掌纹识别系统，其结构包括：数据集建立模块，用于收集公司数据库中的员工信息和员工掌纹图片，进行处理后存储到数据集中；图片预处理模块，用于对数据集中的掌纹图片进行预处理，完成对数据集的标注；级联深度神经网络模型建立模块，用于将多个独立的卷积深度神经网络组合构建为级联深度神经网络模型；级联深度神经网络模型训练模块，用于使用标注完成的数据集训练级联深度神经网络模型；识别显示模块，用于扫描员工手掌并获取级联神经网络模型的识别信息，随后通过查询数据库得到员工详细信息并显示。具体的，所涉及级联深度神经网络模型建立模块选取三个独立的卷积神经网络，三个独立的卷积神经网络分别称为第一层卷积神经网络、第二层卷积神经网络、第三层卷积神经网络，第一层卷积神经网络、第二层卷积神经网络、第三层卷积神经网络顺序组合构成级联深度神经网络模型；三个独立的卷积神经网络均由卷积层、池化层和全连接层组成；第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，随后获得提取后的特征图；第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层，其中，只有两层由池化层完成特征图降维，1x1的卷积用于降低特征图纬度，减少计算量；第三层卷积神经网络使用五层3x3卷积、三层全连接层，得到的特征图经过五层3x3卷积和三层全连接层，将最后得到的低维特征图与数据库中存储的掌纹图片特征图进行对比，相似度最大的就是该掌纹所属员工。具体的，所涉及级联深度神经网络模型训练模块将数据集使用十折交叉验证方法划分，随后使用小批量梯度下降算法训练级联深度神经网络模型，最后得到级联深度神经网络模型的计算错误率，根据错误率选择最优的级联深度神经网络模型。具体的，所涉及识别显示模块包括：扫描子模块，用于扫描员工的手掌，得到级联神经网络模型处理后的低维特征图；查询子模块，用于使用python脚本查询数据库，以寻找与该特征图相似度最大的员工；验证显示子模块，用于将相似度最大的员工的信息返回给验证界面进行验证，如果没有通过验证则验证界面显示未通过，否则显示员工编号和身份信息。本专利技术的一种基于人工智能的掌纹识别方法及系统，与现有技术相比具有的有益效果是：1)本专利技术在深度神经网络的基础上构建级联深度神经网络模型，通过对级联深度神经网络模型进行训练，实现对员工掌纹的自动识别，识别速度快、精度高；2)本专利技术的级联深度神经网络模型由多个独立的卷积神经网络组合构成，可以对员工掌纹信息进行处理并输出低位特征图，同时，后一层卷积神经网络可以在前一层卷积神经网络的基础上完成更精确的预测和分类，再次提高识别精确度。附图说明附图1是本专利技术实施例一的流程框图；附图2是本专利技术实施例二的连接框图。附图2中各标号信息表示：10、数据集建立模块，20、图片预处理模块，30、级联深度神经网络模型，40、级联深度神经网络模型建立模块，50、级联深度神经网络模型训练模块，60、识别显示模块；31、第一层卷积神经网络，32、第二层卷积神经网络，33、第三层卷积神经网络；61、扫描子模块，62、查询子模块，63、验证显示子模块。具体实施方式为使本专利技术的技术方案、解决的技术问题和技术效果更加清楚明白，以下本文档来自技高网...

【技术保护点】
1.一种基于人工智能的掌纹识别方法，其特征在于,所述掌纹识别方法的实现过程包括：S1、建立数据集：将公司数据库中的员工信息和收集到的员工掌纹图片进行处理，形成数据集；S2、对数据集中的掌纹图片进行预处理，完成对数据集的标注；S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；S4、使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型；S5、通过级联神经网络模型对员工进行身份识别，获得员工身份信息。

【技术特征摘要】
1.一种基于人工智能的掌纹识别方法，其特征在于,所述掌纹识别方法的实现过程包括：S1、建立数据集：将公司数据库中的员工信息和收集到的员工掌纹图片进行处理，形成数据集；S2、对数据集中的掌纹图片进行预处理，完成对数据集的标注；S3、建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型；S4、使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型；S5、通过级联神经网络模型对员工进行身份识别，获得员工身份信息。2.根据权利要求1所述的一种基于人工智能的掌纹识别方法，其特征在于，在步骤S2中，对数据集中的掌纹图片进行预处理，具体预处理操作为：S201、进行数据集标注工作：将每个掌纹的图片标注上对应的员工编号、身份信息，并对每个掌纹进行one-hot编码处理定性特征；S202、对数据集中的图片进行灰度化、降噪、二值化、字符切分以及归一化处理。3.根据权利要求1所述的一种基于人工智能的掌纹识别方法，其特征在于，在步骤S3中，建立由多个独立的卷积深度神经网络构成的级联深度神经网络模型，具体操作为：S301、选择三个独立的卷积神经网络，三个独立的卷积神经网络分别称为第一层卷积神经网络、第二层卷积神经网络、第三层卷积神经网络，三个独立的卷积神经网络均由卷积层、池化层和全连接层组成，将这三个独立的卷积神经网络依次组合构成级联深度神经网络模型；S302、第一层卷积神经网络使用三层5x5的卷积、三层3x3的卷积和两层全连接层完成图像信息的特征提取，获得提取后的特征图；S303、第二层卷积神经网络使用五层3x3的卷积、四层1x1的卷积和2层全连接层，其中，只有两层由池化层完成特征图降维，1x1的卷积用于降低特征图纬度，减少计算量；S304、第三层卷积神经网络使用五层3x3卷积、三层全连接层，得到的特征图经过五层3x3卷积和三层全连接层，将最后得到的低维特征图与数据库中存储的掌纹图片特征图进行对比，相似度最大的就是该掌纹所属员工。4.根据权利要求3所述的一种基于人工智能的掌纹识别方法，其特征在于，在步骤S4中，使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型，进行训练时，将数据集使用十折交叉验证方法划分，使用小批量梯度下降算法训练级联深度神经网络模型，得到级联深度神经网络模型的计算错误率，根据错误率选择最优的级联深度神经网络模型。5.根据权利要求4所述的一种基于人工智能的掌纹识别方法，其特征在于，使用步骤S2中标注完成的数据集训练步骤S3中的级联深度神经网络模型，具体训练流程包括：S401、使用掌纹图片作为训练样本，将训练集按照1:5划分成训练测试集和验证集；S402、训练测试集使用十折交叉验证法进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；S403、训练过程使用训练集和测试集训练级联深度神经网络模型；S404、使用投票法进行投票得到预测结果，使用验证集计算得到级联深度神经网络模型的准确率；...

【专利技术属性】
技术研发人员：戴鸿君，计晓贇，于治楼，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东,37