【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。