一种掌静脉检测模型建模方法、掌静脉检测方法及装置制造方法及图纸

本申请提供了一种掌静脉检测模型建模方法、掌静脉检测方法及装置，其中建模方法包括：获取掌静脉训练图像；将掌静脉训练图像输入至掌静脉检测初始模型，对掌静脉检测初始模型进行模型训练，其中，掌静脉检测初始模型中包括：HOA算法模块；基于掌静脉检测初始模型输出的预测值和预置的标签值的误差，对掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。本申请通过采用包含HOA算法模块的神经网络模型，在原模型结构上引入HOA模块。通过HOA算法模块的抑制深度网络偏颇学习行为，增强深度特征的注意力丰富性，使训练出来的模型具有更强的辨别能力，从而提高防伪准确率，解决了现有的活体检测模型防伪识别性能差的技术问题。

A model building method, a method and a device for detecting palmar vein

【技术实现步骤摘要】
一种掌静脉检测模型建模方法、掌静脉检测方法及装置
本申请涉及掌静脉识别
，尤其涉及一种掌静脉检测模型建模方法、掌静脉检测方法及装置。
技术介绍
手掌静脉识别是一种利用人体手掌部静脉血管的分布信息进行个人身份鉴别的生物特征识别技术。掌静脉位于皮肤表皮下，具有活体有效性，且人手平时处于半握拳状态，掌静脉信息不容易被窃取，具有较高的安全性；同时，掌静脉又包含丰富的个人信息，具有较高的身份辨别能力，常用于公共安全、商业金融等对安全级别要求较高的场合。现有的掌静脉检测模型通常是采用由单一神经网络训练出来的检测模型进行掌静脉的活体检测，因为单一神经网络训练的检测模型结构相对简单，导致了现有的活体检测模型防伪识别性能差的技术问题。
技术实现思路
本申请提供了一种掌静脉检测模型建模方法、掌静脉检测方法及装置，用于解决现有的活体检测模型防伪识别性能差的技术问题。有鉴于此，本申请第一方面提供了一种掌静脉检测模型建模方法，包括：获取掌静脉训练图像；将所述掌静脉训练图像输入至掌静脉检测初始模型，对所述掌静脉检测初始模型进行模型训练，其中，所述掌静脉检测初始模型中包括：HOA算法模块；基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。可选地，所述基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型具体包括：基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型的模型权值进行更新，直至所述掌静脉检测初始模型输出的预测值和所述标签值的误差达到最小，得到掌静脉检测模型。可选地，所述HOA算法模块具体为一阶HOA算法模块或多阶HOA算法模块。本申请第二方面提供了一种掌静脉检测方法，包括：获取掌静脉样本图像；将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，并输出检测结果；其中，所述掌静脉检测模型为通过如本申请第一方面所述的掌静脉检测模型建模方法得到的模型。可选地，所述将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，并输出检测结果具体包括：将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，若所述掌静脉检测模型输出的预测值大于预置的判定阈值，则输出掌静脉检测结果为真，若否，则输出掌静脉检测结果为假。本申请第三方面提供了一种掌静脉检测模型建模装置，包括：训练图像获取单元，用于获取掌静脉训练图像；模型训练单元，用于将所述掌静脉训练图像输入至掌静脉检测初始模型，对所述掌静脉检测初始模型进行模型训练，其中，所述掌静脉检测初始模型中包括：HOA算法模块；模型优化单元，用于基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。可选地，所述模型优化单元具体用于：基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型的模型权值进行更新，直至所述掌静脉检测初始模型输出的预测值和所述标签值的误差达到最小，得到掌静脉检测模型。可选地，所述HOA算法模块具体为一阶HOA算法模块或多阶HOA算法模块。本申请第四方面提供了一种掌静脉检测装置，包括：样本图像获取单元，用于获取掌静脉样本图像；掌静脉检测单元，用于将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，并输出检测结果；其中，所述掌静脉检测模型为通过如本申请第三方面所述的掌静脉检测模型建模装置构建的模型。可选地，所述掌静脉检测单元具体用于：将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，若所述掌静脉检测模型输出的预测值大于预置的判定阈值，则输出掌静脉检测结果为真，若否，则输出掌静脉检测结果为假。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种掌静脉检测模型建模方法、掌静脉检测方法及装置，其中建模方法包括：获取掌静脉训练图像；将掌静脉训练图像输入至掌静脉检测初始模型，对掌静脉检测初始模型进行模型训练，其中，掌静脉检测初始模型中包括：HOA算法模块；基于掌静脉检测初始模型输出的预测值和预置的标签值的误差，对掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。本申请通过采用包含HOA算法模块的神经网络模型，在原模型结构上引入HOA模块。通过HOA算法模块的抑制深度网络偏颇学习行为，增强深度特征的注意力丰富性，使训练出来的模型具有更强的辨别能力，从而提高防伪准确率，解决了现有的活体检测模型防伪识别性能差的技术问题。附图说明为了更清楚地说明本申请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申请的一些实施例，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它的附图。图1为本申请提供的一种掌静脉检测模型建模方法实施例的流程示意图；图2为本申请提供的一种掌静脉检测方法实施例的流程示意图；图3为本申请提供的一种掌静脉检测模型建模装置实施例的结构示意图；图4为本申请提供的一种掌静脉检测装置实施例的结构示意图；图5为本申请提供的一种掌静脉检测模型建模方法的一阶HOA模块图；图6为本申请提供的一种掌静脉检测模型建模方法的三阶HOA模块图。具体实施方式本申请实施例提供了一种掌静脉检测模型建模方法、掌静脉检测方法及装置，用于解决现有的活体检测模型防伪识别性能差的技术问题。为使得本申请的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。请参阅图1，本申请第一个实施例提供了一种掌静脉检测模型建模方法，包括：步骤101、获取掌静脉训练图像；需要说明的是，在实施例本实施例提供的建模方法前，首先要获取模型训练所需的掌静脉训练图像。步骤102、将掌静脉训练图像输入至掌静脉检测初始模型，对掌静脉检测初始模型进行模型训练。其中，掌静脉检测初始模型中包括：HOA算法模块。需要说明的是，在获取到掌静脉训练图像后，将将掌静脉训练图像输入至掌静脉检测初始模型，对掌静脉检测初始模型进行模型训练。步骤103、基于掌静脉检测初始模型输出的预测值和预置的标本文档来自技高网...

【技术保护点】
1.一种掌静脉检测模型建模方法，其特征在于，包括：/n获取掌静脉训练图像；/n将所述掌静脉训练图像输入至掌静脉检测初始模型，对所述掌静脉检测初始模型进行模型训练，其中，所述掌静脉检测初始模型中包括：HOA算法模块；/n基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。/n

【技术特征摘要】
1.一种掌静脉检测模型建模方法，其特征在于，包括：
获取掌静脉训练图像；
将所述掌静脉训练图像输入至掌静脉检测初始模型，对所述掌静脉检测初始模型进行模型训练，其中，所述掌静脉检测初始模型中包括：HOA算法模块；
基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型。


2.根据权利要求1所述的掌静脉检测模型建模方法，其特征在于，所述基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型进行收敛优化，得到掌静脉检测模型具体包括：
基于所述掌静脉检测初始模型输出的预测值和预置的标签值的误差，对所述掌静脉检测初始模型的模型权值进行更新，直至所述掌静脉检测初始模型输出的预测值和所述标签值的误差达到最小，得到掌静脉检测模型。


3.根据权利要求1所述的掌静脉检测模型建模方法，其特征在于，所述HOA算法模块具体为一阶HOA算法模块或多阶HOA算法模块。


4.一种掌静脉检测方法，其特征在于，包括：
获取掌静脉样本图像；
将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，并输出检测结果；
其中，所述掌静脉检测模型为通过如权利要求1至3任意一项所述的掌静脉检测模型建模方法得到的模型。


5.根据权利要求4所述的掌静脉检测方法，其特征在于，所述将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，并输出检测结果具体包括：
将所述掌静脉样本图像输入至掌静脉检测模型，使得所述掌静脉检测模型对所述掌静脉样本图像进行检测，若所述掌静脉检测模型输出的预测值大于预置的判定阈值，则输出掌静脉检测结果为...

【专利技术属性】
技术研发人员：杨奇，陈书楷，
申请(专利权)人：厦门中控智慧信息技术有限公司，
类型：发明
国别省市：福建;35