一种掌静脉识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种掌静脉识别方法、装置、设备及存储介质，该方法包括：通过相机拍摄手掌图像，并通过预先训练的手掌检测模型从手掌图像中识别出第一手掌区域；在确定第一手掌区域的目标亮度值不满足预设亮度范围的情况下，根据目标亮度值调节相机的曝光，并通过相机拍摄下一张手掌图像；在确定第一手掌区域的目标亮度值满足预设亮度范围的情况下，从手掌图像中识别出第二手掌区域；从第二手掌区域中提取掌静脉特征，以根据掌静脉特征确定对应的身份信息。通过上述技术手段，通过检测手掌图像中的手掌区域，根据手掌区域的亮度值调整相机曝光，以便快速采集到亮度合适的手掌图像进行掌静脉识别，提高了识别效率，解决了现有技术中掌静脉识别所需时间较长的问题。掌静脉识别所需时间较长的问题。掌静脉识别所需时间较长的问题。

【技术实现步骤摘要】
一种掌静脉识别方法、装置、设备及存储介质


[0001]本申请实施例涉及生物识别
，尤其涉及一种掌静脉识别方法、装置、设备及存储介质。

技术介绍

[0002]随着掌静脉识别技术的快速发展，掌静脉识别技术被广泛应用到各种验证个人身份的系统，例如安保系统、门禁系统、地铁系统和签到系统等。相比于指纹和瞳孔等生物识别技术，掌静脉识别技术不仅可以做到非接触式识别，而且难以造假，安全等级更高。
[0003]在现有技术中，通过相机拍摄用户的手掌图像后，先基于手掌检测模型从手掌图像中检测出手掌区域，并从手掌区域中识别出掌静脉特征，以根据掌静脉特征确定用户身份。但是手掌图像的亮度受到环境光、手掌高度、手掌皮肤和血管的光学特性以及相机曝光值等诸多因素影响，手掌区域容易出现过暗或过亮的情况，不利于从手掌区域中准确提取掌静脉特征，导致系统无法识别用户身份。用户需要多次调整手部姿势才能拍出亮度合适的手掌图像，才能基于该手掌图像确定出用户身份，身份识别所需的时间较长，识别效率较低。

技术实现思路

[0004]本申请实施例提供一种掌静脉识别方法、装置、设备及存储介质，通过检测手掌图像中的手掌区域，根据手掌区域的亮度值调整相机曝光，以便快速采集到亮度合适的手掌图像进行掌静脉识别，提高了识别效率，解决了现有技术中掌静脉识别所需时间较长的问题。
[0005]第一方面，本申请实施例提供了一种掌静脉识别方法，包括：
[0006]通过相机拍摄手掌图像，并通过预先训练的手掌检测模型从所述手掌图像中识别出第一手掌区域；
[0007]在确定所述第一手掌区域的目标亮度值不满足预设亮度范围的情况下，根据所述目标亮度值调节所述相机的曝光，并通过相机拍摄下一张手掌图像；
[0008]在确定所述第一手掌区域的目标亮度值满足预设亮度范围的情况下，从所述手掌图像中识别出第二手掌区域；
[0009]从所述第二手掌区域中提取掌静脉特征，以根据所述掌静脉特征确定对应的身份信息。
[0010]进一步的，所述手掌检测模型为YOLOv5模型，所述YOLOv5模型包括卷积神经网络、路径聚合网络和YOLO层；
[0011]相应的，所述通过预先训练的手掌检测模型从所述手掌图像中识别出第一手掌区域，包括：
[0012]将所述手掌图像调整至预设尺寸，并将调整后的手掌图像输入所述卷积神经网络，得到所述卷积神经网络输出第一特征图像；
[0013]将所述第一特征图像输入所述路径聚合网络，得到所述路径聚合网络输出的第二特征图像；
[0014]将所述第二特征图像输入所述YOLO层，得到所述YOLO层输出的锚框坐标；
[0015]将所述锚框坐标映射到所述手掌图像中，确定所述手掌图像中的所述第一手掌区域。
[0016]进一步的，所述预设尺寸为96
×
96，所述手掌检测模型的锚框尺寸包括[27，29]、[33，40]和[42，46]。。
[0017]进一步的，所述YOLO层包括三个卷积层，所述三个卷积层的通道数分别为24、48和96。
[0018]进一步的，所述手掌检测模型的网络深度增益为0.33，所述手掌检测模型的卷积通道增益为0.09。
[0019]进一步的，在所述通过相机拍摄手掌图像之前，还包括：
[0020]获取训练样本集，所述训练样本集包括正样本图像和负样本图像；
[0021]将所述正样本图像或所述负样本图像输入所述手掌检测模型，得到所述手掌检测模型输出的检测结果；
[0022]根据所述检测结果、对应样本图像的标记区域和预设交并比，确定损失值；
[0023]根据所述损失值调整所述手掌检测模型的参数。
[0024]进一步的，所述根据所述目标亮度值调节所述相机的曝光，包括：
[0025]根据所述预设亮度范围确定期望亮度值；
[0026]基于预设的曝光值计算公式确定期望曝光值，并将所述相机的曝光调整至所述期望曝光值；所述曝光值计算公式为：
[0027]E
n
＝E
o
*(1+Gap*ratio)
[0028]其中，E
n
为所述期望曝光值，E
o
为相机当前的曝光值，Gap为所述目标亮度值与所述期望亮度值的差值；ratio为常量参数。
[0029]第二方面，本申请实施例提供了一种掌静脉识别装置，包括：
[0030]第一手掌检测模块，被配置为通过相机拍摄手掌图像，并通过预先训练的手掌检测模型从所述手掌图像中识别出第一手掌区域；
[0031]曝光调节模块，被配置为在确定所述第一手掌区域的目标亮度值不满足预设亮度范围的情况下，根据所述目标亮度值调节所述相机的曝光，并通过相机拍摄下一张手掌图像；
[0032]第二手掌检测模块，被配置为在确定所述第一手掌区域的目标亮度值满足预设亮度范围的情况下，从所述手掌图像中识别出第二手掌区域；
[0033]掌静脉识别模块，被配置为从所述第二手掌区域中提取掌静脉特征，以根据所述掌静脉特征确定对应的身份信息。
[0034]进一步的，所述手掌检测模型为YOLOv5模型，所述YOLOv5模型包括卷积神经网络、路径聚合网络和YOLO层；相应的，第一手掌检测模块包括：
[0035]第一特征提取单元，被配置为将所述手掌图像调整至预设尺寸，并将调整后的手掌图像输入所述卷积神经网络，得到所述卷积神经网络输出第一特征图像；
[0036]第二特征提取单元，被配置为将所述第一特征图像输入所述路径聚合网络，得到
所述路径聚合网络输出的第二特征图像；
[0037]目标检测单元，被配置为将所述第二特征图像输入所述YOLO层，得到所述YOLO层输出的锚框坐标；
[0038]坐标映射单元，被配置为将所述锚框坐标映射到所述手掌图像中，确定所述手掌图像中的所述第一手掌区域。
[0039]进一步的，所述预设尺寸为96
×
96，所述手掌检测模型的锚框尺寸包括[27，29]、[33，40]和[42，46]。
[0040]进一步的，所述YOLO层包括三个卷积层，所述三个卷积层的通道数分别为24、48和96。
[0041]进一步的，所述手掌检测模型的网络深度增益为0.33，所述手掌检测模型的卷积通道增益为0.09。
[0042]进一步的，所述掌静脉识别装置还包括训练模块，所述训练模块包括：
[0043]样本获取单元，被配置为获取训练样本集，所述训练样本集包括正样本图像和负样本图像；
[0044]样本预测单元，被配置为将所述正样本图像或所述负样本图像输入所述手掌检测模型，得到所述手掌检测模型输出的检测结果；
[0045]损失值确定单元，被配置为根据所述检测结果、对应样本图像的标记区域和预设交并比，确定损失值；
[0046]参数调整单元，被配置为根据所述损失值调整所述手掌检测模型的参数。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种掌静脉识别方法，其特征在于，包括：通过相机拍摄手掌图像，并通过预先训练的手掌检测模型从所述手掌图像中识别出第一手掌区域；在确定所述第一手掌区域的目标亮度值不满足预设亮度范围的情况下，根据所述目标亮度值调节所述相机的曝光，并通过相机拍摄下一张手掌图像；在确定所述第一手掌区域的目标亮度值满足预设亮度范围的情况下，从所述手掌图像中识别出第二手掌区域；从所述第二手掌区域中提取掌静脉特征，以根据所述掌静脉特征确定对应的身份信息。2.根据权利要求1所述的方法，其特征在于，所述手掌检测模型为YOLOv5模型，所述YOLOv5模型包括卷积神经网络、路径聚合网络和YOLO层；相应的，所述通过预先训练的手掌检测模型从所述手掌图像中识别出第一手掌区域，包括：将所述手掌图像调整至预设尺寸，并将调整后的手掌图像输入所述卷积神经网络，得到所述卷积神经网络输出第一特征图像；将所述第一特征图像输入所述路径聚合网络，得到所述路径聚合网络输出的第二特征图像；将所述第二特征图像输入所述YOLO层，得到所述YOLO层输出的锚框坐标；将所述锚框坐标映射到所述手掌图像中，确定所述手掌图像中的所述第一手掌区域。3.根据权利要求2所述的方法，其特征在于，所述预设尺寸为96
×
96，所述手掌检测模型的锚框尺寸包括[27，29]、[33，40]和[42，46]。4.根据权利要求2所述的方法，其特征在于，所述YOLO层包括三个卷积层，所述三个卷积层的通道数分别为24、48和96。5.根据权利要求2所述的方法，其特征在于，所述手掌检测模型的网络深度增益为0.33，所述手掌检测模型的卷积通道增益为0.09。6.根据权利要求2所述的方法，其特征在于，在所述通过相机拍摄手掌图像之前，还包括：获取训练样本集，所述训练样本集包括正样本图像和负样本图像；将所述正样本图像或所述负样本图像输入所述手掌检测模型，得到所述手掌...

【专利技术属性】
技术研发人员：埃德温，
申请(专利权)人：广州新科佳都科技有限公司广州佳都科技软件开发有限公司，
类型：发明
国别省市：