[发明专利]手掌关键点的识别方法、装置、终端及可读存储介质

权利要求书

1.一种手掌关键点的识别方法，其特征在于，所述手掌关键点的识别方法包括：

获取标有特征点的样本手掌图片，其中，所述样本手掌图片为灰度图片，特征点的热度为Tn，热度Tn为特征点的颜色从全黑到全白之间的级别；

将所述样本手掌图片输入神经网络模型中获取对应的目标输出值，所述目标输出值包括：特征点的局部卷积子网络输出结果Ln、内核卷积层中的内核函数K以及特征点的全局卷积子网络输出结果Gn；

将特征点的热度Tn、特征点的局部卷积子网络输出结果Ln、内核函数K、特征点的全局卷积子网络输出结果Gn以及预设的权重ω代入损失函数中进行计算得到损失函数值；

根据所述损失函数值与所述目标输出值调整所述神经网络模型的权重，直至所述损失函数值满足预设结束条件，得到目标神经网络模型；

获取目标手掌图片，将所述目标手掌图片输入所述目标神经网络模型中，识别出对应的手掌关键点。

2.如权利要求1所述的手掌关键点的识别方法，其特征在于，所述将所述样本手掌图片输入神经网络模型中获取对应的目标输出值的步骤包括：

将所述样本手掌图片输入神经网络模型中；

通过局部卷积子网络提取所述样本手掌图片的特征点的局部特征，输出为Ln；

通过内核卷积层将Ln传输至全局卷积子网络，内核函数为K；

通过全局卷积子网络对Ln进行聚合输出，输出为Gn；

获得对应的输出目标值P＝Ln*K+Gn。

3.如权利要求1所述的手掌关键点的识别方法，其特征在于，所述损失函数为：

其中，ω为权重。

4.如权利要求1所述的手掌关键点的识别方法，其特征在于，所述内核函数为：

其中，N为样本手掌图片的个数，s为高斯函数。

5.如权利要求1所述的手掌关键点的识别方法，其特征在于，所述根据所述损失函数值与所述目标输出值调整所述神经网络模型中的权重，直至所述损失函数满足预设结束条件，得到目标神经网络模型的步骤包括：

判断所述损失函数值是否大于预设阈值；

若所述损失函数值大于所述预设阈值，则获取预设目标值，并计算输出目标值与预设目标值之间的响应误差；

将所述样本手掌图片的数据与所述响应误差相乘求取权重的梯度；

将所述梯度与训练因子相乘后取反并将其与所述权重相加以更新所述权重，直至所述损失函数值小于或等于预设阈值，将所述损失函数值小于或等于预设阈值时对应的神经网络模型作为目标神经网络模型。

6.如权利要求1所述的手掌关键点的识别方法，其特征在于，所述获取目标手掌图片，将所述目标手掌图片输入所述目标神经网络模型中，得到对应的手掌关键点的步骤之后，还包括：

根据手掌关键点对所述目标手掌图片进行分割，得到与所述目标手掌图片对应的手掌特征图；

将所述手掌特征图与数据库中已保存的特征图进行匹配查询，获得匹配的特征图；

根据匹配的特征图查找到对应的人员信息。

7.如权利要求1-6中任一项所述的手掌关键点的识别方法，其特征在于，所述根据所述损失函数值与所述目标输出值调整所述神经网络模型的权重，直至所述损失函数值满足预设结束条件，得到目标神经网络模型的步骤之后，还包括：

获取预设的验证图片，并将所述验证图片输入所述目标神经网络模型，识别出验证图片对应的手掌关键点；

将验证图片对应的手掌关键点与预设的正确的手掌关键点进行对比获得识别出的手掌关键点的准确率；

判断所述准确率是否小于预设的达标准确率；

若所述准确率小于预设的达标准确率，则修改所述预设结束条件来进行重新训练。