[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

说明书

本发明公开了一种手掌关键点的识别方法，包括：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；根据损失函数值与目标输出值调整神经网络模型的权重，直至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，将目标手掌图片输入目标神经网络模型中，识别出对应的手掌关键点。本发明还提供一种手掌关键点的识别装置、终端及可读存储介质，本发明提出的技术方案基于神经网络对手掌关键点进行识别，能够提高目标神经网络模型的手掌关键点的识别准确性，并且，能够减少处理步骤。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种手掌关键点的识别方法、装置、终端及可读存储介质。

背景技术

图像形变、光照等都将会影响手掌关键点识别的准确性，常用的局部卷积神经网络(如FRCNN网络)识别手掌关键点的准确性与图像本身的分辨率有关，且识别关键点之前需要采用其他深度学习方法来获取手掌的范围，处理步骤繁琐，且识别方法的准确性不高。

因此，现有手掌关键点的识别方法处理步骤繁琐且准确性不高是一种亟待解决的问题。

发明内容

本发明的主要目的在于提供一种手掌关键点的识别方法、装置、终端及可读存储介质，旨在解决现有的手掌关键点的识别方法处理步骤繁琐且准确性不高的技术问题。

为实现上述目的，本发明提供一种手掌关键点的识别方法，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。

优选地，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。

优选地，所述损失函数为：

其中，ω为权重。

优选地，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。

优选地，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；