一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质与流程

技术特征：
1.一种掌静脉检测模型的训练方法，其特征在于，包括：采用resnet网络和fpn网络组合形成的神经网络进行训练得到检测模型，其中，所述fpn网络包括自上至下进行逆卷积变换的第一特征金字塔和自下至上进卷积变换的第二特征金字塔，所述第一特征金字塔和所述第二特征金字塔具有与所述resnet网络相同数量且尺寸的特征层，除了最底层外，所述resnet网络的每一层分别连接至所述第一特征金字塔的相应层，且所述resnet网络的最底层分别连接至所述第一特征金字塔的最顶层和所述第二特征金字塔的最顶层。2.如权利要求1所述的掌静脉检测模型的训练方法，其特征在于，在训练之前，对训练图片进行裁剪和缩放。3.如权利要求1所述的掌静脉检测模型的训练方法，其特征在于，将所述resnet网络的卷积堆结构设置为[3,3,9,3]。4.如权利要求1所述的掌静脉检测模型的训练方法，其特征在于，在训练时，将所述检测模型的每个特征层中的卷积核的数量减少为原来的一半。5.如权利要求1所述的掌静脉检测模型的训练方法，其特征在于，在训练样本集中，将五个手指两两之间的最低点作为训练的检测关键点，将其回归的loss与掌静脉检测的loss进行合并，得到最终的loss。6.如权利要求5所述的掌静脉检测模型的训练方法，其特征在于，最终的loss值l的计算方式如下：其中，λ1和λ2分别代表不同损失的权重系数，为小于1的常数；l
cls
为掌静脉分类损失函数，p
i
和分别为预测和真实掌静脉分类；l
box
为掌静脉定位回归损失函数，t
i
和分别为预测和真实掌静脉方框坐标；l
pts
为掌静脉关键点回归损失函数，l
i
和分别为预测和真实掌静脉关键点坐标。7.如权利要求6所述的掌静脉检测模型的训练方法，其特征在于，掌静脉分类损失函数其中，n是输入的样本数或者实例的数量，i是某一个样本或者实例；m表示样本可能的分类数量，j表示某一个分类；表示某个样本i属于分类j的标签，p
ij
表示样本i预测为分类j的概率；掌静脉定位回归损失函数其中表示某个样本i的检测框第j个真实坐标位置，x
j
、y
j
表示某个样本i的检测框第j个预测坐标位置；掌静脉关键点回归损失函数其中表示某个样本i的第j个关键点真实坐标位置，x
j
、y
j
表示某个样本i的第j个关键点预测坐标位置。8.一种掌静脉检测模型，其特征在于，其通过如权利要求1-7任一项所述的掌静脉检测模型的训练方法训练得到。
9.一种存储介质，其特征在于，存储有计算机程序代码，所述计算机程序代码被执行时，实现如权利要求1-7任一项所述的掌静脉检测模型的训练方法。

技术总结
本发明提供了一种掌静脉检测模型的训练方法、掌静脉检测模型及存储介质，所述方法包括：采用resNet网络和FPN网络组合形成的神经网络进行训练得到检测模型，其中，所述FPN网络包括自上至下进行逆卷积变换的第一特征金字塔和自下至上进卷积变换的第二特征金字塔，所述第一特征金字塔和所述第二特征金字塔与所述resNet网络具有相同数量且尺寸的特征层，除了最底层外，所述resNet网络的每一层分别连接至所述第一特征金字塔的相应层，且所述resNet网络的最底层分别连接至所述第一特征金字塔的最顶层和所述第二特征金字塔的最顶层。采用本发明的技术方案，训练得到的掌静脉检测模型检测精度高。检测精度高。检测精度高。


技术研发人员：欧阳一村 陈海涛 龚小龙 陈雅琼 胡玲静 陈余泉 莫家源 朱光强
受保护的技术使用者：盛视科技股份有限公司
技术研发日：2022.08.01
技术公布日：2022/11/11