[发明专利]一种手掌图像的检测方法及装置

权利要求书

1.一种手掌图像的检测方法，其特征在于，包括：

采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像；

在所述训练图像的图像像素范围内，根据随机函数计算的图像大小和像素点位置，截取所述训练图像中的子图像；

比较所述子图像和所述手掌图像，如果所述手掌图像完全包含在所述子图像中，则确定所述子图像为正样本图像，并统计所述正样本图像的正样本数量；

如果所述子图像不完全包含所述手掌图像，则确定所述子图像为负样本图像，并统计所述负样本图像的负样本数量；

如果所述正样本数量小于预置最小正样本数量，或所述负样本数量小于预置最小负样本数量，则再次截取所述训练图像中的子图像；

如果所述正样本数量不小于所述预置最小正样本数量，且所述负样本数量不小于所述预置最小负样本数量，则按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集；

通过基于区域的快速卷积神经网络Fast R-CNN模型训练所述样本训练集中的所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，所述图像特征包括形状、颜色和阴影；

根据所述权重参数，计算待测图像的特征向量值；

根据所述特征向量值，判断待测图像中是否包含所述手掌图像；

所述根据所述特征向量值，判断待测图像中是否包含所述手掌图像，包括：

如果所述特征向量值大于预置阈值，则确定所述待测图像中包含所述手掌图像；

如果所述特征向量值不大于所述预置阈值，则确定所述待测图像中不包含所述手掌图像。

2.如权利要求1所述的方法，其特征在于，所述采用实心掩膜标记训练图像中的手掌图像，并获取所述手掌图像，包括：

采用实心掩膜标记所述训练图像中的手掌图像；

获取所述训练图像中被所述实心掩膜标记的标记像素点的像素点坐标；

根据所述像素点坐标，生成掩膜矩阵；

将所述掩膜矩阵与所述训练图像做点乘运算，生成并获取所述手掌图像。

3.如权利要求1所述的方法，其特征在于，所述按照预置正负样本总数量和预置正负样本比率，提取所述正样本图像和所述负样本图像，生成样本训练集，包括：

在正样本库中保存所述正样本图像，在负样本库中保存所述负样本图像；

根据所述预置正负样本总数量和所述正负样本比率，按照预置规则从所述正样本库、所述负样本库中分别提取所述正样本图像、所述负样本图像，生成样本训练集。

4.如权利要求1所述的方法，其特征在于，所述通过基于区域的快速卷积神经网络FastR-CNN模型训练所述样本训练集中所述正样本图像和所述负样本图像，生成所述训练图像的图像特征的权重参数，包括：

在所述Fast R-CNN模型中，输入所述样本训练集中的正样本图像或负样本图像；

采用区域候选网络，计算并生成所述正样本图像或负样本图像的预置窗口数量的建议窗口；

将所述建议窗口映射到所述Fast R-CNN模型的feature map卷积层上；

将所述feature map卷积层与所述Fast R-CNN模型的RoI pooling层的每个矩形框ROI做卷积运算，生成固定尺寸的feature map；

联合训练所述固定尺寸的feature map的分类概率和边框回归，生成所述图像特征的权重参数。

5.如权利要求4所述的方法，其特征在于，所述联合训练所述固定尺寸的feature map的分类概率和边框回归，生成所述图像特征的权重参数，包括：

利用探测分类概率Softmax Loss和探测边框回归Smooth L1 Loss，分别对分类概率和边框回归联合训练所述固定尺寸的feature map，生成所述图像特征的权重参数。