CN114373195B 光照场景自适应的手掌防伪方法、装置、设备和存储介质 （厦门熵基科技有限公司）

本申请提供了一种光照场景自适应的手掌伪模型是采用标记有光照场景信息和活体/非活体信息的图像样本对手掌防伪网络进行训练得一个尺度卷积网络用于处理一种光照场景的图2手掌防伪模型是采用标记有光照场景信息和活体/非活体信息的图像样本对手掌防伪网络根据所述类别概率值来判断所述待检测手掌图像是否将所述标记有光照场景信息和活体/非活体信息的图像样本输入至所述特征金字塔网对所述全局特征图进行光照场景的神经元激活，计算不同光照场根据所述分类损失函数值从多个尺度卷积网络中选择对所述手掌防伪网络的权重进行调整，直至实际分类结果与目标分获取多个初始手掌图像，从每个所述初始手掌图像提取目4.根据权利要求3所述的方法，其特征在于，分别采用所述光体信息对所述图像样本进行标记，以得到标记有光照场景信息和活体/非活体信息的图像分别采用所述光照场景信息和活体/非活体信息对所述图像样本进行标记，以得到标对所述初始图像样本进行光照亮度调整，并更新光照亮度调整后根据标记有光照场景信息和活体/非活体信息的初始图像样本和标记有光照场景信息采用所述图像样本的预设范围内图像来分别计算三个通道的平3根据三个通道的平均像素值来计算所述图像样本的将所述图像亮度值与预设亮度阈值进行比较，根据比较结果采用所对所述初始图像样本进行两次亮度调整，并对每一次光照亮度调整络；将所述标记有光照场景信息和活体/非活体信息的图像样本输入至所述特征金字塔网将所述标记有光照场景信息和活体/非活体信息的图像样本输入所述第四尺度卷积网根据选择最大类别概率值对应的分类类别作为所述待检测手掌图像的分类类根据所述待检测手掌图像的分类类别判断所述待检测手掌图像是否类别概率值输出模块，用于将所述目标区域手掌图输入至预先训练的手掌防伪模型，判断模块，用于根据所述类别概率值来判断所述待检测手掌图像是否为活体手掌图45的图像亮度相对均衡，而如果将考勤设备使用于强光照(例如太阳光逆光照射)的情况下，所述手掌防伪模型是采用标记有光照场景信息和活体/非活体信息的图像样本对手掌防伪信息的图像样本对手掌防伪网络进行训练得到的，所述手掌防伪网络包括特征金字塔网6照场景信息和活体/非活体信息的图像样本对手掌防伪网络进行训练得到的，手掌防伪网[0016]该光照场景自适应的手掌防伪方法，由于采用了标记有光照场景信息和活体/非活体信息(即已知光照场景以及是活体手掌还是非活体手掌)的图像样本来训练手掌防伪7备100执行本申请的光照场景自适应的手掌防伪方法，具体过程请参照光照场景自适应的对终端设备的数量和类型不加以限定。终端设备100可以用来执行本申请实施例中提供的[0031]在一种可选的实施方式中，该应用场景包括本申请实施例提供的终端设备100之8[0039]其中，手掌防伪模型是采用标记有光照场景信息和活体/非活体信息的图像样本或多个网络结构或函数来求得实际输出值，并根据目标输出值和实际输出值来计算偏量，[0041]而本实施例中的手掌防伪模型的训练实际上为：将有光照场景信息和活体/非活9[0050]然后将手掌特征继续输入手掌活体分类器中进行活体预测，输出手掌真(即活户外活体)Phw_l、强光照场景非活体(即户外假体)Phw_f、正常光照场景活体(即室内活体)lf[0055]本申请实施例提供的光照场景自适应的手掌防伪方法，首先获取待检测手掌图[0056]该光照场景自适应的手掌防伪方法，由于采用了标记有光照场景信息和活体/非活体信息(即已知光照场景以及是活体手掌还是非活体手掌)的图像样本来训练手掌防伪[0062]在获取到图像样本后，需要对图像样本进行光照场景信息和活体/非活体信息标记主要工作为对采集的图像样本标注上对应的类别标签。对于一张目标区域手掌图而言，[0068]采用122*122尺度图像样本的中心0.6倍范围内的图像计算通道像素均值的原因[0075]根据图像样本的图像亮度值与预设亮度阈值的比较结果可以对图像样本添加光[0076]在一个实施例中，分别采用光照场景信息和活体/非活体信息对图像样本进行标用光照场景信息和活体/非活体信息对初始图像样本进行标记，以得到标记有光照场景信度调整后的图像样本的光照场景信息，以得到标记有光照场景信息和活体/非活体信息的调整图像样本；根据标记有光照场景信息和活体/非活体信息的初始图像样本和标记有光0max0_10_1]∈(20β]景至(室内)正常光照场景的亮度调节系数上下限。L0_1表示(户外)强光照场景手掌经过一[0085]对于区分(室内)正常光照场景与暗光照场景的图像亮度调整方式与(户外)强光损失值选择其中一个尺度卷积核进行卷积处理图像样本以得到后续[0090]特征金字塔网络(FPN)是根据特征金字塔概念设计的特征提取器,目的是提高精息被更多地检测到。金字塔(即自下而上和自上而下结构)中同样尺寸的特征图属于同一[0091]步骤S230，将标记有光照场景信息和活体/非活体信息的图像样本输入至特征金息和活体/非活体信息的图像样本输入至特征金字塔网络进行上采样操作，输出第一特征进行上采样操作(即三次平均池化操作)生成新的特征图(即第一特征图)在pppp和第三尺度卷积网络；根据分类损失函数值从多个尺度卷积网络中选择一个尺度卷积网从而对不同场景的手掌图像进行不同感受野大小的卷积操作，细节特征挖掘深度不一样，[0108]应该理解的是，虽然图2和图5的流程图中的各个步骤按[0112]类别概率值输出模块720，用于将目标区域手掌图输入至预先训练的手掌防伪模[0117]第一特征图输出模块，用于将标记有光照场景信息和活体/非活体信息的图像样据标记有光照场景信息和活体/非活体信息的初始图像样本和标记有光照场景信息和活体/非活体信息的调整图像样本，形成标记有光照场景信息和活体/非活体信息的图像样别计算三个通道的平均像素值；根据三个通道的平均像素值来计算图像样本的图像亮度用于将标记有光照场景信息和活体/非活体信息的图像样本输入第四尺度卷积网络，输出[0133]关于光照场景自适应的手掌防伪装置的具体限定可以参见上文中对于方法的限PLA)中的至少一种硬件形式来实现。处理器82可集成中央处理器(CentralProcessing述各个方法实施例的指令等。存储数据区还可以存储终端设备80在使用中所创建的数据[0139]请参阅图9，其示出了本申请实施例提供的一种计算机可读取存储介质的结构框[0140]计算机可读取存储介质90可以是诸如闪存、EEPROM(电可擦除可编程只读存储性计算机可读介质(non-transitorycomputer-readablestoragemedium)。计算机可读码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结[0142]对所公开的实施例的上述