[發明專利]一種基于改進cGAN網絡生成適用多設備識別指靜脈圖像的方法

有效

• 申請號: 202010007624.1
• 申請日: 2020-01-04
• 公開（公告）號: CN111209850B
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 張烜;趙國棟;任湘;李學雙
• 申請（專利權）人: 圣點世紀科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/38
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 諸佩艷

1.一種基于改進cGAN網絡生成適用多設備識別指靜脈圖像的方法，其特征在于：其包括以下步驟：

1）采集或選取多個圖像樣本X₀；

2）對圖像樣本X₀進行分割，提取出靜脈部分，獲取靜脈的背景二值圖像X_bin；

3）根據二值圖像X_bin的大小及格式設計出與之相匹配的改進cGAN網絡結構，改進cGAN網絡的結構主要包括生成器G和判別器D；所述的生成器G由多個ENCODE編碼塊串聯后與多個DECODE編碼塊串聯構成，每個ENCODE編碼塊均由非對稱卷積層、歸一化層和激活層組成，每個DECODE編碼塊均由非對稱反卷積層、歸一化層和激活層組成，每兩個ENCODE或者兩個DECODE之間連接了非對稱卷積自適應模塊，起到編碼模塊之間特征圖尺寸前后適應的作用；所述的判別器D由第一部分和第二部分組成，其中第一部分由多個ENCODE編碼塊串聯而成，每個ENCODE編碼塊均由非對稱卷積層、歸一化層和激活層組成，每兩個ENCODE之間連接了非對稱卷積自適應模塊，起到編碼模塊之間特征圖尺寸前后適應的作用，該第一部分起到鑒別真假的作用；第二部分是由只需一次性訓練完成的非對稱卷積網絡構成，起到提取卷積特征向量并度量距離大小的作用；

4）訓練改進cGAN網絡，生成器G輸入的圖像為二值圖像X_bin，輸出的圖像為接近于原始圖像的指靜脈灰度圖像X_g，并根據指靜脈灰度圖像X_t訓練生成器；所述的判別器D輸入的目標設備圖像Xt和生成器所生成的指靜脈灰度圖像Xg，判別器訓練的是對目標設備圖像Xt與生成器所生成的圖像Xg中灰度的學習，判斷目標設備圖像Xt的灰度與成器所生成的指靜脈灰度圖像Xg的灰度之間的不同，獲取判別圖像生成圖像Xg與目標設備圖像Xt之間差異程度的能力，若生成器所生成的指靜脈灰度圖像Xg更接近于目標設備圖像Xt，則用指靜脈灰度圖像Xg替換目標設備圖像Xt；并根據所采集的數據量訓練更新相適應的網絡訓練參數值；

5）將分割細化后的指靜脈細線二值圖X_bin輸入訓練好的改進cGAN網絡中，生成指靜脈圖像，用于指靜脈注冊識別。

2.根據權利要求1所述的基于改進cGAN網絡生成適用多設備識別指靜脈圖像的方法，其特征在于：每次訓練改進cGAN網絡時，首先對判別器D進行訓練，再對生成器G進行訓練，最后根據訓練結果，更新判別器D和生成器G的參數；其中，在判別器D中的一部分參數只需要一次訓練完成即可。

3.根據權利要求1所述的基于改進cGAN網絡生成適用多設備識別指靜脈圖像的方法，其特征在于：所述的步驟4）中，通過訓練改進cGAN網絡過程與原理得到目標函數，目標函數的計算方法如下：

) （1），

（2），

（3），

式中，x為目標圖，y為生成圖，z為二值圖，G(x, z)表示有生成器的生成圖y，D（x, y）表示判別器的判別結果，表示求G使得目標函數最小化和求D使得目標函數最大化，表示兩者通過識別網絡后提取到的特征之間的歐式距離，表示最終的目標函數，即所求最值函數，為超參常數。

4.根據權利要求1或3所述的基于改進cGAN網絡生成適用多設備識別指靜脈圖像的方法，其特征在于：所述步驟4）中，在尋找最優的生成器中會給定一個判別器D，將作為訓練生成器的損失函數，然后采用Adam算法更新生成器的參數，梯度下降的參數優化過程的公式如下：

（4）

式中，表示改進cGAN網絡中的生成器的參數；

當給定一個生成器的初始值G₀需要尋找令最大的，作為訓練判別器的損失函數L(D)，判別器的更新過程損失函數為-L(D)的訓練過程，參數優化過程的公式如下：

（5）

式中，表示改進cGAN判別器中的第一部分網絡的參數；

在訓練的內部循環中，優化判別器D 第一部分的步驟和優化生成器G 的步驟間交替進行，更新判別器D第一部分和生成器G，并使判別器D第一部分和生成器G一直趨于最優解的附近。