[發(fā)明專利]一種基于PGGAN的指靜脈圖像生成方法

在審

• 申請?zhí)枺?/td>: 202211235340.3
• 申請日: 2022-10-10
• 公開（公告）號: CN115908603A
• 公開（公告）日: 2023-04-04
• 發(fā)明（設(shè)計(jì)）人: 張燁;王博
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/13;G06T7/11;G06N3/0475;G06N3/0464;G06N3/048;G06N3/094;G06V40/14
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 舒良

1.一種基于PGGAN的指靜脈圖像生成方法，其特征在于：其包括以下步驟：

S1、采集或選用指靜脈圖像構(gòu)建訓(xùn)練數(shù)據(jù)集；

S2、構(gòu)建基于PGGAN的手指靜脈圖像的生成網(wǎng)絡(luò)模型，包括生成器和判別器；

S3、設(shè)計(jì)構(gòu)建基于PGGAN的手指靜脈圖像的生成網(wǎng)絡(luò)模型的損失函數(shù)；

S4、訓(xùn)練整個(gè)模型，迭代訓(xùn)練若干次；

S5、將測試集圖像輸入訓(xùn)練好的生成器中，獲得生成的指靜脈圖像。

2.根據(jù)權(quán)利要求1所述的基于PGGAN的指靜脈圖像生成方法，其特征在于：步驟S2包括：

S2-1、構(gòu)建生成器；在網(wǎng)絡(luò)訓(xùn)練的過程中，生成器和判別器相當(dāng)于彼此的鏡像結(jié)構(gòu)，兩者是同時(shí)增長的，在整個(gè)訓(xùn)練過程中，生成器和判別器現(xiàn)有的所有結(jié)構(gòu)都是可以訓(xùn)練的；當(dāng)有新加的層加入原本的生成器和判別器中時(shí)，除了訓(xùn)練新加入的層，此前舊的層依舊是可訓(xùn)練的，而不是只訓(xùn)練新加入的層，每層包括2個(gè)卷積塊，每個(gè)卷積塊大小為3*3，大部分使用ReLU作為激活函數(shù)；

S2-2、構(gòu)建判別器；判別器判斷輸入圖像是生成的清晰圖像還是真實(shí)清晰圖像，并不斷與生成器進(jìn)行博弈，判別結(jié)果的準(zhǔn)確性將直接影響生成器的性能；每層由2個(gè)3*3的卷積塊構(gòu)成，并在訓(xùn)練過程中逐漸增加網(wǎng)絡(luò)層數(shù)，在訓(xùn)練過程中能更專注靜脈圖像的局部特征，從而使得生成圖像的靜脈紋理細(xì)節(jié)更清晰；

訓(xùn)練過程從具有4×4像素的低空間分辨率的生成器(G)和鑒別器(D)開始；隨著訓(xùn)練的推進(jìn)，我們逐漸增加G和D的層數(shù)，從而增加生成圖像的空間分辨率；所有現(xiàn)有層在整個(gè)過程中都是可訓(xùn)練的；這允許在高分辨率中穩(wěn)定的合成，并大大加快訓(xùn)練速度。

3.根據(jù)權(quán)利要求1或2所述的基于PGGAN的指靜脈圖像生成方法，其特征在于：所述的步驟S3具體包括：

S3-1、設(shè)計(jì)判別器損失：

對于判別器來說，要最小化判別器損失，需要給生成圖像打低分，給真實(shí)圖像打高分；

為了解決由于手指靜脈圖像的信息量少，在訓(xùn)練過程中梯度消失過快，從而導(dǎo)致網(wǎng)絡(luò)對提取的紋理特征學(xué)習(xí)不夠充分，還原圖像依舊存在紋理模糊的問題，使用最小二乘損失函數(shù)作為判別器損失,為了使網(wǎng)絡(luò)模型訓(xùn)練更加穩(wěn)定，使用WGN-GP的梯度懲罰作為判別器損失的約束：

其中G為生成器(Generator)，D為判別器(Discriminator)，z為噪音，它可以服從歸一化或者高斯分布，pdata(x)為真實(shí)數(shù)據(jù)x服從的概率分布，pz(z)為z服從的概率分布；E_x～pdata(x)為期望值，E_z～pz(z)同為期望值；

S3-2、設(shè)計(jì)生成器損失：

對于生成器而言，要最小化生成器損失，需要讓自己生成的圖像在判別器中獲得高分；

其中G為生成器(Generator)，D為判別器(Discriminator)，z為噪音，它可以服從歸一化或者高斯分布,pz(z)為z服從的概率分布，E_z～pz(z)為期望值。