基于对抗网络的指纹模型生成方法以及相关装置制造方法及图纸

本发明专利技术揭示了一种基于对抗网络的指纹模型生成方法、装置、计算机设备和存储介质，属于机器学习技术领域，该基于对抗网络的指纹模型生成方法包括：获取指纹样本图像；将所述指纹样本图像输入所述第一机器学习子模型，所述第一机器学习子模型输出指纹模拟图像；将所述指纹模拟图像输入所述第二机器学习子模型，所述第二机器学习子模型输出是否为指纹模拟图像的判断结果，若所述第二机器学习子模型的识别率达到所述预定识别阈值时，将所述指纹模拟图像作为指纹模型输出。这样就可以在缺乏指纹数据库时合成与真实指纹的相似度较高的指纹模型。

Fingerprint model generation method and related devices based on adversary network

【技术实现步骤摘要】
基于对抗网络的指纹模型生成方法以及相关装置
本专利技术涉及机器学习
，特别是涉及基于对抗网络的指纹模型生成方法、装置、计算机设备和存储介质。
技术介绍
随着技术的发展，指纹这一生物特征越来越广泛地被应用于取证、机场和智能手机等场景中。故目前对于指纹研究的相关技术越来越热门，但却缺少大量的专供研究的指纹样本，而大量采集专供研究的指纹样本的难度特别的高。若要通过合成的方式生成指纹，由于每个人的指纹都具有独特的特征和模式，因此生成一个合成的逼真指纹很困难。由于缺乏指纹数据库的支持，目前合成指纹与真实指纹的相似度不高，不适合被用作研究等用途。
技术实现思路
基于此，为解决相关技术中合成指纹与真实指纹的相似度不高的技术问题，本专利技术提供了一种基于对抗网络的指纹模型生成方法、装置、计算机设备和存储介质。第一方面，提供了一种基于对抗网络的指纹模型生成方法，包括：获取指纹样本图像；将所述指纹样本图像输入机器学习模型，所述机器学习模型输出生成的指纹模型；其中，所述机器学习模型包括第一机器学习子模型和第二机器学习子模型，本文档来自技高网...

【技术保护点】
1.一种基于对抗网络的指纹模型生成方法，其特征在于，所述方法包括：/n获取指纹样本图像；/n将所述指纹样本图像输入机器学习模型，所述机器学习模型输出生成的指纹模型；/n其中，所述机器学习模型包括第一机器学习子模型和第二机器学习子模型，所述将所述指纹样本图像输入机器学习模型，所述机器学习模型输出生成的指纹模型包括：/n将所述指纹样本图像输入所述第一机器学习子模型，所述第一机器学习子模型输出指纹模拟图像；/n将所述指纹模拟图像输入所述第二机器学习子模型，所述第二机器学习子模型输出是否为指纹模拟图像的判断结果，以便所述第一机器学习子模型根据所述判断结果调整参数，使所述第一机器学习子模型输出指纹模拟图...

【技术特征摘要】
1.一种基于对抗网络的指纹模型生成方法，其特征在于，所述方法包括：
获取指纹样本图像；
将所述指纹样本图像输入机器学习模型，所述机器学习模型输出生成的指纹模型；
其中，所述机器学习模型包括第一机器学习子模型和第二机器学习子模型，所述将所述指纹样本图像输入机器学习模型，所述机器学习模型输出生成的指纹模型包括：
将所述指纹样本图像输入所述第一机器学习子模型，所述第一机器学习子模型输出指纹模拟图像；
将所述指纹模拟图像输入所述第二机器学习子模型，所述第二机器学习子模型输出是否为指纹模拟图像的判断结果，以便所述第一机器学习子模型根据所述判断结果调整参数，使所述第一机器学习子模型输出指纹模拟图像与所述指纹样本图像更相似；
计算所述第二机器学习子模型的识别率，其中，所述识别率包括所述第二机器学习子模型对于正样本输出是指纹模拟图像的判断结果以及对于负样本输出不是指纹模拟图像的判断结果占所述第二机器学习子模型输出的所有判断结果的比例；
若所述第二机器学习子模型的识别率达到所述预定识别阈值时，将所述指纹模拟图像作为生成的指纹模型输出。


2.如权利要求1所述的方法，其特征在于，所述机器学习模型如下训练出：
将所述指纹样本图像输入所述第一机器学习子模型，所述第一机器学习子模型输出指纹模拟图像；
将所述一次指纹模拟图像作为正样本，将所述指纹样本图像作为负样本，构成第一指纹图像样本集；
将所述第一指纹图像样本集中的每一个指纹图像样本逐一输入第二机器学习子模型中进行学习，所述第二机器学习子模型输出是否为指纹模拟图像的判断结果，如果对于正样本输出不是指纹模拟图像的判断结果，或对于负样本输出是指纹模拟图像的判断结果，调整第一机器学习子模型，使第二机器学习子模型输出相反判断结果；
将所述第二机器学习子模型输出的是否为指纹模拟图像的判断结果输入第一机器学习子模型，使第一机器学习子模型根据所述第二机器学习子模型输出的是否为指纹模拟图像的判断结果，调整所述第一机器学习子模型，使所述第一机器学习子模型输出的指纹模拟图像与所述指纹样本图像的相似度提升；
计算所述第二机器学习子模型的识别率；
若所述第二机器学习子模型的识别率达到所述预定识别阈值时，将所述指纹模拟图像作为生成的指纹模型输出。


3.如权利要求1所述的方法，其特征在于，所述指纹样本图像包括指纹真图以及指纹草图，所述获取指纹样本图像，包括：
从指纹录入器获取或从指纹库调取指纹真图；
从指纹录入器获取或通过绘图软件制作或自动生成指纹草图。


4.如权利要求1所述的方法，其特征在于，所述指纹样本图像包括指纹真图以及指纹草图，所述获取指纹样本图像，包括：
获取完整的指纹真图或残缺的指纹真图；
获取全为闭合曲线的指纹草图或含有闭合曲线及非闭合曲线的指纹草图。


5.如权利要求1所述的方法，其特征在于，对所述机器学习模型进行训练的方式为基于最大化损失函数的值进行训练，其中，所述最大化损失函数为：
LGAN＝Ex～Pdata(x)[logD(x)+Ez～Pz(z)[log(1-D(G(z)))]
其中：LGAN为最大化损失函数值，x为指纹真图，D为第二机器学习子模型Ex...

【专利技术属性】
技术研发人员：王义文，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44