一种对抗生成网络训练方法、跨设备掌纹识别方法及系统技术方案

本发明专利技术公开一种对抗生成网络训练方法、跨设备掌纹识别方法及系统，涉及生物识别技术领域，包括：将训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络；将待用组输入至优化对抗生成网络计算质量分数；将升序后前k个质量分数对应的待用数据从待用组添加至训练组，得到对应的更新后训练组和更新后待用组，进而对训练组和待用组分别更新，判断待用组中待用数据的数量是否为零；若数量不为零，返回将训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络的步骤；若数量为零，将训练组输入至自注意力循环对抗生成网络进行训练，以得到最终对抗生成网络。本发明专利技术补全了掌纹，提高了跨设备采集的掌纹的识别率。掌纹的识别率。掌纹的识别率。

【技术实现步骤摘要】
一种对抗生成网络训练方法、跨设备掌纹识别方法及系统


[0001]本专利技术涉及生物识别
，特别是涉及一种用于跨设备掌纹识别的对抗生成网络训练方法、跨设备掌纹识别方法及系统。

技术介绍

[0002]生物识别技术是指利用人体生物特征进行身份认证的一种技术。更具体一点，生物特征识别技术就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。生物识别技术被认为是最为方便与安全的识别技术。相较于传统的身份识别技术，生物特征识别具有唯一性、稳定性、方便性以及不易伪造和假冒等特点。生物识别技术应用越来越广泛，且较为成熟，在身份认证方面表现突出。全球众多厂商纷纷推出了基于生物特征识别技术的软硬件产品及行业解决方案，相关工程项目与应用方案在金融、电信、信息安全、生产制造、医疗卫生、电子政务、电子商务、军事等行业或领域得到广泛应用。
[0003]在生物特征中，掌纹图像便于采集，同时又包含了大量的特征，即使是由手机采集的低分辨率的掌纹图像也包含了可见的特征(如主线、皱纹、乳突纹、细节点和三角点等)及不可见的特征。相比于人脸识别，掌纹识别具有更高的稳定性和更良好的私密性，不易于伪造，且可以很好的区分双胞胎；相比于指纹识别，掌纹图像面积大，对分辨率要求低，不需要与采集设备进行接触；相比于视网膜、虹膜、静脉识别，掌纹图像采集设备造价低廉且更为方便；相比于步态、字迹、声音识别，掌纹识别稳定可靠，掌纹的形态主要由遗传基因控制，即使特殊原因导致表皮剥落，新生的纹路依然保持原有不变的结构。因此掌纹识别具有准确率高、用户易于接受、安全稳定性高等优点，拥有更为广泛的应用场合。
[0004]传统的生物识别技术中，采集生物特征的时候都需要用户在一定程度上进行配合，比如固定的角度、姿势、环境、与传感器进行接触等，降低了方便性。在需要与采集设备接触的情况下，更是牵扯到卫生问题。为了消除这些限制，研究了约束较少，甚至无约束的生物识别技术。通常来说，约束较少的生物识别技术拥有更短的数据获取时间、更好的可用性和更高的社会接受程度，进一步扩大了生物特征识别的应用场景。常见的非接触式生物识别技术有掌纹识别、人脸识别、指纹识别、虹膜识别、静脉识别、声音识别以及步态识别等。其中人脸识别、声音识别、步态识别的稳定性较低，易于伪造；指纹识别、虹膜识别、静脉识别对采集设备要求较高，不利于大面积推广。非接触式掌纹识别作为一种典型的无约束的生物识别技术，可以在手掌不接触传感器的情况下轻松地被智能手机采集到，在现实世界中具有广阔的应用前景，如智能移动设备的访问控制、基于智能移动终端的金融领域应用等。
[0005]在非接触式掌纹识别中，由于移除了接触式辅助定位装置，会由于采集时手掌发生的形变而对识别精度造成很大影响。没有辅助定位装置的约束，采集到的掌纹图像会存在各种各样的质量问题，如光照不均、掌纹形变、图像模糊等。而现有的基于接触式采集设备的识别算法，在这样的图像上无法取得令人满意的识别精度。
[0006]在实际应用中，掌纹识别系统往往会遇到两个问题。第一，训练数据存在缺失，如部分样本的数据丢失或因损毁导致不可用。第二，用于采集训练数据的设备往往与用于采集验证数据的设备是不同的。不同品牌手机摄像头的参数不同，也使得不同手机采集到的掌纹图像存在较大差异。因此不同手机采集来的掌纹数据，可以看作属于不同的域或模态。现有的掌纹识别方法在这种情况下往往并不能达到一个优秀的识别率。

技术实现思路

[0007]本专利技术的目的是提供一种对抗生成网络训练方法、跨设备掌纹识别方法及系统，对于跨设备采集得到的掌纹进行补全，进而提高对于跨设备采集的掌纹的识别率。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]本专利技术提供一种对抗生成网络训练方法，包括：
[0010]将样本集划分为训练组和待用组；所述样本集包括多张由不同设备采集得到的掌纹图像；
[0011]将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络；所述自注意力循环对抗生成网络包括生成器和判别器；所述生成器包括依次连接的第一卷积模块、第一自注意力模块、残差模块、第二自注意力模块和反卷积模块；
[0012]将所述待用组输入至所述优化对抗生成网络，以计算所述待用组中每个待用数据对应的质量分数；所述质量分数用于表征待用数据在所述优化对抗生成网络中的训练学习难易程度；
[0013]对多个所述质量分数进行升序，将升序后前k个质量分数对应的待用数据从所述待用组添加至所述训练组，以得到对应的更新后训练组和更新后待用组；
[0014]将所述训练组更新为所述更新后训练组，将所述待用组更新为所述更新后待用组，判断所述待用组中待用数据的数量是否为零；
[0015]若所述待用组中待用数据的数量不为零，则返回将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络的步骤；
[0016]若所述待用组中待用数据的数量为零，则将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到最终对抗生成网络。
[0017]可选地，所述第一自注意力模块包括：
[0018]第一映射子模块，用于对所述第一卷积模块输出的特征数据进行第一卷积映射，以得到键数据；
[0019]第二映射子模块，用于对所述第一卷积模块输出的特征数据进行第二卷积映射，以得到查询数据；
[0020]第三映射子模块，用于对所述第一卷积模块输出的特征数据进行第二卷积映射，以得到值数据；
[0021]第一特征子模块，用于对所述键数据和所述查询数据进行第一点乘计算，然后对第一点乘结果进行归一处理，以得到自注意力特征图；
[0022]第二特征子模块，用于对所述值数据和所述自注意力特征图进行第二点乘计算，然后为第二点乘结果增加权重，以得到输出特征映射；
[0023]自注意力子模块，用于根据所述输出特征映射和所述第一卷积模块输出的特征数
据确定目标向量序列。
[0024]可选地，所述自注意力子模块，具体包括：
[0025]根据公式
[0026]y＝γO+x
[0027]确定目标向量序列；
[0028]其中，y表示目标向量序列，γ表示预设可学习的变量，O表示输出特征映射，x表示第一卷积模块输出的特征数据。
[0029]可选地，所述待用数据对应的质量分数的计算公式为：
[0030][0031][0032]其中，Score
x
表示第x生成图像的质量分数，所述第x生成图像为待用数据x输入至优化对抗生成网络后得到的生成图像；表示数学期望，x～p
data
(x)表示从数据分布p
data
(x)中采样得到样本x，F表示优化对抗生成网络中的第一生成器，G表示优化对抗生成网络中的第二生成器，|| ||1表示1范数；||F(G(x))
‑
x||1表示样本x通过生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对抗生成网络训练方法，其特征在于，所述对抗生成网络训练方法包括：将样本集划分为训练组和待用组；所述样本集包括多张由不同设备采集得到的掌纹图像；将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络；所述自注意力循环对抗生成网络包括生成器和判别器；所述生成器包括依次连接的第一卷积模块、第一自注意力模块、残差模块、第二自注意力模块和反卷积模块；将所述待用组输入至所述优化对抗生成网络，以计算所述待用组中每个待用数据对应的质量分数；所述质量分数用于表征待用数据在所述优化对抗生成网络中的训练学习难易程度；对多个所述质量分数进行升序，将升序后前k个质量分数对应的待用数据从所述待用组添加至所述训练组，以得到对应的更新后训练组和更新后待用组；将所述训练组更新为所述更新后训练组，将所述待用组更新为所述更新后待用组，判断所述待用组中待用数据的数量是否为零；若所述待用组中待用数据的数量不为零，则返回将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到优化对抗生成网络的步骤；若所述待用组中待用数据的数量为零，则将所述训练组输入至自注意力循环对抗生成网络进行训练，以得到最终对抗生成网络。2.根据权利要求1所述的对抗生成网络训练方法，其特征在于，所述第一自注意力模块包括：第一映射子模块，用于对所述第一卷积模块输出的特征数据进行第一卷积映射，以得到键数据；第二映射子模块，用于对所述第一卷积模块输出的特征数据进行第二卷积映射，以得到查询数据；第三映射子模块，用于对所述第一卷积模块输出的特征数据进行第二卷积映射，以得到值数据；第一特征子模块，用于对所述键数据和所述查询数据进行第一点乘计算，然后对第一点乘结果进行归一处理，以得到自注意力特征图；第二特征子模块，用于对所述值数据和所述自注意力特征图进行第二点乘计算，然后为第二点乘结果增加权重，以得到输出特征映射；自注意力子模块，用于根据所述输出特征映射和所述第一卷积模块输出的特征数据确定目标向量序列。3.根据权利要求2所述的用于跨设备掌纹识别的对抗网络训练方法，其特征在于，所述自注意力子模块，具体包括：根据公式y＝γO+x确定目标向量序列；其中，y表示目标向量序列，γ表示预设可学习的变量，O表示输出特征映射，x表示第一卷积模块输出的特征数据。4.根据权利要求1所述的对抗生成网络训练方法，其特征在于，所述待用数据对应的质
量分数的计算公式为：量分数的计算公式为：其中，Score
x
表示第x生成图像的质量分数，所述第x生成图像为待用数据x输入至优化对抗生成网络后得到的生成图像；表示数学期望，x～p
data
(x表示从数据分布p
data
(x)中采样得到样本x，F表示优化对抗生成网络中的第一生成器，G表示优化对抗生成网络中的第二生成器，||||1表示1范数；||F(G(x))
‑
x||1表示样本x通过生成器F生成与Y类似的x尖，再将x尖通过生成器G还原成的x与原始的样本x的相似性，||F(x)
‑
x||1表示样本x通过生成器F生成的x与原始样本x的相似性；Score
y
表示第y生成图像的质量分数，所述第y生成图像为待用数据y输入至优化对抗生成网络后得到的生成图像；y～p
data
(y)表示从数据分布p
data
(y中采样得到样本y；||G(F(y))

【专利技术属性】
技术研发人员：朱旗，辛光南，周宇泽，郑楚杭，李胜荣，张道强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：