本发明专利技术属于手掌静脉识别技术领域，具体涉及一种基于对抗学习的手掌静脉识别数据增强方法及系统利用由生成器和鉴别器组成的条件深度卷积生成对抗网络，同步训练生成器和鉴别器；步骤2选取一掌静脉分类器与训练好的所述生成器组成一个对抗性网络，步骤3基于所述对抗性网络对所述掌静脉分类器进行多个批次的对抗性训练，在每一批次的训练中生成用于增加分类器损失的对抗样本与基于真实手掌静脉识别数据的训练样本组成增广数据集，对所述分类器进行训练，并更新所述分类器的参数；以及更新下一批次对抗训练所需的噪声向量集。本发明专利技术降低了数据增强中对计算和存储资源的要求，为手掌静脉识别模型训练提供了更过优质的训练样本。样本。样本。
【技术实现步骤摘要】
基于对抗学习的手掌静脉识别数据增强方法及系统
[0001]本专利技术属于手掌静脉识别
，具体涉及一种基于对抗学习的手掌静脉识别数据增强方法及系统。
技术介绍
[0002]静脉的特征提取方法可以分为三类：手工特征提取、基于传统机器学习方法和基于深度学习方法。但是上述三种方法均有一定的缺陷。
[0003]手工特征提取获得的静脉特征不完整；基于传统机器学习方法提取的静脉特征可以学习到稳健的静脉特征，但是表征能力有限，导致识别性能不稳定；基于深度学习的方法能够自动学习原始图像的鲁棒性特征，但是需要大量的样本来训练模型，而静脉数据集非常有限。
[0004]而针对静脉数据集有限的问题，现有技术中，生成对抗网络(Generative Adversarial Networks GAN)作为一种有效的数据增强技术，能够学习掌静脉图像的分布，从而生成具有良好一致性和多样性的真实图像。目前，GAN已被广泛用于数据增强，并在多个计算机视觉任务中取得了良好的性能。目前一些工作引入GAN来扩大手掌静脉识别、掌纹识别和手指静脉识别的训练数据。但标准GAN不能控制数据生成过程，需要为每个类训练一个GAN模型来产生样本，这增加了对计算和存储资源的要求。
技术实现思路
[0005]了解决上述三种方法以及经典GAN的缺点，本专利技术提出了一种基于对抗学习的手掌静脉识别数据增强方法，以同时优化静脉分类器和一组增强样本。
[0006]本专利技术中基于对抗学习的手掌静脉识别数据增强方法包括：
[0007]步骤1利用由生成器和鉴别器组成的条件深度卷积生成对抗网络(cDCGAN)同步训练生成器和鉴别器；
[0008]所述生成器以不同的噪声向量和需要生成的类别作为输入，生成用于手掌静脉识别数据分类的增强训练样本；
[0009]所述鉴别器用于对输入的生成器所生成的增强训练样本和基于真实手掌静脉识别数据的训练样本进行区分；
[0010]训练中，首先训练生成器生通过输入的随机噪声向量和类标签生成增强训练样本，再将增强训练样本或附加有类标签的训练样本转发给判别器，预测其真伪概率；
[0011]并最小化对抗损失为目标更新鉴别器和生成器的参数；
[0012]步骤2选取一掌静脉分类器与训练好的所述生成器组成一个对抗性网络，所述掌静脉分类器用于预测输入样本属于某一个类的概率；
[0013]步骤3基于所述对抗性网络对所述掌静脉分类器进行多个批次的对抗性训练，在每一批次的训练中包括：
[0014]获取噪声向量集以及需要生成的类别作为所述生成器的输入，以生成用于增加分
类器损失的对抗样本；
[0015]利用基于真实手掌静脉识别数据的训练样本与所述对抗样本组成用于分类器训练的增广数据集，对所述分类器进行训练，并更新所述分类器的参数；
[0016]以及，将对抗样本输入更新了参数后分类器，根据分类器的输出，采用梯度下降法，逐个更新各对抗样本所对应的噪声向量；最终得到更新后的噪声向量集作为下一批次对抗训练所需的噪声向量集。
[0017]进一步的，步骤1的训练过程中，采用双时间尺度更新规则和单边标签平滑策略。
[0018]进一步的，步骤1的训练过程中，有参数向量为w'的判别器D
w'
和参数向量为w的生成器G
w
，通过以下方式更新w'和w：
[0019]w
n+1
＝w
n
+a(n)(g(w,w
′
)+V
w
)
[0020]w'
n+1
＝w'
n
+b(n)(h(w,w
′
)+V
w'
)，
[0021]其中，g(w,w')和h(w,w')分别表示计算和和和为判别器D和生成器G的任意的损失函数，V
w
和V
w'
为随机变量，a(n)和b(n)为可设定的学习率。
[0022]进一步的，步骤1的训练过程中，判别器D的正分类目标为μ，负分类目标为υ，
[0023]判别器D输出可表示为：
[0024][0025]式中p
data
(x)和p
model
(x)分别表示真实数据分布和模型分布。
[0026]进一步的，步骤3的训练过程中以下述方式更新所述掌静脉分类器的参数θ：
[0027][0028]其中，N表示随机选取的训练样本数，N1表示其中的对抗样本的数量，N2表示其中的基于真实手掌静脉识别数据的训练样本的数量，有N＝N1+N2；
[0029]α为可设置的学习率，G
w*
(
·
)为训练好的生成器，L
ce
(
·
)为分类器的损失函数；
[0030]有噪声向量集类标签集原始手掌静脉识别数据样本集其中K为每个类生成的样本数，C为类别数。
[0031]进一步的，步骤3的训练过程中以下述方式更新噪声向量集中的各个噪声向量：
[0032][0033]其中，β为可设置的学习率，cosine(
·
)是cosine相似度的函数；
[0034]是一个教师模型，其参数为掌静脉分类器的参数θ的指数移动平均，λ1和λ2为给定的权重，有λ1+λ2＝1。
[0035]进一步的，基于真实手掌静脉识别数据的训练样本中包括真实手掌静脉图像，
[0036]以及基于真实手掌静脉图像通过经典数据增强手段获得的经典数据增强图像。
[0037]进一步的，所述掌静脉分类器中采用ResNet，VGG，FV
‑
CNN，PV
‑
CNN，FVRAS
‑
Net，
database)，如图1中所示，实际用于训练的图像数据是原始手掌静脉图像中的兴趣区域(ROI)。
[0050]条件深度卷积生成对抗网络(cDCGAN)可以通过附加信息为每一类生成训练样本。因此，在本实施例中，公开了一种条件深度卷积生成对抗网络(cDCGAN)用于掌静脉数据增强。
[0051]图像的生成过程是通过对模型输入添加附加信息来控制的，这些附加信息对应类标签。生成器将随机噪声向量和类标签作为输入用于输出生成图像，将生成图像或真实图像加上类标签转发给判别器，预测其真伪概率。为了提高模型的稳定性，使用双时间尺度更新规则(TTUR)在任意GAN损失函数上训练具有随机梯度下降的cDCGAN。
[0052]同时，在cDCGANs中引入单侧标签平滑机制以提高模型性能。单侧标签平滑是指用平滑的值替换分类器的0和1目标，用于减少鉴别器对对抗示例的脆弱性。因此，本实施例中将正分类目标替换为μ，负分类目标替换为υ，得到如下判别器
[0053][0054]式中p
data
(x)和p
model
(x)分别表示真实数据分布和模型分布，变量的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于对抗学习的手掌静脉识别数据增强方法，其特征在于，包括：步骤1利用由生成器和鉴别器组成的条件深度卷积生成对抗网络，同步训练生成器和鉴别器；所述生成器以不同的噪声向量和需要生成的类别作为输入，生成用于手掌静脉识别数据分类的增强训练样本；所述鉴别器用于对输入的生成器所生成的增强训练样本和基于真实手掌静脉识别数据的训练样本进行区分；训练中，首先训练生成器生通过输入的随机噪声向量和类标签生成增强训练样本，再将增强训练样本或附加有类标签的训练样本转发给判别器，预测其真伪概率；并最小化对抗损失为目标更新鉴别器和生成器的参数；步骤2选取一掌静脉分类器与训练好的所述生成器组成一个对抗性网络，所述掌静脉分类器用于预测输入样本属于某一个类的概率；步骤3基于所述对抗性网络对所述掌静脉分类器进行多个批次的对抗性训练，在每一批次的训练中包括：获取噪声向量集以及需要生成的类别作为所述生成器的输入，以生成用于增加分类器损失的对抗样本；利用基于真实手掌静脉识别数据的训练样本与所述对抗样本组成用于分类器训练的增广数据集，对所述分类器进行训练，并更新所述分类器的参数；以及，将对抗样本输入更新了参数后分类器，根据分类器的输出，采用梯度下降法，逐个更新各对抗样本所对应的噪声向量；最终得到更新后的噪声向量集作为下一批次对抗训练所需的噪声向量集。2.根据权利要求1所述的方法，其特征在于，步骤1的训练过程中，有参数向量为w'的判别器D
w'
和参数向量为w的生成器G
w
，通过以下方式更新w'和w：w
n+1
＝w
n
+a(n)(g(w,w
′
)+V
w
)w'
n+1
＝w'
n
+b(n)(h(w,w
′
)+V
w
′
)，其中，g(w,w')和h(w,w')分别表示计算和和和为判别器D和生成器G的任意的损失函数，V
w
和V
w
′
为随机变量，a(n)和b(n)为可设定的学习率。3.根据权利要求1...
【专利技术属性】
技术研发人员：秦华锋，郗豪飞，王闪闪，吴燚权，熊志鹏，
申请(专利权)人：重庆金融科技研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。