一种基于循环生成对抗网络的动态二维码生成方法技术

本发明专利技术提供一种基于循环生成对抗网络的动态二维码生成方法。所述基于循环生成对抗网络的动态二维码生成方法包括：(1)：收集相关的数据信息，通过相关专业的算法生成相关的静态二维码图像；(2)：通过网络采集不同领域特征的图像；(3)：随机选取两种类型的图像，然后依次分别进行裁剪、旋转、缩放来扩充数据集；(4)：通过相关软件来开发一个包含两个生成对抗网络的架构。本发明专利技术提供的基于循环生成对抗网络的动态二维码生成方法具有可以解决二维码解密简单的问题，同时能够生成富有艺术美感的二维码图片，并且可以增加用户的扫码及互动意愿的优点。优点。优点。

【技术实现步骤摘要】
一种基于循环生成对抗网络的动态二维码生成方法


[0001]本专利技术属于深度学习中图像对图像转换
，尤其涉及一种基于循环生成对抗网络的动态二维码生成方法。

技术介绍

[0002]图像对图像转换是一类视觉和图形问题，其目标是使用不同领域图像对训练集学习输入图像和输出图像之间的映射，循环生成对抗网络经过良好的训练能够将静态二维码生成新的与之对应的包含不同领域风格的静态二维码，再通过图像处理技术将多张静态二维码转换为动态二维码，并展现出极好的性能，相关技术中，公开了一种动态二维码的生成方法、二维码生成器及防伪系统，其中该二维码生成方法用于密封包装件的防伪，其步骤为：烧录主ID；生成多位随机码；根据所述密封包装件的打开时间戳生成附加码；生成包括所述主ID、所述随机码和所述附加码，生成URL链接；将生成的URL链接按照二维码生成规则，生成二维码。
[0003]但是，上述结构中还存在不足之处，二维码图片是各种加密算法所生成的，可通过任意软件的扫一扫就可识别，扫描后的跳转页面或其他信息极易被不法分子利用，并且没有对扫描人的身份做出判断，在直播和视频中都是被禁止入镜的，而且二维码图片的展现方式为黑白结合，无任何美感，形式过于单一，同时二维码图片也未包含二维码中信息所对应的领域。
[0004]因此，有必要提供一种新的基于循环生成对抗网络的动态二维码生成方法解决上述技术问题

技术实现思路

[0005]本专利技术解决的技术问题是提供一种可以解决二维码解密简单的问题，同时能够生成富有艺术美感的二维码图片，并且可以增加用户的扫码及互动意愿的基于循环生成对抗网络的动态二维码生成方法。
[0006]为解决上述技术问题，本专利技术提供的基于循环生成对抗网络的动态二维码生成方法包括：(1)：收集相关的数据信息，通过相关专业的算法生成相关的静态二维码图像；
[0007](2)：通过网络采集不同领域特征的图像；
[0008](3)：随机选取两种类型的图像，然后依次分别进行裁剪、旋转、缩放来扩充数据集；
[0009](4)：通过相关软件来开发一个包含两个生成对抗网络的架构，每个生成对抗网络都有一个判别器和一个生成器模型，且架构中总共有四个模型，而第一个生成对抗网络可以根据静态二维码图像生成领域特征图像，而第二个生成对抗网络会根据领域特征图像生成静态二维码图像，致使完成循环生成对抗网络的搭建。
[0010]作为本专利技术的进一步方案，所述不同领域特征的图像包括有医学、建筑、零售、科技、动漫、甜品和绘画等各领域。
[0011]作为本专利技术的进一步方案，所述(1)中，包括如下：
[0012]采用QRCode.js生成相关的静态二维码图像，所述图像的数量为 10000张图像，且每张图像的尺寸规格均为256x256。
[0013]作为本专利技术的进一步方案，所述(2)中，包括如下：
[0014]通过网络爬虫和购买图片等方式采集不同领域的特征图像，且每个领域的特征图像需采集10000张图像，每张图像的尺寸规格均为 256x256，然后在采集网络图片画作各3000张，每张画作的尺寸规格均为256x256。
[0015]作为本专利技术的进一步方案，所述(3)中，包括如下：
[0016]通过采用python的opencv模块对10000张QRCode.js生成的静态二维码图像进行随机旋转、随机缩放来将数据扩充至15000张，然后采用python的opencv模块对10000张建筑领域特征图像进行裁剪至256x256，之后再进行随机旋转和随机缩放将数据扩充至15000张。
[0017]与相关技术相比较，本专利技术提供的基于循环生成对抗网络的动态二维码生成方法具有如下有益效果：
[0018]本专利技术提供一种基于循环生成对抗网络的动态二维码生成方法：
[0019]1、可以解决二维码解密简单的问题，同时能够生成富有艺术美感的二维码图片，通过堆叠多张生成的二维码图片，可增加用户的扫码及互动意愿，并可生成带有明显领域特征的二维码图片，为后续生成可靠及附有艺术性的动态二维码研究及工程应用提供新的思路。
附图说明
[0020]为了便于本领域技术人员理解，下面结合附图对本专利技术作进一步的说明。
[0021]图1为本专利技术中循环生成对抗网络的示意图；
[0022]图2为本专利技术中循环一致性损失的示意图；
[0023]图3为本专利技术中生成器模型架构的示意图；
[0024]图4为本专利技术中判别器模型架构的示意图；
[0025]图5为本专利技术中损失函数的示意图。
具体实施方式
[0026]请结合参阅图1、图2、图3、图4和图5，其中，图1为本专利技术中循环生成对抗网络的示意图；图2为本专利技术中循环一致性损失的示意图；图3为本专利技术中生成器模型架构的示意图；图4为本专利技术中判别器模型架构的示意图；图5为本专利技术中损失函数的示意图。基于循环生成对抗网络的动态二维码生成方法包括：(1)：收集相关的数据信息，通过相关专业的算法生成相关的静态二维码图像；
[0027](2)：通过网络采集不同领域特征的图像；
[0028](3)：随机选取两种类型的图像，然后依次分别进行裁剪、旋转、缩放来扩充数据集；
[0029](4)：通过相关软件来开发一个包含两个生成对抗网络的架构，每个生成对抗网络都有一个判别器和一个生成器模型，且架构中总共有四个模型，而第一个生成对抗网络可
以根据静态二维码图像生成领域特征图像，而第二个生成对抗网络会根据领域特征图像生成静态二维码图像，致使完成循环生成对抗网络的搭建；
[0030]具体搭建过程如下：
[0031]1).目标是学习两个域X和Y之间的映射函数，其中给定的训练样本{xi}Ni＝1，其中xi∈X和{yj}Mj＝1，其中yj∈Y1，我们将数据分布表示为x～pdata(x)和y～pdata(y)，如图3所示，模型包括两个映射G：X
→
Y和F：Y
→
X，此外，还引入了两个对抗性鉴别器DX 和DY，其中DX旨在区分图像{x}和翻译图像{F(y)}，同样，DY的目的是区分{y}和{G(x)}，我们的目标包含两种类型的术语，对抗性损失来匹配生成的图像分布到目标域的数据分布，以及周期一致性损失，以防止学习到的映射G和F相互冲突；
[0032]2).对于映射函数G：X
→
Y及其鉴别器DY，目标表示为：
[0033]LGAN(G,Dy,X,Y)＝Ey～pdata(y)[log Dy()]+Ex～ Pdata(x)[log(1
‑
Dy(G(z))][0034]其中，G试图生成图像G(x)类似于域Y的图像，而DY的目的是区分翻译样本G(x)和真实样本Y，G的目标是最小化这个目标的对手 D，即minGmaxDYLGAN(G，DY，X，Y)，对映射函数F：Y
→
X及其鉴别器DX引入了类似的对抗性损失：即minFmaxDXLG本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环生成对抗网络的动态二维码生成方法，其特征在于，包括以下步骤：(1)：收集相关的数据信息，通过相关专业的算法生成相关的静态二维码图像；(2)：通过网络采集不同领域特征的图像；(3)：随机选取两种类型的图像，然后依次分别进行裁剪、旋转、缩放来扩充数据集；(4)：通过相关软件来开发一个包含两个生成对抗网络的架构，每个生成对抗网络都有一个判别器和一个生成器模型，且架构中总共有四个模型，而第一个生成对抗网络可以根据静态二维码图像生成领域特征图像，而第二个生成对抗网络会根据领域特征图像生成静态二维码图像，致使完成循环生成对抗网络的搭建；(5)：将通过一般加密算法生成的多张静态二维码图像，数量为10张，先经过剪切操作调整至合适的大小，送入循环生成对抗网络模型中进行推理，运行完成后会生成10张对应的领域特征图像，通过代码将10张对应的图片自动转换为动态二维码。2.根据权利要求1所述的基于循环生成对抗网络的动态二维码生成方法，其特征在于，所述不同领域特征的图像包括有医学、建筑、零售、科技、动漫、甜品和绘画等各领域。3.根...

【专利技术属性】
技术研发人员：刘泽蒙，刘迎春，
申请(专利权)人：江苏新狮科技有限责任公司，
类型：发明
国别省市：