【技术实现步骤摘要】
本申请涉及掌纹特征识别，特别是涉及一种基于多连接生成对抗网络的掌纹图像扩充方法、装置、计算机设备以及存储介质。
技术介绍
1、生物特征识别技术是指基于生物特征来进行身份识别的技术，掌纹识别作为目前主要的生物特征识别技术之一已经在越来越多的场景中得到应用。具体来说，掌纹识别是利用手指末端到手腕部分的手掌图像进行身份识别的生物特征识别技术，具有识别率高、采集设备价格低廉、用户可接受性好等特点，渐成为生物特征识别领域的研究热点。
2、然而，出于隐私性和成本的考虑，大规模带标签的掌纹图像较少，导致掌纹识别成为典型的小样本图像识别问题，制约了深度学习模型在掌纹识别领域的应用。数据扩充是常用正则化方法之一，能够产生一定数量和原始数据相似而且共享标签的数据，对小样本图像进行扩充，是从数据层面缓解样本数量不足带来的特征学习不足和过拟合困境。
3、常规的掌纹图像扩充主要包括基于传统方法和基于深度学习两类方式，传统方法主要有基于几何变换(裁剪、翻转、缩放、旋转和添加噪声等)、基于颜色空间增强、基于锐化与模糊、基于图像融合和随机擦除等。上述这些方式虽然在一定程度上可以实现掌纹图像的扩充，依旧存在少标签掌纹数据的困境，无法支持小样本图像的掌纹识别模型训练，即无法实现有效的掌纹图像扩充。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种有效的基于多连接生成对抗网络的掌纹图像扩充方法、装置、计算机设备以及存储介质。
2、第一方面，本申请提供了一种基于多连接生成对抗
3、获取真实掌纹图像、以及初始生成对抗网络，所述初始生成对抗网络包括图像生成器和图像判别器；
4、通过所述图像生成器将随机生成的噪声映射至真实掌纹图像特征空间中，得到生成掌纹图像；
5、通过所述图像判别器判断所述真实掌纹图像与所述生成掌纹图像的差异值；
6、根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络；
7、根据所述已训练的生成对抗网络进行掌纹图像扩充。
8、在其中一个实施例中，所述获取真实掌纹图像包括：
9、获取原始掌纹图像；
10、识别所述原始掌纹图像中不同类别的图像，得到类别识别结果；
11、根据所述类别识别结果，将所述原始掌纹图像按照类别划分多个组批数据，每个组批数据分别存入至类别对应的第一列表和第二列表，其中，所述第二列表中存储的数据为对所述第一列表中存储数据乱序处理后的数据；
12、对所述第一列表和所述第二列表中存储的数据进行格式转换，得到标准的真实掌纹图像。
13、在其中一个实施例中，所述图像生成器使用u-net 3+作为骨干模型；
14、所述图像生成器包括多个编码器和多个解码器，所述多个编码器用于获取不同尺度特征，所述多个解码器用于进行语义恢复，所述多个编码器内部层级之间建立密集连接，所述多个编码器和所述多个解码器间建立跳跃连接，所述编码器的数量和所述解码器的数量相等。
15、在其中一个实施例中，所述通过所述图像生成器将随机生成的噪声映射至真实掌纹图像特征空间中，得到生成掌纹图像包括：
16、缓存真实掌纹图像至初始列表；
17、对所述真实掌纹图像进行预设卷积处理，得到第一特征图，将所述第一特征图保存至所述初始列表的末尾，以更新所述初始列表；
18、对所述真实掌纹图像以及所述第一特征图进行特征提取，得到第二特征图，将所述第二特征图保存至所述初始列表的末尾，以再次更新所述初始列表；
19、构建n个噪声编码器模块，初始噪声滤波器数量，所述n与所述u-net 3+的网络层级通道数对应；
20、将随机生成的噪声通过噪声编码器模块与第一特征图和第二特征图中特征进行拼接，生成拼接特征；
21、声明上层特征，并将所述上层特征初始化为空值；
22、组合所述上层特征和所述拼接特征，生成输入特征对，通过解码器对所述输入特征对进行语义恢复，并逐层更新所述输入特征对；
23、对更新后的所述输入特征对中上层特征进行卷积、relu激活和批归一化操作，得到处理后的特征；
24、逐元素应用tanh函数对所述处理后的特征进行激活，得到生成掌纹图像。
25、在其中一个实施例中，所述图像判别器采用以下方式构建：
26、构建金字塔切分注意力模块；
27、根据所述金字塔切分注意力模块，构建注意力加权的denseblock；
28、构建过度层；
29、调整所述特征图大小，获取至少3个大小不同的所述denseblock；
30、组合所述至少3个大小不同的所述denseblock，并通过所述过渡层连接相邻两个所述denseblock，生成图像判别器。
31、在其中一个实施例中，所述根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络包括：
32、分别创建图像生成器网络优化器和图像判别器网络优化器；
33、根据所述差异值通过图像判别器网络优化器对所述图像判别器进行优化、并根据所述差异值通过所述图像生成器网络优化器对所述图像生成器进行优化。
34、在其中一个实施例中，所述根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络包括：
35、根据所述差异值进行图像判别器迭代与图像生成器优化；
36、对图像判别器和图像生成器进行对抗训练、并优化网络参数直至目标条件，得到已训练的生成对抗网络；
37、其中，所述目标条件包括所述图像判别器本轮训练接收到的真实掌纹图像与生成掌纹图像之间差异达到纳什均衡，得到最小极大目标。
38、第二方面，本申请还提供了一种基于多连接生成对抗网络的掌纹图像扩充装置。所述装置包括：
39、数据获取模块，用于获取真实掌纹图像、以及初始生成对抗网络，所述初始生成对抗网络包括图像生成器和图像判别器；
40、第一处理模块，用于通过所述图像生成器将随机生成的噪声映射至真实掌纹图像特征空间中，得到生成掌纹图像；
41、第二处理模块，用于通过所述图像判别器判断所述真实掌纹图像与所述生成掌纹图像的差异值；
42、优化与训练模块，用于根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络；
43、扩充模块，用于根据所述已训练的生成对抗网络进行掌纹图像扩充。
44、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
45、获取真实掌纹图像、以及初始生成对抗网络，所述初始生成对抗网络包括图像生成器本文档来自技高网...
【技术保护点】
1.一种基于多连接生成对抗网络的掌纹图像扩充方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取真实掌纹图像包括：
3.根据权利要求1所述的方法，其特征在于，所述图像生成器使用U-Net 3+作为骨干模型；
4.根据权利要求3所述的方法，其特征在于，所述通过所述图像生成器将随机生成的噪声映射至真实掌纹图像特征空间中，得到生成掌纹图像包括：
5.根据权利要求1所述的方法，其特征在于，所述图像判别器采用以下方式构建：
6.根据权利要求1所述的方法，其特征在于，所述根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述差异值对所述图像判别器与所述图像生成器进行优化和训练，得到已训练的生成对抗网络包括：
8.一种基于多连接生成对抗网络的掌纹图像扩充装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于多连接生成对抗网络的掌纹图像扩充方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取真实掌纹图像包括：
3.根据权利要求1所述的方法，其特征在于，所述图像生成器使用u-net 3+作为骨干模型；
4.根据权利要求3所述的方法，其特征在于，所述通过所述图像生成器将随机生成的噪声映射至真实掌纹图像特征空间中，得到生成掌纹图像包括：
5.根据权利要求1所述的方法，其特征在于，所述图像判别器采用以下方式构建：
6.根据权利要求1所述的方法，其特征在于，所述根据所述差异值对所述图像判别器与所述图像生成器进...
【专利技术属性】
技术研发人员：周鲜成，董秩序，周开军，陈荣元，
申请(专利权)人：湖南工商大学，
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。