[发明专利]基于分类损失的生成对抗网络修复异常静脉图像的识别方法及装置

说明书

本发明涉及一种基于分类损失的生成对抗网络修复异常静脉图像的识别方法及装置，所述的静脉图像识别方法包括以下步骤：1）形成训练集；2）搭建基于SK‑ResNet的生成器网络；3）搭建基于CNN的判别器网络；4）搭建基于SK‑ResNet的分类网络；5）采用正常静脉图像B对基于SK‑ResNet的分类网络进行训练；6）修复缺损静脉图像A形成修复后的静脉图像C；7）更新生成器参数；8）更新基于CNN的判别器网络的参数；9）进行若干次迭代训练；10）基于最优的生成器模型获得修复后的静脉图像；11）提取静脉特征；12）进行识别。本发明在生成器网络以及分类器网络中加入SK‑ResNet结构，大大减少了模型的参数量，减轻了卷积神经网络的梯度消失问题，提高了网络提取静脉图像特征的能力。

技术领域

本发明属于图像处理与生物特征识别领域，尤其涉及一种基于分类损失的生成对抗网络修复异常静脉图像的识别方法及装置。

背景技术

静脉识别包括手掌静脉识别、手静脉识别等，作为一种新兴的身份识别技术，因其防伪能力强、识别迅速和准确率高等特点，其市场在不断扩大，拥有广阔的前景。而静脉图像成像设备镜面上出现脏污块、用户手指和手掌出现蜕皮等情况会引起静脉图像的部分特征缺失，形成异常静脉图像，导致该部分的静脉特征难以提取，最终影响静脉识别系统的识别性能。因此，如何提高静脉识别系统对异常静脉图像识别性能具有重要的理论与现实意义。

图像修复是一种利用图像未破损区域信息对图像破损区域进行预测修复的过程。传统的修复方法主要是以数学和物理的方法为主，采用基于扩散模型或者纹理合成的方法。

基于扩散模型修复图像的方法如中国专利申请CN 110163822 A公开的一种基于超像素分割与图割理论的网状遮挡物去除方法和系统，目的在于对许多摄影场景下网状遮挡物进行去除并修复出原图片中被遮挡的部分。包括以下部分：基于SEEDS算法进行图像超像素分割，基于图割理论进行超像素块融合，获取网状遮挡物样本，SVM分类，全变分法图像修复。

基于纹理合成修复图像的方法如中国专利CN102567970B公开的一种图像修复方法及装置，该方法包括：由外向内获取图像损坏区域的第一层待修补区域，并读取与第一层待修补区域相邻的已知图像区域的结构信息和颜色；根据已知图像区域的结构信息和颜色对第一层待修补区域进行梯度分析和颜色估计，得到第一层待修补区域的梯度信息和颜色；将第一层待修补区域的梯度信息和颜色作为初始值延伸至第一层待修补区域；根据初始值对第一层带修补区域进行纹理合成修复，以获取第一修补结果等步骤。

上述方法研究的对象大多是纹理比较清晰的图像，对静脉这类生物特征图像的修复算法研究较少，静脉图像为灰度图像且分辨率低、信息量少、静脉边缘纹理信息不明显，使得传统修复算法修复效果并不好，容易出现静脉纹理结构模糊、断裂等情况，导致静脉识别系统对异常静脉图像的识别性能不佳。

发明内容

本发明所要解决的技术问题提供一种基于分类损失的生成对抗网络修复异常静脉图像的识别方法及装置，以解决传统修复算法对于静脉图像的修复效果并不好，容易出现静脉纹理结构模糊、断裂等情况，从而导致静脉识别系统对异常静脉图像的识别性能不佳的问题。

为了解决上述技术问题，本发明提供的技术方案为：

本发明涉及一种基于分类损失的生成对抗网络修复异常静脉图像的识别方法，其包括以下步骤：

1）对若干缺损静脉图像A以及与若干缺损静脉图像一一对应的正常静脉图像B进行归一化处理，形成训练集；

2）搭建基于SK-ResNet的生成器网络，在生成器的编码器中加入SK-ResNet结构，SK-ResNet结构是在ResNet残差模块中加入SKNet模块的嵌入式模块；

3）搭建基于CNN的判别器网络；