本技術(shù)涉及生物特征識別領(lǐng)域，尤其是涉及一種基于b樣條曲線和cnn的掌紋圖像生成方法、裝置及設(shè)備。

背景技術(shù)：

1、生物特征識別技術(shù)是利用可測量的人體生理或行為特征來識別和驗證身份的技術(shù)。這項技術(shù)已經(jīng)廣泛應(yīng)用于金融、醫(yī)療、教育、交通和安防等領(lǐng)域。在這些技術(shù)中，指紋識別、人臉識別、掌紋識別、虹膜識別、步態(tài)識別和聲紋識別等是常見的。每種識別技術(shù)都有其優(yōu)缺點。指紋識別因其面積小、信息量豐富性不夠和接觸性采集方式易造成形變及衛(wèi)生問題而受到限制。人臉識別受到遮擋干擾較大、易被竊取、可靠性有待提高等問題困擾。而掌紋圖像具有高度辨識度的紋理特征，包括主線、皺紋、脊末梢和分叉點，識別準(zhǔn)確度較高。此外，掌紋圖像采集方便，即使使用低分辨率手機也能輕松采集，且穩(wěn)定可靠。因此，與指紋識別和人臉識別相比，掌紋特征識別具有特征豐富、用戶易于接受、安全穩(wěn)定等優(yōu)點，是未來生物特征識別的發(fā)展趨勢。

2、基于深度學(xué)習(xí)的識別算法能從數(shù)據(jù)中自行學(xué)習(xí)更復(fù)雜的濾波器結(jié)構(gòu)，提取的掌紋深度特征更豐富、魯棒，泛化能力更強，但是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常需要大量數(shù)據(jù)，目前公開的掌紋數(shù)據(jù)集存在個體較少、單個個體掌紋圖像不足的問題。

技術(shù)實現(xiàn)思路

1、為了解決目前掌紋識別研究中掌紋數(shù)據(jù)庫數(shù)據(jù)量小的問題，本技術(shù)提供一種基于b樣條曲線和cnn的掌紋圖像生成方法、裝置及設(shè)備。

2、第一方面，本技術(shù)提供的一種基于b樣條曲線和cnn的掌紋圖像生成方法采用如下的技術(shù)方案：

3、一種基于b樣條曲線和cnn的掌紋圖像生成方法，包括：

4、根據(jù)先驗知識得到掌紋的結(jié)構(gòu)特征，通過所述結(jié)構(gòu)特征選取預(yù)設(shè)大小的正方形區(qū)域作為模擬掌紋的感興趣roi區(qū)域，并將所述roi區(qū)域進行區(qū)域劃分；

5、在劃分后的不同區(qū)域內(nèi)在roi的不同區(qū)域內(nèi)選取使用參數(shù)化的b樣條曲線去模擬掌紋線中的相關(guān)參數(shù)變量；

6、使用b樣條曲線根據(jù)所述roi區(qū)域和對應(yīng)區(qū)域中的相關(guān)參數(shù)變量進行掌紋線的擬合，以得到生成的掌紋線圖像；

7、利用卷積神經(jīng)網(wǎng)絡(luò)cnn模型從所述生成的掌紋線圖像中提取出第一圖像特征以及從真實掌紋圖像中提取出第二圖像特征；

8、將所述第一圖像特征和所述第二圖像特征進行特征融合，以生成偽掌紋圖像。

9、可選的，其中，所述預(yù)設(shè)大小為7cm×7cm，所述將所述roi區(qū)域進行區(qū)域劃分，包括：

10、將所述roi區(qū)域劃分成四個正方形區(qū)域，其中，劃分的每一個正方形區(qū)域均勻也大小相同，四個正方形區(qū)域分別為左上區(qū)域、左下區(qū)域、右上區(qū)域以及右下區(qū)域；

11、選取四個正方形區(qū)域中的所述左上區(qū)域，并按照相同的方式將所述左上區(qū)域也劃分成四個正方形區(qū)域。

12、可選的，所述相關(guān)參數(shù)變量包括端點與控制點，所述端點包括主紋的起始點與終點，所述在劃分后的不同區(qū)域內(nèi)在roi的不同區(qū)域內(nèi)選取使用參數(shù)化的b樣條曲線去模擬掌紋線中的相關(guān)參數(shù)變量，包括：

13、從所述左上區(qū)域所劃分的四個正方形區(qū)域中選定主紋的起始點，并以所述起始點為基準(zhǔn)使用b樣條曲線以參數(shù)化所述主紋對應(yīng)的手掌折痕；

14、基于所述手掌折痕從所述左下區(qū)域、右上區(qū)域以及右下區(qū)域選取參數(shù)點作為所述主紋的終點；

15、建立所述起始點和所述終點之間的連接線，并從所述連接線與所述主紋對應(yīng)的手掌折痕之間所形成的區(qū)域內(nèi)選取若干數(shù)量的控制點。

16、可選的，所述使用b樣條曲線根據(jù)所述roi區(qū)域和對應(yīng)區(qū)域中的相關(guān)參數(shù)變量進行掌紋線的擬合，以得到生成的掌紋線圖像，包括：

17、根據(jù)所述端點與所述控制點計算b樣條曲線上的點，計算公式為：

18、；

19、其中，cii?=?(0,1,...,n)為控制點，ni,k(t)(i?=?1,2,...,n)為b樣條曲線的基函數(shù)，遞推公式為：

20、在k=0時，，k=0；

21、在k≥1時，，i=?0,1,...,n；

22、其中，k為b樣條基函數(shù)的次數(shù)，記u?=為端點矢量。

23、可選的，所述將所述第一圖像特征和所述第二圖像特征進行特征融合，以生成偽掌紋圖像，包括：

24、基于所述第一圖像特征和所述第二圖像特征初始化風(fēng)格圖像和內(nèi)容圖像；

25、定義損失函數(shù)，所述損失函數(shù)包括內(nèi)容損失、風(fēng)格損失以及全變分損失；

26、選取所述cnn模型中的特征提取部分，利用五個卷積基于所述風(fēng)格圖像和所述風(fēng)格損失輸出風(fēng)格特征，以及利用一個卷積層基于所述內(nèi)容圖像和所述內(nèi)容損失輸出內(nèi)容特征；

27、基于所述風(fēng)格特征、所述內(nèi)容特征以及所述全變分損失生成偽掌紋圖像。

28、可選的，所述內(nèi)容損失用于衡量生成圖像與內(nèi)容圖像之間的差異，計算公式為：

29、；

30、其中和為原始內(nèi)容圖像和生成的圖像，是第層中位置j處第i個濾波器的激活值，是第層中位置j處第i個濾波器的原始值；

31、所述風(fēng)格損失用于衡量生成圖像與風(fēng)格圖像之間的差異，計算公式為：

32、；

33、其中，和為原始風(fēng)格圖像和生成的圖像，是每層對總損失貢獻的權(quán)重因子；

34、所述全變分損失用于減少生成圖像中的噪聲，計算公式為：

35、；

36、其中，α和β分別是內(nèi)容和風(fēng)格重建的權(quán)重因子。

37、可選的，期望的計算公式為：

38、；

39、其中，表示特征圖個數(shù)，每個特征圖的大小為，其中是特征圖的高度乘以寬度，是第層中向量化特征圖i和j之間的內(nèi)積，。

40、第二方面，本技術(shù)提供一種基于b樣條曲線和cnn的掌紋圖像生成裝置，所述基于b樣條曲線和cnn的掌紋圖像生成裝置包括：

41、劃分模塊，用于根據(jù)先驗知識得到掌紋的結(jié)構(gòu)特征，通過所述結(jié)構(gòu)特征選取預(yù)設(shè)大小的正方形區(qū)域作為模擬掌紋的感興趣roi區(qū)域，并將所述roi區(qū)域進行區(qū)域劃分；

42、選取模塊，用于在劃分后的不同區(qū)域內(nèi)在roi的不同區(qū)域內(nèi)選取使用參數(shù)化的b樣條曲線去模擬掌紋線中的相關(guān)參數(shù)變量；

43、擬合模塊，用于使用b樣條曲線根據(jù)所述roi區(qū)域和對應(yīng)區(qū)域中的相關(guān)參數(shù)變量進行掌紋線的擬合，以得到生成的掌紋線圖像；

44、提取模塊，用于利用卷積神經(jīng)網(wǎng)絡(luò)cnn模型從所述生成的掌紋線圖像中提取出第一圖像特征以及從真實掌紋圖像中提取出第二圖像特征；

45、融合模塊，用于將所述第一圖像特征和所述第二圖像特征進行特征融合，以生成偽掌紋圖像。

46、可選的，其中，所述預(yù)設(shè)大小為7cm×7cm，所述劃分模塊，用于將所述roi區(qū)域劃分成四個正方形區(qū)域，其中，劃分的每一個正方形區(qū)域均勻也大小相同，四個正方形區(qū)域分別為左上區(qū)域、左下區(qū)域、右上區(qū)域以及右下區(qū)域；

47、選取四個正方形區(qū)域中的所述左上區(qū)域，并按照相同的方式將所述左上區(qū)域也劃分成四個正方形區(qū)域。

48、第三方面，本技術(shù)提供一種基于b樣條曲線和cnn的掌紋圖像生成設(shè)備，所述設(shè)備包括：存儲器、處理器，所述處理器在運行所述存儲器存儲的基于b樣條曲線和cnn的掌紋圖像生成程序時，執(zhí)行如上文所述的方法。

49、綜上描述，本技術(shù)包括以下有益技術(shù)效果：

50、本技術(shù)通過根據(jù)先驗知識得到掌紋的結(jié)構(gòu)特征，通過所述結(jié)構(gòu)特征選取預(yù)設(shè)大小的正方形區(qū)域作為模擬掌紋的感興趣roi區(qū)域，并將所述roi區(qū)域進行區(qū)域劃分；在劃分后的不同區(qū)域內(nèi)在roi的不同區(qū)域內(nèi)選取使用參數(shù)化的b樣條曲線去模擬掌紋線中的相關(guān)參數(shù)變量；使用b樣條曲線根據(jù)所述roi區(qū)域和對應(yīng)區(qū)域中的相關(guān)參數(shù)變量進行掌紋線的擬合，以得到生成的掌紋線圖像；利用卷積神經(jīng)網(wǎng)絡(luò)cnn模型從所述生成的掌紋線圖像中提取出第一圖像特征以及從真實掌紋圖像中提取出第二圖像特征；將所述第一圖像特征和所述第二圖像特征進行特征融合，以生成偽掌紋圖像，通過上述方式生成偽掌紋圖像，以用于后續(xù)掌紋數(shù)據(jù)庫的構(gòu)建，解決了目前掌紋識別研究中掌紋數(shù)據(jù)庫數(shù)據(jù)量小的問題。