(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221045870 0.X (22)申请日 2022.04.24 (71)申请人 浙江科技学院 地址 310023 浙江省杭州市西湖区留和路 318号 (72)发明人 介婧　陈羽川　郑慧　张淼　 武晓莉　李津蓉　张以涛　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 郑芳 (51)Int.Cl. G06V 40/40(2022.01) G06V 40/14(2022.01) G06V 10/80(2022.01) G06V 10/25(2022.01)G06V 10/46(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于生成对抗网络和卷积神经网络的 指静脉识别方法 (57)摘要 本发明涉及一种基于生成对抗网络和卷积 神经网络的指静脉识别方法， 包括以下步骤： 对 甄别对象进行指静脉图像采集， 对采集到的指静 脉图像进行边缘检测； 经过图像形态学处理获取 不包含背景信息的指静脉前景区域； 灰度变换归 一化； 对所获取指静脉数据集的图像数据进行扩 增； 搭建深度卷积生成对抗网络模型， 输入扩增 后的数据集， 生成数量更加充足的指静脉图像； 构建BP‑AdaBoost网络通过多个参数相结合判断 指静脉图像的质量； 对符合质量的指静脉数据集 以一定比例分为训练集和测试集； 搭建改进后的 双通道VGG网络进行训练， 可得到指静脉分类网 络； 测试集输出分类结果。 本发明能加速网络收 敛， 有效提升指静脉识别的准确性。 权利要求书2页 说明书7页 附图5页 CN 114743278 A 2022.07.12 CN 114743278 A 1.一种基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征在于包括下述步 骤： S1： 采集并建立甄别对象的指静脉图像数据库， 并对数据库中的所有指静脉图像进行 预处理； S2： 对所获取指静脉 数据库的指静脉感兴趣区域图像样本进行扩增； S3： 构建深度卷积生成对抗网络， 扩增后的指静脉图像来训练深度卷积生成对抗网络， 生成器生成目标指静脉图像； S4： 构建BP ‑AdaBoost网络， 并通过包括对比度、 信息熵、 清晰度、 等效视数在内的多个 参数相结合判断指静脉图像的质量； S5： 对符合质量要求的指静脉 数据集分为训练集和 测试集； S6： 构建改进后的双通道VGG网络进行特征提取， 使用训练集对改进后的双通道VGG网 络进行训练， 得到指静脉图像分类网络； S7： 模型参数迭代优化后， 输入测试集中的指静脉图像测试， 输出指静脉图像分类结 果。 2.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S1包括以下子步骤： S11： 采用近红外线感应 器取得指静脉的分布图， 储 存样板； S12： 通过采集到的指静脉图像建立指静脉图像数据库； S13： 对指 静脉图像数据库里的指静脉图像进行sobel算子边缘检测， 经过包括闭运算、 去噪在内的图像形态学处 理获取不包 含背景信息的指静脉 前景区域； S14： 指静脉图像灰度变换归一 化。 3.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S2包括以下子步骤： S21： 得到经 过预处理后的指静脉感兴趣区域数据库； S22： 通过包括平移、 旋转、 伽马变换、 仿射变换在内的方法对指静脉感兴趣区域数据库 的指静脉图像样本进行扩增。 4.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S3包括以下子步骤： S31： 构建深度卷积生成对抗网络； S32： 输入 扩增后的指静脉图像进行训练； S33： 生成器生成指静脉图像； S34： 辨别器判断上述 步骤生成的指静脉图像是不是真的指静脉图像； S35： 生成器和辨别器 循环交替训练， 使最终生成器产生的数据逐渐接 近真实数据。 5.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S4包括以下子步骤： S41： 输入指静脉图像； S42： 选择参数指标； S43： 得出评价指标输出值； S44： 构建样本数据集；权　利　要　求　书 1/2 页 2 CN 114743278 A 2S45： 构建BP ‑AdaBoost强分类 器； S46： 输出指静脉图像的分类结果。 6.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S5包括以下子步骤： S51： 根据分类结果， 建立符合要求的指静脉 数据库； S52： 以8： 2的比例分为训练集和 测试集。 7.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S6包括以下子步骤： S61： 使用Ima genet初始化权值对所述指静脉图像分类网络进行迁移学习； S62： 基于改进后的双通道 VGG进行指静脉 特征提取； S63： 选择损失函数； S64： 选择优化器； S65： 根据损失函数、 优化器进行网络训练。 8.根据权利要求7所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于改进后的双通道VGG网络通过下述方法构建： 基于VGG卷积神经网络的框架， 分别搭建 VGG16和SimpleVGG形成双通道网络结构， 并且删除原 网络的全连接层， 用自定义的嵌入层 替代； 前置的特征提取层包括卷积层和最大池化层， VGG16网络含有13个卷积层， 其中每个 卷积层包括卷积和ReLU激活函数， 网络含有5个最大池化层， 其中池化的水平和垂 直步长皆 为2； SimpleVGG网络含有6个卷积层， 其中每个卷积层包括卷积、 ReLU激活函数和批量标准 化， 网络含有3个最大池化层， 其中池化的水平和垂 直步长皆为2； 将两个网络输出的特征融 合后输入到自定义嵌入层； 自定义嵌入层包括全局平均池化层、 LeakyReLU激活函数、 批量 标准化、 全连接层和丢弃层； 分类层的维度是训练过程中考虑的被分类 个数。 9.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于S7包括以下子步骤： S71： 将得到的特 征向量与数据库中的特 征向量逐一 求取欧式距离； S72： 选取使欧式距离为 最小值的特 征向量类别为匹配结果。 10.根据权利要求2所述基于生成对抗网络和卷积神经网络的指静脉识别方法， 其特征 在于： 灰度变换归一 化公式如下： 式中， N(i,j)代表变换后图像的灰度值， I(i,j)代表原图像的灰度值， min和max分别 表 示原图像的最小灰度值、 最大 灰度值。权　利　要　求　书 2/2 页 3 CN 114743278 A 3