[发明专利]一种基于PGGAN的指静脉图像生成方法

权利要求书

1.一种基于PGGAN的指静脉图像生成方法，其特征在于：其包括以下步骤：

S1、采集或选用指静脉图像构建训练数据集；

S2、构建基于PGGAN的手指静脉图像的生成网络模型，包括生成器和判别器；

S3、设计构建基于PGGAN的手指静脉图像的生成网络模型的损失函数；

S4、训练整个模型，迭代训练若干次；

S5、将测试集图像输入训练好的生成器中，获得生成的指静脉图像。

2.根据权利要求1所述的基于PGGAN的指静脉图像生成方法，其特征在于：步骤S2包括：

S2-1、构建生成器；在网络训练的过程中，生成器和判别器相当于彼此的镜像结构，两者是同时增长的，在整个训练过程中，生成器和判别器现有的所有结构都是可以训练的；当有新加的层加入原本的生成器和判别器中时，除了训练新加入的层，此前旧的层依旧是可训练的，而不是只训练新加入的层，每层包括2个卷积块，每个卷积块大小为3*3，大部分使用ReLU作为激活函数；

S2-2、构建判别器；判别器判断输入图像是生成的清晰图像还是真实清晰图像，并不断与生成器进行博弈，判别结果的准确性将直接影响生成器的性能；每层由2个3*3的卷积块构成，并在训练过程中逐渐增加网络层数，在训练过程中能更专注静脉图像的局部特征，从而使得生成图像的静脉纹理细节更清晰；

训练过程从具有4×4像素的低空间分辨率的生成器(G)和鉴别器(D)开始；随着训练的推进，我们逐渐增加G和D的层数，从而增加生成图像的空间分辨率；所有现有层在整个过程中都是可训练的；这允许在高分辨率中稳定的合成，并大大加快训练速度。

3.根据权利要求1或2所述的基于PGGAN的指静脉图像生成方法，其特征在于：所述的步骤S3具体包括：

S3-1、设计判别器损失：

对于判别器来说，要最小化判别器损失，需要给生成图像打低分，给真实图像打高分；

为了解决由于手指静脉图像的信息量少，在训练过程中梯度消失过快，从而导致网络对提取的纹理特征学习不够充分，还原图像依旧存在纹理模糊的问题，使用最小二乘损失函数作为判别器损失,为了使网络模型训练更加稳定，使用WGN-GP的梯度惩罚作为判别器损失的约束：

其中G为生成器(Generator)，D为判别器(Discriminator)，z为噪音，它可以服从归一化或者高斯分布，pdata(x)为真实数据x服从的概率分布，pz(z)为z服从的概率分布；E_x～pdata(x)为期望值，E_z～pz(z)同为期望值；

S3-2、设计生成器损失：

对于生成器而言，要最小化生成器损失，需要让自己生成的图像在判别器中获得高分；

其中G为生成器(Generator)，D为判别器(Discriminator)，z为噪音，它可以服从归一化或者高斯分布,pz(z)为z服从的概率分布，E_z～pz(z)为期望值。