文献类型：学位论文

作　　者：唐莉

导　　师：陈刘奎 唐云建

授予单位：重庆科技学院

学科专业：资源与环境（专业学位）

授予学位：硕士

学位年度：2023

语　　种：中文

摘　　要：在生物特征识别算法中,深度学习已被广泛应用于计算机视觉领域,如人脸和指纹等。优化深度模型算法需要大量的样本数据,但是目前的手指静脉数据集样本数量不足。因此,足量且优质的数据集对生物特征识别任务及其后续研究至关重要。针对上述问题,本文采用深度学习生成模型和经典方法对手指静脉进行数据扩增,采用扩充后的数据集来提升指静脉识别网络性能。本文主要工作如下:(1)针对现有的指静脉数据集样本少的问题,本文提出一个基于扩散模型的手指静脉图像生成算法。该算法通过缩短扩散模型的采样过程实现了更少的步骤生成手指静脉图像。同时,针对手指静脉样本少且不平衡问题,本文采用focal loss函数使得模型训练更佳稳定和准确。最后,针对生成模型训练过程中需要额外分类器的问题,本文采用隐式无分类器引导生成方法简化生成模型的训练过程,有效提高模型的生成效果和多样性。(2)为验证本文提出的基于扩散模型的手指静脉图像生成算法优于其他生成模型,本文开展了基于DCGAN、Style GAN2、原始扩散模型和改进的扩散模型的对比实验。改进的DCGAN存在梯度消失问题,Style GAN2存在多条指静脉纹路问题,而原始扩散模型的生成速度缓慢,本文提出的算法可生成与原始指静脉图像相似的静脉纹路和结点数,解决基于生成对抗网络完成图像生成任务时训练不稳定问题。其次,关于图像质量评价方面,本文采用FID和IS两个指标来评估多个生成模型的总体样本质量和图像保真度。(3)为了模拟用户在真实采集场景下手指局部挤压而发生的形变场景,本文采用经典方法中基于移动最小二乘法的图像扭曲算法来模拟手指静脉发生多个角度扭转时的图像,丰富手指静脉采集图像的多样性。然后,本文采用经典方法中的限制对比度自适应直方图均衡化,将�

关 键 词：扩散模型  静脉图像生成  指静脉识别  GAN

分 类 号：TP391.41]