基于对抗对比学习的掌静脉识别算法研究.pdf

目录

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状3

1.3研究内容6

1.4本文的组织结构8

第二章相关理论和数据集9

2.1卷积神经网络9

2.2生成对抗网络14

2.3Transfomer16

2.4对比学习18

2.5小波变换20

2.6数据集21

2.7总结22

第三章基于掩码生成的对抗对比学习掌静脉识别算法23

3.1引言23

3.2掩码生成对抗对比学习模型24

3.3实验结果及分析28

3.4总结32

第四章基于图像生成的对抗对比学习掌静脉识别算法33

4.1引言33

4.2图像生成对抗对比学习模型34

4.3实验结果及分析38

4.4总结41

第五章总结与展望42

5.1总结42

5.2展望43

参考文献44

在校期间发表论文及参加课题情况53

摘要

基于对抗对比学习的掌静脉识别算法研究

摘要

由于掌静脉特征具有活体检测、非接触性等特性，静脉识别已经成为了生物

特征识别技术中的一个重要研究方向。近年来，深度学习已经在掌静脉识别任务

上展现出了强大的特征表达能力。然而，深度学习模型通常需要大量数据进行训

练才能达到最佳效果。在实际应用中，出于对隐私的保护，获取的手掌静脉样本

数量往往有限，这限制了深度学习模型在手掌静脉特征识别任务上的性能。因此，

如何在静脉数据缺乏和图像质量不佳的情况下有效地进行手掌静脉识别是当前亟

待解决的问题。为了解决该问题，本文研究生成对抗网络和对比学习等方法，并

将其应用于手掌静脉识别任务中，以实现鲁棒静脉特征识别。具体研究工作如下：

1

（）提出了基于掩码生成的对抗对比学习掌静脉识别算法。首先，利用随机

GenerativeAdversarialNetsGAN

生成大量的掩码来训练生成对抗网络（，）以学习

掩码分布空间。训练后，以潜在向量作为输入，生成器将生成掩码。然后，将训

练的生成器与对比学习模型相结合，构建掩码对抗对比学习模型，实现静脉特征

的有效提取。在训练过程中，生成器生成大量的困难样本以增加对比学习模型的

训练损失。同时，对比学习通过产生的困难样本能够学习更鲁棒的特征表达。换

言之，GAN为对比学习提供了在线数据扩充，而对比学习模型学习静脉表示的不

变特征。最后，从对比学习模型中获得训练的编码器，并将其用于下游的手掌静

脉识别任务。为了验证提出方法的性能，在CASIA、VERA和同济大学三个公共

的掌静脉数据集上进行了实验，结果表明基于掩码生成的对抗对比学习掌静脉识

别算法能够提高静脉分类器的识别性能。

（2）提出了基于图像生成的对抗对比学习掌静脉识别算法。首先将小波变换

transformerUNetTransUNetTransUNet

和（）网络结合，构建小波，以生成高质量

的静脉图像。然后，结合小波TransUNet与对比学习模型构建对抗对比学习掌静

脉识别算法。在对抗训练过程中，对比学习模型旨在通过最小化对比损失来学习

输入图像的特征表示，而小波TransUNet旨在生成具有挑战性的样本，以增加对

比学习模型的特征表示难度。经过训练后，对比学习模型中的编码器能够提取更

有效的特征。最后，将softmax分类器与训练的编码器相结合得到分类网络模型，