本技术涉及一种掌静脉身份验证图像的生成技术及其系统。该技术包括以下步骤:首先,采集一定数量的真实掌静脉图像,并执行预处理操作,以获得相应的掌静脉样本图像。接着,构建虚拟手掌轮廓,并在每个虚拟手掌轮廓上生成掌静脉图像,以模拟真实掌静脉图像。该系统能够有效地生成用于身份验证的掌静脉图像,增强身份验证的准确性和安全性。
背景技术
掌静脉识别技术是利用手掌内部静脉血管的独特性进行身份识别,掌静脉识别技术主要由图像采集、图像预处理、图像特征提取、特征匹配这几部分组成。掌静脉识别技术采用非接触式识别方式,用户只需将手掌放置在识别设备上方即可完成识别,无需与设备直接接触。非接触式的采集方式虽然避免了用户对隐私和卫生的顾虑,但因其需要高度配合和易受环境干扰的特点,短时间大量采集掌静脉图像数据是非常困难的。由于这样的原因,掌静脉数据集在公开场景中十分缺乏和少见,并且收集起来非常昂贵,这也进一步限制了掌静脉识别技术的发展。
在现有技术中,基于深度学习的图像生成模型主要以GAN网络为主,并且已广泛应用于人脸识别场景,例如人脸图像生成、人脸图像增强和超分辨率、人脸属性编辑、人脸图像风格转换等多个领域。生成对抗网络虽然在人脸识别领域展现了强大的生成能力,但由于掌静脉图像数据比面部图像更为敏感,包含了复杂的纹理和细微的血管结构,由于缺乏大量真实场景的掌静脉数据,目前GAN需要学习并精确地再现这些细节是无法做到的,但是这些细节对于身份识别又是至关重要。这就导致若过度拟合训练数据,则生成的样本局限于训练集中的特定模式,只能生成单一身份(ID)的掌静脉图像,而不是真正产生新颖的多样化样本,多样化指的是姿态、倾斜角度、不同亮度、清晰度等,若注重泛化能力训练数据,则无法生成单一身份(ID)的掌静脉图像。
实现思路