一种无监督的指纹图像增强方法、系统及装置
本发明涉及图像处理领域，尤其涉及一种无监督的指纹图像增强方法、系统及装置。
背景技术：
1、在实际应用中，由于低质量指纹图像中的有效信息不足，导致特征提取的阶段提取到大量的伪细节点，影响了低质量指纹图像的识别准确率。
2、为了提高低质量指纹图像的质量，有必要采取相应的技术手段来进行指纹图像增强。随着深度学习的发展，很多专家学者提出了基于深度学习算法的指纹图像增强方法，取得了不同程度的效果，但是当前的方法中大多为有监督的深度学习方法，即需要成对的高质量-低质量指纹用于神经网络的训练，通常的做法是通过在高质量的指纹图像上添加各种虚拟噪声来生成对应的低质量指纹图像，这种方法虽然取得了一定的效果，但是难以完全契合现实场景中指纹图像质量变化的规律。因此，难以获得理想的指纹对来进行指纹增强模型的训练。
3、可见，研究无监督的指纹图像增强方法具有明显的现实意义，即在不需要成对的高质量-低质量指纹情况下，构建有效的指纹图像增强模型来提高低质量指纹图像的质量。
技术实现思路
1、有鉴于此，为了解决现有指纹图像增强方法中大多是采用有监督的深度学习算法，需要大量成对的高质量-低质量指纹作为训练集，进而导致难以适用于广泛的应用场景的技术问题，第一方面，本发明提出一种无监督的指纹图像增强方法，所述方法包括以下步骤：
2、获取指纹图像；
3、对所述指纹图像赋予标签并构建指纹数据库；
4、基于所述指纹数据库，对预构建的指纹判别器进行训练，得到训练完成的指纹判别器；
5、结合所述训练完成的指纹判别器，对预构建的指纹增强器进行训练，得到训练完成的指纹增强器；
6、将待增强指纹输入至所述训练完成的指纹增强器，得到增强指纹图像。
7、在一些实施例中，所述获取指纹图像这一步骤，还包括：
8、对所述指纹图像进行归一化和尺寸调整处理。
9、在一些实施例中，还包括：
10、在每个卷积层后用非线性函数对卷积层的输出进行非线性操作。
11、在一些实施例中，所述神经网络分类器采用交叉熵损失作为二分类损失函数，公式表示如下：
12、
13、其中，q为真实的标签，p为指纹判别器输出的标签，i表示第i个指纹图像。
14、通过该优选步骤，得到一个训练完成的基于神经网络的分类器用以判断一个指纹是否为高质量指纹。
15、在一些实施例中，所述预构建的指纹增强器以神经网络生成器为基础，包括svd-卷积模块、卷积层和输出层，其中：
16、svd-卷积模块由1个卷积层、1个svd层和1个非线性层组成；
17、svd层采用奇异值分解对卷积层的输出进行去噪；
18、非线性层采用非线性函数对svd层的输出进行非线性操作。
19、在一些实施例中，svd层的表达式如下：
20、ad＝uσdvt
21、其中，ad表示去噪后的卷积层输出，u表示左奇异向量矩阵，σd表示经过阈值处理后的奇异值矩阵，vt表示右奇异向量矩阵。
22、在一些实施例中，所述神经网络生成器的总损失函数包括基本特征损失和判别损失，所述总损失函数的表达式如下：
23、ltotal＝α*lbase+β*ld
24、其中，lbase表示基本特征损失，ld表示判别损失，α和β分别为基本特征损失和判别损失的权重系数。
25、通过该优选步骤，得到一个训练完成的基于神经网络的生成器用以实现指纹图像增强。
26、在一些实施例中，所述基本特征损失采用l1损失函数，其表达式如下：
27、
28、其中，x为输入的低质量指纹图像，g(x)为指纹增强器输出的指纹图像，n表示图像数量，i表示图像序号。
29、通过该优选步骤，取出部分数据构建测试集，用于对训练完成的消除网络进行测试，检查网络输出是否符合预设标准。
30、本发明还提出了一种无监督的指纹图像增强系统，所述系统包括：
31、图像获取模块，用于获取指纹图像；
32、数据库构建模块，用于对所述指纹图像赋予标签并构建指纹数据库；
33、判别训练模块，基于所述指纹数据库，对预构建的指纹判别器进行训练，得到训练完成的指纹判别器；
34、增强训练模块，用于结合所述训练完成的指纹判别器，对预构建的指纹增强器进行训练，得到训练完成的指纹增强器；
35、模型应用模块，用于将待增强指纹输入至所述训练完成的指纹增强器，得到增强指纹图像。
36、本发明还提出了一种无监督的指纹图像增强装置，包括：
37、至少一个处理器；
38、至少一个存储器，用于存储至少一个程序；
39、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种无监督的指纹图像增强方法。
40、基于上述方案，本发明提供了一无监督的指纹图像增强方法、系统及装置，搭建判别器和生成器，在训练集的构建过程中，只需要一定数量的高质量指纹图像和低质量指纹图像，两者之间不需要具有一一对应关系即可训练高效的深度学习模型用于指纹图像增强任务，提高低质量指纹图像的质量。
技术特征：
1.一种无监督的指纹图像增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种无监督的指纹图像增强方法，其特征在于，所述获取指纹图像这一步骤，还包括：
3.根据权利要求1所述一种无监督的指纹图像增强方法，其特征在于，所述预构建的指纹判别器以神经网络分类器为基础，包括卷积层、池化层、全连接层和输出层。
4.根据权利要求3所述一种无监督的指纹图像增强方法，其特征在于，所述神经网络分类器采用交叉熵损失作为二分类损失函数，公式表示如下：
5.根据权利要求1所述一种无监督的指纹图像增强方法，其特征在于，所述预构建的指纹增强器以神经网络生成器为基础，包括svd-卷积模块、卷积层和输出层，其中：
6.根据权利要求5所述一种无监督的指纹图像增强方法，其特征在于，svd层的表达式如下：
7.根据权利要求6所述一种无监督的指纹图像增强方法，其特征在于，所述神经网络生成器的总损失函数包括基本特征损失和判别损失，所述总损失函数的表达式如下：
8.根据权利要求7所述一种无监督的指纹图像增强方法，其特征在于，所述基本特征损失采用l1损失函数，其表达式如下：
9.一种无监督的指纹图像增强系统，其特征在于，包括：
10.一种无监督的指纹图像增强装置，其特征在于，包括：
技术总结
本发明公开了一种无监督的指纹图像增强方法、系统及装置，该方法包括：获取指纹图像；对所述指纹图像赋予标签并构建指纹数据库；对预构建的指纹判别器进行训练；结合训练完成的指纹判别器，对指纹增强器进行训练；将待增强指纹输入至训练完成的指纹增强器，得到增强指纹图像。该系统包括：图像获取模块、数据库构建模块、判别训练模块、增强训练模块和模型应用模块。该装置包括存储器以及用于执行上述无监督的指纹图像增强方法的处理器。通过使用本发明，能够在不需要成对的高质量‑低质量指纹情况下，训练高效的深度学习模型用于指纹图像增强任务，提高低质量指纹图像的质量。本发明可广泛应用于图像处理领域。
技术研发人员：钟伟
受保护的技术使用者：广东警官学院（广东省公安司法管理干部学院）
技术研发日：
技术公布日：2024/9/23