CN117974833B - 图像生成方法、装置、设备、可读存储介质及程序产品 - Google Patents
图像生成方法、装置、设备、可读存储介质及程序产品 Download PDFInfo
- Publication number
- CN117974833B CN117974833B CN202410386199.XA CN202410386199A CN117974833B CN 117974833 B CN117974833 B CN 117974833B CN 202410386199 A CN202410386199 A CN 202410386199A CN 117974833 B CN117974833 B CN 117974833B
- Authority
- CN
- China
- Prior art keywords
- sample
- coefficient sequence
- line
- projection
- pseudo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 145
- 230000009466 transformation Effects 0.000 claims abstract description 117
- 238000005070 sampling Methods 0.000 claims description 105
- 238000012545 processing Methods 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 206010040925 Skin striae Diseases 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 30
- 230000008569 process Effects 0.000 description 17
- 238000000513 principal component analysis Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003672 processing method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 241000217377 Amblema plicata Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本申请提供了图像生成方法、装置、设备、可读存储介质及程序产品,该方法包括:根据投影系数集合中的样本投影系数序列确定第一投影系数序列,样本投影系数序列和第一投影系数序列均包括N个样本投影系数;样本投影系数序列是根据样本纹线图像确定的;对第一投影系数序列进行逆空间变换,得到目标拟合系数序列;利用目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;根据目标多阶多项式生成拟真纹线,并利用拟真纹线生成拟真纹线图像。通过本申请可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以根据系数确定与真实纹线高相似度的拟真纹线,进而可以生成与真实纹线图像高相似度的拟真纹线图像。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及图像生成方法、图像生成装置、计算机设备、计算机可读存储介质及计算机程序产品。
背景技术
随着计算机技术的发展,与生物纹线(例如:掌纹、指纹等)相关的应用场景越来越多,例如:资源转移场景、身份验证场景等等。与生物纹线相关的处理方法在实际应用之前通常需要利用大量的拟真纹线图像进行训练,以保证该处理方法的准确性。
确定拟真纹线图像的方法一般为利用贝塞尔曲线对真实纹线图像中的原始纹线进行处理,得到拟真纹线,再根据拟真纹线生成拟真纹线图像。然而,这种处理方法容易导致拟真纹线与原始纹线之间的相似度低,进而导致根据拟真纹线生成的拟真纹线图像与真实纹线图像之间的相似度低。
发明内容
本申请实施例提供了图像生成方法、装置、设备、可读存储介质及程序产品,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以根据系数确定与真实纹线高相似度的拟真纹线,进而可以生成与真实纹线图像高相似度的拟真纹线图像。
一方面,本申请实施例提供了一种图像生成方法,所述方法包括:
根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
一方面,本申请实施例提供了一种图像生成装置,所述装置包括:
确定单元,用于根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
处理单元,用于对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
生成单元,用于利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
所述生成单元,还用于根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
一方面,本申请实施例提供了一种计算机设备,包括:处理器、通信接口和存储器,所述处理器、所述通信接口和所述存储器相互连接,其中,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,实现本申请实施例提供的图像生成方法。
相应地,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机实现本申请实施例提供的图像生成方法。
相应地,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序或计算机指令,处理器执行所述计算机程序或计算机指令,使得所述计算机设备实现本申请实施例提供的图像生成方法。
通过本申请实施例提供的图像生成方法,可以对拟合系数进行空间变换,得到投影系数,有效避免了系数的过拟合,提高了投影系数的准确性,使得投影系数能够更加准确地表示真实纹线的特征;可以根据投影系数集合中的样本投影系数序列确定第一投影系数序列,并根据第一投影系数序列确定目标多阶多项式,由于样本投影系数序列是根据样本纹线图像中原始纹线的纹线特征数据确定的,而样本纹线图像为真实的纹线图像,因此,样本投影系数序列可以在一定程度上反映真实纹线的分布和走势,则根据第一投影系数序列确定的目标多阶多项式所描述的纹线可以更加趋近于真实纹线,目标多阶多项式能够在一定程度上反映真实纹线的分布情况;可以根据目标多阶多项式生成拟真纹线,该拟真纹线与真实纹线之间的相似度较高;可以根据拟真纹线生成拟真纹线图像,则该拟真纹线图像与真实纹线图像之间的相似度较高;通过本申请提供的图像生成方法,可以确定与真实纹线图像相似度较高的拟真纹线图像,可以有利于提高利用该拟真纹线图像进行训练的处理模型的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像生成系统的系统架构示意图;
图2是本申请实施例提供的一种图像生成方法的流程示意图;
图3是本申请实施例提供的一种图像生成方法的示意图;
图4是本申请实施例提供的一种样本投影系数序列确定方法的流程示意图;
图5是本申请实施例提供的一种样本投影系数序列确定方法的示意图;
图6是本申请实施例提供的一种图像生成装置的结构框图;
图7是本申请实施例提供的一种计算机设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的,而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。
与生物纹线相关的模型或者处理方法在实际应用前通常会利用大量的拟真纹线图像进行训练。一般情况下,生成拟真纹线图像的方法可以为采用贝塞尔曲线对真实纹线图像中的原始纹线进行描述处理,得到拟真纹线,再根据拟真纹线生成拟真纹线图像。贝塞尔曲线是一种应用于二维图形应用程序的数学曲线,一般的矢量图形软件可以通过贝塞尔曲线来精确画出曲线,贝塞尔曲线通常由线段与节点组成,节点是可拖动的支点,而线段则像可伸缩的皮筋。然而,利用贝塞尔曲线确定的拟真纹线与真实纹线之间的相似度较低,进而会导致根据该拟真纹线确定的拟真纹线图像与真实纹线图像的相似度较低,从而导致利用该拟真纹线图像训练得到的模型或者处理方法的准确度较差。
基于此,本申请实施例提供了一种图像生成方法,可以根据投影系数集合中的样本投影系数序列确定第一投影系数序列,样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;对第一投影系数序列进行逆空间变换,得到目标拟合系数序列;目标拟合系数序列包括M个拟合系数,M为大于N的正整数;利用目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;根据目标多阶多项式生成拟真纹线,并利用拟真纹线生成拟真纹线图像;其中,样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,第二投影系数序列是根据初始拟合系数序列进行空间变换得到的,初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;差异数据是根据样本纹线图像和样本拟真纹线图像确定的,样本拟真纹线图像是利用样本拟真纹线生成的,样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,样本拟合系数序列是对第二投影系数序列的采样结果进行逆空间变换得到,采样结果是对第二投影系数序列中的投影系数进行线性变换得到的。通过本申请实施例提供的方法,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以根据系数确定与真实纹线高相似度的拟真纹线,进而可以生成与真实纹线图像高相似度的拟真纹线图像。
本申请实施例提供的图像生成方法可以应用于人工智能领域。人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。在人工智能领域的环境感知场景中,可以利用生物纹线模型采集并处理环境中的生物纹线,则可以采用本申请提供的图像生成方法得到与真实纹线图像相似度较高的拟真纹线图像,并利用该拟真纹线图像对生物纹线模型进行训练处理,从而有效提高生物纹线模型的准确度。
本申请实施例提供的图像生成方法还可以应用于云计算领域。云计算(cloudcomputing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。本申请提供的图像生成方法,可以基于云计算技术实现,例如:图像生成服务器可以从云存储设备中获取投影系数集合,并根据投影系数集合中的样本投影系数序列确定第一投影系数序列;图像生成服务器可以利用云计算技术,对第一投影系数序列进行逆空间变换,得到目标拟合系数序列;并利用目标拟合系数序列生成目标多阶多项式;根据目标多阶多项式生成拟真纹线,并利用拟真纹线生成拟真纹线图像。通过本申请实施例提供的方法,可以利用云计算技术生成与真实纹线图像相似度高的拟真纹线图像,有利于提高拟真纹线图像的生成效率。
下面将结合附图,对本申请实施例提供的图像生成系统的架构进行介绍。
请参见图1,该图为本申请实施例提供的一种图像生成系统的系统架构示意图,该图像生成系统包括图像生成设备101、图像使用设备102和数据库103,图像生成设备101可以与图像使用设备102、数据库103进行数据交互。其中:
图像生成设备101可以从数据库103中获取投影系数集合,可以根据投影系数集合进行一系列处理,得到拟真纹线图像。图像生成设备101可以为独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network, CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
图像使用设备102可以接收图像生成设备101发送的拟真纹线图像,并利用拟真纹线图像进行相关处理,例如:利用拟真纹线图像进行相关模型的训练。图像使用设备102可以为独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network, CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
数据库103用于存储图像生成设备101的相关数据,例如:投影系数集合、拟真纹线图像等。数据库103可以为图像生成设备101中的本地数据库,也可以是与图像生成设备101相关联的云数据库(即部署在云端的数据库),具体可以基于私有云、公有云、混合云、边缘云等中的任一种部署,从而使得云数据库侧重的功能不同。例如部署在私有云中的数据库,基础云硬件是用户个人的设备,更侧重服务于小部分用户,而部署在公有云中的数据库,是基于第三方提供的云平台部署的,可以让数据库中存储的数据实现数据共享,任何用户的数据都可以存储至该数据库中,任何用户也可以使用数据库中的数据。
下面将详细阐述如图1所示的图像生成系统的工作原理:
图像生成设备101可以从数据库103中获取投影系数集合,该投影系数集合中可以包括样本投影系数序列,该样本投影系数序列可以是图像生成设备101利用差异数据对第二投影系数序列进行调整得到,第二投影系数序列可以是根据初始拟合系数序列进行空间变换得到的,初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;差异数据是根据样本纹线图像和样本拟真纹线图像确定的,样本拟真纹线图像是利用样本拟真纹线生成的,样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,样本拟合系数序列是对第二投影系数序列的采样结果进行逆空间变换得到,采样结果是对第二投影系数序列中的投影系数进行线性变换得到。
图像生成设备101可以根据投影系数集合中的样本投影系数序列确定第一投影系数序列,该样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数。图像生成设备101可以对第一投影系数序列进行逆空间变换,得到目标拟合系数序列;该目标拟合系数序列包括M个拟合系数(M为大于N的正整数)。图像生成设备101可以利用目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;根据目标多阶多项式生成拟真纹线,并利用拟真纹线生成拟真纹线图像。
图像生成设备101可以将拟真纹线图像存储到数据库103中,也可以将该拟真纹线图像发送给图像使用设备102,图像使用设备102可以利用该拟真纹线图像对生物纹线模型进行训练处理,进而提高生物纹线模型的处理准确度。通过本申请实施例提供的图像生成方法,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以根据系数确定与真实纹线高相似度的拟真纹线,进而可以生成与真实纹线图像高相似度的拟真纹线图像。
可以理解的是,本申请实施例描述的图像生成系统的架构示意图是为了更加清楚的说明本申请实施例的图像生成方法,并不构成对于本申请实施例提供的图像生成方法的限定。例如,本申请实施例所提供的图像生成方法除了可以由图像生成设备101执行,也可以由图像使用设备102执行,还可以由不同于图像生成设备101且能够与图像使用设备102和数据库103通信的其他设备执行。本领域普通技术人员可知,图1中的图像生成设备101、图像使用设备102和数据库103的数目仅仅是示意性的。根据业务实现需要,可以配置具有任意数目的设备。并且,随着系统架构的演变和新业务场景的出现,本申请实施例提供的图像生成方法对于类似的技术问题,同样适用。
需要说明的是,在本申请中,涉及到的生物纹线识别技术,在本申请的相关实施例运用到具体产品或技术中时,相关数据收集、使用和处理过程应该遵守相关法律法规要求,收集纹线图像前应该告知信息处理规则并征求目标对象的单独同意,并严格遵照法律法规要求和个人信息处理规则处理纹线图像,采取技术措施保障相关数据安全。
请参见图2,图2为本申请实施例提供的一种图像生成方法的流程示意图。该图像生成方法可以由上述图像生成设备101实现,也可以由图像使用设备102实现,还可以由其他能够实现本申请实施例所提供的图像生成方法的设备实现。本申请实施例中提供的图像生成方法的流程包括但不限于:
S201、根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数。
本申请实施例中,图像生成设备可以获取投影系数集合,该投影系数集合中可以包括一个或者多个样本投影系数序列,样本投影系数序列中可以包括N个样本投影系数(N为正整数)。图像生成设备可以根据投影系数集合中的样本投影系数序列,确定第一投影系数序列,第一投影系数序列中可以包括N个样本系数投影。
投影系数集合中的样本投影系数序列可以是图像生成设备利用差异数据对第二投影系数序列进行调整得到,第二投影系数序列可以是根据初始拟合系数序列进行空间变换得到的,初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;差异数据是根据样本纹线图像和样本拟真纹线图像确定的,样本拟真纹线图像是利用样本拟真纹线生成的,样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,样本拟合系数序列是对第二投影系数序列的采样结果进行逆空间变换得到,采样结果是对第二投影系数序列中的投影系数进行线性变换得到。确定样本投影系数序列的实现方式,可以如下述步骤S401-S406所示。由于样本纹线图像通常为真实的纹线图像,因此,根据样本纹线图像确定的样本投影系数序列可以较好地指示真实纹线图像中纹线的特征(例如纹线的分布和走势),则根据样本投影系数序列确定的第一投影系数序列也可以较好地反映真实纹线图像中纹线的特征,有利于后续根据该第一投影系数序列生成与真实纹线图像相似度高的拟真纹线图像。本申请实施例以生成包含一条纹线的拟真纹线图像为例进行说明。通过本申请实施例提供的方法,可以获取第一投影系数序列,有利于后续根据该第一投影系数序列确定拟真纹线图像。
需要说明的是,样本投影系数序列和第一投影系数序列中的样本投影系数均可以按照特定的规则排列。例如:样本投影系数序列中包括4个样本投影系数,这4个样本投影系数可以为e0到e3,则样本投影系数序列中这4个样本投影系数的排列顺序可以为e0、e1、e2、e3。样本投影系数序列和第一投影系数序列中的样本投影系数的大小和排列顺序均与后续计算方法相关联。
在一实施例中,样本纹线图像可以为掌纹图像、指纹图像和脚纹图像中的任意一种图像,则本申请提供的图像生成方法中,生成的拟真纹线图像可以为掌纹图像、指纹图像和脚纹图像中的任意一种图像。拟真纹线图像的图像类型与样本纹线图像的图像类型相匹配,拟真纹线图像的图像特征与真实纹线图像的图像特征相匹配。通过本申请实施例提供的方法,可以生成不同类型的拟真纹线图像,本申请提供的方法具有较好的普适性,能够应用于多种不同的应用场景,满足不同类型的拟真纹线图像需求。
在一实施例中,根据投影系数集合中的样本投影系数序列确定第一投影系数序列的实现方式,可以为:对投影系数集合包括的一个或者多个样本投影系数序列进行抽取处理,得到第一投影系数序列。由于样本投影系数序列均是根据真实的样本纹线图像确定的,因此,投影系数集合中各个样本投影系数序列均可以指示真实纹线图像中纹线的特征。图像生成设备可以从投影系数集合中抽取(例如随机抽取、按特定抽取规则抽取等)一个样本投影系数序列,并将该样本投影系数序列确定为第一投影系数序列。例如:投影系数集合中包括一万个样本投影系数序列,图像生成设备可以从这一万个样本投影系数序列随机抽取一个样本投影系数序列,并将抽取得到的样本投影系数序列确定为第一投影系数序列。需要说明的是,投影系数集合中的各个样本投影系数序列均包括N个样本投影系数,且不同的样本投影系数序列可以是根据不同的样本纹线图像确定的。通过本申请实施例提供的方法,可以获取第一投影系数序列,以便于后续根据该第一投影系数序列生成拟真纹线图像。
在一实施例中,根据投影系数集合中的样本投影系数序列确定第一投影系数序列的实现方式,还可以为:根据投影系数集合中的样本投影系数序列,确定N个样本投影系数所对应的投影系数分布信息;根据N个样本投影系数所对应的投影系数分布信息确定N个采样的样本投影系数,并根据N个采样的样本投影系数确定第一投影系数序列。可以利用投影系数集合中的样本投影系数序列,构建N个样本投影系数中各个样本投影系数所对应的投影系数分布信息,该投影系数分布信息可以指示该样本投影系数的分布情况。例如:投影系数集合中包括一万个样本投影系数序列,每个样本投影序列中均包括3个样本投影系数e0、e1和e2;可以根据一万个样本投影系数序列中的e0的值,构建e0所对应的投影系数分布信息(例如构建e0的高斯分布);可以采用相同的方法确定e1所对应的投影系数分布信息、e2所对应的投影系数分布信息;图像生成设备可以根据e0所对应的投影系数分布信息确定采样的e0(例如对e0的高斯分布进行采样,得到采样的e0)、根据e1所对应的投影系数分布信息确定采样的e1(例如对e1的高斯分布进行采样,得到采样的e1)、根据e2所对应的投影系数分布信息确定采样的e2(例如对e2的高斯分布进行采样,得到采样的e2);并根据采样的e0、采样的e1和采样的e2确定第一投影系数序列。通过本申请实施例提供的方法,可以确定第一投影系数序列,以便于后续根据第一投影系数序列确定拟真纹线图像。
S202、对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数。
本申请实施例中,样本投影系数序列中的样本投影系数是根据真实纹线(即样本纹线图像中的原始纹线)对应的多阶多项式的系数确定的,则第一投影系数序列中的样本投影系数也与该多阶多项式的系数相关联。在生成拟真纹线图像时,图像生成设备可以对第一投影系数序列包括的N个样本投影系数进行逆空间变换,得到目标拟合系数序列,该目标拟合系数序列中可以包括M个拟合系数,M可以为大于N的正整数。例如:在训练阶段,可以采用主成分分析(principal components analysis,PCA)方法,对真实纹线对应的多阶多项式的系数(共M个系数)进行空间变换,得到空间变换结果;并根据该空间变换结果确定样本投影系数序列;在使用阶段,可以根据该样本投影系数序列确定第一投影系数序列;可以对第一投影系数序列包括的N个样本投影系数进行逆空间变换(即逆PCA方法),重新得到M个拟合系数。
在训练阶段,本申请中涉及的数据的维度较高,训练过程较为复杂,因此采用了降维的方法,即根据M个真实纹线的多项式拟合系数确定包括N(M大于N)个投影系数的样本投影系数序列,从而有效避免了系数过拟合的情况。而在使用阶段,可以根据N个投影系数重新得到M个拟合系数。通过本申请实施例提供的方法,可以确定目标拟合系数序列,有利于后续根据目标拟合系数序列确定多阶多项式,进而生成拟真纹线图像。
在一实施例中,对第一投影系数序列进行逆空间变换,得到目标拟合系数序列的实现方式,可以为:对第一投影系数序列包括的N个投影系数进行逆空间变换,得到目标拟合系数序列;也可以为:对第一投影系数序列包括的N个投影系数进行线性变换,得到第一投影系数序列的采样结果;根据第一投影系数序列的采样结果进行逆空间变换,得到目标拟合系数序列。在使用阶段,可以直接对第一投影系数序列包括的N个投影系数进行逆空间变换,得到包括M个拟合系数的目标拟合系数序列。例如:对第一投影系数序列包括的N个投影系数进行逆PCA处理,得到包括M个拟合系数的目标拟合系数序列。也可以先对第一投影系数序列包括的N个投影系数进行线性变换,得到第一投影系数序列的采样结果;并根据该采样结果进行逆空间变换,得到目标拟合系数序列。例如:将第一投影系数序列包括的N个投影系数均乘以采样参数,得到N个采样处理后的投影系数(即第一投影系数序列的采样结果),对这N个采样处理后的投影系数进行逆PCA处理,得到包括M个拟合系数的目标拟合系数序列。通过本申请实施例提供的方法,可以采用多种不同的方式确定目标拟合系数序列,有利于增加根据第一投影系数序列确定的拟真纹线图像的数量。
S203、利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式。
本申请实施例中,可以根据目标拟合系数序列包括的M个拟合系数确定目标多阶多项式,该目标多阶多项式可以在一定程度上反映真实纹线图像中纹线的特征(例如纹线的分布和走势),即目标多阶多项式所描述的纹线趋近于真实纹线。目标拟合系数序列包括的M个拟合系数的排列顺序与目标多阶多项式中各阶变量的系数相关联,例如:M为5,目标拟合系数序列包括的M个拟合系数分别为(1,2,3,4,5),则目标多项式可以为。通过本申请实施例提供的方法,确定目标多阶多项式,有利于后续根据目标多阶多项式确定拟真纹线,进而确定与真实纹线图像相似度高的拟真纹线图像。
S204、根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像。
本申请实施例中,图像生成设备可以根据目标多阶多项式生成与真实纹线相似度较高的拟真纹线。在确定拟真纹线后,图像生成设备还可以根据拟真纹线生成的拟真纹线图像。由于样本投影系数序列是根据样本纹线图像确定的,样本纹线图像为真实的纹线图像,因此,根据样本投影系数序列确定第一投影系数序列后,根据第一投影系数序列逐步确定的拟真纹线图像与真实纹线图像之间的相似度较高。通过本申请实施例提供的方法,可以生成符合真实纹线分布的拟真纹线图像,解决了拟真纹线图像和真实纹线图像之间差异过大的问题,有利于提升根据拟真纹线图像训练得到的模型的准确度。
在一实施例中,根据目标多阶多项式生成拟真纹线的实现方式,可以为:生成目标多阶多项式对应的参考纹线;获取纹线采样控制参数,并根据纹线采样控制参数对目标多阶多项式对应的参考纹线进行采样处理,得到参考纹线上的多个采样关键点的特征信息;根据多个采样关键点的特征信息生成拟真纹线。确定出目标多阶多项式之后,可以生成目标多阶多项式对应的参考纹线,该参考纹线可以在一定程度上反映真实纹线的走势和分布。
确定参考纹线后,可以获取纹线采样控制参数,例如:可以随机确定纹线采样控制参数。根据纹线采样控制参数对目标多阶多项式对应的参考纹线进行采样处理,得到参考纹线上的多个采样关键点的特征信息。针对参考纹线的采样方法可以根据实际应用的不同而适应性调整。可以根据多个采样关键点的特征信息,生成与真实纹线相似度较高的拟真纹线。通过本申请实施例提供的方法,可以根据目标多阶多项式生成拟真纹线,该拟真纹线与真实纹线之间的相似度较高。
在一实施例中,样本纹线图像为掌纹图像,掌纹图像包括第一类型的纹线、第二类型的纹线和第三类型的纹线,原始纹线的类型为第一类型、第二类型和第三类型中的任意一种;投影系数集合包括:根据第一类型的纹线确定的多个第一样本投影系数序列、根据第二类型的纹线确定的多个第二样本投影系数序列、根据第三类型的纹线确定的多个第三样本投影系数序列;则利用拟真纹线生成拟真纹线图像的实现方式,可以为:在得到根据多个第一样本投影系数序列生成的第一拟真纹线、根据多个第二样本投影系数序列生成的第二拟真纹线以及根据多个第三样本投影系数序列生成的第三拟真纹线之后,利用第一拟真纹线、第二拟真纹线和第三拟真纹线生成拟真掌纹图像。
当样本纹线图像为掌纹图像时,掌纹图像中可以包括第一类型的纹线、第二类型的纹线和第三类型的纹线,针对这三种类型中的任意一种纹线,都可以采用本申请提供的方法,利用掌纹图像确定出该类型的纹线所对应的多个样本投影系数序列,即可以确定出第一类型的纹线对应的多个第一样本投影系数序列、第二类型的纹线对应的多个第二样本投影系数序列、第三类型的纹线对应的多个第三样本投影系数序列。图像生成设备可以根据多个第一样本投影系数序列生成的第一拟真纹线、根据多个第二样本投影系数序列生成的第二拟真纹线以及根据多个第三样本投影系数序列生成的第三拟真纹线,并根据第一拟真纹线、第二拟真纹线和第三拟真纹线生成拟真掌纹图像。
例如:存在1万张掌纹图像,针对一张掌纹图像,可以确定出一个第一样本投影系数序列、一个第二样本投影系数序列和一个第三样本投影系数序列;对1万张掌纹图像分别进行相同的处理,可以得到1万个第一样本投影系数序列、1万个第二样本投影系数序列、1万个第三样本投影系数序列(这些样本投影系数序列均包含于投影系数集合);根据1万个第一样本投影系数序列,可以确定第一类型对应的第一投影系数序列,对第一类型对应的第一投影系数序列进行逆空间变换,得到第一类型对应的目标拟合系数序列;利用第一类型对应的目标拟合系数序列生成第一类型对应的目标多阶多项式,并根据第一类型对应的目标多阶多项式生成第一拟真纹线,第一拟真纹线的类型为第一类型;采用类似的方法,可以根据1万个第二样本投影系数序列,确定第二拟真纹线(第二拟真纹线的类型为第二类型),还可以根据1万个第三样本投影系数序列,确定第三拟真纹线(第三拟真纹线的类型为第三类型);可以利用第一拟真纹线、第二拟真纹线和第三拟真纹线生成拟真掌纹图像,该拟真掌纹图像与真实掌纹图像的相似度较高。通过本申请实施例提供的方法,可以生成包含多条纹线的拟真纹线图像,且生成的拟真纹线图像与真实纹线图像的相似度较高。
需要说明的是,在根据多个第一样本投影系数序列生成的第一拟真纹线、根据多个第二样本投影系数序列生成的第二拟真纹线以及根据多个第三样本投影系数序列生成的第三拟真纹线时,可以分别独立地从多个第一样本投影系数序列中确定第一类型对应的第一投影系数序列、从多个第二样本投影系数序列中确定第二类型对应的第一投影系数序列、从多个第三样本投影系数序列中确定第三类型对应的第一投影系数序列,例如:存在1万个第一样本投影系数序列、1万个第二样本投影系数序列、1万个第三样本投影系数序列,可以分别对1万个第一样本投影系数序列、1万个第二样本投影系数序列、1万个第三样本投影系数序列进行抽取,得到三种类型分别对应的第一投影系数序列。也可以从多个第一样本投影系数序列中确定第一类型对应的第一投影系数序列,并根据第一类型对应的第一投影系数序列确定第二类型对应的第一投影系数序列、第三类型对应的第一投影系数序列。例如:根据一张样本掌纹图像可以确定一个第一样本投影系数序列、一个第二样本投影系数序列、一个第三样本投影系数序列,这三个样本投影系数序列相关联,若对多个第一样本投影系数序列进行抽取,得到目标第一样本投影系数序列,并将目标第一样本投影系数序列确定为第一类型的第一投影系数序列,可以将目标第一样本投影系数序列所关联的目标第二样本投影系数序列、目标第三样本投影系数序列分别确定为第二类型和第三类型对应的第一投影系数序列。此外,还需要利用三个纹线采样控制参数对三种类型对应的目标多阶多项式对应的纹线分别进行采样处理,这三个纹线采样控制参数可以相同,也可以不同。
在一实施例中,利用拟真纹线生成拟真纹线图像的实现方式,可以为:将拟真纹线输入目标拟真模型中进行处理,得到拟真纹线图像。目标拟真模型可以为生成对抗网络(Generative Adversarial Networks, GAN)模型,GAN模型主要用于执行图像生成、图像修复、风格迁移、艺术图像创造等任务。生成对抗网络由编码器和解码器构成,其中,编码器由三个残差卷积块(block)构成,而每个block均包括卷积层、批归一化(batchnorm)层和激活函数(relu)层;解码器由三层反卷积层构成。利用初始拟真模型根据样本纹线的拟真纹线(表示为x)生成预测拟真纹线图像的过程,可以表示为x_generated=GAN(x),其中,x_generated表示预测拟真纹线图像,GAN表示初始拟真模型。利用目标拟真模型生成的拟真纹线图像与真实纹线图像之间的纹线特征相似度高,其他特征(例如肌肉纹理)相似度也较高。通过本申请实施例提供的方法,可以利用模型生成拟真纹线图像,有效提高了拟真纹线图像的生成效率,同时也可以保证拟真纹线图像与真实纹线图像之间的相似度。
请参见图3,该图是本申请实施例提供的一种图像生成方法的示意图。图3所示的图像生成方法可以包括以下步骤:S301、根据投影系数集合中的样本投影系数序列确定第一投影系数序列,图像生成设备可以根据投影系数集合中的样本投影系数序列确定第一投影系数序列(例如从投影系数集合中随机抽取一个样本投影系数序列作为第一投影系数序列);样本投影系数序列和第一投影系数序列均包括N个样本投影系数(N为正整数);S302、对第一投影系数序列进行逆空间变换,得到目标拟合系数序列;图像生成设备可以对第一投影系数序列包括的N个样本投影系数进行逆空间变换,得到目标拟合系数序列,该目标拟合系数序列可以包括M个拟合系数(M为大于N的整数)。S303、利用目标拟合系数序列包括的M个拟合系数生成目标多阶多项式,图像生成设备可以利用M个拟合系数生成目标多阶多项式(可以为M-1阶多项式);S304、对目标多阶多项式对应的参考纹线进行采样处理,得到拟真纹线,图像生成设备可以获取纹线采样控制参数,并利用纹线采样控制参数对目标多阶多项式对应的参考纹线进行采样处理,得到拟真纹线。S305、利用拟真纹线生成拟真纹线图像,图像生成设备可以利用目标拟真模型对拟真纹线进行处理,得到拟真纹线图像。通过本申请实施例提供的方法,可以生成与真实纹线图像相似度高的拟真纹线图像,有利于提高拟真纹线图像的生成效率,也有利于提高利用拟真纹线图像进行训练的模型或方法的准确性。
通过本申请实施例提供的图像生成方法,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以利用投影系数集合中的样本投影系数序列确定目标多阶多项式,由于样本投影系数序列是根据样本纹线图像中原始纹线的纹线特征数据确定的,而样本纹线图像为真实的纹线图像,因此,样本投影系数序列可以在一定程度上反映真实纹线的分布和走势,则根据样本投影系数序列确定的多阶多项式所对应的纹线可以更加趋近于真实纹线,目标多阶多项式能够在一定程度上反映真实纹线的分布情况;与利用贝塞尔曲线的方法相比,本申请提供的方法可以得到能够更加准确地描述真实纹线的目标多阶多项式;可以根据目标多阶多项式生成与真实纹线相似度高的拟真纹线,从而有效解决了拟真纹线与真实纹线的分布差异大的问题;可以根据拟真纹线生成与真实纹线图像相似度高的拟真纹线图像,有效保证了拟真纹线图像的真实性也有利于提高利用拟真纹线图像进行训练的模型的准确度;本申请实施例提供的方法可以应用于多种不同的生物纹线领域,具有较好的普适性。
请参见图4,图4为本申请实施例提供的一种样本投影系数序列确定方法的流程示意图。该方法可以由上述图像生成设备101实现,可以由图像使用设备102实现,也可以由其他设备实现。以图像生成设备实现该方法为例,本申请实施例中提供的样本投影系数序列确定方法的流程包括但不限于:
S401、确定所述样本纹线图像中的原始纹线的纹线特征数据,所述纹线特征数据包括所述原始纹线上的多个标注关键点的特征信息。
本申请实施例中,图像生成设备可以确定样本纹线图像中的原始纹线的纹线特征数据。样本纹线图像为真实的纹线图像,样本纹线图像中的原始纹线为真实纹线。样本纹线图像可以为掌纹图像、指纹图像、脚纹图像中的任意一种。样本纹线图像中可以包括一条或者多条原始纹线,本申请实施例提供的方法以一条原始纹线为例进行说明。原始纹线的纹线特征数据可以包括原始纹线上的多个标注关键点的特征信息,该标注关键点可以在一定程度上反映原始纹线的特征(例如原始纹线的分布与走势),标注关键点的特征信息可以为该标注关键点的坐标信息,(例如:标注关键点的x轴坐标数据和y轴坐标数据),也可以包括其他的相关信息。
S402、根据所述多个标注关键点的特征信息确定所述第二投影系数序列,并对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果。
本申请实施例中,图像生成设备可以根据多个标注关键点的特征信息,确定第二投影系数序列,该第二投影系数序列中可以包括N个投影系数。可以对第二投影系数序列中包括的投影系数进行线性变换,得到第二投影系数序列的采样结果,第二投影系数序列的采样结果中也可以包括N个投影系数。
在一实施例中,根据多个标注关键点的特征信息确定第二投影系数序列的实现方式,可以为:对多个标注关键点的特征信息进行多项式拟合处理,得到初始拟合系数序列,初始拟合系数序列包括多阶多项式中各阶变量的初始拟合系数,初始拟合系数的数量为M;对M个初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数;对M个归一化处理后的初始拟合系数进行空间变换,得到第二投影系数序列,第二投影系数序列包括N个投影系数。
图像生成设备可以对原始纹线上的多个标注关键点的特征信息进行多项式拟合处理,得到初始拟合系数序列,该初始拟合系数序列包括原始纹线对应的M-1阶多项式中各阶变量的初始拟合系数,初始拟合系数的数量为M。例如:纹线特征数据包括n(n为正整数)个标注关键点的特征信息,且这n个标注关键点的特征信息分别为(,/>)、(/>,/>)、…、(/>,/>),则可以根据n个标注关键点的特征信息进行多项式拟合处理,得到一个M-1阶多项式,并可以根据该M-1阶多项式中各阶变量的初始拟合系数确定初始拟合系数序列,初始拟合系数序列中可以包括M个初始拟合系数。
需要说明的是,对多个标注关键点的特征信息进行多项式拟合处理时,可以根据实际应用需求确定采用几阶多项式来进行拟合处理。例如:利用4阶多项式对标注关键点的特征信息进行多项式拟合处理,假设n个标注关键点的特征信息分别为(,/>)、(/>,/>)、…、(/>,/>),则可以根据这n个标注关键点的特征信息进行4阶多项式拟合处理,得到4阶多项式对应的初始拟合系数序列,该初始拟合系数序列包括0阶到4阶变量的初始拟合系数(共5个)。初始拟合系数序列可以表示为(a0,a1,a2,a3,a4),其中,a0为0阶变量的初始拟合系数。通过本申请实施例提供的方法,可以得到原始纹线对应的初始拟合系数序列,为后续确定样本投影系数序列提供了数据基础。
确定出初始拟合系数序列之后,图像生成设备可以对M个初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数,例如:M为4,4个初始拟合系数分别为a0、a1、a2、a3、a4,可以对各个初始拟合系数进行(-1,1)的归一化处理,即。其中,i的取值为小于5的非负整数,ci表示归一化处理后的初始拟合系数,ai表示初始拟合系数。归一化处理后的初始拟合系数的值均大于-1且小于1。
可以对M个归一化处理后的初始拟合系数进行空间变换,得到第二投影系数序列,进行空间变换的方法可以为PCA方法。主成分分析处理(PCA)可以基于降维的思想,把多指标转化为少数几个综合指标,具体的,PCA是一个线性变换,这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上。主成分分析经常用于减少数据集的维数,同时保持数据集的对方差贡献最大的特征。
本申请实施例提供的方法中,初始拟合系数序列中的初始拟合系数的数量较多(共M个),即数据维度较大,而涉及样本纹线图像的数量较少,因此,为了避免出现过拟合的情况,可以对归一化处理后的初始拟合系数进行降维的主成分分析处理,得到M个初始拟合系数对应的N个投影系数(M大于N),即 PCA(/>),其中,/>表示N个投影系数,/>表示归一化处理后的M个初始拟合系数。通过本申请实施例提供的方法,可以对初始拟合系数进行处理,得到第二投影系数序列,有效避免了过拟合的情况处理,也有利于后续利用第二投影系数序列确定样本投影系数序列。
在一实施例中,对M个归一化处理后的初始拟合系数进行空间变换,得到第二投影系数序列的实现方式,可以为:根据M个归一化处理后的初始拟合系数生成待处理矩阵,并确定待处理矩阵的协方差矩阵;确定协方差矩阵的特征值以及特征值对应的特征向量,并根据特征值以及特征值对应的特征向量确定投影矩阵;利用投影矩阵对待处理矩阵进行处理,得到第二投影系数序列。
可以根据M个归一化处理后的初始拟合系数生成待处理矩阵,并确定待处理矩阵的协方差矩阵,例如:M个归一化处理后的初始拟合系数分别为a1、a2、a3、a4、a5,则可以根据这五个归一化处理后的初始拟合系数生成5行1列的待处理矩阵,协方差矩阵的确定方法可以如下述式(1)所示:
(1)
式(1)中,C表示待处理矩阵的协方差矩阵,X表示待处理矩阵,表示待处理矩阵的转置矩阵,m表示待处理矩阵的列数。可以对协方差矩阵进行求解,得到协调方差矩阵的特征值,以及特征值对应的特征向量。可以根据确定出的特征值以及特征值对应的特征向量确定投影矩阵,例如:可以将特征向量按对应特征值大小从上到下按行排列成矩阵,并取前N行组成投影矩阵,N用于指示第二投影系数序列中投影系数的数量。确定投影矩阵后,可以利用投影矩阵对待处理矩阵进行处理,得到参考拟合数据组对应的投影拟合数据组。确定投影拟合数据组的方式,可以如下式(2)所示:
(2)
式(2)中,Y表示第二投影系数序列,P表示投影矩阵,X表示待处理矩阵。例如:要使得第二投影系数序列中投影系数的数量为3,则可以将特征向量按对应特征值大小从上到下按行排列成矩阵,并取前3行组成投影矩阵;并利用投影矩阵对待处理矩阵进行处理,得到第二投影系数序列。通过本申请实施例提供的方法,可以对得到第二投影系数序列,有利于后续利用第二投影系数序列确定样本投影系数序列,进而有利于生成与真实纹线图像相似度高的拟真纹线图像。
在一实施例中,对第二投影系数序列中的投影系数进行线性变换,得到第二投影系数序列的采样结果的实现方式,可以为:获取线性变换参数;利用线性变换参数对第二投影系数序列包括的N个投影系数进行线性变换处理,得到第二投影系数序列的采样结果,第二投影系数序列的采样结果包括N个线性变换后的投影系数。图像生成设备可以获取线性变换参数,可以利用线性变换参数对第二投影系数序列包括的N个投影系数进行线性变换处理,得到第二投影系数序列的采样结果,该采样结果可以包括N个线性变换后的投影系数,例如:确定线性变换参数为,第二投影系数序列包括的N个投影系数分别为e0、e1、e2、e3;利用线性变换参数对第二投影系数序列包括的N个投影系数进行线性变换处理,得到第二投影系数序列的采样结果包括的N个投影系数,这N个投影系数可以分别为/> e0、/> e1、/> e2、/> e3。在一些情况下,利用线性变换参数对第二投影系数序列包括的N个投影系数进行线性变换处理,得到第二投影系数序列的采样结果的实现方法,还可以为:,该式中,i表示样本纹线图像中的第i类型的纹线,N表示第二投影系数序列中包括的投影系数的数量,/>表示投影系数调整参数,/>表示第二投影系数序列中的第k个投影系数,d表示目标变换参数,可以基于目标变换参数和第二投影系数序列中的N个投影系数,确定第二投影系数序列的采样结果。通过本申请实施例提供的方法,可以确定第二投影系数序列的采样结果,有利于后续根据第二投影系数序列的采样结果确定样本投影系数系列。
S403、对所述第二投影系数序列的采样结果进行逆空间变换,得到所述样本拟合系数序列。
本申请实施例中,图像生成设备可以对第二投影系数序列的采样结果(第二投影系数序列的采样结果中可以包括N个投影系数)进行逆空间变换,得到包括M个样本拟合系数的样本拟合系数序列。样本拟合系数序列中的样本拟合系数可以用于指示原始纹线的特征(例如原始纹线的分布和走势)。通过本申请实施例提供的方法,可以为后续确定样本投影系数序列提供数据基础,进而有利于得到准确的样本投影系数序列。
在一实施例中,第二投影系数序列的采样结果是根据第二投影系数序列确定的,第二投影系数序列是对初始拟合系数序列包括的M个初始拟合系数进行空间变换得到的,因此,可以对第二投影系数序列的采样结果包括的N个投影系数进行逆空间变换,得到M个样本拟合系数。例如:可以采用PCA方法对初始拟合系数序列包括的M个初始拟合系数进行空间变换,得到第二投影系数序列,对第二投影系数序列进行线性变换,得到第二投影系数序列的采样结果,可以采用逆PCA方法对第二投影系数序列的采样结果进行逆空间变换,得到样本拟合系数序列。
S404、根据所述样本拟合系数序列生成所述样本多阶多项式,并根据所述样本多阶多项式确定所述样本拟真纹线。
本申请实施例中,图像生成设备可以根据样本拟合系数序列(样本拟合系数序列中可以包括的M个样本拟合系数)生成样本多阶多项式(样本多阶多项式可以为M-1阶多项式)。可以根据样本多阶多项式确定样本拟真纹线。通过本申请实施例提供的方法,可以确定样本拟真纹线,有利于后续根据样本拟真纹线确定样本拟真纹线图像,进而确定出准确的样本投影系数序列。
在一实施例中,根据样本多阶多项式确定样本拟真纹线的实现方式,可以为:生成样本多阶多项式对应的参考纹线,获取样本采样控制参数,并根据样本采样控制参数对样本多阶多项式对应的参考纹线进行采样处理,得到样本多阶多项式对应的参考纹线上的多个样本关键点的特征信息;根据多个样本关键点的特征信息生成样本拟真纹线。根据样本多阶多项式确定样本拟真纹线与上述根据目标多阶多项式确定拟真纹线的实现方式类似,纹线采样控制参数和样本采样控制参数可以相同,也可以不同。
S405、根据所述样本拟真纹线生成所述样本拟真纹线图像,并根据所述样本拟真纹线图像和所述样本纹线图像确定所述差异数据。
本申请实施例中,图像生成设备可以根据样本拟真纹线图像生成样本拟真纹线图像,样本拟真纹线图像与样本纹线图像之间的相似度,可以在一定程度上指示第二投影系数序列描述原始纹线的准确度。若样本拟真纹线图像与样本纹线图像之间的相似度较小,则说明第二投影系数序列不能较好地描述原始纹线的特征,则需要进行调整。图像生成设备可以根据样本拟真纹线图像和样本纹线图像确定差异数据,该差异数据可以指示样本拟真纹线图像和样本纹线图像的图像特征相似度。
在一实施例中,根据所述样本拟真纹线生成所述样本拟真纹线图像的实现方式,可以为:将样本拟真纹线输入目标拟真模型中进行处理,得到样本拟真纹线图像。目标拟真模型可以是利用差异数据对初始拟真模型进行模型参数调整得到的。通过本申请实施例提供的方法,可以利用模型确定样本拟真纹线,提升确定样本投影系数序列的效率,可以根据差异数据确定目标拟真模型,有利于提高拟真模型生成的拟真纹线图像的准确性和真实性。
在一实施例中,根据样本拟真纹线图像和样本纹线图像确定差异数据的实现方式,可以为:对样本拟真纹线图像进行特征提取处理,得到样本拟真纹线图像的第一图像特征,并对样本纹线图像进行特征提取处理,得到样本纹线图像的第二图像特征;根据第一图像特征和第二图像特征确定差异数据。
可以对样本拟真纹线图像进行特征提取处理,得到样本拟真纹线图像的第一图像特征,可以对样本纹线图像进行特征提取处理,得到样本纹线图像的第二图像特征。在一些情况下,可以利用预训练好的识别模型对样本拟真纹线图像进行特征提取处理,得到样本拟真纹线图像的第一图像特征,并可以利用预训练好的识别模型对样本纹线图像进行特征提取处理,得到样本纹线图像的第二图像特征。该识别模型的结构可以采用移动面部识别网络(mobilefacenet)。mobilefacenet的结构与移动识别网络V2(mobilenet_V2)的结构类似,包括卷积层、瓶颈层(bottleneck)、全局逐深度卷积层(GDConv)等,可以快速地实现图像的特征提取处理。可以利用纹线图像基于arcface损失对识别模型进行预训练处理,使得预训练后的识别模型能够有针对性地实现纹线图像的特征提取处理。利用预训练好的识别模型分别对样本拟真纹线图像和样本纹线图像进行特征提取处理,得到第一图像特征和第二图像特征的过程,可以表示为:embeddings_generated=F(x_generated)、embeddings_real=F(x_real),其中,embeddings_generated表示样本拟真纹线图像的第一图像特征,x_generated表示样本拟真纹线图像,embeddings_real表示样本纹线图像的第二图像特征,x_real表示样本纹线图像,F表示识别模型。需要说明的是,在一些情况下,第一图像特征和第二图像特征可以为512维的特征向量。
确定第一图像特征和第二图像特征之后,可以根据第一图像特征和第二图像特征确定差异数据,具体的,可以将第一图像特征与第二图像特征之间的余弦距离数据确定为差异数据。例如:确定差异数据的方法可以表示为Loss_cosine=1-cosine(embeddings_generated,embeddings_real),其中,Loss_cosine表示差异数据,embeddings_generated表示第一图像特征,embeddings_real表示第二图像特征。该差异数据不仅可以指示样本拟真纹线图像与样本纹线图像中纹线之间的特征差异,还可以指示样本拟真纹线图像与样本纹线图像中除纹线之外的图像特征差异(例如:图像纹理、肌肉纹理等)。通过本申请实施例提供的方法,可以准确地确定差异数据,有利于后续利用差异数据对第二投影系数列表进行调整,得到准确的样本投影系数列表。
S406、利用所述差异数据对所述第二投影系数序列进行调整处理,并根据调整后的第二投影系数序列确定所述样本投影系数序列。
本申请实施例中,差异数据是根据样本拟真纹线图像和样本纹线图像确定的,而样本拟真纹线图像是根据第二投影系数序列确定的,差异数据可以在一定程度上指示第二投影系数序列所指示的纹线特征与原始纹线的纹线特征之间的差异情况。图像生成设备可以利用差异数据对第二投影系数序列进行调整处理,例如:利用差异数据对第二投影系数序列中的N个投影系数进行大小调整。
图像生成设备可以对调整后的第二投影系数序列进行逆空间变换,得到调整后的样本拟合系数序列,根据调整后的样本拟合系数序列包括的M个样本拟合系数生成调整后的样本多阶多项式,并根据调整后的样本多阶多项式确定调整后的样本拟真纹线,根据调整后的样本拟真纹线生成调整后的样本拟真纹线图像,根据调整后的样本拟真纹线图像和样本纹线图像确定新的差异数据。当第二投影系数序列的调整次数达到预设次数,或者确定的差异数据小于阈值数据时,得到的调整后的第二投影系数序列满足应用需求,能够准确地指示原始纹线的特征,此时,可以将该调整后的第二投影系数序列确定为样本投影系数序列。通过本申请实施例提供的方法,可以得到能够准确指示真实纹线的特征的样本投影系数序列,从而有利于后续根据样本投影系数序列确定与真实纹线图像相似度高的拟真纹线图像。
在一实施例中,拟真纹线图像是将拟真纹线输入目标拟真模型中进行处理得到的,目标拟真模型可以是利用差异数据对初始拟真模型进行模型参数调整得到的。具体的,可以根据一张样本纹线图像对应的差异数据对初始拟真模型进行模型参数调整,也可以根据多张样本纹线图像对应的差异数据确定整体差异数据,并利用整体差异数据对初始拟真模型进行模型参数调整。当初始拟真模型的模型调整次数达到预设次数,或者差异数据小于差异阈值时,将模型参数调整后的初始拟真模型确定为目标拟真模型。通过本申请实施例提供的方法,可以对拟真模型进行训练,有利于提高拟真模型生成的拟真图像的真实性,进一步提升拟真纹线图像与真实纹线图像之间的相似度。
需要说明的是,若图像生成设备利用差异数据对第二投影系数序列进行调整,进而得到样本投影系数序列,则在使用过程中,根据样本投影系数序列确定第一投影系数序列之后,图像生成设备可以对第一投影系数序列包括的N个样本投影系数进行逆空间变换,得到目标拟合系数序列,也可以对第一投影系数序列包括的N个样本投影系数进行线性变换,得到第一投影系数序列的采样结果,并对第一投影系数序列的采样结果进行逆空间变换,得到目标拟合系数序列。
在一些情况下,图像生成设备还可以利用差异数据对第二投影系数序列的采样结果进行调整处理,并可以根据调整后的第二投影系数序列的采样结果,确定样本投影系数序列。若图像生成设备利用差异数据对第二投影系数序列的采样结果进行调整,进而得到样本投影系数序列,则在使用过程中,根据样本投影系数序列确定第一投影系数序列之后,图像生成设备可以第一投影系数序列包括的N个样本投影系数进行逆空间变换,得到目标拟合系数序列。
请参见图5,该图是本申请实施例提供的一种样本投影系数序列确定方法的示意图。以图像生成设备实现该方法为例,如图5所示的样本投影系数序列确定方法可以包括以下步骤:S501、确定原始纹线的纹线特征数据;图像生成设备可以确定样本纹线图像中的原始纹线的纹线特征数据,纹线特征数据可以包括原始纹线上的多个标注关键点的特征信息。S502、进行多项式拟合处理;图像生成设备可以对多个标注关键点的特征信息进行多项式拟合处理,得到初始拟合系数序列,初始拟合系数序列可以包括多阶多项式中各阶变量的初始拟合系数,初始拟合系数的数量为M(M为正整数)。S503、进行空间变换;图像生成设备可以先对M个初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数,再对M个归一化处理后的初始拟合系数进行空间变换,得到第二投影系数序列,第二投影系数序列中可以包括N个投影系数。S504、进行线性变换;图像生成设备可以对第二投影系数序列包括的N个投影系数进行线性变换,得到第二投影系数序列的采样结果,该第二投影系数序列的采样结果可以包括N个线性变换后的投影系数。
S505、进行逆空间变换;图像生成设备可以对第二投影系数序列的采样结果进行逆空间变换,得到样本拟合系数序列,该样本拟合系数序列中可以包括M个样本拟合系数。S506、生成样本多阶多项式;图像生成设备可以根据样本拟合系数序列包括的M个样本拟合系数生成样本多阶多项式。S507、生成样本拟真纹线;图像生成设备可以样本多阶多项式对应的参考纹线进行采样处理,得到多个样本关键点的特征信息,并根据多个样本关键点的特征信息确定样本拟真纹线。S508、输入目标拟真模型进行处理;图像生成设备可以将样本拟真纹线输入目标拟真模型(目标拟真模型中可以包括编码器和解码器)进行处理,得到样本拟真纹线图像。S509、确定差异数据;图像生成设备可以确定样本拟真纹线图像的第一图像特征、样本纹线图像的第二图像特征,并根据第一图特征和第二图像特征确定差异数据。S510、利用差异数据对第二投影系数序列进行调整处理;图像生成设备可以利用差异数据对第二投影系数序列进行调整处理,以使调整后的第二投影系数序列能够更加准确地表示真实纹线的特征。S511、将多次调整后的第二投影系数序列确定为样本投影系数序列;图像生成设备可以将多次调整后的满足准确度要求的第二投影系数序列确定为样本投影系数序列。通过本申请实施例提供的方法,可以确定出能够准确表示真实纹线的特征的样本投影系数序列,从而有利于在实际使用时根据样本投影系数序列确定出与真实纹线图像相似度高的拟真纹线图像。
通过本申请实施例提供的方法,可以确定出能够准确表示真实纹线的特征的样本投影系数序列,从而有利于在实际使用时,根据样本投影系数序列确定出与真实纹线图像相似度高的拟真纹线图像;在确定样本投影系数序列的过程中采用了降维的空间转换方法,可以有效避免系数过拟合,进而保证样本投影系数序列的准确性;还可以对拟真模型进行训练,使得生成的拟真纹线图像中的拟真纹线的特征趋近于真实纹线的特征、拟真纹线图像中的其他细节也与真实纹线图像相匹配;本申请实施例提供的方法中的样本纹线图像可以是任意一种生物纹线,该方法可以应用于多种不同的生物纹线领域,具有较好的普适性。
需要说明的是,本申请书中相关数据(例如:样本纹线图像)收集处理在实例应用时应该严格根据相关法律法规的要求,获取个人信息主体的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续数据使用及处理行为。
请参见图6,图6为本申请实施例提供的一种图像生成装置的结构框图。图6所示的装置可以对应上述图1中的图像生成设备101。所述装置包括:
确定单元601,用于根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
处理单元602,用于对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
生成单元603,用于利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
所述生成单元603,还用于根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
在一实施例中,所述样本纹线图像为掌纹图像,所述掌纹图像包括第一类型的纹线、第二类型的纹线和第三类型的纹线,所述原始纹线的类型为第一类型、第二类型和第三类型中的任意一种;所述投影系数集合包括:根据所述第一类型的纹线确定的多个第一样本投影系数序列、根据所述第二类型的纹线确定的多个第二样本投影系数序列、根据所述第三类型的纹线确定的多个第三样本投影系数序列;所述生成单元603在利用所述拟真纹线生成拟真纹线图像时,具体用于:在得到根据所述多个第一样本投影系数序列生成的第一拟真纹线、根据所述多个第二样本投影系数序列生成的第二拟真纹线以及根据所述多个第三样本投影系数序列生成的第三拟真纹线之后,利用所述第一拟真纹线、所述第二拟真纹线和所述第三拟真纹线生成拟真掌纹图像。
在一实施例中,所述生成单元603在根据所述目标多阶多项式生成拟真纹线时,具体用于:生成所述目标多阶多项式对应的参考纹线;获取纹线采样控制参数,并根据所述纹线采样控制参数对所述目标多阶多项式对应的参考纹线进行采样处理,得到所述参考纹线上的多个采样关键点的特征信息;根据所述多个采样关键点的特征信息生成拟真纹线。
在一实施例中,所述生成单元603,还用于:根据所述多个标注关键点的特征信息确定所述第二投影系数序列,并对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果;对所述第二投影系数序列的采样结果进行逆空间变换,得到所述样本拟合系数序列;根据所述样本拟合系数序列生成所述样本多阶多项式,并根据所述样本多阶多项式确定所述样本拟真纹线;根据所述样本拟真纹线生成所述样本拟真纹线图像,并根据所述样本拟真纹线图像和所述样本纹线图像确定所述差异数据;利用所述差异数据对所述第二投影系数序列进行调整处理,并根据调整后的第二投影系数序列确定所述样本投影系数序列。
在一实施例中,所述生成单元603在根据所述多个标注关键点的特征信息确定所述第二投影系数序列时,具体用于:对所述多个标注关键点的特征信息进行多项式拟合处理,得到所述初始拟合系数序列,所述初始拟合系数序列包括多阶多项式中各阶变量的初始拟合系数,所述初始拟合系数的数量为M;对M个所述初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数;对所述M个归一化处理后的初始拟合系数进行空间变换,得到所述第二投影系数序列,所述第二投影系数序列包括N个投影系数。
在一实施例中,所述生成单元603在对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果时,具体用于:获取线性变换参数;利用所述线性变换参数对所述第二投影系数序列包括的N个投影系数进行线性变换处理,得到所述第二投影系数序列的采样结果,所述第二投影系数序列的采样结果包括N个线性变换后的投影系数。
在一实施例中,所述样本纹线图像为掌纹图像、指纹图像和脚纹图像中的任意一种图像。
可以理解的是,本申请实施例的图像生成装置的各功能单元的功能可根据上述方法实施例中的图像生成方法具体实现,其具体实现过程可以参照上述图像生成方法实施例中的相关描述,此处不再赘述。本申请实施例中,术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分,并与其他相关部分一起工作以实现预定目标,并且可以通过使用软件、硬件(如处理电路或存储器)或其组合来全部或部分实现。同样的,一个处理器(或多个处理器或存储器)可以用来实现一个或多个模块或单元。此外,每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。
通过本申请实施例提供的图像生成方法,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以利用投影系数集合中的样本投影系数序列确定目标多阶多项式,由于样本投影系数序列是根据样本纹线图像中原始纹线的纹线特征数据确定的,而样本纹线图像为真实的纹线图像,因此,样本投影系数序列可以在一定程度上反映真实纹线的分布和走势,则根据样本投影系数序列确定的多阶多项式所对应的纹线可以更加趋近于真实纹线,目标多阶多项式能够在一定程度上反映真实纹线的分布情况;与利用贝塞尔曲线的方法相比,本申请提供的方法可以得到能够更加准确地描述真实纹线的目标多阶多项式;可以根据目标多阶多项式生成与真实纹线相似度高的拟真纹线,从而有效解决了拟真纹线与真实纹线的分布差异大的问题;可以根据拟真纹线生成与真实纹线图像相似度高的拟真纹线图像,有效保证了拟真纹线图像的真实性也有利于提高利用拟真纹线图像进行训练的模型的准确度;本申请实施例提供的方法可以应用于多种不同的生物纹线领域,具有较好的普适性。
请参见图7,图7为本申请实施例提供的一种计算机设备的结构框图。图7所示的计算机设备可以对应于上述图1中的图像生成设备101。本申请实施例中所描述的计算机设备包括:处理器701、通信接口702及存储器703。其中,处理器701、通信接口702及存储器703可通过总线或其他方式连接,本申请实施例以通过总线连接为例。
其中,处理器701(或称CPU(Central Processing Unit,中央处理器))是计算机设备的计算核心以及控制核心,其可以解析计算机设备内的各类指令以及处理计算机设备的各类数据,例如:CPU可以用于解析用户向计算机设备所发送的开关机指令,并控制计算机设备进行开关机操作;再如:CPU可以在计算机设备内部结构之间传输各类交互数据,等等。通信接口702可选的可以包括标准的有线接口、无线接口(如Wi-Fi、移动通信接口等),受处理器701的控制用于收发数据。存储器703(Memory)是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的存储器703既可以包括计算机设备的内置存储器,当然也可以包括计算机设备所支持的扩展存储器。存储器703提供存储空间,该存储空间存储了计算机设备的操作系统,可包括但不限于:Android系统、iOS系统、Windows Phone系统等等,本申请对此并不作限定。
在本申请实施例中,处理器701通过运行存储器703中的可执行程序代码,执行如下操作:
根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
在一实施例中,所述样本纹线图像为掌纹图像,所述掌纹图像包括第一类型的纹线、第二类型的纹线和第三类型的纹线,所述原始纹线的类型为第一类型、第二类型和第三类型中的任意一种;所述投影系数集合包括:根据所述第一类型的纹线确定的多个第一样本投影系数序列、根据所述第二类型的纹线确定的多个第二样本投影系数序列、根据所述第三类型的纹线确定的多个第三样本投影系数序列;所述处理器701在利用所述拟真纹线生成拟真纹线图像时,具体用于:在得到根据所述多个第一样本投影系数序列生成的第一拟真纹线、根据所述多个第二样本投影系数序列生成的第二拟真纹线以及根据所述多个第三样本投影系数序列生成的第三拟真纹线之后,利用所述第一拟真纹线、所述第二拟真纹线和所述第三拟真纹线生成拟真掌纹图像。
在一实施例中,所述处理器701在根据所述目标多阶多项式生成拟真纹线时,具体用于:生成所述目标多阶多项式对应的参考纹线;获取纹线采样控制参数,并根据所述纹线采样控制参数对所述目标多阶多项式对应的参考纹线进行采样处理,得到所述参考纹线上的多个采样关键点的特征信息;根据所述多个采样关键点的特征信息生成拟真纹线。
在一实施例中,所述处理器701,还用于:确定所述样本纹线图像中的原始纹线的纹线特征数据,所述纹线特征数据包括所述原始纹线上的多个标注关键点的特征信息;根据所述多个标注关键点的特征信息确定所述第二投影系数序列,并对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果;对所述第二投影系数序列的采样结果进行逆空间变换,得到所述样本拟合系数序列;根据所述样本拟合系数序列生成所述样本多阶多项式,并根据所述样本多阶多项式确定所述样本拟真纹线;根据所述样本拟真纹线生成所述样本拟真纹线图像,并根据所述样本拟真纹线图像和所述样本纹线图像确定所述差异数据;利用所述差异数据对所述第二投影系数序列进行调整处理,并根据调整后的第二投影系数序列确定所述样本投影系数序列。
在一实施例中,所述处理器701在根据所述多个标注关键点的特征信息确定所述第二投影系数序列时,具体用于:对所述多个标注关键点的特征信息进行多项式拟合处理,得到所述初始拟合系数序列,所述初始拟合系数序列包括多阶多项式中各阶变量的初始拟合系数,所述初始拟合系数的数量为M;对M个所述初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数;对所述M个归一化处理后的初始拟合系数进行空间变换,得到所述第二投影系数序列,所述第二投影系数序列包括N个投影系数。
在一实施例中,所述处理器701在对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果时,具体用于:获取线性变换参数;利用所述线性变换参数对所述第二投影系数序列包括的N个投影系数进行线性变换处理,得到所述第二投影系数序列的采样结果,所述第二投影系数序列的采样结果包括N个线性变换后的投影系数。
在一实施例中,所述样本纹线图像为掌纹图像、指纹图像和脚纹图像中的任意一种图像。
具体实现中,本申请实施例中所描述的处理器701、通信接口702及存储器703可执行本申请实施例提供的一种图像生成方法中所描述的图像生成设备的实现方式,也可执行本申请实施例提供的一种图像生成装置中所描述的实现方式,在此不再赘述。
通过本申请实施例提供的图像生成方法,可以通过将系数进行空间变换后再进行处理,有效避免系数的过拟合,提高系数的准确性,可以利用投影系数集合中的样本投影系数序列确定目标多阶多项式,由于样本投影系数序列是根据样本纹线图像中原始纹线的纹线特征数据确定的,而样本纹线图像为真实的纹线图像,因此,样本投影系数序列可以在一定程度上反映真实纹线的分布和走势,则根据样本投影系数序列确定的多阶多项式所对应的纹线可以更加趋近于真实纹线,目标多阶多项式能够在一定程度上反映真实纹线的分布情况;与利用贝塞尔曲线的方法相比,本申请提供的方法可以得到能够更加准确地描述真实纹线的目标多阶多项式;可以根据目标多阶多项式生成与真实纹线相似度高的拟真纹线,从而有效解决了拟真纹线与真实纹线的分布差异大的问题;可以根据拟真纹线生成与真实纹线图像相似度高的拟真纹线图像,有效保证了拟真纹线图像的真实性也有利于提高利用拟真纹线图像进行训练的模型的准确度;本申请实施例提供的方法可以应用于多种不同的生物纹线领域,具有较好的普适性。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如本申请实施例所述的图像生成方法。其具体实现方式可参考前文描述,此处不再赘述。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序或计算机指令,处理器执行所述计算机程序或计算机指令,使得所述计算机设备执行如本申请实施例所述的图像生成方法。其具体实现方式可参考前文描述,此处不再赘述。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以为计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本申请各个实施例上述方法的全部或部分步骤。其中,而前述的存储介质可包括:U盘、移动硬盘、磁碟、光盘、只读存储器(英文:Read-Only Memory,缩写:ROM)或者随机存取存储器(英文:Random Access Memory,缩写:RAM)等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,应当理解:依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种图像生成方法,其特征在于,所述方法包括:
根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
2.根据权利要求1所述的方法,其特征在于,所述样本纹线图像为掌纹图像,所述掌纹图像包括第一类型的纹线、第二类型的纹线和第三类型的纹线,所述原始纹线的类型为第一类型、第二类型和第三类型中的任意一种;
所述投影系数集合包括:根据所述第一类型的纹线确定的多个第一样本投影系数序列、根据所述第二类型的纹线确定的多个第二样本投影系数序列、根据所述第三类型的纹线确定的多个第三样本投影系数序列;
所述利用所述拟真纹线生成拟真纹线图像,包括:
在得到根据所述多个第一样本投影系数序列生成的第一拟真纹线、根据所述多个第二样本投影系数序列生成的第二拟真纹线以及根据所述多个第三样本投影系数序列生成的第三拟真纹线之后,利用所述第一拟真纹线、所述第二拟真纹线和所述第三拟真纹线生成拟真掌纹图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标多阶多项式生成拟真纹线,包括:
生成所述目标多阶多项式对应的参考纹线;
获取纹线采样控制参数,并根据所述纹线采样控制参数对所述目标多阶多项式对应的参考纹线进行采样处理,得到所述参考纹线上的多个采样关键点的特征信息;
根据所述多个采样关键点的特征信息生成拟真纹线。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
确定所述样本纹线图像中的原始纹线的纹线特征数据,所述纹线特征数据包括所述原始纹线上的多个标注关键点的特征信息;
根据所述多个标注关键点的特征信息确定所述第二投影系数序列,并对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果;
对所述第二投影系数序列的采样结果进行逆空间变换,得到所述样本拟合系数序列;
根据所述样本拟合系数序列生成所述样本多阶多项式,并根据所述样本多阶多项式确定所述样本拟真纹线;
根据所述样本拟真纹线生成所述样本拟真纹线图像,并根据所述样本拟真纹线图像和所述样本纹线图像确定所述差异数据;
利用所述差异数据对所述第二投影系数序列进行调整处理,并根据调整后的第二投影系数序列确定所述样本投影系数序列。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个标注关键点的特征信息确定所述第二投影系数序列,包括:
对所述多个标注关键点的特征信息进行多项式拟合处理,得到所述初始拟合系数序列,所述初始拟合系数序列包括多阶多项式中各阶变量的初始拟合系数,所述初始拟合系数的数量为M;
对M个所述初始拟合系数进行归一化处理,得到M个归一化处理后的初始拟合系数;
对所述M个归一化处理后的初始拟合系数进行空间变换,得到所述第二投影系数序列,所述第二投影系数序列包括N个投影系数。
6.根据权利要求4所述的方法,其特征在于,所述对所述第二投影系数序列中的投影系数进行线性变换,得到所述第二投影系数序列的采样结果,包括:
获取线性变换参数;
利用所述线性变换参数对所述第二投影系数序列包括的N个投影系数进行线性变换处理,得到所述第二投影系数序列的采样结果,所述第二投影系数序列的采样结果包括N个线性变换后的投影系数。
7.根据权利要求1所述的方法,其特征在于,所述样本纹线图像为掌纹图像、指纹图像和脚纹图像中的任意一种图像。
8.一种图像生成装置,其特征在于,所述装置包括:
确定单元,用于根据投影系数集合中的样本投影系数序列确定第一投影系数序列,所述样本投影系数序列和第一投影系数序列均包括N个样本投影系数,N为正整数;
处理单元,用于对所述第一投影系数序列进行逆空间变换,得到目标拟合系数序列;所述目标拟合系数序列包括M个拟合系数,M为大于N的正整数;
生成单元,用于利用所述目标拟合系数序列包括的M个拟合系数生成目标多阶多项式;
所述生成单元,还用于根据所述目标多阶多项式生成拟真纹线,并利用所述拟真纹线生成拟真纹线图像;
其中,所述样本投影系数序列是利用差异数据对第二投影系数序列进行调整得到,所述第二投影系数序列是对初始拟合系数序列进行空间变换得到的,所述初始拟合系数序列是根据样本纹线图像中的原始纹线的纹线特征数据确定的;所述差异数据是根据所述样本纹线图像和样本拟真纹线图像确定的,所述样本拟真纹线图像是利用样本拟真纹线生成的,所述样本拟真纹线是根据利用样本拟合系数序列生成的样本多阶多项式所确定的,所述样本拟合系数序列是对所述第二投影系数序列的采样结果进行逆空间变换得到,所述采样结果是对所述第二投影系数序列中的投影系数进行线性变换得到。
9.一种计算机设备,其特征在于,包括:处理器、通信接口和存储器,所述处理器、所述通信接口和所述存储器相互连接,其中,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,实现如权利要求1-7中任一项所述的图像生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机指令,当其在计算机上运行时,使得计算机实现如权利要求1-7中任一项所述的图像生成方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或计算机指令被处理器执行时实现如权利要求1-7中任一项所述的图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410386199.XA CN117974833B (zh) | 2024-04-01 | 2024-04-01 | 图像生成方法、装置、设备、可读存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410386199.XA CN117974833B (zh) | 2024-04-01 | 2024-04-01 | 图像生成方法、装置、设备、可读存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974833A CN117974833A (zh) | 2024-05-03 |
CN117974833B true CN117974833B (zh) | 2024-05-31 |
Family
ID=90865005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410386199.XA Active CN117974833B (zh) | 2024-04-01 | 2024-04-01 | 图像生成方法、装置、设备、可读存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974833B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567993A (zh) * | 2011-12-15 | 2012-07-11 | 中国科学院自动化研究所 | 基于主成分分析的指纹图像质量评价方法 |
CN110909747A (zh) * | 2019-05-13 | 2020-03-24 | 河南理工大学 | 一种基于多颜色空间主元分析描述的煤矸石识别方法 |
CN113920027A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于双向投影的序列图像快速增强方法 |
CN114972115A (zh) * | 2022-06-24 | 2022-08-30 | 明峰医疗系统股份有限公司 | 一种图像降噪方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007061935A1 (de) * | 2007-12-21 | 2009-06-25 | Siemens Aktiengesellschaft | Verfahren zur Qualitätssteigerung von computertomographischen Aufnahmeserien durch Bildverarbeitung und CT-System mit Recheneinheit |
-
2024
- 2024-04-01 CN CN202410386199.XA patent/CN117974833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567993A (zh) * | 2011-12-15 | 2012-07-11 | 中国科学院自动化研究所 | 基于主成分分析的指纹图像质量评价方法 |
CN110909747A (zh) * | 2019-05-13 | 2020-03-24 | 河南理工大学 | 一种基于多颜色空间主元分析描述的煤矸石识别方法 |
CN113920027A (zh) * | 2021-10-15 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于双向投影的序列图像快速增强方法 |
CN114972115A (zh) * | 2022-06-24 | 2022-08-30 | 明峰医疗系统股份有限公司 | 一种图像降噪方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于局部保持投影的掌纹识别;郭金玉等;光学学报;20081015(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117974833A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255392B (zh) | 基于非局部神经网络的视频分类方法、装置及设备 | |
CN111695605A (zh) | 基于oct图像的图像识别方法、服务器及存储介质 | |
KR20210074360A (ko) | 이미지 처리 방법, 디바이스 및 장치, 그리고 저장 매체 | |
CN110929836B (zh) | 神经网络训练及图像处理方法和装置、电子设备、介质 | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN113837942A (zh) | 基于srgan的超分辨率图像生成方法、装置、设备及存储介质 | |
CN114140831B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
KR102420104B1 (ko) | 영상 처리 장치 및 그 동작방법 | |
KR102126795B1 (ko) | 딥러닝 기반의 이미지 개인정보 가공장치 시스템, 장치 및 그 방법 | |
Karri | Secure robot face recognition in cloud environments | |
CN117974833B (zh) | 图像生成方法、装置、设备、可读存储介质及程序产品 | |
CN115457638A (zh) | 模型训练方法、数据检索方法、装置、设备及存储介质 | |
US11244015B1 (en) | Projecting queries into a content item embedding space | |
CN114417251A (zh) | 一种基于哈希码的检索方法、装置、设备及存储介质 | |
CN113836266A (zh) | 基于bert的自然语言处理方法及相关设备 | |
CN113705589A (zh) | 数据处理方法、装置及设备 | |
CN113378982A (zh) | 一种图像处理模型的训练方法和系统 | |
CN107609645B (zh) | 用于训练卷积神经网络的方法和装置 | |
CN111160487A (zh) | 人脸图像数据集的扩充方法和装置 | |
CN113298248B (zh) | 一种针对神经网络模型的处理方法、装置以及电子设备 | |
CN110059520B (zh) | 虹膜特征提取的方法、装置及虹膜识别系统 | |
CN118015386B (zh) | 图像识别方法和装置、存储介质及电子设备 | |
CN114782672B (zh) | 一种点云位姿调整方法及装置 | |
CN108230413B (zh) | 图像描述方法和装置、电子设备、计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |