本文是一篇软件工程论文，本文研究了基于深度对抗学习的掌静脉特征分割和识别算法，能够很好地提取掌静脉特征并提高掌静脉识别精度。
第1章 绪论
1.1 研究背景及意义
生物识别基于人的生物或行为特征进行识别，个人信息可以通过生物识别的形式得到保护，生物识别作为一种安全技术，被广泛应用于许多识别场景。在方针政策层面，2022年《国务院办公厅转发国家发展改革委等部门关于加快推进城镇环境基础设施建设指导意见的通知》中提到“推广静脉产业园建设模式”；重庆市发展和改革委员会关于公开征求《重庆市推进静脉产业园建设若干政策措施（征求意见稿）》意见的公告中提到“2030年前，重点培育8个综合性静脉产业园。到2035年，全市共打造24个静脉产业园”。
软件工程论文怎么写
对于例如钥匙、密码、身份证等传统认证方式，未经授权的个人可以获得密码或身份证等传统身份验证，导致犯罪率增加，因此传统认证方式不安全，会逐渐被生物识别所取代。生物特征可以分为两类：(1)虹膜、人脸、指纹和声纹等外在特征[1-4]以及(2)静脉等内在特征，如图1.1所示。与内在特征相比，外在特征易受环境干扰以及被伪造。虹膜识别对光源要求极高，用于提取虹膜特征的强光对视网膜表面容易产生影响。由于亮度、面部表情和姿态的差异，人脸识别的准确性也受到了影响。指纹可以被伪造，手指有水或异物时识别率很低，同时指纹识别是物理接触式并且存在一定的侵犯性。
...................................
1.2 国内外研究现状
掌静脉识别通过静脉采集设备得到掌静脉分布图，通过专有的算法从通过近红外线摄像头采集到的静脉图像中提取特征并保存。在进行匹配时，通过特征提取算法将获取到的特征与已有的掌静脉特征模板进行对比识别，因此如何从掌静脉图像中提取关键特征，确保掌静脉的可靠识别，成为目前的研究热点之一。依据掌静脉识别的发展历史，结合本文的研究内容，从对抗学习、图像分割、掌静脉识别和数据增强共四个方面介绍国内外研究现状。
1.2.1 对抗学习
对抗训练最初由Ian Goodfellow[7]等人提出，主要是用于样本生成或者对抗攻击，主要方法是通过添加判别器或根据梯度回传生成新样本，最终可以提高模型生成能力和鲁棒性。
抗训练方法主要包括FGM[9]、FGSM[10]、PGD[11]、FreeAT[12]、YOPO[13]、FreeLB[14]和SMART[15]等。FGSM利用Sign函数实现梯度的Max归一化。Max归一化就是若梯度中某一个维度的值为正值，那么设为1；若是负数，设为-1；若是0，则设为0。FGM对 FGSM 中计算扰动的部分进行改进，取消了符号函数，用梯度的第二范式做了一个缩放。PGD是一种迭代攻击，与FGSM和FGM只进行一次迭代相比较，PGD在执行多次迭代时，每一步都执行一次，每一次迭代都会把扰动投影在指定的区间上。FreeAT的核心是同步更新扰动和模型参数，在针对输入或参数中的一个计算梯度时，能够几乎无成本地得到另外一个的梯度，在一次计算中利用更多的信息加速对抗性学习的训练。YOPO的出发点是利用神经网络的结构来降低梯度计算的计算量，从极大值原理出发，对抗扰动只和网络的第0层有关，即在嵌入层上添加扰动，因为层之间是解耦合的，因此不需要每次都计算完整的前后向传播。FreeLB在FreeAT的基础上利用K步之后累积的参数梯度更新模型参数，同时指出不能同时使用对抗训练和Dropout，使用Dropout相当于改变网络的结果，影响扰动的计算。
................................
第2章 相关理论
2.1 卷积神经网络
卷积神经网络是深度学习领域中最重要的网络之一，在计算机视觉和自然语言处理等许多领域都取得了令人惊叹的成果，吸引了学者们的关注，成为了深度学习领域中具有代表性的神经网络。基于卷积神经网络，计算机视觉在人脸识别、自动驾驶、无人超市和智慧医疗等在内的许多领域都在改变着人们的生活。
2.1.1 卷积神经网络简介
CNN（卷积神经网络）是一个前馈神经网络，能对卷积结构数据进行特征提取。区别于常规特征提取方法，CNN无须人工进行特征提取。CNN的结构受到视觉感知的启发[79]。一个生物神经元对应于一个人工神经元；CNN核代表不同的受体，可以对不同的特征作出反应；激活函数模拟出神经电信号仅当超过一定阈值，才能传送到下一个神经元；损失函数及优化器能够使CNN系统学习到预期目标。相对于普通人工神经网络而言，CNN的优势有很多：1）局部连接。每一个神经元只与少数神经元相连，能有效减少参数和加速模型收敛；2）权重共享。一组连接可共享相同的权重，从而降低参数量。3）下采样。池化层采用图像局部相关原理对图像下采样，在保留有用信息的前提下减少数据量，通过移除冗余特征，进一步降低参数量。局部连接、权重共享、下采样技术使得CNN在深度学习领域中具有一定的代表性。CNN的计算过程如图2.1所示。
软件工程论文怎么写
.........................
2.2 生成对抗网络
生成对抗网络[69]是由 Goodfellow等人在 2014 年提出的一种生成式模型，包括生成网络和判别网络两部分。生成网络和判别网络采用交替训练的方式，最后达到纳什均衡状态，从而生成与真实数据分布一致的样本。
2.2.1 生成对抗网络简介
生成对抗网络在各领域都得到了广泛应用，如图像生成、超分辨任务以及语义分割。假设在高维空间中，存在随机向量????服从未知数据分布????????(????),????∈????，生成模型根据观测样本????(????)来学习一个模型????????(????)让其无限接近????????(????)。生成模型用于随机生成可观测数据样本，通常具备两个基本功能：概率密度估计和生成样本，可用于图像、文本、声音等数据建模，使得生成样本和真实样本分布尽可能接近。生成模型分为隐式密度模型和显式密度模型。显式密度模型的代表是变分自编码器[88]，隐式密度模型的代表则是生成对抗网络[69]。变分自编码器利用神经网络分别建模两个条件概率密度函数：变分分布和概率分布。使用神经网络估计变分分布被称为推断网络，估计概率分布被称为生成网络，将推断网络与生成网络结合，获得变分自编码器。采用显式的方法构造样本密度函数，利用极大似然估计的方法进行参数求解，是一种显式密度建模方法。生成对抗网络包含判别网络和生成网络，生成网络的目标是生成与真实数据分布一样的样本，判别网络的目标是辨别样本是真实数据还是生成样本。
GAN作为无监督学习生成的内容不可控，可以通过添加条件信息指导数据生成过程，这种监督学习方法被称为CGAN[70]。CGAN在许多领域取得了关注度，例如类别图像生成、根据文字转化图像、图像转换。相比而言，条件生成对抗网络方面的研究较少。与标准GAN不同的是，CGAN的判别器判别生成样本和预期条件变量的生成分布和目标分布之间的距离，因此条件生成对抗网络中判别器的设计尤为重要。CGAN将条件信息作为生成器和判别器的附加输入来控制生成内容[70]，或者在隐藏层输入条件信息控制数据生成过程[98]。ACGAN在CGAN的基础上，在判别器中增加Softmax交叉熵损失的辅助分类器，相应地，判别器的输出包含两部分：输入数据的真实概率和数据属于各类的概率[99]。但训练ACGAN是一个挑战，因为随着数据集中类别数的增多，会出现倾向于产生容易分类的样本，因此ReACGAN通过将输入向量投射到单元超球面以及提出数据对数交叉熵损失(D2D-CE)改进ACGAN[100]。文献[101]将条件信息通过Conditional BatchNorm方式[102]在隐藏层输入生成器，文献[101]的判别器与其他条件生成对抗网络判别器不同，输入图像数据经过网络提取特征，之后将特征与经过编码的条件信息做点乘和通过网络映射为一维向量，两者相加作为判别网络的输出。
..............................
第3章 基于深度对抗学习的掌静脉特征分割算法研究 ............ 24
3.1 引言 .................................... 24
3.2 AdveinSeg ......................................... 25
第4章 基于深度对抗学习的掌静脉识别算法 ............................ 37
4.1 引言 ...................................... 37
4.2 AdveinAU ................................. 38
第5章 工作总结与展望 ..................................... 54
5.1 本文工作总结 ................................. 54
5.2 展望 ......................................... 55
第4章 基于深度对抗学习的掌静脉识别算法
4.1 引言
一般情况下，在可见光下很难观察到静脉形态，而波长约为 850 nm 的红外光可以采集到静脉形态。静脉图像的采集过程受到光散射、环境温度、以及用户行为等诸多因素的影响，因此静脉图像的识别仍然是一项具有挑战性的任务，在一些低质量的图像中，静脉区域和背景区域很难区分，这可能会降低静脉识别系统的识别精度。为了克服这一问题，人们提出了各种提取静脉图案进行识别的方法，并大致分为三类，分别是基于手工的方法、基于机器学习的方法和基于深度学习的方法。
基于手工方法的静脉图案提取是基于一些假设，即静脉图案的分布呈谷状或线状，但是基于手工方法提取的静脉特征可能是不完整的。传统的基于机器学习的方法能够自动学习图像的鲁棒特征来表示图像，但是由于其特征表示能力有限，识别性能仍然不够稳健。基于深度学习的方法能够从原始图像中自动学习健壮的表示特征，而不需要任何先验假设，通过从大量训练数据中学习丰富的信息，但是基于深度学习的方法通常需要足够的训练样本来训练大量的网络参数。现有的二维静脉数据集中每个类的图像一般不超过20张。因此，由于训练样本非常有限，深度学习模型的能力可能无法得到充分利用。为了解决这一问题，一些研究人员引入了数据增强技术，如GAN来增强训练样本，以提高基于深度学习的方法的性能。然而，图像生成与目标任务(如分类)并没有直接关系。此外，由于存储空间和计算资源的限制，学习分布空间不可能生成所有可能的实例。因此，随机选择的生成样本在分类任务中可能不具有代表性，从而降低了分类器的泛化能力。此外，这些生成的样本会反复输入到目标网络中，这在长时间的训练中不可避免地会出现过拟合。
软件工程论文参考
..............................
第5章 工作总结与展望
5.1 本文工作总结
掌静脉识别作为生物识别领域中的重要研究领域之一，已经在许多应用场景之中被使用。同时随着社会对隐私保护的呼声越来越高，如何更好地满足社会这方面的要求越来越重要。掌静脉识别因为具有唯一性、活体识别和非接触性的特点，已经受到了许多研究者的重视。但是掌静脉数据集在采集过程中容易受到环境光照、个体差异、旋转角度和采集设备的影响。导致采集到的掌静脉图像数量较少，图像存在对比度低、静脉纹理不清晰的现象。本文研究了基于深度对抗学习的方法，在掌静脉分割和掌静脉识别两方面进行了研究，其主要工作如下所述：
(1) 提出基于深度对抗学习的掌静脉特征分割算法。首先，建立基于卷积神经网络模型对掌静脉图像和金标准进行变换，产生具有多样性的静脉图像和金标准。然后，构建基于U-Net网络的静脉分割模型。最后，将变换模型与分割模型结合，建立基于对抗学习的静脉纹路分割模型。基于卷积神经网络的变换模型旨在产生挑战性的样本对（静脉图像和金标准）增加静脉分割模型的分割难度，同时静脉分割模型利用挑战性的样本对可以学习到更鲁棒的特征表达，提高其泛化能力。为了防止静脉图像出现语义崩溃，加入余弦相似度来对变换的样本对进行正则化。在CASIA、VERA和PolyU三个公共的掌静脉数据集上的实验结果表明，基于深度对抗学习的掌静脉特征分割算法优于现有的静脉分割方法，其等误识别率（EER）分别为0.33%、0.59%和0.6%。
(2) 提出基于深度对抗学习的掌静脉识别算法。首先利用条件生成对抗网络（cD CGAN）来学习数据的真实分布。训练的生成器可以将隐变量映射到样本空间。然后，结合训练的生成器和静脉分类器建立基于对抗学习的静脉识别模型，该模型利用对抗学习对生成器的输入集合（隐变量集合）和分类器进行交替更新。在训练过程中，模型通过学习一个隐变量集合并生成挑战性的静脉样本以增加静脉分类器的训练损失，同时静脉分类器能够利用挑战性的样本学习更鲁棒的静脉特征，提高识别性能。为了生成高质量的静脉样本，将指数移动平均模型和余弦距离作为正则项引入到损失函数中对模型进行训练。在PolyU、同济大学和VERA 掌静脉数据集上的实验结果表明，本文方法在产生多样性样本方面优于现有的数据增强方法，明显改善了静脉识别模型的识别性能。
参考文献（略）