技术摘要：
本发明涉及一种基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法，包括以下步骤：对训练用虹膜图片数据集进行预处理；确定输入噪声向量；以深度卷积生成对抗网络构建训练网络模型；向训练网络模型输入训练用虹膜图像以及对应的输入噪声向量进行训练，直至  全部
背景技术：
随着人工智能、大数据、分布式存储的迅速发展，针对智能化安全防范类产品，检 验检测机构的所面临的验证/测试数据缺失问题也日益严重。围绕面向虹膜等生物特征的 安全防范类智能化产品检验检测，研究基于深度学习的虹膜生物特征测试图像数据集自定 义生成关键技术，利用生成对抗网络等最新深度学习技术，大批量生成满足需求的自定义、 个性化虹膜生物特征验证/测试图像，将被动的虹膜图像人工数据采集、标注变为主动的验 证/测试用虹膜图像数据自主生成方式，以智能化技术服务智能产品检测，解决虹膜生物特 征验证/测试数据隐私、数据缺乏以及数据采集难度大等问题。
技术实现要素：
本发明的目的是克服了上述现有技术的缺点，提供了一种满足模型简单、效率高、 图片清晰的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法。 为了实现上述目的，本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片 自动生成的方法如下： 该基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法，其主要特 点是，所述的方法包括以下步骤： (1)对训练用虹膜图片数据集进行预处理； (2)确定输入噪声向量； (3)以深度卷积生成对抗网络构建训练网络模型； (4)向训练网络模型输入训练用虹膜图像以及对应的输入噪声向量进行训练，直 至结果收敛； (5)根据经过训练后得到的网络模型，自动生成指定样式且大小为2N×2N的虹膜图 片，其中，N的取值为大于等于7且小于等于10的整数。 较佳地，所述的步骤(1)中预处理后的虹膜图片为8位、单通道、大小均为2N×2N像 素的图片，预处理后虹膜图片数据集中在左眼与在右眼的数量相等。 较佳地，所述的步骤(1)中的预处理的步骤包括的处理过程为裁剪、缩放、平移和 统一大小。 较佳地，所述的步骤(2)中的输入噪声向量具体为100维的零均值和单位方差的高 斯分布向量。 较佳地，所述的步骤(3)的处理过程包括进行N-3次卷积、批归一化处理以及激活 处理。 3 CN 111597977 A 说　明　书 2/4 页 较佳地，所述的步骤(4)具体包括以下步骤： (4.1)将真虹膜图像与伪虹膜图像输入对抗网络来训练对抗网络； (4.2)将噪声向量输入生成网络来训练生成伪虹膜图像，更替训练生成网络与对 抗网络。 较佳地，所述的步骤(4.2)还包括以下步骤： 在训练2次对抗网络的情况下，更新生成网络。 采用了本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的 方法，由于其采用深度图像学习技术，利用真实虹膜图片数据来对生成对抗网络进行训练， 最终得到了可以自动生成具有真实情感的虹膜图片的生成器网络。本发明的核心就在于搭 建的深度卷积生成对抗网络结构简单，训练速度快、虹膜生成效率高，最终由生成网络生成 的虹膜图片真实感强、纹理清晰，在虹膜数据集构建以及虹膜隐私安全领域都有广阔的应 用前景。 附图说明 图1为本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方 法的步骤流程图。 图2为本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方 法的虹膜图片自动生成方法中生成对抗网络结构示意图。 图3为本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方 法的虹膜图片自动生成方法中生成网络流程示意图。 图4为本发明的基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方 法的对抗网络流程示意图。