基于B样条曲线和CNN的掌纹图像生成方法、装置及设备

成果简介

   本成果针对基于深度学习的掌纹识别因缺乏足够的训练数据导致所设计的掌纹识别模型的识别率无法进一步提升的问题，依托pytorch深度学习框架以及python编程语言，开发了自动生成伪掌纹图像程序，运用了B样条曲线和经典的卷积神经网络（CNN）的相关技术，首先使用B样条曲线拟合掌纹线，从而产生所需要的掌纹线图像；在此基础上，利用CNN强大的特征提取能力，提取真实掌纹图像和生成的掌纹线图像的特征，并进行特征融合，使其生成伪掌纹图像数据库。本发明可以很好地解决目前掌纹识别研究中掌纹数据库数据量小的问题，有着较强的实用价值。本成果实现了两个创新，创新一是使用B样条曲线去拟合掌纹线，创新二则是利用CNN的特征提取能力将掌纹线与真实掌纹图像的特征进行融合，从而形成伪掌纹图像。

成果展示

图1 基于B样条曲线和CNN的掌纹图像生成方法整体框架流程图

 图2 基于CNN的掌纹合成流程

成果应用

   本成果可应用于多个领域发展。在生物识别领域，其可增强算法训练数据、优化系统鲁棒性，并支持对抗攻击测试以提升防伪能力；同时，通过替代真实数据或生成虚拟身份，有效解决隐私泄漏风险，助力安全数据共享与元宇宙等虚拟场景的身份认证。医疗方面，该技术可辅助探索掌纹特征与遗传疾病的潜在关联，并为康复设备设计提供适配支持。在安防与刑侦中，伪掌纹能模拟犯罪痕迹、训练反伪造能力，并优化复杂场景下的识别算法。此外，其在艺术娱乐领域可增强虚拟角色真实感，在教育科研中则成为跨学科研究的可控实验工具。尽管面临伦理监管与技术滥用的挑战，未来通过与3D打印、精准医疗等技术融合，伪掌纹生成有望在保障隐私与数据安全的前提下，成为驱动生物识别、医疗健康及安防系统创新的关键力量。

团队情况