买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江工业大学申请的专利基于重构差异的OCT指纹切面图像真伪检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114581963B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210191133.6，技术领域涉及：G06V40/12；该发明授权基于重构差异的OCT指纹切面图像真伪检测方法是由王海霞;朱成芳;张怡龙;陈朋;梁荣华设计研发完成，并于2022-02-25向国家知识产权局提交的专利申请。

本基于重构差异的OCT指纹切面图像真伪检测方法在说明书摘要公布了：一种基于重构差异的OCT指纹切面图像真伪检测方法，包括：S1、构建全卷积神经网络模型，包括编码器、生成器、特征提取器；S2、收集OCT系统采集的图像，预处理完成后，随机选取70％的正样本图像作为训练数据；选取另外30％的正样本图像和负样本图像，数量均衡后作为测试数据；步骤S3、训练网络模型；选用划分好的训练图像作为输入数据，设定损失函数，用于优化编码器、生成器；设定对比损失，用于优化特征提取器；对所建网络模型进行多轮次训练，通过反向传播，对模型权重参数进行更新优化直到损失函数趋向收敛时，停止训练；步骤S4、测试网络模型；应用训练好的网络模型，选用测试数据输入模型进行测试，根据设定阈值对输入图像进行真伪判别。

本发明授权基于重构差异的OCT指纹切面图像真伪检测方法在权利要求书中公布了：1.基于重构差异的OCT指纹切面图像真伪检测方法，其特征在于，包括以下步骤：步骤S1、构建全卷积神经网络模型，该全卷积神经网络模型的主体由包括编码器、生成器、特征提取器；编码器获取输入图像在潜空间中的数据分布的特征图；生成器从获取的数据分布中重新构造出与输入图像相似的图像；特征提取器使用ResNet网络结构，为了能更准确定位到图像中主要区域，减少背景内容干扰，加入了通道注意力模块以及空间注意力模块，加强获取输入图像更具语义信息的特征表示；步骤S2、收集OCT系统采集的图像，将来源于不同个体真人手指的B-scan图像作为正样本图像，来源于不同仿制材料所制仿体的B-scan图像作为负样本图像，此外还收集10张OCT系统在不放置待测物体时的只有背景的图像；然后对这些图像进行预处理，预处理完成后，从正样本图像中，随机选取70％的正样本图像作为训练数据；选取另外30％的正样本图像和负样本图像，数量均衡后作为测试数据；步骤S3、训练网络模型；选用划分好的训练图像作为输入数据，设定损失函数Lrecon，用于优化编码器、生成器，提升图像重构质量；设定对比损失Lcon，用于优化特征提取器；对所建网络模型进行多轮次训练，通过反向传播，对模型权重参数进行更新优化直到损失函数趋向收敛时，停止训练；所述设定损失函数Lrecon，具体包括：输入数据包括两部分：原始输入图像数据、随机遮挡后图像数据；其中随机遮挡后图像数据，在每次加载数据时，使用随机大小的黑色色块在对应图像随机位置上遮挡得到；选用遮挡图像作为训练数据送入编码器、生成器；而原始输入图像数据作为衡量指标，重构的输出图像需与其比较，即计算重构图和原始未遮挡图在像素点上差异度，期望差异值尽量小，使得生成图分布尽量逼近原始输入图，使用L1Loss平均绝对误差，记作重构误差Lrecon，计算方式如下：Lrecon＝||GEx-x||11其中，x表示原始输入图像的数据分布状况，GEx表示经由网络模型后重构复原出图像的数据分布状况；所述设定对比损失Lcon，具体过程为：对输入及重构图像x和GEx做垂直翻转，得到对应增强后的图像数据x^、GEx^，将未增强和增强后的数据共计4组数据输入到特征提取器中，获取到的特征向量作为正特征向量，记作zpos，同时随机选取同样数量，在步骤S2中准备的增强后的背景图像数据，送入特征提取器中，该部分获得的特征向量作为负特征向量，记作zneg；先从zpos中选取一正特征向量作为锚点，记作zo，依次和同批次中另一种特征向量成对组合，在这些组合中，锚点和正特征向量组成的配对组合称为正数据对，而和负特征向量组成的配对组合称为负数据对；之后依次选取剩余的正特征向量，重复上述操作；数据对中的两向量的相似度由余弦相似度计算体现，其值越接近于1，表示两向量越相似，具体如下式所示： 其中，Sa,b表示为向量za与向量zb数据对的余弦相似度，*T表示向量转置，||*||表示向量的模长，γ为尺度参数，调整余弦相似度原始[-1,1]范围；确定相似度衡量标准之后，设定对比损失函数Lcon，该损失函数在定义上类似于softmax-交叉熵损失函数，在损失函数优化的过程中，逐渐提高正数据对相似度的占比，从而实现特征提取器部分的学习目标：正数据对相似度最大化，负数据对相似度最小化；先计算其中一种锚点组成的正数据对在所有含该锚点组合中的占比，目标期望该占比越大越好，所以损失函数需要再取负号，如下式所示： 其中，Lcon_anchor_n表示以第n个正特征向量为锚点的正数据对的平均损失值，M为含锚点zo_n的正数据对总数量，Szo_n,zpos_i表示第i个含锚点zo_n的正数据对的余弦相似度，N为含锚点zo_n的负数据对总数量，Szo_n,zneg_j表示第j个含锚点zo_n的负数据对的余弦相似度；接着，计算剩余锚点组合的损失值，同样依次进行上述计算，最后对所有锚点组合取得的损失值进行求和平均操作，得到特征提取器部分最终对比损失Lcon； 其中，N为锚点总数量，该损失函数仅应用于特征提取器部分；步骤S4、测试网络模型；应用训练好的网络模型，选用测试数据输入模型进行测试，综合准确率、误检率、漏检率设定阈值，后续实际应用，根据设定阈值对输入图像进行真伪判别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。