本发明属于生物特征识别
技术领域：
，特别涉及一种基于卷积神经网络的手指静脉图像质量评估方法及评估系统。
背景技术：
：随着互联网技术快速发展和信息安全威胁的增长，如何有效鉴别身份以保护个人和财产安全成为急需解决的问题。与传统的认证方式如钥匙和密码相比，基于生理和行为的生物特征很难被盗取、复制和丢失。因此，生物认证技术已经被广泛的研究并成功地应用个人身份认证中。基于生理的生物模态可分为以下两种：1外部模态如人脸、指纹、掌纹和虹膜；2内部生物模态：手指静脉、手掌静脉和手背静脉。基于外部生物模态的系统容易遭受攻击。例如，很容易盗取和伪造一幅指纹模板以攻击指纹识别系统。与外在的生物模态不同，内在的生物模态位于手指的表皮下使其很难被盗取和伪造，因此它们具有更高的安全性能。由于手指静脉图像的获取过程受多种因素的影响，例如环境光、环境温度、光散射、生理特征的改变和使用者的行为，因此手指静脉认证仍然是一个具有挑战性的任务。如果不能很好地克服这些因素，那么采集的图像中包含大量低质量图像。一般来说，这些低质量图像最终会降低认证系统的性能。手指静脉图像质量评估作为一种有效解决方案已经被广泛的研究。在现有的手指静脉图像质量评估算法中，研究者假设这些因素如图像对比度和静脉数量与图像的质量有关。然后，利用一些人为设计的描述子如：Radon变换、高斯能量模型、Gabor滤波器、曲率检测这些属性。存在的方法利用人类直觉或者生物特征图像质量的先验知识来确定影响质量的属性并利用手工描述子对这些属性进行提取，例如CN101866486公开了一种手指静脉图像质量判断方法，该方法是通过获取手指静脉图像的对比度质量分数、位置偏移质量分数、有效区域质量分数、方向模糊度质量分数进而获得质量分数按权值累加起来进行综合评价，建立手指静脉图像的综合评价质量函数，进而来对手指静脉图像质量进行评估，但这些方法仍然存在以下缺点：1很难证明手工选取的属性一定与手指静脉的图像质量是相关的。例如，一些基于人类视觉或者理解的高质量图像却被认证系统拒绝。2研究者不可能调查所有影响图像质量的属性。3即使这些属性正相关于图像的质量，也很难建立有效的数学模型去描它们。技术实现要素：为了克服上述现有技术的不足，本发明提供了一种基于卷积神经网络的手指静脉图像质量评估方法及评估系统。第一，克服了传统手指静脉图像质量评估方法依靠直觉或者先验知识来评价图像质量的缺点，能够更为客观地对图像质量进行评价。第二，该发明能够自动地产生图像的质量标签，从而减少了人为标注所产生的繁重工作和误差。第三，该发明能够自动从原始手指静脉图像中学习到与图像质量相关的特征，避免了人为地选择和提取区分度特征的问题。本发明具体技术方案如下：一种基于卷积神经网络的手指静脉图像质量评估方法，该方法包括如下步骤：S1：对数据库中手指静脉灰度图像的质量进行标注，获得带有质量标签的灰度图像，即标注出低质量灰度图像和高质量灰度图像，并获取带有质量标签的灰度图像的静脉特征，进行编码后得到二值图像；S2：建立步骤S1中带有质量标签的二值图像训练样本集合；S3：建立步骤S1中带有质量标签的灰度图像训练样本集合；S4：提取灰度图像深度特征的卷积神经网络模型；所述卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层；S5：提取二值图像深度特征的卷积神经网络模型；所述卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层和输出层；S6：卷积神经网络模型的训练利用服从高斯分布的随机数初始化各层滤波器，偏移量的初始值为任意常数；采用随机梯度下降法来对卷积神经网络进行训练；将步骤S2建立的二值图像训练样本集合和步骤S3建立的灰度图像训练样本集合均分成不同的子集合，分批次分别输入到步骤S5和步骤S4所应用的卷积神经网络模型中，当所有批次的图像在卷积神经网络模型进行一次前向传播后，计算梯度并进行反向传播以更新滤波器权和偏移量，通过反复迭代寻找滤波器和偏移的最优解；S7：完成训练后，将预测手指静脉图像输入到步骤S4和步骤S5的卷积神经网络模型中，选取步骤S4和S5步骤中卷积神经网络模型中第二全连接层的输出为输入一幅灰度图像和二值图像的深度特征向量；连接两个深度特征向量形成一幅输入预测手指静脉图像的联合表达向量；S8：将步骤S7形成的联合表达向量输入到支持向量机中进行训练，使用概率支持向量机来计算出预测手指静脉图像的质量。进一步的改进，对数据库中手指静脉灰度图像的质量进行标注具体方法为：S11：注册模板图像的选择选择一根手指的任一幅图像，利用成熟的识别算法方法提取和匹配两幅手指静脉图像，并计算该图像与剩下幅图像平均值距离；选择最小平均距离对应的图像作为该手指的注册模板图像，其它图像作为测试图像；S12：图像质量的标注计算同一手指的每幅测试图像与其注册模板图像之间的距离得到类内匹配分数；计算各注册模板图像之间的距离得到类间匹配分数；根据类内匹配分数和类间匹配分数，计算错误的接受率FAR和错误的拒绝率FRR；预设一个阈值，当错误的接受率FAR等于该阈值时如FAR＝0.1％，则根据是否被系统错误拒绝的图像或正确接受的图像来区分出低质量图像或高质量图像。进一步的改进，第一卷积层、第二卷积层或第三卷积层中，第l层的特征图像按照如下公式计算：znl=max0<m≤Ml-I(wn,ml*xml)+bnl]]>其中，是第l层的输入谱，是第m个输入和n个输出特征谱之间的卷积核，*是卷积操作,Ml-1是输入特征谱的数量,是第n个输出谱的偏移。进一步的改进，第一卷积层、第二卷积层或第三卷积层中使用修正线性单元作为激励函数，其定义如下：ynl=max(znl,0)]]>其中，表示第l层的输出谱。进一步的改进，第一池化层、第二池化层中将第一卷积层和第二卷积层的输出特征谱划分互不重叠的区域，选取每个区域内前p个最大值的均值作为该区域的代表值对第一卷积层和第二卷积层的输出进行采样；设Ik表示经过第k个卷积核进行卷积后输出谱，表示对Ik中s×s局部区域内的所有元素进行从大到小排序后得到的集合，T＝s×s表示元素的个数；Ik采样后后得到的输出特征按照如下公式计算：Ri,jk=Σt=0p-1ctkp,(p≤T).]]>进一步的改进，第k步滤波器权wk的更新规则为：Δk+1=0.9·Δk-0.004·λ·wk-λ·∂L∂wk]]>wk+1＝Δk+1+wk其中Δ表示动量,λ为学习率，为wk.的梯度。进一步的改进，所述使用的概率支持向量机为通过联合深度特征向量V和它的质量标签q∈{0,1}，对概率支持向量机进行训练，其输出概率值为pp(q=1|ξ(v))=11+exp(ω·ξ(v)+γ)]]>ξ(v)表示传统支持向量机的输出，ω和γ表示概率支持向量机训练得到的两个参数。本发明另一方面提供一种基于卷积神经网络的手指静脉图像质量评估系统，该评估系统包括评估单元和与评估单元相通讯的数据库，所述数据库内存储有手指静脉灰度图像，所述评估单元包括：质量标注模块，用于对手指静脉灰度图像的质量进行标注，获得带有质量标签的灰度图像，并获得带有质量标签的灰度图像的静脉特征，进行编码后得到二值图像；训练样本集合建立模块，用于将质量标注模块获得的带有质量标签的二值图像和灰度图像分别建立二值图像训练样本集合和灰度图像训练样本集合；模型建立模块，用于分别建立提取二值图像和灰度图像深度特征的卷积神经网络模型；卷积训练模块，用于将训练样本集合建立模块建立的二值图像训练样本集合和灰度图像训练样本集合分成不同的子集合，分批次分别输入到提取二值图像和灰度图像深度特征对应的卷积神经网络模型中，进行训练；连接处理模块，用于获取经过训练后的卷积神经网络模型中灰度图像和二值图像的深度特征向量；并用于连接两个深度特征向量形成联合表达向量；计算模块，用于将联合表达向量输入到支持向量机中进行训练，计算出预测手指静脉图像的质量。进一步的改进，质量标注模块包括：图像选择和特征提取子模块，用于从同一根手指的若干图像中任选择一幅灰度图像并进行特征提取得到二值图像；注册模板图像选择子模块，用于计算图像选择和特征提取子模块选择的图像与同一根手指剩下图像的平均值距离，选择最小平均距离对应的图像作为注册模板图像，其它图像作为测试图像；计算子模块，用于计算同一手指的每幅测试图像与其注册模板图像之间的距离得到类内匹配分数，计算各注册模板图像之间的距离得到类间匹配分数；并根据类内匹配分数和类间匹配分数，计算错误的接受率FAR和错误的拒绝率FRR；判断子模块，用于判断错误的接受率FAR是否等于预设的阈值，如果错误的接受率FAR等于该阈值，向分类子模块发送分类指令；分类子模块，用于将标注有错误拒绝的图像和正确接受的图像进行分类，并向标注子模块发送标注的指令；标注子模块，用于将标注有错误拒绝的图像或正确接受的图像进行质量标注，并设定相对应的质量标签。与现有技术相比，本发明的有益效果是：本发明提供的基于卷积神经网络的手指静脉图像质量评估方法及评估系统，能够很大程度上提升手指静脉图像质量评估的精度，改善认证系统的识别性能，与其他手指静脉图像质量评估方法相比，其有益效果体现在以下几个方面：1.本发明提供的基于卷积神经网络的手指静脉图像质量评估方法及评估系统能够自动地对手指静脉灰度图像进行标注，从而减少了人为标注带来的繁重工作和误差。2.本发明提供的基于卷积神经网络的手指静脉图像质量评估方法及评估系统首次融合手指静脉二值图像和灰度图像的深度特征实现对手指静脉图像的质量估计。3.与传统的卷积神经网络模型相比，本发明采用的卷积神经网络模型区别在于：第一，对于所有卷积层，采用计算输入该层特征谱之间对应位置元素的最大值作为该层的特征谱并将其输入到激活函数中；第二，对所有池化层中，计算特征图像的局部区域中前p个最大值的均值对输入特征图像进行采样。4.本发明利用概率支持向量对深度特征进行融合并预测手指静脉图像的质量，从而有效地提高了图像质量评估的精度。5.本发明提供的基于卷积神经网络的手指静脉图像质量评估方法及评估系统，不仅适用于手指静脉图像的质量评估，而且可以应用到其他生物特征图像质量评估中。附图说明图1为实施例1基于卷积神经网络的手指静脉图像质量评估方法的流程图；图2为实施例4提取灰度图像的深度特征的卷积神经网络模型结构示意图；图3为实施例4提取二值图像的深度特征的卷积神经网络模型结构示意图；图4为实施例6基于卷积神经网络的手指静脉图像质量评估系统的结构框图；图5为实施例7质量标注模块的结构框图。具体实施方式实施例1一种基于卷积神经网络的手指静脉图像质量评估方法，如图1所示，该方法包括如下步骤：S1：对数据库中手指静脉灰度图像的质量进行标注，获得带有质量标签的灰度图像，获得低质量灰度图像和高质量灰度图像，并获取带有质量标签的灰度图像的静脉特征，进行编码后得到二值图像；S2：建立步骤S1中获得的带有质量标签的二值图像训练样本集合；S3：建立步骤S1中带有质量标签的灰度图像训练样本集合；S4：提取灰度图像深度特征的卷积神经网络模型；所述卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层、第二全连接层和输出层；S5：提取二值图像深度特征的卷积神经网络模型；所述卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层和输出层；S6：卷积神经网络模型的训练利用服从高斯分布的随机数初始化各层滤波器，偏移量的初始值为任意常数；采用随机梯度下降法来对卷积神经网络进行训练；将步骤S2建立的二值图像训练样本集合和步骤S3建立的灰度图像训练样本集合均分成不同的子集合，分批次分别输入到步骤S5和步骤S4所应用的卷积神经网络模型中，当所有批次的图像在卷积神经网络模型进行一次前向传播后，计算梯度并进行反向传播以更新滤波器权和偏移量，通过反复迭代寻找滤波器和偏移的最优解；S7：完成训练后，将预测手指静脉图像输入到步骤S4和步骤S5的卷积神经网络模型中，选取步骤S4和S5步骤中卷积神经网络模型中第二全连接层的输出为输入一幅灰度图像和二值图像的深度特征向量；连接两个深度特征向量形成一幅输入预测手指静脉图像的联合表达向量；S8：将步骤S7形成的联合表达向量输入到支持向量机中进行训练，使用概率支持向量机来计算出预测手指静脉图像的质量。本发明提供的基于卷积神经网络的手指静脉图像质量评估方法能够很大程度上提升手指静脉图像质量评估的精度，改善认证系统的识别性能，本发明提供的方法首次融合手指静脉二值图像和灰度图像的深度特征实现对手指静脉图像的质量估计。实施例2一种基于卷积神经网络的手指静脉图像质量评估方法，所述方法与实施例1不同的是，所述对数据库中手指静脉灰度图像的质量进行标注具体方法为：S11：注册模板图像的选择选择一根手指的任一幅图像，利用成熟的识别算法方法提取和匹配两幅手指静脉图像，并计算该图像与剩下幅图像平均值距离；选择最小平均距离对应的图像作为该手指的注册模板图像，其它图像作为测试图像；S12：图像质量的标注计算同一手指的每幅测试图像与其注册模板图像之间的距离得到类内匹配分数；计算各注册模板图像之间的距离得到类间匹配分数；根据类内匹配分数和类间匹配分数，计算错误的接受率FAR和错误的拒绝率FRR；预设一个阈值作为系统的安全等级，当错误的接受率FAR等于该阈值时如FAR＝0.1％，则根据是否被系统错误拒绝的图像或正确接受的图像来区分出低质量图像或高质量图像。本发明提供的样本集中的手指静脉图像来源于香港理工大学的数据库http://www4.comp.polyu.edu.hk/～csajaykr/fvdatabase.htm。该数据库包含156人的3132幅手指静脉图像；数据的采集分两个阶段，在每一个采集阶段中每个手指提供6幅图像样本，每个人提供两根手指，所以在两个阶段每个人提供了24幅图像；其中，前105人在两个采集阶段提供了2520图像；剩下51个人只参与第二个阶段的图像采集，总共有612幅图像。由于在两个阶段采集图像更符合实际情况，所以本发明仅仅使用了从105个人中采集的2520图像105个人×2根手指×6幅图像×2个阶段为例来进行介绍。举例说明本发明手指静脉图像的质量进行标注具体方法如下：第一步静脉特征的提取与匹配1.1静脉特征的提取：主要是利用如下Gabor小波对图像进行增强G(p)θ=12p|C|12cosωmT(pn-p0)[-12(pn-p0)C-1(pn-p0)]T]]>式中，pn＝[x,y]T表示在水平和垂直方向的坐标轴,p0＝[x0,y0]T是到原点的距离,ωm是平率，C是一个2×2正定协方差矩阵，|·|表示点积运算。通过坐标变换和可以到不同方的Gabor滤波器,其中θn是旋转角度并被离散化K方向如其中q＝1,2,...,K(K＝8)。通过下面的等式增强手指静脉特征；F(x,y)=max(Gθ‾(x,y)*f(x,y))]]>其中表示Gθ(x,y)的均值).*表示卷积，f(x,y)是手指静脉图像。利用形态学操作进一步增强静脉特征；Z(x,y)=F(x,y)-(F(x,y)⊕b)⊗b]]>和表示通过结构元素b对图像进行灰度膨胀和腐蚀。然后，利用下面的等式对特征图像Z进行编码得到二值图像；R(x,y)=255ifZ(x,y)>00ifZ(x,y)≤0]]>静脉特征的匹配主要是通过如下方法实现的：1.2静脉特征的匹配：假设R和T分别表示m×n的二值注册图像和测试图像；通过对R进行扩展得到模板图像例如通过把它的长和宽扩展到2w+m和2h+n得到模板表示如下：R‾(x,y)=R(x-w,y-h)x∈[w+1,w+m],y∈[h+1,h+n]-1otherwise]]>R和T之间的匹配分数计算如下：N(T,R)=min0≤i≤2w,0≤j≤2h(Σx=1mΣy=1nΦ(T(x,y),R(x,y))m×n)]]>式中w和h表示在水平和垂直方向上移动的距离；Φ的定义如下：Φ(X,Y,M,N)=1ifX-Y=2550else.]]>第二步注册模板图像的选择数据库中有210根手指，每根手指有12幅手指静脉图像。所有图像经过前面的方法提取到静脉特征二值图像。然后任选取一幅二值图像并利用前述的匹配算法计算该图像与剩下所有图像平均值距离。重复该操作，计算其他图像的平均距离。最后选择最小平均距离对应的图像作为该手指的模板图像，其它图像作为测试图像。因此，数据中有210幅注册模板和2310幅测试图像。第三步图像质量的标注根据匹配算法计算同一手指每幅测试图像与其模板图像之间的距离，共产生2320类内匹配分数。相应地，通过计算模板之间的距离可以得到21945类间匹配分数。根据类间和类内匹配分数计算错误的接受率FAR和错误的拒绝率(FRR)；在一个具有较高安全等级的条件下FAR等于0.1％，0.1％为预设的值，标注被系统错误拒绝的图像为低质量图像，其标签设定为0；被系统正确接受的图像标注为高质量图像，其标签设定为1。本发明提供的基于卷积神经网络的手指静脉图像质量评估方法与其他手指静脉图像质量评估方法相比，能够自动地对手指静脉图像进行标注，从而减少了人为标注带来的繁重工作和误差。实施例3一种基于卷积神经网络的手指静脉图像质量评估方法，所述方法与实施例1不同的是，步骤S2建立步骤S1中获得的带有质量标签的二值图像训练样本集合的具体方法为：根据步骤S1的标注方法标注所有测试图像后，选取105根手指的1155幅图像作为训练图像，剩下的图像作为测试图像；在训练集合中，总共有101幅低质量图像和1054幅高质量图像。在测试集合中，高质量和低质量的图像分别为110幅和1045幅。由于训练集合中低质量比高质量的样本少，导致各类不平衡；为了克服这个问题，利用下面的方法产生低质量的图像；例如，为了产生低质量图像x的合成样本，首先从训练集合中任选两幅低质量图像x1和x2。然后，利用等式yl＝x1+rand(0,1)(x2-x1)(l＝1，2，...，L)产生一个临时的图像样本。最后，通过等式pl＝x1+rand(0,1)(yl-x)(l＝1，2，...，K)计算合成的新样本。根据该方法，可以产生953幅合成的图像，从而使得训练集合中总的低质量图像为1054幅。步骤S3中建立步骤S1中带有质量标签的灰度图像训练样本集合的具体方法为：由于每幅二值图像对应一幅灰度图像，因此根据前面的二值图像训练样本集合可以得到基于灰度图像的灰度图像训练样本集合。实施例4一种基于卷积神经网络的手指静脉图像质量评估方法，所述方法与实施例1不同的是，步骤S4中提取灰度图像深度特征的卷积神经网络模型，如图2所示，所述第一卷积层、第二卷积层或第三卷积层中，第l层的特征图像中每个元素等于上一层所有特征图中对应位置的最大值，其特征图像按照如下公式计算：znl=max0<m≤Ml-I(wn,ml*xml)+bnl]]>其中，是第l层的输入谱，是第m个输入和n个输出特征谱之间的卷积核，*是卷积操作,Ml-1是输入特征谱的数量,是第n个输出谱的偏移。所述第一卷积层、第二卷积层或第三卷积层中使用修正线性单元作为激励函数，其定义如下：ynl=max(znl,0)]]>式中，表示第l层的输出谱。所述第一池化层、第二池化层中将第一卷积层和第二卷积层的输出特征谱划分互不重叠的区域，选取每个区域内前p个最大值的均值作为该区域的代表值对第一卷积层或第二卷积层的输出进行采样；设Ik表示经过第k个卷积核进行卷积后输出谱，表示对Ik中s×s局部区域内的所有元素进行从大到小排序后得到的集合，T＝s×s表示元素的个数；对Ik采样后得到的输出特征按照如下公式计算：Ri,jk=Σt=0p-1ctkp,(p≤T).]]>所述第一全连接层和第二全连接层中使用丢弃法随机地释放一半的神经元。所述输出层中，利用softmax函数来预测到N＝2个类的概率；ym=exp(zm)Σn=1Nexp(zn)]]>其中，最后一个隐含层的输出xm的线性组合。步骤S5中提取二值图像深度特征的卷积神经网络模型如图3所示。与传统的卷积神经网络模型相比，本发明采用的卷积神经网络模型区别在于：第一，对于所有卷积层，采用计算输入该层特征谱之间对应位置元素的最大值作为该层的特征谱并将其输入到激活函数中；第二，对所有池化层中，计算特征图像的局部区域中前p个最大值的均值对输入特征图像进行采样。实施例5一种基于卷积神经网络的手指静脉图像质量评估方法，所述方法与实施例4不同的是，卷积神经网络模型的训练具体方法为：①利用服从高斯分布的随机数初始化各层滤波器，偏移量的初始值为任意常数；采用随机梯度下降法来训练步骤S4和步骤S5所示的卷积神经网络模型。②对于一幅图像F，它的质量标签为q∈{0,1}，其中0表示低质量图像，1表示高质量图像；训练集合表示为{(F1,q1),(F2,q2),…,(FN,qN)}；把训练数据集分成不同的子集合，分批次输入到步骤S4和步骤S5所应用的卷积神经网络模型中；当所有批次的图像在网络进行一次前向传播后，计算梯度并进行反向传播以更新滤波器权wk和偏移量bk；例如：第k步迭代中权重wk的更新规则为：Δk+1=0.9·Δk-0.004·λ·wk-λ·∂L∂wk]]>wk+1＝Δk+1+wk其中Δ表示动量,λ为学习率，为wk.的梯度。③通过反复迭代寻找滤波器和偏移的最优解。当精度满足要求时，停止迭代，从而完成本次深度神经网络模型的训练。步骤S7的具体方法为：完成训练后，去掉卷积神经网络的输出层，当输入一幅灰度图像到步骤S4的卷积神经网络模型中，第二全连接层将输出一个深度特征向量；该向量即为输入灰度图像的深度表达；当输入一幅二值图像到步骤S5的卷积神经网络模型中，第二全连接层输出一个二直图像的深度特征向量；假设v1和v2分别为一幅灰度图像和对应的二值图像的深度特征向量；通过连接两个深度特征向量形成对一幅输入图像的联合表达向量v＝[v1v2]，然后，将该向量输入到支持向量机中进行训练；步骤S8的具体方法为：基于支持向量机的质量评估模型：基于支持向量机的图像质量评估合中，使用概率支持向量机来预测图像的质量。其使用的概率支持向量机的定义如下：通过联合深度特征向量v及它的质量标签q∈{0,1}，对概率支持向量机进行训练，其输出概率值为pp(q=1|ξ(v))=11+exp(ω·ξ(v)+γ)]]>ξ(v)表示传统支持向量机的输出，ω和γ表示概率支持向量机训练得到的两个参数。经过训练后，概率支持向量机可以计算任意输入特征向量v所对应图像的质量。本发明利用概率支持向量对深度特征进行融合并预测手指静脉图像的质量，从而有效地提高了图像质量评估的精度。实施例6一种基于卷积神经网络的手指静脉图像质量评估系统，如图4所示，该评估系统包括评估单元1和与评估单元1相通讯的数据库2，所述数据库2内存储有手指静脉灰度图像，所述评估单元1包括：质量标注模块11，用于对手指静脉灰度图像的质量进行标注，获得带有质量标签的灰度图像，并获得带有质量标签的灰度图像的静脉特征，进行编码后得到二值图像；训练样本集合建立模块12，用于将质量标注模块11获得的带有质量标签的二值图像和灰度图像分别建立二值图像训练样本集合和灰度图像训练样本集合；模型建立模块13，用于分别建立提取二值图像和灰度图像深度特征的卷积神经网络模型；卷积训练模块14，用于将训练样本集合建立模块12建立的二值图像训练样本集合和灰度图像训练样本集合分成不同的子集合，分批次分别输入到提取二值图像和灰度图像深度特征对应的卷积神经网络模型中，进行训练；连接处理模块15，用于获取经过训练后的卷积神经网络模型中灰度图像和二值图像的深度特征向量；并用于连接两个深度特征向量形成联合表达向量；计算模块16，用于将联合表达向量输入到支持向量机中进行训练，计算出预测手指静脉图像的质量。本发明提供的本发明提供的基于卷积神经网络的手指静脉图像质量评估系统能够很大程度上提升手指静脉图像质量评估的精度，改善认证系统的识别性能，与其他手指静脉图像质量评估方法相比首次融合手指静脉二值图像和灰度图像的深度特征实现对手指静脉图像的质量估计。实施例7一种基于卷积神经网络的手指静脉图像质量评估系统，该评估系统与实施例6不同的是，如图5所示，质量标注模块11包括：图像选择和特征提取子模块110，用于从同一根手指的若干图像中任选择一幅灰度图像并进行特征提取得到二值图像；注册模板图像选择子模块111，用于计算图像选择和特征提取子模块110选择的图像与同一根手指剩下图像的平均值距离，选择最小平均距离对应的图像作为注册模板图像，其它图像作为测试图像；计算子模块112，用于计算同一手指的每幅测试图像与其注册模板图像之间的距离得到类内匹配分数，计算各注册模板图像之间的距离得到类间匹配分数；并根据类内匹配分数和类间匹配分数，计算错误的接受率FAR和错误的拒绝率FRR；判断子模块113，用于判断错误的接受率FAR是否等于预设的阈值，如果错误的接受率FAR等于该阈值，向分类子模块114发送分类指令；分类子模块114，用于将标注有错误拒绝的图像和正确接受的图像进行分类，并向标注子模块115发送标注的指令；标注子模块115，用于对标注有错误拒绝的图像或正确接受的图像进行质量标注，并设定相对应的质量标签。本发明提供的基于卷积神经网络的手指静脉图像质量评估系统与其他手指静脉图像质量评估系统相比，能够自动地对手指静脉图像进行标注，从而减少了人为标注带来的繁重工作和误差。并且本发明提供评估系统能够更准确地对手指静脉图像进行标注，提高标注质量。最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，通过对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围的，均应涵盖在本发明的权利要求范围当中。当前第1页1 2 3