[发明专利]一种基于度量学习的指静脉图像质量评估方法

说明书

本发明提供一种基于度量学习的指静脉图像质量评估方法，包括以下步骤：基于已知质量的指静脉图像合成不同程度的低质量图像；根据具有对比关系的分级的图像训练孪生网络，让网络学习图像对的排序关系；取孪生网络的一分支在少量数据集上进行fine‑turning，得到可以评估单张图像的卷积网络，与现有技术相比，本发明具有如下的有益效果：以较低的学习率，让分支网络在少量的真实数据集上进行训练，得到一个能对单个图像评估的网络模型，从而进行图像评估。

技术领域

本发明属于指静脉图像处理领域，特别涉及一种基于度量学习的指静脉图像质量评估方法。

背景技术

图像质量评估是对采集的指静脉图像进行检查，确认是否有进行后续处理的必要。由于指静脉采集设备存在装置结构、照明方式等差异，并且采集过程中容易受到外界环境因素干扰，造成手指静脉成像质量会存在一些问题，例如曝光过度、曝光不足、或由于光强变化而导致边缘模糊以及来自捕获系统的传感器噪声。

这些低质量的指静脉图像会影响静脉特征提取与匹配。一般来说，高质量图像包含更多的特征信息，静脉纹理更清晰，结构更完整，细节更丰富，从而更容易被计算机提取特征，也更容易被人眼感知。而低质量的图像可能由于模糊、对比度低，导致指静脉图像特征不显著，易被计算机错误识别。指静脉的图像质量评估没有统一的标准，但大多都与其特征提取和匹配的方法有关。关于这方面的研究，实际上都可以看作一个二分类任务，即将图像区分为高质量图像和低质量图像。因此，质量评估的核心目标就是过滤低质量图像，保证指静脉验证系统的可靠性与准确性。

传统的指静脉图像质量评估，目标是建立一个与人眼感知一致的图像评估模型。通过选取不同的图像特征参数(如：对比度、清晰度、有效区域、信息熵等)来衡量图像质量。这些方法需要复杂的分析与设计，缺少鲁棒性，适用性不强。基于深度学习的指静脉图像质量评估研究很少，并且大多都是通过在人类标注数据集上训练，算法的效果取决于标注数据的质量。由人对图像的质量打分，不免会受到一些主观因素的干扰，基于这样的数据集，难以拟合真实的图像质量分布。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于度量学习的指静脉图像质量评估方法，解决上述背景技术中提出的问题。

本发明通过以下的技术方案实现：一种基于度量学习的指静脉图像质量评估方法，包括以下步骤：基于已知质量的指静脉图像合成不同程度的低质量图像；根据具有对比关系的分级的图像训练孪生网络，让网络学习图像对的排序关系；取孪生网络的一分支在少量数据集上进行fine-turning，得到可以评估单张图像的卷积网络。

作为一优选的实施方式，基于已知质量的指静脉图像合成不同程度的低质量图像包括以下步骤，挑选匹配正确的高质量图像，作为原始图像，然后根据不同的强度生成不同类型的失真图像，并保证失真图像与原始图像的相似度小于判别阈值。

作为一优选的实施方式，根据具有对比关系的分级的图像训练孪生网络，让网络学习图像对的排序关系；取孪生网络的一分支在少量数据集上进行fine-turning，得到可以评估单张图像的卷积网络的具体步骤为：提出了一种学习图像质量间相对关系的孪生网络，首先，通过sigmoid函数建模图像质量高低的对比关系，然后，结合交叉熵损失设计网络的优化目标，最后，基于梯度下降算法对孪生网络进行参数优化，取网络的一分支进行fine-turning，得到指静脉图像质量评估网络。

采用了上述技术方案后，本发明的有益效果是：以较低的学习率，让分支网络在少量的真实数据集上进行训练，得到一个能对单个图像评估的网络模型，从而进行图像评估。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。