1.一种基于卷积神经网络的手指静脉图像质量评估方法,其特征在于,所述方法包括如下步骤: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,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;
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 按照如下公式计算: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,其中,0≤t<T-1,0≤m,n<s,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:其中,p≤T;
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。
2.根据权利要求1所述的评估方法,其特征在于,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,当接受率FAR等于预设的阈值时,则根据是否被系统标注为错误拒绝的图像或正确接受的图像来区分出低质量灰度图像或高质量灰度图像。
3.根据权利要求1所述的评估方法,其特征在于,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:其中, 表示第l层的输出谱。
4.根据权利要求1所述的评估方法,其特征在于,第g步滤波器权wg的更新规则为:wg+1=Δg+1+wg
其中Δ表示动量,λ为学习率, 为wg的梯度。
5.根据权利要求1所述的评估方法,其特征在于,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pξ(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。