CN115100731A

CN115100731A - 一种质量评价模型训练方法、装置、电子设备及存储介质

Info

Publication number: CN115100731A
Application number: CN202210957306.0A
Authority: CN
Inventors: 王明魁; 李茂林
Original assignee: Beijing Superred Technology Co Ltd
Current assignee: Beijing Superred Technology Co Ltd
Priority date: 2022-08-10
Filing date: 2022-08-10
Publication date: 2022-09-23
Anticipated expiration: 2042-08-10
Also published as: CN115100731B

Abstract

本申请提供一种质量评价模型训练方法及装置，涉及图像处理，包括：使用第一训练样本(第一虹膜图像和第一质量标签)训练质量评价网络,得到多个第一质量评价模型,使用多个第一质量评价模型得到第一虹膜图像的多个质量预测值,若与第一质量标签的偏差大于或等于第一偏差值阈值的质量预测值数量大于或等于第一数量阈值,则根据第一虹膜图像的多个质量预测值，或者与第一虹膜图像的相似度大于或等于相似度阈值的第二虹膜图像的质量预测值,更新第一质量标签为第二质量标签,以生成第二训练样本,并使用第二训练样本训练质量评价网络,得到第二质量评价模型,可以提高质量评价模型的准确度，从而提高虹膜训练样本的质量和虹膜识别模型的训练效率。

Description

一种质量评价模型训练方法、装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种质量评价模型训练方法、装置、电子设备及存储介质。

背景技术

虹膜识别具有准确性高、防伪性强等优势，但在采集时往往因为光线、角度等问题导致虹膜被遮挡或模糊的情况，导致虹膜识别会出现困难，因此往往需要判断采集到的虹膜图像的质量，以防止识别出错。目前的深度学习策略的虹膜质量评价方法中，一般是拿传统的标签生产工具生成标签，也有些用检测的分数来做标签，用上述这种方法生成标签，在一定情况下有效果，但是所形成的标签均不够准确，影响虹膜质量评价结果的准确度。

发明内容

本发明提供一种质量评价模型训练方法、装置、电子设备及存储介质，用于提高虹膜质量评价精度。

第一方面,提供一种质量评价模型训练方法。该方法包括：

利用第一训练样本训练质量评价网络，得到多个第一质量评价模型；第一训练样本包括第一虹膜图像，以及第一虹膜图像的第一质量标签；

将第一训练样本输入多个第一质量评价模型，得到第一虹膜图像的多个质量预测值；

确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值；第一条件为第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值；

生成第一虹膜图像的第二质量标签；第一虹膜图像的第二质量标签根据第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；第二虹膜图像为与第一虹膜图像的相似度高于相似度阈值的虹膜图像；

生成第二训练样本；第二训练样本包括第一虹膜图像和第一虹膜图像的第二质量标签；

利用第二训练样本训练质量评价网络，得到第二质量评价模型。

一种可能的设计方案中，生成第一虹膜图像的第二质量标签，包括：

确定第一备选标签与第二备选标签之间的偏差小于第二偏差阈值；

将第一备选标签确定为第一虹膜图像的第二质量标签;

其中,第一备选标签根据满足第一条件的第一虹膜图像的质量预测值确定；

第二备选标签根据满足第二条件或第三条件的第二虹膜图像的质量预测值确定。

另一种可能的设计方案中，生成第一虹膜图像的第二质量标签，包括：

确定第一备选标签与第二备选标签之间的偏差大于或等于第二偏差阈值；

将第二备选标签确定为第一虹膜图像的第二质量标签;

可选地，第二条件为第二虹膜图像的数量大于或等于第二数量阈值，以及，第二虹膜图像的质量预测值满足第四条件的第二虹膜图像的数量大于或等于第三数量阈值；

第四条件为第二虹膜图像的质量预测值与第二虹膜图像的第一质量标签之间的偏差小于或等于第三偏差阈值。

或者，可选地，第三条件为第二虹膜图像的数量大于或等于第二数量阈值，以及，第二虹膜图像的质量预测值满足第五条件的第二虹膜图像的数量大于或等于第三数量阈值；

第五条件为第二虹膜图像的质量预测值与第二虹膜图像的第一质量标签之间的偏差大于第三偏差阈值。

进一步地，该方法还包括：

通过对第一虹膜图像进行分割和关键点检测，获取质量分数Q₁;

利用高斯拉普拉斯核对第一虹膜图像进行处理，获取清晰度Q₂；

获取第一虹膜图像的第一质量标签Q=a*Q₁*100+(1-a)*f*Q₂*100,其中，a为权重系数，f为缩放系数。

可选地，通过对第一虹膜图像进行分割和关键点检测，获取质量分数，包括：

对第一虹膜图像进行分割，得到只包含虹膜的虹膜掩膜M₁；

对第一虹膜图像进行关键点检测，得到虹膜内环关键点和虹膜外环关键点；

分别使用虹膜内环关键点和虹膜外环关键点进行椭圆拟合，得到虹膜内环对应的椭圆E₁、虹膜外环对应的椭圆E₂；

对椭圆E₁、椭圆E₂进行二值填充，得到瞳孔掩膜M₂和包含虹膜、瞳孔、遮挡物的掩膜M₃；

获取包含虹膜、遮挡物的虹膜掩膜M₄=M₃-M₂;

获取质量分数Q₁，

，

其中，sum为求和函数，a和b分别表示椭圆的长轴和短轴，λ为预设参数，ε为常数。

第二方面，提供一种质量评价模型训练装置。该装置包括：

训练模块，用于利用第一训练样本训练质量评价网络，得到多个第一质量评价模型；第一训练样本包括第一虹膜图像，以及第一虹膜图像的第一质量标签；

预测模块，用于将第一训练样本输入多个第一质量评价模型，得到第一虹膜图像的多个质量预测值；

确定模块，用于确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值；第一条件为第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值；

生成模块，用于生成第一虹膜图像的第二质量标签；第一虹膜图像的第二质量标签根据第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；第二虹膜图像为与第一虹膜图像的相似度高于相似度阈值的虹膜图像；

生成模块，还用于生成第二训练样本；第二训练样本包括第一虹膜图像和第一虹膜图像的第二质量标签；

训练模块，还用于利用第二训练样本训练质量评价网络，得到第二质量评价模型。

第三方面，提供一种电子设备，该电子设备包括存储器和处理器，存储器上存储有计算机程序，处理器执行计算机程序时实现如第一方面中任一项的方法。

第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项的方法。

本发明提供的质量评价模型训练方法、装置、电子设备及存储介质，该方法包括：使用第一训练样本(第一虹膜图像和第一质量标签)训练质量评价网络,得到多个第一质量评价模型,使用多个第一质量评价模型得到第一虹膜图像的多个质量预测值,若与第一质量标签的偏差大于或等于第一偏差值阈值的质量预测值数量大于或等于第一数量阈值,则根据第一虹膜图像的多个质量预测值，或者与第一虹膜图像的相似度大于或等于相似度阈值的第二虹膜图像的质量预测值,更新第一质量标签为第二质量标签,以生成第二训练样本,并使用第二训练样本训练质量评价网络,得到第二质量评价模型。也就是说，可以先使用原始训练样本（第一训练样本）和质量评价网络训练和优化质量评价模型（多个第一质量评价模型），并使用优化后的质量评价模型评价原始质量标签（第一质量标签）是否准确，若原始质量标签准确度偏低，则可以使用优化后的质量评价模型对第一虹膜图像的多个质量预测值，或者与第一虹膜图像高度相似的第二虹膜图像的预测值更新原始质量标签，以生成质量更高的第二训练样本，然后使用第二训练样本和质量评价网络训练得到准确度更高的第二质量评价模型，从而提高虹膜训练样本的质量和虹膜识别模型的训练效率。

应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。

图1为本发明实施例的质量评价模型训练方法的流程图；

图2为本发明实施例的质量评价模型网络的结构示意图；

图3为本发明的实施例的注意力机制模块的结构示意图;

图4为本发明实施例的生成第二质量标签的流程图；

图5为本发明实施例的质量评价模型训练装置的结构示意图；

图6为本发明实施例的电子设备的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

需要说明的是，本发明实施例描述的仅仅是为了更加清楚的说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。

本发明实施例提供一种质量评价模型训练方法，图1为本发明实施例的质量评价模型训练方法的流程图。参见图1，该方法包括：

S101.利用第一训练样本训练质量评价网络，得到多个第一质量评价模型。

其中，第一训练样本包括第一虹膜图像，以及第一虹膜图像的第一质量标签。可以通过一种或多种硬件采集设备采集第一虹膜图像，采集的第一虹膜图像中，每种质量类型的第一虹膜图像数量可以相同。

可选地,第一虹膜图像的第一质量标签可以通过如下步骤生成:

步骤1.通过对第一虹膜图像进行分割和关键点检测，获取质量分数Q₁。

步骤1-1.对第一虹膜图像进行分割，得到只包含虹膜的虹膜掩膜M₁。

可以采用图像分割模型进行分割，如SegNet模型、Unet模型等，利用图像分割模型将瞳孔、以及虹膜区域的眼皮、睫毛、光斑等遮挡物分割出去，只留下第一虹膜图像上不包含遮挡物的虹膜区域。

步骤1-2.对第一虹膜图像进行关键点检测，得到虹膜内环关键点和虹膜外环关键点。

其中，虹膜内环是指虹膜区域与瞳孔区域之间形成分界的环；虹膜外环是指虹膜区域与巩膜区域之间形成分界的环；虹膜内环关键点是指分布在虹膜内环上的一些离散的点；虹膜外环关键点是指分布在虹膜外环上的一些离散的点。

步骤1-3.分别使用虹膜内环关键点和虹膜外环关键点进行椭圆拟合，得到虹膜内环对应的椭圆E₁、虹膜外环对应的椭圆E₂。

步骤1-4.对椭圆E₁、椭圆E₂进行二值填充，得到瞳孔掩膜M₂和包含虹膜、瞳孔、遮挡物的掩膜M₃。

其中，遮挡物是指眼皮、睫毛、光斑等对虹膜造成遮挡的物体。

步骤1-5.获取包含虹膜、遮挡物的虹膜掩膜M₄=M₃-M₂。

步骤1-6.获取质量分数Q₁，

，

其中，掩膜M₁是虹膜区域中未被遮挡的部分，sum(M₁)用于统计虹膜区域中未被遮挡的部分的像素点个数，可以表示虹膜区域中未被遮挡的面积;掩膜M₄是所有虹膜区域，sum(M₄)用于统计所有虹膜区域的像素点个数，可以表示所有虹膜区域的面积;ε为比较小的一个数，如0.01、0.001等，用于确保分母不为0；

，用于计算虹膜区域中未被遮挡的部分在虹膜区域的所有部分中的占比，即虹膜的可用面积占比；

通过该方式计算到的虹膜的可用面积占比是较为准确的。

a _E1表示椭圆E₁的长轴、b _E1表示椭圆E₁的短轴、a _E2表示椭圆E₂的长轴、b _E2表示椭圆E₂的短轴，椭圆E₁内的面积对应瞳孔区域，椭圆E₂内的面积对应瞳孔及虹膜区域；

ε为比较小的一个数，如0.01、0.001等，用于确保分母不为0；

，为椭圆E₁的长短轴占椭圆E₁长短轴的比值，相当于计算瞳孔对虹膜的遮挡程度。这个指标是考虑到在不同强度的可见光下，瞳孔的大小会发生变化，瞳孔大小的变化也影响虹膜识别的精度；

通过该方式计算得到的瞳孔对虹膜的遮挡程度，也是较为准确的。

步骤2.利用高斯拉普拉斯核（Laplace of Gaussian）对第一虹膜图像进行处理，获取清晰度Q₂。

可选地，利用高斯拉普拉斯核对第一虹膜图像进行处理，获取清晰度Q₂，包括：

步骤2-1.利用高斯拉普拉斯核对第一虹膜图像中瞳孔区域进行处理，得到高斯拉普拉斯图像。其中，利用高斯拉普拉斯核对第一虹膜图像中瞳孔区域进行处理，获得第一虹膜图像中边界（虹膜与瞳孔的边界）的清晰度；

步骤2-2.计算高斯拉普拉斯图像的清晰度Q₂。

清晰度Q₂可以通过计算高斯拉普拉斯图像的方差的方式得到，其中，方差越大，则清晰度Q₂越高。

通过上述步骤获得的清晰度Q₂是相对准确的。

步骤3，获取第一虹膜图像的第一质量标签Q=a*Q₁*100+(1-a)*f*Q₂*100,其中，a为权重系数，f为缩放系数。

其中，a可以为固定值，如0.6、0.65，f可以为所有第一虹膜图像的清晰度Q₂中的最大值的倒数。

清晰度、虹膜的可用面积占比、瞳孔对虹膜的遮挡程度，这三个指标是影响虹膜质量的常见因素。按照上述步骤S1-步骤S3中这三个指标获取到的绝大多数第一虹膜图像的第一质量标签是准确的。

其中，利用第一训练样本训练质量评价网络时，可通过改变质量评价网络的初始化参数或骨干网络的通道训练多次，以获得多个第一质量评价模型。使用不同的参数初始化，在处理第一训练样本时会产生不同的结果，可学习到不同侧重点的特征；使用的骨干网络通道数量较多，可以学习到更多的特征，得到的结果更具代表性。例如，可以设置6个质量评价网络，其中3个质量评价网络在训练时初始化参数不同，这3个网络结构作为基础结构；另外3个质量评价网络分别为前3个质量评价网络每层结构对应通道数的1.4倍、1.8倍和2.2倍。

其中，质量评价网络的网络架构包括主评价分支和辅助评价分支，主评价分支用于生成第一虹膜图像的质量预测值，辅助评价分支用于虹膜掩膜区域的语义定位，上述的骨干网络为主评价分支。下面以一较优的实施方式对质量评价网络的主评价分支和辅助评价分支进行举例说明。

图2为本发明的实施例的质量评价网络的结构示意图。如图2所示：

主评价分支包括下采样模块、特征提取模块、注意力机制模块、第一特征增强模块、第一特征融合模块，全连接层。

假设第一训练样本中第一虹膜图像的尺寸为640×480，将所述第一虹膜图像输入质量评价网络，首先经过1个下采样模块，得到下采样4倍的特征图；然后经过3个特征提取模块，每个特征提取模块各进行一次2倍的下采样操作，每个特征模块都是由残差块组成，其中每个特征提取模块残差块个数不同，经过第三个特征提取模块后输出尺寸为20×15的特征图；再然后，将特征图输入第一特征增强模块，第一特征增强模块包含一个1×1卷积模块和1个3×3卷积模块，1×1卷积模块用来增加通道，变为原来的4倍，3×3卷积模块将通道数变回原来通道数；再然后，将第一个特征提取模块提取到的特征图经过第一个注意力机制模块后，将第二个特征提取模块提取到的特征图经过第二个注意力机制模块后，与第三个特征提取模块提取到的特征图输入第一特征融合模块，第一特征融合模块将三个特征图进行拼接，经过一个3×3的卷积模块对特征图进行增强；其中在第一个注意力机制模块中进行4倍的下采样操作；在第二个注意力机制模块中进行2倍的下采样操作；最后，将特征图经过两个全连接层，得到第一虹膜图像的质量预测值。

图3为本发明的实施例的注意力机制模块的结构示意图。如图3所示：

注意力机制模块包括最大池化模块、平均池化模块、卷积模块、激活函数。输入注意力机制模块的特征图首先分两支分别经过最大池化模块和平均池化模块，然后将最大池化模块输出的特征图与平均池化模块输出的特征图进行拼接，拼接后的特征图经过1*1的卷积模块后，输入激活函数进行激活，最后与原本输入注意力机制模块的特征图进行点积操作，输出特征图。

辅助评价分支包括第二特征融合模块、第二特征增强模块。

辅助评价分将主评价分支的第二个特征提取模块提取到的特征图，以及将第三个特征提取模块特征图经过2倍的上采样处理后得到的特征图，输入第二特征融合模块进行拼接、融合；然后输入第二特征增强模块，输出感兴趣区域（包括虹膜、瞳孔、遮挡物的区域）。

其中，辅助评价分支只作用于训练阶段，通过辅助评价分支输出感兴趣区域，便于质量评价网络针对性地对感兴趣区域的图像进行处理，减少第一虹膜图像上其他区域的影响。

利用第一训练样本训练质量评价网络的过程中，利用损失函数计算第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的损失值，当第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的损失值小于或等于第一损失阈值时，停止训练，得到第一质量评价模型。可选地，当第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的损失值在第一损失阈值定义的范围内波动时，停止训练，得到第一质量评价模型。

可选地，损失函数如下：

；

其中，α为损失平衡系数，数值在(0,1)之间，L_a为主评价分支的损失值，L_b为辅助评标价分支的损失值。

由于通过上述步骤1-步骤3中的方法可以确保绝大多数第一虹膜图像的第一质量标签是准确的。因此，可以假设第一虹膜图像的第一质量标签都是准确的，进行第一阶段的训练，也即：基于此假设，训练并优化质量评价网络，以生成多个更为准确的第一质量评价模型，用于在下述步骤S102中评价第一训练样本的第一虹膜图像的质量。

S102.将第一训练样本输入多个第一质量评价模型，得到第一虹膜图像的多个质量预测值。

由上述第一阶段的训练可知：经过第一阶段的训练优化得到的多个第一质量评价模型的准确度要高于原始的质量评价网络，也就是说，使用多个第一质量评价模型得到的第一虹膜图像的多个质量预测值，较第一虹膜图像的第一质量标签的准确度更高。

本实施例中，大多数第一虹膜图像的第一质量标签还是准确的，需要更新不准确的第一虹膜图像的第一质量标签。可以通过下述步骤S103获取不准确的第一虹膜图像的第一质量标签，然后更新。

S103.确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值。

其中，第一条件为第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值。

一方面，若第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值，则说明第一虹膜图像的该质量预测值与第一虹膜图像的第一质量标签差别较大。若第一虹膜图像的多个质量预测值中，满足第一条件的质量预测值的数量大于或等于第一数量阈值，则说明第一虹膜图像的大多数质量预测值与第一虹膜图像的第一质量标签的差别均较大，第一虹膜图像的第一质量标签准确度相对较低，需要更新。假设第一虹膜图像的质量预测值共有6个，第一数量阈值可以为第一虹膜图像的所有质量预测值的50%、60%等，也可以为3-6中的一个数值（该数值大于或等于第一虹膜图像的所有质量预测值数量的一半）。

另一方面，若满足第一条件的质量预测值的数量小于第一数量阈值，则说明第一虹膜图像的大多数质量预测值不满足第一条件（第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差小于第一偏差阈值）。若第一虹膜图像的多个质量预测值中，不满足第一条件的质量预测值的数量大于或等于第一数量阈值，则说明第一虹膜图像的大多数质量预测值与第一虹膜图像的第一质量标签的差别不大，则说明第一虹膜图像的第一质量标签准确度相对准确，不需要更新。

因此，若满足第一条件的质量预测值的数量大于或等于第一数量阈值，则可以通过下述步骤S104生成第一虹膜图像的新标签（第一虹膜图像的第二质量标签），去更替第一虹膜图像的原始标签（第一虹膜图像的第一质量标签）。

S104.生成第一虹膜图像的第二质量标签。

其中，第一虹膜图像的第二质量标签根据第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；第二虹膜图像为与第一虹膜图像的相似度高于相似度阈值的虹膜图像。

图4为本发明实施例的生成第一虹膜图像的第二质量标签的流程图。下面结合图4，详细说明如何生成第一虹膜图像的第二质量标签。

步骤a.确定第一备选标签与第二备选标签之间的偏差小于第二偏差阈值。

其中,第一备选标签根据满足第一条件的第一虹膜图像的质量预测值确定；第二备选标签根据满足第二条件或第三条件的第二虹膜图像的质量预测值确定。

本实施例中，若第一备选标签与第二备选标签之间的偏差小于第二偏差阈值，说明第一备选标签与第二备选标签差别不大，则可以认为用第一虹膜图像本身的质量预测值得到的第一备选标签准确的可能性更高。因此，可以执行下述步骤b：

步骤b.将第一备选标签确定为第一虹膜图像的第二质量标签。

步骤Ⅰ.确定第一备选标签与第二备选标签之间的偏差大于或等于第二偏差阈值。

可选地，第二条件为第二虹膜图像的数量大于或等于第二数量阈值，以及，第二虹膜图像的质量预测值满足第四条件的第二虹膜图像的数量大于或等于第三数量阈值。

可选地，第三条件为第二虹膜图像的数量大于或等于第二数量阈值，以及，第二虹膜图像的质量预测值满足第五条件的第二虹膜图像的数量大于或等于第三数量阈值。

不论是在第二条件下还是在第三条件下，均要满足“第二虹膜图像的数量大于或等于第二数量阈值”。能够确保第二虹膜图像的数量足够多，通过数量足够多的第二虹膜图像的质量预测值确定的第二备选标签更具有代表性，准确度较高。

本实施例中，若第一备选标签与第二备选标签之间的偏差大于或等于第二偏差阈值，说明第一备选标签与第二备选标签差别较大。在第二备选标签较为准确的条件下，第一备选标签准确的可能性较低，而第二备选标签准确的可能性较高。因此，可以执行下述步骤Ⅱ：

步骤Ⅱ，将第二备选标签确定为第一虹膜图像的第二质量标签。

下面为第一备选标签和第二备选标签的生成方法：

第一备选标签可以根据满足第一条件的第一虹膜图像的质量预测值确定。根据步骤S103，满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值，说明满足第一条件的质量预测值准确的可能性较不满足第一条件的质量预测值准确的可能性更高，因此，可以通过满足第一条件的第一虹膜图像的多个质量预测值去确定第一备选标签。

可选地，可以对满足第一条件的第一虹膜图像的多个质量预测值求均值，获得第一备选标签，也可以是取中位值或其他值，本实施例中对此不做限定。

可选地，第二备选标签可以根据满足第二条件的第二虹膜图像的质量预测值确定。第二条件中，满足第四条件的第二虹膜图像的数量大于或等于第三数量阈值。可以认为，满足第四条件的第二虹膜图像的质量预测值准确的可能性，较不满足第四条件的第二虹膜图像的质量预测值准确的可能性高。则，根据满足第四条件的第二虹膜图像的质量预测值确定第二备选标签，可以提高第二备选标签的准确度。

其中，第四条件为第二虹膜图像的质量预测值与第二虹膜图像的第一质量标签之间的偏差小于或等于第三偏差阈值。所述第三偏差阈值可以与第一偏差阈值一样，也可以是重新设置的一个值。

第二条件可以理解为：第一虹膜图像的相近图像（第二虹膜图像）的数量足够多，且原始标签（第一质量标签）准确的相近图像的数量也足够多，则可以考虑根据这些原始标签准确的相近图像的质量预测值来生成第二备选标签。

可选地，第二备选标签可以根据满足第三条件的第二虹膜图像的质量预测值确定。第三条件中，满足第五条件的第二虹膜图像的数量大于或等于第三数量阈值。可以认为，满足第五条件的第二虹膜图像的质量预测值准确的可能性，较不满足第五条件的第二虹膜图像的质量预测值准确的可能性高。则，根据满足第五条件的第二虹膜图像的质量预测值确定第二备选标签，可以提高第二备选标签的准确度。

其中，第五条件为第二虹膜图像的质量预测值与第二虹膜图像的第一质量标签之间的偏差大于第三偏差阈值。第五条件与第四条件互斥。

第三条件可以理解为：第一虹膜图像的相近图像（第二虹膜图像）的数量足够多，且原始标签（第一质量标签）不准确的相近图像的数量也足够多，则可以考虑根据这些原始标签不准确的相近图像的质量预测值来生成第二备选标签。

在步骤Ⅰ中，不管是通过满足第二条件的第二虹膜图像的质量预测值确定第二备选标签，还是通过满足第二条件的第二虹膜图像的质量预测值确定第二备选标签，均可通过以下方式实现：

可选地，可以将多张第二虹膜图像对应的多个的质量预测值做直方分布图，可以将数量最多的第二虹膜图像的质量预测值作为第二备选标签；或者可以根据数量最多的区间内的第二虹膜图像的质量预测值得到第二备选标签，如对数量最多的区间内的第二虹膜图像的质量预测值求均值，得到第二备选标签。

可选地，可以将多张第二虹膜图像对应的多个的质量预测值进行聚类分析，可以根据类别中数量最多的那一类第二虹膜图像的质量预测值得到第二备选标签，如对类别中数量最多的那一类第二虹膜图像的质量预测值求均值，得到第二备选标签。

本实施例中，假设第二虹膜图像的质量预测值的总数为100，则上述的第三数量阈值可以为第二虹膜图像的质量预测值的总数的50%或其他占比值，也可以为50或其他数值（该数值大于或等于第二虹膜图像的质量预测值总数的一半）。

其中，第二虹膜图像的第一质量标签可以根据上述步骤S101中第一虹膜图像的第一质量标签的生成方式生成；第二虹膜图像的质量预测值可以根据上述步骤S101-步骤S102获得，或根据上述步骤S102 获得。

本实施例中，不论是在第二条件下还是在第三条件下，均要满足“第二虹膜图像的数量大于或等于第二数量阈值”。可选地，在筛选第二虹膜图像时，可以使用SSIM算法计算其他虹膜图像与第一虹膜图像的相似度，如余弦相似度，若相似度大于或等于相似度阈值，则可以作为第二虹膜图像。

第二数量阈值可以根据实际需求进行设定，如100张、200张等，在本实施例中不做限定。通过数量足够多的第二虹膜图像的质量预测值确定的第二备选标签更具有代表性，可靠性较高。

而若不满足“第二虹膜图像的数量大于或等于第二数量阈值”，则利用第二虹膜图像的质量预测值确定的第二备选标签可靠性不足，则不生成第二备选标签，而是将第一备选标签作为第一虹膜图像的第二质量标签。

S105.生成第二训练样本；第二训练样本包括第一虹膜图像和第一虹膜图像的第二质量标签。

S106.利用第二训练样本训练质量评价网络，得到第二质量评价模型。

利用上述步骤S104生成了准确度更高的第一虹膜图像的第二质量标签，因此，第二训练样本整体的准确度更高，则利用第二训练样本训练质量评价网络，可以使用相同数量的训练样本得到更为准确的第二质量评价模型，从而提高第二质量评价模型的准确度，或者为获得某一准确度要求的第二质量评价模型，只需要使用数量更少的训练样本进行训练即可实现，从而提高训练效率。

步骤S106中的质量评价网络与步骤S101中多个质量预测模型的基础架构一致。利用第二训练样本训练质量评价网络的过程中，利用损失函数计算第一虹膜图像的质量预测值与第一虹膜图像的第二质量标签之间的损失值，当第一虹膜图像的质量预测值与第一虹膜图像的第二质量标签之间的损失值小于或等于第二损失阈值时，停止训练，得到第二质量评价模型。

可选地，当第一虹膜图像的质量预测值与第一虹膜图像的第二质量标签之间的损失值在第二损失阈值定义的范围内波动时，停止训练，得到第二质量评价模型。

可选地，损失函数如下：

；

本实施例中，可以直接将第二质量评价模型作为最终质量评价模型；也可以再次训练质量评价网络，以提高最终质量评价模型的精度。

如果再次训练训练质量评价网络，可以将第二质量评价模型作为基础网络构建步骤S101中的质量评价网络，重新执行步骤S101-步骤S106，在步骤S106中，直至损失值在小于或等于第三损失阈值时，说明质量评价模型收敛，停止训练，得到第二质量评价模型。可选地，在步骤S106中，直至损失值在第三损失阈值定义的范围内波动时，说明质量评价模型收敛，停止训练，得到第二质量评价模型。若第三损失阈值小于第二损失阈值，则将重新训练后的得到的第二质量评价模型作为最终的质量评价模型。其中，第三损失阈值可以小于第二损失阈值，说明重新训练后得到的第二质量评价模型在收敛条件下的损失值始终小于上次训练得到的第二质量评价模型在收敛条件下的损失值，进而说明重新训练后得到的第二质量评价模型的精度高于上次训练得到的第二质量评价模型的精度。以精度更高的第二质量评价模型作为最终的质量评价模型，可以提高虹膜训练样本的质量和虹膜识别模型的训练效率。

基于本实施例提供的质量评价模型训练方法，可以使用第一训练样本(第一虹膜图像和第一质量标签)训练质量评价网络,得到多个第一质量评价模型,使用多个第一质量评价模型得到第一虹膜图像的多个质量预测值,若与第一质量标签的偏差大于或等于第一偏差值阈值的质量预测值数量大于或等于第一数量阈值,则根据第一虹膜图像的多个质量预测值，或者与第一虹膜图像的相似度大于或等于相似度阈值的第二虹膜图像的质量预测值,将第一虹膜图像的第一质量标签更新为准确度更高的第二质量标签,以生成第二训练样本,并使用第二训练样本训练质量评价网络,得到第二质量评价模型。也就是说，可以先使用原始训练样本（第一训练样本）和质量评价网络训练和优化质量评价模型（多个第一质量评价模型），并使用优化后的质量评价模型评价原始质量标签（第一质量标签）是否准确，若原始质量标签准确度偏低，则可以使用优化后的质量评价模型对第一虹膜图像的多个质量预测值，或者与第一虹膜图像高度相似的第二虹膜图像的预测值更新原始质量标签，以生成质量更高的第二训练样本，然后使用第二训练样本和质量评价网络训练得到准确度更高的第二质量评价模型，从而提高虹膜训练样本的质量和虹膜识别模型的训练效率。

以上结合图1-图4详细说明了本申请实施例提供的质量评价模型训练方法。以下结合图5详细说明用于执行本申请实施例提供的质量评价模型训练方法的质量评价模型训练装置。

图5为本发明实施例的质量评价模型训练装置的结构示意图。参见图5，该装置包括：

训练模块501，用于利用第一训练样本训练质量评价网络，得到多个第一质量评价模型；第一训练样本包括第一虹膜图像，以及第一虹膜图像的第一质量标签；

预测模块502，用于将第一训练样本输入多个第一质量评价模型，得到第一虹膜图像的多个质量预测值；

确定模块503，用于确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值；第一条件为第一虹膜图像的质量预测值与第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值；

生成模块504，用于生成第一虹膜图像的第二质量标签；第一虹膜图像的第二质量标签根据第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；第二虹膜图像为与第一虹膜图像的相似度高于相似度阈值的虹膜图像；

生成模块504，还用于生成第二训练样本；第二训练样本包括第一虹膜图像和第一虹膜图像的第二质量标签；

训练模块501，还用于利用第二训练样本训练质量评价网络，得到第二质量评价模型。

质量评价模型训练装置的技术效果参考前述的质量评价模型训练方法的技术效果，此处不再赘述。

图6为本发明实施例的一种电子设备的结构图，如图6所示，该电子设备包括，中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括训练模块501、预测模块502、确定模块503、生成模块504，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，生成模块504还可以被描述为“用于生成第一虹膜图像的第二质量标签的生成模块504”。

本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述质量评价模型训练装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的质量评价模型训练方法。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种质量评价模型训练方法，其特征在于，所述方法包括：

利用第一训练样本训练质量评价网络，得到多个第一质量评价模型；所述第一训练样本包括第一虹膜图像，以及所述第一虹膜图像的第一质量标签；

将所述第一训练样本输入所述多个第一质量评价模型，得到所述第一虹膜图像的多个质量预测值；

确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值；所述第一条件为所述第一虹膜图像的质量预测值与所述第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值；

生成所述第一虹膜图像的第二质量标签；所述第一虹膜图像的第二质量标签根据所述第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；所述第二虹膜图像为与所述第一虹膜图像的相似度高于相似度阈值的虹膜图像；

生成第二训练样本；所述第二训练样本包括所述第一虹膜图像和所述第一虹膜图像的第二质量标签；

利用所述第二训练样本训练所述质量评价网络，得到第二质量评价模型。

2.根据权利要求1所述的质量评价模型训练方法，其特征在于，所述生成所述第一虹膜图像的第二质量标签，包括：

将所述第一备选标签确定为所述第一虹膜图像的第二质量标签;

其中,所述第一备选标签根据满足所述第一条件的所述第一虹膜图像的质量预测值确定；

所述第二备选标签根据满足第二条件或第三条件的所述第二虹膜图像的质量预测值确定。

3.根据权利要求1所述的质量评价模型训练方法，其特征在于，所述生成所述第一虹膜图像的第二质量标签，包括：

将所述第二备选标签确定为所述第一虹膜图像的第二质量标签;

4.根据权利要求2或3所述的质量评价模型训练方法，其特征在于，

所述第二条件为所述第二虹膜图像的数量大于或等于第二数量阈值，以及，所述第二虹膜图像的质量预测值满足第四条件的所述第二虹膜图像的数量大于或等于第三数量阈值；

所述第四条件为所述第二虹膜图像的质量预测值与所述第二虹膜图像的第一质量标签之间的偏差小于或等于第三偏差阈值。

5.根据权利要求2或3所述的质量评价模型训练方法，其特征在于，

所述第三条件为所述第二虹膜图像的数量大于或等于第二数量阈值，以及，所述第二虹膜图像的质量预测值满足第五条件的所述第二虹膜图像的数量大于或等于第三数量阈值；

所述第五条件为所述第二虹膜图像的质量预测值与所述第二虹膜图像的第一质量标签之间的偏差大于第三偏差阈值。

6.根据权利要求1所述的质量评价模型训练方法，其特征在于，所述方法还包括：

通过对所述第一虹膜图像进行分割和关键点检测，获取质量分数Q₁;

利用高斯拉普拉斯核对所述第一虹膜图像进行处理，获取清晰度Q₂；

获取所述第一虹膜图像的第一质量标签Q=a*Q₁*100+(1-a)f*Q₂*100,其中，a为权重系数，f为缩放系数。

7.根据权利要求6所述的质量评价模型训练方法，其特征在于，所述通过对所述第一虹膜图像进行分割和关键点检测，获取质量分数，包括：

对所述第一虹膜图像进行分割，得到只包含虹膜的虹膜掩膜M₁；

对所述第一虹膜图像进行关键点检测，得到虹膜内环关键点和虹膜外环关键点；

对所述椭圆E₁、椭圆E₂进行二值填充，得到瞳孔掩膜M₂和包含虹膜、瞳孔、遮挡物的掩膜M₃；

获取包含虹膜、遮挡物的虹膜掩膜M₄=M₃-M₂;

获取所述质量分数Q₁，

，

8.一种质量评价模型训练装置，其特征在于，所述装置包括：

训练模块，用于利用第一训练样本训练质量评价网络，得到多个第一质量评价模型；所述第一训练样本包括第一虹膜图像，以及所述第一虹膜图像的第一质量标签；

预测模块，用于将所述第一训练样本输入所述多个第一质量评价模型，得到所述第一虹膜图像的多个质量预测值；

确定模块，用于确定满足第一条件的第一虹膜图像的质量预测值的数量大于或等于第一数量阈值；所述第一条件为所述第一虹膜图像的质量预测值与所述第一虹膜图像的第一质量标签之间的偏差大于或等于第一偏差阈值；

生成模块，用于生成所述第一虹膜图像的第二质量标签；所述第一虹膜图像的第二质量标签根据所述第一虹膜图像的多个质量预测值或多个第二虹膜图像的质量预测值确定；所述第二虹膜图像为与所述第一虹膜图像的相似度高于相似度阈值的虹膜图像；

生成模块，还用于生成第二训练样本；所述第二训练样本包括所述第一虹膜图像和所述第一虹膜图像的第二质量标签；

训练模块，还用于利用所述第二训练样本训练所述质量评价网络，得到第二质量评价模型。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。