一种非接触式掌纹图像质量评估方法技术

本发明专利技术公开了一种非接触式掌纹图像质量评估方法

【技术实现步骤摘要】
一种非接触式掌纹图像质量评估方法、装置及智能终端


[0001]本专利技术涉及图像识别领域，具体涉及一种非接触式掌纹图像质量评估方法
、
装置及智能终端
。

技术介绍

[0002]掌纹识别技术能够根据人体手掌表面的生物特征
(
如表皮纹路
、
皱褶和斑点，皮下静脉分布等
)
自动地对用户的身份进行鉴别，具有身份核验速度快
、
客观准确等优点
。
掌纹识别技术中，采用皮下静脉信息进行身份鉴别的技术也叫做掌静脉识别
。
相比于接触式的掌纹识别，非接触式掌纹识别技术具有交互方式自然
、
卫生安全等特点，目前已经在生物特征识别领域得到广泛的应用
。
然而，由于非接触式自由的手掌识别方式带来了如手掌倾斜
、
手掌不平整
、
距离过近过远等问题；同时开放的识别环境，也存在复杂的外部光照及背景等问题，对掌纹识别的具体步骤，如感兴趣
(ROI)
区域定位
、
掌纹特征提取
、
特征匹配及识别，都造成了极大的影响
。
因此对图像质量评估是非常重要的
。
[0003]然而，现有的图像质量评估方法通常采用图像像素灰度值均值
、
方差信息，及局部区域的面积
、
周长等特征进行质量评估，质量特征过少，容易受到噪声影响，无法满足全局质量评估的鲁棒性需求，在真实场景中表现欠佳
。
[0004]因此，现有技术还有待于改进和发展
。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种非接触式掌纹图像质量评估方法
、
装置及智能终端，旨在解决现有技术中质量特征过少
、
容易受到噪声影响
、
无法满足全局质量评估的鲁棒性需求的问题
。
[0006]本专利技术解决技术问题所采用的技术方案如下：
[0007]第一方面，本专利技术提供一种非接触式掌纹图像质量评估方法，其中，所述方法包括：
[0008]获取掌纹图像，并根据所述掌纹图像得到手掌区域；
[0009]对所述手掌区域进行质量评估，得到掌纹质量指标；
[0010]根据所述掌纹质量指标，得到掌纹图像质量
。
[0011]在一种实现方式中，所述获取掌纹图像，并根据所述掌纹图像得到手掌区域，包括：
[0012]将所述掌纹图像输入图像语义分割网络进行语义分割，得到所述手掌区域
。
[0013]在一种实现方式中，所述根据所述手掌区域进行质量评估，得到掌纹质量指标，包括：
[0014]对所述手掌区域进行手掌像素层级质量评估，得到亮度评估指标和清晰度评估指标；
[0015]提取所述手掌区域中的骨骼关节点，并根据所述骨骼关节进行手掌姿态评估，得
到手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标；
[0016]根据所述亮度评估指标
、
清晰度评估指标
、
手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标，得到所述掌纹质量指标
。
[0017]在一种实现方式中，所述对所述手掌区域进行手掌像素层级质量评估，得到亮度评估指标和清晰度评估指标，包括：
[0018]将所述手掌区域划分成若干图像块；
[0019]获取每个图像块的像素平均值；
[0020]计算全部图像块的像素平均值的均值，得到光照程度评估指标；
[0021]将所述光照程度评估指标减去每个图像块的像素平均值，得到差值，根据所述差值得到光照变化均匀性指标；
[0022]根据所述光照程度评估指标和光照变化均匀性指标，得到所述亮度评估指标；
[0023]根据预设的权重系数计算所述手掌区域中与每个像素点相邻的8个像素点的加权像素和，其中所述权重系数预设为每个像素点水平和垂直方向的相邻像素点权重为1，非水平和垂直方向的相邻像素点权重为
[0024]计算全部加权像素和的平均值，得到所述清晰度评估指标
。
[0025]在一种实现方式中，所述提取所述手掌区域中的骨骼关节点，并根据所述骨骼关节进行手掌姿态评估，得到手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标，包括：
[0026]提取所述手掌区域中的骨骼关节点；
[0027]根据所述骨骼关节点的个数和位置，得到真实骨骼关键点集合；
[0028]根据所述真实骨骼关键点集合和预设的骨骼关键点集合的包含关系，得到所述手掌中心区完整性指标；
[0029]从所述骨骼关节点中提取第一关节点集合，并获取所述第一关节点集合中的关节点围成的凸形区域，其中所述第一关节点集合包括手腕根部关节点
、
五根手指根部关节点及大拇指第一关节；
[0030]根据所述掌纹图像的面积和所述凸形区域的面积之间的比值，得到所述手掌中心区分辨率评估指标；
[0031]根据所述骨骼关节点的位置，得到关节间距离；
[0032]将所述关节间距离进行归一化，得到所述手指伸展度指标；
[0033]计算所述骨骼关键点集合中所有骨骼关键点的深度坐标的平均值；
[0034]根据所述所有骨骼关键点的深度坐标的平均值，计算所述骨骼关键点集合中所有骨骼关键点的深度坐标的方差，得到所述手掌平面度指标
。
[0035]在一种实现方式中，所述根据所述掌纹质量指标，得到掌纹图像质量，包括：
[0036]获取识别场景，其中所述识别场景包括有参考图像场景和无参考图像场景；
[0037]若所述识别场景为无参考图像场景，则通过掌纹质量评估深度模型得到所述掌纹图像质量；
[0038]若所述识别场景为有参考图像场景，则根据所述掌纹区域的掌纹质量指标和参考图像的掌纹质量指标之间夹角余弦值计算相似度；
[0039]根据所述相似度，得到所述掌纹图像质量
。
[0040]在一种实现方式中，所述通过掌纹质量评估深度模型评估掌纹图像质量之前，还包括：
[0041]构建掌纹质量评估深度网络，并获取掌纹质量样本数据库；
[0042]获取所述掌纹质量样本数据库中与所述掌纹图像的手掌相同的手掌图像，得到第一手掌图像集合；
[0043]获取所述掌纹质量样本数据库中与所述掌纹图像的手掌不同的手掌图像，得到第二手掌图像集合；
[0044]根据所述第一手掌图像集合，计算所述掌纹图像与第一手掌图像集合中各图像的第一掌纹质量指标相似度，并根据所述第一掌纹质量指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种非接触式掌纹图像质量评估方法，其特征在于，所述方法包括：获取掌纹图像，并根据所述掌纹图像得到手掌区域；对所述手掌区域进行质量评估，得到掌纹质量指标，其中，所述掌纹质量指标用于反映手掌区域的亮度
、
清晰度及掌纹平展性；根据所述掌纹质量指标，得到掌纹图像质量
。2.
根据权利要求1所述的非接触式掌纹图像质量评估方法，其特征在于，所述获取掌纹图像，并根据所述掌纹图像得到手掌区域，包括：将所述掌纹图像输入图像语义分割网络进行语义分割，得到所述手掌区域
。3.
根据权利要求1所述的非接触式掌纹图像质量评估方法，其特征在于，所述根据所述手掌区域进行质量评估，得到掌纹质量指标，包括：对所述手掌区域进行图像像素层级质量评估，得到亮度评估指标和清晰度评估指标；提取所述手掌区域中的骨骼关节点，并根据所述骨骼关节进行手掌姿态评估，得到手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标；根据所述亮度评估指标
、
清晰度评估指标
、
手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标，得到所述掌纹质量指标
。4.
根据权利要求3所述的非接触式掌纹图像质量评估方法，其特征在于，所述对所述手掌区域进行手掌像素层级质量评估，得到亮度评估指标和清晰度评估指标，包括：将所述手掌区域划分成若干图像块；获取每个图像块的像素平均值；计算全部图像块的像素平均值的均值，得到光照程度评估指标；将所述光照程度评估指标减去每个图像块的像素平均值，得到差值，根据所述差值得到光照变化均匀性指标；根据所述光照程度评估指标和光照变化均匀性指标，得到所述亮度评估指标；根据预设的权重系数计算所述手掌区域中与每个像素点相邻的像素点的加权像素和；计算全部加权像素和的平均值，得到所述清晰度评估指标
。5.
根据权利要求3所述的非接触式掌纹图像质量评估方法，其特征在于，所述提取所述手掌区域中的骨骼关节点，并根据所述骨骼关节进行手掌姿态评估，得到手掌中心区完整性指标
、
手掌中心区分辨率评估指标
、
手指伸展度指标和手掌平面度指标，包括：提取所述手掌区域中的骨骼关节点；根据所述骨骼关节点的个数和位置，得到真实骨骼关键点集合；根据所述真实骨骼关键点集合和预设的骨骼关键点集合的包含关系，得到所述手掌中心区完整性指标；从所述骨骼关节点中提取第一关节点集合，并获取所述第一关节点集合中的关节点围成的凸形区域，其中所述第一关节点集合包括手腕根部关节点
、
五根手指根部关节点及大拇指第一关节；根据所述掌纹图像的面积和所述凸形区域的面积之间的比值，得到所述手掌中心区分辨率评估指标；根据所述骨骼关节点的位置，得到关节间距...

【专利技术属性】
技术研发人员：张春生，梁旭，张大鹏，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：