基于深度神经网络的虹膜图像质量评估方法及评估系统

摘要

本发明公开了一种基于深度神经网络的虹膜图像质量评估方法，包括步骤：虹膜图像样本数据库的建立；虹膜图像预处理；多层深度卷积神经网络模型的构建；多层深度卷积神经网络模型的训练和最优模型的确定；虹膜图像测试评估。该方法可实现模糊和清晰虹膜图像的实时判别。本发明方法可以针对不同情况产生的低质量虹膜图像均有较高的识别率，具有良好的环境适应性，自动化程度高，运算速度快，对不符合质量规范的虹膜图像能够在图像采集端实时拒绝。本发明还公开了一种基于深度神经网络的虹膜图像质量评估系统。

权利要求

1.一种基于深度神经网络的虹膜图像质量评估方法，其特征在于，包括以下步骤：(1)虹膜图像样本数据库的建立；

(2)虹膜图像预处理；

(3)多层深度卷积神经网络模型的构建；

(4)多层深度卷积神经网络模型的训练和最优模型的确定；

(5)虹膜图像测试评估；

步骤(1)具体包括以下步骤：

(1.1)针对多张虹膜图像计算离焦模糊值Qblur：首先构建一个p*p像素大小的各向同性滤波器，各向同性滤波器检测不同方向高频信息时边沿梯度幅度一致，不改变虹膜图像中高频信息原始状态，计算滤波器与图像虹膜区域的卷积值，计算滤波器与图像虹膜区域的卷积值的步骤包括将图像从左到右，从上到下依次右移或下移一个像素位置，划分为与卷积算子一样大的p*p大小的模块，块与块之间存在重叠区域，将p*p大小模块分别与滤波算子矩阵相乘得到卷积结果；

2

所述离焦模糊值Qblur＝|I*H|dxdy；

其中，I为输入虹膜图像；H为p*p各项同性滤波算子；dxdy表示针对x和y方向的二维滤波；

(1.2)将所述虹膜图像样本预分类为清晰图像集 和模糊图像集 设定阈值T_good和阈值T_bad，依据所述离焦模糊值Qblur值将虹膜图像预分类为清晰图像集和模糊图像集 两类预分类

图像集；

(1.3)针对经过预分类得到的图像集 和 通过筛选得到最终清晰样本集D_good＝{dg1，dg2，...，dgN}和最终模糊样本集D_bad＝{db1，db2，...，dbM}步骤(2)虹膜图像预处理的步骤包括虹膜区域检测步骤和归一化步骤；

其中，所述虹膜区域检测步骤为：利用全卷积网络检测步骤(1.3)得到的所述最终清晰样本集D_good＝{dg1，dg2，...，dgN}和最终模糊样本集 虹膜图像中的虹膜区域，由此确定包含虹膜区域的最小矩形；其中，所述归一化步骤为：保留图像中包含虹膜区域的最小矩形区域，并将其归一化为同一像素大小的灰度图像；

步骤(3)中的多层深度卷积神经网络模型的网络结构分为输入层、隐含层和输出层三个部分；其中，所述输入层输入数据为步骤(2)得到的归一化为同一像素大小的灰度图像，所述隐含层包括卷积层c1‑c6、BN层bn1‑bn6、池化层mp1‑mp4，ap1和全连接层f1；

步骤(4)中，对多层神经网络模型的训练包含网络前向传播和网络后向传播两个阶段。

2.如权利要求1所述的评估方法，其特征在于，所述网络前向传播阶段：将步骤(2)得到的归一化为同一像素大小的灰度图像样本通过输入层输入，再依次通过卷积层c1‑>BN层bn1‑>最大池化层mp1‑>卷积层c2‑>BN层bn2‑>最大池化层mp2‑>卷积层c3‑>BN层bn3‑>最大池化层mp3‑>卷积层c4‑>BN层bn4‑>最大池化层mp4‑>卷积层c5‑>BN层bn5‑>最大池化层mp5‑>卷积层c6‑>BN层bn6‑>平均池化层ap1‑>全连接层f1‑>输出层。

3.如权利要求1所述的评估方法，其特征在于，所述网络后向传播阶段采用交叉熵计算损失函数，并采用随机梯度下降法反向调整网络中各层权重和偏置。

4.一种基于深度神经网络的虹膜图像质量评估系统，其特征在于，采用如权利要求1、2或3所述的评估方法对虹膜图像进行质量评估，所述系统包括：虹膜图像样本数据库建立模块；

虹膜图像预处理模块；

多层深度卷积神经网络模型构建模块；

多层深度卷积神经网络模型的训练和最优模型的确定模块；

虹膜图像测试评估模块。

说明书

基于深度神经网络的虹膜图像质量评估方法及评估系统

技术领域

[0001] 本发明涉及图像识别领域，尤其是一种基于深度神经网络的虹膜图像质量评估方法及评估系统。

背景技术

[0002] 随着信息技术的发展和人们日益增长的对安全的需要，基于生物特征的身份识别技术在近年来发展迅猛。作为重要的身份特征之一，虹膜技术具有三大特性：图像采集的非
接触性；虹膜纹理的唯一性和稳定性；可实现活体检测的防伪性。虹膜识别能够弥补指纹、
人脸特征等其他生物特征在大规模身份鉴别时存在的局限性，因此被公认为是目前最为精
准的生物特征识别技术。

[0003] 虹膜图像质量评估是虹膜识别的关键步骤之一。由于被广泛应用于安防领域，虹膜采集设备将工作于室内外各种场景中，而过于强烈的光照、镜头离焦模糊、视角的大角度
偏离、严重遮挡等都易产生低质量的虹膜图像。低质量的虹膜图像将大大降低虹膜纹理的
匹配正确率。在图像采集端引入虹膜图像质量评价环节，能够实现对被采集者尽量少限制
的前提下保证图像的有效性和清晰度。

[0004] 目前虹膜识别系统中使用的质量评价算法主要基于经典图像处理算法，如利用二维FFT变换实现基于频域高频能量的图像清晰度判断、虹膜与巩膜区域边界的灰度梯度值
判断、基于二维Gabor变换的纹理能量判断等此类测度的融合评估算法。如“基于图像质量
评估的多生物特征融合识别方法”(申请号：CN201810512935)利用光照和清晰度作为质量
影响因子来进行人脸和虹膜图像质量评估，得出人脸和虹膜图像的质量评估分数；“多尺度
渐进式虹膜图像质量评估方法”(申请号：CN201010217904)采用了区域化、加权和多尺度的
方法实现了光照评估、光斑反射评估、定位合理性评估、模糊评估算法、遮挡评估算法等步
骤，完成虹膜图像的质量评估；“一种虹膜图像质量检测方法”(申请号：CN201810311821)通
过计算虹膜图像整体清晰度指标、局部清晰度指标、可用度指标、虹膜邻域对比度指标获取
虹膜图像序列的联合质量得分。此类多测度融合算法通过人为定义特征的数据融合实现，
往往难以适应不同因素造成的低质量图像的质量评估需求。

[0005] 近年来，深度学习理论在计算机视觉领域的应用日趋广泛，迄今已在图像理解、目标检测、自然语言处理等应用性领域均有突破性变革。

[0006] 虽然将深度学习技术应用于普通图像的质量评估已有部分研究成果发表，但普通图像与虹膜图像的质量评估在研究对象和应用领域都有明显的区别。普通图像质量评估的
研究对象为人为生成的压缩图像和加噪声图像等，图像恢复较为简单，主要应用于算法分
析比较、系统性能评估等方面。而虹膜图像质量评估实现对自然形成的低质量图像的辨析，
图像恢复存在较大难度。现阶段采用深度学习技术应用于虹膜图像质量评估的相关研究成
果很少，尚未见到相关专利文献发表。

发明内容

[0007] 针对现有技术存在的上述问题，本发明提供一种基于深度神经网络的虹膜图像质量评估方法，实现模糊和清晰虹膜图像的实时判别。

[0008] 本发明提供了一种基于深度神经网络的虹膜图像质量评估方法，主要包括以下步骤：

[0009] (1)样本数据库的建立；

[0010] (2)虹膜图像预处理；

[0011] (3)多层深度卷积神经网络模型的构建；

[0012] (4)深度卷积神经网络模型的训练和最优模型的确定；

[0013] (5)虹膜图像测试评估；即基于深度学习的最优模型对虹膜图像质量进行测试评估，并输出结果。

[0014] 本发明采用的技术方案如下：

[0015] 步骤(1)样本数据库的建立；

[0016] (1.1)：针对S(优选S>20000)张虹膜图像计算离焦模糊值。

[0017] 由于离焦模糊图像中各方向高频信息均被削弱，因此通过构建高频滤波器的方式能够检测高频信息的损失/削弱程度。首先构建一个p*p像素大小的各向同性滤波器，各项
同性滤波器在检测不同方向高频信息时可以保证得到的边沿梯度幅度一致，不改变虹膜图
像中高频信息原始状态。计算滤波器与图像虹膜区域的卷积值。将虹膜图像的离焦程度即
离焦模糊值Qblur定义为公式(1)：

[0018] Qblur＝|I*H|2dxdy  公式(1)

[0019] 其中，I为输入虹膜图像；H为p*p各项同性滤波算子；dxdy表示针对x和y方向的二维滤波。

[0020] 步骤(1.1)中，虹膜图像的来源包括虹膜采集设备拍摄，网络提供的虹膜图像公开数据库；

[0021] 步骤(1.1)中，虹膜图像的张数S>20000为优选条件。供训练的图像越多，越有利于本发明采用的深度卷积神经网络提高泛化能力，建立有效模型。

[0022] 步骤(1.1)中，计算滤波器与图像虹膜区域的卷积值的步骤包括将图像从左到右，从上到下依次右移或下移一个像素位置,划分为与卷积算子一样大的p*p大小的模块，块与
块之间存在重叠区域。将p*p大小模块分别与滤波算子矩阵相乘得到卷积结果。

[0023] 本发明中，由于算法可实时运行，因此对不符合质量规范的虹膜图像能够在图像采集端实时拒绝。

[0024] (1.2)：虹膜图像样本的预分类。

[0025] 设定阈值T_good和T_bad，依据所述离焦模糊值Qblur值将虹膜图像样本预分类为清晰图像集 和模糊图像集 两类预分
类图像集：

[0026]

[0027] (1.3)：针对经过预分类得到的图像集 和 通过筛选得到最终清晰样本集D_good＝{dg1,dg2,…,dgN}和最终模糊样本集D_bad＝{db1，db2，…,dbM}，如图2所示。所
述筛选可以是人工筛选或其他的筛选方式。优选地，人工筛选为通过人眼直观判断清晰模
糊从而得到最终清晰样本集和最终模糊样本集。优选地，人工筛选后再采用投票机制得到
最终样本集，如，通过人眼直观判断得到的清晰和模糊，通过离焦模糊判断得到的结果成为
预分类，此后由五人依据直观感受进一步对预分类结果进行细分类，再采用投票机制得到
最终样本集，从而提高精准度。

[0028] 步骤(2)：虹膜图像预处理。

[0029] 虹膜区域检测步骤。利用全卷积网络检测步骤(1.3)得到的最终清晰样本集D_good＝{dg1,dg2,…,dgN}和最终模糊样本集D_bad＝{db1，db2，…,dbM}虹膜图像中的虹膜区
域，由此确定包含虹膜区域的最小矩形。

[0030] 归一化步骤。仅保留图像中包含虹膜区域的最小矩形区域，并将其归一化为sz*sz像素大小的灰度图像。

[0031] 在一具体实施方式中，将步骤(1.3)得到的最终清晰样本集和最终模糊样本集虹膜图像归一化为640*480像素大小，且将图像转化为灰度图像。

[0032] 由于图像采集得到的图像包含完整眼部和脸部部分区域，而虹膜质量评估仅需考虑虹膜区域，因此仅保留虹膜区域最小矩形。由于不同人不同拍摄距离得到的图像的虹膜
区域大小差别较大，因此当统一输入网络时需要归一化为相同大小。

[0033] 本次统一采用图像大小为640*480，640*480为常规虹膜图像采集设备得到的图像大小，可以为其他任意数值，但要求图像中虹膜区域原始大小水平直径不低于160像素。

[0034] 步骤(3)：构建多层深度卷积神经网络模型。

[0035] 其中，所述多层深度卷积神经网络模型的网络结构分为输入层、隐含层和输出层三个部分。

[0036] 其中，输入层输入数据为步骤(2)得到的归一化为sz*sz像素大小的灰度图像。

[0037] 其中，隐含层包括卷积层c1‑c6、BN层bn1‑bn6、池化层mp1‑mp4,ap1和全连接层f1。

[0038] 卷积层c1‑c6采用的激活函数为修正线性单元relu；卷积层c1‑c6的卷积核大小均为3*3，个数分别为8，12，16，24，32，48。

[0039] BN层bn1‑bn6为批标准化层(Batchnormalization)，用于实现神经网络每一层保持相同分布。

[0040] 池化层mp1‑mp4,ap1分为最大池化层mp和平均池化层ap两种，分别应用于网络架构的不同阶段。

[0041] 全连接层f1的输出结点个数为2，对应虹膜图像评估的清晰图像集和模糊图像集2个分类。具体网络架构如图3所示。

[0042] 其中，输出层为用于分类结果的输出，本发明中为输出两个值，分别为清晰和模糊的概率值。

[0043] 步骤(4)：多层深度卷积神经网络模型的训练和最优模型的确定。

[0044] 将虹膜图像样本库分为训练集、验证集和测试集三部分。其中训练集用于训练神经网络参数，验证集用于训练过程中测试和优化网络，测试集用于最终检测网络有效性，三
者互不相交。训练集、验证集和测试集均包含最终清晰虹膜图像和最终模糊虹膜图像，且训
练集中的最终清晰虹膜图像和最终模糊虹膜图像数量相同。

[0045] 对所述神经网络模型的训练包含网络前向传播和网络后向传播两个阶段：

[0046] 网络前向传播阶段：样本图像通过输入层进入，再通过卷积层c1‑>BN层bn1‑>最大池化层mp1‑>卷积层c2‑>BN层bn2‑>最大池化层mp2‑>卷积层c3‑>BN层bn3‑>最大池化层
mp3‑>卷积层c4‑>BN层bn4‑>最大池化层mp4‑>卷积层c5‑>BN层bn5‑>最大池化层mp5‑>卷积
层c6‑>BN层bn6‑>平均池化层ap1‑>全连接层f1‑>输出层(如图3所示)。

[0047] 网络后向传播阶段采用交叉熵计算损失函数，并采用随机梯度下降法(SGD,Stochastic Gradient Descent)反向调整网络中各层权重和偏置。训练周期>90次，保存验
证集最优正确率时即完成对所述多层深度卷积神经网络模型的训练，确定最优模型，此时
对应的网络参数即为最优模型的网络参数。

[0048] 其中，各层权重和偏置是由网络通过随机梯度下降算法计算出来的，属于机器学习的自动调整。只能通过人为设定最低损失函数值或者训练周期来确定是否完成权重和偏
置的最优设置，本发明采用设置最高训练周期的方式确定是否已达到最优值。

[0049] 步骤(5)：虹膜图像测试评估。

[0050] 将步骤(4)所述的训练集图像输入训练完成的深度卷积神经网络进行测试评估，并输出结果，结果为输入虹膜区域属于两种清晰和模糊类型的概率，根据概率大小判定训
练集图像的清晰和模糊类别。

[0051] 评价本发明方法的效果为针对训练图像达到99％的正确率，针对验证图像达到94％的正确率。

[0052] 本发明还提出了一种基于深度神经网络的虹膜图像质量评估系统，所述系统包括：

[0053] 样本数据库的建立模块；

[0054] 虹膜图像预处理模块；

[0055] 多层深度卷积神经网络模型的构建模块；

[0056] 深度卷积神经网络模型的训练和最优模型的确定模块；

[0057] 虹膜图像测试评估模块。

[0058] 综上所述，本发明的有益效果是：

[0059] (1)现有的人为选择特征，很难把所有图像情况都考虑全面，比如图像清晰但光线较暗，比如图像清晰但图像纹理较少等情况，且对于不同特征的权重也很难确定最优值。针
对传统的多特征融合的虹膜图像质量评估方法中人为特征选择和权重计算的局限性，机器
学习可以自适应的选择所需最优特征和特征比例，优于人为判断，本发明提出的基于深度
卷积神经网络的虹膜图像质量评估方法能够通过自学习的方式从虹膜图像中自动提取最
佳分类特征，针对不同情况产生的虹膜低质量图像均有较高的识别率。

[0060] (2)本发明具有良好的环境适应性，自动化程度高，运算速度快，对不符合质量规范的虹膜图像能够在图像采集端实时拒绝。本发明设计采用的卷积神经网络结构简单，但
识别率高且运算速度快。

[0061] (3)本发明将深度学习技术引入虹膜图像质量评估算法的设计，能够实现图像特征的机器自然选择，有效避免人为的图像特征设定导致的评估局限性，得到更加鲁棒的虹
膜图像质量评估模型。

附图说明

[0062] 图1为本发明基于深度神经网络的虹膜图像质量评估方法的流程图。

[0063] 图2为虹膜数据库中清晰图像和模糊图像示意图，其中第一行为模糊虹膜图像，第二行为清晰虹膜图像。

[0064] 图3为本发明所提出的深度神经网络架构。

[0065] 图4为本发明基于深度神经网络的虹膜图像质量评估系统的流程图。

具体实施方式

[0066] 结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发
明没有特别限制内容。

[0067] 本实施例中的基于深度神经网络的虹膜图像质量评估方法，主要包括以下步骤：

[0068] (1)样本数据库的建立；

[0069] (2)虹膜图像预处理；

[0070] (3)多层深度卷积神经网络模型的构建；

[0071] (4)深度卷积神经网络模型的训练和最优模型的确定；

[0072] (5)虹膜图像测试评估；即基于深度学习的最优模型对虹膜图像质量进行测试评估，并输出结果。

[0073] 本实施例采用的技术方案如下：

[0074] 步骤(1)样本数据库的建立；

[0075] (1.1)：针对25000张虹膜图像计算离焦模糊值。步骤(1.1)中，虹膜图像的来源包括虹膜采集设备拍摄，网络提供的虹膜图像公开数据库；步骤(1.1)中，计算滤波器与图像
虹膜区域的卷积值的步骤包括将图像从左到右，从上到下依次右移或下移一个像素位置,
划分为与卷积算子一样大的p*p大小的模块，块与块之间存在重叠区域。将p*p大小模块分
别与滤波算子矩阵相乘得到卷积结果。

[0076] 本实施例中，由于算法可实时运行，因此对不符合质量规范的虹膜图像能够在图像采集端实时拒绝。

[0077] (1.2)：虹膜图像样本的预分类。

[0078] 设定阈值T_good和T_bad，依据Qblur值将虹膜图像样本预分类为清晰图像集和模糊图像集 两类预分类图像集：

[0079]

[0080] (1.3)：如图2所示，针对经过预分类得到的图像集 和 优选地，通过人工筛选方法，例如通过人眼直观判断的方式得到最终清晰样本集D_good＝{dg1,dg2,…,
dgN}和最终模糊样本集D_bad＝{db1，db2，…,dbM}。通过人眼直观判断得到的清晰和模糊，
通过离焦模糊判断得到的结果成为预分类，此后由五人依据直观感受进一步对预分类结果
进行细分类，再采用投票机制得到最终清晰样本集和最终模糊样本集。优选地，人眼直观判
断清晰/模糊的标准，可以根据实际需要调整，例如，可以包括：图像中虹膜纹理形态可辨
度、图像中是否存在明显噪声。

[0081] 步骤(2)：虹膜图像预处理。

[0082] 虹膜区域检测步骤。利用全卷积网络检测步骤(1.3)得到的最终清晰样本集D_good＝{dg1,dg2,…,dgN}和最终模糊样本集D_bad＝{db1，db2，…,dbM}虹膜图像中的虹膜区
域，由此确定包含虹膜区域的最小矩形。

[0083] 归一化步骤。仅保留图像中包含虹膜区域的最小矩形区域，并将其归一化为sz*sz像素大小的灰度图像。

[0084] 在一具体实施方式中，将步骤(1.3)得到的最终清晰样本集和最终模糊样本集虹膜图像归一化为192*192像素大小，且将图像转化为灰度图像。

[0085] 由于图像采集得到的图像包含完整眼部和脸部部分区域，而虹膜质量评估仅需考虑虹膜区域，因此仅保留虹膜区域最小矩形。由于不同人不同拍摄距离得到的图像的虹膜
区域大小差别较大，因此当统一输入网络时需要归一化为相同大小。

[0086] 本次统一采用图像大小为192*192。

[0087] 步骤(3)：构建多层深度卷积神经网络模型。

[0088] 其中，所述多层深度卷积神经网络模型的网络结构分为输入层、隐含层和输出层三个部分。

[0089] 其中，输入层输入数据为步骤(2)得到的归一化为196*196像素大小的灰度图像。

[0090] 其中，隐含层包括卷积层c1‑c6、BN层bn1‑bn6、池化层mp1‑mp4,ap1和全连接层f1。

[0091] 卷积层c1‑c6采用的激活函数为修正线性单元relu；卷积层c1‑c6的卷积核大小均为3*3，个数分别为8，12，16，24，32，48；用于特征提取。

[0092] BN层bn1‑bn6为批标准化层(Batchnormalization)，用于实现神经网络每一层保持相同分布。

[0093] 池化层mp1‑mp4,ap1分为最大池化层mp和平均池化层ap两种，分别应用于网络架构的不同阶段。

[0094] 全连接层f1的输出结点个数为2，对应虹膜图像评估的清晰图像集和模糊图像集2个分类。具体网络架构如图3所示。

[0095] 其中，输出层为用于分类结果的输出，本发明中为输出两个值，分别为清晰和模糊的概率值。

[0096] 步骤(4)：多层深度卷积神经网络模型的训练和最优模型的确定。

[0097] 将虹膜图像样本库分为训练集、验证集和测试集三部分。其中训练集用于训练神经网络参数，验证集用于训练过程中测试和优化网络，测试集用于最终检测网络有效性。三
者互不相交。训练集、验证集和测试集均包含最终清晰虹膜图像和最终模糊虹膜图像，且训
练集中的最终清晰虹膜图像和最终模糊虹膜图像数量相同。

[0098] 对所述神经网络模型的训练包含网络前向传播和网络后向传播两个阶段：

[0099] 网络前向传播阶段：样本图像通过输入层进入，再通过卷积层c1‑>BN层bn1‑>最大池化层mp1‑>卷积层c2‑>BN层bn2‑>最大池化层mp2‑>卷积层c3‑>BN层bn3‑>最大池化层
mp3‑>卷积层c4‑>BN层bn4‑>最大池化层mp4‑>卷积层c5‑>BN层bn5‑>最大池化层mp5‑>卷积
层c6‑>BN层bn6‑>平均池化层ap1‑>全连接层f1‑>输出层(如图3所示)。

[0100] 网络后向传播阶段采用交叉熵计算损失函数，并采用随机梯度下降法(SGD,Stochastic Gradient Descent)反向调整网络中各层权重和偏置。训练周期>90次，保存验
证集最优正确率时即完成对所述多层深度卷积神经网络模型的训练，确定最优模型，此时
对应的网络参数即为最优模型的网络参数。

[0101] 其中，各层权重和偏置是由网络通过随机梯度下降算法计算出来的，属于机器学习的自动调整。只能通过人为设定最低损失函数值或者训练周期来确定是否完成权重和偏
置的最优设置，本发明采用设置最高训练周期的方式确定是否已达到最优值。

[0102] 步骤(5)：虹膜图像测试评估。

[0103] 将步骤(4)所述的训练集图像输入训练完成的深度卷积神经网络进行测试评估，并输出结果，结果为输入虹膜区域属于两种清晰和模糊类型的概率，根据概率大小判定训
练集图像的清晰和模糊类别。

[0104] 评价本发明方法的效果为针对训练图像达到99％的正确率，针对验证图像达到94％的正确率。

[0105] 本实施例中：

[0106] 1、根据步骤(1)计算25000张虹膜图像的离焦模糊值，依据阈值划分为清晰图像集和模糊图像集。

[0107] 2、依据步骤(2)人为筛选上述图像集，将清晰和模糊图像进一步划分，得到最终数据集。

[0108] 3、依据步骤(3)构建深度卷积神经网络，将虹膜区域归一化为192*192像素大小后输入网络。

[0109] 4、对训练集进行训练，得到最优网络模型。

[0110] 5、将网络模型集成入虹膜采集设备，一旦采集到虹膜图像，即可输入深度卷积神经网络模型识别，如果判定为模糊图像，则可提示再次拍摄。

[0111] 如图4所示，本实施例中的基于深度神经网络的虹膜图像质量评估系统，所述系统包括：

[0112] 样本数据库的建立模块；

[0113] 虹膜图像预处理模块；

[0114] 多层深度卷积神经网络模型的构建模块；

[0115] 深度卷积神经网络模型的训练和最优模型的确定模块；

[0116] 虹膜图像测试评估模块。

[0117] 本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保
护范围。