1.一种基于度量学习的指静脉图像质量评估方法，其特征在于，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‑tuning，得到可以评估单张图像的卷积网络；

基于已知质量的指静脉图像合成不同程度的低质量图像的具体步骤为：

在生成低质量图像之前，需要先确定高质量的指静脉图像；因为高质量的指静脉图像有显著的特征信息，容易被计算机识别，所以提出的特征提取与匹配算法，从匹配成功的结果中选出高质量图像；具体做法如下：(1)统计每根手指中每张图像的平均相似度；相似度计算如4‑1式所示

其中，j表示与i同一类别的不同图像，f(i,j)是两张图像的相似度，N是一个类别不同图像的数量；

(2)选取每根手指中平均相似度最低的图像；受到难分样本挖掘策略的启发，选择那些恰好能被识别的高质量图像进行后续的操作，这样的样本越接近识别网络的决策边界，更利于质量评估网络的学习；

因为指静脉识别算法在数据集上的错误匹配数量较少，难以支撑质量评估网络的训练，提出了低质量图像生成算法；首先选取数据集中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；

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‑tuning，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‑tuning，得到指静脉图像质量评估网络。