CN109447942B - 图像模糊度确定方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开了一种图像模糊度确定方法、装置、计算机设备及存储介质，应用于图像识别领域，可有效地提高了人脸图像模糊度的判断效率，本申请方法部分包括：获取目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

Description

图像模糊度确定方法、装置、计算机设备及存储介质

技术领域

本申请涉及图像识别领域，尤其涉及一种图像模糊度确定方法、装置、计算机设备及存储介质。

背景技术

人脸识别的过程中，需要对人脸进行检测，为了得到质量符合后续处理要求的人脸图像，需要对检测后的人脸图像需要进行质量判断的过程，其中，判断人脸图像质量的其中一个参考就是人脸图像的模糊度，目前用的比较多的是开源计算机视觉库(Open SourceComputer Vision Library，opencv)来进行人脸图像的模糊度判断。

其中，opencv是一个跨平台计算机视觉库，可以运行在Linux、Windows等操作***上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。但是，由于传统上利用opencv进行人脸图像的模糊度判断时，是基于整张人脸特征进行判断，计算量较大，模糊度的判断效率比较低。

发明内容

基于此，有必要针对上述技术问题，提供一种可有效地提高了人脸图像模糊度的判断效率的图像模糊度确定方法、装置、计算机设备及存储介质。

一种图像模糊度确定方法，包括：

获取人脸图像；

对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；

对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；

根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；

根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

一种图像模糊度确定装置，包括：

获取模块，用于获取人脸图像；

裁剪及灰度处理模块，用于对所述获取模块获取的所述人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，所述目标特征区域灰度图为所述人脸图像的目标特征区域对应的灰度图；

计算模块，用于对获取模块获取的目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；

第一确定模块，用于根据计算模块计算得到的每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；

第二确定模块，用于根据第一确定模块确定的每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像模糊度确定方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像模糊度确定方法的步骤。

上述图像模糊度确定方法、装置、计算机设备及存储介质所实现的方案中，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请中图像模糊度确定方法一应用环境示意图；

图2是本申请中图像模糊度确定方法一个实施例流程示意图；

图3是图2中步骤S20一具体实施方式流程示意图；

图4是图2中步骤S30一具体实施方式流程示意图；

图5是图2中步骤S30另一具体实施方式流程示意图；

图6是图2中步骤S40一具体实施方式流程示意图；

图7是图2中步骤S40另一具体实施方式流程示意图；

图8是本申请中图像模糊度确定装置一个实施例结构示意图；

图9是本申请一实施例中计算机设备的一实施例结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请提供一种图像模糊度确定方法，可提高最终的模糊度判断效率，可应用于如图1所示的网络框架示意图中，其中，终端设备获取人脸图像，对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，其中，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。由此可得，在本申请中，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率。终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，尤其适用于移动终端设备，例如手机，可穿戴设备等，具体不做限定。另外需要说明的是，本申请中的图像模糊度确定方法还可应用于服务器中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现，具体不做限定。下面针对本申请进行详细描述，如图2所示，包括如下步骤：

S10、获取人脸图像；

可以理解，人脸识别技术也被广泛采用在各个领域进行应用，示例性的，比如利用人脸识别进行移动终端或电脑解锁，利用手机进入一些应用程序(Application，APP)的身份认证过程(例如购物类APP，教育类APP)，利用移动终端进行考勤的过程，一些门禁监控中利用到的人脸识别等等，在上述人脸识别过程中，都有刷脸校验的功能，也就是需要获取用户的人脸图像，继而进行人脸识别。需要说明的是，上述应用示例在这里只是一个示例说明，并不会本申请构成限定，具体这里不做限定，另外，在具体应用中，除了利用手机、电脑等终端设备进行解锁外，还可以是其他终端设备，例如，智能手表等，这里也不做限定。在上述示例的应用场景中，为了提高人脸识别的准确度，首先会获取的用户的人脸图像进行一个质量判断的过程，上述质量判断包括图像模糊度确定的过程，人脸图像太模糊了将导致最后的人脸识别效果会比较差，所以在进行人脸识别前需先判断获取的人脸图像是否模糊，直到取出符合质量的人脸图像在进行识别。因此，在本申请中，需先获取上述人脸图像。

S20、对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；

在本申请中，在获取到了上述人脸图像后，需对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图。其中，该目标特征区域灰度图为人脸图像的目标特征区域所对应的灰度图。另外，在一些应用场景中，可获取人脸图像，裁剪出人脸图像的目标特征区域，对目标特征区域进行灰度图转化从而得到目标特征区域灰度图。在另一些应用场景中，也可获取人脸图像，对人脸图像进行灰度图转化，再从经过灰度图转化后的人脸图像中裁剪出目标特征区域从而得到上述目标特征区域灰度图，具体这里不做限定。示例性的，在进行上述灰度图转化的过程中，可使用常规的灰度图转化方法，这里不做限定，示例性的，可使用RGB位图进行转化。例如，人脸图像中原来某点的颜色为RGB(R，G，B)，具体可通过下面几种方式将该某点进行转化得到该某点Gray，包括：1、浮点算法：Gray＝R*0.3+G*0.59+B*0.11；2、整数方法：Gray＝(R*30+G*59+B*11)/100；3、移位方法：Gray＝(R*76+G*151+B*28)>>8；4、平均值法：Gray＝(R+G+B)/3，具体不做限定。

另外需要说明的是，在一些实施例中，在获取目标特征区域灰度图后，为了提高后续的处理效率和质量，可对目标特征区域灰度图进行预处理，其中，上述预处理包括但不局限于：对目标特征区域灰度图进行去噪处理，也就是去掉图片中与周围点变化较大的点，以及归一化处理，也就是使目标特征区域灰度图中大量集中在中间的点拉伸至整个灰度图区域。在去噪处理中，示例性的，具体可采用高斯低通滤波去噪，NL-Means(非局部均值)等去噪方式，这里不做限定。而在归一化处理中，可采用常用的归一化手段，只要能将目标特征区域灰度图的像素值归一至一定范围即可，具体不做限定，例如将目标特征区域灰度图的像素值减均值，然后除以像素值方差的方式进行归一化处理。可以理解，经过上述预处理，可极大了减少目标特征区域灰度的干扰信息，有效地提高方案的整体处理效率。

S30、对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；

应理解，目标特征区域灰度图是由多个像素点所构成，由在得到目标特征区域灰度图后，对目标特征区域灰度图中每个像素点分别进行水平方向卷积运算和垂直方向卷积运算，从而可以得到每个像素点的水平方向梯度和垂直方向梯度。应理解，人脸图像是一种数字图像，是一种离散的点谱图，对应的目标特征区域灰度图也是一种点谱图，也可称为是一种二维离散函数，而梯度是指这个二维离散函数的求导，梯度具有方向，而在本申请中，可对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度，从另一方面上讲，也是得到了整个目标特征区域灰度图的水平方向梯度和垂直方向梯度。

S40、根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；

在本申请中，在得到目标特征区域灰度图中其中一个目标像素点的水平方向梯度和垂直方向梯度后，可根据目标像素点的水平方向梯度和垂直方向梯度，确定出目标像素点对应的近似梯度，目标特征区域灰度图中其他所有像素点对应的近似梯度计算方法与目标像素点的一样，因此可得到目标特征区域灰度图中每个像素点对应的近似梯度。其中，像素点对应的近似梯度与该像素点对应的水平方向梯度与垂直方向梯度相关。

S50、根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

由此可得，在本申请中，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率。

需要说明的是，在一些应用场景中，上述人脸图像的目标特征区域指的是人脸图像的鼻子区域或眼睛区域。在本申请中，人脸图像的目标特征区域是指人脸中最能反映人脸显著特征的区域，例如眼睛、嘴巴、鼻子等，人脸识别中也是主要着重于识别上述人脸区域，只要上述目标特征区域模糊度足够，在一定程度上反映了人脸图像的模糊度足够，因此，将上述人脸图像的鼻子区域或眼睛区域作为本申请中的目标特征区域，用作后续确定模糊度的计算区域。

在本申请中，在根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度后，就可根据人脸图像的图像模糊度确定人脸图像的质量，从而判定该人脸图像是否适合作为下一步的人脸识别所用的图像。

在一实施例中，如图3所示，步骤S20中，也即对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度，具体包括如下步骤：

S21、确定索贝尔水平卷积因子以及索贝尔垂直卷积因子；

S22、根据索贝尔水平卷积因子对目标特征区域灰度图中每个像素点进行水平方向卷积运算以获得每个像素点的水平方向梯度，以及根据索贝尔垂直卷积因子对目标特征区域灰度图中每个像素点进行垂直方向卷积运算以获得每个像素点的垂直方向梯度。

需要说明的是，除了根据索贝尔水平卷积因子计算出上述目标特征区域灰度图的水平方向梯度，以及根据索贝尔垂直卷积因子计算出上述目标特征区域灰度图的垂直方向梯度方向外，只要能计算目标特征区域灰度图中相邻或相隔几个像素之间颜色差值的关系，从而计算出目标特征区域灰度图的像素点的水平方向梯度或垂直方向梯度的卷积因子都可以，示例性的，在一些应用场景中，可使用Roberts(罗伯茨)卷积算子的卷积因子、Prewitt卷积算子的卷积因子、Laplacian(拉普拉斯高斯)卷子的卷积因子等，具体不做限定。可以理解，在本实施例中，具体是采用了索贝尔算子，也即索贝尔水平卷积因子以及索贝尔垂直卷积因子，提出了进行水平方向梯度和垂直方向梯度的计算算法，提高了方案的可实施性。值得一提的是，利用索贝尔卷积算子可以确定目标特征区域中到像素点边的存在，以及像素点从暗到亮，或从亮到暗的变化，因此，利用索贝尔卷积算子计算出来的水平方向梯度或垂直方向梯度可很方的反应出目标特征区域灰度图的模糊程度，使得最后计算出的目标模糊度更能反应出目标特征区域灰度图的模糊水平，也就是使得最终人脸图像的模糊度的判断更为准确，因此，在本申请中，优选使用索贝尔卷积算子。

在一实施例中，索贝尔水平卷积因子为[-1，0，1，-2，0，2，-1，0，1]，索贝尔垂直卷积因子为[1，2，1，0，0，0，-1，-2，-1]，也即：

索贝尔卷积算子的索贝尔水平卷积因子：

-1	0	+1
			-2	0	+2
-1	0	+1

索贝尔卷积算子的索贝尔垂直卷积因子为：

+1	+2	+1
			0	0	0
-1	-2	-1

或者，

索贝尔水平卷积因子为[-0.5，0，0.5，-1.5，0，1.5，-0.5，0，0.5]，索贝尔垂直卷积因子为[0.5，1.5，0.5，0，0，0，-0.5，-1.5，-0.5]，也即：

索贝尔卷积算子的索贝尔水平卷积因子为：

-0.5	0	-1.5
			-1.5	0	1.5
-0.5	0	0.5

索贝尔卷积算子的索贝尔垂直卷积因子为：

0.5	0	1.5
			0	0	0
-0.5	-1.5	-0.5

可理解，在本实施例中，提出了两种具体的索贝尔卷积算子的索贝尔水平卷积因子和索贝尔垂直卷积因子，提高了本申请的可实施性。但需要说明的是，虽然上述实施方式中的卷积因子大小均为3*3模板，但在本申请的一些实施例中，索贝尔水平卷积因子或索贝尔垂直卷积因子的大小也不一定非要是3*3模板，示例性的，也可以是1*3模板、2*4模板或者其他大小，例如1*2模板或2*2模板的索贝尔水平卷积因子或索贝尔垂直卷积因子，具体这里不做限定。

在一实施例中，如图4所示，步骤S30中，也即根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度，具体包括如下步骤：

S31、确定每个像素点的水平方向梯度的绝对值和垂直方向梯度的绝对值；

S32、确定每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和；

S33、将每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和作为每个像素点对应的近似梯度。

也就是，在本实施例中，提出了一种具体的确定每个像素点对应的近似梯度的方式，提高了方案的可实施性，为了便于理解上述计算过程，下面通过具体例子进行描述，假设目标特征区域灰度图为A，索贝尔水平卷积因子为Gx，索贝尔垂直卷积因子为Gy，则目标特征区域灰度图所有像素点的水平方向梯度可表达为：GX＝A*Gx，目标特征区域灰度图所有像素点的垂直方向梯度可表达为：GY＝A*Gy，则目标特征区域灰度图A的所有像素点的近似梯度如下公式表示：

G＝|GX|+|GY|；

也就是可得到目标特征区域灰度图A中每个像素点对应的近似梯度。

在一实施例中，如图5所示，步骤S30中，也即根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度，具体包括如下步骤：

S31`、确定每个像素点的水平方向梯度和垂直方向梯度的平方和；

S32`、对每个像素点的水平方向梯度和垂直方向梯度的平方和取平方根；

S33`、将每个像素点的平方根作为每个像素点对应的近似梯度。

也就是，在本实施例中，提出了另一种具体的确定每个像素点对应的近似梯度的方式，提高了方案的可实施性，为了便于理解，下面通过具体例子进行描述，假设目标特征区域灰度图为A，索贝尔水平卷积因子为Gx，索贝尔垂直卷积因子为Gy，则目标特征区域灰度图所有像素点的水平方向梯度为GX＝A*Gx，目标特征区域灰度图所有像素点的垂直方向梯度为GY＝A*Gy，则目标特征区域灰度图A的所有像素点的近似梯度如下公式表示：

也就是可得到目标特征区域灰度图A中每个像素点对应的近似梯度。

需要说明的是，除了上述根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度的方式外，还可以有其他的计算方式，具体不做限定，例如，将每个像素点的水平方向梯度和垂直方向梯度的算术平均值作为像素点的近似梯度，对目标特征区域灰度图中每个像素点的计算方式都采取上述算术平均值的计算方式，从而得到每个像素点对应的近似梯度。可以理解，上述提出了具体根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度的方式，提高了方案的可实施性。

在一实施例中，如图6所示，步骤S40中，根据每个像素点对应的近似梯度确定目标模糊度，具体包括如下步骤；

S41、确定每个像素点对应的近似度之和；

S42、将每个像素点对应的近似度之和除以目标特征区域灰度图的像素点总数，以得到目标模糊度。

这里，提出了一种具体根据每个像素点对应的近似梯度确定目标模糊度的方式，提高了方案的可实施性。另外，由于每个像素点对应的近似梯度在一定程度上反应了人脸图像的模糊度，因此，根据每个像素点对应的近似梯度确定人脸图像的模糊度可用于判断人脸图像的模糊程度，作为人脸图像质量的参考之一。

在一实施例中，如图7所示，步骤S40之前，根据每个像素点对应的近似梯度确定目标模糊度之前，方法还包括如下步骤：计算所述人脸图像中所有像素点的亮度值；计算所述人脸图像中所有像素点的亮度值对应的自然对数；对人脸图像中所有像素点的亮度值对应的自然对数求平均值；对所述平均值取自然指数值以得到所述人脸图像的平均亮度。具体如下公式所示：假设人脸图像中每个亮度值用l(x)表示，则所述人脸图像的平均亮度可由以下公式计算得到：其中，δ为预设值，可为0.0001，具体不做限定。

步骤S40中，也即根据每个像素点对应的近似梯度确定目标模糊度，具体包括如下步骤；

S41`、确定出每个像素点对应的近似梯度中大于人脸图像的平均亮度的目标近似度；

S42`、将目标近似度之和除以目标特征区域灰度图的像素点总数，以得到目标模糊度。

在本实施例中，根据每个像素点对应的近似梯度确定目标模糊度之前，还利用人脸图像的平均亮度作为阈值，综合考虑了人脸图像的亮度和近似梯度，可进一步提高人脸图像确定出的模糊度的准确度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种图像模糊度确定装置，该图像模糊度确定装置与上述实施例中图像模糊度确定方法一一对应。如图8所示，该图像模糊度确定装置80包括获取模块801、裁剪及灰度处理模块802、计算模块803、第一确定模块804和第二确定模块805。各功能模块详细说明如下：

获取模块801，用于获取人脸图像；

裁剪及灰度处理模块802，用于对获取模块801获取的人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；

计算模块803，用于对裁剪及灰度处理模块802获取的所述目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得所述每个像素点的水平方向梯度和垂直方向梯度；

第一确定模块804，用于根据所述计算模块803计算得到的所述每个像素点的水平方向梯度和垂直方向梯度确定所述每个像素点对应的近似梯度；

第二确定模块805，用于根据所述第一确定模块804确定的所述每个像素点对应的近似梯度确定目标模糊度，将所述目标模糊度作为所述人脸图像的模糊度。

在一实施例中，计算模块803具体用于：

确定索贝尔水平卷积因子以及索贝尔垂直卷积因子；

根据索贝尔水平卷积因子对目标特征区域灰度图中每个像素点进行水平方向卷积运算以获得每个像素点的水平方向梯度，以及根据索贝尔垂直卷积因子对目标特征区域灰度图中每个像素点进行垂直方向卷积运算以获得每个像素点的垂直方向梯度。

在一实施例中，

索贝尔水平卷积因子为[-1，0，1，-2，0，2，-1，0，1]，索贝尔垂直卷积因子为[1，2，1，0，0，0，-1，-2，-1]；也即：

索贝尔水平卷积因子：

-1	0	+1
			-2	0	+2
-1	0	+1

索贝尔卷积算子的索贝尔垂直卷积因子为：

+1	+2	+1
			0	0	0
-1	-2	-1

或者，

索贝尔水平卷积因子为[-0.5，0，0.5，-1.5，0，1.5，-0.5，0，0.5]，索贝尔垂直卷积因子为[0.5，1.5，0.5，0，0，0，-0.5，-1.5，-0.5]，也即：

索贝尔卷积算子的索贝尔水平卷积因子为：

索贝尔卷积算子的索贝尔垂直卷积因子为：

0.5	0	1.5
			0	0	0
-0.5	-1.5	-0.5

在一实施例中，第一确定模块804，具体用于：

确定每个像素点的水平方向梯度的绝对值和垂直方向梯度的绝对值；

确定每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和；

将每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和作为每个像素点对应的近似梯度。

在一实施例中，第一确定模块804，具体用于：

确定每个像素点的水平方向梯度和垂直方向梯度的平方和；

对每个像素点的水平方向梯度和垂直方向梯度的平方和取平方根；

将每个像素点的平方根作为每个像素点对应的近似梯度。

在一实施例中，第二确定模块805，具体用于；

确定每个像素点对应的近似度之和；

将每个像素点对应的近似度之和除以目标特征区域灰度图的像素点总数，以得到目标模糊度。

在一实施例中，第二确定模块805，具体用于：

根据每个像素点对应的近似梯度确定目标模糊度之前，计算所述人脸图像中所有像素点的亮度值；计算所述人脸图像中所有像素点的亮度值对应的自然对数；对人脸图像中所有像素点的亮度值对应的自然对数求平均值；对所述平均值取自然指数值以得到所述人脸图像的平均亮度；

确定出每个像素点对应的近似梯度中大于人脸图像的平均亮度的目标近似度；

将目标近似度之和除以目标特征区域灰度图的像素点总数，以得到目标模糊度。

由此可得，本申请提出了一种图像模糊度确定装置，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率。

关于图像模糊度确定装置的具体限定可以参见上文中对于图像模糊度确定方法的限定，在此不再赘述。上述图像模糊度确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种图像模糊度确定方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取人脸图像；

对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；

对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；

根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；

根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

由此可得，本申请提出了一种计算机设备，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率，另外需要说明的是，本申请提供的计算机设备中，处理器执行计算机程序时实现的步骤或功能可对应参阅前述方法实施例中的描述，这里不重复赘述。

在一个实施例中，提供了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以下步骤：

获取人脸图像；

对人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，目标特征区域灰度图为人脸图像的目标特征区域对应的灰度图；

对目标特征区域灰度图中每个像素点进行水平方向卷积运算和垂直方向卷积运算，以获得每个像素点的水平方向梯度和垂直方向梯度；

根据每个像素点的水平方向梯度和垂直方向梯度确定每个像素点对应的近似梯度；

根据每个像素点对应的近似梯度确定目标模糊度，将目标模糊度作为人脸图像的模糊度。

由此可得，本申请提出了一种计算机可读存储介质，在对于人脸图像的模糊度进行确定时，不再是基于整张人脸图像进行判断，而是从人脸图像中获取目标特征区域确定人脸图像的模糊度，在减少计算量的同时，由于不是采取体积大的opencv，还可以减少使用本申请的终端设备的负担，有效地提高了人脸图像模糊度的判断效率，另外需要说明的是，本申请提供的计算机可读存储介质中，计算机程序被处理器执行时所实现的步骤或功能，可对应参阅前述方法实施例中的描述，这里不重复赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像模糊度确定方法，其特征在于，包括：

获取人脸图像；

对所述人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，所述目标特征区域灰度图为所述人脸图像的目标特征区域对应的灰度图；

对所述目标特征区域灰度图中每个像素点利用索贝尔卷积算子进行水平方向卷积运算和垂直方向卷积运算，以获得所述每个像素点的水平方向梯度和垂直方向梯度；

根据所述每个像素点的水平方向梯度和垂直方向梯度确定所述每个像素点对应的近似梯度；

计算所述人脸图像中所有像素点的亮度值；

计算所述人脸图像中所有像素点的亮度值对应的自然对数；

对人脸图像中所有像素点的亮度值对应的自然对数求平均值；

对所述平均值取自然指数值以得到所述人脸图像的平均亮度；

确定出所述每个像素点对应的近似梯度中大于所述人脸图像的平均亮度的目标近似度；

将所述目标近似度之和除以所述目标特征区域灰度图的像素点总数，以得到目标模糊度，并将所述目标模糊度作为所述人脸图像的模糊度。

2.如权利要求1所述的图像模糊度确定方法，其特征在于，所述对所述目标特征区域灰度图中每个像素点利用索贝尔卷积算子进行水平方向卷积运算和垂直方向卷积运算，以获得所述每个像素点的水平方向梯度和垂直方向梯度，包括：

确定索贝尔水平卷积因子以及索贝尔垂直卷积因子；

根据所述索贝尔水平卷积因子对所述目标特征区域灰度图中所述每个像素点进行水平方向卷积运算以获得所述每个像素点的水平方向梯度，以及根据所述索贝尔垂直卷积因子对所述目标特征区域灰度图中所述每个像素点进行垂直方向卷积运算以获得所述每个像素点的垂直方向梯度。

3.如权利要求2所述的图像模糊度确定方法，其特征在于，

所述索贝尔水平卷积因子为[-1，0，1，-2，0，2，-1，0，1]，所述索贝尔垂直卷积因子为[1，2，1，0，0，0，-1，-2，-1]；

或，

所述索贝尔水平卷积因子为[-0.5，0，0.5，-1.5，0，1.5，-0.5，0，0.5]，所述索贝尔垂直卷积因子为[0.5，1.5，0.5，0，0，0，-0.5，-1.5，-0.5]。

4.如权利要求3所述的图像模糊度确定方法，其特征在于，所述根据所述每个像素点的水平方向梯度和垂直方向梯度确定所述每个像素点对应的近似梯度，包括：

确定所述每个像素点的水平方向梯度的绝对值和垂直方向梯度的绝对值；

确定所述每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和；

将所述每个像素点的水平方向梯度的绝对值与垂直方向梯度的绝对值之间的和作为所述每个像素点对应的近似梯度。

5.如权利要求3所述的图像模糊度确定方法，其特征在于，所述根据所述每个像素点的水平方向梯度和垂直方向梯度确定所述每个像素点对应的近似梯度，包括：

确定所述每个像素点的水平方向梯度和垂直方向梯度的平方和；

对所述每个像素点的水平方向梯度和垂直方向梯度的平方和取平方根；

将所述每个像素点的所述平方根作为所述每个像素点对应的近似梯度。

6.如权利要求1所述的图像模糊度确定方法，其特征在于，所述根据所述每个像素点对应的近似梯度确定目标模糊度，包括；

确定所述每个像素点对应的近似度之和；

将所述每个像素点对应的近似度之和除以所述目标特征区域灰度图的像素点总数，以得到所述目标模糊度。

7.一种图像模糊度确定装置，其特征在于，包括：

获取模块，用于获取人脸图像；

裁剪及灰度处理模块，用于对所述获取模块获取的所述人脸图像进行裁剪及灰度处理以得到目标特征区域灰度图，所述目标特征区域灰度图为所述人脸图像的目标特征区域对应的灰度图；

计算模块，用于对所述裁剪及灰度处理模块处理得到的所述目标特征区域灰度图中每个像素点利用索贝尔卷积算子进行水平方向卷积运算和垂直方向卷积运算，以获得所述每个像素点的水平方向梯度和垂直方向梯度；

第一确定模块，用于根据所述计算模块计算得到的所述每个像素点的水平方向梯度和垂直方向梯度确定所述每个像素点对应的近似梯度；

第二确定模块，用于计算所述人脸图像中所有像素点的亮度值；

计算所述人脸图像中所有像素点的亮度值对应的自然对数；

对人脸图像中所有像素点的亮度值对应的自然对数求平均值；

对所述平均值取自然指数值以得到所述人脸图像的平均亮度；

确定出所述每个像素点对应的近似梯度中大于所述人脸图像的平均亮度的目标近似度；

将所述目标近似度之和除以所述目标特征区域灰度图的像素点总数，以得到目标模糊度，并将所述目标模糊度作为所述人脸图像的模糊度。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，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至6任一项所述图像模糊度确定方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至6任一项所述图像模糊度确定方法的步骤。