CN111696090A - 一种无约束环境下人脸图像质量评估方法 - Google Patents

一种无约束环境下人脸图像质量评估方法 Download PDF

Info

Publication number
CN111696090A
CN111696090A CN202010510923.7A CN202010510923A CN111696090A CN 111696090 A CN111696090 A CN 111696090A CN 202010510923 A CN202010510923 A CN 202010510923A CN 111696090 A CN111696090 A CN 111696090A
Authority
CN
China
Prior art keywords
face
score
quality
recognition
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010510923.7A
Other languages
English (en)
Other versions
CN111696090B (zh
Inventor
李波
黄鸣镝
李孟
刘民岷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Guangdong Electronic Information Engineering Research Institute of UESTC
Original Assignee
University of Electronic Science and Technology of China
Guangdong Electronic Information Engineering Research Institute of UESTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China, Guangdong Electronic Information Engineering Research Institute of UESTC filed Critical University of Electronic Science and Technology of China
Priority to CN202010510923.7A priority Critical patent/CN111696090B/zh
Publication of CN111696090A publication Critical patent/CN111696090A/zh
Application granted granted Critical
Publication of CN111696090B publication Critical patent/CN111696090B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人脸识别技术领域，具体涉及一种无约束环境下人脸图像质量评估方法。本发明通过采用两种人脸识别算法来对人脸质量分数进行标定，以使得标定的结果更加准确全面；同时给予两种人脸识别算法所计算出来的相似度进行权重分配，权重分配的根据是基于该算法实际识别率所占两种识别率之和的多少来确定，这样的权重分配结合实际的识别率，更加合理有据。最后利用卷积神经网络提取的人脸特征做人脸质量分数的回归预测，提高了人脸质量评估的准确性和实时性。

Description

一种无约束环境下人脸图像质量评估方法
技术领域
本发明涉及人脸识别技术领域，具体涉及一种无约束环境下人脸图像质量评估方法。
背景技术
目前由于人脸识别技术的快速发展，人脸识别在公共安防领域得到广泛应用。人脸识别实际识别性能很大程度上依赖于所采集的人脸图像质量，高质量人脸图像能够有效地提高人脸识别的准确率。
然而在实际图像采集环境中，存在由于拍摄设备等硬件原因而导致抓拍的人脸图像存在运动模糊以及噪声的情况,同时在无约束环境下采集的人脸图像可能存在人脸遮挡，人脸姿态偏移等情况，这些情况都会给人脸识别带来挑战。
人脸图像质量评估属于图像质量评估的一个分支，目前针对人脸图像质量进行的评估方法可以分为两种:一种是基于多因素融合的方式，该种方式是将影响人脸图像质量的众多因素加权融合之后得到人脸图像的质量分数，这类方法容易导致各种因素难以被考虑完全，且对每个因素所分配的权重也不确定也无标准，而且综合计算过程复杂耗时；另外一种是基于机器学习的人脸图像质量评估方法，该类方法是通过对图像进行特征提取，再根据图像特征训练质量评估模型，其中卷积神经网络(CNN)在图像处理领域取得巨大成功，近年来也开始将CNN用于图像质量评价中，也取得不错效果，然而目前并没有一种标准的CNN网络专门用于进行人脸图像质量评估，且对人脸图像的质量分数的标定方式大多采取的是主观评定方式，并没有客观反映出人脸图像的特性，因此同时也需要采取更加客观合理的方式来对人脸图像进行质量分数的标定。
发明内容
针对上述存在问题或不足，为了能够对无约束环境下人脸图像质量的评估更加准确客观，本发明提供了一种无约束环境下人脸图像质量评估方法。
一种无约束环境下人脸图像质量评估方法包括：
步骤1：对待评估的无约束场景下含有人脸的图像进行人脸检测并截取出人脸部分。
步骤2：对步骤1截取出的人脸做人脸矫正处理，之后再做人脸样本量的增强处理。
步骤2.1人脸矫正是对截取出的人脸首先自动定位出人脸面部关键点，然后再根据定位出的关键点进行仿射变换，从而使得人脸得到旋转，旋转至双眼的位置为同一水平线上。
步骤2.2将矫正后的所有人脸做人脸图像样本量增加的处理，处理的方式包括对人脸图像做镜像处理、平移处理、光照处理、遮挡处理以及图像运动模糊化处理，并使得增加后的人脸图像样本量达到一万以上，最后将处理后的人脸图像大小统一到后续CNN网络需要输入的尺寸大小。
步骤3：标定步骤2所处理后的人脸图像，给予人脸图像以质量分数的形式来进行人脸图像质量标定。
标定各个人脸图像质量分数的方式是计算待评定人脸图像的特征与基准人脸图像的特征的相似度，即将待评定人脸图像与基准人脸图像经过同种人脸识别算法后提取的特征后计算两者相似度，计算出的相似度值即为该待标定人脸图像的质量分数。
采取两种人脸识别算法分别计算出待标定人脸图像与基准人脸图像的相似度，然后给予两种人脸识别算法计算出的相似度进行权重分配，该权重的分配是根据该算法实际识别率所占两种识别率之和的多少来确定，最后得到该人脸图像的最终质量分数，以使得标定的人脸图像质量分数更加准确合理。
由于选取的两种识别算法在现实应用中识别率存在不同，通过根据每种人脸算法识别率所占两种识别率之和的多少来对该人脸算法方式计算的人脸相似度进行权重的分配，最后得到该人脸标定的质量分数，计算结果公式如下：
SCORE1,2＝m1×SCORE1+m2×SCORE2
m1+m2＝1
其中，SCORE1为第一种识别算法计算的人脸质量分数，SCORE2为第二种识别网络计算的人脸质量分数，m1为分配给第一种识别算法的权重，m2为分配给第二种识别算法的权重，两个权重之和为1，即m1+m2＝1。
步骤4：设计卷积神经网络用于人脸图像特征提取，此卷积神经网络包括输入层，卷积层，池化层,全连接层和回归层。
输入层接受三通道RGB的彩色图片，每个卷积层和全连接层之后均使用Relu激活函数进行激活，其中的池化层都选用最大池化的方式。
回归层采用支持向量回归(SVR)，将卷积神经网络提取的特征输入并训练支持向量回归(SVR)，最后用于能够自动输出待测人脸图像的质量分数。
综述所述，针对目前没有一个专门的人脸数据库用于人脸图像质量的评估，本发明通过对人脸图像进行镜像处理、平移处理、光照处理、遮挡处理以及图像运动模糊化处理，扩大人脸图像样本量同时，进一步模拟无约束条件下对人脸图像质量带来的各种影响。并且采用两种人脸识别算法来对人脸图像质量分数进行标定，这样标定的结果更加准确全面；同时给予两种人脸识别算法所计算出来的相似度进行权重分配，权重分配的根据是基于该算法实际识别率所占两种识别率之和的多少来确定，这样的权重分配结合实际的识别率，更加合理有据。最后利用卷积神经网络提取的人脸特征做人脸图像质量分数的回归预测，提高了人脸图像质量评估的准确性和实时性。
附图说明
图1为本发明无约束环境下人脸图像质量评估方法流程图；
图2为实施例针对检测出含有人脸图像之后做预处理的方法流程图；
图3为实施例基于人脸识别算法计算人脸相似度的示意图；
图4为实施例人脸图像质量评估模型结构示意图。
具体实施方式
为使本发明实施例的技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明主要应用在人脸图像质量评估领域，针对公共场所例如机场这类无约束场景，视频抓拍的人脸图像质量易受到周围环境的影响，因此所采集的人脸图像有可能存在姿态变化，光线不均，人脸遮挡，图像模糊等因素的影响，从而得到的人脸图像质量不高，最终影响人脸识别的准确性，本发明通过提出一套人脸图像质量评估方法能有效对人脸图像质量进行评价进而提升人脸识别的准确性。
如图1所示，本发明提供针对无约束环境下人脸图像质量评估方法包括：
步骤1：对获取的待评价图片进行人脸检测并截取人脸部分。
步骤2：对步骤1获取的人脸进行人脸矫正处理之后，再矫正后的人脸图像进行样本量的扩充处理，使得样本数量能够达到一万以上。
如图2所示，为人脸检测和人脸预处理的流程示意图，具体实现步骤：
先获取在无约束场景下含有人脸的图片，使用opencv自带人脸检测器对图像进行人脸检测并截取人脸部分，之后再对人脸进行关键点标定，利用关键点的位置来做人脸矫正操作；接下来再对矫正后的人脸做镜像翻转，平移操作、光照处理、遮挡处理以及图像运动模糊化处理以此进一步扩大人脸图像样本量，最后将所有图片还原到三通道图像，大小归一到224X224x3。
步骤3：标定步骤2所得到的所有人脸图像，给予人脸以质量分数的形式来进行质量标定；
进一步的，所述步骤3分析两个人脸特征向量之间的相似性时，使用余弦相似度来表示。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。公式如下：
Figure BDA0002528217350000041
其中
Figure BDA0002528217350000042
为待标定人脸特征向量，
Figure BDA0002528217350000043
为标准人脸特征向量。
进一步的，所述两种人脸识别算法分别为基于LBP(局部二值模式)特征的人脸识别算法和基于卷积神经网络VGG16的人脸识别算法。
LBP能够对图像局部区域纹理特征进行提取，其核心思想是通过比较图像中某个区域的中心像素与其周围像素的明暗程度来实验特征描述。原始的LBP算子定义在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。原始LBP的公式如下：
Figure BDA0002528217350000044
其中gp为周围像素值，gc为中心像素值。
VGG是用于做人脸识别的经典深度学习网络，其中VGG16该网络由13层卷积层、3层全连接层以及5个池化层组成，将VGG16的最后一层全连接层所提取的特征作为人脸图像的特征。
由于两种识别算法在现实应用中识别率存在不同，通过根据每种人脸算法识别率所占两种识别率之和的多少来对该人脸算法方式计算的人脸相似度进行权重的分配，最后得到该人脸标定的质量分数，计算结果公式如下：
SCOREL,V＝mL×SCOREL+mV×SCOREV
mL+mV＝1
其中，SCOREL为由LBP识别算法计算的人脸图像质量分数，SCOREV为VGG16识别网络计算的人脸图像质量分数，mL为分配给LBP识别算法的权重，mV为分配给VGG识别算法的权重，两个权重之和为1，即mL+mV＝1。
如图3所示，为人脸图像质量分数标定方法的示意图，具体实现步骤：
基准人脸图片与待标定人脸图片同时进行VGG模型的特征提取和LBP特征提取，一组计算由VGG提取的特征而计算的相似度，另外一组计算由LBP特征而计算的相似度,计算两个人脸特征向量之间的相似性时，均使用余弦相似度来表示。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。两部分的相似度也代表两种人脸识别算法计算的两种质量分数，再将由VGG模型计算的质量分数乘以0.6的比例，由LBP特征计算的质量分数乘以0.4的比例，再将两个部分质量分数加权即得到该待标定人脸图片的质量分数，对所有人脸图片做相同处理得到每个待标定人脸图像的质量分数，质量分数范围为0～1。
步骤4：设计的卷积神经网络用于人脸图像特征提取，该卷积神经网络包括四个卷积层，二个池化层、一个全连接层，通过卷积神经网络提取的人脸特征之后用于做回归预测。
如图4所示，为本实施例针对人脸特征提取而设计的卷积神经网络，此卷积神经网络包括四个卷积层，二个池化层、一个全连接层。池化层都选用最大池化。第一个卷积层C1，卷积核使用3x3，步长为1，没有padding，数量为36个；第二个卷积层C2，卷积核大小同样为3x3，步长为1，没有padding，数量36个；第三层卷积层C3，卷积核大小同样为3x3，步长为1，没有padding，数量48个；,第四层为最大化池化层S4,卷积核大小为2x2，数量64个，步长为4；第五层为卷积层C5，卷积核大小同样为3x3，步长为1，没有padding，数量96个；第六层为最大池化层S6，卷积核大小为2x2，数量128个，步长为2；最后一层为全连接层F7，一共有120个神经元。每个卷积层和全连接层之后都使用Relu激活函数。
卷积神经网络提取特征后接回归层，回归层采用支持回归向量(SVR)之后将卷积神经网络提取的特征输入并训练支持回归向量机SVR，用于自动输出人脸图像质量分数。

Claims (3)

1.一种无约束环境下人脸图像质量评估方法，具体步骤如下：
步骤1：对待评估的无约束场景下含有人脸的图像进行人脸检测并截取出人脸部分；
步骤2：对步骤1截取出的人脸做人脸矫正处理，之后再做人脸样本量的增强处理；
步骤2.1人脸矫正是对截取出的人脸首先自动定位出人脸面部关键点，然后再根据定位出的关键点进行仿射变换，从而使得人脸得到旋转，旋转至双眼的位置为同一水平线上；
步骤2.2将矫正后的所有人脸做人脸图像样本量增加的处理；处理的方式包括对人脸图像做镜像处理、平移处理、光照处理、遮挡处理以及图像运动模糊化处理，并使得增加后的人脸图像样本量达到一万以上；最后将处理后的人脸图像大小统一到后续CNN网络需要输入的尺寸大小；
步骤3：标定步骤2所处理后的人脸图像，给予人脸图像以质量分数的形式来进行人脸质量标定；
标定各个人脸图像质量分数的方式是计算待评定人脸图像的特征与基准人脸图像的特征的相似度，即将待评定人脸图像与基准人脸图像经过同种人脸识别算法后提取的特征后计算两者相似度，计算出的相似度值即为该待标定人脸图像的质量分数；
采取两种人脸识别算法分别计算出待标定人脸图像与标准人脸图像的相似度，然后给予两种人脸识别算法计算出的相似度进行权重分配；该权重的分配是根据该算法实际识别率所占两种识别率之和的多少来确定，最后得到该人脸图像的最终质量分数；
SCORE1,2＝m1×SCORE1+m2×SCORE2
m1+m2＝1
其中，SCORE1为第一种识别算法计算的人脸质量分数，SCORE2为第二种识别网络计算的人脸质量分数，m1为分配给第一种识别算法的权重，m2为分配给第二种识别算法的权重，两个权重之和为1，即m1+m2＝1；
步骤4：设计卷积神经网络用于人脸图像质量评估，此卷积神经网络包括输入层，卷积层，池化层，全连接层和回归层；
输入层接受三通道RGB的彩色图片，每个卷积层和全连接层之后均使用Relu激活函数进行激活，其中的池化层都选用最大池化的方式；
回归层采用支持向量回归SVR，将卷积神经网络提取的特征输入并训练支持向量回归SVR，用于能够自动输出待测人脸图像的质量分数。
2.如权利要求1所述无约束环境下人脸图像质量评估方法，其特征在于：所述步骤3分析两个人脸特征向量之间的相似性时，使用余弦相似度来表示，余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小，公式如下：
Figure FDA0002528217340000021
其中
Figure FDA0002528217340000022
为待标定人脸特征向量，
Figure FDA0002528217340000023
为标准人脸特征向量。
3.如权利要求1所述无约束环境下人脸图像质量评估方法，其特征在于：所述两种人脸识别算法分别为基于局部二值模式LBP特征的人脸识别算法和基于卷积神经网络VGG16的人脸识别算法；
原始的LBP算子定义在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；3*3邻域内的8个点经比较产生8位二进制数，并转换为十进制数即LBP码，共256种，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息；原始LBP的公式如下：
Figure FDA0002528217340000024
其中gp为周围像素值，gc为中心像素值；
卷积神经网络VGG16由13层卷积层、3层全连接层以及5个池化层组成，将VGG16的最后一层全连接层所提取的特征作为人脸图像的特征；
根据这两种人脸算法识别率所占两种识别率之和的多少来对该人脸算法方式计算的人脸相似度进行权重的分配，最后得到该人脸标定的质量分数，计算结果公式如下：
SCOREL,V＝mL×SCOREL+mV×SCOREV
mL+mV＝1
其中，SCOREL为由LBP识别算法计算的人脸质量分数，SCOREV为VGG16识别网络计算的人脸质量分数，mL为分配给LBP识别算法的权重，mV为分配给VGG识别算法的权重，两个权重之和为1，即mL+mV＝1。
CN202010510923.7A 2020-06-08 2020-06-08 一种无约束环境下人脸图像质量评估方法 Expired - Fee Related CN111696090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010510923.7A CN111696090B (zh) 2020-06-08 2020-06-08 一种无约束环境下人脸图像质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010510923.7A CN111696090B (zh) 2020-06-08 2020-06-08 一种无约束环境下人脸图像质量评估方法

Publications (2)

Publication Number Publication Date
CN111696090A true CN111696090A (zh) 2020-09-22
CN111696090B CN111696090B (zh) 2022-07-29

Family

ID=72479709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010510923.7A Expired - Fee Related CN111696090B (zh) 2020-06-08 2020-06-08 一种无约束环境下人脸图像质量评估方法

Country Status (1)

Country Link
CN (1) CN111696090B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139462A (zh) * 2021-04-23 2021-07-20 杭州魔点科技有限公司 无监督的人脸图像质量评估方法、电子设备和存储介质
CN113505720A (zh) * 2021-07-22 2021-10-15 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574381A (zh) * 2014-12-25 2015-04-29 南京邮电大学 一种基于局部二值模式的全参考图像质量评价方法
US20180157899A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. Method and apparatus detecting a target
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和***
CN109784358A (zh) * 2018-11-23 2019-05-21 南京航空航天大学 一种融合人工特征和深度特征的无参考图像质量评价方法
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN110427888A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于特征聚类的人脸质量评估方法
CN110458792A (zh) * 2018-05-04 2019-11-15 北京眼神科技有限公司 人脸图像质量的评价方法及装置
CN110619628A (zh) * 2019-09-09 2019-12-27 博云视觉（北京）科技有限公司 一种人脸图像质量评估方法
CN110636278A (zh) * 2019-06-27 2019-12-31 天津大学 基于稀疏双目融合卷积神经网络的立体图像质量评价方法
CN111126240A (zh) * 2019-12-19 2020-05-08 西安工程大学 一种三通道特征融合人脸识别方法
CN111127387A (zh) * 2019-07-11 2020-05-08 宁夏大学 无参考图像的质量的评价方法
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、***、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574381A (zh) * 2014-12-25 2015-04-29 南京邮电大学 一种基于局部二值模式的全参考图像质量评价方法
US20180157899A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. Method and apparatus detecting a target
CN110458792A (zh) * 2018-05-04 2019-11-15 北京眼神科技有限公司 人脸图像质量的评价方法及装置
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和***
CN109784358A (zh) * 2018-11-23 2019-05-21 南京航空航天大学 一种融合人工特征和深度特征的无参考图像质量评价方法
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN110636278A (zh) * 2019-06-27 2019-12-31 天津大学 基于稀疏双目融合卷积神经网络的立体图像质量评价方法
CN111127387A (zh) * 2019-07-11 2020-05-08 宁夏大学 无参考图像的质量的评价方法
CN110427888A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于特征聚类的人脸质量评估方法
CN110619628A (zh) * 2019-09-09 2019-12-27 博云视觉（北京）科技有限公司 一种人脸图像质量评估方法
CN111126240A (zh) * 2019-12-19 2020-05-08 西安工程大学 一种三通道特征融合人脸识别方法
CN111160284A (zh) * 2019-12-31 2020-05-15 苏州纳智天地智能科技有限公司 人脸照片质量评估方法、***、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAREN PANETTA 等: "A Robust No-Reference, No-Parameter, Transform Domain Image Quality Metric for Evaluating the Quality of Color Images", 《IEEE ACCESS》 *
张广世 等: "结合LBP特征和深度学习的人脸表情识别", 《计算机测量与控制》 *
韩友德（JACK HAN）: "局部二值模式和卷积神经网络在多姿态人脸识别中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
黄鸣镝: "无约束条件下视频人脸识别关键问题研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139462A (zh) * 2021-04-23 2021-07-20 杭州魔点科技有限公司 无监督的人脸图像质量评估方法、电子设备和存储介质
CN113505720A (zh) * 2021-07-22 2021-10-15 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置

Also Published As

Publication number Publication date
CN111696090B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN111401384B (zh) 一种变电设备缺陷图像匹配方法
Shen et al. Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images
CN110502986A (zh) 识别图像中人物位置方法、装置、计算机设备和存储介质
KR20180109665A (ko) 객체 검출을 위한 영상 처리 방법 및 장치
CN111696090B (zh) 一种无约束环境下人脸图像质量评估方法
CN111242868B (zh) 暗视觉环境下基于卷积神经网络的图像增强方法
CN111738211B (zh) 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法
CN111985427A (zh) 活体检测方法、设备及可读存储介质
CN110705353A (zh) 基于注意力机制的遮挡人脸的识别方法和装置
CN115375991A (zh) 一种强/弱光照和雾环境自适应目标检测方法
CN115731597A (zh) 一种人脸口罩掩膜图像自动分割与修复管理平台及方法
CN117496019B (zh) 一种驱动静态图像的图像动画处理方法及***
CN116843690B (zh) 图像质量评估方法、设备及***
CN111881924B (zh) 结合光照不变性与短曝光光照增强的暗光车照识别方法
CN117541574A (zh) 一种基于ai语义分割和图像识别的舌诊检测方法
CN115862121B (zh) 基于多媒体资源库的人脸快速匹配方法
Fathy et al. Benchmarking of pre-processing methods employed in facial image analysis
CN117133041A (zh) 一种基于深度学习的三维重建网络人脸识别方法、***、设备及介质
CN117058735A (zh) 一种基于参数迁移和光流特征提取的微表情识别方法
KR20180092453A (ko) Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN114842506A (zh) 一种人体姿态估计方法及***
WO2022120532A1 (en) Presentation attack detection
JPH1125269A (ja) 顔画像認識装置及びその方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220729