CN111738179A - 一种人脸图像质量评估方法、装置、设备、介质 - Google Patents
一种人脸图像质量评估方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN111738179A CN111738179A CN202010598471.2A CN202010598471A CN111738179A CN 111738179 A CN111738179 A CN 111738179A CN 202010598471 A CN202010598471 A CN 202010598471A CN 111738179 A CN111738179 A CN 111738179A
- Authority
- CN
- China
- Prior art keywords
- face image
- training set
- target
- score
- determining
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种人脸图像质量评估方法、装置、设备、介质,该方法包括:获取待评估的目标人脸图像;对所述目标人脸图像进行预处理;将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。由此可见,本申请在获取到待评估的目标人脸图像之后,可以对所述目标人脸图像进行相应的预处理,并将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分,这样能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
Description
技术领域
本申请涉及数字图像处理技术领域,特别涉及一种人脸图像质量评估方法、装置、设备、介质。
背景技术
人脸识别是当今图像领域非常活跃的一个课题,涉及到监控、安防、便民生活等各个方面。而人脸识别在不同领域对精度和速度的要求,凸显了人脸质量评估的重要性。人脸图像质量评估是人脸识别中重要的一环,也是边缘检测到云端服务器传输的不可或缺的一步,该环节的鲁棒性和精度直接影响到识别的精度和传输的带宽。目前人脸质量评估方法分为两种:一是传统方法,也就是通过计算梯度、灰度、对称性计算等评估人脸图像的质量,但鲁棒性不强。二是利用神经网络CNN(Convolutional Neural Networks,卷积神经网络)评估人脸图像质量,由于目前没有公开的人脸质量数据集进行CNN训练,所以训练出的CNN效果参差不齐,人脸质量评估效率低。
发明内容
有鉴于此,本申请的目的在于提供一种人脸图像质量评估方法、装置、设备、介质,能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。其具体方案如下:
第一方面,本申请公开了一种人脸图像质量评估方法,包括:
获取待评估的目标人脸图像;
对所述目标人脸图像进行预处理;
将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
可选的,所述人脸图像质量评估方法,还包括:
获取人脸图像训练集;
利用所述人脸图像训练集,确定目标人脸图像训练集;
利用所述目标人脸图像训练集训练卷积神经网络,得到所述目标卷积神经网络。
可选的,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:
确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;
根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;
将带有所述目标得分的所述人脸图像训练集作为目标人脸图像训练集。
可选的,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:
确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;
根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;
将带有所述目标得分的所述人脸图像训练集中的各张人脸图像左右翻转,得到翻转后人脸图像训练集;
将带有所述目标得分的所述人脸图像训练集和所述翻转后人脸图像训练集作为目标人脸图像训练集。
可选的,所述根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分之后,还包括:
分离出所述人脸图像训练集中各张人脸图像中的背景数据,得到背景图像训练集,并将所述背景图像训练集加入所述目标人脸图像训练集中。
可选的,所述确定所述人脸图像训练集中各张人脸图像在预设因素下的得分,包括:
利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据所述遮挡度确定所述人脸图像训练集中各张人脸图像的第一得分;
和/或,利用第二预设算法确定所述人脸图像训练集中各张人脸图像中人脸的光照度,并根据所述光照度确定所述人脸图像训练集中各张人脸图像的第二得分;
和/或,利用第三预设算法确定所述人脸图像训练集中各张人脸图像中人脸的模糊度,并根据所述模糊度确定所述人脸图像训练集中各张人脸图像的第三得分;
和/或,利用第四预设算法确定所述人脸图像训练集中各张人脸图像中人脸相对于竖直方向的偏移角度,并根据所述偏移角度确定所述人脸图像训练集中各张人脸图像的第四得分。
可选的,所述根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分,包括:
根据所述得分、预设权重以及预设公式确定所述人脸图像训练集中各张人脸图像的目标得分,其中,所述预设公式为:
其中,sore_m表示所述人脸图像训练集中人脸图像m的目标得分,i表示人脸图像m在第i个预设因素下的得分,ai表示人脸图像m在第i个预设因素下的预设权重,n表示所述预设因素数量。
第二方面,本申请公开了一种人脸图像质量评估装置,包括:
图像获取方法,用于获取待评估的目标人脸图像;
图像预处理模块,用于对所述目标人脸图像进行预处理;
得分确定模块,用于将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
第三方面,本申请公开了一种人脸图像质量评估设备,包括:
存储器和处理器;
其中,所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以实现前述公开的人脸图像质量评估方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述公开的人脸图像质量评估方法。
可见,本申请先获取待评估的目标人脸图像,再对所述目标人脸图像进行预处理,将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。由此可见,本申请在获取到待评估的目标人脸图像之后,可以对所述目标人脸图像进行相应的预处理,并将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分,这样能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种人脸图像质量评估方法流程图;
图2为本申请公开的一种具体的人脸图像质量评估方法流程图;
图3为本申请公开的一种人脸图像质量评估装置结构示意图;
图4为本申请公开的一种人脸图像质量评估设备结构图;
图5为本申请公开的一种电子设备结构图。
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,所描述的实施例仅仅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做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。
目前人脸质量评估方法分为两种:一是传统方法,也就是通过计算梯度、灰度、对称性计算等评估人脸图像的质量,但鲁棒性不强。二是利用神经网络CNN评估人脸图像质量,由于目前没有公开的人脸质量数据集进行CNN训练,所以训练出的CNN效果参差不齐,人脸质量评估效率低。有鉴于此,本申请提出了一种人脸图像质量评估方法,能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
参见图1所示,本申请实施例公开了一种人脸图像质量评估方法,该方法包括:
步骤S11:获取待评估的目标人脸图像。
在具体的实施过程中,需要先获取待评估的目标人脸图像,以便对所述目标人脸图像进行质量评估。且所述目标人脸图像可以是传感器采集到的人脸图像。
步骤S12:对所述目标人脸图像进行预处理。
可以理解的是,获取到所述目标人脸图像之后,还需要对所述目标人脸图像进行预处理,使得图像更便于检测和进行人脸质量评估。
步骤S13:将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
在对所述目标人脸图像进行预处理之后,将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。其中,所述目标卷积神经网络为预先利用得到的目标人脸图像训练集对卷积神经网络进行训练得到。
可见,本申请先获取待评估的目标人脸图像,再对所述目标人脸图像进行预处理,将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。由此可见,本申请在获取到待评估的目标人脸图像之后,可以对所述目标人脸图像进行相应的预处理,并将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分,这样能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
参见图2所示,本申请实施例公开了一种具体的人脸图像质量评估方法,该方法包括:
步骤S21:获取人脸图像训练集。
在具体的实施过程中,需要先获取人脸图像训练集,以便利用所述人脸图像训练集对卷积神经网络进行训练,可以得到目标卷积神经网络。其中,所述人脸图像训练集可以是开源人脸数据集,以及预先拍摄到的人脸图像。
步骤S22:利用所述人脸图像训练集,确定目标人脸图像训练集。
在获取到所述人脸图像训练集之后,还需要利用所述人脸图像训练集,确定目标人脸图像训练集。
在第一种具体的实施方式中,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;将带有所述目标得分的所述人脸图像训练集作为目标人脸图像训练集。具体的,就是先确定出所述人脸图像训练集中各张人脸图像在预设因素下的得分,根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分,再将带有所述目标得分的所述人脸图像训练集作为目标人脸图像训练集,以便利用所述目标人脸图像训练集对卷积神经网络进行训练。其中,确定所述人脸图像训练集中各张人脸图像在预设因素下的得分,包括:利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据所述遮挡度确定所述人脸图像训练集中各张人脸图像的第一得分;和/或,利用第二预设算法确定所述人脸图像训练集中各张人脸图像中人脸的光照度,并根据所述光照度确定所述人脸图像训练集中各张人脸图像的第二得分;和/或,利用第三预设算法确定所述人脸图像训练集中各张人脸图像中人脸的模糊度,并根据所述模糊度确定所述人脸图像训练集中各张人脸图像的第三得分;和/或,利用第四预设算法确定所述人脸图像训练集中各张人脸图像中人脸相对于竖直方向的偏移角度,并根据所述偏移角度确定所述人脸图像训练集中各张人脸图像的第四得分。然后根据所述得分、预设权重以及预设公式确定所述人脸图像训练集中各张人脸图像的目标得分,其中,所述预设公式为:
其中,sore_m表示所述人脸图像训练集中人脸图像m的目标得分,i表示人脸图像m在第i个预设因素下的得分,ai表示人脸图像m在第i个预设因素下的预设权重,n表示所述预设因素数量。具体的,需要先对遮挡、光照度、模糊度以及姿势等因素进行相应的权重赋值,所述姿势可以通过获取人脸相对于竖直方向的偏移角度进行判定,一般以上几个预设因素的重要程度排序为:遮挡>姿势>光照>模糊,可以按照重要程度排序进行相应的权重赋值。所述利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据所述遮挡度确定所述人脸图像训练集中各张人脸图像的第一得分,具体可以是,利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据预设标准将得到的遮挡度分为相应的等级,各个等级有对应的得分,得到所述人脸图像训练集中各张人脸图像的第一得分。例如,将遮挡度分为5个等级,第一等级的遮挡为1-2分,第二等级的遮挡为3-4分,第三等级的遮挡为5-6分,第四等级的遮挡为7-8分,第五等级的遮挡为9-10分。第二得分、第三得分以及第四得分也可以按照相同的方法确定。
在第二种具体的实施方式中,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;将带有所述目标得分的所述人脸图像训练集中的各张人脸图像左右翻转,得到翻转后人脸图像训练集;将带有所述目标得分的所述人脸图像训练集和所述翻转后人脸图像训练集作为目标人脸图像训练集。将所述翻转后人脸图像训练集作为目标人脸图像训练集中的一部分,可以增大训练集中图像的数量,提高质量评估的准确率。所述根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分之后,还包括:分离出所述人脸图像训练集中各张人脸图像中的背景数据,得到背景图像训练集,并将所述背景图像训练集加入所述目标人脸图像训练集中。将所述背景图像训练集加入所述目标人脸图像训练集中,可以训练卷积神经网络确定出图像中的背景图像,也可以提高质量评估的准确率。
步骤S23:利用所述目标人脸图像训练集训练卷积神经网络,得到目标卷积神经网络。
在得到所述目标人脸图像训练集之后,还需要利用所述目标人脸图像训练集训练卷积神经网络,得到目标卷积神经网络。其中,需要先设计所述卷积神经网络,为了得到快速高效的CNN,根据shufflenetv2得到的结论,所述卷积神经网络放弃组卷积和lateralconnection、elementwise等操作,backbone只是用3*3和1*1的卷积叠加而成,且头部用2个全联接+回归,这样所述卷积神经网络架构简单,结构清晰。
步骤S24:获取待评估的目标人脸图像。
步骤S25:对所述目标人脸图像进行预处理。
步骤S26:将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
参见图3所示,本申请实施例公开了一种人脸图像质量评估装置,包括:
图像获取方法11,用于获取待评估的目标人脸图像;
图像预处理模块12,用于对所述目标人脸图像进行预处理;
得分确定模块13,用于将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
可见,本申请先获取待评估的目标人脸图像,再对所述目标人脸图像进行预处理,将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。由此可见,本申请在获取到待评估的目标人脸图像之后,可以对所述目标人脸图像进行相应的预处理,并将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分,这样能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
进一步的,参见图4所示,本申请实施例还公开了一种人脸图像质量评估设备,包括:处理器21和存储器22。
其中,所述存储器22,用于存储计算机程序;所述处理器21,用于执行所述计算机程序,以实现前述实施例中公开的人脸图像质量评估方法。
其中,关于上述人脸图像质量评估方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
图5为本申请实施例提供的一种电子设备20的结构示意图,该电子设备20具体可以包括但不限于平板电脑、笔记本电脑或台式电脑等。
通常,本实施例中的电子设备20包括前述实施例中公开的处理器21和存储器22。
其中,处理器21可以包括一个或多个处理核心,比如四核心处理器、八核心处理器等。处理器21可以采用DSP(digital signal processing,数字信号处理)、FPGA(field-programmable gate array,现场可编程们阵列)、PLA(programmable logic array,可编程逻辑阵列)中的至少一种硬件来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(central processing unit,中应处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有GPU(graphics processing unit,图像处理器),GPU用于负责显示屏所需要显示的图像的渲染和绘制。一些实施例中,处理器21可以包括AI(artificialintelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器22可以包括一个或多个计算机可读存储介质,计算机可读存储介质可以是非暂态的。存储器22还可以包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器22至少用于存储以下计算机程序221,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例中公开的人脸图像质量评估方法步骤。另外,存储器32所存储的资源还可以包括操作***222和数据223等,存储方式可以是短暂存储也可以是永久存储。其中,操作***222可以是Windows、Unix、Linux等。数据223可以包括各种各样的数据。
在一些实施例中,电子设备20还可包括有显示屏23、输入输出接口24、通信接口25、传感器26、电源27以及通信总线28。
本技术领域人员可以理解,图5中示出的结构并不构成对电子设备20的限定,可以包括比图示更多或更少的组件。
进一步的,本申请实施例还公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现以下步骤:
获取待评估的目标人脸图像;对所述目标人脸图像进行预处理;将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
可见,本申请先获取待评估的目标人脸图像,再对所述目标人脸图像进行预处理,将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。由此可见,本申请在获取到待评估的目标人脸图像之后,可以对所述目标人脸图像进行相应的预处理,并将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分,这样能够利用训练后CNN评估人脸图像质量,人脸质量评估效率高,且鲁棒性强。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:获取人脸图像训练集;利用所述人脸图像训练集,确定目标人脸图像训练集;利用所述目标人脸图像训练集训练卷积神经网络,得到所述目标卷积神经网络。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;将带有所述目标得分的所述人脸图像训练集作为目标人脸图像训练集。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;将带有所述目标得分的所述人脸图像训练集中的各张人脸图像左右翻转,得到翻转后人脸图像训练集;将带有所述目标得分的所述人脸图像训练集和所述翻转后人脸图像训练集作为目标人脸图像训练集。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:分离出所述人脸图像训练集中各张人脸图像中的背景数据,得到背景图像训练集,并将所述背景图像训练集加入所述目标人脸图像训练集中。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据所述遮挡度确定所述人脸图像训练集中各张人脸图像的第一得分;和/或,利用第二预设算法确定所述人脸图像训练集中各张人脸图像中人脸的光照度,并根据所述光照度确定所述人脸图像训练集中各张人脸图像的第二得分;和/或,利用第三预设算法确定所述人脸图像训练集中各张人脸图像中人脸的模糊度,并根据所述模糊度确定所述人脸图像训练集中各张人脸图像的第三得分;和/或,利用第四预设算法确定所述人脸图像训练集中各张人脸图像中人脸相对于竖直方向的偏移角度,并根据所述偏移角度确定所述人脸图像训练集中各张人脸图像的第四得分。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:根据所述得分、预设权重以及预设公式确定所述人脸图像训练集中各张人脸图像的目标得分,其中,所述预设公式为:
其中,sore_m表示所述人脸图像训练集中人脸图像m的目标得分,i表示人脸图像m在第i个预设因素下的得分,ai表示人脸图像m在第i个预设因素下的预设权重,n表示所述预设因素数量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种人脸图像质量评估方法、装置、设备、介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种人脸图像质量评估方法,其特征在于,包括:
获取待评估的目标人脸图像;
对所述目标人脸图像进行预处理;
将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
2.根据权利要求1所述的人脸图像质量评估方法,其特征在于,还包括:
获取人脸图像训练集;
利用所述人脸图像训练集,确定目标人脸图像训练集;
利用所述目标人脸图像训练集训练卷积神经网络,得到所述目标卷积神经网络。
3.根据权利要求2所述的人脸图像质量评估方法,其特征在于,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:
确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;
根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;
将带有所述目标得分的所述人脸图像训练集作为目标人脸图像训练集。
4.根据权利要求2所述的人脸图像质量评估方法,其特征在于,所述利用所述人脸图像训练集,确定目标人脸图像训练集,包括:
确定所述人脸图像训练集中各张人脸图像在预设因素下的得分;
根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分;
将带有所述目标得分的所述人脸图像训练集中的各张人脸图像左右翻转,得到翻转后人脸图像训练集;
将带有所述目标得分的所述人脸图像训练集和所述翻转后人脸图像训练集作为目标人脸图像训练集。
5.根据权利要求4所述的人脸图像质量评估方法,其特征在于,所述根据所述得分确定所述人脸图像训练集中各张人脸图像的目标得分之后,还包括:
分离出所述人脸图像训练集中各张人脸图像中的背景数据,得到背景图像训练集,并将所述背景图像训练集加入所述目标人脸图像训练集中。
6.根据权利要求3所述的人脸图像质量评估方法,其特征在于,所述确定所述人脸图像训练集中各张人脸图像在预设因素下的得分,包括:
利用第一预设算法确定所述人脸图像训练集中各张人脸图像中人脸的遮挡度,并根据所述遮挡度确定所述人脸图像训练集中各张人脸图像的第一得分;
和/或,利用第二预设算法确定所述人脸图像训练集中各张人脸图像中人脸的光照度,并根据所述光照度确定所述人脸图像训练集中各张人脸图像的第二得分;
和/或,利用第三预设算法确定所述人脸图像训练集中各张人脸图像中人脸的模糊度,并根据所述模糊度确定所述人脸图像训练集中各张人脸图像的第三得分;
和/或,利用第四预设算法确定所述人脸图像训练集中各张人脸图像中人脸相对于竖直方向的偏移角度,并根据所述偏移角度确定所述人脸图像训练集中各张人脸图像的第四得分。
8.一种人脸图像质量评估装置,其特征在于,包括:
图像获取方法,用于获取待评估的目标人脸图像;
图像预处理模块,用于对所述目标人脸图像进行预处理;
得分确定模块,用于将预处理后的目标人脸图像通过预先得到的目标卷积神经网络,以便得到所述目标人脸图像的质量得分。
9.一种人脸图像质量评估设备,其特征在于,包括:
存储器和处理器;
其中,所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以实现权利要求1至7任一项所述的人脸图像质量评估方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的人脸图像质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598471.2A CN111738179A (zh) | 2020-06-28 | 2020-06-28 | 一种人脸图像质量评估方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598471.2A CN111738179A (zh) | 2020-06-28 | 2020-06-28 | 一种人脸图像质量评估方法、装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738179A true CN111738179A (zh) | 2020-10-02 |
Family
ID=72651473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598471.2A Withdrawn CN111738179A (zh) | 2020-06-28 | 2020-06-28 | 一种人脸图像质量评估方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738179A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150363634A1 (en) * | 2014-06-17 | 2015-12-17 | Beijing Kuangshi Technology Co.,Ltd. | Face Hallucination Using Convolutional Neural Networks |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
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 |
US20190251401A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Image composites using a generative adversarial neural network |
CN110189349A (zh) * | 2019-06-03 | 2019-08-30 | 湖南国科微电子股份有限公司 | 图像处理方法及装置 |
CN110490236A (zh) * | 2019-07-29 | 2019-11-22 | 武汉工程大学 | 基于神经网络的自动图像标注方法、***、装置和介质 |
US20200012923A1 (en) * | 2016-10-06 | 2020-01-09 | Siemens Aktiengesellschaft | Computer device for training a deep neural network |
CN111062426A (zh) * | 2019-12-11 | 2020-04-24 | 北京金山云网络技术有限公司 | 一种建立训练集的方法、装置、电子设备以及介质 |
CN111241925A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 人脸质量评定方法、***、电子设备及可读存储介质 |
-
2020
- 2020-06-28 CN CN202010598471.2A patent/CN111738179A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150363634A1 (en) * | 2014-06-17 | 2015-12-17 | Beijing Kuangshi Technology Co.,Ltd. | Face Hallucination Using Convolutional Neural Networks |
US20200012923A1 (en) * | 2016-10-06 | 2020-01-09 | Siemens Aktiengesellschaft | Computer device for training a deep neural network |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
US20190251401A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Image composites using a generative adversarial neural network |
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 |
CN110189349A (zh) * | 2019-06-03 | 2019-08-30 | 湖南国科微电子股份有限公司 | 图像处理方法及装置 |
CN110490236A (zh) * | 2019-07-29 | 2019-11-22 | 武汉工程大学 | 基于神经网络的自动图像标注方法、***、装置和介质 |
CN111062426A (zh) * | 2019-12-11 | 2020-04-24 | 北京金山云网络技术有限公司 | 一种建立训练集的方法、装置、电子设备以及介质 |
CN111241925A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 人脸质量评定方法、***、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
US11238272B2 (en) | Method and apparatus for detecting face image | |
US20200005022A1 (en) | Method, terminal, and storage medium for tracking facial critical area | |
CN106778453B (zh) | 人脸图像中检测眼镜佩戴的方法及装置 | |
CN111597884A (zh) | 面部动作单元识别方法、装置、电子设备及存储介质 | |
CN109325456A (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、*** | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
CN110738110A (zh) | 基于锚点的人脸关键点检测方法、装置、***和存储介质 | |
CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
CN110826610A (zh) | 一种用于智能检测人员着装是否规范的方法与*** | |
CN112149615A (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
CN111898610B (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
CN111985458A (zh) | 一种检测多目标的方法、电子设备及存储介质 | |
CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和*** | |
WO2024022301A1 (zh) | 视角路径获取方法、装置、电子设备及介质 | |
CN111915676B (zh) | 图像生成方法、装置、计算机设备和存储介质 | |
CN111429414B (zh) | 基于人工智能的病灶影像样本确定方法和相关装置 | |
CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN111738179A (zh) | 一种人脸图像质量评估方法、装置、设备、介质 | |
CN110934565B (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 | |
CN114202804A (zh) | 行为动作识别方法、装置、处理设备及存储介质 | |
CN117523636B (zh) | 一种人脸检测方法、装置、电子设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201002 |
|
WW01 | Invention patent application withdrawn after publication |