CN112861589A - 人像提取、质量评价、身份验证及模型训练方法及装置 - Google Patents
人像提取、质量评价、身份验证及模型训练方法及装置 Download PDFInfo
- Publication number
- CN112861589A CN112861589A CN201911189725.9A CN201911189725A CN112861589A CN 112861589 A CN112861589 A CN 112861589A CN 201911189725 A CN201911189725 A CN 201911189725A CN 112861589 A CN112861589 A CN 112861589A
- Authority
- CN
- China
- Prior art keywords
- image
- portrait
- quality evaluation
- card
- processed
- 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.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012549 training Methods 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 238000012795 verification Methods 0.000 title claims abstract description 28
- 230000004913 activation Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 19
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人像提取、质量评价、身份验证及模型训练方法及装置，该人像提取方法包括：提取待处理图像中的卡证区域图像；根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。通过本发明提供的人像提取方法，可以较为准确的从卡证图像中提取到人像区域图像。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种人像提取、质量评价、身份验证及模型训练方法及装置。
背景技术
随着互联网技术的不断发展，涌现了大量的互联网应用，例如，互联网购物、互联网金融(例如，信贷、理财、支付等)等。为了保证安全性，许多互联网应用都需要对用户进行身份信息的核验。目前存在一些基于用户上传的卡证图像(例如，身份证图像、社保卡图像、护照图像等)自动对用户进行人脸识别以验证用户身份的方案。
通常人脸识别效果受图像质量影响。目前，卡证图像质量评价方法大都是先通过人脸检测算法检测卡证图像中的人像区域图像，再计算人像区域图像的梯度函数等计算人像区域图像的模糊度，或是通过人像区域图像的直方图的分布来判断人像区域图像是否反光等。然而，上述卡证图像质量评价方法在图像尺度上波动较大，而用户上传的卡证图像大小又往往不一，这样无法在不同尺度上都达到一个良好的识别精度，此外，受光照、拍摄角度、拍摄设备等各种因素的影响，用户上传的卡证图像通常会存在人像区域图像特征丢失的情况，这样通过人脸检测算法检测人像区域图像容易检测失败或是检测结果不准确，进而影响后续的图像模糊度或是反光情况的判断。
可见，现有技术中存在检测卡证图像的人像区域图像准确性较差的问题。
发明内容
本发明实施例提供一种人像提取、质量评价、身份验证及模型训练方法及装置，以解决现有技术中检测卡证图像的人像区域图像准确性较差的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种人像提取方法，该方法包括：
提取待处理图像中的卡证区域图像；
根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
第二方面，本发明实施例提供了一种图像质量评价方法。该方法包括：
获取待处理图像，所述待处理图像为待评价图像；
利用上述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
第三方面，本发明实施例提供了一种身份验证方法。该方法包括：
接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
第四方面，本发明实施例提供了一种模型训练方法。该方法包括：
获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；
分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；
根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；
根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
第五方面，本发明实施例还提供一种人像提取装置。该人像提取装置包括：
第一提取模块，用于提取待处理图像中的卡证区域图像；
第二提取模块，用于根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
第六方面，本发明实施例还提供一种图像质量评价装置。该图像质量评价装置包括：
获取模块，用于获取待处理图像，所述待处理图像为待评价图像；
人像提取模块，用于利用上述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
评价模块，用于将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
第七方面，本发明实施例还提供一种身份验证装置。该身份验证装置包括：
接收模块，用于接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
质量评价模块，用于利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
验证模块，用于若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
输出模块，用于若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
第八方面，本发明实施例还提供一种模型训练装置。该模型训练装置包括：
获取模块，用于获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；
第一提取模块，用于分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；
第二提取模块，用于根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；
训练模块，用于根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
第九方面，本发明实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面提供的人像提取方法的步骤，或者实现上述第二方面提供的图像质量评价方法的步骤，或者实现上述三方面提供的身份验证方法的步骤，或者实现上述第四方面提供的模型训练方法的步骤。
第九方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的人像提取方法的步骤，或者实现上述第二方面提供的图像质量评价方法的步骤，或者实现上述三方面提供的身份验证方法的步骤，或者实现上述第四方面提供的模型训练方法的步骤。
本发明实施例中，通过提取待处理图像中的卡证区域图像，根据目标相对位置，提取所述卡证区域图像中的人像区域图像。由于基于卡证区域图像和人像区域图像的相对位置从卡证图像中提取人像区域图像，这样不管卡证图像中是否存在人像区域图像特征丢失，都可以较为准确的从卡证图像中提取到人像区域图像。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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发明的一些实施例，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是本发明实施例提供的人像提取方法的流程图；
图2是本发明实施例提供的卡证图像的示意图；
图3a是本发明实施例提供的卡证区域图像存在倾斜的示意图；
图3b是本发明实施例提供的倾斜矫正后的卡证区域图像的示意图；
图4是本发明实施例提供的卡证区域图像和人像区域图像的相对位置的示意图；
图5是本发明实施例提供的图像质量评价方法的流程图；
图6是本发明实施例提供的身份验证方法的流程图；
图7是本发明实施例提供的模型训练方法的流程图；
图8是本发明实施例提供的目标神经网络的结构示意图；
图9是本发明实施例提供的人像提取装置的结构图；
图10是本发明实施例提供的图像质量评价装置的结构图；
图11是本发明实施例提供的身份验证装置的结构图；
图12是本发明实施例提供的模型训练装置的结构图；
图13是本发明又一实施例提供的人像提取装置的结构图；
图14是本发明又一实施例提供的图像质量评价装置的结构图；
图15是本发明又一实施例提供的身份验证装置的结构图；
图16是本发明又一实施例提供的模型训练装置的结构图。
具体实施方式
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行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供一种人像提取方法。参见图1，图1是本发明实施例提供的人像提取方法的流程图，如图1所示，包括以下步骤：
步骤101、提取待处理图像中的卡证区域图像。
本实施例中，上述待处理图像可以是任意包含卡证区域的图像，也可称为卡证图像，例如，身份证图像、驾驶证图像、护照图像、社保卡图像、学生证图像、工作证图像等。通常，卡证图像中除了卡证区域图像之外，通常还会包括一些背景区域图像。例如，如图2所示，卡证图像10包括卡证区域图像11和背景区域图像12。
可选的，可以通过图像边缘检测的方式定位待处理图像中的卡证区域图像并截取卡证区域图像，也可以是通过预先训练的卡证检测模型定位待处理图像中的卡证区域图像并截取卡证区域图像，本实施例对此不做限定。其中，上述卡证检测模型可以包括但不限于基于生成对抗网络训练得到的模型或基于YoloV3网络训练得到的模型等。
可选的，若提取的卡证区域图像存在倾斜的情况下，可以对提取的卡证区域图像进行变换，以对卡证区域图像进行矫正，例如，矫正前的卡证区域图像如图3a所示，矫正后的卡证区域图像如图3b所示。
可选的，在提取待处理图像中的卡证区域图像之前，本实施例还可以对待处理图像进行预处理，例如，对待处理图像进行图像增强处理、图像滤波处理、归一化处理等，其中，上述归一化处理可以是指将待处理图像转换为预设大小，进而提取预处理之后的待处理图像中的卡证区域图像。
步骤102、根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
实际情况中，人像通常位于卡证的固定位置，二者的大小往往也是固定的。因此，卡证区域图像和人像区域图像的相对位置往往是固定。例如，以身份证图像为例，在长度方向或者水平方向上人像区域图像往往位于卡证区域图像的0.638至0.927位置处，在宽度方向或者垂直方向上人像区域图像往往位于卡证区域图像的0.175至0.703位置处，如图4所示。
本实施例根据卡证区域图像和人像区域图像的相对位置提取所述卡证区域图像中的人像区域图像，这样不管卡证图像中是否存在人脸区域特征丢失，都可以较为准确的从卡证图像中提取到人像区域图像。
可选的，所述方法还可以包括：
获取N张图像样本，其中，N为大于1的整数，每个所述图像样本均包括卡证区域图像；
提取所述N张图像样本中每张图像样本的卡证区域图像，得到N个卡证区域图像；
分别对所述N个卡证区域图像中的每个卡证区域图像进行人脸检测，得到所述N个卡证区域图像中每个卡证区域图像中的人像区域图像；
统计所述N个卡证区域图像中每个卡证区域图像与其人像区域图像的相对位置，得到N个相对位置；
根据所述N个相对位置，确定所述目标相对位置。
本实施例中，上述N的值可以根据实际需求进行合理设置，例如，1000、2000、10000或100000等。
实际情况中，由于提取的卡证区域图像往往会存在一定程度的位置偏移，因此，本实施例通过统计一定数量的图像样本中卡证区域图像和人像区域图像的相对位置，并基于统计的一定数量的卡证区域图像和人像区域图像的相对位置确定目标相对位置，可以提高设置的目标相对位置的准确性。
具体的，可以提取N张图像样本中每个图像样本的卡证区域图像，通过人脸检测算法获取到每个卡证区域图像的人脸区域的坐标位置(如用于框选人脸区域的人脸框的坐标位置)，并可以按照人脸区域和人像区域图像的相对大小关系，对获取到的人脸区域的坐标位置进行放大(例如对人脸框的坐标位置进行放大)，例如，放大1.2倍、1.3倍等，得到人像区域图像的坐标位置，进而统计每个卡证区域图像与其人像区域图像的相对位置，以基于N个相对位置确定目标相对位置。
其中，上述卡证区域图像与其人像区域图像的相对位置可以包括在长度方向上卡证区域图像与其人像区域图像的子相对位置，例如，人像区域图像的第一列像素点相对于卡证区域图像的长度的位置以及人像区域图像的最后一列像素点相对于卡证区域图像的长度的位置，以及在宽度方向上卡证区域图像与其人像区域图像的子相对位置，例如，人像区域图像的第一行像素点相对于卡证区域图像的宽度的位置以及人像区域图像的最后一行像素点相对于卡证区域图像的宽度的位置。
可选的，基于N个相对位置确定目标相对位置，可以包括将N个相对位置包括的子相对位置中对应的子相对位置的平均值确定为目标相对位置中对应的子相对位置。例如，N个相对位置包括N个第一子相对位置、N个第二子相对位置、N个第三子相对位置和N个第四子相对位置，其中，第一子相对位置用于表示人像区域图像的第一列像素点相对于卡证区域图像的长度的位置，第二相对位置表示人像区域图像的最后一列像素点相对于卡证区域图像的长度的位置，第三相对位置表示人像区域图像的第一行像素点相对于卡证区域图像的宽度的位置，第四相对位置表示人像区域图像的最后一行像素点相对于卡证区域图像的宽度的位置，则目标相对位置可以包括N个第一子相对位置的平均值、N个第二子相对位置的平均值、N个第三子相对位置的平均值和N个第四子相对位置的平均值。
可选的，基于N个相对位置确定目标相对位置也可以包括将N个相对位置中包括的子相对位置中对应的子相对位置中的最大值或最小值确定为目标相对位置中对应的子相对位置。例如，将N个第一子相对位置中的最小值确定为目标相对位置中的第一子相对位置，将N个第二子相对位置中的最大值确定为目标相对位置中的第二子相对位置，将N个第三子相对位置中的最小值确定为目标相对位置中的第三子相对位置，将N个第四子相对位置中的最大值确定为目标相对位置中的第四子相对位置。
需要说明的是，上述人脸检测算法可以包括但不限于Cascade CNN、Face R-CNN、Faceness-Net、MTCNN或DenseBox等算法，本实施例对此不做限定。
可选的，所述提取待处理图像中的卡证区域图像，可以包括：
将所述待处理图像输入卡证检测模型，得到所述待处理图像中的卡证区域图像的位置信息，其中，所述卡证检测模型为基于YoloV3网络训练得到的模型；
根据所述待处理图像中的卡证区域图像的位置信息，提取所述待处理图像中的卡证区域图像。
本实施例中，可以通过基于YoloV3网络训练得到的卡证检测模型定位待处理图像中的卡证区域图像，也即获取待处理图像中的卡证区域图像的位置信息，进而可以基于卡证区域图像的位置信息从待处理图像中提取卡证区域图像。实际应用中，可以基于多张包括卡证区域图像的图像样本及其标签数据对YoloV3网络进行训练，得到卡证检测模型。
本实施例通过卡证检测模型从待处理图像中提取卡证区域图像，可以提高卡证区域图像提取的速度和准确性。
本发明实施例还提供一种图像质量评价方法。参见图5，图5是本发明实施例提供的图像质量评价方法的流程图，如图5所示，包括以下步骤：
步骤501、获取待处理图像，所述待处理图像为待评价图像。
本实施例中，所述待处理图像与上述实施例中的待处理图像一致；上述待处理图像可以是任意包含卡证区域的图像，也可称为卡证图像，例如，身份证图像、驾驶证图像、护照图像、社保卡图像、学生证图像、工作证图像等。通常，卡证图像中除了卡证区域图像之外，通常还会包括一些背景区域图像。例如，如图2所示，卡证图像10包括卡证区域图像11和背景区域图像12。
步骤502、利用人像处理方法对所述待评价图像进行处理，得到人像区域图像。
本实施例中，可以基于上述任一实施例提供的人像处理方法对待评价图像进行处理，得到待评价图像的人像区域图像。其中，上述人像处理方法的相关内容可以参见前述论述，在此不做赘述。
本实施例根据卡证区域图像和人像区域图像的相对位置提取所述卡证区域图像中的人像区域图像，这样不管卡证图像中是否存在人脸区域特征丢失，都可以较为准确的从卡证图像中提取到人像区域图像。
步骤503、将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
本实施例中，上述目标神经网络可以包括但不限于Inception网络、ResNet网络、DenseNet网络或自定义的神经网络等。实际应用中，可以基于多个图像样本及其标签数据对目标神经网络进行训练，得到上述图像质量评价模型。其中，标签数据用于指示图像样本的人像区域图像的图像质量类别，例如，清晰、模糊或反光等，上述多个图像样本中可以包括不同质量类别的图像。
在该步骤中，通过将人像区域图像输入至图像质量评价模型，以通过图像质量评价模型对人像区域图像进行图像质量评价，输出图像质量评价结果，其中，上述图像质量评价结果可以包括各个图像质量类别及其概率，例如，清晰0.90，模糊0.095，反光0.005；也可以仅包括概率最高的图像质量类别，例如，清晰。
本实施例中基于训练得到的图像质量评价模型对提取的人像区域图像进行图像质量评价，不仅对于不同图像尺度均可以得到一个较为准确的图像质量评价结果，而且适用性更广，可用于对不对因素(例如，运动模糊、高斯模糊、反光等)导致的图像质量问题的图像进行图像质量评价。
可选的，所述目标神经网络包括依次连接的输入子网络、可分离卷积子网络和输出子网络，所述输入子网络用于接收输入图像，所述输出子网络用于输出所述输入图像对应的M个图像质量类别的概率，M为正整数。
上述M个图像质量类别可以根据实际需求进行合理设置，例如，上述M个图像质量类别可以包括清晰、模糊和反光三个图像质量类别，也可以包括清晰、模糊、反光和低照度四个图像质量类别，也可以包括清晰、运动模糊、高斯模糊、反光、低照度五个图像质量类别，等等。
上述输入子网络可以包括但不限于标准卷积层，用于接收输入图像，并可提取输入图像的比较丰富的低层抽象特征。上述可分离卷积子网络可以对输入的特征图进行可分离卷积，在大幅减少网络参数，降低模型大小的同时可以保持网络的强学习能力。上述输出子网络可以包括但不限于最大池化层、全连接层和softmax层，以输出M个图像质量类别的概率。
可选的，所述可分离卷积子网络包括R个可分离卷积单元，所述分离卷积单元包括可分离卷积层、点卷积层、批量归一化层和激活层，R为大于1的整数。
上述R的取值可以根据实际需求进行合理设置，例如，5、6、7等。优选的，上述R的取值为5。
上述可分离卷积层可以包括深度卷积层和点卷积层(也即1*1的卷积层)，用于对输入的特征图进行可分离卷积。上述点卷积层(也即1*1的卷积层)可以对可分离卷积层输出的特征图进行通道之间关系的整合。
上述批量归一化层(也即batchnorm层)可用于加速网络训练，使损失函数快速收敛。上述激活层也可称为激励层，其激活函数可以包括但不限于relu函数。可选的，本实施例可以在每个可分离卷积层和点卷积层均设置批量归一化层和激活层，以提高网络的训练速度和分类能力。
可选的，所述输入子网络包括P层标准卷积层，所述P层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，P为正整数。
上述P的取值可以根据实际情况进行合理设置，例如，1、2等。优选的，P的取值为1。上述激活层的激活函数可以包括但不限于relu函数。
本实施例中输入子网络包括P层标准卷积层、批量归一化层和激活层，可以提高网络的训练速度和分类能力。
可选的，所述输出子网络包括依次连接的标准卷积层、批量归一化层、最大池化层、全连接层和softmax层。
可选的，所述将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果之前，所述方法还可以包括：
训练所述图像质量评价模型。
例如，可以获取多张图像样本和所述多张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，并根据所述多个图像样本和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
可选的，所述训练所述图像质量评价模型，可以包括：获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为卡证区域图像和人像区域图像的相对位置；根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
本发明实施例还提供一种身份验证方法。参见图6，图6是本发明实施例提供的身份验证方法的流程图，如图6所示，包括以下步骤：
步骤601、接收用户上传的待处理图像，所述待处理图像包括卡证区域图像。
本实施例中，上述待处理图像可以是任意包含卡证区域图像的图像，也可称为卡证图像，例如，身份证图像、驾驶证图像、护照图像、社保卡图像、学生证图像、工作证图像等。
步骤602、利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果。
本实施例中，可以基于上述任一实施例提供的图像质量评价方法对待处理图像的卡证区域图像的人像区域图像进行图像质量评价，得到图像质量评价结果。其中，上述图像质量评价方法的相关内容可以参见前述论述，在此不做赘述。
步骤603、若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证。
该步骤中，若所述图像质量评价结果指示所述待处理图像为合格图像，例如，上述图像质量评价结果指示概率最高的图像质量类别为清晰，则可以基于上述待处理图像进行身份验证，例如，对待处理图像进行人脸识别。
步骤604、若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
该步骤中，若所述图像质量评价结果指示所述待处理图像为不合格图像，例如，上述图像质量评价结果指示概率最高的图像质量类别为模糊或反光等，此时若基于该待处理图像进行身份验证，很容易因人像特征丢失导致人脸识别失败，因此，可以输出提示信息，以提示用户重新上传合格的图像。
实际情况中，为了保证安全性，许多互联网应用都需要对用户进行身份验证，本实施例可以在需要对用户进行身份验证的情况下，接收用户上传的卡证图像，并对用户上传的卡证图像进行质量评价，若该卡证图像为合格图像，则可以直接基于该卡证图像进行身份验证，如进行人脸识别；若该卡证图像为不合格图像，为了减少因图像质量导致的身份验证识别的情况出现，可以提示用户重新上传卡证图像，并可以对用户重新上传的卡证图像进行图像质量评价。
可选的，上述提示信息可以包括卡证图像不合格的原因信息，例如，运动模糊、高斯模糊、反光和低照度等中的至少一项，这样便于用户参照该原因信息重新上传卡证图像。
本实施例利用上述的图像质量评价方法对用户上传的待处理图像进行图像质量评价，得到图像质量评价结果，在所述图像质量评价结果指示所述待处理图像为合格图像的情况下根据所述待处理图像进行身份验证，在所述图像质量评价结果指示所述待处理图像为不合格图像的情况下输出提示信息，以提示用户重新上传合格的图像，可以提高身份验证的准确性。
本发明实施例还提供一种模型训练方法。参见图7，图7是本发明实施例提供的模型训练方法的流程图，如图7所示，包括以下步骤：
步骤701、获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数。
上述S的值可以根据实际需求进行合理设置，例如，5000、20000或100000等。上述S张图像样本可以包括不同图像质量类别的图像样本，例如，上述S张图像样本可以包括模糊类的图像样本、反光类的图像样本和清晰类的图像样本。可选的，模糊类的图像样本可以包括不同模糊类型的图像样本，例如，高斯模糊类的图像样本、运动模糊类的图像样本以及混合有高斯模糊和运动模糊的图像样本等。可选的，反光类的图像样本可以包括不同反光强度的图像样本。
步骤702、分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像。
本实施例中，可以通过图像边缘检测的方式定位图像样本中的卡证区域图像并截取卡证区域图像，也可以是通过预先训练的卡证检测模型定位图像样本中的卡证区域图像并截取卡证区域图像，本实施例对此不做限定。其中，上述卡证检测模型可以包括但不限于基于生成对抗网络训练得到的模型或基于YoloV3网络训练得到的模型等。
步骤703、根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
上述目标相对位置的相关内容可以参见前述论述，在此不做赘述。
步骤704、根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
该步骤中，可以基于S个卡证区域图像中的人像区域图像以及各个人像区域图像对应的标签数据对目标神经网络进行训练，得到图像质量评价模型，进而可以基于该图像质量评价模型进行图像质量检测。
可选的，所述目标神经网络可以包括依次连接的输入子网络、可分离卷积子网络和输出子网络，所述输入子网络用于接收输入图像，所述输出子网络用于输出所述输入图像对应的M个图像质量类别的概率，M为正整数。
上述输入子网络可以包括但不限于标准卷积层，用于接收输入图像，并可提取输入图像的比较丰富的低层抽象特征。上述可分离卷积子网络可以对输入的特征图进行可分离卷积，在大幅减少网络参数，降低模型大小的同时可以保持网络的强学习能力。上述输出子网络可以包括但不限于最大池化层、全连接层和softmax层，以输出M个图像质量类别的概率。
可选的，所述可分离卷积子网络包括R个可分离卷积单元，所述分离卷积单元包括可分离卷积层、点卷积层、批量归一化层和激活层，R为大于1的整数。
上述R的取值可以根据实际需求进行合理设置，例如，5、6、7等。优选的，上述R的取值为5。
上述可分离卷积层可以包括深度卷积层和点卷积层(也即1*1的卷积层)，用于对输入的特征图进行可分离卷积。上述点卷积层(也即1*1的卷积层)可以对可分离卷积层输出的特征图进行通道之间关系的整合。
上述批量归一化层(也即batchnorm层)可用于加速网络训练，使损失函数快速收敛。上述激活层也可称为激励层，其激活函数可以包括但不限于relu函数。可选的，本实施例可以在每个可分离卷积层和点卷积层均设置批量归一化层和激活层，以提高网络的训练速度和分类能力。
可选的，所述输入子网络包括P层标准卷积层，所述P层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，P为正整数。
上述P的取值可以根据实际情况进行合理设置，例如，1、2等。优选的，P的取值为1。上述激活层的激活函数可以包括但不限于relu函数。
本实施例中输入子网络包括P层标准卷积层、批量归一化层和激活层，可以提高网络的训练速度和分类能力。
可选的，所述输出子网络包括依次连接的标准卷积层、批量归一化层、最大池化层、全连接层和softmax层。
本实施例在模型训练阶段由于基于卡证区域图像和人像区域图像的相对位置从卡证图像中提取人像区域图像，可以在保证人像区域图像提取的准确性的同时提高人像区域图像提取的效率，进而提高模型训练的效率和准确性。此外，构建的目标神经网络中设置有批量归一化层和激活层，不仅可以提高模型训练的速度，还可以提高训练得到的模型的分类能力。
以下结合图8所示的目标神经网络为例进行说明：
参见图8，本实施例提供的目标神经网络可以包括：
第一层：标准卷积层，也可称为正常卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为32，其输入图像可以为112*112*3，输出的特征图(即feature map)可以为56*56*32。
第二层：可分离卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为64，其输出的feature map可以为28*28*64。
第三层：点卷积层，也可称为1*1卷积层，其卷积核为1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为64，其输出的feature map可以为28*28*64大小。该点卷积层可以用于整合通道之间的关系。
第四层：可分离卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为128，其输出的feature map可以为14*14*128。
第五层：1*1卷积层，其卷积核为1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为128，其输出的feature map为14*14*128。该1*1卷积层也可以用于整合通道之间的关系。
第六层：可分离卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为256，其输出的feature map为7*7*256。
第七层：1*1卷积层，其卷积核为1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为256，其输出的feature map为7*7*256。该1*1卷积层也可以用于整合通道之间的关系。
第八层：可分离卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为512，其输出的feature map为4*4*512。
第九层：1*1卷积层，卷积核1*1，步长为1，使用batchnorm，激活函数为relu，输出通道数为512，其输出的feature map为4*4*512。该1*1卷积层也可以用于整合通道之间的关系。
第十层：正常卷积层，其卷积核为3*3，步长为2，使用batchnorm，激活函数为relu，输出通道数为512，其输出的feature map为2*2*512。
第十一层：最大池化层(即maxpooling)，大小为2*2，步长为1，不填充边界，其输出的feature map为1*1*512。
第十二层：全链接层和softmax层，可根据类别数量确定输出的个数。
需要说明的是，本实施例对上述目标神经网络进行训练所采用的损失函数可以是交叉熵损失函数。
本实施例提供的目标神经网络，输入图像大小减半后通道数增加一倍，每层中增加batchnorm可以加速网络训练，使损失函数快速收敛。
参见图9，图9是本发明实施例提供的人像提取装置的结构图。如图9所示，人像提取装置900包括：
第一提取模块901，用于提取待处理图像中的卡证区域图像；
第二提取模块902，用于根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
可选的，所述装置还包括：
第一获取模块，用于所述根据目标相对位置，提取所述卡证区域图像中的人像区域图像之前，获取N张图像样本，其中，N为大于1的整数，每个所述图像样本均包括卡证区域图像；
第三提取模块，用于提取所述N张图像样本中每张图像样本的卡证区域图像，得到N个卡证区域图像；
检测模块，用于分别对所述N个卡证区域图像中的每个卡证区域图像进行人脸检测，得到所述N个卡证区域图像中每个卡证区域图像中的人像区域图像；
统计模块，用于统计所述N个卡证区域图像中每个卡证区域图像与其人像区域图像的相对位置，得到N个相对位置；
确定模块，用于根据所述N个相对位置，确定所述目标相对位置。
可选的，所述第一提取模块具体用于：
将所述待处理图像输入预先训练的卡证检测模型，得到所述待处理图像中的卡证区域图像的位置信息，其中，所述卡证检测模型为基于YoloV3网络训练得到的模型；
根据所述待处理图像中的卡证区域图像的位置信息，提取所述待处理图像中的卡证区域图像。
本发明实施例提供的人像提取装置900能够实现上述人像提取方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的人像提取装置900，由于基于卡证区域图像和人像区域图像的相对位置从卡证图像中提取人像区域图像，这样不管卡证图像中是否存在人像区域图像特征丢失，都可以较为准确的从卡证图像中提取到人像区域图像。
参见图10，图10是本发明实施例提供的图像质量评价装置的结构图。如图10所示，图像质量评价装置1000包括：
获取模块1001，用于获取待处理图像，所述待处理图像为待评价图像；
人像提取模块1002，用于上述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
评价模块1003，用于将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
可选的，所述目标神经网络包括依次连接的输入子网络、可分离卷积子网络和输出子网络，所述输入子网络用于接收输入图像，所述输出子网络用于输出所述输入图像对应的M个图像质量类别的概率，M为正整数。
可选的，所述可分离卷积子网络包括R个可分离卷积单元，所述分离卷积单元包括可分离卷积层、点卷积层、批量归一化层和激活层，R为大于1的整数。
可选的，所述输入子网络包括P层标准卷积层，所述P层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，P为正整数。
可选的，所述输出子网络包括依次连接的标准卷积层、批量归一化层、最大池化层、全连接层和softmax层。
可选的，所述装置还包括：
训练模块，用于所述将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果之前，训练所述图像质量评价模型。
本发明实施例提供的图像质量评价装置1000能够实现上述图像质量评价方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的图像质量评价装置1000，由于基于卡证区域图像和人像区域图像的相对位置从卡证图像中提取人像区域图像，这样不管卡证图像中是否存在人脸区域特征丢失，都可以较为准确的从卡证图像中提取到人像区域图像，此外，基于训练得到的图像质量评价模型对提取的人像区域图像进行图像质量评价，对于不同图像尺度均可以得到一个较为准确的图像质量评价结果。
参见图11，图11是本发明实施例提供的身份验证装置的结构图。如图9所示，身份验证装置1100包括：
接收模块1101，用于接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
质量评价模块1102，用于利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
验证模块1103，用于若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
输出模块1104，用于若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
本发明实施例提供的身份验证装置1100能够实现上述身份验证方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的身份验证装置1100，接收模块1101，用于接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；质量评价模块1102，用于利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；验证模块1103，用于若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；输出模块1104，用于若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。可以提高身份验证的准确性。
参见图12，图12是本发明实施例提供的模型训练装置的结构图。如图12所示，模型训练装置1200包括：
获取模块1201，用于获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；
第一提取模块1202，用于分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；
第二提取模块1203，用于根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；
训练模块1204，用于根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
本发明实施例提供的模型训练装置1200能够实现上述模型训练方法实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例的模型训练装置1200，获取模块1201，用于获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；第一提取模块1202，用于分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；第二提取模块1203，用于根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；训练模块1204，用于根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。由于基于卡证区域图像和人像区域图像的相对位置从卡证图像中提取人像区域图像，可以在保证人像区域图像提取的准确性的同时提高人像区域图像提取的效率，进而提高图像质量评价模型训练的效率和准确性。
参见图13，图13是本发明又一实施提供的人像提取装置的结构图，如图13所示，人像提取装置1300包括：处理器1301、存储器1302及存储在所述存储器1302上并可在所述处理器上运行的计算机程序，人像提取装置1300中的各个组件通过总线接口1303耦合在一起，所述计算机程序被所述处理器1301执行时实现如下步骤：
提取待处理图像中的卡证区域图像；
根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
应理解的是，本实施例中，上述处理器1301能够实现上述人像提取方法实施例的各个过程，为避免重复，这里不再赘述。
参见图14，图14是本发明又一实施提供的图像质量评价装置的结构图，如图14所示，图像质量评价装置1400包括：处理器1401、存储器1402及存储在所述存储器1402上并可在所述处理器上运行的计算机程序，图像质量评价装置1400中的各个组件通过总线接口1403耦合在一起，所述计算机程序被所述处理器1401执行时实现如下步骤：
获取待处理图像，所述待处理图像为待评价图像；
利用上述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
应理解的是，本实施例中，上述处理器1401能够实现上述图像质量评价方法实施例的各个过程，为避免重复，这里不再赘述。
参见图15，图15是本发明又一实施提供的身份验证装置的结构图，如图15所示，身份验证装置1500包括：处理器1501、存储器1502及存储在所述存储器1502上并可在所述处理器上运行的计算机程序，身份验证装置1500中的各个组件通过总线接口1503耦合在一起，所述计算机程序被所述处理器1501执行时实现如下步骤：
接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
利用上述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
参见图16，图16是本发明又一实施提供的模型训练装置的结构图，如图16所示，模型训练装置1600包括：处理器1601、存储器1602及存储在所述存储器1602上并可在所述处理器上运行的计算机程序，模型训练装置1600中的各个组件通过总线接口1603耦合在一起，所述计算机程序被所述处理器1601执行时实现如下步骤：
获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；
分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；
根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；
根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
本发明实施例还提供一种电子设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述人像提取方法实施例的各个过程，或者实现上述图像质量评价方法实施例的各个过程，或者实现上述的身份验证方法实施例的各个过程，或者实现上述的模型训练方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述人像提取方法实施例的各个过程，或者实现上述图像质量评价方法实施例的各个过程，或者实现上述的身份验证方法实施例的各个过程，或者实现上述的模型训练方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，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，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (15)
1.一种人像提取方法，其特征在于，包括：
提取待处理图像中的卡证区域图像；
根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
2.根据权利要求1所述的方法，其特征在于，确定所述预设的目标相对位置的方法包括：
获取N张图像样本，其中，N为大于1的整数，每个所述图像样本均包括卡证区域图像；
提取所述N张图像样本中每张图像样本的卡证区域图像，得到N个卡证区域图像；
分别对所述N个卡证区域图像中的每个卡证区域图像进行人脸检测，得到所述N个卡证区域图像中每个卡证区域图像中的人像区域图像；
统计所述N个卡证区域图像中每个卡证区域图像与其人像区域图像的相对位置，得到N个相对位置；
根据所述N个相对位置，确定所述目标相对位置。
3.根据权利要求1所述的方法，其特征在于，所述提取待处理图像中的卡证区域图像，包括：
将所述待处理图像输入卡证检测模型，得到所述待处理图像中的卡证区域图像的位置信息，其中，所述卡证检测模型为基于YoloV3网络训练得到的模型；
根据所述待处理图像中的卡证区域图像的位置信息，提取所述待处理图像中的卡证区域图像。
4.一种图像质量评价方法，其特征在于，包括：
获取待处理图像，所述待处理图像为待评价图像；
利用权利要求1-3任一项所述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
5.根据权利要求4所述的方法，其特征在于，所述目标神经网络包括依次连接的输入子网络、可分离卷积子网络和输出子网络，所述输入子网络用于接收输入图像，所述输出子网络用于输出所述输入图像对应的M个图像质量类别的概率，M为正整数。
6.根据权利要求5所述的方法，其特征在于，所述可分离卷积子网络包括R个可分离卷积单元，所述分离卷积单元包括可分离卷积层、点卷积层、批量归一化层和激活层，R为大于1的整数。
7.根据权利要求5或6所述的方法，其特征在于，所述输入子网络包括P层标准卷积层，所述P层标准卷积层中至少一层标准卷积层的输出端连接有批量归一化层和激活层，P为正整数。
8.根据权利要求5所述的方法，其特征在于，所述输出子网络包括依次连接的标准卷积层、批量归一化层、最大池化层、全连接层和softmax层。
9.一种身份验证方法，其特征在于，包括：
接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
利用权利要求4至8中任一项所述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
10.一种模型训练方法，其特征在于，包括：
获取S张图像样本和所述S张图像样本的标签数据，其中，每个所述图像样本均包括卡证区域图像，所述标签数据用于指示卡证区域图像中的人像区域图像的图像质量类别，S为大于1的整数；
分别提取所述S张图像样本中每个图像样本中的卡证区域图像，得到S个卡证区域图像；
根据目标相对位置，分别提取所述S个卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置；
根据所述S个卡证区域图像中的人像区域图像和所述标签数据对目标神经网络进行训练，得到图像质量评价模型。
11.一种人像提取装置，其特征在于，包括：
第一提取模块，用于提取待处理图像中的卡证区域图像；
第二提取模块，用于根据目标相对位置，提取所述卡证区域图像中的人像区域图像，其中，所述目标相对位置为预设的卡证区域图像和人像区域图像的相对位置。
12.一种图像质量评价装置，其特征在于，包括：
获取模块，用于获取待处理图像，所述待处理图像为待评价图像；
人像提取模块，用于利用权利要求1-3任一项所述的人像处理方法对所述待评价图像进行处理，得到人像区域图像；
评价模块，用于将所述人像区域图像输入图像质量评价模型，得到所述人像区域图像的图像质量评价结果，其中，所述图像质量评价模型为基于目标神经网络训练得到的模型。
13.一种身份验证装置，其特征在于，包括：
接收模块，用于接收用户上传的待处理图像，所述待处理图像包括卡证区域图像；
质量评价模块，用于利用权利要求4至8中任一项所述的图像质量评价方法，对所述待处理图像进行图像质量评价，得到图像质量评价结果；
验证模块，用于若所述图像质量评价结果指示所述待处理图像为合格图像，则根据所述待处理图像进行身份验证；
输出模块，用于若所述图像质量评价结果指示所述待处理图像为不合格图像，则输出提示信息，其中，所述提示信息用于提示用户重新上传图像。
14.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的人像处理方法，或者如权利要求4至8中任一项所述的图像质量评价方法的步骤，或者实现如权利要求9所述的身份验证方法的步骤，或者实现如权利要求10所述的模型训练方法的步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的人像处理方法，或者如权利要求4至8中任一项所述的图像质量评价方法的步骤，或者实现如权利要求9所述的身份验证方法的步骤，或者实现如权利要求10所述的模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911189725.9A CN112861589A (zh) | 2019-11-28 | 2019-11-28 | 人像提取、质量评价、身份验证及模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911189725.9A CN112861589A (zh) | 2019-11-28 | 2019-11-28 | 人像提取、质量评价、身份验证及模型训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861589A true CN112861589A (zh) | 2021-05-28 |
Family
ID=75995321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911189725.9A Pending CN112861589A (zh) | 2019-11-28 | 2019-11-28 | 人像提取、质量评价、身份验证及模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861589A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
| CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
| CN108875731A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标识别方法、装置、***及存储介质 |
| CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
| CN110047071A (zh) * | 2019-04-26 | 2019-07-23 | 杭州智趣智能信息技术有限公司 | 一种图像质量评估方法、装置和介质 |
| CN110472602A (zh) * | 2019-08-20 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种卡证识别方法、装置、终端及存储介质 |
-
2019
- 2019-11-28 CN CN201911189725.9A patent/CN112861589A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
| CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
| CN108875731A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标识别方法、装置、***及存储介质 |
| CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
| CN110047071A (zh) * | 2019-04-26 | 2019-07-23 | 杭州智趣智能信息技术有限公司 | 一种图像质量评估方法、装置和介质 |
| CN110472602A (zh) * | 2019-08-20 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种卡证识别方法、装置、终端及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王浩等: "基于人脸识别的身份识别***", 《电脑知识与技术》 * |
| 陈正浩等: "基于纹理特征融合的人脸图像质量评估算法", 《集美大学学报(自然科学版)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN111353497B (zh) | 一种身份证信息的识别方法和装置 | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN111881707B (zh) | 图像翻拍检测方法、身份验证方法、模型训练方法及装置 | |
| CN111680690B (zh) | 一种文字识别方法及装置 | |
| CN111274957A (zh) | 网页页面验证码识别方法、装置、终端和计算机存储介质 | |
| CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
| CN111178290A (zh) | 一种签名验证方法和装置 | |
| CN112381092B (zh) | 跟踪方法、装置及计算机可读存储介质 | |
| CN112749696B (zh) | 一种文本检测方法及装置 | |
| CN113221897B (zh) | 图像矫正方法、图像文本识别方法、身份验证方法及装置 | |
| CN110942067A (zh) | 文本识别方法、装置、计算机设备和存储介质 | |
| CN116311214B (zh) | 车牌识别方法和装置 | |
| CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
| CN114241463A (zh) | 签名验证方法、装置、计算机设备和存储介质 | |
| CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
| CN112861836B (zh) | 文本图像处理方法、文本及卡证图像质量评价方法和装置 | |
| CN116206373A (zh) | 活体检测方法、电子设备及存储介质 | |
| CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
| CN112861589A (zh) | 人像提取、质量评价、身份验证及模型训练方法及装置 | |
| CN113014914B (zh) | 一种基于神经网络的单人换脸短视频的识别方法和*** | |
| CN111310528B (zh) | 一种图像检测方法、身份验证方法、支付方法及装置 | |
| CN112766272A (zh) | 目标检测方法、装置和电子*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |