CN114998978B - 一种人脸图像质量分析的方法和*** - Google Patents

Abstract

本申请涉及一种人脸图像质量分析的方法和***，其中，该方法包括模型训练阶段和部署应用阶段，模型训练阶段包括：采用年龄识别模型对训练数据进行自动标注，得到每张人脸图像的年龄标签和年龄偏差标签；采用特征图提取网络提取经标注的人脸图像特征图；将特征图分别输入特征嵌入分支和特征方差分支，得到人脸图像的最终特征；基于人脸图像的最终特征和分类层，采用回归损失函数对特征嵌入分支和特征方差分支进行反向传播调整参数，得到的特征嵌入分支和特征方差分支用于人脸图像质量分析。通过本申请，解决了人脸识别中图像质量分析难以解决跨年龄样本的问题，实现了动态调整年龄样本与质量的相关性，避免了跨年龄样本对质量分析的学习造成干扰。

Description

一种人脸图像质量分析的方法和***

技术领域

本申请涉及图像处理技术领域，特别是涉及一种人脸图像质量分析的方法和***。

背景技术

通常在人脸识别方案中，都需要对人脸图像质量进行分析。目前的图像质量分析方案普遍采用以下方法：

基于传统特征的图像质量分析方法。通过分析传统的图像特征，而非由深度神经网络提取的抽象特征来判断图像质量，但传统特征相对单一，对图像特征的归纳能力有限，其可靠性和鲁棒性均不及深度神经网络提取的高度归纳的特征。

基于深度学习的图像质量分析方法。通过对图像进行“高质量/低质量”的标注后进行多分类训练，或者对图像或者进行0～100等的分数标注后进行分数回归训练，但图像质量的人工标注往往受到主观因素的影响，且分数细分存在多种难以量化的维度（如光照度、模糊程度、完整度等），对图像质量的界定难有统一的标准，难以保证数据标注的质量和数量。

基于识别模型标注的图像质量分析方法。借助识别模型对有身份信息的图像特征进行类内相似度、类间相似度的计算，进而对图像进行自动标注。但图像特征的相似度并不总是单一地与质量相关，如：识别中的跨年龄样本通常会有较小的类内相似度但未必表示其质量低。

目前针对相关技术中图像质量分析难以解决跨年龄样本的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种人脸图像质量分析的方法和***，以至少解决相关技术中图像质量分析难以解决跨年龄样本的问题。

第一方面，本申请实施例提供了一种人脸图像质量分析的方法，所述方法包括模型训练阶段和部署应用阶段，其中，所述模型训练阶段包括：

采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；

计算所述训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为所述人脸图像的年龄偏差标签；

通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；

将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征；

基于所述人脸图像的最终特征和分类层，采用回归损失函数对所述特征嵌入分支和所述特征方差分支进行反向传播调整参数，得到的特征嵌入分支和特征方差分支用于人脸图像质量分析。

在其中一些实施例中，所述方法包括模型训练阶段和部署应用阶段，其中，所述部署应用阶段包括：

获取待识别图像，通过所述特征图提取网络提取所述待识别图像的特征图；

将所述特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

基于所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分；

根据所述综合质量得分判断是否进行人脸识别。

在其中一些实施例中，所述特征图提取网络和所述分类层为人脸识别模型的内部结构层；

基于所述训练数据对所述人脸识别模型进行训练，得到特征图提取网络、特征嵌入层和分类层。

在其中一些实施例中，将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征包括：

将特征图K(I)输入特征嵌入分支F，输出人脸特征均值F(K(I))，将特征图K(I)输入特征方差分支S，输出人脸特征方差S(K(I))；

根据输出结果得到所述人脸图像的最终特征F(K(I))+ S(K(I))。

在其中一些实施例中，基于所述人脸图像的最终特征和分类层，采用回归损失函数，对所述特征嵌入分支和所述特征方差分支进行反向传播调整参数包括：

基于所述人脸图像的最终特征和分类层，采用回归损失函数

，对所述特征 嵌入分支和所述特征方差分支进行反向传播调整参数，其中，w _c 表示分类层中类别c的特征 中心，F(K(I))表示特征嵌入分支输出的人脸特征均值，S(K(I))表示特征方差分支输出的 人脸特征方差，D表示特征的维数，l表示第l维上的值，α表示人脸图像的年龄偏差标签，i表 示第i张人脸图像，N表示人脸图像的数量。

在其中一些实施例中，基于所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分包括：

基于所述人脸特征方差，通过

计算得到所述待识 别图像的综合质量得分，其中，D表示特征方差的维数，S(K(I))表示特征方差分支输出的人 脸特征方差，l表示第l维上的方差值，i表示第i张人脸图像。

在其中一些实施例中，根据所述综合质量得分判断是否进行人脸识别包括：

根据所述综合质量得分判断是否进行人脸识别；

若所述综合质量得分低于预设阈值，则终止进行所述人脸识别；

若所述综合质量得分高于预设阈值，则根据所述人脸特征均值在人脸底库中进行检索匹配。

在其中一些实施例中，基于所述训练数据对所述人脸识别模型进行训练，得到特征图提取网络、特征嵌入层和分类层包括：

基于所述训练数据和预设模型结构，训练所述人脸识别模型，采用预设损失函数对所述人脸识别模型进行反向传播调整参数，得到特征图提取网络、特征嵌入层和分类层，其中，所述预设模型结构包括resnet结构和mobilefacenet结构，所述预设损失函数为margin-based函数，具体包括arcface函数和cosface函数。

第二方面，本申请实施例提供了一种人脸图像质量分析的***，所述***包括数据标注模块、特征提取模块和参数调整模块；

在人脸图像质量分析的模型训练阶段中：

所述数据标注模块，用于采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；计算所述训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为所述人脸图像的年龄偏差标签；

所述特征提取模块，用于通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征；

所述参数调整模块，用于基于所述人脸图像的最终特征和分类层，采用回归损失函数对所述特征嵌入分支和所述特征方差分支进行反向传播调整参数，得到的特征嵌入分支和特征方差分支用于人脸图像质量分析。

在其中一些实施例中，所述***还包括获取处理模块和计算分析模块；

在人脸图像质量分析的部署应用阶段中：

所述获取处理模块，用于获取待识别图像，通过所述特征图提取网络提取所述待识别图像的特征图；将所述特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

所述计算分析模块，用于根据所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分；根据所述综合质量得分判断是否进行人脸识别。

相比于相关技术，本申请实施例提供的一种人脸图像质量分析的方法和***，其中，该方法包括模型训练阶段和部署应用阶段，模型训练阶段包括：采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；计算训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为人脸图像的年龄偏差标签；通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；将特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到人脸图像的最终特征；基于人脸图像的最终特征和分类层，采用回归损失函数对特征嵌入分支和特征方差分支进行反向传播调整参数，解决了人脸识别中图像质量分析难以解决跨年龄样本的问题，实现了采用自动标签辨别年龄样本，动态调整年龄样本与质量的相关性，避免了跨年龄样本对质量分析的学习造成干扰。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的人脸图像质量分析方法的步骤流程图一；

图2是根据本申请实施例的图像质量分析和人脸图像识别间结构层复用的示意图；

图3是根据本申请实施例的人脸图像质量分析方法的步骤流程图二；

图4是根据本申请实施例的部署应用阶段中人脸图像质量分析的示意图；

图5是根据本申请实施例的人脸图像质量分析***的结构框图一；

图6是根据本申请实施例的人脸图像质量分析***的结构框图二；

图7是根据本申请实施例的电子设备的内部结构示意图。

附图说明：51、数据标注模块；52、特征提取模块；53、参数调整模块；61、获取处理模块；62、计算分析模块。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请实施例提供了一种人脸图像质量分析的方法，图1是根据本申请实施例的人脸图像质量分析方法的步骤流程图一，该方法包括模型训练阶段和部署应用阶段，如图1所示，模型训练阶段包括以下步骤：

步骤S102，采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；

具体地，使用开源的年龄识别模型，对训练数据进行年龄标签的自动标注，得到训练数据中每张人脸图像的年龄标签。

步骤S104，计算训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为人脸图像的年龄偏差标签；

需要说明的是，一个ID即是一个人，人脸识别训练是分类训练，所以一个人也称一个类。“每个ID类的平均年龄”意思就是训练数据中每个人下所有人脸图像的平均年龄；相较于现有基于识别模型标注的图像质量分析方法，本实施例中基于步骤S102和S104，对人脸图像进行年龄标签和年龄偏差标签的标注，避免后续的分支结构训练（即质量分析部分的训练）中样本的年龄特征给训练造成干扰。

步骤S106，通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；

具体地，通过特征图提取网络，提取已标注的训练数据中人脸图像I的特征图K (I)。

需要说明的是，图2是根据本申请实施例的图像质量分析和人脸图像识别间结构层复用的示意图，如图2所示，步骤S106中的特征图提取网络，以及步骤S110中的分类层，皆为在先训练好的人脸识别模型的内部结构层，复用该人脸识别模型的特征提取网络和分类层，并添加额外的特征嵌入分支和特征方差分支，用新的损失函数继续训练，即本实施例最终训练好的、进行实际部署应用的模型是一个具有质量分析能力的识别模型。因此只需要对单一模型进行维护；相较于现有技术中图像质量分析与人脸识别在单独训练学习后分开部署和维护，本实施例中基于步骤S106和S110，实现将图像质量分析的学习过程融入人脸识别中，简化识别链路，降低了识别***部署及维护的成本。

进一步地，基于训练数据和预设模型结构，训练上述人脸识别模型，采用预设损失函数对人脸识别模型进行反向传播调整参数，得到特征图提取网络、特征嵌入层和分类层，其中，预设模型结构包括resnet结构和mobilefacenet结构，预设损失函数为margin-based函数，具体包括arcface函数和cosface函数。

步骤S108，将特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到人脸图像的最终特征；

具体地，将特征图K(I)输入特征嵌入分支F，输出人脸特征均值F(K(I))，将特征图K(I)输入特征方差分支S，输出人脸特征方差S(K(I))；根据输出结果得到人脸图像的最终特征F(K(I))+ S(K(I))，即人脸图像特征由人脸特征均值F(K(I))和特征方差S(K(I))组成。

步骤S110，基于人脸图像的最终特征和分类层，采用回归损失函数对特征嵌入分支和特征方差分支进行反向传播调整参数。

具体地，基于人脸图像的最终特征和分类层，采用回归损失函数

，对特征嵌入分支 和特征方差分支进行反向传播调整参数，其中，w _c 表示分类层中类别c的特征中心，F(K(I)) 表示特征嵌入分支输出的人脸特征均值，S(K(I))表示特征方差分支输出的人脸特征方差，D表示特征的维数，l表示第l维上的值，α表示人脸图像的年龄偏差标签，i表示第i张人脸图 像，N表示人脸图像的数量。

需要说明的是，训练过程可看成人脸图像I到其所属类别c的类中心w _c 的回归，该 回归旨在同时对每张输入图像估计新的特征表达以及对其特征方差进行恰当的估计，

对于接近特征中心的图像会估计出较小的特征方差，而较偏离特征 中心的会估计较大的特征方差，同时避免特征方差趋于0；对数项

能避免特征 方差被估计过大。

同时，由于跨年龄图像并不一定是低质量图像，通常只是离群的难样本，因此年龄 系数项

动态调整跨年龄图像对训练的影响：当图像年龄无显著跨度时，系数项接 近1，损失函数为常规回归损失；年龄存在跨度时，系数项变小，降低跨年龄影响但仍保留了 若跨年龄图像也是低质量情况的对训练的增益；年龄跨度过大时，系数趋于0，使年龄跨度 过大的图像不干扰正常训练；得到的特征嵌入分支和特征方差分支用于人脸图像质量分 析。

通过本申请实施例中的步骤S102至步骤S110，解决了人脸识别中图像质量分析难以解决跨年龄样本的问题，解决了人脸识别中质量分析与图像识别结构臃肿的问题，实现了采用自动标签辨别年龄样本，动态调整年龄样本与质量的相关性，避免了跨年龄样本对质量分析的学习造成干扰，实现了将图像质量分析的学习过程融入人脸识别中，简化识别链路，降低了识别***部署及维护的成本。

在其中一些实施例中，图3是根据本申请实施例的人脸图像质量分析方法的步骤流程图二，该方法包括模型训练阶段和部署应用阶段，如图3所示，部署应用阶段包括以下步骤：

步骤S302，获取待识别图像，通过特征图提取网络提取待识别图像的特征图；

需要说明的是，图4是根据本申请实施例的部署应用阶段中人脸图像质量分析的示意图，如图4所示，完成训练的模型按照常规的人脸识别***部署流程，在边缘设备进行部署。由于图像质量分析和人脸图像识别中特征图提取层、分类层的复用，部署流程和维护难度都得到简化。

步骤S304，将特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

步骤S306，基于人脸特征方差，通过类调和平均数计算，得到待识别图像的综合质量得分；

具体地，基于人脸特征方差，通过

计算得到待 识别图像的综合质量得分，其中，D表示特征方差的维数，S(K(I))表示特征方差分支输出的 人脸特征方差，l表示第l维上的方差值，i表示第i张人脸图像。

步骤S308，根据综合质量得分判断是否进行人脸识别。

具体地，根据综合质量得分判断是否进行人脸识别：若综合质量得分低于预设阈值，则终止进行人脸识别；若综合质量得分高于预设阈值，则根据人脸特征均值在人脸底库中进行检索匹配。

通过本申请实施例中的步骤S302至步骤S308，简化了人脸识别中质量分析与图像识别的部署流程和维护难度。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例提供了一种人脸图像质量分析的***，图5是根据本申请实施例的人脸图像质量分析***的结构框图一，如图5所示，该***包括数据标注模块51、特征提取模块52和参数调整模块53；

在人脸图像质量分析的模型训练阶段中：

数据标注模块51，用于采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；计算训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为人脸图像的年龄偏差标签；

特征提取模块52，用于通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；将特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到人脸图像的最终特征；

参数调整模块53，用于基于人脸图像的最终特征和分类层，采用回归损失函数对特征嵌入分支和特征方差分支进行反向传播调整参数。

通过本申请实施例中的数据标注模块51、特征提取模块52和参数调整模块53，解决了人脸识别中图像质量分析难以解决跨年龄样本的问题，解决了人脸识别中质量分析与图像识别结构臃肿的问题，实现了采用自动标签辨别年龄样本，动态调整年龄样本与质量的相关性，避免了跨年龄样本对质量分析的学习造成干扰，实现了将图像质量分析的学习过程融入人脸识别中，简化识别链路，降低了识别***部署及维护的成本。

在其中一些实施例中，图6是根据本申请实施例的人脸图像质量分析***的结构框图二，如图6所示，该***还包括获取处理模块61和计算分析模块62；

在人脸图像质量分析的部署应用阶段中：

获取处理模块61，用于获取待识别图像，通过特征图提取网络提取待识别图像的特征图；将特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

计算分析模块62，用于根据人脸特征方差，通过类调和平均数计算，得到待识别图像的综合质量得分；根据综合质量得分判断是否进行人脸识别。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

另外，结合上述实施例中的人脸图像质量分析的方法，本申请实施例可提供一种存储介质来实现。该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实施例中的任意一种人脸图像质量分析的方法。

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。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸图像质量分析的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，图7是根据本申请实施例的电子设备的内部结构示意图，如图7所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作***、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作***和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种人脸图像质量分析的方法，数据库用于存储数据。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

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，该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。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种人脸图像质量分析的方法，其特征在于，所述方法包括模型训练阶段和部署应用阶段，其中，所述模型训练阶段包括：

采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；

计算所述训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为所述人脸图像的年龄偏差标签；

通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；

将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征；

基于所述人脸图像的最终特征和分类层，采用回归损失函数

，对所述特征嵌入分支和所述特征方差分支进行反向传播调整参数，其中，w _c 表示分类层中类别c的特征中心，F(K(I))表示特征嵌入分支输出的人脸特征均值，S(K(I))表示特征方差分支输出的人脸特征方差，D表示特征的维数，l表示第l维上的值，α表示人脸图像的年龄偏差标签，i表示第i张人脸图像，N表示人脸图像的数量，C表示分类层的类别数量；

得到的特征嵌入分支和特征方差分支用于人脸图像质量分析，所述部署应用阶段包括：

获取待识别图像，通过所述特征图提取网络提取所述待识别图像的特征图；

将所述特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

基于所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分；根据所述综合质量得分判断是否进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述特征图提取网络和所述分类层为人脸识别模型的内部结构层；

基于所述训练数据对所述人脸识别模型进行训练，得到特征图提取网络、特征嵌入层和分类层。

3.根据权利要求1所述的方法，其特征在于，将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征包括：

将特征图K(I)输入特征嵌入分支F，输出人脸特征均值F(K(I))，将特征图K(I)输入特征方差分支S，输出人脸特征方差S(K(I))；

根据输出结果得到所述人脸图像的最终特征F(K(I))+ S(K(I))。

4.根据权利要求1所述的方法，其特征在于，基于所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分包括：

基于所述人脸特征方差，通过

计算得到所述待识别图像的综合质量得分，其中，D表示特征方差的维数，S(K(I))表示特征方差分支输出的人脸特征方差，l表示第l维上的方差值，i表示第i张人脸图像。

5.根据权利要求1所述的方法，其特征在于，根据所述综合质量得分判断是否进行人脸识别包括：

根据所述综合质量得分判断是否进行人脸识别；

若所述综合质量得分低于预设阈值，则终止进行所述人脸识别；

若所述综合质量得分高于预设阈值，则根据所述人脸特征均值在人脸底库中进行检索匹配。

6.根据权利要求2所述的方法，其特征在于，基于所述训练数据对所述人脸识别模型进行训练，得到特征图提取网络、特征嵌入层和分类层包括：

基于所述训练数据和预设模型结构，训练所述人脸识别模型，采用预设损失函数对所述人脸识别模型进行反向传播调整参数，得到特征图提取网络、特征嵌入层和分类层，其中，所述预设模型结构包括resnet结构和mobilefacenet结构，所述预设损失函数为margin-based函数，具体包括arcface函数和cosface函数。

7.一种人脸图像质量分析的***，其特征在于，所述***包括数据标注模块、特征提取模块和参数调整模块；

在人脸图像质量分析的模型训练阶段中：

所述数据标注模块，用于采用年龄识别模型对训练数据进行自动标注，得到训练数据中每张人脸图像的年龄标签；计算所述训练数据中每个ID类的平均年龄，将每张人脸图像的年龄标签与对应ID类的平均年龄的差值，作为所述人脸图像的年龄偏差标签；

所述特征提取模块，用于通过特征图提取网络，提取已标注的训练数据中人脸图像的特征图；将所述特征图分别输入特征嵌入分支和特征方差分支，并根据输出结果得到所述人脸图像的最终特征；

所述参数调整模块，用于基于所述人脸图像的最终特征和分类层，采用回归损失函数

，对所述特征嵌入分支和所述特征方差分支进行反向传播调整参数，其中，w _c 表示分类层中类别c的特征中心，F(K(I))表示特征嵌入分支输出的人脸特征均值，S(K(I))表示特征方差分支输出的人脸特征方差，D表示特征的维数，l表示第l维上的值，α表示人脸图像的年龄偏差标签，i表示第i张人脸图像，N表示人脸图像的数量，C表示分类层的类别数量；得到的特征嵌入分支和特征方差分支用于人脸图像质量分析；

所述***还包括获取处理模块和计算分析模块；在人脸图像质量分析的部署应用阶段中：

所述获取处理模块，用于获取待识别图像，通过所述特征图提取网络提取所述待识别图像的特征图；将所述特征图分别输入特征嵌入分支和特征方差分支，得到人脸特征均值和人脸特征方差；

所述计算分析模块，用于根据所述人脸特征方差，通过类调和平均数计算，得到所述待识别图像的综合质量得分；根据所述综合质量得分判断是否进行人脸识别。

Images