CN107704806A - 一种基于深度卷积神经网络进行人脸图像质量预测的方法 - Google Patents
一种基于深度卷积神经网络进行人脸图像质量预测的方法 Download PDFInfo
- Publication number
- CN107704806A CN107704806A CN201710779809.2A CN201710779809A CN107704806A CN 107704806 A CN107704806 A CN 107704806A CN 201710779809 A CN201710779809 A CN 201710779809A CN 107704806 A CN107704806 A CN 107704806A
- Authority
- CN
- China
- Prior art keywords
- quality
- image
- face
- human face
- facial
- 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- Withdrawn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
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
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于深度卷积神经网络进行人脸图像质量预测的方法,其主要内容包括:人脸图像质量预测模型、人脸图像质量标签、自动预测人脸图像质量,其过程为,使用深度卷积神经网络(ConvNet)训练支持向量回归模型,提取面部特征用于预测面部图像质量,建立一个无约束面部图像的大型数据库,使用深度ConvNet提取图像特征,采用支持向量回归模型从卷积网络提取的特征中预测人脸图像质量。本发明通过比较成对的面部图像进行聚类,并通过矩阵求解,推导出完整的质量等级,依靠监督学习技术,建立面部图像目标质量标签,提高人脸图像质量预测的准确度,为工程领域的新设计,以及监控领域的创新解决方案做了进一步贡献。
Description
技术领域
本发明涉及人脸图像质量检测领域,尤其是涉及了一种基于深度卷积神经网络进行人脸图像质量预测的方法。
背景技术
在人脸识别中,由于采集到的人脸图像质量难以保证一致性,甚至会出现模糊等降质情况,将影响到人脸的准确识别,因此有必要对人脸图像质量进行预测并评价,以降低图像质量对识别性能的影响。人脸图像质量预测方法不仅可以准确地评价出人脸图像的质量,而且同时具有较高的速度,能满足人脸识别系统的实时性要求,可方便地作为自动人脸识别系统的预处理手段。人脸图像质量预测在传统的图像处理领域中扮演了相当重要的角色,例如在图像压缩、传输、增强以及图像水印等方面的应用,随着计算机和图像采集设备的快速发展,图像的获取和处理成本大幅降低,图像作为一种信息媒介广泛地应用到各个领域中,同时促进各种新兴图像检测方式的产生和发展,例如各种医学图像辅助诊断系统和生物特征识别系统,此外,在视频监控、军事、工程、以及公共安全领域具有广阔的应用前景和实际意义。自动人脸识别系统的性能在很大程度上取决于所获取的面部图像的质量,然而,有许多新兴的面部识别应用,由于其寻求在不太理想的条件下捕获面部图像,因此大部分图像面部变化较大,显着降低了人脸识别的精度。
本发明提出了一种基于深度卷积神经网络进行人脸图像质量预测的方法,使用深度卷积神经网络(ConvNet)训练支持向量回归模型,提取面部特征用于预测面部图像质量,建立一个无约束面部图像的大型数据库,目标图像质量值定义为面部匹配器的人均质量评分或基于分数的值,使用深度ConvNet提取图像特征,并采用支持向量回归模型(SVR)从卷积网络提取的特征中预测人脸图像质量。本发明通过比较成对的面部图像进行聚类,并通过矩阵求解,推导出完整的质量等级,依靠监督学习技术,建立面部图像目标质量标签,提高人脸图像质量预测的准确度,为工程领域的新设计,以及监控领域的创新解决方案做了进一步贡献。
发明内容
针对图像合成,提出了一个新的带变异和交叉算子基于随机游走的进化算法,根据现有的图像,在保留原始图像的部分显着特征的情况下直接进行图像合成,为工程领域的新设计,以及艺术领域的创新解决方案做了进一步贡献。
为解决上述问题,本发明提供一种基于深度卷积神经网络进行人脸图像质量预测的方法,其主要内容包括:
(一)人脸图像质量预测模型;
(二)人脸图像质量标签;
(三)自动预测人脸图像质量。
其中,所述的人脸图像质量预测模型,使用深度卷积神经网络(ConvNet)训练支持向量回归模型,提取面部特征用于预测面部图像质量,建立一个无约束面部图像的大型数据库,目标图像质量值定义为面部匹配器的人均质量评分或基于分数的值,使用深度ConvNet提取图像特征,并采用支持向量回归模型(SVR)从卷积网络提取的特征中预测人脸图像质量,目标图像质量值是连续的,并允许面部图像基于质量进行排序。
进一步地,所述的人脸图像质量标签,通过比较成对的面部图像进行聚类,并通过矩阵求解,推导出完整的质量等级,收集大面积无约束面部图像数据库的人脸图像质量评价,由于生物识别和计算机视觉在训练一组标签数据时,主要依靠监督学习技术,建立面部图像目标质量标签的方法包括:1)将测量的各种图像质量因子结合成单个值,表示整体面部质量;2)人工注释观察到的图像质量;3)采用自动面部识别匹配器结果进行比较,由于方法1)不能取得有效的结果,采用2)和3)来提取人脸图像质量标签,考虑到需要收集成对的人脸比较,为了获得独立面部图像的绝对质量评级,利用矩阵求解方法从成对图像比较中推断质量评估矩阵。
其中,所述的人脸图像质量,采用众包的方式进行人脸图像质量比较,通过众包平台来收集194位评估者评估的成对脸部图像质量,给定一对并排显示的人脸图像,评估者通过选择以下选项对两个图像质量给出评定:(i)左图质量比较好ii)左图质量更好,(iii)两面相似,(iv)右图比较好,(v)右图质量更好,每个评估者提供1001对面部图像比较的结果,其由6个指导对,974个随机对和21个一致性检查对组成,从包含13233个人脸图像的数据库中预先选择指导对,指导对中其中一个图像的质量要明显优于另一个图像的质量,从数据库中随机选择974对图像,再从974组中选出最后的21对图像,作为一致性测试图像。
其中,所述的质量评估矩阵,收集来自194名评估者标注的成对面部图像质量比较的随机集合,在整个数据库中推测出每个评估者的质量评级标准:即面部图像质量评估者等级矩阵,其中n是评估者的数量,m是面部图像的数量,实验表明,收集评估者的974个随机图像对就足以完成矩阵,为了获得数据库中单个面部图像的单一质量评级,采用中位数计算最佳质量等级。
其中,所述的图像质量,从相似度评分获取的目标质量标签作为自动识别性能的质量测量标准,目标i的第j个样本标准化比较分数,定义为:
其中是实际得分,是平均值,是标准偏差,在给定图像中直接预测zij以获得面部图像质量的连续测量值,手动选择数据库中质量最好的1680个主题的图像,并使用至少两张脸部图像,质量最好的图像放置在图库中,而其余图像用作测试组,数据库中附加的图像用于扩展图库的大小,其中标准化比较分数zij,由公式(1)在每个面部匹配器中进行计算,并作为基于评分的学习面部质量预测器的目标面部质量值。
进一步地,所述的自动预测人脸质量,根据获得的数据库面部图像质量标签,训练一个模型来自动预测面部图像的质量,利用卷积神经网络提取的特征进行训练,用于人脸识别,所提取特征维度为320,使用深度卷积神经网络在数据库上进行培训,采用320维度的面部图像特征,训练一个具有径向基核函数的支持向量回归(SVR)模型,来预测人脸质量评级,SVR的参数是通过网格搜索面部图像的验证集确定的,使用质量标签的面部图像数据库来训练模型,利用面部测试图像自动提取的特征来预测目标人脸图像质量值。
其中,所述的预测人脸图像质量值,首先将数据集中的1680个主题的7484个面部图像分成10个随机分类进行训练和测试,其中2/3的主题随机分类为训练集,1/3的主题随机分类为测试集,对于每个分类,在训练集中进行5次交叉验证,通过网格搜索来调整支持向量回归模型的参数,所选择的一组参数被应用于完整的训练集,得到10个分类中每一个的单个模型,用于预测10个测试集中的每个图像的质量标签,该框架训练集和测试集的主题没有重复,在验证集内进行参数选择,测试集未进行优化,之后评估自动面部识别性能在上下文中的预测的质量值。
其中,所述的评估,为了评估面部质量值对识别性能的作用,将面部质量纳入基于模板的匹配中,给出面部质量的阈值,主体模板的质量阈值最低,如果没有高于阈值的质量面部图像,则选择面部质量最好图像,然后应用所选面孔的评估分数,将分数级别平均融合,面部图像质量的评价与无约束面部图像的自动识别性能相关,允许集合面部图像进行基于质量的排序。
其中,所述的排序,通过提出的自动面部质量测量,人脸图像质量预测模型可用于基于质量选择的多个面部图像和视频,即使是跨数据库预测任务,仍然可以对所预测的面部图像质量值进行排序。
附图说明
图1是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的系统流程图。
图2是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的数据库图。
图3是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的质量比较图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的系统流程图。主要包括人脸图像质量预测模型、人脸图像质量标签、自动预测人脸图像质量。
图2是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的数据库图。其中,所述的人脸图像质量预测模型,使用深度卷积神经网络(ConvNet)训练支持向量回归模型,提取面部特征用于预测面部图像质量,建立一个无约束面部图像的大型数据库,目标图像质量值定义为面部匹配器的人均质量评分或基于分数的值,使用深度ConvNet提取图像特征,并采用支持向量回归模型(SVR)从卷积网络提取的特征中预测人脸图像质量,目标图像质量值是连续的,并允许面部图像基于质量进行排序。
进一步地,所述的人脸图像质量标签,通过比较成对的面部图像进行聚类,并通过矩阵求解,推导出完整的质量等级,收集大面积无约束面部图像数据库的人脸图像质量评价,由于生物识别和计算机视觉在训练一组标签数据时,主要依靠监督学习技术,建立面部图像目标质量标签的方法包括:1)将测量的各种图像质量因子结合成单个值,表示整体面部质量;2)人工注释观察到的图像质量;3)采用自动面部识别匹配器结果进行比较,由于方法1)不能取得有效的结果,采用2)和3)来提取人脸图像质量标签,考虑到需要收集成对的人脸比较,为了获得独立面部图像的绝对质量评级,利用矩阵求解方法从成对图像比较中推断质量评估矩阵。
图3是本发明一种基于深度卷积神经网络进行人脸图像质量预测的方法的质量比较图。其中,所述的人脸图像质量,采用众包的方式进行人脸图像质量比较,通过众包平台来收集194位评估者评估的成对脸部图像质量,给定一对并排显示的人脸图像,评估者通过选择以下选项对两个图像质量给出评定:(i)左图质量比较好ii)左图质量更好,(iii)两面相似,(iv)右图比较好,(v)右图质量更好,HIT要求每个评估者提供1001对面部图像比较的结果,其由6个指导对,974个随机对和21个一致性检查对组成,从包含13233个人脸图像的数据库中预先选择指导对,指导对中其中一个图像的质量要明显优于另一个图像的质量,从数据库中随机选择974对图像,再从974组中选出最后的21对图像,作为一致性测试图像。
其中,所述的质量评估矩阵,收集来自194名评估者标注的成对面部图像质量比较的随机集合,在整个数据库中推测出每个评估者的质量评级标准:即面部图像质量评估者等级矩阵,其中n是评估者的数量,m是面部图像的数量,实验表明,收集评估者的974个随机图像对就足以完成矩阵,为了获得数据库中单个面部图像的单一质量评级,采用中位数计算最佳质量等级。
其中,所述的图像质量,从相似度评分获取的目标质量标签作为自动识别性能的质量测量标准,目标i的第j个样本标准化比较分数,定义为:
其中是实际得分,是平均值,是标准偏差,在给定图像中直接预测zij以获得面部图像质量的连续测量值,手动选择数据库中质量最好的1680个主题的图像,并使用至少两张脸部图像,质量最好的图像放置在图库中,而其余图像用作测试组,数据库中附加的图像用于扩展图库的大小,其中标准化比较分数zij,由公式(1)在每个面部匹配器中进行计算,并作为基于评分的学习面部质量预测器的目标面部质量值。
进一步地,所述的自动预测人脸质量,根据获得的数据库面部图像质量标签,训练一个模型来自动预测面部图像的质量,利用卷积神经网络提取的特征进行训练,用于人脸识别,所提取特征维度为320,使用深度卷积神经网络在数据库上进行培训,采用320维度的面部图像特征,训练一个具有径向基核函数的支持向量回归(SVR)模型,来预测人脸质量评级,SVR的参数是通过网格搜索面部图像的验证集确定的,使用质量标签的面部图像数据库来训练模型,利用面部测试图像自动提取的特征来预测目标人脸图像质量值。
其中,所述的预测人脸图像质量值,首先将数据集中的1680个主题的7484个面部图像分成10个随机分类进行训练和测试,其中2/3的主题随机分类为训练集,1/3的主题随机分类为测试集,对于每个分类,在训练集中进行5次交叉验证,通过网格搜索来调整支持向量回归模型的参数,所选择的一组参数被应用于完整的训练集,得到10个分类中每一个的单个模型,用于预测10个测试集中的每个图像的质量标签,该框架训练集和测试集的主题没有重复,在验证集内进行参数选择,测试集未进行优化,之后评估自动面部识别性能在上下文中的预测的质量值。
其中,所述的评估,为了评估面部质量值对识别性能的作用,将面部质量纳入基于模板的匹配中,给出面部质量的阈值,主体模板的质量阈值最低,如果没有高于阈值的质量面部图像,则选择面部质量最好图像,然后应用所选面孔的评估分数,将分数级别平均融合,面部图像质量的评价与无约束面部图像的自动识别性能相关,允许集合面部图像进行基于质量的排序。
其中,所述的排序,通过提出的自动面部质量测量,人脸图像质量预测模型可用于基于质量选择的多个面部图像和视频,即使是跨数据库预测任务,仍然可以对所预测的面部图像质量值进行排序。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于深度卷积神经网络进行人脸图像质量预测的方法,其特征在于,主要包括人脸图像质量预测模型(一);人脸图像质量标签(二);自动预测人脸图像质量(三)。
2.基于权利要求书1所述的人脸图像质量预测模型(一),其特征在于,使用深度卷积神经网络(ConvNet)训练支持向量回归模型,提取面部特征用于预测面部图像质量,建立一个无约束面部图像的大型数据库,目标图像质量值定义为面部匹配器的人均质量评分或基于分数的值,使用深度ConvNet提取图像特征,并采用支持向量回归模型(SVR)从卷积网络提取的特征中预测人脸图像质量,目标图像质量值是连续的,并允许面部图像基于质量进行排序。
3.基于权利要求书1所述的人脸图像质量标签(二),其特征在于,通过比较成对的面部图像进行聚类,并通过矩阵求解,推导出完整的质量等级,收集大面积无约束面部图像数据库的人脸图像质量评价,由于生物识别和计算机视觉在训练一组标签数据时,主要依靠监督学习技术,建立面部图像目标质量标签的方法包括:1)将测量的各种图像质量因子结合成单个值,表示整体面部质量;2)人工注释观察到的图像质量;3)采用自动面部识别匹配器结果进行比较,由于方法1)不能取得有效的结果,采用2)和3)来提取人脸图像质量标签,考虑到需要收集成对的人脸比较,为了获得独立面部图像的绝对质量评级,利用矩阵求解方法从成对图像比较中推断质量评估矩阵。
4.基于权利要求书3所述的人脸图像质量,其特征在于,采用众包的方式进行人脸图像质量比较,通过众包平台来收集194位评估者评估的成对脸部图像质量,给定一对并排显示的人脸图像,评估者通过选择以下选项对两个图像质量给出评定:(i)左图质量比较好ii)左图质量更好,(iii)两面相似,(iv)右图比较好,(v)右图质量更好,要求每个评估者提供1001对面部图像比较的结果,其由6个指导对,974个随机对和21个一致性检查对组成,从包含13233个人脸图像的数据库中预先选择指导对,指导对中其中一个图像的质量要明显优于另一个图像的质量,从数据库中随机选择974对图像,再从974组中选出最后的21对图像,作为一致性测试图像。
5.基于权利要求书3所述的质量评估矩阵,其特征在于,收集来自194名评估者标注的成对面部图像质量比较的随机集合,在整个数据库中推测出每个评估者的质量评级标准: 即面部图像质量评估者等级矩阵,其中n是评估者的数量,m是面部图像的数量,实验表明,收集评估者的974个随机图像对就足以完成矩阵,为了获得数据库中单个面部图像的单一质量评级,采用中位数计算最佳质量等级。
6.基于权利要求书3所述的图像质量,其特征在于,从相似度评分获取的目标质量标签作为自动识别性能的质量测量标准,目标i的第j个样本标准化比较分数,定义为:
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>G</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>I</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>I</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中是实际得分,是平均值,是标准偏差,在给定图像中直接预测zij以获得面部图像质量的连续测量值,手动选择数据库中质量最好的1680个主题的图像,并使用至少两张脸部图像,质量最好的图像放置在图库中,而其余图像用作测试组,数据库中附加的图像用于扩展图库的大小,其中标准化比较分数zij,由公式(1)在每个面部匹配器中进行计算,并作为基于评分的学习面部质量预测器的目标面部质量值。
7.基于权利要求书1所述的自动预测人脸质量(三),其特征在于,根据获得的数据库面部图像质量标签,训练一个模型来自动预测面部图像的质量,利用卷积神经网络提取的特征进行训练,用于人脸识别,所提取特征维度为320,使用深度卷积神经网络在数据库上进行培训,采用320维度的面部图像特征,训练一个具有径向基核函数的SVR模型,来预测人脸质量评级,SVR的参数是通过网格搜索面部图像的验证集确定的,使用质量标签的面部图像数据库来训练模型,利用面部测试图像自动提取的特征来预测目标人脸图像质量值。
8.基于权利要求书7所述的预测人脸图像质量值,其特征在于,首先将数据集中的1680个主题的7484个面部图像分成10个随机分类进行训练和测试,其中2/3的主题随机分类为训练集,1/3的主题随机分类为测试集,对于每个分类,在训练集中进行5次交叉验证,通过网格搜索来调整支持向量回归模型的参数,所选择的一组参数被应用于完整的训练集,得到10个分类中每一个的单个模型,用于预测10个测试集中的每个图像的质量标签,该框架训练集和测试集的主题没有重复,在验证集内进行参数选择,测试集未进行优化,之后评估自动面部识别性能在上下文中的预测的质量值。
9.基于权利要求书8所述的评估,其特征在于,为了评估面部质量值对识别性能的作用,将面部质量纳入基于模板的匹配中,给出面部质量的阈值,主体模板的质量阈值最低,如果没有高于阈值的质量面部图像,则选择面部质量最好图像,然后应用所选面孔的评估分数,将分数级别平均融合,面部图像质量的评价与无约束面部图像的自动识别性能相关,允许集合面部图像进行基于质量的排序。
10.基于权利要求书9所述的排序,其特征在于,通过提出的自动面部质量测量,人脸图像质量预测模型可用于基于质量选择的多个面部图像和视频,即使是跨数据库预测任务,仍然可以对所预测的面部图像质量值进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779809.2A CN107704806A (zh) | 2017-09-01 | 2017-09-01 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779809.2A CN107704806A (zh) | 2017-09-01 | 2017-09-01 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704806A true CN107704806A (zh) | 2018-02-16 |
Family
ID=61171490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710779809.2A Withdrawn CN107704806A (zh) | 2017-09-01 | 2017-09-01 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704806A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537246A (zh) * | 2018-02-28 | 2018-09-14 | 成都优译信息技术股份有限公司 | 一种平行语料按翻译质量进行分类的方法及系统 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN108764334A (zh) * | 2018-05-28 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 人脸图像颜值判断方法、装置、计算机设备及存储介质 |
CN108829750A (zh) * | 2018-05-24 | 2018-11-16 | 国信优易数据有限公司 | 一种数据质量确定系统以及方法 |
CN108921023A (zh) * | 2018-05-31 | 2018-11-30 | 上海依图网络科技有限公司 | 一种确定低质量人像数据的方法及装置 |
CN109189767A (zh) * | 2018-08-01 | 2019-01-11 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN109740492A (zh) * | 2018-12-27 | 2019-05-10 | 郑州云海信息技术有限公司 | 一种身份认证方法和装置 |
CN109803090A (zh) * | 2019-01-25 | 2019-05-24 | 睿魔智能科技(深圳)有限公司 | 无人拍摄自动变焦方法及系统、无人摄像机及存储介质 |
CN110188285A (zh) * | 2019-04-26 | 2019-08-30 | 中德(珠海)人工智能研究院有限公司 | 图像专业性的深度卷积神经网络预测 |
CN110210522A (zh) * | 2019-05-10 | 2019-09-06 | 无线生活(北京)信息技术有限公司 | 图片质量分数模型的训练方法及装置 |
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN110246110A (zh) * | 2018-03-01 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 图像评估方法、装置及存储介质 |
CN110427859A (zh) * | 2019-05-31 | 2019-11-08 | 北京金山云网络技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
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 |
CN111612785A (zh) * | 2020-06-03 | 2020-09-01 | 浙江大华技术股份有限公司 | 人脸图片质量评估方法、装置及存储介质 |
CN111709922A (zh) * | 2020-06-10 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像质量比较方法、装置、设备以及存储介质 |
CN112200010A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下的人脸采集质量评估策略 |
CN112329498A (zh) * | 2019-08-05 | 2021-02-05 | 四川大学 | 一种基于机器学习的街道空间品质量化方法 |
US11163860B2 (en) | 2018-06-04 | 2021-11-02 | International Business Machines Corporation | Protecting deep learning models using watermarking |
CN114519520A (zh) * | 2022-02-17 | 2022-05-20 | 深圳集智数字科技有限公司 | 模型评估方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310187A (zh) * | 2012-03-13 | 2013-09-18 | 霍尼韦尔国际公司 | 基于面部质量分析的面部图像优先化 |
CN104915590A (zh) * | 2015-07-05 | 2015-09-16 | 高峰 | 一种用于计算机加密的人脸识别系统及方法 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
-
2017
- 2017-09-01 CN CN201710779809.2A patent/CN107704806A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310187A (zh) * | 2012-03-13 | 2013-09-18 | 霍尼韦尔国际公司 | 基于面部质量分析的面部图像优先化 |
CN104915590A (zh) * | 2015-07-05 | 2015-09-16 | 高峰 | 一种用于计算机加密的人脸识别系统及方法 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
Non-Patent Citations (1)
Title |
---|
LACEY BEST-ROWDEN ET AL.: "Automatic Face Image Quality Prediction", 《ARXIV》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537246A (zh) * | 2018-02-28 | 2018-09-14 | 成都优译信息技术股份有限公司 | 一种平行语料按翻译质量进行分类的方法及系统 |
CN110246110A (zh) * | 2018-03-01 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 图像评估方法、装置及存储介质 |
CN110246110B (zh) * | 2018-03-01 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 图像评估方法、装置及存储介质 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN108573227B (zh) * | 2018-04-09 | 2022-04-29 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN108829750A (zh) * | 2018-05-24 | 2018-11-16 | 国信优易数据有限公司 | 一种数据质量确定系统以及方法 |
CN108764334A (zh) * | 2018-05-28 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 人脸图像颜值判断方法、装置、计算机设备及存储介质 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN108921023A (zh) * | 2018-05-31 | 2018-11-30 | 上海依图网络科技有限公司 | 一种确定低质量人像数据的方法及装置 |
US11163860B2 (en) | 2018-06-04 | 2021-11-02 | International Business Machines Corporation | Protecting deep learning models using watermarking |
CN109189767A (zh) * | 2018-08-01 | 2019-01-11 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN109189767B (zh) * | 2018-08-01 | 2021-07-23 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN109740492A (zh) * | 2018-12-27 | 2019-05-10 | 郑州云海信息技术有限公司 | 一种身份认证方法和装置 |
CN109803090A (zh) * | 2019-01-25 | 2019-05-24 | 睿魔智能科技(深圳)有限公司 | 无人拍摄自动变焦方法及系统、无人摄像机及存储介质 |
CN110188285A (zh) * | 2019-04-26 | 2019-08-30 | 中德(珠海)人工智能研究院有限公司 | 图像专业性的深度卷积神经网络预测 |
CN110210522A (zh) * | 2019-05-10 | 2019-09-06 | 无线生活(北京)信息技术有限公司 | 图片质量分数模型的训练方法及装置 |
CN110427859A (zh) * | 2019-05-31 | 2019-11-08 | 北京金山云网络技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN112329498B (zh) * | 2019-08-05 | 2022-06-07 | 四川大学 | 一种基于机器学习的街道空间品质量化方法 |
CN112329498A (zh) * | 2019-08-05 | 2021-02-05 | 四川大学 | 一种基于机器学习的街道空间品质量化方法 |
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 |
CN111612785A (zh) * | 2020-06-03 | 2020-09-01 | 浙江大华技术股份有限公司 | 人脸图片质量评估方法、装置及存储介质 |
CN111612785B (zh) * | 2020-06-03 | 2024-02-02 | 浙江大华技术股份有限公司 | 人脸图片质量评估方法、装置及存储介质 |
CN111709922A (zh) * | 2020-06-10 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像质量比较方法、装置、设备以及存储介质 |
CN111709922B (zh) * | 2020-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 图像质量比较方法、装置、设备以及存储介质 |
CN112200010A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下的人脸采集质量评估策略 |
CN114519520A (zh) * | 2022-02-17 | 2022-05-20 | 深圳集智数字科技有限公司 | 模型评估方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704806A (zh) | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 | |
CN110399905B (zh) | 施工场景中安全帽佩戴情况的检测及描述方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN105069304B (zh) | 一种基于机器学习的评估预测asd的装置 | |
Osareh | Automated identification of diabetic retinal exudates and the optic disc | |
CN104156734B (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
Song et al. | Automated wound identification system based on image segmentation and artificial neural networks | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN109064461A (zh) | 一种基于深度学习网络的钢轨表面缺陷检测方法 | |
CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN106340000A (zh) | 骨龄评估方法 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN107180283A (zh) | 一种基于最优特征组合的再住院行为预测系统及方法 | |
CN110400293A (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN107516102A (zh) | 图像数据分类与建立分类模型方法、装置及系统 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN104361600B (zh) | 运动识别方法及系统 | |
CN112200263A (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
Liao et al. | ICVM: An interpretable deep learning model for CVM assessment under label uncertainty | |
CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
CN109710940A (zh) | 一种文章立意的分析及文章评分方法、装置 |
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: 20180216 |
|
WW01 | Invention patent application withdrawn after publication |