CN108171256A - 人脸图像质评模型构建、筛选、识别方法及设备和介质 - Google Patents

人脸图像质评模型构建、筛选、识别方法及设备和介质 Download PDF

Info

Publication number
CN108171256A
CN108171256A CN201711207641.4A CN201711207641A CN108171256A CN 108171256 A CN108171256 A CN 108171256A CN 201711207641 A CN201711207641 A CN 201711207641A CN 108171256 A CN108171256 A CN 108171256A
Authority
CN
China
Prior art keywords
image
test
face
training
quality
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
Application number
CN201711207641.4A
Other languages
English (en)
Inventor
胡湛
龚丽君
马东宇
赵瑞
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.)
Shenzhen Shenzhen Horizon Technology Co Ltd
Original Assignee
Shenzhen Shenzhen Horizon Technology Co Ltd
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 Shenzhen Shenzhen Horizon Technology Co Ltd filed Critical Shenzhen Shenzhen Horizon Technology Co Ltd
Priority to CN201711207641.4A priority Critical patent/CN108171256A/zh
Publication of CN108171256A publication Critical patent/CN108171256A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了人脸图像质评模型构建、筛选、识别方法及设备和介质，其中构建方法包括以下步骤：获取训练集，训练集包括多个人脸样本图像，以及与人脸样本图像一一对应的评分真值；根据人脸样本图像和评分真值对随机初始化后的神经网络模型进行训练；对训练后的神经网络模型进行准确率测试；判断准确率测试的结果是否满足准确条件；若满足，则存储训练后的神经网络模型为人脸图像质评模型；评分真值是根据人脸样本图像以及标准图像得出的，人脸样本图像与标准图像相关联。构建的人脸图像质评模型，可以更好地定义人脸图像质量，避免了人为定义和分析人脸图像质量的主观性和偏差；利于人脸识别任务中图像的筛选。

Description

人脸图像质评模型构建、筛选、识别方法及设备和介质
技术领域
本发明涉及图像识别领域，尤其涉及人脸图像质评模型构建方法、人脸图像筛选方法、人脸识别方法、电子设备和存储介质。
背景技术
人脸识别技术一般通过将抓拍的人脸图像与预先存储的人脸照片进行比对，来判断抓拍的人脸与预先存储的人脸是否为同一个人。当前，人脸识别技术已经从学术研究走向了实际应用，例如，人脸识别技术在可疑人员识别，个人身份确认等方面发挥着越来越重要的作用。
无论是金融领域的人脸识别，还是安防领域的动态布控人脸比对，人脸抓拍图像通常都来自于包含人脸的视频流。例如，人脸识别系统可以从视频流中截取到一个人数十张人脸的抓拍图像；由于数据量较大，而且抓拍的人脸图像的质量直接影响人脸识别的准确率，因此需要从这些人脸抓拍图像中选取一张质量最好的人脸图像与预先存储的人脸照片进行识别比对。
人脸图像质量的好坏，更多的是人视觉上的感性体验，并无一个定量的准确定义。影响人脸质量的因素有很多，包含图像中人脸的大小，人脸的朝向与角度，人脸的清晰程度，是否被遮挡，图像亮度，图像对比度等。有些影响因素并没有很好的定量表达方法，如人脸的朝向与角度，人脸的朝向只能定性描述，人脸角度在图像中无法定量测量；对于可以定量分析的因素，其结果的好坏只代表质量的一个方面。如果将各个因素进行加权相加来得出质量的定量结果，则权重的设定很主观，在人脸质量的衡量上还存在偏差，不一定适用于基于以深度学习为基础的人脸识别方法。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供人脸图像质评模型构建方法，构建的人脸图像质评模型，可以更好地定义人脸图像质量，避免了人为定义和分析人脸图像质量的主观性和偏差。
本发明的目的之二在于提供人脸图像筛选方法，可以更好地筛选人脸图像质量较高的人脸图像，避免了人为定义和分析人脸图像质量的主观性和偏差。
本发明的目的之三在于提供人脸识别方法，对筛选得到的人脸图像质量较高的人脸图像进行识别，避免了人为定义和分析人脸图像质量的主观性和偏差，降低了识别时间、节省了计算资源。
本发明的目的之四在于提供电子设备，可以更好地定义人脸图像质量，避免了人为定义和分析人脸图像质量的主观性和偏差；利于人脸识别任务中图像的筛选。
本发明的目的之五在于提供存储介质，存储有计算机程序，可以更好地定义人脸图像质量，避免了人为定义和分析人脸图像质量的主观性和偏差；利于人脸识别任务中图像的筛选。
本发明的目的之一采用以下技术方案实现：
人脸图像质评模型构建方法，包括以下步骤：
获取训练集，所述训练集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；
根据所述人脸样本图像和评分真值对随机初始化后的神经网络模型进行训练；
对训练后的神经网络模型进行准确率测试；
判断所述准确率测试的结果是否满足准确条件；
若满足，则存储训练后的神经网络模型为所述人脸图像质评模型；
所述评分真值是根据所述人脸样本图像以及标准图像得出的，所述人脸样本图像与所述标准图像相关联。
进一步地，所述对训练后的神经网络模型进行准确率测试，具体包括以下步骤：
获取第一测试集，所述第一测试集包括多组图像组合，各图像组合均包括第一质量图像和第二质量图像，所述第一质量图像的质量优于所述第二质量图像；
利用训练后的神经网络模型对所述第一测试集中的第一质量图像和第二质量图像进行处理，分别输出第一测试值和第二测试值；
计算第一测试值大于第二测试值的图像组合个数与所述第一测试集中的图像组合个数之比，将计算出的比值记为模型准确率；
所述判断所述准确率测试的结果是否满足准确条件，具体为：判断所述模型准确率是否不小于测试阈值。
进一步地，所述第一质量图像的光照条件、人脸角度条件、模糊程度条件至少有一项优于所述第二质量图像。
进一步地，所述构建方法还包括以下步骤：
对训练后的神经网络模型进行损失测试；
若所述损失测试的结果满足收敛条件，则继续进行训练；
若所述损失测试的结果不满足收敛条件，则调整训练参数。
进一步地，所述对训练后的神经网络模型进行损失测试，具体包括以下步骤：
获取第二测试集，所述第二测试集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；所述第二测试集中的人脸样本图像均与所述训练集中的人脸样本图像不同；
利用训练后的神经网络模型对所述第二测试集中的人脸样本图像进行处理，输出测试预测值；
根据所述测试预设值及与所述测试预设值对应的评分真值计算测试损失值；
所述损失测试的结果满足收敛条件，具体为：所述测试损失值随着所述神经网络模型的训练而减小。
本发明的目的之二采用以下技术方案实现：
人脸图像筛选方法，包括以下步骤：
获取人脸图像序列，所述人脸图像序列包括多个待筛选图像；
利用上述的构建方法构建的人脸图像质评模型对所述待筛选图像进行处理，得到质量评分；
若所述质量评分不小于筛选阈值，则设置所述待筛选图像为筛后图像。
本发明的目的之三采用以下技术方案实现：
人脸识别方法，包括以下步骤：
利用上述的人脸图像筛选方法获取筛后图像；
将所述筛后图像与预存的标准图像进行比对，输出比对值；
若所述比对值满足识别条件，则输出所述筛后图像为目标图像。
进一步地，所述标准图像具体为证件照。
本发明的目的之四采用以下技术方案实现：
电子设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现上述人脸图像质评方法，或者实现上述人脸图像筛选方法，或者实现上述人脸识别方法。
本发明的目的之五采用以下技术方案实现：
存储介质，所述介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人脸图像质评方法，或者实现上述人脸图像筛选方法，或者实现上述人脸识别方法。
相比现有技术，本发明的有益效果在于：利用人脸样本图像和与人脸样本图像相关联的标准图像得出评分真值为训练集，训练出人脸图像质评模型，可以用于人脸图像质评；更好地定义了人脸图像质量的意义，避免了人为定义和分析人脸图像质量的主观性和偏差，应用本方法评估筛选的高质量图像在人脸识别任务中可以得到更加准确、快速的识别。
附图说明
图1为本发明实施例一的人脸图像质评模型构建方法的流程示意图；
图2为图1中训练集中人脸样本图像以及评分真值的示意图；
图3为图1中神经网络模型的结构是以图；
图4为图1中图像组合的示意图；
图5为本发明实施例二的人脸图像筛选方法的流程示意图；
图6为本发明实施例三的人脸识别方法的结构示意图；
图7为本发明实施例四的电子设备的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
如图1为人脸图像质评模型构建方法，包括以下步骤：
步骤S110、获取训练集，所述训练集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；评分真值是根据所述人脸样本图像以及标准图像得出的，所述人脸样本图像与所述标准图像相关联。
标准图像指的是正面，无遮挡，无模糊的人脸图像，例如标准图像为证件照。公安机关等通常会存储有大量的证件照，证件照的质量都很高，因此可以作为评分基础。
人脸图像质评模型的训练是一个回归问题，训练数据的准备需要一个人的标准图像和一系列人脸抓拍照，并计算每张人脸抓拍照与证件照的比对分数，作为训练集质量分数的真值。整个训练集需要数千人的证件照和对应的数十万的人脸抓拍图像。
训练集中某人的标准图像、人脸样本图像以及评分真值如图2所示。图2中，左侧有一张标准图像，这张照片可以不被归入训练集，也不进入质量评估网络用于学习；只用于人脸样本图像与其标准图像对比，对比的相似度分数可以作为抓拍人脸图像的质量评分，即评分真值。图2中右侧每张人脸样本图像下方的数值为其与标准图像比较所得的相似度分数，作为质量评分真值使用。
步骤S120、根据所述人脸样本图像和评分真值对随机初始化后的神经网络模型进行训练。
首先对搭建好的神经网络模型进行随机初始化，然后可以利用随机梯度下降法，对神经网络模型进行训练。神经网络模型可以采用图3所示的结构，也可以采用现有技术中的其他结构，不再赘述。在数据层data输入一张人脸图像，通过网络中各个层，如卷积层conv、池化层pool等的运算，最终可以输出质量分数预测值。质量分数预测值可以是0-1中的数值。
随机梯度下降法中的“随机”是指一次迭代中从训练集中随机选取部分数据进行一次迭代计算。在人脸质量模型的训练中，一次从训练集中选取多张，例如80张人脸样本图像进行一次迭代计算。如果训练集中有10万张图像，则需要迭代1250(100000/80)次可遍历一次训练集。因一次迭代为80张图像进行计算，可以采用以下损失函数：
其中ypi表示多张人脸样本图像中第i个人脸样本图像的质量评估分数，即预测值，yti表示第i个人脸样本图像的评分真值。得到评分真值与预测值的损失loss后，可以应用bp算法反馈调整人脸图像质评模型中的参数。如此迭代进行下去，使预测值与真值越来越相近，模型对质量分数的预测也就越来越准确。
一次迭代计算分为前向传播和反向传播部分。进行前向传播计算时，随机输入多张人脸样本图像，利用神经网络模型进行计算，得到质量评分的预测值；进行反向传播计算时，由上述损失函数开始，对神经网络模型中每一层的参数求导，并通过求导所得的结果更新神经网络模型中的参数。
步骤S130、对训练后的神经网络模型进行准确率测试。
作为优选的实施方式，步骤S130对训练后的神经网络模型进行准确率测试，具体包括以下步骤：
步骤S131、获取第一测试集，所述第一测试集包括多组图像组合，各图像组合均包括第一质量图像和第二质量图像，所述第一质量图像的质量优于所述第二质量图像。
在图像组合的准备过程中，需参考影响人脸图像质量的各种因素，例如光照，人脸角度，人脸模糊程度等，以测试质量评估模型的综合性能。作为优选的实施方式，第一质量图像的光照条件、人脸角度条件、模糊程度条件至少有一项优于所述第二质量图像。如图4所示，相比于左侧的图像，右侧图像较模糊，因此左侧为第一质量图像，右侧为第二质量图像。
第一质量图像和第二质量图像可以从同一个人的不同抓拍的图像中人工选取，生成图像组合，图像组合中一个为高质量图像，另一个为低质量图像。
步骤S132、利用训练后的神经网络模型对所述第一测试集中的第一质量图像和第二质量图像进行处理，分别输出第一测试值和第二测试值。
在进行若干次迭代训练后，可以利用训练后的神经网络模型对第一测试集中的第一质量图像和第二质量图像进行处理，得到第一测试值，即第一质量图像的评分预测值，还得到第二测试值，即第二质量图像的评分预测值。
步骤S133、计算第一测试值大于第二测试值的图像组合个数与所述第一测试集中的图像组合个数之比，将计算出的比值记为模型准确率。
第一测试集可以包括多组图像组合，例如1000个图像组合。当模型判断第一质量图像的质量分数高于第二质量图像时，则该图像组合的预测正确。统计判断正确的图像组合的个数占第一测试集中的图像组合总数的比率作为模型准确率。准确率越高则模型的性能越好。
步骤S140、判断所述准确率测试的结果是否满足准确条件。
作为优选的实施方式，步骤S140判断所述准确率测试的结果是否满足准确条件，具体为：判断所述模型准确率是否不小于测试阈值。
如果模型准确率不小于测试阈值，如1000组图像组合中有999组预测正确，则模型准确率为99.9％，可以认为人脸图像质评模型训练完成。
步骤S150、若满足，则存储训练后的神经网络模型为所述人脸图像质评模型。
通过准确率测试的神经网络模型就可以作为人脸图像质评模型应用。
本发明实施例提供的人脸图像质评模型构建方法，利用人脸样本图像和与人脸样本图像相关联的标准图像得出评分真值为训练集，训练出人脸图像质评模型，可以用于人脸图像质评；更好地定义了人脸图像质量的意义，避免了人为定义和分析人脸图像质量的主观性和偏差，应用本方法评估筛选的高质量图像在人脸识别任务中可以得到更加准确、快速的识别。
作为本发明实施例的进一步改进，人脸图像质评模型构建方法还包括以下步骤：
步骤S160、对训练后的神经网络模型进行损失测试。
作为优选的实施方式，步骤S160对训练后的神经网络模型进行损失测试，具体包括以下步骤：
步骤S161、获取第二测试集，所述第二测试集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；所述第二测试集中的人脸样本图像均与所述训练集中的人脸样本图像不同。
损失测试指利用训练集之外的人脸样本图像和标准图像构建第二测试集，第二测试集的准备与获取与训练集类似，不再赘述。
步骤S162、利用训练后的神经网络模型对所述第二测试集中的人脸样本图像进行处理，输出测试预测值。第二测试集中的数据经过人脸图像质评模型可以输出测试预测值。
步骤S163、根据所述测试预设值及与所述测试预设值对应的评分真值计算测试损失值。根据上述损失函数可以计算测试预测值与第二测试集中相应的的评分真值的损失loss，即测试损失值。
测试损失值可以验证在迭代训练的过程中测试集的损失loss是否随着训练集的损失即训练次数的增加而逐渐减小，从而指导模型训练策略：即人脸图像质评模型构建方法还包括：
步骤S170、若所述损失测试的结果满足收敛条件，则继续进行训练。
作为优选的实施方式，步骤S170损失测试的结果满足收敛条件，具体为：所述测试损失值随着所述神经网络模型的训练而减小。表示随着神经网络模型的训练过程，模型再不断优化，而且有发展至最优的人脸图像质评模型的趋势，因此可以按照当前的训练参数继续训练。当测试损失值下降到一个很低的值且稳定时可以结束训练。
步骤S180、若所述损失测试的结果不满足收敛条件，则调整训练参数。表示模型没有发展至最优的人脸图像质评模型的趋势，需要更改神经网络模型的结构、函数等。
通过损失测试可以掌握模型训练的方向，加快人脸图像质评模型的构建的过程。
实施例二
如图5所示的人脸图像筛选方法，包括以下步骤：
步骤S210、获取人脸图像序列，所述人脸图像序列包括多个待筛选图像。
人脸图像序列可以是一个人或多个人在摄像机监控范围内的所有视频帧的人脸区域图像。以一秒钟25帧计算，人脸在监控范围内出现几秒钟就会产生上百张人脸区域图像，即待筛选图像。
步骤S220、利用实施例一中的人脸图像质评模型构建方法构建的人脸图像质评模型对所述待筛选图像进行处理，得到质量评分。
因为人脸比对、识别步骤计算开销较大，如果对几百张待筛选图像都进行人脸比对将带来很大计算开销，且几百张人脸抓拍图像得出的几百个比对结果也无法得到一个最终的比对结果。因此可以经过人脸图像筛选得到一张或多张质量最优的人脸图像，即质量评分较高的待筛选图像，以用于人脸比对识别；之后就可以通过人脸比对识别步骤，判断待筛选图像中的人与预存的标准图像中的人是否为同一个人。
步骤S230、若所述质量评分不小于筛选阈值，则设置所述待筛选图像为筛后图像。
筛选阈值可以采用经验值，如0.5，则图2中的人脸样本图像只有第一个是筛后图像，其质量能较好的满足人脸识别的要求。
利用实施例一构建的人脸图像质评模型对图像进行筛选，避免了人为定义和分析人脸图像质量的主观性和偏差，应用本方法评估筛选的高质量图像在人脸识别任务中可以得到更加准确、快速的识别。
实施例三
如图6所示的人脸识别方法，包括以下步骤：
步骤S310、利用实施例二中的人脸图像筛选方法获取筛后图像。
步骤S320、将所述筛后图像与预存的标准图像进行比对，输出比对值。
作为优选的实施方式，标准图像具体为证件照。
例如，公安机关需要从监控视频中找到名叫张三的人，就可以通过实施例二中的人脸图像筛选方法从大量的监控视频获取较少的筛后图像；然后将筛后图像与预存的张三的身份证照片进行比对识别，得到相应筛后图像的比对值。
步骤S330、若所述比对值满足识别条件，则输出所述筛后图像为目标图像。
如果某筛后图像相对于张三的身份证照片的比对值不小于识别阈值，如比对值为0.8，则可以认为该筛后图像中的人就是张三。
利用实施例一构建的人脸图像质评模型对大量的监控图像进行筛选，可以避免了人为定义和分析人脸图像质量的主观性和偏差，筛选的高质量图像在人脸识别任务中可以得到更加准确、快速的识别。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明的人脸图像质评模型构建方法、人脸图像筛选方法、人脸识别方法均可借助软件加必需的通用硬件平台的方式来实现。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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法，如：
存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人脸图像质评方法，或者实现上述人脸图像筛选方法，或者实现上述人脸识别方法。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等，如实施例四。
实施例四
如图7所示电子设备，包括存储器200、处理器300以及存储在存储器200中的程序，所述程序被配置成由处理器300执行，处理器300执行所述程序时实现上述人脸图像质评方法，或者实现上述人脸图像筛选方法，或者实现上述人脸识别方法。
本实施例中的电子设备与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。
本发明实施例提供的电子设备，可以通过利用人脸样本图像和与人脸样本图像相关联的标准图像得出评分真值为训练集，训练出人脸图像质评模型，可以用于人脸图像质评；更好地定义了人脸图像质量的意义，避免了人为定义和分析人脸图像质量的主观性和偏差，应用本方法评估筛选的高质量图像在人脸识别任务中可以得到更加准确、快速的识别。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.人脸图像质评模型构建方法，其特征在于，包括以下步骤：
获取训练集，所述训练集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；
根据所述人脸样本图像和评分真值对随机初始化后的神经网络模型进行训练；
对训练后的神经网络模型进行准确率测试；
判断所述准确率测试的结果是否满足准确条件；
若满足，则存储训练后的神经网络模型为所述人脸图像质评模型；
所述评分真值是根据所述人脸样本图像以及标准图像得出的，所述人脸样本图像与所述标准图像相关联。
2.如权利要求1所述的构建方法，其特征在于，所述对训练后的神经网络模型进行准确率测试，具体包括以下步骤：
获取第一测试集，所述第一测试集包括多组图像组合，各图像组合均包括第一质量图像和第二质量图像，所述第一质量图像的质量优于所述第二质量图像；
利用训练后的神经网络模型对所述第一测试集中的第一质量图像和第二质量图像进行处理，分别输出第一测试值和第二测试值；
计算第一测试值大于第二测试值的图像组合个数与所述第一测试集中的图像组合个数之比，将计算出的比值记为模型准确率；
所述判断所述准确率测试的结果是否满足准确条件，具体为：判断所述模型准确率是否不小于测试阈值。
3.如权利要求2所述的构建方法，其特征在于，所述第一质量图像的光照条件、人脸角度条件、模糊程度条件至少有一项优于所述第二质量图像。
4.如权利要求1-3中任一项所述的构建方法，其特征在于，还包括以下步骤：
对训练后的神经网络模型进行损失测试；
若所述损失测试的结果满足收敛条件，则继续进行训练；
若所述损失测试的结果不满足收敛条件，则调整训练参数。
5.如权利要求4所述的构建方法，其特征在于，所述对训练后的神经网络模型进行损失测试，具体包括以下步骤：
获取第二测试集，所述第二测试集包括多个人脸样本图像和与各人脸样本图像对应的评分真值；所述第二测试集中的人脸样本图像均与所述训练集中的人脸样本图像不同；
利用训练后的神经网络模型对所述第二测试集中的人脸样本图像进行处理，输出测试预测值；
根据所述测试预设值及与所述测试预设值对应的评分真值计算测试损失值；
所述损失测试的结果满足收敛条件，具体为：所述测试损失值随着所述神经网络模型的训练而减小。
6.人脸图像筛选方法，其特征在于，包括以下步骤：
获取人脸图像序列，所述人脸图像序列包括多个待筛选图像；
利用如权利要求1-5中任一项所述的构建方法构建的人脸图像质评模型对所述待筛选图像进行处理，得到质量评分；
若所述质量评分不小于筛选阈值，则设置所述待筛选图像为筛后图像。
7.人脸识别方法，其特征在于，包括以下步骤：
利用如权利要求6所述的人脸图像筛选方法获取筛后图像；
将所述筛后图像与预存的标准图像进行比对，输出比对值；
若所述比对值满足识别条件，则输出所述筛后图像为目标图像。
8.如权利要求7所述的人脸识别方法，其特征在于：所述标准图像具体为证件照。
9.电子设备，其特征在于：包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行；处理器执行所述程序时实现如权利要求1-5中任一项所述的构建方法，
或者实现如权利要求6所述的人脸图像筛选方法，
或者实现如权利要求7或8所述的人脸识别方法。
10.存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的构建方法，
或者实现如权利要求6所述的人脸图像筛选方法，
或者实现如权利要求7或8所述的人脸识别方法。
CN201711207641.4A 2017-11-27 2017-11-27 人脸图像质评模型构建、筛选、识别方法及设备和介质 Pending CN108171256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711207641.4A CN108171256A (zh) 2017-11-27 2017-11-27 人脸图像质评模型构建、筛选、识别方法及设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711207641.4A CN108171256A (zh) 2017-11-27 2017-11-27 人脸图像质评模型构建、筛选、识别方法及设备和介质

Publications (1)

Publication Number Publication Date
CN108171256A true CN108171256A (zh) 2018-06-15

Family

ID=62524452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711207641.4A Pending CN108171256A (zh) 2017-11-27 2017-11-27 人脸图像质评模型构建、筛选、识别方法及设备和介质

Country Status (1)

Country Link
CN (1) CN108171256A (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360197A (zh) * 2018-09-30 2019-02-19 北京达佳互联信息技术有限公司 图像的处理方法、装置、电子设备及存储介质
CN109472211A (zh) * 2018-10-16 2019-03-15 深圳爱莫科技有限公司 人脸识别方法及装置
CN109671051A (zh) * 2018-11-15 2019-04-23 北京市商汤科技开发有限公司 图像质量检测模型训练方法及装置、电子设备和存储介质
CN109784415A (zh) * 2019-01-25 2019-05-21 北京地平线机器人技术研发有限公司 图像识别方法及装置、训练卷积神经网络的方法及装置
CN110458796A (zh) * 2019-06-10 2019-11-15 腾讯科技（深圳）有限公司 一种图像标注方法、装置和存储介质
CN110688875A (zh) * 2018-07-05 2020-01-14 杭州海康威视数字技术股份有限公司 人脸质量评估网络训练方法、人脸质量评估方法及装置
CN110796106A (zh) * 2019-11-04 2020-02-14 北京迈格威科技有限公司 人像质量评估模型建立和从视频中进行人像识别的方法
CN110874547A (zh) * 2018-08-30 2020-03-10 富士通株式会社 从视频中识别对象的方法和设备
CN110879981A (zh) * 2019-11-14 2020-03-13 深圳市华付信息技术有限公司 人脸关键点质量评估方法、装置、计算机设备及存储介质
CN110942072A (zh) * 2019-12-31 2020-03-31 北京迈格威科技有限公司 基于质量评估的质量分、检测模型训练、检测方法及装置
CN110956628A (zh) * 2019-12-13 2020-04-03 广州达安临床检验中心有限公司 图片等级分类方法、装置、计算机设备和存储介质
CN111062914A (zh) * 2019-11-28 2020-04-24 重庆中星微人工智能芯片技术有限公司 用于采集脸部图像的方法、装置、电子设备和计算机可读介质
CN111079717A (zh) * 2020-01-09 2020-04-28 西安理工大学 一种基于强化学习的人脸识别方法
CN111199186A (zh) * 2019-12-03 2020-05-26 恒大智慧科技有限公司 图像质量评分模型训练方法、装置、设备及存储介质
WO2020113563A1 (zh) * 2018-12-07 2020-06-11 北京比特大陆科技有限公司 人脸图像质量评估方法、装置、设备及存储介质
CN111738243A (zh) * 2020-08-25 2020-10-02 腾讯科技（深圳）有限公司 人脸图像的选择方法、装置、设备及存储介质
CN111753793A (zh) * 2020-06-30 2020-10-09 重庆紫光华山智安科技有限公司 模型训练方法、装置、人脸筛选方法及电子设备
CN112001211A (zh) * 2019-05-27 2020-11-27 商汤集团有限公司 对象检测方法、装置、设备及计算机可读存储介质
CN112488985A (zh) * 2019-09-11 2021-03-12 上海高德威智能交通系统有限公司 图像质量确定方法、装置及设备
CN112748799A (zh) * 2019-10-31 2021-05-04 深圳市冠旭电子股份有限公司 音频播放的控制方法、装置、存储介质及终端设备
CN112861589A (zh) * 2019-11-28 2021-05-28 马上消费金融股份有限公司 人像提取、质量评价、身份验证及模型训练方法及装置
CN112907502A (zh) * 2019-12-04 2021-06-04 财团法人工业技术研究院 神经网络模型的训练装置和训练方法
CN113129252A (zh) * 2019-12-30 2021-07-16 Tcl集团股份有限公司 一种图像评分方法及电子设备
CN113505854A (zh) * 2021-07-29 2021-10-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质
CN113627403A (zh) * 2021-10-12 2021-11-09 深圳市安软慧视科技有限公司 一种选图推图方法、系统及相关设备
CN113657315A (zh) * 2021-08-23 2021-11-16 平安科技（深圳）有限公司 人脸图像的质量筛选方法、装置、设备及存储介质
CN113706502A (zh) * 2021-08-26 2021-11-26 重庆紫光华山智安科技有限公司 一种人脸图像质量评估方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140153827A1 (en) * 2012-11-30 2014-06-05 Aravind Krishnaswamy Detecting exposure quality in images
CN104318562A (zh) * 2014-10-22 2015-01-28 百度在线网络技术（北京）有限公司 一种用于确定互联网图像的质量的方法和装置
CN106295585A (zh) * 2016-08-16 2017-01-04 深圳云天励飞技术有限公司 一种兼顾实时性及人脸质量的过滤选择方法及系统
CN106650572A (zh) * 2016-09-12 2017-05-10 深圳芯启航科技有限公司 一种指纹图像的质量评估方法
CN106897748A (zh) * 2017-03-02 2017-06-27 上海极链网络科技有限公司 基于深层卷积神经网络的人脸质量评估方法和系统
US9741107B2 (en) * 2015-06-05 2017-08-22 Sony Corporation Full reference image quality assessment based on convolutional neural network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140153827A1 (en) * 2012-11-30 2014-06-05 Aravind Krishnaswamy Detecting exposure quality in images
CN104318562A (zh) * 2014-10-22 2015-01-28 百度在线网络技术（北京）有限公司 一种用于确定互联网图像的质量的方法和装置
US9741107B2 (en) * 2015-06-05 2017-08-22 Sony Corporation Full reference image quality assessment based on convolutional neural network
CN106295585A (zh) * 2016-08-16 2017-01-04 深圳云天励飞技术有限公司 一种兼顾实时性及人脸质量的过滤选择方法及系统
CN106650572A (zh) * 2016-09-12 2017-05-10 深圳芯启航科技有限公司 一种指纹图像的质量评估方法
CN106897748A (zh) * 2017-03-02 2017-06-27 上海极链网络科技有限公司 基于深层卷积神经网络的人脸质量评估方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. VIGNESH 等: ""Face image quality assessment for face selection in surveillance video using convolutional neural networks"", 《2015 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP)》 *
唐文剑: "" 正面人脸图像质量评价方法研究"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688875A (zh) * 2018-07-05 2020-01-14 杭州海康威视数字技术股份有限公司 人脸质量评估网络训练方法、人脸质量评估方法及装置
CN110874547B (zh) * 2018-08-30 2023-09-12 富士通株式会社 从视频中识别对象的方法和设备
CN110874547A (zh) * 2018-08-30 2020-03-10 富士通株式会社 从视频中识别对象的方法和设备
CN109360197A (zh) * 2018-09-30 2019-02-19 北京达佳互联信息技术有限公司 图像的处理方法、装置、电子设备及存储介质
CN109472211A (zh) * 2018-10-16 2019-03-15 深圳爱莫科技有限公司 人脸识别方法及装置
CN109671051B (zh) * 2018-11-15 2021-01-26 北京市商汤科技开发有限公司 图像质量检测模型训练方法及装置、电子设备和存储介质
CN109671051A (zh) * 2018-11-15 2019-04-23 北京市商汤科技开发有限公司 图像质量检测模型训练方法及装置、电子设备和存储介质
WO2020113563A1 (zh) * 2018-12-07 2020-06-11 北京比特大陆科技有限公司 人脸图像质量评估方法、装置、设备及存储介质
CN109784415A (zh) * 2019-01-25 2019-05-21 北京地平线机器人技术研发有限公司 图像识别方法及装置、训练卷积神经网络的方法及装置
CN112001211B (zh) * 2019-05-27 2024-04-19 商汤集团有限公司 对象检测方法、装置、设备及计算机可读存储介质
CN112001211A (zh) * 2019-05-27 2020-11-27 商汤集团有限公司 对象检测方法、装置、设备及计算机可读存储介质
CN110458796A (zh) * 2019-06-10 2019-11-15 腾讯科技（深圳）有限公司 一种图像标注方法、装置和存储介质
CN112488985A (zh) * 2019-09-11 2021-03-12 上海高德威智能交通系统有限公司 图像质量确定方法、装置及设备
CN112748799A (zh) * 2019-10-31 2021-05-04 深圳市冠旭电子股份有限公司 音频播放的控制方法、装置、存储介质及终端设备
CN110796106A (zh) * 2019-11-04 2020-02-14 北京迈格威科技有限公司 人像质量评估模型建立和从视频中进行人像识别的方法
CN110879981B (zh) * 2019-11-14 2023-07-28 深圳华付技术股份有限公司 人脸关键点质量评估方法、装置、计算机设备及存储介质
CN110879981A (zh) * 2019-11-14 2020-03-13 深圳市华付信息技术有限公司 人脸关键点质量评估方法、装置、计算机设备及存储介质
CN111062914B (zh) * 2019-11-28 2023-05-30 重庆中星微人工智能芯片技术有限公司 用于采集脸部图像的方法、装置、电子设备和计算机可读介质
CN112861589A (zh) * 2019-11-28 2021-05-28 马上消费金融股份有限公司 人像提取、质量评价、身份验证及模型训练方法及装置
CN111062914A (zh) * 2019-11-28 2020-04-24 重庆中星微人工智能芯片技术有限公司 用于采集脸部图像的方法、装置、电子设备和计算机可读介质
CN111199186A (zh) * 2019-12-03 2020-05-26 恒大智慧科技有限公司 图像质量评分模型训练方法、装置、设备及存储介质
CN112907502B (zh) * 2019-12-04 2024-06-04 财团法人工业技术研究院 神经网络模型的训练装置和训练方法
CN112907502A (zh) * 2019-12-04 2021-06-04 财团法人工业技术研究院 神经网络模型的训练装置和训练方法
CN110956628A (zh) * 2019-12-13 2020-04-03 广州达安临床检验中心有限公司 图片等级分类方法、装置、计算机设备和存储介质
CN113129252A (zh) * 2019-12-30 2021-07-16 Tcl集团股份有限公司 一种图像评分方法及电子设备
CN110942072A (zh) * 2019-12-31 2020-03-31 北京迈格威科技有限公司 基于质量评估的质量分、检测模型训练、检测方法及装置
CN110942072B (zh) * 2019-12-31 2024-02-02 北京迈格威科技有限公司 基于质量评估的质量分、检测模型训练、检测方法及装置
CN111079717B (zh) * 2020-01-09 2022-02-22 西安理工大学 一种基于强化学习的人脸识别方法
CN111079717A (zh) * 2020-01-09 2020-04-28 西安理工大学 一种基于强化学习的人脸识别方法
CN111753793B (zh) * 2020-06-30 2022-11-22 重庆紫光华山智安科技有限公司 模型训练方法、装置、人脸筛选方法及电子设备
CN111753793A (zh) * 2020-06-30 2020-10-09 重庆紫光华山智安科技有限公司 模型训练方法、装置、人脸筛选方法及电子设备
CN111738243A (zh) * 2020-08-25 2020-10-02 腾讯科技（深圳）有限公司 人脸图像的选择方法、装置、设备及存储介质
WO2022042135A1 (zh) * 2020-08-25 2022-03-03 腾讯科技（深圳）有限公司 人脸图像的选择方法、装置、设备及存储介质
CN113505854A (zh) * 2021-07-29 2021-10-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质
CN113505854B (zh) * 2021-07-29 2023-08-15 济南博观智能科技有限公司 一种人脸图像质量评价模型构建方法、装置、设备及介质
WO2023024417A1 (zh) * 2021-08-23 2023-03-02 平安科技（深圳）有限公司 人脸图像的质量筛选方法、装置、设备及存储介质
CN113657315A (zh) * 2021-08-23 2021-11-16 平安科技（深圳）有限公司 人脸图像的质量筛选方法、装置、设备及存储介质
CN113657315B (zh) * 2021-08-23 2024-05-14 平安科技（深圳）有限公司 人脸图像的质量筛选方法、装置、设备及存储介质
CN113706502B (zh) * 2021-08-26 2023-09-05 重庆紫光华山智安科技有限公司 一种人脸图像质量评估方法及装置
CN113706502A (zh) * 2021-08-26 2021-11-26 重庆紫光华山智安科技有限公司 一种人脸图像质量评估方法及装置
CN113627403A (zh) * 2021-10-12 2021-11-09 深圳市安软慧视科技有限公司 一种选图推图方法、系统及相关设备

Similar Documents

Publication Publication Date Title
CN108171256A (zh) 人脸图像质评模型构建、筛选、识别方法及设备和介质
CN108154134B (zh) 基于深度卷积神经网络的互联网直播色情图像检测方法
Van Borkulo et al. Comparing network structures on three aspects: A permutation test.
CN105303193B (zh) 一种基于单帧图像处理的人数统计系统
CN110348312A (zh) 一种区域视频人体动作行为实时识别方法
CN106897746A (zh) 数据分类模型训练方法和装置
CN107609597A (zh) 一种电梯轿厢人数检测系统及其检测方法
CN110059667A (zh) 行人计数方法
CN108038455A (zh) 基于深度学习的仿生机器孔雀图像识别方法
CN112990677B (zh) 一种基于人工智能的教学系统、计算机设备、存储介质
CN108921023A (zh) 一种确定低质量人像数据的方法及装置
CN111612261A (zh) 基于区块链的金融大数据分析系统
CN106973039A (zh) 一种基于信息融合技术的网络安全态势感知模型训练方法和装置
CN107832890A (zh) 一种拥堵预测方法和装置
Wang et al. Distortion recognition for image quality assessment with convolutional neural network
CN108304856B (zh) 基于皮层丘脑计算模型的图像分类方法
US20220198194A1 (en) Method of evaluating empathy of advertising video by using color attributes and apparatus adopting the method
CN107633527A (zh) 基于全卷积神经网络的目标追踪方法及装置
CN115457256A (zh) 安全设施检测方法及系统
Saad et al. Recognizing the ripeness of bananas using artificial neural network based on histogram approach
CN109087321B (zh) 一种基于视通路多层级抑制区协同作用的轮廓检测方法
CN115410035A (zh) 基于监控视频的空中交通管制员不安全行为分类方法
Martínez et al. Classifying slate tile quality using automated learning techniques
CN114881768A (zh) 一种金融大数据风险分析平台
WO2019073615A1 (ja) 工事現場画像判定装置及び工事現場画像判定プログラム

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220719

AD01 Patent right deemed abandoned