CN108269254B

CN108269254B - 图像质量评估方法和装置

Info

Publication number: CN108269254B
Application number: CN201810045570.0A
Authority: CN
Inventors: 翁仁亮
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2018-01-17
Filing date: 2018-01-17
Publication date: 2020-12-01
Anticipated expiration: 2038-01-17
Also published as: CN108269254A

Abstract

本申请实施例公开了图像质量评估方法和装置。该方法的一具体实施方式包括：获取待评估的人脸图像；然后将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。该实施方式提升了人脸图像质量评估的准确度。

Description

图像质量评估方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及图像质量评估方法和装置。

背景技术

随着计算机技术的发展，图像处理技术应用到了越来越多的领域。其中基于人脸图像的人脸识别、目标跟踪在门禁、监控、接入控制、人机交互等场景的身份验证中具有广泛的应用。

通常在采集人脸图像时，摄像头会采集一段人脸图像序列，这一段人脸图像序列中包含不同视角、不同清晰度、甚至不同表情的人脸图像。图像质量的差异会直接影响后续的人脸特征提取、识别、聚类、目标跟踪等环节的精准程度，因此需要从图像序列中筛选出质量较佳的图像。

现有的人脸图像质量评价方法是分别基于人脸成像角度、光照条件以及模糊程度等因素来进行评分，然后根据各因素的权重，综合各因素的得分计算出人脸图像的质量评分，其中，各因素的权重是根据经验确定的。

发明内容

本申请实施例提出了图像质量评估方法和装置。

第一方面，本申请实施例提供了一种图像质量评估方法，包括：获取待评估的人脸图像；将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。

在一些实施例中，上述方法还包括：采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型，包括：获取预设的样本人脸图像集合和预设的注册人脸图像集合，并构建损失函数；计算各样本人脸图像与对应的注册人脸图像之间的相似度；执行比对步骤，比对步骤包括：将样本人脸图像集合中的各样本人脸图像输入图像质量评估模型对应的神经网络，得到各样本人脸图像的质量评估信息，基于样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像的质量评估信息，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像质量评估模型对应的神经网络的参数，执行比对步骤；若比对步骤的判断结果为是，输出图像质量评估模型的参数。

在一些实施例中，上述样本人脸图像集合和预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识；以及在计算各样本人脸图像与对应的注册人脸图像之间的相似度之前，上述采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型，还包括：根据已标记的用户对象的身份标识，确定与各样本人脸图像对应的注册人脸图像。

在一些实施例中，上述计算各样本人脸图像与对应的注册人脸图像之间的相似度，包括：采用人脸特征提取模型对各样本人脸图像和对应的各注册人脸图像进行特征提取，其中，人脸特征提取模型基于卷积神经网络构建；基于提取出的特征计算各样本人脸图像和对应的注册人脸图像之间的相似度。

在一些实施例中，上述获取待评估的人脸图像，包括：获取采集的同一用户对象的人脸图像序列，基于人脸图像序列确定至少两帧待评估的人脸图像；以及上述方法还包括：根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。

第二方面，本申请实施例提供了一种人脸图像质量评估装置，包括：获取单元，用于获取待评估的人脸图像；评估单元，用于将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。

在一些实施例中，上述装置还包括：训练单元，用于采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型；训练单元用于按照如下方式训练得出图像质量评估模型：获取预设的样本人脸图像集合和预设的注册人脸图像集合，并构建损失函数；计算各样本人脸图像与对应的注册人脸图像之间的相似度；执行比对步骤，比对步骤包括：将样本人脸图像集合中的各样本人脸图像输入图像质量评估模型对应的神经网络，得到各样本人脸图像的质量评估信息，基于样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像的质量评估信息，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像质量评估模型对应的神经网络的参数，执行比对步骤；若比对步骤的判断结果为是，输出图像质量评估模型的参数。

在一些实施例中，上述样本人脸图像集合和预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识；以及上述训练单元还用于：在计算各样本人脸图像与对应的注册人脸图像之间的相似度之前，根据已标记的用户对象的身份标识，确定与各样本人脸图像对应的注册人脸图像。

在一些实施例中，上述训练单元用于按照如下方式计算各样本人脸图像与对应的注册人脸图像之间的相似度：采用人脸特征提取模型对各样本人脸图像和对应的各注册人脸图像进行特征提取，其中，人脸特征提取模型基于卷积神经网络构建；基于提取出的特征计算各样本人脸图像和对应的注册人脸图像之间的相似度。

在一些实施例中，上述获取单元用于按照如下方式获取待评估的人脸图像：获取采集的同一用户对象的人脸图像序列，基于人脸图像序列确定至少两帧待评估的人脸图像；以及上述装置还包括：识别单元，用于根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的图像质量评估方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的图像质量评估方法。

本申请上述实施例的图像质量评估方法和装置，通过获取待评估的人脸图像；然后将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异，提升了人脸图像质量评估的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的图像质量评估方法的一个实施例的流程图；

图3是根据本申请的图像质量评估方法中图像质量评估模型的训练方法的一个实施例的流程图；

图4是根据本申请实施例的图像质量评估装置的一个结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像质量评估方法或图像质量评估装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用、搜索类应用等。

终端设备101、102、103可以是具有图像采集功能的电子设备，例如可以是监控摄像头、包含摄像头的门禁设备，也可以是具有显示屏、摄像头并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待处理图像等进行分析等处理，并将处理结果(例如质量评估结果)反馈给终端设备。

需要说明的是，本申请实施例所提供的图像质量评估方法可以由服务器105执行，相应地，图像质量评估装置可以设置于服务器105中。

需要指出的是，服务器105的本地也可以直接存储待评估的人脸图像，服务器105可以直接提取本地的待评估的人脸图像进行质量评估，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对待处理图像进行人脸检测，此时，图像质量评估方法也可以由终端设备101、102、103执行，相应地，图像质量评估装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。例如服务器可以为集群式的服务器，包括部署了不同进程的多台服务器。

继续参考图2，其示出了根据本申请的图像质量评估方法的一个实施例的流程200。该图像质量评估方法，包括以下步骤：

步骤201，获取待评估的人脸图像。

在本实施例中，上述图像质量评估方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以获取待评估的人脸图像。待评估的人脸图像可以是在各种环境采集到的人脸图像，可以是可见光人脸图像或非可见光人脸图像，可以是清晰的人脸图像或运动模糊/离焦模糊的人脸图像，可以是在拍摄对象的配合状态或非配合状态下采集的人脸图像，还可以是包含噪声的人脸图像，等等。

当待评估的人脸图像存储于上述电子设备中时，上述电子设备可以从存储器中查找出待评估的人脸图像。当待评估的人脸图像存储于其他设备中时，上述电子设备可以通过有线或无线的连接方式与存储待评估的人脸图像的设备建立通信连接，可以响应于接收到终端设备发送的图像质量评估请求而接收终端设备发送的待评估的人脸图像；也可以主动向存储待评估的人脸图像或采集人脸图像的终端设备发出获取请求，接收终端设备响应于该获取请求而传输的待评估的人脸图像。

在一个示例性的场景中，人脸图像采集设备在采集到人脸图像之后，可以将采集的人脸图像作为待评估的人脸图像主动发送至后台服务器或在本地进行图像质量评估，并实时提供评估结果，然后人脸图像采集设备可以根据评估结果确定对该用户的人脸图像采集是否完毕。

在另一个示例性的场景中，可以将采集到的多幅人脸图像存储至本地存储器或服务器。在用户发出图像质量评估指令时，人脸图像质量评估方法运行于其上的电子设备可以响应于接收到该指令而从存储器中调取相应的人脸图像作为待评估的人脸图像。

步骤202，将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息。

在本实施例中，图像质量评估模型用于对人脸图像的质量进行评估。可以将获取到的待评估的人脸图像输入图像质量评估模型，即可得到待评估的人脸图像的质量评估结果。

上述图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的。在这里，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像的注册人脸图像。注册人脸图像可以是用户对象在系统中注册时的人脸图像，注册人脸图像可以作为“证件照”，通常为均匀光源下、聚焦良好的高分辨率正面可见光图像。样本人脸图像集合包括作为训练样本的多幅样本人脸图像。

上述损失函数的值可以用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。该损失函数可以是基于同一用户对象的多幅不同样本人脸图像与该用户对象的注册人脸图像之间的相似度，以及采用图像质量评估模型对该同一用户对象的多幅不同样本人脸图像进行图像质量评估得出的结果构建的。若同一用户对象的多幅不同样本人脸图像与该用户对象的注册人脸图像的相似度之间的差异缩小时该同一用户对象的多幅不同样本人脸图像的质量评估结果之间的差异缩小，损失函数的值较小；若同一用户对象的多幅不同样本人脸图像与该用户对象的注册人脸图像的相似度之间的差异缩小时该同一用户对象的多幅不同样本人脸图像的质量评估结果之间的差异增大，损失函数的值较大；若同一用户对象的多幅不同样本人脸图像与该用户对象的注册人脸图像的相似度之间的差异增大时该同一用户对象的多幅不同样本人脸图像的质量评估结果之间的差异缩小，损失函数的值较大。

在上述图像质量评估模型的训练过程中，可以不断调整模型参数，使得损失函数的值最小，即可以通过调整模型参数，使得同一用户对象的不同样本人脸图像的质量评估结果之间的差异随其与对应的注册人脸图像的相似度之间的差异的增大而增大，且同一用户对象的不同样本人脸图像的质量评估结果之间的差异随其与对应的注册人脸图像的相似度之间的差异的减小而减小。这样，在图像质量评估模型的训练过程中实现了以与注册人脸图像的相似度为基准的图像质量评估逻辑的学习，则在使用图像评估模型时能够有效提取人脸图像的有效信息来进行图像质量评估，从而得到更准确的评估结果。

上述图像质量评估模型可以采用多种数学模型构建，例如逻辑回归、隐马尔可夫模型、基于神经网络的模型等。

上述待评估的人脸图像的质量评估结果可以为用于表征人脸图像质量的质量评估信息，该质量评估信息具体可以是质量得分或质量等级。

本申请上述实施例提供的图像质量评估方法，通过获取待评估的人脸图像；然后将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异，提升了人脸图像质量评估的准确度。

在本实施例的一些可选的实现方式中，上述获取待评估的人脸图像的步骤201可以包括：获取采集的同一用户对象的人脸图像序列，基于人脸图像序列确定至少两帧待评估的人脸图像。在人脸识别场景中，可以连续采集同一用户对象的多幅人脸图像形成人脸图像序列，从人脸图像序列中随机地、或按照预设的规则选出至少两帧作为待评估的人脸图像，或者可以将人脸图像序列中的各帧图像均作为待评估的人脸图像。这时，上述图像质量评估方法还可以包括：根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。具体来说，可以将选出的至少两帧待评估的人脸图像输入上述图像质量评估模型，得到各待评估的人脸图像的质量评估信息，然后选择质量评估信息所指示的图像质量最好的一帧作为该用户对象的识别用人脸图像，将该识别用人脸图像输入人脸识别系统进行人脸识别。通过在多帧人脸图像中选择质量最好的进行人脸识别，能够提升识别的准确度。

在本实施例的一些可选的实现方式中，上述图像质量评估方法还可以包括：采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型。请参考图3，其示出了根据本申请的图像质量评估方法中图像质量评估模型的训练方法的一个实施例的流程300，该图像质量评估模型的训练方法包括以下步骤：

步骤301，获取预设的样本人脸图像集合和预设的注册人脸图像集合，并构建损失函数。

在本实施例中，上述图像质量评估方法运行于其上的电子设备可以获取预设的样本人脸图像集合，以及预设的注册人脸图像集合。可以首先获取在身份认证系统中注册的用户的注册人脸图像，构建预设的注册人脸图像集合。然后可以采集预设的注册人脸图像对应的用户对象在不同成像条件下(例如不同拍摄角度、不同光照条件、用户对象的不同配合度、不同分辨率等)的人脸图像作为样本人脸图像，来构建样本人脸图像集合。

然后可以基于图像质量评估模型对样本人脸图像进行质量评估得到的质量评估信息及样本人脸图像与对应的注册人脸图像之间的相似度来构建损失函数。

在本实施例中，损失函数可以用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。如果与同一注册人脸图像的相似度均较高的两幅样本人脸图像的质量评估信息之间的差异超过了一定范围，则可以认为图像质量评估模型的评估结果准确度较低，需要调整图像质量评估模型的参数使得与同一注册人脸图像的相似度均较高的两幅样本人脸图像的质量评估信息之间的差异缩小。因此，损失函数可以基于同一用户对象的两幅不同样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及该两幅不同样本图像的图像质量评估信息之间的差异来构建。

具体地，损失函数L可以如式(1)：

其中，L表示损失函数，n表示样本人脸图像集合中所包含的人脸图像信息对应的用户对象的总数，sa_k表示由样本人脸图像集合中第k个用户对象的所有样本人脸图像构成的子集合，S_i，S_j分别为子集合sa_k中第i幅样本人脸图像与对应的第k个用户对象的注册人脸图像之间的相似度，以及子集合sa_k中第j幅样本人脸图像与对应的第k个用户对象的注册人脸图像之间的相似度，y_i和y_j分别为子集合sa_k中第i幅样本人脸图像的质量评估信息和子集合sa_k中第j幅样本人脸图像的质量评估信息。

从式(1)可以看出，损失函数L综合了样本人脸图像集合中所有样本人脸图像的质量评估结果的误差，并且不同样本图像的质量评估结果和其与同一注册人脸图像之间的相似度的差异同时缩小时，损失函数的值缩小。

步骤302，计算各样本人脸图像与对应的注册人脸图像之间的相似度。

注册人脸图像一般是质量较高的人脸图像，注册人脸图像中包含的人脸特征信息较为丰富，易于与其他用户对象区分。在本实施例中，可以将于对应的注册人脸图像之间的相似度作为人脸图像质量的评估标准。可以计算样本人脸图像和与该样本人脸图像包含同一用户对象的注册人脸图像之间的相似度。

可以采用多种方法计算相似度，例如可以采用直方图匹配的方法计算样本人脸图像和对应的注册人脸图像相似度，具体可以计算两幅图像的直方图，然后计算两个直方图之间的相关系数作为相似度计算结果。又例如可以采用诸如SIFT(Scale-invariantfeature transform，尺度不变特征变换)、SURF(Speeded-Up Robust Features，加速稳健特征)等特征提取算法提取出样本人脸图像和对应的注册人脸图像的特征点，构建特征向量，计算特征向量之间的相似度。

在本实施例的一些可选的实现方式中，可以采用如下方式计算各样本人脸图像与对应的注册人脸图像之间的相似度：采用人脸特征提取模型对各样本人脸图像和对应的各注册人脸图像进行特征提取，基于提取出的特征计算各样本人脸图像和对应的注册人脸图像之间的相似度，其中，人脸特征提取模型基于卷积神经网络构建。具体来说，可以将样本人脸图像和对应的注册人脸图像输入已训练的人脸特征提取模型对应的卷积神经网络，该卷积神经网络可以从输入的图像中提取出由多幅特征图构成的特征图集合；然后计算样本人脸图像的特征图集合与对应的注册人脸图像的特征图集合之间的相似度。具体可以将特征图集合转换为矩阵表示，计算两个矩阵之间的相似度，即为样本图像与对应的注册人脸图像之间的相似度。

步骤303，执行比对步骤。

具体地，比对步骤303包括步骤3031和步骤3032。

首先，执行步骤3031，将样本人脸图像集合中的各样本人脸图像输入图像质量评估模型对应的神经网络，得到各样本人脸图像的质量评估信息。

可以基于神经网络构建图像质量评估模型，例如可以构建包含多个卷积层的卷积神经网络，每个卷积层包含一个卷积核，卷积核与输入该卷积层的图像进行卷积运算得到该卷积层的输出。

在第一次执行比对步骤时，可以设定图像质量评估模型对应的神经网络的初始参数，来初始化图像质量评估模型。在执行后续的比对步骤时，可以确定图像质量评估模型对应的神经网络的参数为上一次执行比对步骤之后更新的参数。图像质量评估模型对应的神经网络的参数可以包括神经网络中的各层所执行的运算所需要的参数，例如若图像质量评估模型是基于卷积神经网络构建的，则图像质量评估模型的参数包括卷积神经网络中各卷积层的卷积核。

可以将样本人脸图像输入图像质量评估模型，利用神经网络来评估样本人脸图像的质量。神经网络可以提取样本人脸图像的各个通道的特征，经过运算将特征转化为质量评估信息，该质量评估信息可以是质量得分或质量等级。

然后，执行步骤3032，基于样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像的质量评估信息，判断损失函数的值是否满足预设的收敛条件。

在得到每个样本人脸图像质量评估信息以及样本人脸图像与对应的注册人脸图像之间的相似度之后，可以利用以上公式(1)计算损失函数的值，并判断损失函数的值是否满足预设的收敛条件。预设的收敛条件可以是小于预设的第一阈值，也可以是在最近N次(N为大于1的整数)比对步骤中损失函数的值的变化小于预设的第二阈值。

在一些可选的实现方式中，上述样本人脸图像集合和预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识，则在计算各样本人脸图像与对应的注册人脸图像之间的相似度之前，上述采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型的流程300，还包括根据已标记的用户对象的身份标识，确定与各样本人脸图像对应的注册人脸图像的步骤。这样，在计算相似度时，可以快速找到对应的注册人脸图像，并且在计算损失函数时，可以首先根据标记的样本人脸图像对应的用户对象的身份标识来查找到对应的注册人脸图像，并找出样本人脸图像集合中与该样本人脸图像具有相同的身份标识的其他样本人脸图像，之后计算具有相同身份标识的各样本人脸图像与对应的注册人脸图像之间的相似度，然后根据上述式(1)计算损失函数的值。

通过已标记的用户对象的身份标识，可以快速地查找到各样本人脸图像对应的注册人脸图像，以及快速地找出同一用户对象的不同样本人脸图像，有利于提升损失函数的值的计算速度，从而加快图像质量评估模型的训练速度。

若比对步骤303的判断结果为否，即损失函数的值不满足预设的收敛条件时，执行步骤304，基于损失函数，采用梯度下降法更新图像质量评估模型对应的神经网络的参数，返回执行比对步骤303。

上述损失函数是与图像质量评估模型对应的神经网络的参数相关的函数。例如当图像质量评估模型对应的神经网络为卷积神经网络时，样本人脸图像的图像质量评估信息是由样本人脸图像经过多次卷积运算、以及下采样操作得到的，则损失函数的值与卷积神经网络中各卷积核相关。在本实施例中，可以采用梯度下降法更新图像质量评估模型对应的神经网络的参数，使得更新参数后得出的与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异缩小。通过多次迭代执行比对步骤302和参数更新步骤303，使损失函数的值逐渐缩小。

具体地，在执行参数更新步骤303时，可以计算损失函数关于图像质量评估模型对应的神经网络的参数的梯度，然后按照预设的步长因子确定各参数的更新量，将更新量与当前的参数叠加得到更新后的参数。

若比对步骤303的判断结果为是，即损失函数的值满足预设的收敛条件时，执行步骤305，输出图像质量评估模型的参数。

如果损失函数的值满足预设的收敛条件，则停止更新参数，将图像质量评估模型对应的神经网络的参数输出，从而得到已训练的图像质量评估模型。

这样，在训练过程中通过循环执行比对步骤302和参数更新步骤303，不断调整模型参数、重新预测图像质量评估结果来逐渐缩小损失函数的值，能够得到综合误差最小的图像质量评估模型。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种图像质量评估装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的图像质量评估装置400包括：获取单元401和评估单元402。获取单元401可以用于获取待评估的人脸图像；评估单元402可以用于将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息。其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异。

在本实施例中，获取单元401可以通过有线或无线的方式与存储待评估的人脸图像的电子设备建立连接，并获取存储待评估的人脸图像的电子设备主动或响应于图像获取请求而传输的待评估的人脸图像。或者获取单元401可以从本地存储的图像中读取待评估的人脸图像。其中，待评估的人脸图像可以是在各种环境采集到的人脸图像。

评估单元402可以将获取单元401获取的待评估的人脸图像输入已采用机器学习方法训练的图像质量评估模型来进行图像质量评估，得到待评估的人脸图像的质量评估信息。图像质量评估模型可以是利用基于同一用户对象的不同样本人脸图像与对应的注册人脸图像之间的相似度的差异以及图像质量评估模型输出的不同样本人脸图像的图像质量评估的预测结果之间的差异构建的损失函数训练得出的，因此，图像质量评估模型可以根据与注册人脸图像之间的相似度来进行质量评估，与注册人脸图像相似度较高的图像质量较好。

在一些实施例中，上述装置400还可以包括：训练单元，用于采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出图像质量评估模型。训练单元用于按照如下方式训练得出图像质量评估模型：获取预设的样本人脸图像集合和预设的注册人脸图像集合，并构建损失函数；计算各样本人脸图像与对应的注册人脸图像之间的相似度；执行比对步骤，比对步骤包括：将样本人脸图像集合中的各样本人脸图像输入图像质量评估模型对应的神经网络，得到各样本人脸图像的质量评估信息，基于样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像的质量评估信息，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新图像质量评估模型对应的神经网络的参数，执行比对步骤；若比对步骤的判断结果为是，输出图像质量评估模型的参数。

在一些实施例中，上述样本人脸图像集合和预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识；以及上述训练单元还可以用于：在计算各样本人脸图像与对应的注册人脸图像之间的相似度之前，根据已标记的用户对象的身份标识，确定与各样本人脸图像对应的注册人脸图像。

在一些实施例中，上述训练单元可以用于按照如下方式计算各样本人脸图像与对应的注册人脸图像之间的相似度：采用人脸特征提取模型对各样本人脸图像和对应的各注册人脸图像进行特征提取，其中，人脸特征提取模型基于卷积神经网络构建；基于提取出的特征计算各样本人脸图像和对应的注册人脸图像之间的相似度。

在一些实施例中，上述获取单元可以进一步用于按照如下方式获取待评估的人脸图像：获取采集的同一用户对象的人脸图像序列，基于人脸图像序列确定至少两帧待评估的人脸图像；以及上述装置400还可以包括：识别单元，用于根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。

装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元，在此不再赘述。

本申请上述实施例的图像质量评估装置400，通过获取单元获取待评估的人脸图像；然后评估单元将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异，提升了人脸图像质量评估的准确度。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和评估单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待评估的人脸图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待评估的人脸图像；将待评估的人脸图像输入图像质量评估模型，输出待评估的人脸图像的质量评估信息；其中，图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，预设的注册人脸图像集合包括与样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异，从而提升了人脸图像质量评估的准确度。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种人脸图像质量评估方法，包括：

获取待评估的人脸图像；

将所述待评估的人脸图像输入图像质量评估模型，输出所述待评估的人脸图像的质量评估信息；

其中，所述图像质量评估模型是采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出的，所述预设的注册人脸图像集合包括与所述样本人脸图像集合中的各样本人脸图像包含同一用户对象的人脸图像信息的注册人脸图像，所述损失函数的值用于表征与同一注册人脸图像相似的不同样本人脸图像的质量评估信息之间的差异，所述损失函数基于同一用户对象的两幅不同样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及该两幅不同样本图像的图像质量评估信息之间的差异来构建。

2.根据权利要求1所述的方法，其中，所述方法还包括：采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出所述图像质量评估模型，包括：

获取所述预设的样本人脸图像集合和预设的注册人脸图像集合，并构建所述损失函数；

计算各所述样本人脸图像与对应的注册人脸图像之间的相似度；

执行比对步骤，所述比对步骤包括：将所述样本人脸图像集合中的各样本人脸图像输入所述图像质量评估模型对应的神经网络，得到各所述样本人脸图像的质量评估信息，基于所述样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像与对应的注册人脸图像之间的相似度的差异，以及所述样本人脸图像集合中包含同一用户对象的人脸图像信息的各样本人脸图像的质量评估信息，判断所述损失函数的值是否满足预设的收敛条件；

若所述比对步骤的判断结果为否，基于所述损失函数，采用梯度下降法更新所述图像质量评估模型对应的神经网络的参数，执行所述比对步骤；

若所述比对步骤的判断结果为是，输出所述图像质量评估模型的参数。

3.根据权利要求2所述的方法，其中，所述样本人脸图像集合和所述预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识；以及

在计算各所述样本人脸图像与对应的注册人脸图像之间的相似度之前，所述采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出所述图像质量评估模型，还包括：

根据已标记的用户对象的身份标识，确定与各所述样本人脸图像对应的注册人脸图像。

4.根据权利要求2或3所述的方法，其中，所述计算各所述样本人脸图像与对应的注册人脸图像之间的相似度，包括：

采用人脸特征提取模型对各所述样本人脸图像和对应的各注册人脸图像进行特征提取，其中，所述人脸特征提取模型基于卷积神经网络构建；

基于提取出的特征计算各所述样本人脸图像和对应的注册人脸图像之间的相似度。

5.根据权利要求1所述的方法，其中，所述获取待评估的人脸图像，包括：

获取采集的同一用户对象的人脸图像序列，基于所述人脸图像序列确定至少两帧待评估的人脸图像；以及

所述方法还包括：

根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。

6.一种人脸图像质量评估装置，包括：

获取单元，用于获取待评估的人脸图像；

评估单元，用于将所述待评估的人脸图像输入图像质量评估模型，输出所述待评估的人脸图像的质量评估信息；

7.根据权利要求6所述的装置，其中，所述装置还包括：

训练单元，用于采用机器学习方法，利用预设的样本人脸图像集合和预设的注册人脸图像集合，基于损失函数训练得出所述图像质量评估模型；

所述训练单元用于按照如下方式训练得出所述图像质量评估模型：

8.根据权利要求7所述的装置，其中，所述样本人脸图像集合和所述预设的注册人脸图像集合中的图像已标记了所包含的人脸图像信息对应的用户对象的身份标识；以及

所述训练单元还用于：

在计算各所述样本人脸图像与对应的注册人脸图像之间的相似度之前，根据已标记的用户对象的身份标识，确定与各所述样本人脸图像对应的注册人脸图像。

9.根据权利要求7或8所述的装置，其中，所述训练单元用于按照如下方式计算各所述样本人脸图像与对应的注册人脸图像之间的相似度：

10.根据权利要求6所述的装置，其中，所述获取单元用于按照如下方式获取待评估的人脸图像：

所述装置还包括：

识别单元，用于根据同一用户对象的人脸图像序列中确定的各待评估的人脸图像的质量评估信息确定出质量最好的人脸图像进行人脸识别。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。