CN109934078B - 图像处理方法、装置及电子设备 - Google Patents

Abstract

本发明实施例涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置及电子设备。该方法包括：获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到，对各整体质量因子进行过滤，获得过滤之后的所有整体质量因子，根据过滤之后的所有整体质量因子计算获得特征权重，对多张目标人脸图像进行训练并提取多个特征值函数，根据特征权重和多个特征值函数计算得到融合特征值函数，以反映多张目标人脸图像的融合特征。使用该方法、装置及电子设备，能够提高人脸识别准确性。

Description

图像处理方法、装置及电子设备

技术领域

本发明实施例涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置及电子设备。

背景技术

人脸识别技术被认为是一种可广泛应用的生物特征识别技术。当前主流的人脸识别技术大多采用对单张人脸的图片进行识别的方法，该方法容易受到各种因素的干扰，使得待识别人脸在识别过程中存在较大的误识别几率。

发明内容

有鉴于此，本发明提供了一种图像处理方法、装置及电子设备，以改善现有的人脸识别技术存在较大的误识几率的问题。

为实现上述目的，本发明实施例提供了一种图像处理方法，所述方法包括：

获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，所述整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到；

对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子；

根据所述过滤之后的所有整体质量因子计算获得特征权重，对所述多张目标人脸图像进行训练并提取多个特征值函数，根据所述特征权重和所述多个特征值函数计算得到融合特征值函数，以反映所述多张目标人脸图像的融合特征。

可选地，所述多张目标人脸图像的数量为n张，所述每张目标人脸图像中的多个质量因子的数量为x个，所述多个整体质量因子的数量为n个，所述过滤之后的所有整体质量因子的数量为m个，其中m≤n；所述特征权重包括融合特征权重，所述融合特征权重为Y＝[Y₁Y₂...Y_x]，其中，Y_x为m张目标人脸图像的第x个质量因子的特征权重；根据所述过滤之后的所有整体质量因子计算获得特征权重的步骤，包括：根据融合特征权重计算公式计算得到Y_x，所述融合特征权重计算公式为：

Y_x＝P_xQ

其中，

P_x为m张目标人脸图像的第x个质量因子的权重系数；

Q为质量因子矩阵，

q_xm为第m张目标人脸图像的第x个质量因子。

可选地，P_x通过以下计算步骤得到：

获得Y_x的最大化协方差，其中，所述最大化协方差为：

根据所述最大化协方差，结合拉格朗日乘子法获得P_x的求解公式，其中，所述拉格朗日乘子法为：

所述求解公式为：

其中，

E{QQ^T}为Q的最大化协方差；

λ_x为m张目标人脸图像的第x个质量因子的特征权重系数，λ_x通过Q计算得到。

可选地，对所述多张目标人脸图像进行训练并提取多个特征值函数的步骤，包括：

获得所述m张目标人脸图像的多个特征值函数F₁[m]、F₂[m]…F_x[m]，其中，F_x[m]为所述m张目标人脸图像的第x个质量因子的特征值函数。

可选地，所述融合特征值函数为F_mix，F_mix通过以下计算步骤得到：

可选地，所述特征权重包括单一特征权重；根据所述过滤之后的所有整体质量因子计算获得特征权重的步骤，包括：

根据特征权重求解公式计算获得所述过滤之后的所有整体质量因子中的每个整体质量因子对应的目标人脸图像的单一特征权重；

所述单一特征权重求解公式为：

其中，

过滤之后的整体质量因子的数量为m；

q_whole-i为过滤之后的第i个整体质量因子；

ω_i为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征权重，i∈[1,m]。

可选地，对所述多张目标人脸图像进行训练并提取多个特征值函数的步骤，包括：

对过滤之后的所有整体质量因子中的每个整体质量因子对应的每张目标人脸图像进行特征提取，获得该目标人脸图像的单一特征值函数f_i[m]，其中，f_i[m]为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征值函数，i∈[1,m]；

所述融合特征值函数为S，S通过以下计算步骤得到：

本发明实施例还提供了一种图像处理装置，所述图像处理装置包括：

整体质量因子获取模块，用于获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，所述整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到；

整体质量因子过滤模块，用于对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子；

融合特征值函数计算模块，用于根据所述过滤之后的所有整体质量因子计算获得特征权重，对所述多张目标人脸图像进行训练并提取多个特征值函数，根据所述特征权重和所述多个特征值函数计算得到融合特征值函数，以反映所述多张目标人脸图像的融合特征。

本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的图像处理方法。

本发明实施例还提供了一种计算机可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行上述的图像处理方法。

本发明实施例提供的图像处理方法、装置及电子设备，通过对多张目标人脸图像进行训练并提取多个特征值函数，并根据特征权重对多张目标人脸图像进行加权计算获得反映多张人脸图像的融合特征值函数，从而减小了外界因素对人脸识别的影响，该融合特征值函数能很好地保持原有的多张目标人脸图像的特征属性，确保了人脸识别的完整性和有效性，减小了误识的几率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例所提供的一种电子设备10的方框示意图。

图2为本发明实施例所提供的一种图像处理方法的流程图。

图3为本发明实施例所提供的一种对整体质量因子过滤的示意图。

图4为本发明实施例所提供的一种图像处理装置20的模块框图。

图标：10-电子设备；11-存储器；12-处理器；13-网络模块；20-图像处理装置；21-整体质量因子获取模块；22-整体质量因子过滤模块；23-融合特征值函数计算模块。

具体实施方式

经调查发现，现有的人脸识别技术识别准确率有待提高，经分析得知，造成人脸识别准确率有待提高的原因之一是外界因素会对人脸识别带来不确定性，例如光照问题、人脸角度和尺寸等，这些因素会导致采集到的人脸图像存在质量问题，从而影响人脸识别准确率。此外，对采集到的人脸图像进行比对所得到的结果也取决于训练的人脸库图像的特征集，在人脸库容量大、人脸质量不一的情况下，待识别人脸在识别过程中容易被误识。

以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

基于上述研究，本发明实施例提供了一种图像处理方法、装置及电子设备，通过计算多张人脸图像的融合特征值函数，能够保证多张人脸的特征在融合后尽可能保证原有的特征属性，确保人脸识别的完整性和准确性，减小误识别几率。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

图1示出了本发明实施例所提供的一种电子设备10的方框示意图。本发明实施例中的电子设备10可以为具有数据存储、传输、处理功能的服务端，如图1所示，电子设备10包括：存储器11、处理器12、网络模块13和图像处理装置20。

存储器11、处理器12和网络模块13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有图像处理装置20，所述图像处理装置20包括至少一个可以软件或固件(firmware)的形式储存于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，例如本发明实施例中的图像处理装置20，从而执行各种功能应用以及数据处理，即实现本发明实施例中的图像处理方法。

其中，所述存储器11可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。

所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

网络模块13用于通过网络建立电子设备10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。

可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

本发明实施例还提供一种计算机可读存储介质，所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在电子设备10执行下面的图像处理方法。

图2示出了本发明实施例所提供的一种图像处理方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10，可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述：

步骤S21，获得多张目标人脸图像中的每张人脸图像所对应的多个质量因子。

可选地，多张目标人脸图像的数量可以为n张，每张目标人脸图像所对应的质量因子的数量可以为x个。

在本实施例中，反映目标人脸图像的多个质量因子的数量可以为5个，例如，多个质量因子可以包括：对比度、明亮度、人脸对称度、人脸有效区域和清晰度。

对比度是对人脸图像中明暗区域的不同亮度等级的测量，对比度可以理解为一幅人脸图像中灰度反差的大小。若反差约大，表明从黑到白的渐变层次越多，色彩表现越丰富。对比度对视觉效果的影响很关键，对比度越大，图像越清晰醒目。由于在人脸图像采集过程中会受到光照不均匀的影响，可能导致人脸图像偏亮或偏低，不利于后期处理，因此需要对对比度进行量化。可选地，对比度质量因子可以为：

其中，

q_1n为第n张目标人脸图像的对比度质量因子；

I_max-n为第n张目标人脸图像的最大灰度值；

I_min-n为第n张目标人脸图像的最小灰度值。

例如，q₁₃为第三张目标人脸图像的对比度质量因子，在本实施例中，目标人脸图像的编号仅作为区分使用，并不是对目标人脸图像重要程度的限定。

明亮度是观察人脸图像的基本条件，亮度太强或太弱都会影响人脸图像的质量。可选地，明亮度质量因子可以为：

其中，

q_2n为第n张目标人脸图像的明亮度质量因子；

为第n张目标人脸图像的平均灰度值。

就人脸对称度而言，左右半边脸的特征差异是人脸图像不对称的一个局部变量，研究表明，在人脸识别的过程中，人脸上半部分特征起到的作用大于人脸下半部分特征，因此，将人脸区域按2X2进行分块，把人脸图像分为左上、右上、左下和右下四个子区域，然后分别计算左上和右上子区域的局部直方图距离，左下和右下子区域的局部直方图距离，最后将两个直方图距离加权融合为一个距离作为衡量对称度的评价指标，其中，人脸对称度质量因子为：

q_3n＝βD^U+(1-β)D^D

其中，

q_3n为第n张目标人脸图像的人脸对称度质量因子；

β为上半人脸图像直方图距离的加权系数，其取值一般大于0.5；

D^U为左上和右上人脸子区域的直方图距离；

D^D为左下和右下人脸子区域的直方图距离；

以D^U的计算为例，进一步地：

进一步地，D₁和D₂可以通过以下计算获得：

其中，

为左上人脸子区域直方图(列向量)，

为右上人脸子区域直方图(列向量)，l和w分别为两个子区域的窗口的长和宽；S_LU和S_RU分别为左上、右上两个子区域直方图序列所含元素的累加和，i表示直方图序列中的第i个元素。

。表示两个直方图序列的Hadamard乘积，D_Had表示直方图序列Hadamard乘积中的第i个距离元素。

同理，可以计算左下和右下人脸子区域的直方图

之间的距离D^D。

在求得了β、D^U和D^D后，即可求得第n张人脸图像的人脸对称度质量因子q_3n。

人脸有效区域，是人脸区域图像面积占整幅原始自然图像面积的比例。图像采集设备获取的原始自然图像包括人脸区域图像和背景图像，其中，人脸区域图像面积为有效面积，通常人脸区域图像面积越大，含有的图像信息越多，图像质量越好，其中，人脸有效区域质量因子为：

其中，

q_4n为第n张目标人脸图像的人脸有效区域质量因子；

S_MIN为设定的人脸有效区域最小面积，可根据实际情况进行设定；

S_face为人脸有效区域面积；

S为原始自然图像面积。

清晰度，是指图像中细节纹理及边界的清晰程度。研究表明，图像一般由边缘区域、平滑区域和纹理区域组成。其中，边缘区域在图像识别中的作用更加明显，因此，在对清晰度指标进行计算时，边缘区域是重要变量。可选地，清晰度质量因子为：

q_5n＝0.5(ρ+η)

其中，

q_5n为第n张目标人脸图像的清晰度质量因子；

ρ为边缘清晰度指标；

η为基于灰度统计信息的清晰度指标。

可选地，ρ和η可以通过以下计算得到：

其中，

ε为边缘数目占整幅人脸图像的比例；

为Carry边缘检测后人脸图像灰度的平均值。

通过上述计算获得了n张目标人脸图像中的每张目标人脸图像所对应的5个质量因子之后，可以进行每张目标人脸图像的整体质量因子的计算。

步骤S22，针对所述每张目标人脸图像，根据该目标人脸图像所对应的多个质量因子计算获得该目标人脸图像的整体质量因子，从而得到多个整体质量因子。

在本实施中，根据每张目标人脸图像的5个质量因子，可以采用二级融合算法计算得到每张目标人脸图像的整体质量因子。

例如，每张目标人脸图像的整体质量因子可以为：q_whole-1、q_whole-2……q_whole-n，其中，q_whole-n表示第n张目标人脸图像的整体质量因子。

在本实施例中，以第n张目标人脸图像为例，通过二级融合算法计算q_whole-n。

可以理解，第n张目标人脸图像的5个质量因子为：q_1n、q_2n、q_3n、q_4n和q_5n。

二级融合算法为：

其中，

q_0n为第n张目标人脸图像的一级质量因子；

q_fn为第n张目标人脸图像的二级质量因子；

q_6n＝q_3n。

进一步地，利用上述一级质量因子和二级质量因子可以求得整体质量因子，求解公式如下：

通过上述公式可以求得第n张目标人脸图像的整体质量因子q_whole-n。相应地，可以求得其它目标人脸图像的整体质量因子，从而获得数量为n的多个整体质量因子。

应当理解，获得整体质量因子的方法由有很多种，并不限于本实施例给出的上述求解方法。

可以理解，第n张目标人脸图像的整体质量因子q_whole-n所对应的5个质量因子(向量)可以为[q_1n q_2n q_3n q_4n q_5n]。

步骤S23，对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子。

请结合参阅图3，为本发明实施例所提供的一种对整体质量因子过滤的示意图，其中，步骤S231、步骤S232、步骤S233和步骤S234列举了步骤S23的其中一种实现方式。

步骤S231，获得所有整体质量因子。

可以理解，获得的所有整体质量因子为经步骤S22计算求得的n个整体质量因子。

步骤S232，判断是否存在小于设定值的整体质量因子。

例如，对n个整体质量因子中的每个整体质量因子进行判断，根据判断结果选择进行步骤S233或步骤S234。

步骤S233，获得不小于设定值的所有整体质量因子。

若n个整体质量因子中存在不小于设定值的整体质量因子，则获得所有不小于设定值的整体质量因此，无需再进行步骤S234。

步骤S234，获得数值最大的整体质量因子。

若n个整体质量因子中的所有整体质量因子均小于设定值，说明获得的人脸图像质量低，为了能够进行后续分析，可以选取n个整体质量因子中数值最高的整体质量因子。

在本实施例中，为了便于分析，假设n个整体质量因子中的第1个到第m个整体质量因子均不小于设定值，第m+1个到第n个整体质量因子均小于设定值，根据步骤S233可知，获得的m个整体质量因子为：

q_whole-1、q_whole-2……q_whole-m。

可以理解，m个整体质量因子对应m张目标人脸图像，下面提到的m张目标人脸图像均指代由该步骤获得的整体质量因子所对应的目标人脸图像。

可选地，设定值可以根据实际情况进行设置，在本实施例中，设定值可以为0.8。

步骤S24，根据所述过滤之后的所有整体质量因子中的每个整体质量因子所对应的多个质量因子计算得到融合特征权重。

在本实施例中，融合特征权重可以为Y＝[Y₁Y₂...Y_x]，其中Y_x为m张目标人脸图像的第x个质量因子的特征权重。

可选地，根据融合特征权重计算公式可以求得Y_x，融合特征权重计算公式为：

Y_x＝P_xQ

其中，

P_x为m张目标人脸图像的第x个质量因子的权重系数；

Q为质量因子矩阵，

q_xm第m张目标人脸图像的第x个质量因子。

在本实施例中，x的数值可以为5。

可选地，以m张目标人脸图像的第1个质量因子的特征权重为例进行计算，上述等式可以变式为：

由上式可知，需要求得m张目标人脸图像的第1个质量因子的权重系数P₁才能求得Y₁。

可以理解，原本每张目标人脸图像的第1个质量因子是互不影响的，现在因为要将m张目标人脸图像的第1个质量因子进行融合，需要计算出在最后融合时各张目标人脸图像的权重系数。

可选地，P₁可以通过以下计算获得：

获得Y₁的最大化协方差，所述最大化协方差为：

根据所述最大化协方差，经拉格朗日乘子法可得到P₁的求解公式，其中，拉格朗日乘子法为：

进一步地，得到P₁的求解公式如下：

其中，

E{QQ^T}为Q的最大化协方差；

λ₁为m张目标人脸图像的第1个质量因子的特征权重系数，λ₁通过Q计算得到。

在上述P₁的求解公式中，E{QQ^T}和λ₁已知，通过求解公式可求得P₁，进一步求得Y₁。

同理，Y₂、Y₃、Y₄和Y₅也可以通过上述方法求得，由于计算过程类似，因此在此不作更多说明。

可以理解，在获得融合特征权重Y＝[Y₁Y₂...Y_x]的过程采用了最大协方差Principal Component Analysis(PCA)算法思维，该算法能对质量因子矩阵Q进行投影，从而实现降维处理，获得区别度更高的融合特征值，能减少人脸识别过程中由于一些多余的且区别度较低的特征造成的误识。

步骤S25，提取所述多张目标人脸图像的多个特征值函数，根据所述多个特征值函数和所述融合特征权重计算得到融合特征值函数。

例如，获得m张目标人脸图像的多个特征值函数F₁[m]、F₂[m]…F_x[m],其中，F_x[m]为m张目标人脸图像的第x个质量因子的特征值函数。

基于步骤S24求出的融合特征权重Y＝[Y₁Y₂...Y_x]，可以求得融合特征值函数F_mix，可选地，F_mix通过以下计算步骤得到：

在本实施例中，x＝5，因此上述等式可以变化为：

F_mix可以反映m张目标人脸图像的融合特征，在进行人脸识别的过程中，采用F_mix进行判断，可以减小误识的几率。

例如，摄像机拍摄到待识别人员A的一张或多张照片，服务端对所述一张或多张照片采用上述算法进行分析，得到融合特征值函数A-F，然后将A-F与人脸库存中的融合特征值函数集合A-M进行比对，若在A-M中找到匹配的融合特征值函数A-M_F，则识别出待识别人员A的身份为A-M_F，其中A-M_F可以为表征人员身份的多项信息。

可选地，融合特征值函数还可以通过以下方式获得：

在获得了过滤后的m张目标人脸图像所对应的整体质量因子之后，可以根据单一特征权重求解公式求得过滤后的m张目标人脸图像中每张人脸图像的单一特征权重，根据m个单一特征权重计算得到融合特征值函数，其中，单一特征权重求解公式为：

其中，

过滤之后的整体质量因子的数量为m；

q_whole-i为过滤之后的第i个整体质量因子；

ω_i为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征权重，i∈[1,m]。

可选地，对过滤之后的所有整体质量因子中的每个整体质量因子对应的每张目标人脸图像进行特征提取，获得该目标人脸图像的单一特征值函数f_i[m]，其中，f_i[m]为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征值函数,i∈[1,m]。

在获得了ω_i和f_i[m]之后，可选地，融合特征值函数可以为S，S通过以下计算步骤得到：

可以理解，在计算融合特征值函数时，可以先获得m张目标人脸图像中第x个质量因子的融合结果计算获得融合特征权重，并根据融合特征权重和特征值函数计算获得融合特征值函数。也可以先计算m张目标人脸图像中每张目标人脸图像的单一特征权重，并根据单一特征权重和特征值函数计算获得融合特征值函数。

可以理解，针对上述两种方法计算融合特征值函数的过程中，计算融合特征权重、单一特征权重的步骤与提取多个特征值函数的步骤没有先后顺序的限定。

应当理解，以上两种计算融合特征值函数的方法并不是对本实施例的限定，还可以有其它计算融合特征值函数的方法，只要能对多张人脸的融合特征进行识别即可。

在上述基础上，如图4所示，本发明实施例提供了一种图像处理装置20，所述图像处理装置20包括：整体质量因子获取模块21、整体质量因子过滤模块22和融合特征值函数计算模块23。

整体质量因子获取模块21，用于获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，所述整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到。

由于质量因子获取模块21和图2中步骤S21和步骤S22的实现原理类似，因此在此不作更多说明。

整体质量因子过滤模块22，用于对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子。

由于整体质量因子过滤模块22和图2中步骤S23的实现原理类似，因此在此不作更多说明。

融合特征值函数计算模块23，用于根据所述过滤之后的所有整体质量因子计算获得特征权重，对所述多张目标人脸图像进行训练并提取多个特征值函数，根据所述特征权重和所述多个特征值函数计算得到融合特征值函数，以反映所述多张目标人脸图像的融合特征。

由于融合特征值函数计算模块23和图2中步骤S24和步骤S25的实现原理类似，因此在此不作更多说明。

综上，本发明实施例所提供的图像处理方法、装置及电子设备，能根据多张目标人脸图像中每张目标人脸图像的整体质量因子，采用最大协方差PCA算法思维获得反映多张目标人脸图像的融合特征值函数，保证了多张人脸在融合后尽可能地保持原有的特征属性，提高了人脸识别的完整性和有效性，减小了误识别几率。

进一步地，本发明实施例采用降维方式对质量因子进行处理，保留了区别度较大的特征值，减少了区别度较低的特征值对人脸识别的干扰和影响。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，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，电子设备10，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种图像处理方法，其特征在于，所述方法包括：

获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，所述整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到；所述多张目标人脸图像的数量为n张，所述每张目标人脸图像中的多个质量因子的数量为x个，所述整体质量因子的数量为n个；

对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子；所述过滤之后的所有整体质量因子的数量为m个，其中m≤n；

根据所述过滤之后的所有整体质量因子计算获得特征权重，所述特征权重包括融合特征权重，所述融合特征权重为Y＝[Y₁ Y₂...Y_x]，其中，Y_x为m张目标人脸图像的第x个质量因子的特征权重；对所述多张目标人脸图像进行训练并提取多个特征值函数，根据所述特征权重和所述多个特征值函数计算得到融合特征值函数，以反映所述多张目标人脸图像的融合特征；

根据所述过滤之后的所有整体质量因子计算获得特征权重的步骤，包括：根据融合特征权重计算公式计算得到Y_x，所述融合特征权重计算公式为：

Y_x＝P_xQ

其中，

P_x为m张目标人脸图像的第x个质量因子的权重系数；

Q为质量因子矩阵，

q_xm为第m张目标人脸图像的第x个质量因子。

2.根据权利要求1所述的图像处理方法，其特征在于，P_x通过以下计算步骤得到：

获得Y_x的最大化协方差，其中，所述最大化协方差为：

var＝E{Y_xY_x ^T}＝P_x·E{QQ^T}·P_x ^T

根据所述最大化协方差，结合拉格朗日乘子法获得P_x的求解公式，其中，所述拉格朗日乘子法为：

f(P_x)＝P_x·E{QQ^T}·P_x ^T-λ_x(P_xP_x ^T-1)

所述求解公式为：

E{QQ^T}P_x ^T＝λ_xP_x ^T

其中，

E{QQ^T}为Q的最大化协方差；

λ_x为m张目标人脸图像的第x个质量因子的特征权重系数，λ_x通过Q计算得到。

3.根据权利要求1所述的图像处理方法，其特征在于，对所述多张目标人脸图像进行训练并提取多个特征值函数的步骤，包括：

获得所述m张目标人脸图像的多个特征值函数F₁[m]、F₂[m]…F_x[m]，其中，F_x[m]为所述m张目标人脸图像的第x个质量因子的特征值函数。

4.根据权利要求3所述的图像处理方法，其特征在于，所述融合特征值函数为F_mix，F_mix通过以下计算步骤得到：

5.根据权利要求1所述的图像处理方法，其特征在于，所述特征权重包括单一特征权重；根据所述过滤之后的所有整体质量因子计算获得特征权重的步骤，包括：

根据特征权重求解公式计算获得所述过滤之后的所有整体质量因子中的每个整体质量因子对应的目标人脸图像的单一特征权重；

所述单一特征权重求解公式为：

其中，

过滤之后的整体质量因子的数量为m；

q_whole-i为过滤之后的第i个整体质量因子；

ω_i为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征权重，i∈[1,m]。

6.根据权利要求5所述的图像处理方法，其特征在于，对所述多张目标人脸图像进行训练并提取多个特征值函数的步骤，包括：

对过滤之后的所有整体质量因子中的每个整体质量因子对应的每张目标人脸图像进行特征提取，获得该目标人脸图像的单一特征值函数f_i[m]，其中，f_i[m]为第i张过滤之后的整体质量因子所对应的目标人脸图像的单一特征值函数，i∈[1,m]；

所述融合特征值函数为S，S通过以下计算步骤得到：

7.一种图像处理装置，其特征在于，所述图像处理装置包括：

整体质量因子获取模块，用于获得多张目标人脸图像中每张目标人脸图像的整体质量因子，其中，所述整体质量因子根据所对应的目标人脸图像中的多个质量因子计算得到；所述多张目标人脸图像的数量为n张，所述每张目标人脸图像中的多个质量因子的数量为x个，所述整体质量因子的数量为n个；

整体质量因子过滤模块，用于对各所述整体质量因子进行过滤，获得过滤之后的所有整体质量因子；所述过滤之后的所有整体质量因子的数量为m个，其中m≤n；

融合特征值函数计算模块，用于根据所述过滤之后的所有整体质量因子计算获得特征权重，所述特征权重包括融合特征权重，所述融合特征权重为Y＝[Y₁ Y₂...Y_x]，其中，Y_x为m张目标人脸图像的第x个质量因子的特征权重；对所述多张目标人脸图像进行训练并提取多个特征值函数，根据所述特征权重和所述多个特征值函数计算得到融合特征值函数，以反映所述多张目标人脸图像的融合特征；所述融合特征值函数计算模块，具体用于根据融合特征权重计算公式计算得到Y_x，所述融合特征权重计算公式为：

Y_x＝P_xQ

其中，

P_x为m张目标人脸图像的第x个质量因子的权重系数；

Q为质量因子矩阵，

q_xm为第m张目标人脸图像的第x个质量因子。

8.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～6任一项所述的图像处理方法。

9.一种计算机可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行权利要求1～6任一项所述的图像处理方法。

Images