CN110287791B - 一种用于人脸图片的筛选方法和系统 - Google Patents

Abstract

本发明给出了一种用于人脸图片的筛选方法和系统，包括提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，进行灰度处理生成第三图片；利用边缘检测算法计算第三图片的清晰度，基于清晰度确定第一分值，过滤第一分值小于第一阈值的图片；基于人脸角度值确定第二分值，过滤第二分值小于第二阈值的图片；基于人脸眼睛数量确定第三分值；基于第一图片的像素值、第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于第一分值、第二分值、第三分值和第四分值获得图片的综合评分值，输出综合评分值大于综合阈值的图片。本发明可过滤大量无效数据，降低系统压力，提高人脸识别效率。

Description

一种用于人脸图片的筛选方法和系统

技术领域

本发明涉及计算机技术领域，尤其是一种用于人脸图片的筛选方法和系统。

背景技术

随着深度学习和人工智能技术的不断发展，人脸识别系统越来越多的应用于安防、智能新零售、金融、地铁、酒店、机场等需要身份验证的场景中，诸如银行远程开户、无人超商通过刷脸自动完成支付、门禁系统、地铁刷脸支付、机场自动进行人证核验等。

现有的人脸识别大多是直接从摄像头获取抓拍的人脸进行人脸识别，直接抓拍的图片包含了很多运动模糊或者聚焦不清晰的人脸，还有很多人脸角度、尺度和光照不合适，大大影响了识别准确度，也导致人脸识别应用受到较大影响，虽然现有少数人脸识别系统也有人脸图片质量判断，但是基本都是从图片清晰度方面进行判断，对人脸角度、光照、旋转、尺度等方面并没有做评估，同时清晰度的判断包含了很多主观评价，人脸识别准确率不高，因此现有人脸图片质量评价模型对人脸图片质量的评价效果较差。

在人脸识别应用中用摄像机采集含有人脸的图片，并进而对人脸图片中检测到的人脸进行脸部识别，随着人脸识别技术的应用的深入推广，通过人脸抓拍图片进行人脸识别的技术也得到了广泛应用。由于各人脸抓拍摄像机和人脸抓拍算法系统的抓拍算法质量参差不齐，摄像机安装调试质量也有好有坏，导致产生大量的无法识别的人脸图片，浪费人脸识别系统算力资源，产生垃圾数据；另外由于比对图片也存在质量不一，如存在手机翻拍照片，模糊照片等等问题，导致影响识别准确率。

在现有技术中进行人脸图像识别效果评估时的识别技术，主要利用深度神经网络提取图像特征，同时完成多个图像质量影响因素的全方位质量评估，利用机器学习来进行计算机视觉处理时，需要首先确定训练数据，一般情况下，人质量评判的模式识别模型的训练数据是怎样的，那么模型本身就可以对怎样的图片进行评判。现有技术中，对训练数据的标注一般是采用人工标注的方法，利用人为对图像的质量进行标注，然后将标注的图像作为训练样本。缺点在于：通过人为指定的一些维度对人像质量进行评估时，这些维度可能和人脸识别的精度没有关系，比如人像在图片中大小的占比；另一方面会不全面，往往会漏掉一些维度，比如人像之间的遮挡等等。需要大量的人脸图片做训练，需要对训练图片进行标注，训练工作繁杂周期长，并且容易受实战习惯影响。

发明内容

本发明提出了一种用于人脸图片的筛选方法和系统。

在一个方面，本发明提出了一种用于人脸图片的筛选方法，包括以下步骤：

S1：对图片进行人脸检测，提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片；

S2：利用边缘检测算法计算第三图片的清晰度，基于清晰度确定第一分值，过滤第一分值小于第一阈值的图片；

S3：利用训练分类器获得第三图片中的人脸角度值，基于人脸角度值确定第二分值，过滤第二分值小于第二阈值的图片；

S4：检测第三图片中的人脸眼睛数量，基于人脸眼睛数量确定第三分值；

S5：基于第一图片的像素值、第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于第一分值、第二分值、第三分值和第四分值获得图片的综合评分值，输出综合评分值大于综合阈值的图片。

在可选的实施例中，若待评价图片包括多个人脸，则提取待评价图片中最大的一个人脸生成第二图片。通过提取最大的人脸作为评价的基础，可以更有效的进行基于人脸图像的后续特征提取或人脸识别的工作。

在优选的实施例中，清晰度计算采用sobel算子进行边缘检测，清晰度计算公式为

其中，G_x和G_y分别表示横向和纵向边缘检测的图像灰度值。sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效。

在可选的实施例中，人脸角度值具体包括人脸的俯仰角、左右歪头角度和左右旋转角度。从人脸的俯仰角、左右歪头角度和左右旋转角度进行多方面的人脸角度值评价，使人脸图片的评分更加的合理。

在可选的实施例中，黑白灰像素占比值的获取方式具体为将第二图片从RGB色系转换为HSV色系，遍历每个像素点并判断像素点所属的颜色，统计黑白灰像素点所占比例。

在可选实施例中，步骤S2中的第一分值具体为清晰度评分，清晰度评分公式为：

其中，w1为清晰度权重分，G为清晰度值，P1为最小清晰度阈值，Q1为最大清晰度阈值。。

在可选的实施例中，步骤S3中的所述第二分值具体为人脸角度值评分，所述人脸角度值评分公式为：

其中w2为人脸角度值权重分，I为人脸俯仰角度值，J为左右歪头角度值，J为左右旋转角度值，P2为最小角度阈值，Q2为最大角度阈值。

在可选的实施例中，步骤S4中的所述第三分值具体为人脸眼睛数量评分，所述人脸眼睛数量评分公式为：

其中w3为眼睛数量权重分，M为眼睛数量，S为调节系数。

在可选的实施例中，步骤S4中的第四分值包括像素值评分、人脸占比值评分和黑白灰像素占比值评分，像素值评分公式为：

其中w4为像素值权重分，rows为横向像素点数，cols为纵向像素点数，P4为最小像素阈值，Q4为最大像素阈值；

人脸占比值评分公式为：

其中R1为人脸占比值，w5为人脸占比权重分，P5为最小占比阈值，Q5为最大占比阈值；

黑白灰像素占比值评分公式为：

其中w6为黑白灰像素占比的权重分，R2为黑白灰像素占比值，P6为最小黑白灰像素占比阈值，Q6为最大黑白灰像素占比阈值，T、U分别为第二、三黑白灰像素占比阈值。

根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时上述方法。

根据本发明的第三方面，提出一种用于人脸图片的筛选系统，该系统包括：

图片处理单元：配置用于对图片进行人脸检测，提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片；

第一分值评价单元：配置用于利用边缘检测算法计算第三图片的清晰度，基于清晰度确定第一分值，过滤第一分值小于第一阈值的图片；

第二分值评价单元：配置用于利用训练分类器获得第三图片中的人脸角度值，基于人脸角度值确定第二分值，过滤第二分值小于第二阈值的图片；

第三分值评价单元：配置用于检测第三图片中的人脸眼睛数量，基于人脸眼睛数量确定第三分值；

图片输出单元：配置用于基于第一图片的像素值、第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于第一分值、第二分值、第三分值和第四分值获得图片的综合评分值，输出综合评分值大于综合阈值的图片。

本发明通过对图片进行人脸检测，提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片，基于清晰度确定第一分值，基于人脸角度值确定第二分值，基于人脸眼睛数量确定第三分值；基于像素值、人脸占比值和黑白灰像素占比值参数确定第四分值；基于第一分值、第二分值、第三分值和第四分值的综合评分值，输出综合评分值大于综合阈值的人脸图像。利用图片像素值、人脸占比值、黑白灰像素点占比、眼睛检测数量值、图片清晰度和人脸角度等维度对人脸图片进行检测，并通过数学模型计算出综合质量分，从而实现对人脸图片识别效果进行评价并筛选出符合质量要求的人脸图片，达到过滤大量无效数据，降低系统压力，减少垃圾数据的目的。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。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是本发明的一个实施例的用于人脸图片的筛选方法的流程图；

图2是本发明的一个具体的实施例的人脸图片的处理示意图；

图3是本发明的一个具体的实施例的边缘检测结果示意图；

图4是本发明的一个具体的实施例的RGB至HSV色系转换对照表；

图5是本发明的一个实施例的用于人脸图片的筛选系统的框架图；

图6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。

根据本发明的一个实施例的用于人脸图片的筛选方法，图1示出了根据本发明的实施例的用于人脸图片的筛选方法的流程图。如图1所示，该方法包括以下步骤：

S101：对图片进行人脸检测，提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片。

在具体的实施例中，通过图像采集设备获取图片，图像采集设备可以为监控设备、相机和抓拍设备等用于获取图像的设备。利用深度学习的CNN(卷神经网络，ConvolutionalNeural Network)进行训练获取分类器对待评价的图片进行人脸检测，若未检测到人脸，则直接将其过滤。通过人脸检测可以有效的过滤无人脸出现的图片，减少无用的图片，提高人脸识别工作的效率。

在具体的实施例中，获取的人脸位置对第一图片进行裁剪，裁剪时需要适当扩大人脸周边位置，得到第二图片。一张人脸图的周边可能有很多干扰的因素，所以需要裁剪，把相关的干扰项去掉。再对第二图片进行灰度处理获得第三图片。图片处理示意图如图2所示，通过人脸位置的放大和灰度处理，能够更容易进行相关参数的判断，提高该人脸图片的评价结果的准确性和有效性。

在优选的实施例中，若第一图片中存在多个人脸，提取最大的人脸所在的区域进行放大生成第二图片，获取最大最清晰的人脸作为分析可以使后续任务的图像处理评价更清晰准确。

S102：利用边缘检测算法计算第三图片的清晰度，基于清晰度确定第一分值，过滤第一分值小于第一阈值的图片。通过对图片清晰度的判断，可以直接过滤清晰度较差的人脸图片，无需再进行其他项目的评价，极大的减轻了系统的算力，提高了图片筛选的效率。

在优选的实施例中，清晰度计算采用sobel算子进行边缘检测，图4示出了边缘检测的结果图。清晰度计算公式为

其中，G_x和G_y分别表示横向和纵向边缘检测的图像灰度值。Sobel算子有两个，一个是检测水平边缘；另一个是检测垂直边缘，Sobel算子对于像素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。

在具体的实施例中，第一分值，即清晰度评分的公式为：

其中，w1为清晰度权重分，G为清晰度值，P1为最小清晰度阈值，Q1为最大清晰度阈值。优选的，清晰度权重分w1可设置为20，最小清晰度阈值P1可设置为300，最大清晰度阈值Q1可设置为3000。

在具体的实施例中，第一阈值可以设置为10，若计算出的第一分值小于第一阈值，表示该第一图片的清晰度不足以作为有效的人脸图片进行后续项目的评价，需要进行过滤。应当认识到，第一阈值可以根据实际应用的场景设定其他合适的值，在最优的应用场景中最大程度的过滤清晰度较差的人脸图片。

S103：利用训练分类器获得第三图片中的人脸角度值，基于人脸角度值确定第二分值，过滤第二分值小于第二阈值的图片。正常人脸抓拍图的人脸有三个角度，如果角度太大，则可能分析不到完整的脸，对特征的提取等也会造成影响，所以排除人脸角度过大的图片，对提升人脸识别的效率也具有极大帮助。

在具体的实施例中，人脸角度值评分的公式为：

其中w2为人脸角度值权重分，I为人脸俯仰角度值，J为左右歪头角度值，J为左右旋转角度值，P2为最小角度阈值，Q2为最大角度阈值；优选的，人脸角度值权重分w2可设置为20，最小角度阈值P2可设置为10，最大角度阈值Q2可设置为30。

在具体的实施例中，第二阈值可以设置为5，若第二分值小于第二阈值，表示该图片中人脸的角度过大，可能无法识别到完整的人脸特征，对人脸识别结果有较大影响，需对其进行过滤。应当认识到，第二阈值可以根据实际应用的场景设定其他合适的值，用以过滤因人脸角度导致的无法识别的图片。

S104：检测第三图片中的人脸眼睛数量，基于人脸眼睛数量确定第二分值。人脸眼睛数量作为人脸特征的一个极为重要的特征参数，人脸图片中没有眼睛特征或眼睛闭上的特征容易影响该人脸图片识别效率，需作为一个重要的评价指标。

在具体的实施例中，在具体的实施例中，眼睛数量评分的公式为：

其中w3为眼睛数量权重分，M为眼睛数量，S为调节系数。优选的，眼睛数量权重分w3可设置为30，调节系数S可设置为4。

S105：基于所述第一图片的像素值、所述第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于所述第一分值、所述第二分值、所述第三分值和第四分值获得所述图片的综合评分值，输出所述综合评分值大于综合阈值的图片。根据综合评分值对人脸图片进行全面的评价，利用综合阈值的对比可以直接筛选出符合要求的人脸图片，过滤质量较差的人脸图片，从而提高人脸识别的效率。

在具体的实施例中，第四分值具体为像素值评分、人脸占比值评分和黑白灰像素占比值评分之和，通过像素值、人脸占比值和黑白灰像素占比值进一步对人脸图片进行判断，有针对性的对人脸图片进行有效性分析，最终为人脸图片的筛选提供评价的数据基础，以此基础筛选出高质量的人脸图片，减少了因人脸图片质量较差而浪费的系统算力，提高了系统的识别效率。

在具体的实施例中，像素值具体包括横向像素点数rows和纵向像素点数cols，像素值越高表示图片越清晰，通过对第一图片中的横向像素点数rows和纵向像素点数cols对该人脸图片进行像素值的评价，像素值评分的具体公式为：

其中w4为像素值权重分，rows为横向像素点数，cols为纵向像素点数，P4为最小像素阈值，Q4为最大像素阈值。优选的，像素值权重分w4可设置为10，最小像素点阈值P4可设置为100，最大像素点阈值Q4可设置为300。

在具体的实施例中，人脸占比值R1通过在第一图片中的人脸区域的长宽(L1，B1)与第一图片的长宽(L2，B2)的比值获得，即

人脸占比值评分公式为：

其中R1为人脸占比值，w5为人脸占比权重分，P5为最小占比阈值，Q5为最大占比阈值。优选的，人脸占比权重分w5可设置为10，最小占比阈值P5可设置为0.05，最大占比阈值Q5可设置为0.2。

在具体的实施例中，基于图4所示的RGB至HSV色系转换对照表，把第二图片从RGB色系转换为HSV色系，遍历每个像素点并判断像素点所属的颜色，统计黑白灰像素点所占比例。黑白灰像素占比值评分公式为：

其中w6为黑白灰像素占比的权重分，R2为黑白灰像素占比值，P6为最小黑白灰像素占比阈值，Q6为最大黑白灰像素占比阈值，T、U分别为第二、三黑白灰像素占比阈值。优选的，黑白灰像素占比权重分w6可设置为10，最小黑白灰像素占比阈值P6可设置为0.3，最大黑白灰像素占比阈值Q6可设置为0.8，第二黑白灰像素占比阈值T可设置为0.4，第三黑白灰像素占比阈值U可设置为0.6。通过黑白灰像素点占比的评价，可以过滤因光线较弱而拍出的照片不清晰的情况，黑白灰像素点占比越大，则表示该第二图片中有效的图像越少，黑白灰像素占比值评分越低。

在优选的实施例中，综合评分值为清晰度权重分w1、人脸角度值权重分w2、眼睛数量权重分w3、像素值权重分w4、人脸占比值权重分w5和黑白灰像素占比值权重分w6之和为100。综合阈值可根据实际人脸图片应用的需求进行设定，例如设置为60，低于该综合阈值表示该人脸图片不符合要求，需将其过滤，输出综合评分值大于综合阈值的人脸图片。

应当认识到，上述公式中的各项阈值可以为除上述定义值之外其他的数值，具体可以根据实际的应用需求进行合理的调整和设定，满足不同工作场景的需求，同样可以实现本发明的技术效果。

图5示出了根据本发明的另一实施例的用于人脸图片的筛选系统。该系统具体包括图片处理单元501、第一分值评价单元502、第二分值评价单元503、第三分值评价单元504和图片输出单元505。根据图片处理单元501将图片进行裁剪放大和灰度处理，通过第一分值评价单元502对图片进行清晰度的筛选，过滤清晰度较差的图片，第二分值评价单元503对图片的人脸眼睛数量进行筛选，过滤不包含眼睛的图片，第三分值评价单元504对人脸角度值进行评价筛选，过滤人脸角度过大或过小的图片，图片输出单元505对人脸占比、像素值和黑白灰像素点占比对图片进行评价，最终通过综合分值对人脸图片进行最终筛选，进而输出满足质量要求的人脸图片，为人脸特征提取或人脸识别提供高质量的人脸图片，减少无用数据并提高系统的效率。

在具体的实施例中，图片处理单元501：配置用于对图片进行人脸检测，提取包含人脸的第一图片，将第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片；

第一分值评价单元502：配置用于利用边缘检测算法计算第三图片的清晰度，基于清晰度确定第一分值，过滤第一分值小于第一阈值的图片；

第二分值评价单元503：配置用于利用训练分类器获得第三图片中的人脸角度值，基于人脸角度值确定第二分值，过滤第二分值小于第二阈值的图片；

第三分值评价单元504：配置用于检测第三图片中的人脸眼睛数量，基于人脸眼睛数量确定第三分值；

图片输出单元505：配置用于基于第一图片的像素值、第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于第一分值、第二分值、第三分值和第四分值获得图片的综合评分值，输出综合评分值大于综合阈值的图片。

该系统的各个单元可以在专用硬件上实施，也可以在通用的可编程逻辑器件中实施，或者由软硬件组合体来实施。

本发明利用图片像素值、人脸占比值、黑白灰像素点占比、眼睛检测数量值、图片清晰度和人脸角度等维度对人脸图片进行检测，并通过数学模型计算出综合质量分，从而实现对人脸图片进行综合评分，通过综合评分对人脸图片进行筛选，获取高质量的人脸图片进行人脸特征提取或人脸识别工作，提高人脸识别系统算力和准确率。

本发明的实施例还涉及一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上文中的方法。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。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介质或者是上述两者的任意组合。

下面参考图6，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600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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，本申请所述的计算机可读存储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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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，所述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。

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 (11)

1.一种用于人脸图片的筛选方法，其特征在于，包括以下步骤：

S1：对图片进行人脸检测，提取包含人脸的第一图片，将所述第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片；

S2：利用边缘检测算法计算所述第三图片的清晰度，基于所述清晰度确定第一分值，过滤所述第一分值小于第一阈值的图片；

S3：利用训练分类器获得所述第三图片中的人脸角度值，基于所述人脸角度值确定第二分值，过滤所述第二分值小于第二阈值的图片；

S4：检测第三图片中的人脸眼睛数量，基于所述人脸眼睛数量确定第三分值；

S5：基于所述第一图片的像素值、所述第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于所述第一分值、所述第二分值、所述第三分值和第四分值获得所述图片的综合评分值，输出所述综合评分值大于综合阈值的图片，其中，像素值具体包括横向像素点数rows和纵向像素点数cols，像素值越高表示图片越清晰，通过对所述第一图片中的所述横向像素点数rows和所述纵向像素点数cols对该人脸图片进行像素值的评价。

2.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，若所述第一图片包括多个人脸，则提取所述第一图片中最大的一个人脸生成所述第二图片。

3.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，所述清晰度计算采用sobel算子进行边缘检测，清晰度计算公式为

其中，G_x和G_y分别表示横向和纵向边缘检测的图像灰度值。

4.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，人脸角度值具体包括人脸的俯仰角、左右歪头角度和左右旋转角度。

5.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，所述黑白灰像素占比值的获取方式具体为将所述第二图片从RGB色系转换为HSV色系，遍历每个像素点并判断像素点所属的颜色，统计黑白灰像素点所占比例。

6.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，所述步骤S2中的所述第一分值具体为清晰度评分，所述清晰度评分公式为：

其中，w1为清晰度权重分，G为清晰度值，P1为最小清晰度阈值，Q1为最大清晰度阈值。

7.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，所述步骤S3中的所述第二分值具体为人脸角度值评分，所述人脸角度值评分公式为：

其中w2为人脸角度值权重分，I为人脸俯仰角度值，J为左右歪头角度值，K为左右旋转角度值，P2为最小角度阈值，Q2为最大角度阈值。

8.根据权利要求1所述的用于人脸图片的筛选方法，其特征在于，所述步骤S4中的所述第三分值具体为人脸眼睛数量评分，所述人脸眼睛数量评分公式为：

其中w3为眼睛数量权重分，M为眼睛数量，S为调节系数。

9.根据权利要求3所述的用于人脸图片的筛选方法，其特征在于，所述步骤S4中的所述第四分值包括像素值评分、人脸占比值评分和黑白灰像素占比值评分，所述像素值评分公式为：

其中w4为像素值权重分，rows为横向像素点数，cols为纵向像素点数，P4为最小像素阈值，Q4为最大像素阈值；

所述人脸占比值评分公式为：

其中R1为人脸占比值，w5为人脸占比权重分，P5为最小占比阈值，Q5为最大占比阈值；

所述黑白灰像素占比值评分公式为：

其中w6为黑白灰像素占比的权重分，R2为黑白灰像素占比值，P6为最小黑白灰像素占比阈值，Q6为最大黑白灰像素占比阈值，T、U分别为第二、三黑白灰像素占比阈值。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至9中任一项所述的方法。

11.一种用于人脸图片的筛选系统，其特征在于，包括：

图片处理单元：配置用于对图片进行人脸检测，提取包含人脸的第一图片，将所述第一图片中包含人脸位置的区域放大生成第二图片，将第二图片进行灰度处理生成第三图片；

第一分值评价单元：配置用于利用边缘检测算法计算所述第三图片的清晰度，基于所述清晰度确定第一分值，过滤所述第一分值小于第一阈值的图片；

第二分值评价单元：配置用于利用训练分类器获得所述第三图片中的人脸角度值，基于所述人脸角度值确定第二分值，过滤所述第二分值小于第二阈值的图片；

第三分值评价单元：配置用于检测第三图片中的人脸眼睛数量，基于所述人脸眼睛数量确定第三分值；

图片输出单元：配置用于基于所述第一图片的像素值、所述第二图片中的人脸占比值和黑白灰像素占比值确定第四分值，基于所述第一分值、所述第二分值、所述第三分值和第四分值获得所述图片的综合评分值，输出所述综合评分值大于综合阈值的图片，其中，像素值具体包括横向像素点数rows和纵向像素点数cols，像素值越高表示图片越清晰，通过对所述第一图片中的所述横向像素点数rows和所述纵向像素点数cols对该人脸图片进行像素值的评价。

Images