CN111062914B - 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 - Google Patents

Abstract

本公开的实施例公开了采集脸部图像的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取脸部图像；将脸部图像输入至预先训练的脸部评估网络，得到脸部图像的分数，其中，脸部评估网络包括筛选网络和打分网络，筛选网络用于筛选出至少一个脸部质量评估方法，打分网络用于基于至少一个脸部质量评估方法对脸部图像进行打分。该实施方式实现了对脸部图像评分准确性的提高并节约评估时间。

Description

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

技术领域

本公开的实施例涉及计算机技术领域，具体涉及采集脸部图像的方法、装置、电子设备和计算机可读介质。

背景技术

在大量脸部图像中，往往存在筛选最适宜图像的问题，例如，如何选取最清晰正面脸部图像等。相应地，也就需要在很多脸部图像质量评估方法中选择适合的方法，之后再对脸部图像进行评分。脸部质量评估方法的选择极大影响评分结果，评分结果准确度较低。整个评分过程需要针对图像的亮度，拍摄角度等多个方面选择多个脸部质量评估方法，之后，还需要将多个脸部质量评估方法的评分进行汇总。这一系列步骤相对繁琐，且多个脸部质量评估方法的选择也需要较多的时间。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了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，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于采集脸部图像的方法，该方法包括：获取脸部图像；将上述脸部图像输入至预先训练的脸部评估网络，得到上述脸部图像的分数，其中，上述脸部评估网络包括筛选网络和打分网络，上述筛选网络用于筛选出至少一个脸部质量评估方法，上述打分网络用于基于上述至少一个脸部质量评估方法对上述脸部图像进行打分。

在一些实施例中，上述脸部评估网络是通过以下训练步骤训练得到的：获取训练样本集，其中，上述训练样本集中的训练样本包括样本脸部图像、上述样本脸部图像对应的至少一个样本脸部质量评估方法和使用上述至少一个脸部质量评估方法进行打分得到的样本脸部图像的分数；根据上述至少一个样本脸部质量评估方法和上述样本脸部图像的分数设定奖励函数；将上述训练样本中的样本脸部图像输入待训练模型中的筛选网络，得到至少一个脸部质量评估方法；将样本脸部图像和上述至少一个脸部质量评估方法输入待训练模型中的打分网络，得到样本脸部图像的分数；根据上述至少一个脸部质量评估方法和样本脸部图像的分数确定与上述奖励函数的差值；根据上述差值确定上述待训练模型是否训练完成；响应于确定上述待训练模型训练完成，将上述待训练模型确定为脸部评估网络。

在一些实施例中，上述步骤还包括：响应于确定待训练模型未训练完成，调整待训练模型中的相关参数。

在一些实施例中，上述根据上述样本脸部图像对应的样本脸部质量评估方法和样本脸部图像使用对应的脸部质量评估方法得到的分数设定奖励函数，包括：确定上述至少一个样本脸部质量评估方法的权重分；利用上述至少一个样本脸部质量评估方法对脸部图像进行质量评估，得到评估得分；根据上述权重分和上述评估得分设定奖励函数。

在一些实施例中，上述确定上述样本脸部质量评估方法的权重，包括：基于以下方式中至少一项，对上述至少一个样本脸部质量评估方法进行权重打分，得到上述至少一个样本脸部质量评估方法的权重分：统计方法，深度神经网络。

在一些实施例中，上述方法还包括：响应于上述脸部图像的分数低于预定阈值，控制具有脸部图像采集功能的设备呈现脸部图像采集提示信息；以及控制上述设备进行脸部图像采集。

第二方面，本公开的一些实施例提供了一种采集脸部图像的装置，装置包括：获取单元，配置用于获取脸部图像；评估单元，配置用于将上述脸部图像输入至预先训练的脸部评估网络，得到上述脸部图像的分数，其中，上述脸部评估网络包括筛选网络和打分网络，上述筛选网络用于筛选出至少一个脸部质量评估方法，上述打分网络用于基于上述至少一个脸部质量评估方法对上述脸部图像进行打分。

第三方面，本申请实施例提供了一种电子设备，该网络设备包括：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中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过获取脸部图像，之后将脸部图像输入至脸部质量网络的筛选网络选取脸部质量评估方法，之后根据筛选的脸部质量评估方法对脸部图像进行打分。在对脸部质量评估方法进行筛选后，使用相应的脸部质量评估方法得到的评分更加准确，而将筛选网络和打分网络相结合也极大节约对图像评估的时间。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本申请一些实施例的用于采集脸部图像的方法的一个应用场景的示意图；

图2是根据本公开的用于采集脸部图像的方法的一些实施例的流程图；

图3是根据本公开的用于采集脸部图像的装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本申请。

图1是根据本申请一些实施例的采集脸部图像的方法的一个应用场景的示意图。

如图1所示，在图1的应用场景中，当服务器101获取脸部图像102后，将上述脸部图像输入脸部评估网络中的筛选网络1011中，上述筛选网络从脸部质量评估方法集103中筛选出两个脸部质量评估方法1031，之后，打分网络1012根据筛选出的两个脸部质量评估方法1031对脸部图像102进行打分，得到脸部图像的分数104。

可以理解的是，用于采集脸部图像的方法可以是由服务器(例如图1的所示服务器101)来执行，或者也可以是由其它电子设备来执行，或者还可以是各种软件程序来执行。其中，电子设备可以是具有信息处理能力的各种设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。此外，当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的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服务器。

继续参考图2，示出了根据本公开的用于采集脸部图像的方法的一些实施例的流程200。该用于采集脸部图像的方法，包括以下步骤：

步骤201，获取脸部图像。

在一些实施例中，用于采集脸部图像的方法的执行主体(例如图1所示的服务器101)可以通过有线连接方式或者无线连接方式获取脸部图像。例如，可以是存储在本地的脸部图像，也可以是从网上检索得到的脸部图像。

在这里，脸部图像通常指包含脸部的图像。其可以是平面脸部图像，也可以是立体脸部图像(即包含深度信息的脸部图像)。而且样本脸部图像可以是彩色图像(如红绿蓝(Red、Green、Blue，RGB)照片)和/或灰度图像等等。该图像的格式在本申请中并不限制，如一种图像格式(Joint Photo graphic Experts Group，jpg)、图像文件格式(Bitmap，BMP)或无损压缩格式(RAW Image Format，RAW)等格式，只要可以被执行主体读取识别即可。

步骤202，将脸部图像输入至预先训练的脸部评估网络，得到脸部图像的分数。

在一些实施例中，基于步骤201中得到的脸部图像，上述执行主体(例如图1所示的服务器101)可以将获取的脸部图像输入至预先训练的脸部评估网络，从而得到脸部图像的分数。其中，上述脸部评估网络包括筛选网络和打分网络，上述筛选网络用于筛选出至少一个脸部质量评估方法，上述打分网络用于基于上述至少一个脸部质量评估方法对上述脸部图像进行打分。在这里，上述脸部评估网络通常用于表征脸部图像和脸部图像分数的对应关系，例如，可以建立对应关系表：当脸部图像是模糊不清的图像时，对应的分数可能就是1分；当脸部图像是脸部局部图像时，对应的分数可能就是2分。上述筛选网络通常用于表征脸部图像和脸部质量评估方法的对应关系，例如，可以建立对应关系表：当脸部图像较为模糊时，对应脸部图像模糊度打分方法；当脸部图像中脸部为侧脸，对应脸部角度评估方法。

上述打分网络通常用于表征脸部图像和至少一个打分方法与脸部图像分数的对应关系。例如，可以是脸部图像和至少一个打分方法与脸部图像分数的函数关系式。在这里，上述分数可以是多个分数，也可以是一个分数。

作为一种示例，可以基于对大量记录有脸部图像、脸部图像对应的脸部图像的脸部质量评估方法和脸部图像的分数进行统计而生成存储有多个对应关系表，并将该对应关系表作为脸部评估网络模型。这样，可以将获取的脸部图像和对应关系表中记录的多个脸部图像进行比较，若与上述对应关系表中的脸部图像相同或相似，则使用上述对对应关系表中的脸部图像质量评估方法对获取的脸部图像进行打分，得到脸部图像分数。

在一些实施例的一些可选的实现方式中，上述脸部评估网络是通过以下训练步骤训练得到的：获取训练样本集，其中，上述训练样本集中的训练样本包括样本脸部图像、上述样本脸部图像对应的至少一个样本脸部质量评估方法和使用上述至少一个脸部质量评估方法进行打分得到的样本脸部图像的分数。在这里，上述获取方式有多种，例如，可以通过有线连接方式或无线连接方式从本地或网上检索得到。

接着，根据上述至少一个样本脸部质量评估方法和上述样本脸部图像的分数设定奖励函数。在这里，上述奖励函数通常是指用于将筛选网络和/或打分网络的输出与训练样本进行比较的一个函数或数值。例如，上述奖励函数可以是将样本脸部质量评估方法的数量与样本脸部图像的分数的乘积。

然后，将上述训练样本中的样本脸部图像输入待训练模型中的筛选网络，得到至少一个脸部质量评估方法。作为示例，可以预先针对样本脸部图像和对应的至少一个脸部质量评估方法进行统计得到对应关系表，在上述对应关系表中的样本脸部图像进行比较，若与上述对应关系表中的样本脸部图像相同或相似，则输出对应关系表中的至少一个脸部质量评估方法。

之后，将样本脸部图像和上述至少一个脸部质量评估方法输入待训练模型中的打分网络，得到样本脸部图像的分数。作为示例，可以预先确定脸部质量评估方法与样本脸部图像的分数的函数关系式，将脸部质量评估方法输入函数关系式，输出样本脸部图像的分数。

再之后，根据上述至少一个脸部质量评估方法和样本脸部图像的分数确定与上述奖励函数的差值。在这里，上述差值可以是脸部质量评估方法数量与样本脸部图像分数的乘积与奖励函数的差值，也可以是脸部质量评估方法的权重与样本脸部图像分数的乘积与奖励函数的差值。根据上述差值确定上述待训练模型是否训练完成。作为示例，上述差值达到预定阈值时可以确定上述待训练模型训练完成。响应于确定上述待训练模型训练完成，将上述待训练模型确定为脸部评估网络。

在一些实施例的一些可选的实现方式中，上述方法还包括：响应于确定待训练模型未训练完成，调整待训练模型中的相关参数。

在一些实施例的一些可选的实现方式中，上述执行主体可以确定上述至少一个样本脸部质量评估方法的权重分。利用上述至少一个样本脸部质量评估方法对脸部图像进行质量评估，得到评估得分。根据上述权重分和上述评估得分设定奖励函数。

在这里，上述权重分通常是指在质量评价过程中，按照不同项目在整体工作中所占的工作量大小以及该项目对整体工作的重要程度，而算出的比例分值。上述奖励函数的设定可以是上述权重分与评估得分相乘或相加等数学运算得到。

在一些实施例的一些可选的实现方式中，上述执行主体可以基于以下方式中至少一项，对上述至少一个样本脸部质量评估方法进行权重打分，得到上述至少一个样本脸部质量评估方法的权重分：统计方法，深度神经网络。

在这里，上述统计方法通常是指有关收集、整理、分析和解释统计数据，并对其所反映的问题作出一定结论的方法。例如，根据脸部质量评估方法对不同脸部图像的评估结果的统计。上述深度神经网络(Deep Neural Networks，DNN)是深度学习的基础，将简单的单层神经网络中的隐藏层扩展出来多层时，就得到了深度神经网络，例如，长短期记忆网络(Long-Short Term Memory，LSTM)，递归神经网络(recursive neural network，RNN)等。

在一些实施例的一些可选的实现方式中，上述执行主体可以响应于上述脸部图像的分数低于预定阈值，控制具有脸部图像采集功能的设备呈现脸部图像采集提示信息；以及控制上述设备进行脸部图像采集。

在这里，上述呈现可以是以语音播报的方式、文本显示的方式或图像显示等方式进行呈现。作为示例，当上述脸部图像评分中脸部遮掩评分较低时，可以发出语音播报以提示用户不要遮盖脸部。之后，可以控制上述设备对脸部特征进行采集。

本公开的一些实施例公开的用于采集脸部图像的方法，通过对获取到的脸部图像进行打分来评估图像，在脸部图像的评分较低时，可以根据上述评分来控制上述设备呈现提示需要重新采集脸部图像的信息，并且控制上述设备采集脸部图像。实现了对人脸图像的采集效率变得更高，节省时间，同时采集到的脸部图像的质量也相对提高。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种用于采集脸部图像的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的采集脸部图像的装置300包括：获取单元301和评估单元302。其中，获取单元301配置用于获取脸部图像；评估单元302配置用于将上述脸部图像输入至预先训练的脸部评估网络，得到上述脸部图像的分数，其中，上述脸部评估网络包括筛选网络和打分网络，上述筛选网络用于筛选出至少一个脸部质量评估方法，上述打分网络用于基于上述至少一个脸部质量评估方法对上述脸部图像进行打分。

在一些实施例的可选实现方式中，采集脸部图像的装置300还包括训练单元配置用于获取训练样本集，其中，上述训练样本集中的训练样本包括样本脸部图像、上述样本脸部图像对应的至少一个样本脸部质量评估方法和使用上述至少一个脸部质量评估方法进行打分得到的样本脸部图像的分数；根据上述至少一个样本脸部质量评估方法和上述样本脸部图像的分数设定奖励函数；将上述训练样本中的样本脸部图像输入待训练模型中的筛选网络，得到至少一个脸部质量评估方法；将样本脸部图像和上述至少一个脸部质量评估方法输入待训练模型中的打分网络，得到样本脸部图像的分数；根据上述至少一个脸部质量评估方法和样本脸部图像的分数确定与上述奖励函数的差值；根据上述差值确定上述待训练模型是否训练完成；响应于确定上述待训练模型训练完成，将上述待训练模型确定为脸部评估网络。

在一些实施例的可选实现方式中，采集脸部图像的装置300还包括调整单元配置用于响应于确定待训练模型未训练完成，调整待训练模型中的相关参数，以及从上述训练样本集中重新选取训练样本，使用调整后的待训练模型作为待训练模型，继续执行上述训练步骤。

在一些实施例的可选实现方式中，上述训练单元被进一步配置成确定上述至少一个样本脸部质量评估方法的权重分；利用上述至少一个样本脸部质量评估方法对脸部图像进行质量评估，得到评估得分；根据上述权重分和上述评估得分设定奖励函数。

在一些实施例的可选实现方式中，上述训练单元可以基于以下方式中至少一项，对上述至少一个样本脸部质量评估方法进行权重打分，得到上述至少一个样本脸部质量评估方法的权重分：统计方法，深度神经网络。

在一些实施例的可选实现方式中，采集脸部图像的装置300还包括采集单元配置用于响应于上述脸部图像的分数低于预定阈值，控制具有脸部图像采集功能的设备呈现脸部图像采集提示信息；以及控制上述设备进行脸部图像采集。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取脸部图像；将上述脸部图像输入至预先训练的脸部评估网络，得到上述脸部图像的分数，其中，上述脸部评估网络包括筛选网络和打分网络，上述筛选网络用于筛选出至少一个脸部质量评估方法，上述打分网络用于基于上述至少一个脸部质量评估方法对上述脸部图像进行打分。

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公开的一些实施例的操作的计算机程序代码，上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，图示了按照本公开各种实施例的系统、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。

描述于本公开的一些实施例中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“获取脸部图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (8)

1.一种用于采集脸部图像的方法，包括：

获取脸部图像；

将所述脸部图像输入至预先训练的脸部评估网络，得到所述脸部图像的分数，其中，所述脸部评估网络包括筛选网络和打分网络，所述筛选网络用于筛选出至少一个脸部质量评估方法，所述打分网络用于基于所述至少一个脸部质量评估方法对所述脸部图像进行打分；

其中，所述脸部评估网络是通过以下训练步骤训练得到的：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本脸部图像、所述样本脸部图像对应的至少一个样本脸部质量评估方法和使用所述至少一个脸部质量评估方法进行打分得到的样本脸部图像的分数；

根据所述至少一个样本脸部质量评估方法和所述样本脸部图像的分数设定奖励函数；

将所述训练样本中的样本脸部图像输入待训练模型中的筛选网络，得到至少一个脸部质量评估方法；

将样本脸部图像和所述至少一个脸部质量评估方法输入待训练模型中的打分网络，得到样本脸部图像的分数；

根据所述至少一个脸部质量评估方法和样本脸部图像的分数确定与所述奖励函数的差值；

根据所述差值确定所述待训练模型是否训练完成；

响应于确定所述待训练模型训练完成，将所述待训练模型确定为脸部评估网络。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于所述脸部图像的分数低于预定阈值，控制具有脸部图像采集功能的设备呈现脸部图像采集提示信息；以及

控制所述设备进行脸部图像采集。

3.根据权利要求2所述的方法，其中，所述训练步骤还包括：

响应于确定待训练模型未训练完成，调整待训练模型中的相关参数。

4.根据权利要求1所述的方法，其中，所述根据所述样本脸部图像对应的样本脸部质量评估方法和样本脸部图像使用对应的脸部质量评估方法得到的分数设定奖励函数，包括：

确定所述至少一个样本脸部质量评估方法的权重分；

利用所述至少一个样本脸部质量评估方法对脸部图像进行质量评估，得到评估得分；

根据所述权重分和所述评估得分设定奖励函数。

5.根据权利要求4所述的方法，其中，所述确定所述样本脸部质量评估方法的权重，包括：

基于以下方式中至少一项，对所述至少一个样本脸部质量评估方法进行权重打分，得到所述至少一个样本脸部质量评估方法的权重分：统计方法，深度神经网络。

6.一种用于采集脸部图像的装置，包括：

获取单元，被配置成获取脸部图像；

评估单元，被配置成将所述脸部图像输入至预先训练的脸部评估网络，得到所述脸部图像的分数，其中，所述脸部评估网络包括筛选网络和打分网络，所述筛选网络用于筛选出至少一个脸部质量评估方法，所述打分网络用于基于所述至少一个脸部质量评估方法对所述脸部图像进行打分；其中，所述脸部评估网络是通过以下训练步骤训练得到的：获取训练样本集，其中，所述训练样本集中的训练样本包括样本脸部图像、所述样本脸部图像对应的至少一个样本脸部质量评估方法和使用所述至少一个脸部质量评估方法进行打分得到的样本脸部图像的分数；根据所述至少一个样本脸部质量评估方法和所述样本脸部图像的分数设定奖励函数；将所述训练样本中的样本脸部图像输入待训练模型中的筛选网络，得到至少一个脸部质量评估方法；将样本脸部图像和所述至少一个脸部质量评估方法输入待训练模型中的打分网络，得到样本脸部图像的分数；根据所述至少一个脸部质量评估方法和样本脸部图像的分数确定与所述奖励函数的差值；根据所述差值确定所述待训练模型是否训练完成；响应于确定所述待训练模型训练完成，将所述待训练模型确定为脸部评估网络。

7.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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。

8.一种计算机可读介质，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。

Images