CN111368602A - 人脸图像模糊程度评价方法、装置、可读存储介质及设备 - Google Patents
人脸图像模糊程度评价方法、装置、可读存储介质及设备 Download PDFInfo
- Publication number
- CN111368602A CN111368602A CN201811600672.0A CN201811600672A CN111368602A CN 111368602 A CN111368602 A CN 111368602A CN 201811600672 A CN201811600672 A CN 201811600672A CN 111368602 A CN111368602 A CN 111368602A
- Authority
- CN
- China
- Prior art keywords
- layer
- face image
- neural network
- face
- image
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 238000011176 pooling Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 51
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 abstract description 13
- 230000007547 defect Effects 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- 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
- G06V40/168—Feature extraction; Face representation
Abstract
本发明公开了一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备，属于人脸识别领域。该方法包括：对人脸图像进行预处理；将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。本发明使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，可达到很高的精度和很好地鲁棒性，本发明评价速度快，实时性好。
Description
技术领域
本发明涉及人脸识别领域，特别是指一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备。
背景技术
当下随着智能手机等数字图像设备的普及，以及互联网服务的快速发展，图像已成为一种重要的传播媒介，人们每天都要接触大量的图像，如果图像的质量有了模糊、噪声、压缩失真等问题，会严重影响人们的视觉感官。
而在生物识别系统中，有研究指出：大部分的匹配错误都是由低质量的输入图像导致的，而高质量的图像会提高识别的精度。特别的，在人脸识别系统中，如果摄像头拍摄的人脸图像质量比较差，在进行人脸识别时会导致过多的识别失败、以致体验不好，所以必须保证采集的人脸图像有较好的质量。而影响人脸图像质量的主要因素是模糊，模糊通常是由以下两方面不良因素造成的：
一方面，是由于摄像头的焦距没对好造成的模糊，因为很多摄像头都是定焦的，人脸距离摄像头过近或过远都会造成一定的模糊；
另一方面，是由于运动造成的模糊，拍摄时人脸的晃动等造成的各种模糊。
参考文献“王志明.无参考图像质量评价综述.自动化学报,2015,41(6):1062-1079”中对于图像(一般意义上的图像，包括人脸图像)模糊程度的评价方法有综述性的介绍。文献中提及模糊程度的评估也可以理解为图像锐利程度的评估，其评价方法有三种：基于边缘分析的方法、基于变换域的方法和基于像素统计信息的方法。其中，基于边缘分析的方法，一般是先计算图像的Sobel边缘或者Canny边缘，之后通过计算边缘像素的平均边缘宽度、边缘最大强度、平均强度以及边缘比率等信息来评价图像的模糊程度。基于变换域的方法，主要是先将图像从空间域变换到频率域，基于在频率域中模糊图像的高频信息较少、低频较多的特点，这里的频率域变换有傅立叶变换、离散余弦变换或离散小波变换等，比如通过计算离散余弦变换后图像的8*8大小分块后，通过每一个块中非零系数的加权直方图来估计图像的模糊程度。基于像素统计信息的方法，是基于图像像素的一些统计信息及其相对变化，比如通过计算图像协方差矩阵的某些特征值来估计图像的模糊程度。
专利局于2016年5月4日公布的公开号为CN105550694A，名称为“一种度量人脸图像模糊程度的方法”的发明专利中，对人脸图像进行傅立叶变化以及对高斯模糊后的人脸图像进行傅立叶变化，根据变换前后的频谱信息计算出高斯模糊因子来评估图像的模糊程度，这是一种属于基于变换域的方法。
上面的基于边缘分析的方法、基于变换域和基于像素统计信息的评价方法都属于传统的评价方法，这里传统的方法是指基于一种手工设计的特征或数值来评估图像的模糊程度，通常一种有效的手工特征需要经过很多实验以及改进，其评价精度以及鲁棒性也不尽如人意。
发明内容
为解决上述技术问题，本发明提供一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备，本发明准确率高、鲁棒性好、速度快、实时性好。
本发明提供技术方案如下：
第一方面，本发明提供一种人脸图像模糊程度评价方法，所述方法包括：
对人脸图像进行预处理；
将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；
其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。
进一步的，所述对人脸图像进行预处理，包括：
通过人脸检测算法检测出人脸；
通过眼睛定位算法定位出左右眼坐标；
根据左右眼坐标进行人脸对齐；
对对齐后的人脸进行局部归一化处理；
将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。
进一步的，所述局部归一化的公式为：
其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，
为局部归一化之后的图像
的每个像素，C为常数，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；
w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。
进一步的，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。
进一步的，所述损失函数binary log los的公式为：
L(x,c)＝-log(c(x-0.5)+0.5)；
其中，x的取值范围是[0,1],c的取值是+1或-1；
每个卷积层均依次包括卷积层、BN层和ReLu层。
第二方面，本发明提供一种人脸图像模糊程度评价装置，所述装置包括：
预处理模块，用于对人脸图像进行预处理；
模糊分值获取模块，用于将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；
其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。
进一步的，所述预处理模块包括：
人脸检测单元，用于通过人脸检测算法检测出人脸；
左右眼定位单元，用于通过眼睛定位算法定位出左右眼坐标；
人脸对齐单元，用于根据左右眼坐标进行人脸对齐；
局部归一化单元，用于对对齐后的人脸进行局部归一化处理；
双线性插值单元，用于将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。
进一步的，所述局部归一化的公式为：
其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，
为局部归一化之后的图像
的每个像素，C为常数，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；
w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。
进一步的，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。
进一步的，所述损失函数binary log los的公式为：
L(x,c)＝-log(c(x-0.5)+0.5)；
其中，x的取值范围是[0,1],c的取值是+1或-1；
每个卷积层均依次包括卷积层、BN层和ReLu层。
第三方面，本发明提供一种用于人脸图像模糊程度评价的计算机可读存储介质，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括前述的第一方面所述的人脸图像模糊程度评价方法的步骤。
第四方面，本发明提供一种用于人脸图像模糊程度评价的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现前述的第一方面所述的人脸图像模糊程度评价方法的步骤。
本发明具有以下有益效果：
本发明使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
附图说明
图1为本发明的人脸图像模糊程度评价方法流程图；
图2为人脸对齐后的图像示例；
图3为局部归一化处理后的图像示例；
图4为双线性插值后的图像示例；
图5为卷积层的示意图；
图6为本发明的人脸图像模糊程度评价装置示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
实施例1：
本发明实施提供了一种人脸图像模糊程度评价方法，本发明优选用来在人脸识别中实时评价采集到的人脸图像的模糊程度。当然也可以不是实时评价，例如给定一幅预先采集到的人脸图像，判断其模糊程度。如图1所示，该方法包括：
步骤S100：对人脸图像进行预处理，得到需要大小的图像。
本发明实施例不限制预处理的方法，只要能够得到深度卷积神经网络需要的图像即可。
步骤S200：将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值。
模糊分值的取值范围优选为[0,100]，越接近0代表模糊的程度越高，越接近100代表清晰的程度越高，通过模糊分值即可直观的评价人脸图像的模糊程度。
本发明实施例的深度卷积神经网络是为了实现人脸图像模糊程度评价而特别设计的卷积神经网络，其包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，深度卷积神经网络的损失函数为binary log los。
该深度卷积神经网络在使用前需要进行训练，训练的过程如下：
1.建立一个包括104004张人脸图像的数据库，其中清晰的人脸图像有42828张(在训练时标记为+1)，模糊的人脸图像有61176张(在训练时标记为－1)。
2.对网络参数进行初始化。
3.用深度学习框架MatConvNet进行迭代训练，MatConvNet是matlab的一个深度学习工具。迭代过程中根据预先定义的损失函数，计算深度卷积神经网络的损失值，再通过反向传播算出各网络层参数的梯度，通过随机梯度下降法更新网络各层的参数，直到损失值达到想要的值。本发明实施例中训练了100个回合，学习率从1e-03降至1e-06，每批次100个样本。
训练完毕后，使用测试集对训练的深度卷积神经网络进行测试，误识率(能够完全把模糊图像分辨出来)是0％，同时拒真率是0.32％，平均准确率是99.84％。
本发明实施例使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
本发明实施例中，对人脸图像进行预处理的一个优选示例包括：
步骤S110：通过人脸检测算法检测出人脸。
本发明实施例不限制人脸检测算法，例如可以是利用Haar特征的AdaBoost人脸检测算法。
步骤S120：通过眼睛定位算法定位出左右眼坐标。
本发明实施例不限制眼睛定位算法，比如可以是利用Sift特征的SDM面部关键特征点定位算法。
步骤S130：根据左右眼坐标进行人脸对齐。
在本步骤中，通过人脸对齐，能够矫正原始图像中歪头、斜眼等状态，本发明实施例不限制人脸对齐算法，例如可以使用opencv进行仿射变换，进行人脸对齐操作。人脸对齐操作后的人脸大小优选为128*128，其中左眼坐标为(32,32)，右眼坐标为(96,32)。
步骤S140：对对齐后的人脸进行局部归一化处理。
经过局部归一化能够凸显人脸图像的特征。
步骤S150：将局部归一化处理后的人脸双线性插值到深度卷积神经网络需要的大小。
以前述的人脸对齐后得到128×128的大小的图像为例(如图2所示)，图3为局部归一化后的图像，其大小仍然为128*128，图4为经过双线性插值后的图像，大小为64*64，经过双线性插值操作后的图像数据量大大缩小，能够提高后续在卷积网络中进行模糊程度判断时的数据量，进一步提高检测评价速度，提高实时性。
本发明实施例中，设输入图像(局部归一化之前的图像)I的大小为M*N，用集合来表示I＝{I(i,j),i∈1,2,…,M,j＝1,2,…N}，局部归一化后的图像为
它的每一个像素以如下公式计算：
其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，
为局部归一化之后的图像
的每个像素，C为常数，优选C＝1，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；
w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半，2K*2L即为2维高斯平滑滤波器的窗口大小，优选取K＝3，L＝3。
本发明实施例对人脸图像进行人脸检测、眼睛定位、人脸对齐、做局部归一化处理、双线性插值下采样到64×64大小，提高了检测评价速度，实时性好。
本发明实施例中，深度卷积神经网络包括依次相连的第一卷积层Conv1、第一max池化层Pool1、第二卷积层Conv2、第二max池化层Pool2、第三卷积层Conv31、第四卷积层Conv32、第三max池化层Pool3、第五卷积层Conv41、第六卷积层Conv42、第四max池化层Pool4、第一全连接层Fc1、第一dropout层Dropout1、第二全连接层Fc2、第二dropout层Dropout2、第三全连接层Fc3、sigmoid层Sigmoid1。具体的网络结构参见表1。将sigmoid层输出的数值范围为[0,1]，乘以100后的数值作为人脸图像的模糊分值。
表1.深度卷积神经网络结构
其中，损失函数binary log los的公式为：
L(x,c)＝-log(c(x-0.5)+0.5)；
x的取值范围是[0,1],c的取值是+1或-1。
每个卷积层均依次包括卷积层Conv、BN层和ReLu层，如图5所示。ReLu(RectifiedLinear Units)是一种激活函数，BN(Batch Normalization,批标准化)，让模型变得更加健壮，鲁棒性更强。
Dropout是指在模型训练时随机让网络某些隐含层节点的权重暂时不工作(丢弃)为了防止模型过拟合。本发明实施例的深度卷积神经网络在训练时，第一dropout层和第二第一dropout层的丢弃概率可以相同，例如均为10％，当然也可以是其他数值，此处仅用10％作为示例性的说明，或者，在本发明其他一些实施例中，第一dropout层和第二第一dropout层的丢弃概率可以不同，例如，第一dropout层的丢弃概率为10％，第二dropout层的丢弃概率为20％。
本发明使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
实施例2：
本发明实施例提供了一种人脸图像模糊程度评价装置，本发明优选用来在人脸识别中实时评价采集到的人脸图像的模糊程度。当然也可以不是实时评价，例如给定一幅预先采集到的人脸图像，判断其模糊程度。如图6所示，该装置包括：
预处理模块10，用于对人脸图像进行预处理，得到需要大小的图像。
本发明实施例不限制预处理的方法，只要能够得到深度卷积神经网络需要的图像即可。
模糊分值获取模块20，用于将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值。
模糊分值的取值范围优选为[0,100]，越接近0代表模糊的程度越高，越接近100代表清晰的程度越高，通过模糊分值即可直观的评价人脸图像的模糊程度。
本发明实施例的深度卷积神经网络是为了实现人脸图像模糊程度评价而特别设计的卷积神经网络，深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，深度卷积神经网络的损失函数为binary log los。
该深度卷积神经网络在使用前需要进行训练，训练的过程如实施例1所示。训练完毕后，使用测试集对训练的深度卷积神经网络进行测试，误识率(能够完全把模糊图像分辨出来)是0％，同时拒真率是0.32％，平均准确率是99.84％。
本发明实施例使用基于深度卷积神经网络的自动学习特征装置，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
本发明实施例中，预处理模块的一个示例包括：
人脸检测单元，用于通过人脸检测算法检测出人脸。
本发明实施例不限制人脸检测算法，例如可以是利用Haar特征的AdaBoost人脸检测算法。
左右眼定位单元，用于通过眼睛定位算法定位出左右眼坐标。
本发明实施例不限制眼睛定位算法，比如可以是利用Sift特征的SDM面部关键特征点定位算法。
人脸对齐单元，用于根据左右眼坐标进行人脸对齐。
通过人脸对齐，能够矫正原始图像中歪头、斜眼等状态，本发明实施例不限制人脸对齐算法，例如可以使用opencv进行仿射变换，进行人脸对齐操作。人脸对齐操作后的人脸大小优选为128*128，其中左眼坐标为(32,32)，右眼坐标为(96,32)。
局部归一化单元，用于对对齐后的人脸进行局部归一化处理。
经过局部归一化能够凸显人脸图像的特征。
双线性插值单元，用于将局部归一化处理后的人脸双线性插值到深度卷积神经网络需要的大小。
以前述的人脸对齐后得到128×128的大小的图像为例(如图2所示)，图3为局部归一化后的图像，其大小仍然为128*128，图4为经过双线性插值后的图像，大小为64*64，经过双线性插值操作后的图像数据量大大缩小，能够提高后续在卷积网络中进行模糊程度判断时的数据量，进一步提高检测评价速度，提高实时性。
本发明实施例中，设输入图像(局部归一化之前的图像)I的大小为M*N，用集合来表示I＝{I(i,j),i∈1,2,…,M,j＝1,2,…N}，局部归一化后的图像为
它的每一个像素以如下公式计算：
其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，
为局部归一化之后的图像
的每个像素，C为常数，优选C＝1，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；
w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半，K*L即为2维高斯平滑滤波器的窗口大小，优选取K＝3，L＝3。
本发明实施例对人脸图像进行人脸检测、眼睛定位、人脸对齐、做局部归一化处理、双线性插值下采样到64×64大小，提高了检测评价速度，实时性好。
本发明实施例中，深度卷积神经网络包括依次相连的第一卷积层Conv1、第一max池化层Pool1、第二卷积层Conv2、第二max池化层Pool2、第三卷积层Conv31、第四卷积层Conv32、第三max池化层Pool3、第五卷积层Conv41、第六卷积层Conv42、第四max池化层Pool4、第一全连接层Fc1、第一dropout层Dropout1、第二全连接层Fc2、第二dropout层Dropout2、第三全连接层Fc3、sigmoid层Sigmoid1。具体的网络结构参见实施例1的表1。将sigmoid层输出的数值范围为[0,1]，乘以100后的数值作为人脸图像的模糊分值。
其中，损失函数binary log los的公式为：
L(x,c)＝-log(c(x-0.5)+0.5)；
x的取值范围是[0,1],c的取值是+1或-1。
每个卷积层均依次包括卷积层Conv、BN层和ReLu层，如图5所示。ReLu(RectifiedLinear Units)是一种激活函数，BN(Batch Normalization,批标准化)，让模型变得更加健壮，鲁棒性更强。
Dropout是指在模型训练时随机让网络某些隐含层节点的权重暂时不工作(丢弃)为了防止模型过拟合。本发明实施例的深度卷积神经网络在训练时，第一dropout层和第二第一dropout层的丢弃概率可以相同，例如均为10％，当然也可以是其他数值，此处仅用10％作为示例性的说明，或者，在本发明其他一些实施例中，第一dropout层和第二第一dropout层的丢弃概率可以不同，例如，第一dropout层的丢弃概率为10％，第二dropout层的丢弃概率为20％。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
实施例3：
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例1所描述方案的效果。因此，本发明还提供用于人脸图像模糊程度评价的计算机可读存储介质，包括处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的人脸图像模糊程度评价方法的步骤。
本发明实施例使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
实施例4：
本发明还提供一种用于人脸图像模糊程度评价的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于人脸图像模糊程度评价的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述人脸图像模糊程度评价方法的步骤。
本发明实施例使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，通过本发明设计的卷积神经网络结构训练大量的数据即可达到很高的精度，这种精度高于传统的评价方法，对图像的模糊程度有很好的表征能力；并且与现有的手工设计特征相比，深度卷积神经网络自动学习特征具有很好地鲁棒性；另外，本发明对人脸图像模糊程度评价速度快，实时性好。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是，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、商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、商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、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种人脸图像模糊程度评价方法，其特征在于，所述方法包括：
对人脸图像进行预处理；
将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；
其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。
2.根据权利要求1所述的人脸图像模糊程度评价方法，其特征在于，所述对人脸图像进行预处理，包括：
通过人脸检测算法检测出人脸；
通过眼睛定位算法定位出左右眼坐标；
根据左右眼坐标进行人脸对齐；
对对齐后的人脸进行局部归一化处理；
将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。
3.根据权利要求2所述的人脸图像模糊程度评价方法，其特征在于，所述局部归一化的公式为：
其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，
为局部归一化之后的图像
的每个像素，C为常数，μ(i,j)和σ(i,j0分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；
w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。
4.根据权利要求1-3任一所述的人脸图像模糊程度评价方法，其特征在于，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。
5.根据权利要求4所述的人脸图像模糊程度评价方法，其特征在于，所述损失函数binary log los的公式为：
L(x,c)＝-log(c(x-0.5)+0.5)；
其中，x的取值范围是[0,1],c的取值是+1或-1；
每个卷积层均依次包括卷积层、BN层和ReLu层。
6.一种人脸图像模糊程度评价装置，其特征在于，所述装置包括：
预处理模块，用于对人脸图像进行预处理；
模糊分值获取模块，用于将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；
其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。
7.根据权利要求6所述的人脸图像模糊程度评价装置，其特征在于，所述预处理模块包括：
人脸检测单元，用于通过人脸检测算法检测出人脸；
左右眼定位单元，用于通过眼睛定位算法定位出左右眼坐标；
人脸对齐单元，用于根据左右眼坐标进行人脸对齐；
局部归一化单元，用于对对齐后的人脸进行局部归一化处理；
双线性插值单元，用于将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。
8.根据权利要求6或7所述的人脸图像模糊程度评价装置，其特征在于，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。
9.一种用于人脸图像模糊程度评价的计算机可读存储介质，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括权利要求1-5任一所述人脸图像模糊程度评价方法的步骤。
10.一种用于人脸图像模糊程度评价的设备，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-5中任意一项所述人脸图像模糊程度评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600672.0A CN111368602A (zh) | 2018-12-26 | 2018-12-26 | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600672.0A CN111368602A (zh) | 2018-12-26 | 2018-12-26 | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111368602A true CN111368602A (zh) | 2020-07-03 |
Family
ID=71208570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811600672.0A Pending CN111368602A (zh) | 2018-12-26 | 2018-12-26 | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368602A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862040A (zh) * | 2020-07-20 | 2020-10-30 | 中移（杭州）信息技术有限公司 | 人像图片质量评价方法、装置、设备及存储介质 |
| CN112085701A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种人脸模糊度检测方法、装置、终端设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
| CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
-
2018
- 2018-12-26 CN CN201811600672.0A patent/CN111368602A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
| CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862040A (zh) * | 2020-07-20 | 2020-10-30 | 中移（杭州）信息技术有限公司 | 人像图片质量评价方法、装置、设备及存储介质 |
| CN111862040B (zh) * | 2020-07-20 | 2023-10-31 | 中移（杭州）信息技术有限公司 | 人像图片质量评价方法、装置、设备及存储介质 |
| CN112085701A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种人脸模糊度检测方法、装置、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Deep learning on image denoising: An overview | |
| Yang et al. | BM3D-Net: A convolutional neural network for transform-domain collaborative filtering | |
| Li et al. | Which has better visual quality: The clear blue sky or a blurry animal? | |
| CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
| Talebi et al. | Learned perceptual image enhancement | |
| Bayar et al. | On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection | |
| CN108898620B (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
| Wu et al. | IID-Net: Image inpainting detection network via neural architecture search and attention | |
| CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
| CN109214337B (zh) | 一种人群统计方法、装置、设备及计算机可读存储介质 | |
| CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
| Ren et al. | Enhanced non-local total variation model and multi-directional feature prediction prior for single image super resolution | |
| CN114049332A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
| CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
| CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
| Li et al. | Densely connected network for impulse noise removal | |
| CN112417955A (zh) | 巡检视频流处理方法及装置 | |
| CN111860056B (zh) | 基于眨眼的活体检测方法、装置、可读存储介质及设备 | |
| Hong et al. | A novel evolutionary approach to image enhancement filter design: method and applications | |
| CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 | |
| Rana et al. | MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection | |
| CN111860057A (zh) | 人脸图像模糊和活体检测方法、装置、存储介质及设备 | |
| Sabarinathan et al. | Medicinal plant leaf recognition and show medicinal uses using convolutional neural network | |
| Li et al. | A new qr code recognition method using deblurring and modified local adaptive thresholding techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |