CN111369521A - 一种基于图像质量的图像过滤方法和相关装置 - Google Patents

一种基于图像质量的图像过滤方法和相关装置 Download PDF

Info

Publication number
CN111369521A
CN111369521A CN202010135964.2A CN202010135964A CN111369521A CN 111369521 A CN111369521 A CN 111369521A CN 202010135964 A CN202010135964 A CN 202010135964A CN 111369521 A CN111369521 A CN 111369521A
Authority
CN
China
Prior art keywords
image
face
trained
face image
quality
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
Application number
CN202010135964.2A
Other languages
English (en)
Inventor
杨德升
容宝祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chuangyou Digital Technology Guangdong Co Ltd
Original Assignee
Miniso Hengqin Enterprise Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Miniso Hengqin Enterprise Management Co ltd filed Critical Miniso Hengqin Enterprise Management Co ltd
Priority to CN202010135964.2A priority Critical patent/CN111369521A/zh
Publication of CN111369521A publication Critical patent/CN111369521A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于图像质量的图像过滤方法和相关装置，其中方法包括：获取若干幅人脸图像；基于人脸检测算法对人脸图像进行人脸检测并对人脸图像进行裁剪，输出人脸置信度；将裁剪后的人脸图像输入到预置图像质量分布模型，输出人脸图像评分；将各人脸图像的人脸图像评分和人脸置信度进行加权融合，得到若干个人脸图像质量分数；对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像，解决了现有的图像质量过滤方法存在的对比特征信息单一，使得图像质量评价准确性较低的技术问题。

Description

一种基于图像质量的图像过滤方法和相关装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于图像质量的图像过滤方法和相关装置。
背景技术
人脸识别技术在公共安全、智能监控身份认证等领域应用比较广泛，目前，人脸识别技术已相对成熟，一般情况下，人脸识别技术具有较高的识别准确率，但是，当人脸图像本身质量存在问题时，例如，图像模糊、曝光过度或人脸遮挡等，人脸识别的准确率容易受到影响，因此，对低质量的人脸图像进行过滤有助于提高人脸识别准确率。
现有的图像质量过滤方法有二分类法和峰值信噪比，二分类法就是将图像分为质量好和质量差两类，将质量差的图像过滤掉，该方法在实际应用中效果较差；峰值信噪比是基于对应像素点间的误差，存在对比特征信息单一，使得图像质量评价准确性较低的问题。
发明内容
本申请提供了一种基于图像质量的图像过滤方法和相关装置，用于解决现有的图像质量过滤方法存在的对比特征信息单一，使得图像质量评价准确性较低的技术问题。
有鉴于此，本申请第一方面提供了一种基于图像质量的图像过滤方法，包括：
获取若干幅人脸图像；
基于人脸检测算法对所述人脸图像进行人脸检测并对所述人脸图像进行裁剪，输出人脸置信度；
将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分；
将各所述人脸图像的所述人脸图像评分和所述人脸置信度进行加权融合，得到若干个人脸图像质量分数；
对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像。
优选地，所述对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像，之后还包括：
对输出的前预置数量位的所述人脸图像进行人脸识别。
优选地，所述将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分，之前还包括：
获取待训练人脸图像；
基于人脸检测算法对所述待训练人脸图像进行人脸检测并对所述待训练人脸图像进行裁剪；
基于若干个预置标准对裁剪后的所述待训练人脸图像的质量等级进行打分，得到所述待训练人脸图像的质量等级分布数据，将所述质量等级分布数据作为裁剪后的所述待训练人脸图像的标签；
将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练；
当所述残差网络达到收敛条件时，得到训练好的所述残差网络，将训练好的所述残差网络作为所述预置图像质量分布模型。
优选地，所述将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练，之前还包括：
基于Imagenet图像集对所述残差网络进行预训练。
本申请第二方面提供了一种基于图像质量的图像过滤系统，包括：
第一图像获取模块，用于获取若干幅人脸图像；
第一人脸检测模块，用于基于人脸检测算法对所述人脸图像进行人脸检测并对所述人脸图像进行裁剪，输出人脸置信度；
第一输出模块，用于将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分；
加权融合模块，用于将各所述人脸图像的所述人脸图像评分和所述人脸置信度进行加权融合，得到若干个人脸图像质量分数；
第二输出模块，用于对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像。
优选地，还包括：
人脸识别模块，用于对输出的前预置数量位的所述人脸图像进行人脸识别。
优选地，还包括：
第二图像获取模块，用于获取待训练人脸图像；
第二人脸检测模块，用于基于人脸检测算法对所述待训练人脸图像进行人脸检测并对所述待训练人脸图像进行裁剪；
打分模块，用于基于若干个预置标准对裁剪后的所述待训练人脸图像的质量等级进行打分，得到所述待训练人脸图像的质量等级分布数据，将所述质量等级分布数据作为裁剪后的所述待训练人脸图像的标签；
训练模块，用于将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练；
收敛模块，用于当所述残差网络达到收敛条件时，得到训练好的所述残差网络，将训练好的所述残差网络作为所述预置图像质量分布模型。
优选地，还包括：
预训练模块，用于基于Imagenet图像集对所述残差网络进行预训练。
本申请第三方面提供了一种基于图像质量的图像过滤设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的基于图像质量的图像过滤方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面任一种所述的基于图像质量的图像过滤方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种基于图像质量的图像过滤方法，包括：获取若干幅人脸图像；基于人脸检测算法对人脸图像进行人脸检测并对人脸图像进行裁剪，输出人脸置信度；将裁剪后的人脸图像输入到预置图像质量分布模型，输出人脸图像评分；将各人脸图像的人脸图像评分和人脸置信度进行加权融合，得到若干个人脸图像质量分数，对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像。
本申请中的基于图像质量的图像过滤方法，通过对获取的人脸图像进行人脸检测，输出结构化信息，根据人脸检测结果对人脸图像进行裁剪，将裁剪后的人脸图像输入到预置图像质量分布模型，得到人脸图像评分，将结构化信息中的人脸置信度和人脸图像评分进行加权融合，得到人脸图像质量分数，避免了采用单一特征进行图像质量评价所导致的评价准确性低的问题，从而解决了现有的图像质量过滤方法存在的对比特征信息单一，使得图像质量评价准确性较低的技术问题。
附图说明
图1为本申请提供的一种基于图像质量的图像过滤方法的一个实施例的流程示意图；
图2为本申请提供的一种基于图像质量的图像过滤方法的另一个实施例的流程示意图；
图3为本申请提供的一种基于图像质量的图像过滤系统的一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种基于图像质量的图像过滤方法的一个实施例，包括：
步骤101、获取若干幅人脸图像。
需要说明的是，可以通过预先部署在门店的摄像头获取视频数据，对视频数据进行分帧，得到人脸图像。
步骤102、基于人脸检测算法对人脸图像进行人脸检测并对人脸图像进行裁剪，输出人脸置信度。
需要说明的是，通过人脸检测算法对人脸图像进行人脸检测，可以得到结构化信息，包括人脸置信度、俯仰角度、水平角度和旋转角，可以根据检测结果对人脸图像进行裁剪。
步骤103、将裁剪后的人脸图像输入到预置图像质量分布模型，输出人脸图像评分。
需要说明的是，预置图像质量分布模型可以是训练好的卷积神经网络。
步骤104、将各人脸图像的人脸图像评分和人脸置信度进行加权融合，得到若干个人脸图像质量分数。
需要说明的是，为了克服现有技术中采用单一特征信息比对所存在的图像质量评价准确性低的问题，本申请实施例将人脸检测的结构化信息与预置图像质量分布模型预测的人脸图像评分进行加权融合，得到最终的人脸图像质量分数。
步骤105、对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像。
需要说明的是，对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像，从而将低质量的人脸图像过滤掉。
本申请实施例中的基于图像质量的图像过滤方法，通过对获取的人脸图像进行人脸检测，输出结构化信息，根据人脸检测结果对人脸图像进行裁剪，将裁剪后的人脸图像输入到预置图像质量分布模型，得到人脸图像评分，将结构化信息中的人脸置信度和人脸图像评分进行加权融合，得到人脸图像质量分数，避免了采用单一特征进行图像质量评价所导致的评价准确性低的问题，从而解决了现有的图像质量过滤方法存在的对比特征信息单一，使得图像质量评价准确性较低的技术问题。
为了便于理解，请参阅图2，本申请提供的一种基于图像质量的图像过滤方法的另一个实施例，包括：
步骤201、获取待训练人脸图像。
需要说明的是，可以从公开的人脸图像数据集中获取待训练人脸图像。
步骤202、基于人脸检测算法对待训练人脸图像进行人脸检测并对待训练人脸图像进行裁剪。
步骤203、基于若干个预置标准对裁剪后的待训练人脸图像的质量等级进行打分，得到待训练人脸图像的质量等级分布数据，将质量等级分布数据作为裁剪后的待训练人脸图像的标签。
需要说明的是，可以从裁剪后的待训练人脸图中的人脸的完整度、清晰度、曝光程度等多个方面进行综合打分，可以将图像质量划分为0-10的10个等级，即(0,1]，(1,2]，(2,3]......(9,10]，质量越高，分数越高，将人脸图像划分为10个等级进行质量评价，相比于基于二分类的质量评价的可靠性更高，更细粒度，得到的评价结果准确性也越高；可以通过若干数量的志愿者对裁剪后的待训练人脸图像的质量等级进行打分，每张裁剪后的待训练人脸图像对应的有多个打分，通过多个人对待训练人脸图像进行打分，可以将视觉感官和打分联系起来，打分完成后每张裁剪后的待训练人脸图像都有对应的质量等级分布数据，将质量等级分布数据作为裁剪后的待训练人脸图像的标签，用于训练残差网络。
步骤204、将裁剪后的待训练人脸图像和裁剪后的待训练人脸图像的标签输入到残差网络，对残差网络进行训练。
需要说明的是，可以将裁剪后的待训练人脸图像和裁剪后的待训练人脸图像的标签输入到残差网络，对残差网络进行训练；也可以先采用Imagenet图像集对残差网络进行预训练，以对残差网络的网络参数进行初始化，再将裁剪后的待训练人脸图像和裁剪后的待训练人脸图像的标签输入到预训练后的残差网络，对预训练后的残差网络进行训练，有助于提高残差网络的预测性能，可以使用随机梯度下降法进行训练，其中，残差网络可以采用Earth Mover距离函数作为损失函数。
步骤205、当残差网络达到收敛条件时，得到训练好的残差网络，将训练好的残差网络作为预置图像质量分布模型。
需要说明的是，收敛条件可以是训练时的迭代次数达到预置迭代次数，收敛条件也可以是残差网络的训练误差低于预置误差阈值；当残差网络达到收敛条件时，停止训练，得到训练好的残差网络，将训练好的残差网络作为预置图像质量分布模型。
步骤206、获取若干幅人脸图像。
需要说明的是，可以通过预先部署在门店的摄像头获取视频数据，对视频数据进行分帧，得到人脸图像。
步骤207、基于人脸检测算法对人脸图像进行人脸检测并对人脸图像进行裁剪，输出人脸置信度。
需要说明的是，通过人脸检测算法对人脸图像进行人脸检测，可以得到结构化信息，包括人脸置信度、俯仰角度、水平角度和旋转角，可以根据检测结果对人脸图像进行裁剪。
步骤208、将裁剪后的人脸图像输入到预置图像质量分布模型，输出人脸图像评分。
需要说明的是，预置图像质量分布模型在预测出每幅人脸图像在0-10之间的10个分数区间的概率后，计算这些区间的概率累加值，最终将这些累加值输出，即人脸图像评分。
步骤209、将各人脸图像的人脸图像评分和人脸置信度进行加权融合，得到若干个人脸图像质量分数。
需要说明的是，为了克服现有技术中采用单一特征信息比对所存在的图像质量评价准确性地的问题，本申请实施例将人脸检测的结构化信息与预置图像质量分布模型预测的人脸图像评分进行加权融合，得到最终的人脸图像质量分数，其中，将各人脸图像的人脸图像评分和人脸置信度进行加权融合的公式为：
Quality_scorei＝0.2*confidencei+0.8*scorei；
其中，Quality_scorei为第i幅人脸图像的人脸图像质量分数，confidencei为第i幅人脸图像的人脸置信度，scorei为第i幅人脸图像的人脸图像评分，scorei＝1*pi1+2*pi2+j*pij+…+10*pi10，pij为预置图像质量分布模型预测人脸图像i在(j-1，j]分数区间的概率。
步骤210、对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像。
需要说明的是，对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像，从而将低质量的人脸图像过滤掉。
步骤211、对输出的前预置数量位的人脸图像进行人脸识别。
需要说明的是，输出前预置数量位的人脸图像进行人脸识别，也就是将质量好的人脸图像进行人脸识别，在提高了识别率的同时，提高了系统响应速度，系统服务器不再对每一帧人脸数据进行计算和识别，减轻了服务器的计算压力。
为了便于理解，请参阅图3，本申请提供的一种基于图像质量的图像过滤系统的一个实施例，包括：
第一图像获取模块，用于获取若干幅人脸图像。
第一人脸检测模块，用于基于人脸检测算法对人脸图像进行人脸检测并对人脸图像进行裁剪，输出人脸置信度。
第一输出模块，用于将裁剪后的人脸图像输入到预置图像质量分布模型，输出人脸图像评分。
加权融合模块，用于将各人脸图像的人脸图像评分和人脸置信度进行加权融合，得到若干个人脸图像质量分数。
第二输出模块，用于对所有的人脸图像质量分数进行降序排序，输出前预置数量位的人脸图像。
进一步地，还包括：
人脸识别模块，用于对输出的前预置数量位的人脸图像进行人脸识别。
进一步地，还包括：
第二图像获取模块，用于获取待训练人脸图像。
第二人脸检测模块，用于基于人脸检测算法对待训练人脸图像进行人脸检测并对待训练人脸图像进行裁剪。
打分模块，用于基于若干个预置标准对裁剪后的待训练人脸图像的质量等级进行打分，得到待训练人脸图像的质量等级分布数据，将质量等级分布数据作为裁剪后的待训练人脸图像的标签。
训练模块，用于将裁剪后的待训练人脸图像和裁剪后的待训练人脸图像的标签输入到残差网络，对残差网络进行训练。
收敛模块，用于当残差网络达到收敛条件时，得到训练好的残差网络，将训练好的残差网络作为预置图像质量分布模型。
进一步地，还包括：
预训练模块，用于基于Imagenet图像集对残差网络进行预训练。
本申请实施例还提供了一种基于图像质量的图像过滤设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述基于图像质量的图像过滤方法实施例中的基于图像质量的图像过滤方法。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述基于图像质量的图像过滤方法实施例中的基于图像质量的图像过滤方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本申请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全部或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，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图像质量的图像过滤方法，其特征在于，包括：
获取若干幅人脸图像；
基于人脸检测算法对所述人脸图像进行人脸检测并对所述人脸图像进行裁剪，输出人脸置信度；
将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分；
将各所述人脸图像的所述人脸图像评分和所述人脸置信度进行加权融合，得到若干个人脸图像质量分数；
对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像。
2.根据权利要求1所述的基于图像质量的图像过滤方法，其特征在于，所述对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像，之后还包括：
对输出的前预置数量位的所述人脸图像进行人脸识别。
3.根据权利要求1所述的基于图像质量的图像过滤方法，其特征在于，所述将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分，之前还包括：
获取待训练人脸图像；
基于人脸检测算法对所述待训练人脸图像进行人脸检测并对所述待训练人脸图像进行裁剪；
基于若干个预置标准对裁剪后的所述待训练人脸图像的质量等级进行打分，得到所述待训练人脸图像的质量等级分布数据，将所述质量等级分布数据作为裁剪后的所述待训练人脸图像的标签；
将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练；
当所述残差网络达到收敛条件时，得到训练好的所述残差网络，将训练好的所述残差网络作为所述预置图像质量分布模型。
4.根据权利要求3所述的基于图像质量的图像过滤方法，其特征在于，所述将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练，之前还包括：
基于Imagenet图像集对所述残差网络进行预训练。
5.一种基于图像质量的图像过滤系统，其特征在于，包括：
第一图像获取模块，用于获取若干幅人脸图像；
第一人脸检测模块，用于基于人脸检测算法对所述人脸图像进行人脸检测并对所述人脸图像进行裁剪，输出人脸置信度；
第一输出模块，用于将裁剪后的所述人脸图像输入到预置图像质量分布模型，输出人脸图像评分；
加权融合模块，用于将各所述人脸图像的所述人脸图像评分和所述人脸置信度进行加权融合，得到若干个人脸图像质量分数；
第二输出模块，用于对所有的所述人脸图像质量分数进行降序排序，输出前预置数量位的所述人脸图像。
6.根据权利要求5所述的基于图像质量的图像过滤系统，其特征在于，还包括：
人脸识别模块，用于对输出的前预置数量位的所述人脸图像进行人脸识别。
7.根据权利要求5所述的基于图像质量的图像过滤系统，其特征在于，还包括：
第二图像获取模块，用于获取待训练人脸图像；
第二人脸检测模块，用于基于人脸检测算法对所述待训练人脸图像进行人脸检测并对所述待训练人脸图像进行裁剪；
打分模块，用于基于若干个预置标准对裁剪后的所述待训练人脸图像的质量等级进行打分，得到所述待训练人脸图像的质量等级分布数据，将所述质量等级分布数据作为裁剪后的所述待训练人脸图像的标签；
训练模块，用于将裁剪后的所述待训练人脸图像和裁剪后的所述待训练人脸图像的标签输入到残差网络，对所述残差网络进行训练；
收敛模块，用于当所述残差网络达到收敛条件时，得到训练好的所述残差网络，将训练好的所述残差网络作为所述预置图像质量分布模型。
8.根据权利要求7所述的基于图像质量的图像过滤系统，其特征在于，还包括：
预训练模块，用于基于Imagenet图像集对所述残差网络进行预训练。
9.一种基于图像质量的图像过滤设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于图像质量的图像过滤方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的基于图像质量的图像过滤方法。
CN202010135964.2A 2020-03-02 2020-03-02 一种基于图像质量的图像过滤方法和相关装置 Pending CN111369521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010135964.2A CN111369521A (zh) 2020-03-02 2020-03-02 一种基于图像质量的图像过滤方法和相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010135964.2A CN111369521A (zh) 2020-03-02 2020-03-02 一种基于图像质量的图像过滤方法和相关装置

Publications (1)

Publication Number Publication Date
CN111369521A true CN111369521A (zh) 2020-07-03

Family

ID=71208454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010135964.2A Pending CN111369521A (zh) 2020-03-02 2020-03-02 一种基于图像质量的图像过滤方法和相关装置

Country Status (1)

Country Link
CN (1) CN111369521A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797258A (zh) * 2020-07-10 2020-10-20 携程计算机技术（上海）有限公司 基于美感评价的图像推送方法、系统、设备及存储介质
CN111950554A (zh) * 2020-08-17 2020-11-17 深圳市丰巢网络技术有限公司 一种身份证识别方法、装置、设备及存储介质
CN112132074A (zh) * 2020-09-28 2020-12-25 平安养老保险股份有限公司 人脸图像验证方法、装置、计算机设备及存储介质
CN112215822A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于轻量级回归网络的人脸图像质量评估方法
CN113052245A (zh) * 2021-03-30 2021-06-29 重庆紫光华山智安科技有限公司 图像聚类方法和装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876758A (zh) * 2017-08-15 2018-11-23 北京旷视科技有限公司 人脸识别方法、装置及系统
CN108960087A (zh) * 2018-06-20 2018-12-07 中国科学院重庆绿色智能技术研究院 一种基于多维度评估标准的人脸图像质量评估方法及系统
CN109754391A (zh) * 2018-12-18 2019-05-14 北京爱奇艺科技有限公司 一种图像质量评价方法、装置及电子设备
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876758A (zh) * 2017-08-15 2018-11-23 北京旷视科技有限公司 人脸识别方法、装置及系统
CN108960087A (zh) * 2018-06-20 2018-12-07 中国科学院重庆绿色智能技术研究院 一种基于多维度评估标准的人脸图像质量评估方法及系统
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN109754391A (zh) * 2018-12-18 2019-05-14 北京爱奇艺科技有限公司 一种图像质量评价方法、装置及电子设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797258A (zh) * 2020-07-10 2020-10-20 携程计算机技术（上海）有限公司 基于美感评价的图像推送方法、系统、设备及存储介质
CN111797258B (zh) * 2020-07-10 2023-11-24 携程计算机技术（上海）有限公司 基于美感评价的图像推送方法、系统、设备及存储介质
CN111950554A (zh) * 2020-08-17 2020-11-17 深圳市丰巢网络技术有限公司 一种身份证识别方法、装置、设备及存储介质
CN112132074A (zh) * 2020-09-28 2020-12-25 平安养老保险股份有限公司 人脸图像验证方法、装置、计算机设备及存储介质
CN112215822A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于轻量级回归网络的人脸图像质量评估方法
CN113052245A (zh) * 2021-03-30 2021-06-29 重庆紫光华山智安科技有限公司 图像聚类方法和装置、电子设备及存储介质
CN113052245B (zh) * 2021-03-30 2023-08-25 重庆紫光华山智安科技有限公司 图像聚类方法和装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111369521A (zh) 一种基于图像质量的图像过滤方法和相关装置
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN107958244B (zh) 一种基于视频多帧人脸特征融合的人脸识别方法及装置
WO2021184894A1 (zh) 一种去模糊的人脸识别方法、系统和一种巡检机器人
CN106056079B (zh) 一种图像采集设备及人脸五官的遮挡检测方法
CN111191616A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN110084130B (zh) 基于多目标跟踪的人脸筛选方法、装置、设备及存储介质
CN112580523A (zh) 行为识别方法、装置、设备及存储介质
CN108596087B (zh) 一种基于双网络结果的驾驶疲劳程度检测回归模型
CN113034397B (zh) 一种实时多环境自适应轨迹自动溯源的高空抛物检测方法
CN109299690B (zh) 一种可提高视频实时人脸识别精度的方法
CN107832721B (zh) 用于输出信息的方法和装置
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
CN110543848B (zh) 一种基于三维卷积神经网络的驾驶员动作识别方法及装置
CN109117774B (zh) 一种基于稀疏编码的多视角视频异常检测方法
CN115861915A (zh) 消防通道监控方法、消防通道监控装置以及存储介质
CN115546742A (zh) 一种基于单目热红外摄像头的铁轨异物识别方法及系统
CN110837760B (zh) 目标检测方法、用于目标检测的训练方法和装置
CN113642479A (zh) 人脸图像的评价方法、装置、电子设备及存储介质
CN112818728B (zh) 年龄识别的方法及相关产品
CN113158720A (zh) 一种基于双模特征和注意力机制的视频摘要方法及装置
CN114612907A (zh) 一种车牌识别方法及装置
CN113191209A (zh) 基于深度学习的智能预警方法
CN111325132A (zh) 一种智能监控系统
CN113435248A (zh) 口罩人脸识别底库增强方法、装置、设备及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201125

Address after: Room 011, first floor, no.2429, Xingang East Road, Haizhu District, Guangzhou City, Guangdong Province (office only)

Applicant after: CHUANGYOU digital technology (Guangdong) Co., Ltd

Address before: Room 205, 2f office, No.156, nanshanzui Road, Hengqin, Zhuhai City, Guangdong Province

Applicant before: MINISO (HENGQIN) ENTERPRISE MANAGEMENT Co.,Ltd.