CN111860091A - 人脸图像评估方法和系统、服务器和计算机可读存储介质 - Google Patents

Abstract

本发明提供了一种人脸图像评估方法和系统、服务器和计算机可读存储介质，其中，一种人脸图像评估方法包括：获取人脸图像，并确定人脸图像对应的属性信息；提取人脸图像的特征信息，并确定特征信息的范数值；根据属性信息和范数值对人脸图像进行评估。通过根据人脸图像对应的属性信息，和人脸图像特征信息对应的范数值对人脸图像进行评估，进而从多个不同维度评估人脸图像的质量，实现对人脸图像质量的综合打分，进而可以在视频流中选取到相对较佳的人脸图像用于人脸识别，有标的保证了人脸识别通过率，提高了用户体验。

Description

人脸图像评估方法和系统、服务器和计算机可读存储介质

技术领域

本发明涉及人脸图像评估技术领域，具体而言，设计一种人脸图像评估方法、一种人脸图像评估系统、一种服务器和一种计算机可读存储介质。

背景技术

在相关技术中，例如网约车司机身份验证、金融、门禁等场景需要应用人脸识别技术来进行身份识别，一般地，大部分人脸识别场景都是使用摄像头采集用户人脸视频流，之后从视频流中抽取一帧包含人脸的图片去做人脸识别，但是在视频采集过程中，用户往往都处于“半配合”状态：采集过程中用户头部姿态可能会调整(侧脸、低头)、面部在移动过程中可能会模糊、偶尔可能会遮挡面部等，这些都会影响之后的人脸识别准确性。如何从视频流中挑选人脸识别效果最好的人脸图片，对保障人脸识别通过率、提升用户体验至关重要。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提出一种人脸图像评估方法。

本发明的第二方面提出一种人脸图像评估系统。

本发明的第三方面提出一种服务器。

本发明的第四方面提出一种计算机可读存储介质。

有鉴于此，本发明的第一方面提供了一种人脸图像评估方法，包括：获取人脸图像，并确定人脸图像对应的属性信息；提取人脸图像的特征信息，并确定特征信息的范数值；根据属性信息和范数值对人脸图像进行评估。

在该技术方案中，通过根据人脸图像对应的属性信息，和人脸图像特征信息对应的范数值对人脸图像进行评估，进而从多个不同维度评估人脸图像的质量，实现对人脸图像质量的综合打分，进而可以在视频流中选取到相对较佳的人脸图像用于人脸识别，有标的保证了人脸识别通过率，提高了用户体验。

另外，本发明提供的上述技术方案中的人脸图像评估方法还可以具有如下附加技术特征：

在上述技术方案中，根据属性信息和范数值对人脸图像进行评估的步骤，具体包括：确定属性信息对应的第一得分值；获取测试集，通过贝叶斯算法在测试集中确定属性信息和范数值对应的权重值；根据第一得分值、范数值和对应的权重值计算人脸图像的第二得分值，以通过第二得分值对人脸图像进行评估。

在该技术方案中，在根据属性信息和范数值对人脸图像进行评估时，首先根据人脸图像中被标记的属性信息计算第一得分值。具体地，计算第一得分值的过程可通过训练好的卷积算法自动计算。以属性信息包括人脸被遮挡的比例为例，人脸被遮挡的比例越大，人脸识别的成功率就对应越低，因此第一得分值越低。即第一得分值可正面反应人脸识别的成功率。

在计算得到第一得分值后，进一步获取测试集，并通过贝叶斯算法在测试集中确定每一个属性信息对应的权重值。权重值反应了多个属性信息中每个属性信息的重要程度。以属性信息包括人脸被遮挡的比例和人脸图像的光照强度为例，上述两种属性信息中，人脸被遮挡对人脸识别成功率的影响要大于光照强度对人脸识别成功率的影响，因此人脸被遮挡的比例的对应的权重值就相对大于光照强度的权重值。

在确定了第一得分值和对应的权重值后，计算第一得分值和范数值分别与对应权重值的乘积，即可得到人脸图像的第二得分值，即根据多个属性信息和引入的范数值概念算得的人脸图像的分数值。根据第二得分值可以准确地对人脸图像进行评估，进而保证人脸识别的准确率。

在上述任一技术方案中，在获取测试集的步骤之前，人脸图像评估方法还包括：获取初始图像和人脸识别模型，并在初始图像中标注属性信息，以得到训练图像集；通过训练图像集训练人脸识别模型，以得到预测模型和训练集，并通过预测模型确定人脸图像对应的属性信息。

在该技术方案中，通过对人脸识别模型进行训练，以使人脸识别模型可以同时预测人脸图像的属性信息和范数值。其中，首先准备多种姿态、场景和种族的人脸图像数据作为初始图像，其中，初始图像为RGB(一种色彩规格)图像。

在初始图像中，对图像中人脸的多中属性信息进行标注，如标注姿态、模糊程度、是否遮挡和光照强度等，并通过标注后的初始图像形成训练图像集。利用训练图像集训练人脸识别模型，可以得到训练好的预测模型和训练集，并通过训练集确定多个属性信息的权重值，以及通过预测模型预测人脸信息的多个属性值。

其中，可通过多任务训练方式训练人脸识别模型。

在上述任一技术方案中，属性信息包括以下中的至少一个：人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

在该技术方案中，人脸的姿态具体为人脸为正对摄像头，或歪头、低头等姿态。人脸的模糊度体现为在帧图像中，人脸是否处于运动过程中，或对焦是否准确。人脸被遮挡的比例则可以反应人脸整体是否全部可以被识别。人脸图像的光照强度，直观的形容即图像亮度或曝光度。亮度或曝光度过高或过低均可能影响人脸识别的准确性。

可以理解的是，属性信息并不局限于上述提到的属性，任何可能对人脸识别成功率造成影响的图像属性均可作为本发明的可行实施例。

本发明第二方面提供了一种人脸图像评估系统，包括：获取单元，配置为获取人脸图像，并确定人脸图像对应的属性信息；处理单元，配置为提取人脸图像的特征信息，并确定特征信息的范数值；评估单元，配置为根据属性信息和范数值对人脸图像进行评估。

在该技术方案中，通过根据人脸图像对应的属性信息，和人脸图像特征信息对应的范数值对人脸图像进行评估，进而从多个不同维度评估人脸图像的质量，实现对人脸图像质量的综合打分，进而可以在视频流中选取到相对较佳的人脸图像用于人脸识别，有标的保证了人脸识别通过率，提高了用户体验。

在上述技术方案中，评估单元具体用于：确定属性信息对应的第一得分值；获取测试集，通过贝叶斯算法在测试集中确定属性信息和范数值对应的权重值；根据第一得分值、范数值和对应的权重值计算人脸图像的第二得分值，以通过第二得分值对人脸图像进行评估。

在该技术方案中，在根据属性信息和范数值对人脸图像进行评估时，首先根据人脸图像中被标记的属性信息计算第一得分值。具体地，计算第一得分值的过程可通过训练好的卷积算法自动计算。以属性信息包括人脸被遮挡的比例为例，人脸被遮挡的比例越大，人脸识别的成功率就对应越低，因此第一得分值越低。即第一得分值可正面反应人脸识别的成功率。

在计算得到第一得分值后，进一步获取测试集，并通过贝叶斯算法在测试集中确定每一个属性信息对应的权重值。权重值反应了多个属性信息中每个属性信息的重要程度。以属性信息包括人脸被遮挡的比例和人脸图像的光照强度为例，上述两种属性信息中，人脸被遮挡对人脸识别成功率的影响要大于光照强度对人脸识别成功率的影响，因此人脸被遮挡的比例的对应的权重值就相对大于光照强度的权重值。

在确定了第一得分值和对应的权重值后，计算第一得分值和范数值分别与对应权重值的乘积，即可得到人脸图像的第二得分值，即根据多个属性信息和引入的范数值概念算得的人脸图像的分数值。根据第二得分值可以准确地对人脸图像进行评估，进而保证人脸识别的准确率。

在上述任一技术方案中，人脸图像评估系统还包括：获取单元，配置为获取初始图像和人脸识别模型，并在初始图像中标注属性信息，以得到训练图像集；训练单元，配置为通过训练图像集训练人脸识别模型，以得到预测模型和训练集，并通过预测模型确定人脸图像对应的属性信息。

在该技术方案中，通过对人脸识别模型进行训练，以使人脸识别模型可以同时预测人脸图像的属性信息和范数值。其中，首先准备多种姿态、场景和种族的人脸图像数据作为初始图像，其中，初始图像为RGB(一种色彩规格)图像。

在初始图像中，对图像中人脸的多中属性信息进行标注，如标注姿态、模糊程度、是否遮挡和光照强度等，并通过标注后的初始图像形成训练图像集。利用训练图像集训练人脸识别模型，可以得到训练好的预测模型和训练集，并通过训练集确定多个属性信息的权重值，以及通过预测模型预测人脸信息的多个属性值。

其中，可通过多任务训练方式训练人脸识别模型。

在上述任一技术方案中，属性信息包括以下中的至少一个：人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

在该技术方案中，人脸的姿态具体为人脸为正对摄像头，或歪头、低头等姿态。人脸的模糊度体现为在帧图像中，人脸是否处于运动过程中，或对焦是否准确。人脸被遮挡的比例则可以反应人脸整体是否全部可以被识别。人脸图像的光照强度，直观的形容即图像亮度或曝光度。亮度或曝光度过高或过低均可能影响人脸识别的准确性。

可以理解的是，属性信息并不局限于上述提到的属性，任何可能对人脸识别成功率造成影响的图像属性均可作为本发明的可行实施例。

本发明第三方面提供了一种服务器，包括：存储器，配置为存储计算机程序；处理器，配置为执行计算机程序以实现如上述任一技术方案中提供的人脸图像评估方法，因此，该服务器包括如上述任一技术方案中提供的人脸图像评估方法的全部有益效果，在此不再赘述。

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案中提供的人脸图像评估方法，因此，该计算机可读存储介质包括如上述任一技术方案中提供的人脸图像评估方法的全部有益效果，在此不再赘述。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的人脸图像评估方法的流程图；

图2示出了根据本发明的一个实施例的人脸图像评估方法的另一个流程图；

图3示出了根据本发明的一个实施例的人脸图像评估方法的又一个流程图；

图4示出了根据本发明的一个实施例的人脸图像评估系统的结构框图；

图5示出了根据本发明的一个实施例的人脸图像评估系统的另一个结构框图；

图6示出了根据本发明的一个实施例的服务器的结构框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图6描述根据本发明一些实施例所述人脸图像评估方法、人脸图像评估系统、服务器和计算机可读存储介质。

实施例一

如图1所示，在本发明的一个实施例中，提供了一种人脸图像评估方法，包括：

步骤S102，获取人脸图像，并确定人脸图像对应的属性信息；

步骤S104，提取人脸图像的特征信息，并确定特征信息的范数值；

步骤S106，根据属性信息和范数值对人脸图像进行评估。

在该实施例中，通过根据人脸图像对应的属性信息，和人脸图像特征信息对应的范数值对人脸图像进行评估，进而从多个不同维度评估人脸图像的质量，实现对人脸图像质量的综合打分，进而可以在视频流中选取到相对较佳的人脸图像用于人脸识别，有标的保证了人脸识别通过率，提高了用户体验。

如图2所示，在本发明的一个实施例中，根据属性信息和范数值对人脸图像进行评估的步骤，具体包括：

步骤S202，确定属性信息对应的第一得分值；

步骤S204，获取测试集，通过贝叶斯算法在测试集中确定属性信息和范数值对应的权重值；

步骤S206，根据第一得分值、范数值和对应的权重值计算人脸图像的第二得分值，以通过第二得分值对人脸图像进行评估。

在该实施例中，在根据属性信息和范数值对人脸图像进行评估时，首先根据人脸图像中被标记的属性信息计算第一得分值。具体地，计算第一得分值的过程可通过训练好的卷积算法自动计算。以属性信息包括人脸被遮挡的比例为例，人脸被遮挡的比例越大，人脸识别的成功率就对应越低，因此第一得分值越低。即第一得分值可正面反应人脸识别的成功率。

在计算得到第一得分值后，进一步获取测试集，并通过贝叶斯算法在测试集中确定每一个属性信息对应的权重值。权重值反应了多个属性信息中每个属性信息的重要程度。以属性信息包括人脸被遮挡的比例和人脸图像的光照强度为例，上述两种属性信息中，人脸被遮挡对人脸识别成功率的影响要大于光照强度对人脸识别成功率的影响，因此人脸被遮挡的比例的对应的权重值就相对大于光照强度的权重值。

在确定了第一得分值和对应的权重值后，计算第一得分值和范数值分别与对应权重值的乘积，即可得到人脸图像的第二得分值，即根据多个属性信息和引入的范数值概念算得的人脸图像的分数值。根据第二得分值可以准确地对人脸图像进行评估，进而保证人脸识别的准确率。

如图3所示，在本发明的一个实施例中，在获取测试集的步骤之前，人脸图像评估方法还包括：

步骤S302，获取初始图像和人脸识别模型，并在初始图像中标注属性信息，以得到训练图像集；

步骤S304，通过训练图像集训练人脸识别模型，以得到预测模型和训练集，并通过预测模型确定人脸图像对应的属性信息。

在该实施例中，通过对人脸识别模型进行训练，以使人脸识别模型可以同时预测人脸图像的属性信息和范数值。其中，首先准备多种姿态、场景和种族的人脸图像数据作为初始图像，其中，初始图像为RGB(一种色彩规格)图像。

在初始图像中，对图像中人脸的多中属性信息进行标注，如标注姿态、模糊程度、是否遮挡和光照强度等，并通过标注后的初始图像形成训练图像集。利用训练图像集训练人脸识别模型，可以得到训练好的预测模型和训练集，并通过训练集确定多个属性信息的权重值，以及通过预测模型预测人脸信息的多个属性值。

其中，可通过多任务训练方式训练人脸识别模型。

在本发明的一个实施例中，属性信息包括以下中的至少一个：人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

在该实施例中，人脸的姿态具体为人脸为正对摄像头，或歪头、低头等姿态。人脸的模糊度体现为在帧图像中，人脸是否处于运动过程中，或对焦是否准确。人脸被遮挡的比例则可以反应人脸整体是否全部可以被识别。人脸图像的光照强度，直观的形容即图像亮度或曝光度。亮度或曝光度过高或过低均可能影响人脸识别的准确性。

可以理解的是，属性信息并不局限于上述提到的属性，任何可能对人脸识别成功率造成影响的图像属性均可作为本发明的可行实施例。

实施例二

在本发明的一个完整实施例中，提供了一种多维度的人脸图像评估方法。

具体地，本发明从人脸姿态、光照、模糊程度、遮挡、闭眼、剧烈表情等多个维度评估人脸图片质量，并利用人脸识别模型提取人脸图片特征，求得人脸特征NORM(范数函数)值，增加通过人脸NORM值的维度来评估人脸质量，能直接反映出该人脸图片“适不适合做人脸识别”。

对于各个维度的权重确定：通过贝叶斯搜索，快速、准确的确定人脸姿态、模糊、遮挡、光照、NORM值等不同维度对人脸质量影响的权重。

具体流程如下：

第一步，人脸数据准备：收集各种姿态、场景、种族的人脸数据。

第二步，标注人脸各维度属性值：标注姿态(yaw，pitch)，模糊程度，是否遮挡，光照强度等。

第三步，计算人脸特征NORM值：使用人脸识别模型提取人脸数据的特征，计算特征NORM值做label(标签)。

第四步，训练时输入RGB人脸图像，使用多任务训练方式，模型同时预测人脸的姿态、模糊、遮挡、NORM值等多个属性。

第五步，训练完毕后，在测试集上用贝叶斯搜索不同维度属性的权重，权重和为1。

第六步，人脸质量评估：使用训练好的模型预测人脸不同属性的得分，之后通过5搜索得到的权重，计算得到人脸质量的综合打分。

实施例三

如图4所示，在本发明的一个实施例中，供了一种人脸图像评估系统400，包括：获取单元402，配置为获取人脸图像，并确定人脸图像对应的属性信息；处理单元404，配置为提取人脸图像的特征信息，并确定特征信息的范数值；评估单元406，配置为根据属性信息和范数值对人脸图像进行评估。

在该实施例中，通过根据人脸图像对应的属性信息，和人脸图像特征信息对应的范数值对人脸图像进行评估，进而从多个不同维度评估人脸图像的质量，实现对人脸图像质量的综合打分，进而可以在视频流中选取到相对较佳的人脸图像用于人脸识别，有标的保证了人脸识别通过率，提高了用户体验。

在本发明的一个实施例中，评估单元406具体用于：确定属性信息对应的第一得分值；获取测试集，通过贝叶斯算法在测试集中确定属性信息和范数值对应的权重值；根据第一得分值、范数值和对应的权重值计算人脸图像的第二得分值，以通过第二得分值对人脸图像进行评估。

在该实施例中，在根据属性信息和范数值对人脸图像进行评估时，首先根据人脸图像中被标记的属性信息计算第一得分值。具体地，计算第一得分值的过程可通过训练好的卷积算法自动计算。以属性信息包括人脸被遮挡的比例为例，人脸被遮挡的比例越大，人脸识别的成功率就对应越低，因此第一得分值越低。即第一得分值可正面反应人脸识别的成功率。

在计算得到第一得分值后，进一步获取测试集，并通过贝叶斯算法在测试集中确定每一个属性信息对应的权重值。权重值反应了多个属性信息中每个属性信息的重要程度。以属性信息包括人脸被遮挡的比例和人脸图像的光照强度为例，上述两种属性信息中，人脸被遮挡对人脸识别成功率的影响要大于光照强度对人脸识别成功率的影响，因此人脸被遮挡的比例的对应的权重值就相对大于光照强度的权重值。

在确定了第一得分值和对应的权重值后，计算第一得分值和范数值分别与对应权重值的乘积，即可得到人脸图像的第二得分值，即根据多个属性信息和引入的范数值概念算得的人脸图像的分数值。根据第二得分值可以准确地对人脸图像进行评估，进而保证人脸识别的准确率。

如图5所示，在本发明的一个实施例中，人脸图像评估系统500包括：获取单元502、处理单元504、评估单元506和训练单元508，其中，获取单元502配置为获取初始图像和人脸识别模型，并在初始图像中标注属性信息，以得到训练图像集；训练单元508，配置为通过训练图像集训练人脸识别模型，以得到预测模型和训练集，并通过预测模型确定人脸图像对应的属性信息。

在该实施例中，通过对人脸识别模型进行训练，以使人脸识别模型可以同时预测人脸图像的属性信息和范数值。其中，首先准备多种姿态、场景和种族的人脸图像数据作为初始图像，其中，初始图像为RGB(一种色彩规格)图像。

在初始图像中，对图像中人脸的多中属性信息进行标注，如标注姿态、模糊程度、是否遮挡和光照强度等，并通过标注后的初始图像形成训练图像集。利用训练图像集训练人脸识别模型，可以得到训练好的预测模型和训练集，并通过训练集确定多个属性信息的权重值，以及通过预测模型预测人脸信息的多个属性值。

其中，可通过多任务训练方式训练人脸识别模型。

在本发明的一个实施例中，属性信息包括以下中的至少一个：人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

在该实施例中，人脸的姿态具体为人脸为正对摄像头，或歪头、低头等姿态。人脸的模糊度体现为在帧图像中，人脸是否处于运动过程中，或对焦是否准确。人脸被遮挡的比例则可以反应人脸整体是否全部可以被识别。人脸图像的光照强度，直观的形容即图像亮度或曝光度。亮度或曝光度过高或过低均可能影响人脸识别的准确性。

可以理解的是，属性信息并不局限于上述提到的属性，任何可能对人脸识别成功率造成影响的图像属性均可作为本发明的可行实施例。

实施例四

如图6所示，在本发明的一个实施例中，提供了一种服务器600，包括：存储器602，配置为存储计算机程序；处理器604，配置为执行计算机程序以实现如上述任一实施例中提供的人脸图像评估方法，因此，该服务器包括如上述任一实施例中提供的人脸图像评估方法的全部有益效果，在此不再赘述。

实施例五

在本发明的一个实施例中，供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例中提供的人脸图像评估方法，因此，该计算机可读存储介质包括如上述任一实施例中提供的人脸图像评估方法的全部有益效果，在此不再赘述。

本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

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 (10)

1.一种人脸图像评估方法，其特征在于，包括：

获取人脸图像，并确定所述人脸图像对应的属性信息；

提取所述人脸图像的特征信息，并确定所述特征信息的范数值；

根据所述属性信息和所述范数值对所述人脸图像进行评估。

2.根据权利要求1所述的人脸图像评估方法，其特征在于，所述根据所述属性信息和所述范数值对所述人脸图像进行评估的步骤，具体包括：

确定所述属性信息对应的第一得分值；

获取测试集，通过贝叶斯算法在所述测试集中确定所述属性信息和所述范数值对应的权重值；

根据所述第一得分值、所述范数值和对应的所述权重值计算所述人脸图像的第二得分值，以通过所述第二得分值对所述人脸图像进行评估。

3.根据权利要求2所述的人脸图像评估方法，其特征在于，在所述获取测试集的步骤之前，所述人脸图像评估方法还包括：

获取初始图像和人脸识别模型，并在所述初始图像中标注所述属性信息，以得到训练图像集；

通过所述训练图像集训练所述人脸识别模型，以得到预测模型和所述训练集，并通过所述预测模型确定所述人脸图像对应的所述属性信息。

4.根据权利要求1至3中任一项所述的人脸图像评估方法，其特征在于，所述属性信息包括以下中的至少一个：

人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

5.一种人脸图像评估系统，其特征在于，包括：

获取单元，配置为获取人脸图像，并确定所述人脸图像对应的属性信息；

处理单元，配置为提取所述人脸图像的特征信息，并确定所述特征信息的范数值；

评估单元，配置为根据所述属性信息和所述范数值对所述人脸图像进行评估。

6.根据权利要求5所述的人脸图像评估系统，其特征在于，所述评估单元具体用于：

确定所述属性信息对应的第一得分值；

获取测试集，通过贝叶斯算法在所述测试集中确定所述属性信息和所述范数值对应的权重值；

根据所述第一得分值、所述范数值和对应的所述权重值计算所述人脸图像的第二得分值，以通过所述第二得分值对所述人脸图像进行评估。

7.根据权利要求6所述的人脸图像评估系统，其特征在于，还包括：

所述获取单元，配置为获取初始图像和人脸识别模型，并在所述初始图像中标注所述属性信息，以得到训练图像集；

训练单元，配置为通过所述训练图像集训练所述人脸识别模型，以得到预测模型和所述训练集，并通过所述预测模型确定所述人脸图像对应的所述属性信息。

8.根据权利要求5至7中任一项所述的人脸图像评估系统，其特征在于，所述属性信息包括以下中的至少一个：

人脸的姿态、人脸的模糊度、人脸被遮挡的比例、人脸图像的光照强度。

9.一种服务器，其特征在于，包括：

存储器，配置为存储计算机程序；

处理器，配置为执行所述计算机程序以实现如权利要求1至4中任一项所述的人脸图像评估方法。

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，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的人脸图像评估方法。

Images