CN112200176A - 人脸图像的质量检测方法、系统和计算机设备 - Google Patents
人脸图像的质量检测方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN112200176A CN112200176A CN202011431524.8A CN202011431524A CN112200176A CN 112200176 A CN112200176 A CN 112200176A CN 202011431524 A CN202011431524 A CN 202011431524A CN 112200176 A CN112200176 A CN 112200176A
- Authority
- CN
- China
- Prior art keywords
- face
- uncertainty
- neural network
- network model
- deep neural
- 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.)
- Granted
Links
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (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)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人脸图像的质量检测方法和基于该方法的质量检测系统及计算机设备,其核心在于基于深度神经网络模型和不确定估计反馈补偿,构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度,同时预测人脸身份不确定度和人脸关键点不确定度,并据此判定待检测人脸图像是否合格,使得后续人脸识别过程中可以仅对合格人脸图像进行人脸识别,让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单,且对输入图像的任何干扰噪音都有辨识功能,大大提高了人脸识别的效率和准确率,保障人脸识别的安全性和可靠性。
Description
技术领域
本发明涉及一种图像识别领域,特别是涉及一种人脸图像的质量检测方法、系统和计算机设备。
背景技术
近年来,人脸识别技术迅猛发展,已广泛应用于监控、支付、门禁、娱乐等各行各业,为人身财产安全保驾护航。但是,在人脸识别技术中,人脸识别模型容易受到输入噪声的干扰,例如低光照、大姿态、大表情、遮挡和模糊等情况都会导致输入的人脸图像难以识别,甚至造成误识。以人脸识别技术应用于门禁为例,在输入的人脸图像难以识别甚至误识时,轻则降低门径安全检测效率、造成拥堵;重则无法起到门禁的安全保障作用,造成人身财产损失。因此,需要在人脸识别过程中对输入的人脸图像进行质量审查,过滤掉受噪声干扰大、质量低、不符合识别条件的人脸图像,提高人脸识别的可靠性和安全性,使其更好更优的服务于需要人脸识别的各行各业。
目前,人脸图像的质量审查主要是对人脸图像的多个质量指标(常用质量指标包括:人脸像素大小和人脸瞳孔间距的像素大小、人脸清晰度、人脸关键部位是否存在遮挡、眼睛是否自然睁开、人脸表情程度、人脸姿态、光照等)进行分析,只有满足所有指标的图像才通过检测。这种方式,一方面仅仅利用人脸图像的属性特征,并没有与人脸识别模型直接联系,不能保证输入的人脸图像适合后续的识别模型;另一方面需要对各个指标,建立数据集并训练预测模型,其多模型预测形式增加了调试和部署的难度,可谓耗财耗力。
近年来,随着计算能力的提升和人脸数据规模的增加,深度学习的神经网络模型成功应用于人脸识别技术中,以减少识别模型调试和部署的难度。以CN110349152A为例,使用深度神经网络对人脸的关键点进行检测,并对关键点的可见性进行分析和融合,从而预测人脸图像的质量。但是,该方法只能用于由人脸角度导致关键点不可见而难以识别甚至是误识的情况,无法解决由手部、头发等物体遮挡或其它问题所导致的人脸图像难以识别甚至误识的问题。因此,如何解决现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等现状,是目前人脸识别技术中亟待解决的技术问题。
发明内容
基于此,有必要针对现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等至少一个或多个技术问题提供一种人脸图像的质量检测方法,包括步骤:
获取待检测人脸图像和人脸标签数据;
构造人脸识别深度神经网络模型,用于学习人脸特征和人脸识别不确定度;
根据所述待检测人脸图像和所述人脸标签数据,训练所述人脸识别深度神经网络模型,并固定训练好的所述人脸识别深度神经网络模型;
构造人脸质量深度神经网络模型,用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度;
根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型,训练所述人脸质量深度神经网络模型,并固定训练好的所述人脸质量深度神经网络模型;
处理所述待检测人脸图像,将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型,输出所述人脸身份不确定度和所述人脸关键点不确定度;根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格。
进一步地,所述构造人脸识别深度神经网络模型的步骤,包括:
通过人脸识别分类损失学习所述人脸特征;
通过人脸识别不确定性回归损失学习所述人脸识别不确定度。
进一步地,所述人脸识别分类损失的计算公式为:softmax的交叉熵分类损失;
所述人脸识别不确定性回归损失的计算公式为:
则,所述人脸识别深度神经网络模型的训练损失的计算公式为:
其中,m代表所述待检测人脸图像的样本个数,D代表所述人脸特征的长度,i取1~m的整数,j取1~D的整数,代表第i个样本,代表第i个样本的所述人脸识别不确定度,代表第i个样本的类别,代表第i个样本的类别的权重,代表第i个样本的所述人脸特征,代表所述人脸识别分类损失,代表所述人脸识别不确定性回归损失, 代表所述人脸识别深度神经网络模型的训练损失。
进一步地,所述构建人脸识别深度神经网络模型的步骤,还包括:
计算m个样本的所述人脸识别不确定度的平均值,计算公式为:
计算所述人脸识别不确定性回归损失的正则项,计算公式为:
计算正则约束后的所述人脸识别不确定性回归损失,计算公式为:
计算所述人脸识别深度神经网络模型正则约束后的训练损失,计算公式为:
其中,代表所述人脸识别不确定度的平均值,代表所述人脸识别不确定性回归损失的正则项,代表所述人脸识别不确定回归损失的权重,代表所述人脸识别不确定性回归损失的正则项的权重,代表正则约束后的所述人脸识别不确定性回归损失,代表所述人脸识别深度神经网络模型正则约束后的训练损失。
进一步地,所述构建人脸质量深度神经网络模型的步骤,包括:
通过人脸识别不确定度匹配损失学习所述人脸身份不确定度;
通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。
进一步地,所述人脸识别不确定度匹配损失的计算公式为:
所述人脸关键点不确定性回归损失的计算公式为:
则,所述人脸质量深度神经网络模型的训练损失的计算公式为:
其中,代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度,代表第i个样本的所述人脸身份不确定度,代表所述人脸识别不确定度匹配损失,K代表所述人脸关键点的个数, 取1~K*2的整数,代表第i个样本的第个关键点的人脸关键点不确定度,代表第个关键点的标签,代表第i个样本的第个所述人脸关键点,代表所述人脸关键点不确定性回归损失,代表所述人脸质量深度神经网络模型的训练损失。
进一步地,所述构建人脸质量深度神经网络模型的步骤,还包括:
计算m个样本的所述人脸关键点不确定度的平均值,计算公式为:
计算所述人脸关键点不确定性回归损失的正则项,计算公式为:
计算正则约束后的所述人脸关键点不确定性回归损失,计算公式为:
计算所述人脸质量深度神经网络模型正则约束后的训练损失,计算公式为:
其中,代表所述人脸关键点不确定度的平均值,代表所述人脸关键点不确定性回归损失的正则项,代表所述人脸关键点不确定性回归损失的权重,代表所述人脸关键点不确定性回归损失的正则项的权重,代表正则约束后的所述人脸关键点不确定性回归损失,代表所述人脸质量深度神经网络模型正则约束后的训练损失。
进一步地, 所述根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格的步骤,包括:
判断所述人脸身份不确定度是否小于设定阈值;
另一方面,本发明还提供一种人脸图像的质量检测系统,包括:
获取模块,用于获取待检测人脸图像和人脸标签数据;
第一构造模块,用于构造人脸识别深度神经网络模型,以学习人脸特征和人脸识别不确定度;
第一训练模块,用于根据所述待检测人脸图像和所述人脸标签数据,训练所述人脸识别深度神经网络模型,并固定训练好的所述人脸识别深度神经网络模型;
第二构造模块,用于构造人脸质量深度神经网络模型,以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度;
第二训练模块,用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型,训练所述人脸质量深度神经网络模型,并固定训练好的所述人脸质量深度神经网络模型;
处理模块,用于处理所述待检测人脸图像,将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型,输出所述人脸身份不确定度和所述人脸关键点不确定度,根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格。
另一方面,本发明还提供一种计算机设备,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以执行上述任意的人脸图像的质量检测方法。
本发明提出的人脸图像的质量检测方法,核心在于基于深度神经网络模型和不确定估计反馈补偿,构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度,提前预测人脸身份不确定度和人脸关键点不确定度,并据此判定待检测人脸图像是否合格,使得后续人脸识别过程中可以仅对噪声干扰小、质量高、符合识别条件的合格人脸图像进行人脸识别,让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单,且对输入图像的任何干扰噪音都有辨识功能,大大提高了人脸识别的效率和准确率,保障人脸识别的安全性和可靠性。在此基础上提出的人脸图像的质量检测系统和计算机设备由于采用对应技术手段而具备对应功能和有益效果,在此不再赘述。
附图说明
图1为本发明人脸图像的质量检测方法的一个实施例的流程图;
图2为本发明人脸图像的质量检测方法的一个实施例中,模型构建的示意图;
图3为本发明人脸图像的质量检测方法的一个实施例中,步骤S2的另一个实施例的流程图;
图4为本发明人脸图像的质量检测方法的一个实施例中,步骤S4的另一个实施例的流程图;
图5为本发明人脸图像的质量检测方法的一个实施例中,步骤S6的流程示意图;
图6为本发明人脸图像的质量检测系统的一个实施例的结构图。
具体实施方式
如图1所示,本发明提供了一种人脸图像的质量检测方法,包括步骤:
S1:获取待检测人脸图像和人脸标签数据。
具体的,该待检测人脸图像可选但不仅限于从摄像头、照相机等拍摄的若干图片或视频中获取,人脸标签数据可选但不仅限于预先存储或直接从单位、企业等的数据库中直接调用,可选但不仅限于包括身份信息和关键点坐标(可选但不仅限于采用XY组成的直角坐标表示),二者可为独立数据集,也可允许有数据的交叉。
更为具体的,该身份信息,可选但不仅限于为一个身份(对于每个人所标注的唯一标识,如身份证号、户口本号、护照号等)所对应的各种姿态(如正面、背面、侧面、近镜头、远镜头等)、环境(白天、黑夜、强光、柔光等)、状态(长头发、短头发、披发、扎发、戴帽、不戴帽等)下的人脸图像;该关键点坐标,可选但不仅限于包括两眼、鼻、嘴这四个关键点的坐标,还可包括下巴、眉毛、脸颊、耳朵、颧骨等关键点的坐标。
S2:构造人脸识别深度神经网络模型,用于学习人脸特征和人脸识别不确定度。值得注意的,该人脸特征可选但不仅限于采用表征身份信息的一串数字代码,用来计算两张人脸图像的相似度,相似度越高,两张图片越可能是同一个身份信息所对应的个人;该人脸识别不确定度用来表征人脸识别的准确性,用于补偿学习该人脸识别深度神经网络模型的可靠性。
具体的,如图2所示,该人脸识别深度神经网络模型,可选但不仅限于采用多层神经网络模型,优选为多层卷积神经网络模型,最后一个卷积层(即输出层)可选但不仅限于连接至少两个分开的全连接层,分别输出人脸特征和人脸识别不确定度,用于分别学习人脸特征和人脸识别不确定度。
更为具体的,该人脸特征,可选但不仅限于通过人脸识别分类函数,如softmax的交叉熵分类损失(人脸识别分类损失)、基于margin的softmax分类损失或Triplet比对损失等学习。该人脸识别不确定度,可选但不仅限于通过人脸识别不确定性回归损失学习,计算公式为:
进而可知,最终人脸识别深度神经网络模型的训练损失的计算公式为:
其中,m代表待检测人脸图像的样本个数(在待检测人脸图像的样本个数非常大时,可采取其子集mini-batch的个数为子样本个数),D代表人脸特征的长度,i取1~m的整数,j取1~D的整数,代表第i个样本, 代表第i个样本的人脸识别不确定度,代表第i个样本的类别,代表第i个样本的类别的权重(也可以看做是类别中心点),代表第i个样本的人脸特征,代表人脸识别分类损失,代表人脸识别不确定性回归损失, 代表人脸识别深度神经网络模型的训练损失。
进一步地,由于直接使用上述人脸识别不确定性回归损失对人脸识别不确定度进行学习以优化更新,容易导致不确定性估计的过拟合,因此为避免不确定性估计的过拟合,构建人脸识别深度神经网络模型的步骤,更为优选的还包括:
正则约束已经获得的人脸识别不确定性回归损失,得到正则约束后的人脸识别不确定性回归损失,通过正则约束后的人脸识别不确定性回归损失学习人脸识别不确定度;具体的如图3所示,该步骤包括:
S2a:计算m个样本的人脸识别不确定度的平均值,计算公式为:
S2b:计算人脸识别不确定性回归损失的正则项,计算公式为:
S2c:计算正则约束后的人脸识别不确定性回归损失,计算公式为:
S2d:计算人脸识别深度神经网络模型正则约束后的训练损失,计算公式为:
其中,代表人脸识别不确定度的平均值,代表人脸识别不确定性回归损失的正则项,代表人脸识别不确定回归损失的权重,代表人脸识别不确定性回归损失的正则项的权重,代表正则约束后的人脸识别不确定性回归损失,代表人脸识别深度神经网络模型正则约束后的训练损失。
S3:根据待检测人脸图像和人脸标签数据,训练人脸识别深度神经网络模型,并固定训练好的人脸识别深度神经网络模型。具体的,每次采样m个待检测人脸图像(当待检测人脸图像数量巨大时,可从中每次采样m个待检测样本作为样本子集)输入人脸识别深度神经网络模型,利用样本的类别标签计算识别深度神经网络模型的训练损失或正则约束后的训练损失,然后利用反向传播算法进行人脸识别深度神经网络模型权重的迭代优化。更为具体的,期间利用的优化器可选但不仅限于采用随机梯度下降SGD算法,学习率从0.1开始,逐步降低到10e-4,最终固定训练好的人脸识别深度神经网络模型。
S4:构造人脸质量深度神经网络模型,用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度。
具体的,如图2所示,该人脸质量深度神经网络模型,可选但不仅限于采用多层神经网络模型,优选为多层卷积神经网络模型,最后一个卷积层(即输出层)可选但不仅限于连接至少三个分开的全连接层,分别输出人脸身份不确定度、人脸关键点和人脸关键点不确定度。
更为具体的,该人脸身份不确定度,可选但不仅限于通过人脸识别不确定度匹配损失来学习,其标签采用上述训练好的人脸识别深度神经网络模型输出的人脸识别不确定度,其计算公式为:
该人脸关键点和人脸关键点不确定度,可选但不仅限于通过人脸关键点不确定性回归损失学习,其计算公式为:
进而可知,最终人脸质量深度神经网络模型的训练损失的计算公式为:
其中,代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度(值得注意的,该人脸识别不确定度与上文的人脸识别不确定度本质上是同一意义,都是人脸识别深度神经网络模型输出的人脸识别不确定度,只是输出时间不同,是人脸识别深度神经网络模型被训练好固定后,输入待检测人脸图像所输出的人脸识别不确定度;是人脸识别深度神经网络模型训练前,输入待检测人脸图像所输出的人脸识别不确定度。此处将待检测人脸图像输入训练好的人脸识别深度神经网络模型,输出对应该待检测人脸图像的人脸识别不确定度,以作为后续训练人脸质量深度神网络模型的人脸身份不确定度的标签,通过人脸识别不确定度匹配损失学习人脸身份不确定度),代表第i个样本的人脸身份不确定度,代表人脸识别不确定度匹配损失,K代表人脸关键点的个数, 取1~K*2的整数(此处优选取1~K*2的整数是因为对应每个关键点优选利用X/Y两个坐标值来表示),代表第i个样本的第个关键点的人脸关键点不确定度,代表第个关键点的标签,代表第i个样本的第个人脸关键点,代表人脸关键点不确定性回归损失,代表人脸质量深度神经网络模型的训练损失。
进一步地,由于直接使用上述人脸关键点不确定性回归损失对人脸关键点不确定度补偿学习以优化更新,容易导致不确定性估计的过拟合,因此为了避免不确定性估计的过拟合,构建人脸质量深度神经网络模型的步骤,更为优选的还包括:
正则约束已经获得的人脸关键点不确定性回归损失,得到正则约束后的人脸关键点不确定性回归损失,通过正则约束后的人脸关键点不确定性回归损失学习人脸关键点和人脸关键点不确定度。具体的,如图4所示,该步骤包括:
S4a:计算m个样本的人脸关键点不确定度的平均值,计算公式为:
S4b:计算人脸关键点不确定性回归损失的正则项,计算公式为:
S4c:计算正则约束后的人脸关键点不确定性回归损失,计算公式为:
S4d:计算人脸质量深度神经网络模型正则约束后的训练损失,计算公式为:
其中,代表人脸关键点不确定度的平均值, 代表人脸关键点不确定性回归损失的正则项, 代表人脸关键点不确定性回归损失的权重, 代表人脸关键点不确定性回归损失的正则项的权重, 代表正则约束后的人脸关键点不确定性回归损失, 代表人脸质量深度神经网络模型正则约束后的训练损失。
S5:根据待检测人脸图像、人脸标签数据和训练好的人脸识别深度神经网络模型,训练人脸质量深度神经网络模型,并固定训练好的人脸质量深度神经网络模型。具体的,每次采样m个待检测人脸图像(当待检测人脸图像数量巨大时,可从中每次采样m个待检测样本作为样本子集)输入训练好的人脸识别深度神经网络模型,输出人脸识别不确定度作为后续匹配人脸身份不确定度损失的标签。同时,将m个样本输入到人脸质量深度神经网络模型,利用样本的关键点坐标和人脸识别不确定度来计算训练损失或正则约束后的训练损失,然后利用反向传播算法进行人脸质量深度神经网络模型权重的迭代优化。更为具体的,期间利用的优化器可选但不仅限于采用随机梯度下降SGD算法,学习率从0.1开始,逐步降低到10e-4,最终固定训练好的人脸质量深度神经网络模型。
S6:处理待检测人脸图像,将处理后的待检测人脸图像输入训练好的人脸质量深度神经网络模型,输出人脸身份不确定度和人脸关键点不确定度(值得注意的,每个待检测人脸图像输入至人脸质量深度神经网络模型后,将输出一个人脸身份不确定度和多个人脸关键点不确定度,其每个人脸关键点不确定度对应一个关键点),根据人脸身份不确定度和人脸关键点不确定度,判断待检测人脸图像是否合格。
具体的,如图5所示,利用人脸检测器得到待检测人脸图像上人脸所在区域(可选但不仅限于为人脸的左上角坐标X/Y ,以及人脸的宽W和高H),裁剪待检测人脸图像,得到只包含人脸所在区域的图片,输入训练好的人脸质量深度神经网络模型中,可选但不仅限于在输出的人脸身份不确定度小于设定阈值和人脸关键点不确定度小于设定阈值时,才判定待检测人脸图像为合格图像。
本发明提出的人脸图像的质量检测方法,根本核心在于基于深度神经网络模型和不确定估计反馈补偿,通过构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度,同时预测人脸身份不确定度和人脸关键点不确定度,并据此判定待检测人脸图像是否合格,使得后续人脸识别过程中可以仅对噪声干扰小、质量高、符合识别条件的合格人脸图像进行人脸识别,让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单,且对输入图像的任何干扰噪音都有辨识功能,大大提高了人脸识别的效率和准确率,保障人脸识别的安全性和可靠性。
进一步地,为方便与人脸识别装置兼容,更便利的应用于后续人脸识别,如图5所示,本发明的人脸图像的质量检测方法,还包括步骤:
在判定待检测人脸图像合格后,根据得到的人脸关键点对合格的待检测人脸图像进行人脸对齐,并输入到人脸识别深度神经网络中,得到人脸特征和人脸识别不确定度,判断人脸识别不确定度是否小于设定阈值,在人脸识别不确定度小于时,输出人脸特征,以更好的与后续人脸识别兼容。
进一步地,如图6所示,本发明还提供一种人脸图像的质量检测系统,包括:
获取模块110,用于获取待检测人脸图像和人脸标签数据;
第一构造模块120,用于构造人脸识别深度神经网络模型,以学习人脸特征和人脸识别不确定度;
第一训练模块130,用于根据所述待检测人脸图像和所述人脸标签数据,训练所述人脸识别深度神经网络模型,并固定训练好的所述人脸识别深度神经网络模型;
第二构造模块140,用于构造人脸质量深度神经网络模型,以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度;
第二训练模块150,用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型,训练所述人脸质量深度神经网络模型,并固定训练好的所述人脸质量深度神经网络模型;
处理模块160,用于处理所述待检测人脸图像,将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型,输出所述人脸身份不确定度和所述人脸关键点不确定度,根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格。
值得注意的,上述人脸图像的质量检测系统与上述人脸图像的质量检测方法相对应,其各模块及整个系统的具体实现形式、优选替代方案、功能作用和有益效果均与该方法相对应,在此不再赘述。
进一步地,本发明还提供一种计算机设备,包括存储器和处理器。该存储器用于存储计算机程序;处理器,用于执行上述计算机程序以实现作为本发明核心的人脸图像的质量检测方法,其具体实现形式、功能作用和有益效果均与该方法相对应,在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸图像的质量检测方法,其特征在于,包括步骤:
获取待检测人脸图像和人脸标签数据;
构造人脸识别深度神经网络模型,用于学习人脸特征和人脸识别不确定度;
根据所述待检测人脸图像和所述人脸标签数据,训练所述人脸识别深度神经网络模型,并固定训练好的所述人脸识别深度神经网络模型;
构造人脸质量深度神经网络模型,用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度;
根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型,训练所述人脸质量深度神经网络模型,并固定训练好的所述人脸质量深度神经网络模型;
处理所述待检测人脸图像,将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型,输出所述人脸身份不确定度和所述人脸关键点不确定度;根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格。
2.根据权利要求1所述的人脸图像的质量检测方法,其特征在于,所述构造人脸识别深度神经网络模型的步骤,包括:
通过人脸识别分类损失学习所述人脸特征;
通过人脸识别不确定性回归损失学习所述人脸识别不确定度。
4.根据权利要求3所述的人脸图像的质量检测方法,其特征在于,所述构建人脸识别深度神经网络模型的步骤,还包括:
计算m个样本的所述人脸识别不确定度的平均值,计算公式为:
计算所述人脸识别不确定性回归损失的正则项,计算公式为:
计算正则约束后的所述人脸识别不确定性回归损失,计算公式为:
计算所述人脸识别深度神经网络模型正则约束后的训练损失,计算公式为:
5.根据权利要求1所述的人脸图像的质量检测方法,其特征在于,所述构建人脸质量深度神经网络模型的步骤,包括:
通过人脸识别不确定度匹配损失学习所述人脸身份不确定度;
通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。
6.根据权利要求5所述的人脸图像的质量检测方法,其特征在于,
所述人脸识别不确定度匹配损失的计算公式为:
所述人脸关键点不确定性回归损失的计算公式为:
则,所述人脸质量深度神经网络模型的训练损失的计算公式为:
7.根据权利要求6所述的人脸图像的质量检测方法,其特征在于,所述构建人脸质量深度神经网络模型的步骤,还包括:
计算m个样本的所述人脸关键点不确定度的平均值,计算公式为:
计算所述人脸关键点不确定性回归损失的正则项,计算公式为:
计算正则约束后的所述人脸关键点不确定性回归损失,计算公式为:
计算所述人脸质量深度神经网络模型正则约束后的训练损失,计算公式为:
9.一种人脸图像的质量检测系统,其特征在于,包括:
获取模块,用于获取待检测人脸图像和人脸标签数据;
第一构造模块,用于构造人脸识别深度神经网络模型,以学习人脸特征和人脸识别不确定度;
第一训练模块,用于根据所述待检测人脸图像和所述人脸标签数据,训练所述人脸识别深度神经网络模型,并固定训练好的所述人脸识别深度神经网络模型;
第二构造模块,用于构造人脸质量深度神经网络模型,以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度;
第二训练模块,用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型,训练所述人脸质量深度神经网络模型,并固定训练好的所述人脸质量深度神经网络模型;
处理模块,用于处理所述待检测人脸图像,将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型,输出所述人脸身份不确定度和所述人脸关键点不确定度,根据所述人脸身份不确定度和所述人脸关键点不确定度,判断所述待检测人脸图像是否合格。
10.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以执行权利要求1-8任意一项所述的人脸图像的质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431524.8A CN112200176B (zh) | 2020-12-10 | 2020-12-10 | 人脸图像的质量检测方法、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431524.8A CN112200176B (zh) | 2020-12-10 | 2020-12-10 | 人脸图像的质量检测方法、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200176A true CN112200176A (zh) | 2021-01-08 |
CN112200176B CN112200176B (zh) | 2021-03-02 |
Family
ID=74033777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431524.8A Active CN112200176B (zh) | 2020-12-10 | 2020-12-10 | 人脸图像的质量检测方法、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200176B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240092A (zh) * | 2021-05-31 | 2021-08-10 | 深圳市商汤科技有限公司 | 神经网络训练及人脸识别方法、装置、设备及存储介质 |
CN113835973A (zh) * | 2021-11-26 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 一种模型训练方法及相关装置 |
WO2023137905A1 (zh) * | 2022-01-21 | 2023-07-27 | 小米科技(武汉)有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109360183A (zh) * | 2018-08-20 | 2019-02-19 | 中国电子进出口有限公司 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
US20190114760A1 (en) * | 2017-10-18 | 2019-04-18 | Gorilla Technology Inc. | Method of Evaluating the Quality of Images |
CN110826402A (zh) * | 2019-09-27 | 2020-02-21 | 深圳市华付信息技术有限公司 | 一种基于多任务的人脸质量估计方法 |
CN111814620A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸图像质量评价模型建立方法、优选方法、介质及装置 |
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 |
-
2020
- 2020-12-10 CN CN202011431524.8A patent/CN112200176B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114760A1 (en) * | 2017-10-18 | 2019-04-18 | Gorilla Technology Inc. | Method of Evaluating the Quality of Images |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN109360183A (zh) * | 2018-08-20 | 2019-02-19 | 中国电子进出口有限公司 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
CN110826402A (zh) * | 2019-09-27 | 2020-02-21 | 深圳市华付信息技术有限公司 | 一种基于多任务的人脸质量估计方法 |
CN111814620A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸图像质量评价模型建立方法、优选方法、介质及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
JIE CHANG,ZHONGHAO LAN,CHANGMAO CHENG,YICHEN WEI: "Data Uncertainty Learning in Face Recognition", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240092A (zh) * | 2021-05-31 | 2021-08-10 | 深圳市商汤科技有限公司 | 神经网络训练及人脸识别方法、装置、设备及存储介质 |
WO2022252527A1 (zh) * | 2021-05-31 | 2022-12-08 | 深圳市商汤科技有限公司 | 神经网络训练及人脸识别方法、装置、设备及存储介质 |
CN113835973A (zh) * | 2021-11-26 | 2021-12-24 | 腾讯科技(深圳)有限公司 | 一种模型训练方法及相关装置 |
CN113835973B (zh) * | 2021-11-26 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 一种模型训练方法及相关装置 |
WO2023137905A1 (zh) * | 2022-01-21 | 2023-07-27 | 小米科技(武汉)有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112200176B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427867B (zh) | 基于残差注意力机制的面部表情识别方法及系统 | |
CN111325115B (zh) | 带有三重约束损失的对抗跨模态行人重识别方法和系统 | |
CN111310731B (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
CN112200176B (zh) | 人脸图像的质量检测方法、系统和计算机设备 | |
Mohandes et al. | Arabic sign language recognition using the leap motion controller | |
CN109657533A (zh) | 行人重识别方法及相关产品 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN112766158A (zh) | 基于多任务级联式人脸遮挡表情识别方法 | |
US9330312B2 (en) | Multispectral detection of personal attributes for video surveillance | |
Bhavana et al. | Hand sign recognition using CNN | |
CN112784763A (zh) | 基于局部与整体特征自适应融合的表情识别方法及系统 | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
CN112381987A (zh) | 基于人脸识别的智能门禁防疫系统 | |
Xia et al. | Face occlusion detection using deep convolutional neural networks | |
Zuobin et al. | Feature regrouping for cca-based feature fusion and extraction through normalized cut | |
Chen et al. | A multi-scale fusion convolutional neural network for face detection | |
CN113158828A (zh) | 一种基于深度学习的面部情感校准方法及系统 | |
Al-obidi et al. | Facial Features Recognition Based on Their Shape and Color Using YOLOv8 | |
Trottier et al. | Multi-task learning by deep collaboration and application in facial landmark detection | |
CN116959098A (zh) | 一种基于双粒度三模态度量学习的行人重识别方法及系统 | |
Yanakova et al. | Facial recognition technology on ELcore semantic processors for smart cameras | |
Jeny et al. | Deep Learning Framework for Face Mask Detection | |
Vinay et al. | Dominant feature based convolutional neural network for faces in videos | |
Saurova et al. | ARTIFICIAL INTELLIGENCE BASED METHODS OF IDENTIFICATION AND AUTHENTICATION BY FACE IMAGE |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Junyi Inventor before: Chen Junyi Inventor before: Chen Kai |
|
CB03 | Change of inventor or designer information |