CN114596620A - 人脸识别设备补光控制方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例提供一种人脸识别设备补光控制方法、装置、设备及存储介质，人脸识别设备包括：可见光摄像头和补光灯，所述方法包括：获取可见光摄像头生成的人脸图像；将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；根据所述补光亮度调整值调整补光灯的发光亮度。本发明实施例的人脸识别设备补光控制方法，可以提高补光效果，提高人脸图像的清晰度。

Description

人脸识别设备补光控制方法、装置、设备及存储介质

技术领域

本发明实施例涉及人脸识别设备技术领域，尤其涉及一种人脸识别设备补光控制方法、装置、设备及存储介质。

背景技术

人脸识别设备广泛应用于身份识别，比如小区的各个开关门场景。在人脸拍摄的过程中，为了提高人脸部分的拍摄清晰度，通常会进行人脸补光，即通过人脸识别设备前置的补光灯如LED（英文全称为：light-emitting diode，中文为发光二极管）高亮度白光照明光源进行补光。

由于目前补光亮度仅有开关两种状态，补光容易造成过曝或者曝光不够的情况，导致生成的人脸图像清晰度较差。

发明内容

本发明提供一种人脸识别设备补光控制方法、装置、设备及存储介质，用以解决目前补光容易造成过曝或者曝光不够的情况，导致生成的人脸图像清晰度较差的问题。

本发明实施例第一方面提供一种人脸识别设备补光控制方法，人脸识别设备包括：可见光摄像头和补光灯，所述方法包括：

获取可见光摄像头生成的人脸图像；

将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；

根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；

根据所述补光亮度调整值调整补光灯的发光亮度。

可选的，如上所述的方法，所述人脸图像质量识别模型包括：卷积神经网络和全连接层；

所述将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分，包括：

采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图；

采用所述全连接层确定所述最终特征图对应的图像质量评分。

可选的，如上所述的方法，所述卷积神经网络包括：特征下采样模块、图像下采样模块和融合模块；

所述采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图，包括：

采用所述特征下采样模块按照不同的预设采样比例对所述人脸图像进行特征下采样，以生成对应多个采样特征图；

采用所述图像下采样模块按照不同的所述预设采样比例对所述人脸图像进行图像下采样，以生成对应多个采样图像；

采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图。

可选的，如上所述的方法，所述采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图，包括：

采用所述融合模块将相同预设采样比例的采样特征图以及采样图像按照通道进行融合，以生成对应最终子特征图；

采用所述融合模块对各所述最终子特征图进行对应预设次数的卷积处理，并将进行卷积处理后的各最终子特征图按照通道进行融合，以生成所述最终特征图；其中，所述预设次数与所述预设采样比例具有映射关系。

可选的，如上所述的方法，所述人脸识别设备还包括：人体传感器；

所述获取可见光摄像头生成的人脸图像之前，还包括：

获取人体传感器生成的人体检测信息；

根据所述人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。

可选的，如上所述的方法，所述人脸识别设备还包括：红外摄像头和红外照明光源；

所述方法还包括：

根据所述人体检测信息控制红外照明光源进行运转以及控制红外摄像头拍摄并生成对应检测图像；

将所述检测图像输入预设多任务卷积神经网络模型，以确定检测图像中是否存在人脸；

若确定检测图像中存在人脸，则关闭所述红外照明光源和所述红外摄像头，控制所述补光灯进行补光以及控制可见光摄像头进行拍摄，以生成拍摄图像；

将所述拍摄图像输入所述多任务卷积神经网络模型，以确定所述拍摄图像中是否存在人脸；

若确定所述拍摄图像中存在人脸，则将所述拍摄图像确定为人脸图像，并关闭所述补光灯。

可选的，如上所述的方法，所述图像质量评分还包括：图像中的正脸角度和图像清晰度；

所述根据所述人脸光照度和预设光照度阈值确定补光亮度调整值之前，还包括：

判断所述正脸角度是否大于预设角度阈值以及所述图像清晰度是否大于预设清晰度阈值；

若确定所述正脸角度大于预设角度阈值以及所述图像清晰度大于预设清晰度阈值，则执行所述根据所述人脸光照度和预设光照度阈值确定补光亮度调整值的步骤。

本发明实施例第二方面提供一种人脸识别设备补光控制装置，人脸识别设备包括：可见光摄像头和补光灯，所述装置包括：

获取模块，用于获取可见光摄像头生成的人脸图像；

输出模块，用于将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；

确定模块，用于根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；

调整模块，用于根据所述补光亮度调整值调整补光灯的发光亮度。

可选的，如上所述的装置，所述人脸图像质量识别模型包括：卷积神经网络和全连接层；

所述输出模块具体用于：

采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图；采用所述全连接层确定所述最终特征图对应的图像质量评分。

可选的，如上所述的装置，所述卷积神经网络包括：特征下采样模块、图像下采样模块和融合模块；

所述输出模块在采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图时，具体用于：

采用所述特征下采样模块按照不同的预设采样比例对所述人脸图像进行特征下采样，以生成对应多个采样特征图；采用所述图像下采样模块按照不同的所述预设采样比例对所述人脸图像进行图像下采样，以生成对应多个采样图像；采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图。

可选的，如上所述的装置，所述输出模块在采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图时，具体用于：

采用所述融合模块将相同预设采样比例的采样特征图以及采样图像按照通道进行融合，以生成对应最终子特征图；采用所述融合模块对各所述最终子特征图进行对应预设次数的卷积处理，并将进行卷积处理后的各最终子特征图按照通道进行融合，以生成所述最终特征图；其中，所述预设次数与所述预设采样比例具有映射关系。

可选的，如上所述的装置，所述人脸识别设备还包括：人体传感器；

所述装置还包括：

控制模块，用于获取人体传感器生成的人体检测信息；根据所述人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。

可选的，如上所述的装置，所述人脸识别设备还包括：红外摄像头和红外照明光源；

所述装置还包括：

检测模块，用于根据所述人体检测信息控制红外照明光源进行运转以及控制红外摄像头拍摄并生成对应检测图像；将所述检测图像输入预设多任务卷积神经网络模型，以确定检测图像中是否存在人脸；若确定检测图像中存在人脸，则关闭所述红外照明光源和所述红外摄像头，控制所述补光灯进行补光以及控制可见光摄像头进行拍摄，以生成拍摄图像；将所述拍摄图像输入所述多任务卷积神经网络模型，以确定所述拍摄图像中是否存在人脸；若确定所述拍摄图像中存在人脸，则将所述拍摄图像确定为人脸图像，并关闭所述补光灯。

可选的，如上所述的装置，所述图像质量评分还包括：图像中的正脸角度和图像清晰度；

所述装置还包括：

判断模块，用于判断所述正脸角度是否大于预设角度阈值以及所述图像清晰度是否大于预设清晰度阈值；若确定所述正脸角度大于预设角度阈值以及所述图像清晰度大于预设清晰度阈值，则执行所述根据所述人脸光照度和预设光照度阈值确定补光亮度调整值的步骤。

本发明实施例第三方面提供一种人脸识别设备补光控制装置，包括：处理器以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的人脸识别设备补光控制方法。

本发明实施例第四方面提供一种人脸识别设备，包括：如第二方面所述的人脸识别设备补光控制装置、可见光摄像头以及补光灯；所述人脸识别设备补光控制装置分别与可见光摄像头以及补光灯电路连接；

所述补光灯用于对邻近人脸识别设备的预设区域发射可见光；所述可见光摄像头用于拍摄邻近人脸识别设备的预设区域，以生成对应人脸图像。

可选的，如上所述的人脸识别设备，还包括：红外摄像头和红外照明光源；

所述红外摄像头、所述红外照明光源和所述人脸识别设备补光控制装置电路互联。

本发明实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的人脸识别设备补光控制方法。

本发明实施例第六方面提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所述的人脸识别设备补光控制方法。

本发明实施例提供的一种人脸识别设备补光控制方法、装置、设备及存储介质，人脸识别设备包括：可见光摄像头和补光灯，所述方法包括：获取可见光摄像头生成的人脸图像；将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；根据所述补光亮度调整值调整补光灯的发光亮度。本发明实施例的人脸识别设备补光控制方法，通过将可见光摄像头生成的人脸图像输入训练至收敛的人脸图像质量识别模型，以输出包括人脸光照度在内的图像质量评分。然后根据人脸光照度和预设光照度阈值确定出补光亮度调整值，以根据补光亮度调整值调整补光灯的发光亮度，从而可以提高补光效果，提高人脸图像的清晰度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为可以实现本发明实施例的人脸识别设备补光控制方法的场景图；

图2为本发明第一实施例提供的人脸识别设备补光控制方法的流程示意图；

图3为本发明第二实施例提供的人脸识别设备补光控制方法的流程示意图；

图4为本发明第二实施例提供的人脸识别设备补光控制方法的器件运行示意图；

图5为本发明第二实施例提供的人脸识别设备补光控制方法的人脸图像质量识别模型示意图；

图6为本发明第三实施例提供的人脸识别设备补光控制装置的结构示意图；

图7为本发明第四实施例提供的人脸识别设备补光控制装置的结构示意图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。随着科技的不断发展，安全防护成为了用户越来越重视的领域。人脸识别设备其内设置有摄像头和处理器，用于识别用户身份，可以提高用户周边的安全性。人脸识别设备如带屏人脸识别设备可以通过摄像头拍摄人脸，并通过处理器实现对人脸的识别，只有通过人脸识别认证的用户才能进行后续的操作。

在人脸拍摄的过程中，为了提高人脸部分的拍摄清晰度，通常会进行人脸补光，即通过人脸识别设备前置的补光灯如LED高亮度白光照明光源在拍摄图像时，补充曝光度。由于目前补光亮度仅有开关两种状态，补光容易造成过曝或者曝光不够的情况，导致生成的人脸图像清晰度较差。

所以针对现有技术中目前补光容易造成过曝或者曝光不够的情况，导致生成的人脸图像清晰度较差的问题，发明人在研究中发现，为了解决该问题，可以对拍摄的人脸图像进行质量检测，分析人脸图像的光照度，从而根据人脸图像的光照度与需求的光照度来调整补光灯的发光亮度，从而提高补光效果，提高人脸图像的清晰度。

具体的，通过将可见光摄像头生成的人脸图像输入训练至收敛的人脸图像质量识别模型，以输出包括人脸光照度在内的图像质量评分，其中，图像质量评分包括人脸光照度。然后根据人脸光照度和预设光照度阈值确定出补光亮度调整值，以根据补光亮度调整值调整补光灯的发光亮度，从而可以提高补光效果，提高人脸图像的清晰度。

发明人基于上述的创造性发现，提出了本申请的技术方案。

下面对本发明实施例提供的人脸识别设备补光控制方法的应用场景进行介绍。如图1所示，图中：人脸识别设备10，可见光摄像头11，补光灯12，人脸识别设备补光控制装置30。可见光摄像头11，补光灯12，人脸识别设备补光控制装置30都设于人脸识别设备10之上或之中。

当有人靠近人脸识别设备10进行人脸识别时，人脸识别设备10中的人体传感器（图中未示出）会检测到人体。此时，可见光摄像头11和补光灯12进行运转。人脸识别设备补光控制装置30获取可见光摄像头11生成的人脸图像，并将人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分，其中，图像质量评分包括人脸光照度。然后，人脸识别设备补光控制装置30根据人脸光照度和预设光照度阈值确定补光亮度调整值，并根据补光亮度调整值调整补光灯12的发光亮度。在调整补光灯12的发光亮度后，图1中的人脸图像显示区域将显示调整之后新生成的人脸图像，且清晰度较高，同时，人脸信息显示区域还会显示人脸识别的结果。

下面结合说明书附图对本发明实施例进行介绍。

图2为本发明第一实施例提供的人脸识别设备补光控制方法的流程示意图，如图2所示，本实施例中，本发明实施例的执行主体为人脸识别设备补光控制装置，该人脸识别设备补光控制装置可以集成在人脸识别设备中，人脸识别设备包括可见光摄像头和补光灯。则本实施例提供的人脸识别设备补光控制方法包括以下几个步骤：

步骤S101，获取可见光摄像头生成的人脸图像。

本实施例中，当有人靠近人脸识别设备进行人脸识别时，可见光摄像头和补光灯将进行运转，由可见光摄像头对邻近人脸识别设备的预设区域进行拍摄，预设区域可以为人脸识别设备的正面预设距离内的区域。由于此时该预设区域中存在人，可见光摄像头在拍摄后会生成对应的人脸图像。

步骤S102，将人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分。图像质量评分包括人脸光照度。

本实施例中，人脸图像质量识别模型用于对人脸图像的质量进行识别，以输出对应图像质量评分，图像质量评分如人脸光照度、图像清晰度、正脸角度等。

人脸图像质量识别模型可以采用深度卷积神经网络作为主干实现对人脸图像特征的提取、卷积、分类等处理，深度卷积神经网络比如VGGNet网络、InceptionNet网络、ResNet网络、DenseNet网络等。同时，还可以增加对图像下采样的模块，通过融合相同下采样比例的人脸图像和特征图，以提升特征图中原人脸图像的特征。

步骤S103，根据人脸光照度和预设光照度阈值确定补光亮度调整值。

本实施例中，预设光照度阈值可以根据实际应用场景进行设置，通过确定人脸光照度和预设光照度阈值之间的差值，以差值在一定范围内为标准，可以进一步确定补光亮度调整值。

步骤S104，根据补光亮度调整值调整补光灯的发光亮度。

本实施例中，根据补光亮度调整值可以调整补光灯的发光亮度，从而使下一次生成的人脸图像受调整后的补光影响，提高人脸图像的清晰度。

补光灯可以采用LED白光照明灯，以实现较好的补光效果。

本发明实施例提供的一种人脸识别设备补光控制方法，该方法包括：获取可见光摄像头生成的人脸图像。将人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分。图像质量评分包括人脸光照度。根据人脸光照度和预设光照度阈值确定补光亮度调整值。根据补光亮度调整值调整补光灯的发光亮度。

本发明实施例的人脸识别设备补光控制方法，通过将可见光摄像头生成的人脸图像输入训练至收敛的人脸图像质量识别模型，以输出包括人脸光照度在内的图像质量评分。然后根据人脸光照度和预设光照度阈值确定出补光亮度调整值，以根据补光亮度调整值调整补光灯的发光亮度，从而可以提高补光效果，提高人脸图像的清晰度。

图3为本发明第二实施例提供的人脸识别设备补光控制方法的流程示意图，如图3所示，本实施例提供的人脸识别设备补光控制方法包括以下几个步骤：

需要说明的是，人脸识别设备还包括：人体传感器。

步骤S201，获取人体传感器生成的人体检测信息。

当有人靠近人脸识别设备时，人体传感器将检测到人体靠近，从而生成对应的人体检测信息。

步骤S202，根据人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。

本实施例中，在接收到人体检测信息时，可以根据人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。此时，补光灯的发光亮度可以为通用发光亮度，比如补光灯可以预先设置一个通用发光亮度，该通用发光亮度可以在人脸识别设备所处环境光亮较好时提供较好的补光效果。若人脸识别设备所处环境光亮发生改变，则需要进行后续的补光调整。通过设置通用发光亮度可以降低补光灯的发光亮度调整频率，降低补光灯的能耗和发热，同时，还可以提高高质量人脸图像的生成效率。

可选的，本实施例中，人脸识别设备还包括：红外摄像头和红外照明光源。

当人脸识别设备设有红外摄像头和红外照明光源时，可以通过低功率的红外摄像头和红外照明光源预先进行人脸检测，在检测到人脸时，再控制可见光摄像头和补光灯运转。由于补光灯一般发热量高，功耗较大，通过红外摄像头和红外照明光源预先进行人脸检测的方式，可以进一步降低可见光摄像头和补光灯的能耗和发热，提高可见光摄像头和补光灯的使用寿命。

本实施例的红外照明光源可以采用红外LED灯。同时，红外照明光源可以发射人眼无法感知的940nm低功率光波，不会使用户出现因强光而导致刺眼的问题。

具体检测过程如图4所示：

人体传感器感应到人体后，会生成人体检测信息。

此时，人脸识别设备补光控制装置根据人体检测信息控制红外照明光源进行运转以及控制红外摄像头拍摄并生成对应检测图像。

将检测图像输入预设多任务卷积神经网络模型，以确定检测图像中是否存在人脸。

若确定检测图像中不存在人脸，则判定人体传感器是误触发或者重复多次控制红外摄像头拍摄并生成检测图像，以确定检测图像中是否存在人脸，在多次确定都不存在人脸时，确定人体传感器是误触发，结束流程。

若确定检测图像中存在人脸，则关闭红外照明光源和红外摄像头，控制补光灯进行补光以及控制可见光摄像头进行拍摄，以生成拍摄图像。

将拍摄图像输入多任务卷积神经网络模型，以确定拍摄图像中是否存在人脸。多任务卷积神经网络模型可以采用常用的人脸检测模型，本实施例对此不作限定。

若确定拍摄图像中存在人脸，则将拍摄图像确定为人脸图像，并关闭补光灯，同时进行后续的质量判断流程。

若确定拍摄图像中不存在人脸，则控制可见光摄像头重新进行拍摄。

步骤S203，获取可见光摄像头生成的人脸图像。

本实施例中，步骤203的实现方式与本发明上一实施例中的步骤101的实现方式类似，在此不再一一赘述。

需要说明的是，人脸图像质量识别模型包括：卷积神经网络和全连接层。

步骤S204，采用卷积神经网络对人脸图像进行特征提取，以生成最终特征图。

最终特征图可以反映人脸图像的各图像质量评分，比如人脸光照度可以通过最终特征图中图像像素值的相关特征来体现。

可选的，本实施例中，卷积神经网络包括：特征下采样模块、图像下采样模块和融合模块。如图5所示，图中， NHWC中N代表数量， C代表channel即通道，H代表高度，W代表宽度，是一种深度学习的数据格式。conv(3x3, stride=2)表示卷积操作，卷积核大小为3x3，步长stride为2。conv(7x7, stride=2) 表示卷积操作，卷积核大小为7x7，步长stride为2。bn表示归一化操作，relu表示使用的relu激活函数，融合表示按通道合并，即融合模块。

全连接层1-5分别表示5种图像质量评分，包括图像清晰度：模糊、一般以及清晰，图像中的正脸角度：正脸、侧脸，人脸光照度：偏暗、正常和偏亮，人脸图像是否被遮挡：遮挡以及未遮挡，人脸图像中是否戴眼镜：戴墨镜、戴边框眼镜、未佩戴眼镜。本实施例的图像质量评分仅进行示例性的说明，图像质量评分可以按照实际需求进行设置。

改变大小即resize(1/4) 表示：人脸图像的长宽变为原来的1/4，改变大小(1/8)表示：人脸图像的长宽变为原来的1/8，改变大小(1/16) 表示 ：人脸图像的长宽变为原来的1/16，改变大小(1/32) 表示：人脸图像的长宽变为原来的1/32。主干可以采用深度卷积神经网络比如VGGNet网络、InceptionNet网络、ResNet网络、DenseNet网络等，其中，Block为深度卷积神经网络的常用模块。Block1(1/4) 表示：特征图的长宽变为原来的1/4，Block2(1/8) 表示：特征图的长宽变为原来的1/8，Block3(1/16) 表示：特征图的长宽变为原来的1/16，Block4(1/32) 表示：特征图的长宽变为原来的1/32。

特征下采样模块可以包括Block1(1/4)、Block2(1/8)、Block3(1/16) 以及Block4(1/32)，图像下采样模块可以包括改变大小(1/4) 至改变大小 (1/32)。

则生成最终特征图的过程具体为：

采用特征下采样模块按照不同的预设采样比例对人脸图像进行特征下采样，以生成对应多个采样特征图。

采用图像下采样模块按照不同的预设采样比例对人脸图像进行图像下采样，以生成对应多个采样图像。预设采样比例可以为1/4、1/8、1/16以及1/32，也可以按照实际需求进行设置，本实施例仅示例性的进行说明。

采用融合模块根据多个采样特征图和多个采样图像生成最终特征图。

如图5所示，采用融合模块根据多个采样特征图和多个采样图像生成最终特征图可以具体为：

采用融合模块将相同预设采样比例的采样特征图以及采样图像按照通道进行融合，以生成对应最终子特征图。比如预设采样比例为1/4的采样特征图和采样图像将按照通道进行融合。

采用融合模块对各最终子特征图进行对应预设次数的卷积处理，并将进行卷积处理后的各最终子特征图按照通道进行融合，以生成最终特征图。其中，预设次数与预设采样比例具有映射关系。

预设次数的卷积处理可以根据实际需求进行设置，一般情况下，采样比例数值越大则卷及处理次数越多，从而为后续将进行卷积处理后的各最终子特征图按照通道进行融合提供基础。本实施例中，预设采样比例为1/4对应的最终子特征图将进行三次卷积处理，预设采样比例为1/8对应的最终子特征图将进行两次卷积处理，预设采样比例为1/16对应的最终子特征图将进行一次卷积处理，预设采样比例为1/32对应的最终子特征图将不继续进行卷积处理。

示例性的，一张3x128x128(通道x高x宽)的人脸图像，经过Block1模块提取特征后，得到的特征图尺寸为128x64x64(通道x高x宽)，此时将原图下采样resize到3x64x64大小，然后把二者按通道拼接形成131x64x64大小，然后继续卷积。进行新一次的下采样，Block2模块以及对应的resize，并重复上述过程，直至完成所有的下采样。

本实施例的人脸图像质量识别模型通过设置图像下采样模块，使下采样的特征图可以与同样下采样比例的人脸图像进行融合，可以更好的保留人脸图像的特征，提高后续生成最终特征图的质量，从而提高对人脸图像质量识别的效果。

步骤S205，采用全连接层确定最终特征图对应的图像质量评分。

本实施例中，可以确定出5种图像质量评分，包括：图像清晰度，图像中的正脸角度，人脸光照度，人脸图像是否被遮挡，人脸图像中是否戴眼镜。

因而，可以在根据人脸光照度和预设光照度阈值确定补光亮度调整值之前，进一步判断图像清晰度和图像中的正脸角度是否达标，具体如下：

判断正脸角度是否大于预设角度阈值以及图像清晰度是否大于预设清晰度阈值。

若确定正脸角度大于预设角度阈值以及图像清晰度大于预设清晰度阈值，则执行根据人脸光照度和预设光照度阈值确定补光亮度调整值的步骤。

同时，也可以判断人脸图像是否被遮挡，人脸图像中是否戴眼镜等。

步骤S206，根据人脸光照度和预设光照度阈值确定补光亮度调整值。

本实施例中，步骤206的实现方式与本发明上一实施例中的步骤103的实现方式类似，在此不再一一赘述。

步骤S207，根据补光亮度调整值调整补光灯的发光亮度。

本实施例中，步骤207的实现方式与本发明上一实施例中的步骤104的实现方式类似，在此不再一一赘述。

图6为本发明第三实施例提供的人脸识别设备补光控制装置的结构示意图，如图6所示，本实施例中，人脸识别设备包括：可见光摄像头和补光灯，该人脸识别设备补光控制装置30包括：

获取模块31，用于获取可见光摄像头生成的人脸图像。

输出模块32，用于将人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分。图像质量评分包括人脸光照度。

确定模块33，用于根据人脸光照度和预设光照度阈值确定补光亮度调整值。

调整模块34，用于根据补光亮度调整值调整补光灯的发光亮度。

本实施例提供的人脸识别设备补光控制装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。

同时，本发明提供的人脸识别设备补光控制装置在上一实施例提供的人脸识别设备补光控制装置的基础上，对人脸识别设备补光控制装置30进行了进一步的细化。

可选的，本实施例中，人脸图像质量识别模型包括：卷积神经网络和全连接层。

输出模块32具体用于：

采用卷积神经网络对人脸图像进行特征提取，以生成最终特征图。采用全连接层确定最终特征图对应的图像质量评分。

可选的，本实施例中，卷积神经网络包括：特征下采样模块、图像下采样模块和融合模块。

输出模块32在采用卷积神经网络对人脸图像进行特征提取，以生成最终特征图时，具体用于：

采用特征下采样模块按照不同的预设采样比例对人脸图像进行特征下采样，以生成对应多个采样特征图。采用图像下采样模块按照不同的预设采样比例对人脸图像进行图像下采样，以生成对应多个采样图像。采用融合模块根据多个采样特征图和多个采样图像生成最终特征图。

可选的，本实施例中，输出模块32在采用融合模块根据多个采样特征图和多个采样图像生成最终特征图时，具体用于：

采用融合模块将相同预设采样比例的采样特征图以及采样图像按照通道进行融合，以生成对应最终子特征图。采用融合模块对各最终子特征图进行对应预设次数的卷积处理，并将进行卷积处理后的各最终子特征图按照通道进行融合，以生成最终特征图。其中，预设次数与预设采样比例具有映射关系。

可选的，本实施例中，人脸识别设备还包括：人体传感器。

人脸识别设备补光控制装置30还包括：

控制模块，用于获取人体传感器生成的人体检测信息。根据人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。

可选的，本实施例中，人脸识别设备还包括：红外摄像头和红外照明光源。

人脸识别设备补光控制装置30还包括：

检测模块，用于根据人体检测信息控制红外照明光源进行运转以及控制红外摄像头拍摄并生成对应检测图像。将检测图像输入预设多任务卷积神经网络模型，以确定检测图像中是否存在人脸。若确定检测图像中存在人脸，则关闭红外照明光源和红外摄像头，控制补光灯进行补光以及控制可见光摄像头进行拍摄，以生成拍摄图像。将拍摄图像输入多任务卷积神经网络模型，以确定拍摄图像中是否存在人脸。若确定拍摄图像中存在人脸，则将拍摄图像确定为人脸图像，并关闭补光灯。

可选的，本实施例中，图像质量评分还包括：图像中的正脸角度和图像清晰度。

人脸识别设备补光控制装置30还包括：

判断模块，用于判断正脸角度是否大于预设角度阈值以及图像清晰度是否大于预设清晰度阈值。若确定正脸角度大于预设角度阈值以及图像清晰度大于预设清晰度阈值，则执行根据人脸光照度和预设光照度阈值确定补光亮度调整值的步骤。

本实施例提供的人脸识别设备补光控制装置可以执行图2-图5所示方法实施例的技术方案，其实现原理和技术效果与图2-图5所示方法实施例类似，在此不再一一赘述。

根据本发明的实施例，本发明还提供了一种人脸识别设备补光控制装置、一种人脸识别设备、一种计算机可读存储介质和一种计算机程序产品。

如图7所示，图7是本发明第四实施例提供的人脸识别设备补光控制装置的结构示意图。人脸识别设备补光控制装置旨在各种形式适用于作为人脸识别设备控制器的电子设备，诸如，平板计算机和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，该人脸识别设备补光控制装置包括：处理器401和存储器402。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在人脸识别设备补光控制装置内执行的指令进行处理。

存储器402即为本发明所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本发明所提供的人脸识别设备补光控制方法。本发明的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本发明所提供的人脸识别设备补光控制方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本发明实施例中的人脸识别设备补光控制方法对应的程序指令/模块（例如，附图6所示的获取模块31、输出模块32、确定模块33和调整模块34）。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸识别设备补光控制方法。

同时，本实施例还提供一种人脸识别设备，包括：如前面实施例的人脸识别设备补光控制装置、可见光摄像头以及补光灯。人脸识别设备补光控制装置分别与可见光摄像头以及补光灯电路连接。

补光灯用于对邻近人脸识别设备的预设区域发射可见光。可见光摄像头用于拍摄邻近人脸识别设备的预设区域，以生成对应人脸图像。

可选的，本实施例中，人脸识别设备还包括：红外摄像头和红外照明光源。

红外摄像头、红外照明光源和人脸识别设备补光控制装置电路互联。

同时，本实施例还提供一种计算机产品，当该计算机产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例一和二的人脸识别设备补光控制方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明实施例的其它实施方案。本发明旨在涵盖本发明实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明实施例的一般性原理并包括本发明实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明实施例的真正范围和精神由权利要求书指出。

应当理解的是，本发明实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明实施例的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种人脸识别设备补光控制方法，其特征在于，人脸识别设备包括：可见光摄像头和补光灯，所述方法包括：

获取可见光摄像头生成的人脸图像；

将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；

根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；

根据所述补光亮度调整值调整补光灯的发光亮度。

2.根据权利要求1所述的方法，其特征在于，所述人脸图像质量识别模型包括：卷积神经网络和全连接层；

所述将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分，包括：

采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图；

采用所述全连接层确定所述最终特征图对应的图像质量评分。

3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络包括：特征下采样模块、图像下采样模块和融合模块；

所述采用所述卷积神经网络对所述人脸图像进行特征提取，以生成最终特征图，包括：

采用所述特征下采样模块按照不同的预设采样比例对所述人脸图像进行特征下采样，以生成对应多个采样特征图；

采用所述图像下采样模块按照不同的所述预设采样比例对所述人脸图像进行图像下采样，以生成对应多个采样图像；

采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图。

4.根据权利要求3所述的方法，其特征在于，所述采用所述融合模块根据所述多个采样特征图和多个采样图像生成最终特征图，包括：

采用所述融合模块将相同预设采样比例的采样特征图以及采样图像按照通道进行融合，以生成对应最终子特征图；

采用所述融合模块对各所述最终子特征图进行对应预设次数的卷积处理，并将进行卷积处理后的各最终子特征图按照通道进行融合，以生成所述最终特征图；其中，所述预设次数与所述预设采样比例具有映射关系。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述人脸识别设备还包括：人体传感器；

所述获取可见光摄像头生成的人脸图像之前，还包括：

获取人体传感器生成的人体检测信息；

根据所述人体检测信息控制补光灯进行补光以及控制可见光摄像头拍摄并生成对应人脸图像。

6.根据权利要求5所述的方法，其特征在于，所述人脸识别设备还包括：红外摄像头和红外照明光源；

所述方法还包括：

根据所述人体检测信息控制红外照明光源进行运转以及控制红外摄像头拍摄并生成对应检测图像；

将所述检测图像输入预设多任务卷积神经网络模型，以确定检测图像中是否存在人脸；

若确定检测图像中存在人脸，则关闭所述红外照明光源和所述红外摄像头，控制所述补光灯进行补光以及控制可见光摄像头进行拍摄，以生成拍摄图像；

将所述拍摄图像输入所述多任务卷积神经网络模型，以确定所述拍摄图像中是否存在人脸；

若确定所述拍摄图像中存在人脸，则将所述拍摄图像确定为人脸图像，并关闭所述补光灯。

7.根据权利要求1至4任一项所述的方法，其特征在于，所述图像质量评分还包括：图像中的正脸角度和图像清晰度；

所述根据所述人脸光照度和预设光照度阈值确定补光亮度调整值之前，还包括：

判断所述正脸角度是否大于预设角度阈值以及所述图像清晰度是否大于预设清晰度阈值；

若确定所述正脸角度大于预设角度阈值以及所述图像清晰度大于预设清晰度阈值，则执行所述根据所述人脸光照度和预设光照度阈值确定补光亮度调整值的步骤。

8.一种人脸识别设备补光控制装置，其特征在于，人脸识别设备包括：可见光摄像头和补光灯，所述装置包括：

获取模块，用于获取可见光摄像头生成的人脸图像；

输出模块，用于将所述人脸图像输入训练至收敛的人脸图像质量识别模型，以输出对应图像质量评分；所述图像质量评分包括人脸光照度；

确定模块，用于根据所述人脸光照度和预设光照度阈值确定补光亮度调整值；

调整模块，用于根据所述补光亮度调整值调整补光灯的发光亮度。

9.一种人脸识别设备补光控制装置，其特征在于，包括：处理器以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7任一项所述的人脸识别设备补光控制方法。

10.一种人脸识别设备，其特征在于，包括：如权利要求9所述的人脸识别设备补光控制装置、可见光摄像头以及补光灯；所述人脸识别设备补光控制装置分别与可见光摄像头以及补光灯电路连接；

所述补光灯用于对邻近人脸识别设备的预设区域发射可见光；所述可见光摄像头用于拍摄邻近人脸识别设备的预设区域，以生成对应人脸图像。

11.根据权利要求10所述的人脸识别设备，其特征在于，还包括：红外摄像头和红外照明光源；

所述红外摄像头、所述红外照明光源和所述人脸识别设备补光控制装置电路互联。

12.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的人脸识别设备补光控制方法。

Images