CN115830002A - 一种红外图像质量评价方法及装置 - Google Patents
一种红外图像质量评价方法及装置 Download PDFInfo
- Publication number
- CN115830002A CN115830002A CN202211663981.9A CN202211663981A CN115830002A CN 115830002 A CN115830002 A CN 115830002A CN 202211663981 A CN202211663981 A CN 202211663981A CN 115830002 A CN115830002 A CN 115830002A
- Authority
- CN
- China
- Prior art keywords
- face image
- infrared
- quality
- evaluation model
- sample set
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种红外图像质量评价方法及装置,用以提高红外人脸图像质量评价的准确性。其中方法包括:获取第一红外人脸图像;将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。采用经过红外人脸图像训练得到的人脸质量评估模型对待评价的第一红外人脸图像进行质量评估,可以提高红外人脸图像质量评价的准确性。
Description
技术领域
本申请涉及人脸识别技术领域,尤其涉及一种红外图像质量评价方法及装置。
背景技术
随着深度学习的发展,人脸识别技术在手机支付、视频监控、门禁系统等场景中得到广泛应用。现有的人脸识别算法大多依赖高质量人脸图像作为输入,然而实际采集人脸图像时,由于环境光照复杂多变,得到的人脸图像质量参差不齐,极大地影响后续人脸识别算法的性能。为此,可采用人脸质量评估算法估计所采集的人脸图像在实现可靠和准确识别等性能方面的效用,从而筛选质量较高的人脸图像输入人脸识别算法。
目前的质量评估算法是针对可见光图像所设计,而可见光捕获的图像易受光照影响,例如在暗光环境下捕获的人脸细节信息不可见,整体质量偏低,导致人脸识别算法的识别率急剧下降。为解决这一问题,通过将可见光下采集的人脸图像输入图像处理算法中,恢复人脸区域过曝光或欠曝光部分的细节,然后通过质量评估算法筛选细节清晰、遮挡较小的正脸图像用于人脸识别中。但是,该方案需要先经过图像处理步骤,再输入人脸识别系统,一定程度上拖慢了系统的处理速度。而红外光成像对光照变化具有鲁棒性,即使在暗光环境也能采集到可以辨识的人脸图像,能在一定程度上提高识别的准确率,采用红外人脸图像输入更有利于提升人脸识别系统的性能,但是由于红外人脸图像与可见光人脸图像的采集装备的差异,采用现有的质量评估算法对同一条件下采集的可见光人脸图像与红外人脸图像进行评估,得到的质量评估结果差异较大,也就是说,现有的质量评估算法无法准确评价红外人脸图像的质量,因此,如何提高红外人脸图像质量评价的准确性是一个亟待解决的问题。
发明内容
本申请提供一种红外图像质量评价方法及装置,用以提高红外人脸图像质量评价的准确性。
第一方面,本申请实施例提供一种红外图像质量评价方法,该方法包括:获取第一红外人脸图像;将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。
本申请实施例中,采用经过红外人脸图像训练得到的人脸质量评估模型对待评价的第一红外人脸图像进行质量评估,可以提高红外人脸图像质量评价的准确性,能够筛选有利于人脸识别的高质量图像。而且,红外人脸图像极少受光照变化的影响,能够增加后续人脸识别系统对光照变化的鲁棒性,可以提升红外人脸图像识别准确性。
可选地,所述初始评估模型通过如下方式获得:将第二样本集输入至神经网络模型中,以最小化所述神经网络模型输出的预测质量分数与质量分数标签之间的损失函数为目标,对所述神经网络模型进行训练直至收敛,得到所述初始评估模型;其中,所述第二样本集包括至少一个带有质量分数标签的可见光人脸图像。
可选地,所述初始评估模型包括第一卷积网络和第二卷积网络,所述第一卷积网络用于提取人脸细节特征,所述第二卷积网络用于根据所述人脸细节特征学习得到人脸整体特征以及根据人脸整体特征分析得到输入图像的质量分数;所述人脸质量评估模型通过以下方式获得:
在固定所述第一卷积网络的网络参数的基础上,以最小化所述初始评估模型输出的预测质量分数与质量分数标签之间的损失函数为目标,基于所述第一样本集对所述第二卷积网络进行训练,得到所述第二卷积网络的网络参数;
采用第三样本集对经过红外人脸图像训练后的初始评估模型进行测试,在测试结果不满足预设条件时继续采用所述第一样本集对所述第二卷积网络进行训练,直至基于所述第三样本集对经过红外人脸图像训练后的初始评估模型进行测试的测试结果满足预设条件时收敛,得到所述人脸质量评估模型;其中,所述第三样本集包括至少一个带有质量分数标签的第三红外人脸图像。
可选地,所述损失函数包括以下任一项:Smooth L1损失函数;L1损失函数;L2损失函数。
可选地,所述第一样本集通过以下方式获得:
通过红外采集系统采集至少一个第二红外人脸图像;
根据至少一个预设因素,对所述至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到所述第一样本集;
所述第三样本集通过以下方式获得:
通过红外采集系统采集至少一个第三红外人脸图像;
根据所述至少一个预设因素,对所述至少一个第三红外人脸图像中的每个第三红外人脸图像进行评分,并标记质量分数标签,得到所述第三样本集。
可选地,所述至少一个预设因素包括以下至少一项:
待评分的红外人脸图像对应的目标人脸的拍摄角度;
所述目标人脸的遮挡程度;
所述目标人脸的妆容差异;
所述目标人脸与所述红外采集系统之间的距离。
可选地,所述根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量,包括:若所述第一红外人脸图像的质量分数大于分数阈值,则所述第一红外人脸图像为高质量图像。
第二方面,本申请实施例提供一种红外图像质量评价装置,该装置可包括执行上述第一方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
示例性地,所述装置可包括获取模块和处理模块;其中:
所述获取模块,用于获取第一红外人脸图像;
所述处理模块,用于将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。
可选地,所述处理模块,具体用于:
将第二样本集输入至神经网络模型中,以最小化所述神经网络模型输出的预测质量分数与质量分数标签之间的损失函数为目标,对所述神经网络模型进行训练直至收敛,得到所述初始评估模型;其中,所述第二样本集包括至少一个带有质量分数标签的可见光人脸图像。
可选地,所述初始评估模型包括第一卷积网络和第二卷积网络,所述第一卷积网络用于提取人脸细节特征,所述第二卷积网络用于根据所述人脸细节特征学习得到人脸整体特征以及根据人脸整体特征分析得到输入图像的质量分数;
所述处理模块,具体用于:
在固定所述第一卷积网络的网络参数的基础上,以最小化所述初始评估模型输出的预测质量分数与质量分数标签之间的损失函数为目标,基于所述第一样本集对所述第二卷积网络进行训练,得到所述第二卷积网络的网络参数;
采用第三样本集对经过红外人脸图像训练后的初始评估模型进行测试,在测试结果不满足预设条件时继续采用所述第一样本集对所述第二卷积网络进行训练,直至基于所述第三样本集对经过红外人脸图像训练后的初始评估模型进行测试的测试结果满足预设条件时收敛,得到所述人脸质量评估模型;其中,所述第三样本集包括至少一个带有质量分数标签的第三红外人脸图像。
可选地,所述损失函数包括以下任一项:Smooth L1损失函数;L1损失函数;L2损失函数。
可选地,获取模块,具体用于:
通过红外采集系统采集至少一个第二红外人脸图像;
处理模块,具体用于:根据至少一个预设因素,对所述至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到所述第一样本集。
可选地,获取模块,具体用于:
通过红外采集系统采集至少一个第三红外人脸图像;
处理模块,具体用于:根据所述至少一个预设因素,对所述至少一个第三红外人脸图像中的每个第三红外人脸图像进行评分,并标记质量分数标签,得到所述第三样本集。
可选地,所述至少一个预设因素包括以下至少一项:
待评分的红外人脸图像对应的目标人脸的拍摄角度;
所述目标人脸的遮挡程度;
所述目标人脸的妆容差异;
所述目标人脸与所述红外采集系统之间的距离。
可选地,所述处理模块具体用于:若所述第一红外人脸图像的质量分数大于分数阈值,则所述第一红外人脸图像为高质量图像。
第三方面,本申请实施例还提供一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如第一方面的各种可能的设计中所述的方法。
第四方面,申请实施例还提供一种计算机可读存储介质,其中存储有计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得上述第一方面的任一种可能的设计中所述的方法实现。
第五方面,本申请实施例还提供一种计算机程序产品,包括计算机可读指令,当计算机可读指令被处理器执行时,使得上述第一方面的任一种可能的设计中所述的方法实现。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A和图1B为相同条件下分别采集的红外人脸图像与可见光人脸图像输入同一个质量评估模型中的评估结果。
图2为本申请实施例提供的一种红外图像质量评价方法的流程示意图;
图3为本申请实施例提供的一种红外图像质量评价装置的结构示意图;
图4为本申请实施例提供的一种计算设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅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它实施例,都属于本申请保护的范围。
相较于可见光图像来说,采用红外人脸图像输入更有利于提升人脸识别系统的性能,目前的人脸质量评估算法主要针对可见光图像设计,一种实现方式中,采用针对可见光图像设计的人脸质量评估算法评估红外人脸图像的质量。
下面结合图1A和图1B,说明在相同条件下分别采集的红外人脸图像与可见光人脸图像输入同一个质量评估算法进行指令评估的结果差异,该质量评估模型为针对可见光人脸图像设计的人脸质量评估算法。
如图1A所示,为可见光人脸图像输入针对可见光图像设计的质量评估模型中得到的评估结果,可见光人脸图像的质量评分主要分布在60~83,评分的分布比较集中。
如图1B所示,为红外人脸图像输入针对可见光图像设计的质量评估模型中得到的评估结果,红外人脸图像的质量评分集中分布在20~70,评分的分布比较分散。
可见,图1A与图1B中的质量评估结果差异较大,将针对可见光图像设计的人脸质量评估算法直接用于红外人脸图像的质量评估,质量评价的准确性较低。为此,本申请实施例提供一种红外图像质量评价方法,提高红外人脸图像质量评价的准确性。
图2示例性示出了本申请实施例中提供的一种红外图像质量评价方法的流程示意图,该方法应用于红外图像质量评价装置。如图2所示,该方法包括:
步骤201,获取第一红外人脸图像。
该第一红外人脸图像可以通过红外采集系统采集得到。
步骤202,将第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到第一红外人脸图像的质量分数。
该人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,第一样本集包括至少一个带有质量分数标签的第二红外人脸图像,初始评估模型是基于可见光人脸图像进行训练得到的。
下面提供一种可以获得第一样本集的实现方式。
通过红外采集系统采集至少一个第二红外人脸图像。例如,被采集者在距离红外采集系统0.3~1米范围内走动,采集一定数量的红外视频,提取红外视频中的每一帧红外人脸图像,即第二红外人脸图像。
然后根据至少一个预设因素,对至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到第一样本集。
其中,至少一个预设因素包括以下至少一项:
第一项,待评分的红外人脸图像对应的目标人脸的拍摄角度。
以根据目标人脸的拍摄角度进行评分为例,采集到被采集者正脸为0度,评分最高;人脸向左偏移或向右偏移的角度越大,评分越低。
第二项,目标人脸的遮挡程度。
以根据目标人脸的遮挡程度进行评分为例,被采集者的人脸无遮挡,评分最高;遮挡面积越大,评分越低。
第三项,目标人脸的妆容差异。
以根据目标人脸的妆容差异进行评分为例,被采集者的人脸干净、无油污等遮挡真是面容,评分最高;被采集者的人脸有油污遮挡的面积越大,评分越低。
第四项,目标人脸与红外采集系统之间的距离。
以根据目标人脸与红外采集系统之间的距离进行评分为例,拍摄时的距离会影响图像的清晰度,距离越远,评分越低。
本申请实施例中,可以根据上述至少一项对每个第二红外人脸图像进行评分。在具体实施中,当红外采集系统的拍摄距离较远时,采集的人脸图像会出现细节模糊的现象,对神经网络特征提取过程产生影响。本申请较为优选的一种方式中,在对每个第二红外人脸图像进行评分时,除了根据拍摄角度、遮挡程度、妆容差异等预设因素进行评分之外,还考虑距离对第二红外人脸图像评分的影响。也就是说,根据拍摄角度、遮挡程度、妆容差异以及距离等预设因素,对至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到第一样本集。
示例性的,红外采集系统采集一定距离范围内的被采集者的红外人脸视频,获取到红外人脸视频之后,考虑遮挡、化妆、妆容等因素对红外人脸视频中的不同帧的红外人脸图像进行质量评分,并根据采集距离对人脸清晰度的影响,对评分结果做不同的衰减权重,构建第一样本集。除了考虑拍摄角度、遮挡、妆容等因素对红外人脸视频中的不同帧进行质量评价得到评分,还根据拍摄距离对评分进行衰减,可以有效提升人脸质量评价模型对距离的敏感程度。
上述获取第一数据集的实现方式中,对至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,可以为根据上述至少一个预设因素对第二红外人脸图像人工进行评分,也可以是通过算法对第二红外人脸图像进行评分。
上述初始评估模型可以通过以下任一种方式实现。
方式一,初始评估模型可以是神经网络模型,例如卷积神经网络(ConvolutionalNeural Networks,CNN)模型。
方式二,初始评估模型也可以是经过可见光图像对神经网络模型进行训练得到的,下面针对初始评估模型获得的方式进行详细介绍。
首先,获取第二样本集,第二样本集包括至少一个带有质量分数标签的可见光人脸图像。
然后,将第二样本集输入至神经网络模型中,以最小化神经网络模型输出的预测质量分数与质量分数标签之间的损失函数为目标,对神经网络模型进行训练直至收敛,得到初始评估模型。
其中,损失函数可以为Smooth L1损失函数,也可以为L1损失函数,也可以为L2损失函数,本申请对此不作限制。
基于上述方式二获得的初始评估模型,进一步,该初始评估模型可以包括第一卷积网络和第二卷积网络,第一卷积网络用于提取人脸细节特征,第二卷积网络用于根据人脸细节特征学习得到人脸整体特征以及根据人脸整体特征分析得到输入图像的质量分数。
其中,第一卷积网络为初始评估模型的浅层网络,感受野比较小,能够利用更多的细粒度特征信息,提取的特征图每个像素点对应的感受野重叠区域很小,可以保证网络可以捕获更多细节。
第二卷积网络为初始评估模型的深层网络,随着下采样或卷积次数增加,感受野逐渐增加,感受野之间的重叠区域不断增加,此时的像素点代表的信息是一个区域的信息,获得的是区域或相邻区域之间的特征信息。
因此,在根据大量的可见光人脸图像预训练得到的初始评估模型,模型本身已经具备较好的特征提取能力,然后迁移到红外人脸识别上,能够实现对红外采集系统捕获的红外人脸图像的质量评估,并且在根据红外人脸图像对初始评估模型的训练所需的数据量远少于直接根据红外人脸图像对神经网络模型进行训练所需的数据量。
下面提供一种可以获得人脸质量评估模型的具体方式。
第一步,固定第一卷积网络的网络参数。
第二步,在固定第一卷积网络的网络参数的基础上,以最小化初始评估模型输出的预测质量分数与质量分数标签之间的损失函数为目标,基于第一样本集对第二卷积网络进行训练,得到第二卷积网络的网络参数。其中,损失函数可以为Smooth L1损失函数,也可以为L1损失函数,也可以为L2损失函数,本申请对此不作限制。
应理解,第二步得到的经过红外人脸图像训练后的初始评估模型不一定是最终的人脸评估模型,还需要进一步测试验证质量评估的效果,如果测试效果好,那么第二步得到的经过红外人脸图像训练后的初始评估模型,即为最终的人脸质量评估模型;如果测试效果不好,还需要调整第二卷积网络的参数,继续采用第一样本集进行训练。
第三步,采用第三样本集对经过红外人脸图像训练后的初始评估模型进行测试,在测试结果不满足预设条件时继续采用第一样本集对第二卷积网络进行训练,直至基于第三样本集对经过红外人脸图像训练后的初始评估模型进行测试的测试结果满足预设条件时收敛,得到人脸质量评估模型。其中,第三样本集包括至少一个带有质量分数标签的第三红外人脸图像。预设条件为图像的预测值与质量分数标签之间的平均误差小于误差阈值。
下面对测试过程进行详细介绍。
在训练得到第二卷积网络的网络参数之后,将第三样本集中所有第三红外人脸图像输入经过红外人脸图像训练后的初始评估模型,每个第三红外人脸图像对应一个预测值,计算每个预测值与质量分数标签之间的误差,也就是说,每个第三红外人脸图像对应一个误差,可以确定出第三样本集中所有第三红外人脸图像的平均误差,如果平均误差小于误差阈值,则模型收敛,得到人脸质量评估模型;如果平均误差大于或等于误差阈值,则模型需要调整第二卷积网络的参数,然后继续上述第二步以及第三步,直到训练之后的初始评估模型的测试结果满足测试条件,停止训练,得到人脸质量评估模型。
本申请实施例中,获得第三样本集的方式可以参考上述获得第一样本集的实现方式,此处不再赘述。
可选的,上述第一样本集的图像数量在所述第一样本集与所述第二样本集的图像总量中的占比可以为70%~80%,例如第一样本集与所述第二样本集的图像数量比例可以为7:3,又例如可以为8:2。
本申请实施例中,在训练完成的人脸质量评估模型之后,可以采用人脸质量评估模型直接对红外人脸图像进行评估,得到红外人脸图像的质量分数。
步骤203,根据第一红外人脸图像的质量分数,评价第一红外人脸图像的质量。
若第一红外人脸图像的质量分数小于或等于分数阈值,则第一红外人脸图像为低质量图像;若第一红外人脸图像的质量分数大于分数阈值,则第一红外人脸图像为高质量图像。然后,可以将筛选的高质量图像送入人脸识别模型中,进行人脸识别。
本申请中,基于在可见光图像上预训练的初始评估模型,利用迁移学习,生成可以评估红外人脸图像的质量的人脸质量评估模型。由于红外人脸图像极少受光照变化的影响,能够增加后续人脸识别系统对光照变化的鲁棒性,可以提升红外人脸图像识别准确性。
进一步,红外人脸质量评估模型能够筛选有利于人脸识别的高质量图像,一定程度上避免有遮挡、非正脸、距离远等因素造成误识别的问题。而且,在采集到很多待识别图像之后,先经过人脸质量评估模型进行筛选,将经过筛选的高质量图像输入到人脸识别模型,而不是对所有待识别图像都进行人脸识别,从而可以减少识别模型的调用次数,有效节省边缘端设备资源开销,在一定程度上提升人脸识别算法的性能。
基于相同的发明构思,本申请还提供一种红外图像质量评价装置,该装置用于实现上述方法实施例中的方法。
如图3所示,该装置300包括:获取模块310和处理模块320。
获取模块310,用于获取第一红外人脸图像;
处理模块320,用于将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。
可选地,所述处理模块320,具体用于:
将第二样本集输入至神经网络模型中,以最小化所述神经网络模型输出的预测质量分数与质量分数标签之间的损失函数为目标,对所述神经网络模型进行训练直至收敛,得到所述初始评估模型;其中,所述第二样本集包括至少一个带有质量分数标签的可见光人脸图像。
可选地,所述初始评估模型包括第一卷积网络和第二卷积网络,所述第一卷积网络用于提取人脸细节特征,所述第二卷积网络用于根据所述人脸细节特征学习得到人脸整体特征以及根据人脸整体特征分析得到输入图像的质量分数;
所述处理模块320,具体用于:
在固定所述第一卷积网络的网络参数的基础上,以最小化所述初始评估模型输出的预测质量分数与质量分数标签之间的损失函数为目标,基于所述第一样本集对所述第二卷积网络进行训练,得到所述第二卷积网络的网络参数;
采用第三样本集对经过红外人脸图像训练后的初始评估模型进行测试,在测试结果不满足预设条件时继续采用所述第一样本集对所述第二卷积网络进行训练,直至基于所述第三样本集对经过红外人脸图像训练后的初始评估模型进行测试的测试结果满足预设条件时收敛,得到所述人脸质量评估模型;其中,所述第三样本集包括至少一个带有质量分数标签的第三红外人脸图像。
可选地,所述损失函数包括以下任一项:Smooth L1损失函数;L1损失函数;L2损失函数。
可选地,获取模块310,具体用于:
通过红外采集系统采集至少一个第二红外人脸图像;
处理模块320,具体用于:根据至少一个预设因素,对所述至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到所述第一样本集。
可选地,获取模块310,具体用于:
通过红外采集系统采集至少一个第三红外人脸图像;
处理模块320,具体用于:根据所述至少一个预设因素,对所述至少一个第三红外人脸图像中的每个第三红外人脸图像进行评分,并标记质量分数标签,得到所述第三样本集。
可选地,所述至少一个预设因素包括以下至少一项:
待评分的红外人脸图像对应的目标人脸的拍摄角度;
所述目标人脸的遮挡程度;
所述目标人脸的妆容差异;
所述目标人脸与所述红外采集系统之间的距离。
可选地,所述处理模块320具体用于:若所述第一红外人脸图像的质量分数大于分数阈值,则所述第一红外人脸图像为高质量图像。
基于相同的技术构思,本申请实施例还提供一种计算设备,如图4所示,包括至少一个处理器401,以及与至少一个处理器连接的存储器402,本申请实施例中不限定处理器401与存储器402之间的具体连接介质,图4中处理器401和存储器402之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器402存储有可被至少一个处理器401执行的指令,该至少一个处理器401通过执行存储器402存储的指令,可以实现上述方法的步骤。
其中,处理器401是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器402内的指令以及调用存储在存储器402内的数据,从而进行资源设置。可选的,处理器401可包括一个或多个处理单元,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。在一些实施例中,处理器401和存储器402可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器401可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器402作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器402可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器402是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器402还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得上述方法实施例中的方法实现。
基于相同的技术构思,本申请实施例还提供一种计算机程序产品,包括计算机可读指令,当计算机可读指令被处理器执行时,使得上述方法实施例中的方法实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请的方法、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种红外人脸图像质量评价方法,其特征在于,所述方法包括:
获取第一红外人脸图像;
将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;
根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。
2.根据权利要求1所述的方法,其特征在于,所述初始评估模型通过如下方式获得:
将第二样本集输入至神经网络模型中,以最小化所述神经网络模型输出的预测质量分数与质量分数标签之间的损失函数为目标,对所述神经网络模型进行训练直至收敛,得到所述初始评估模型;其中,所述第二样本集包括至少一个带有质量分数标签的可见光人脸图像。
3.根据权利要求2所述的方法,其特征在于,所述初始评估模型包括第一卷积网络和第二卷积网络,所述第一卷积网络用于提取人脸细节特征,所述第二卷积网络用于根据所述人脸细节特征学习得到人脸整体特征以及根据人脸整体特征分析得到输入图像的质量分数;
所述人脸质量评估模型通过以下方式获得:
在固定所述第一卷积网络的网络参数的基础上,以最小化所述初始评估模型输出的预测质量分数与质量分数标签之间的损失函数为目标,基于所述第一样本集对所述第二卷积网络进行训练,得到所述第二卷积网络的网络参数;
采用第三样本集对经过红外人脸图像训练后的初始评估模型进行测试,在测试结果不满足预设条件时继续采用所述第一样本集对所述第二卷积网络进行训练,直至基于所述第三样本集对所述经过红外人脸图像训练后的初始评估模型进行测试的测试结果满足预设条件时收敛,得到所述人脸质量评估模型;
其中,所述第三样本集包括至少一个带有质量分数标签的第三红外人脸图像。
4.根据权利要求2或3所述的方法,其特征在于,所述损失函数包括以下任一项:
Smooth L1损失函数;L1损失函数;L2损失函数。
5.根据权利要求3所述的方法,其特征在于,所述第一样本集通过以下方式获得:
通过红外采集系统采集至少一个第二红外人脸图像;
根据至少一个预设因素,对所述至少一个第二红外人脸图像中的每个第二红外人脸图像进行评分,并标记质量分数标签,得到所述第一样本集;
所述第三样本集通过以下方式获得:
通过红外采集系统采集至少一个第三红外人脸图像;
根据所述至少一个预设因素,对所述至少一个第三红外人脸图像中的每个第三红外人脸图像进行评分,并标记质量分数标签,得到所述第三样本集。
6.根据权利要求5所述的方法,其特征在于,所述至少一个预设因素包括以下至少一项:
待评分的红外人脸图像对应的目标人脸的拍摄角度;
所述目标人脸的遮挡程度;
所述目标人脸的妆容差异;
所述目标人脸与所述红外采集系统之间的距离。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量,包括:
若所述第一红外人脸图像的质量分数大于分数阈值,则所述第一红外人脸图像为高质量图像。
8.一种红外人脸图像质量评价装置,其特征在于,所述装置包括:
获取模块,用于获取第一红外人脸图像;
处理模块,用于将所述第一红外人脸图像输入至训练完成的人脸质量评估模型中,得到所述第一红外人脸图像的质量分数,其中,所述人脸质量评估模型为根据第一样本集对初始评估模型进行训练得到,所述第一样本集包括至少一个带有质量分数标签的第二红外人脸图像;所述初始评估模型是基于可见光人脸图像进行训练得到的;根据所述第一红外人脸图像的质量分数,评价所述第一红外人脸图像的质量。
9.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如权利要求1至7中任一项所述的方法。
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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663981.9A CN115830002A (zh) | 2022-12-23 | 2022-12-23 | 一种红外图像质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663981.9A CN115830002A (zh) | 2022-12-23 | 2022-12-23 | 一种红外图像质量评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830002A true CN115830002A (zh) | 2023-03-21 |
Family
ID=85517984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211663981.9A Pending CN115830002A (zh) | 2022-12-23 | 2022-12-23 | 一种红外图像质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830002A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706502A (zh) * | 2021-08-26 | 2021-11-26 | 重庆紫光华山智安科技有限公司 | 一种人脸图像质量评估方法及装置 |
CN117611516A (zh) * | 2023-09-04 | 2024-02-27 | 北京智芯微电子科技有限公司 | 图像质量评估、人脸识别、标签生成及确定方法和装置 |
-
2022
- 2022-12-23 CN CN202211663981.9A patent/CN115830002A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706502A (zh) * | 2021-08-26 | 2021-11-26 | 重庆紫光华山智安科技有限公司 | 一种人脸图像质量评估方法及装置 |
CN113706502B (zh) * | 2021-08-26 | 2023-09-05 | 重庆紫光华山智安科技有限公司 | 一种人脸图像质量评估方法及装置 |
CN117611516A (zh) * | 2023-09-04 | 2024-02-27 | 北京智芯微电子科技有限公司 | 图像质量评估、人脸识别、标签生成及确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132119B (zh) | 客流统计方法、装置、电子设备和存储介质 | |
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
CN110879951B (zh) | 一种运动前景检测方法及装置 | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN115830002A (zh) | 一种红外图像质量评价方法及装置 | |
CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及系统 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN103065134A (zh) | 一种具有提示信息的指纹识别装置和方法 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
CN110738116B (zh) | 活体检测方法及装置和电子设备 | |
CN108875517A (zh) | 视频处理方法、装置和系统及存储介质 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN111104830A (zh) | 用于图像识别的深度学习模型、该模型的训练装置及方法 | |
CN102314591B (zh) | 静止前景物体的检测方法和设备 | |
CN108875509A (zh) | 活体检测方法、装置和系统及存储介质 | |
CN113505682A (zh) | 活体检测方法及装置 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN111310531B (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 | |
CN110751034B (zh) | 行人行为识别方法及终端设备 | |
CN114399432A (zh) | 目标识别方法、装置、设备、介质及产品 |
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 |