【技术实现步骤摘要】
快速高精度的图像模糊检测方法及装置
本专利技术涉及数字图像处理
,尤其涉及一种快速高精度的图像模糊检测方法及装置。
技术介绍
随着移动互联网、5G、物联网以及人工智能的发展,人脸识别技术已经广泛应用到日常生活中,例如人脸登录、人脸门禁、人脸开户等。虽然目前的人脸识别技术在高质量的人脸图像上的准确率已经能满足应用要求,但是在质量相对较差的图像上依旧还存在误识别,例如模糊、光照过曝与过暗等情况。此外,近年来基于数据驱动的活体识别方法主要集中在发现人脸图像上的微小差异来判断是否是活体。人脸图像的模糊失真直接导致人脸图像的细节丢失,进一步导致通过鉴别微小的差异的活体方法失效。因此模糊图像过滤在人脸识别技术中起到关键作用。现有技术的模糊检测方法,通过提取分析人工特征判断人脸图像是否模糊,这类方法通常与图像内容无关。近几年,基于深度学习的模糊检测方法也越来越受研究者们青睐,待检测图像经过神经网络自动学习提取特征,进一步将提取的特征进行标签分类或者回归模糊度值,这类方法不用设计特定的人工特征,并且可以学习到图像内容相关的模糊特征。目前基于深度学习的方法通常设计比较大的网络,导致在使用网络模型时耗时,且精度依旧不够高。如何设计一种快速高精度的图像模糊检测方法,能够在耗时低的前提下实现对图像的高精度模糊检测,成为亟需解决的问题。
技术实现思路
本专利技术提供的快速高精度的图像模糊检测方法,用于克服现有技术中存在的上述问题,能够在耗时低的前提下实现对图像的高精度模糊检测。本专利技术提供的 ...
【技术保护点】
1.一种快速高精度的图像模糊检测方法,其特征在于,包括:/n将待检测人脸图像的低层次人工特征图及待检测人脸图像的模糊值输入至预设深度神经网络模型进行训练,以确定所述预设深度神经网络模型的参数;/n根据所述参数及预设深度神经网络模型,确定模糊检测网络模型;/n将所述待检测人脸图像的低层次人工特征图输入至所述模糊检测网络模型,获取待检测人脸图像的模糊度值;/n其中,所述待检测人脸图像的低层次人工特征图是将所述待检测人脸图像输入至预设深度神经网络模型中的低层次人工特征提取神经网络模型获取的;/n所述低层次人工特征提取神经网络模型的参数是预先确定的。/n
【技术特征摘要】
1.一种快速高精度的图像模糊检测方法,其特征在于,包括:
将待检测人脸图像的低层次人工特征图及待检测人脸图像的模糊值输入至预设深度神经网络模型进行训练,以确定所述预设深度神经网络模型的参数;
根据所述参数及预设深度神经网络模型,确定模糊检测网络模型;
将所述待检测人脸图像的低层次人工特征图输入至所述模糊检测网络模型,获取待检测人脸图像的模糊度值;
其中,所述待检测人脸图像的低层次人工特征图是将所述待检测人脸图像输入至预设深度神经网络模型中的低层次人工特征提取神经网络模型获取的;
所述低层次人工特征提取神经网络模型的参数是预先确定的。
2.根据权利要求1所述的快速高精度的图像模糊检测方法,其特征在于,所述低层次人工特征提取神经网络模型的参数通过如下方式确定:
通过如下至少一种人工图像特征算子确定所述低层次人工特征提取网络模型的参数;
索贝尔Sobel算子、Prewitt算子及拉普拉斯算子。
3.根据权利要求1所述的快速高精度的图像模糊检测方法,其特征在于,所述将待检测人脸图像的低层次人工特征图及待检测人脸图像的模糊值输入至预设深度神经网络模型进行训练,以确定所述预设深度神经网络模型的参数,包括:
将所述待检测人脸图像的低层次人工特征图及所述待检测人脸图像的模糊值输入至预设中层次语义特征提取神经网络模型进行训练,获取待检测人脸图像的中层次语义特征图;
将经预处理后的所述待检测人脸图像的中层次语义特征图输入至预设高层次语义特征提取神经网络模型进行训练,获取待检测人脸图像的高层次语义特征图;
将经预处理后的所述待检测人脸图像的高层次语义特征图输入至预设深度神经网络模型进行训练,确定所述预设深度神经网络模型的参数。
4.根据权利要求1所述的快速高精度的图像模糊检测方法,其特征在于,所述将所述待检测人脸图像的低层次人工特征图输入至所述模糊检测网络模型,获取待检测人脸图像的模糊度值,包括:
将所述待检测人脸图像的低层次人工特征图输入至所述模糊检测网络模型,获取待检测人脸图像的模糊置信度;
根据所述待检测人脸图像的模糊置信度与预设阈值的对比结果,确定所述待检测人脸图像的模糊度值。<...
【专利技术属性】
技术研发人员:刘晓春,王国霞,王贤良,孟凡军,
申请(专利权)人:北京海鑫智圣技术有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。