一种人脸图像质量评估系统以及实现方法技术方案

本发明专利技术公开了一种人脸图像质量评估系统以及实现方法，方法包括：训练得到带有神经网络的多类预测器，使用所述多类预测器提取得到人脸特征和人脸预测值，分别将所述人脸特征和所述人脸预测值连接形成新的用于判断人脸图像质量的多维特征，采用Boosting算法将所述多维特征训练得到预测评估分类器，在所述预测评估分类器中采用分类器联合投票方式，得到图像质量预测值。本发明专利技术人脸图像质量评估方法，结合多种人脸属性，灵活组合，准确度高，速度快。

【技术实现步骤摘要】
一种人脸图像质量评估系统以及实现方法
本专利技术涉及神经网络、图像处理领域，特别涉及一种人脸图像质量评估系统以及实现方法。
技术介绍
人脸图像质量可以在不同的层次上进行评估,有低等级的质量评估,比如对图像全局特性如光照、对比度等的评估,也可以通过对人脸图像匹配分数分析评估。关于哪些因素或者哪种图像属性会引起质量问题现在还没有一个共识,对于质量评估算法,其最终目标是最大化跟匹配分数的相关性,因此,所有会影响匹配分数的应该都需要被考虑作为质量评估算法的输入。对人脸图像质量评估算法而言,输入是一幅人脸图像I,输出是相应的质量分数Q(I),质量分数可以是一个标量或者向量,例如,标量可以是最终的人脸质量分数Q(I),向量可以是由各个方面的质量分数组成.人脸图像质量分数必须能够对匹配时的性能有一定的预测性,匹配分数表征了两个人脸图像I1、I2之间的相似性,它可能可以通过两幅图像的质量Q(I1)和Q(I2)来表征MS＝P(I1,I2；q1,q2)。在现有技术中进行人脸图像质量评估时的识别技术，一种方法是通过灰度直方图、图像色彩、边缘检测等传统方法进行判别，但缺点在于：模型复杂，速度较慢，容易被极端本文档来自技高网...

【技术保护点】
一种人脸图像质量评估方法，其特征在于包括如下步骤：训练得到带有神经网络的多类预测器，使用所述多类预测器提取得到人脸特征和人脸预测值，分别将所述人脸特征和所述人脸预测值连接形成新的用于判断人脸图像质量的多维特征，采用Boosting算法将所述多维特征训练得到预测评估分类器，在所述预测评估分类器中采用分类器联合投票方式，得到图像质量预测值。

【技术特征摘要】
1.一种人脸图像质量评估方法，其特征在于包括如下步骤：训练得到带有神经网络的多类预测器，使用所述多类预测器提取得到人脸特征和人脸预测值，分别将所述人脸特征和所述人脸预测值连接形成新的用于判断人脸图像质量的多维特征，采用Boosting算法将所述多维特征训练得到预测评估分类器，在所述预测评估分类器中采用分类器联合投票方式，得到图像质量预测值。2.根据权利要求1所述的人脸图像质量评估方法，其特征在于，在所述多类预测器中使用的人脸属性类别包括：胡子、眉毛形状、发型、模糊、滤镜、光线、眼镜、帽子、性别、表情、年龄的11种人脸属性。3.根据权利要求1所述的人脸图像质量评估方法，其特征在于，所述神经网络按照如下方法部署：四层卷基层和两个全连接层，第一层：首先将人脸图像调整到预置的大小，作为神经网络多类预测器的输入，第二层：输入为第一层卷积，第三层：输入为第二层卷积，第四层：输入为第三层卷积，第一个全连接层：输入为第四层卷积，经过全连接运算,输出为多维特征，第二个全连接层：输入为多维特征输出，经过全连接运算,输出为属性预测值。4.根据权利要求3所述的人脸图像质量评估方法，其特征在于，所述神经网络包括如下的前馈过程：图像经过上述相同的卷积神经网络结构获得特征图，通过不同的全连接操作,输出不同的属性特征,属性特征在通过全连接操作就可以输出预测的属性值：xf＝φ(I|K)，其中，k表示神经网络的卷积算法，K表示层数为S的卷积，xf表示经过卷积算法处理后的图像特征图，I是输入的图像，φ表示神经网络算法的处理过程，通过第一层全连接层连接输出属性的属性特征x，第二层全连接层获得属性预测值y’：其中，表示第一层全连接的参数矩阵，表示第二层全连接的参数矩阵，T表示转置，bx表示第一层全连接常量，by表示第二层全连接常量。5.根据权利要求4或3所述的人脸图像质量评估方法，其特征在于，所述神经网络还包括如下的后馈过程：预测的属性值与实际的属性标签构造相关的代价函数：

【专利技术属性】
技术研发人员：于志鹏，白洪亮，董远，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11