The invention provides a method for judging the quality of a face image, including the following steps: S1, face detection of the input image to determine the face region in the image; S2: locating the face key points of the detected face image; S3: calculating the gradient of the face image region after the key points location to obtain the face ladder. S 4: Determine the coordinate position of the key points in the gradient image; S 5: calculate the gradient information of the neighborhood of the key points; S 6: synthesize the gradient information of the neighborhood of the key points to get the quality judgment value of the face image. The method does not need to use a large number of training data for sample learning, only calculates the gradient neighborhood of the key points of the image to be recognized, effectively reducing the burden of system operation, and improving the accuracy and efficiency of image quality determination.
【技术实现步骤摘要】
一种人脸图像的质量判定方法
本专利技术属于图像质量评价
,特别是涉及一种人脸图像的质量判定方法。
技术介绍
随着电子技术的发展,图像的获取越来越便利,而图像作为信息载体,相对于文本、声音更加形象直观。在生物识别领域,人脸识别技术引起广泛关注并且具有广阔的应用前景。但是在图像的获取、传输过程中不可避免的会引入一些干扰,如噪声、压缩块状效应等,造成图像质量下降,同时在人脸图像采集过程中,又存在人脸姿态、表情、遮挡等影响因素,上述因素都会降低人脸识别准确率。现有的图像质量评价算法,根据是否需要参考图像分为全参考、部分参考和无参考评价方法。全参考和部分参考方法需要利用参考图像的相关信息,而无参考方法无需利用参考图像,直接对图像进行质量评价。实际应用过程中,一般无法获得参考图像,所以无参考图像质量评价方法成为研究重点和热点。深度学习逐渐在各个领域取得良好效果,同样在图像质量评价中也取得了很好地效果,但是基于深度学习的方法在训练过程中耗时费力,并且为确保模型的泛化性和有效性需要准备足够多的数据,数据的获取本身并非一件易事。即使采用传统的机器学习方法仍然需要进行训练,并且对训练数据的依赖性大。专利文献CN106127752A公开了一种图像质量分析方法与装置,对关键点进行聚类处理并对邻域进行图像质量判断,根据邻域的图像质量确定待处理图片的图像质量,该专利中提出的算法需要对图像进行角点检测之后进行聚类,聚类计算量较大,不能满足实际应用的实时性要求,并且角点对于人脸图像不具有代表性。邵宇等发表于《电子与信息学报》的“基于局部结构张量的无参考型图像质量评价方法”通过分析仿 ...
【技术保护点】
1.一种人脸图像的质量判定方法,其特征在于,包括以下步骤:S1、对输入的图像进行人脸检测,确定图像中人脸区域;S2:对检测到人脸的图像进行人脸关键点定位;S3:计算关键点定位之后的人脸图像区域的梯度,得到人脸梯度图像;S4:确定在梯度图像中关键点的坐标位置;S5:计算关键点邻域的梯度信息;S6:根据关键点邻域的梯度信息综合得到人脸图像的质量判定值。
【技术特征摘要】
1.一种人脸图像的质量判定方法,其特征在于,包括以下步骤:S1、对输入的图像进行人脸检测,确定图像中人脸区域;S2:对检测到人脸的图像进行人脸关键点定位;S3:计算关键点定位之后的人脸图像区域的梯度,得到人脸梯度图像;S4:确定在梯度图像中关键点的坐标位置;S5:计算关键点邻域的梯度信息;S6:根据关键点邻域的梯度信息综合得到人脸图像的质量判定值。2.根据权利要求1所述的质量判定方法,其特征在于,步骤S1还包括:在确保能通过人脸检测的前提下进行后续的图像质量判定任务,如果图像无法通过人脸检测则不需要进行后续的图像质量判定。3.根据权利要求1所述的质量判定方法,其特征在于,步骤S2还包括:确定人脸关键点的位置,为图像质量判定以及以后的人脸图像处理中人脸对齐、人脸识别做准备;对人脸关键点的外接矩形进行适当扩充,得到人脸区域的图像。4.根据权利要求1所述的质量判定方法,其特征在于,在步骤S3中,计算梯度的边缘检测算子为Roberts算子、Sobel算子、Canny算子、Laplacian...
【专利技术属性】
技术研发人员:李卫军,路亚旋,宁欣,董肖莉,张亚坤,徐健,覃鸿,于丽娜,
申请(专利权)人:中国科学院半导体研究所,中国科学院大学,
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。