一种人脸图像的质量判定方法技术

本发明专利技术提供了一种人脸图像的质量判定方法，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。本发明专利技术不需要借助大量的训练数据进行样本化学习，仅针对待识别图像的关键点进行梯度邻域计算，有效地减轻了系统运行的负担，提升了图像质量判定的准确性和效率。

A method for determining the quality of face images

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”通过分析仿真图像和实际图像的质量评价结果，同时度量因噪声和模糊造成失真后的图像质量，该文章需要对图像中每个像素点的邻域进行图像质量评价，增大计算量，同时当拍摄时针对前景目标进行对焦之后，背景出现离焦的情况图像质量评价结果会产生较大的偏差。
技术实现思路
(一)要解决的技术问题鉴于上述技术问题，本专利技术的目的是提供一种有效、快速的人脸图像质量判定方法，保证进行人脸识别的图像质量从而保证人脸识别的准确率，为了达到上述目的，本专利技术提出一种人脸图像的质量判定方法，利用人脸图像的局部梯度信息作为整幅人脸图像质量评价的依据。(二)技术方案根据本专利技术的一个方面，提供了一种人脸图像的质量判定方法，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。在某些实施例中，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。在某些实施例中，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。在某些实施例中，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算子中的一种或多种。在某些实施例中，在步骤S5中，根据在梯度图像中关键点的坐标位置得到梯度图上关键点M*M大小的邻域，其中M的取值由人脸区域的大小决定，确保人脸关键点的邻域能够包含绝大部分人脸信息。在某些实施例中，M取值为3、5、7、9。在某些实施例中，在步骤S6中，计算每个关键点M*M邻域内的梯度，按照梯度值大小排序，梯度值最大的部分梯度值之和占邻域所有梯度值之和的比例作为局部图像块的图像质量指标，将所有邻域的局部质量指标取平均或者加权平均作为整幅人脸图像的质量判定值。在某些实施例中，梯度值最大的部分梯度值为梯度值最大的前20％梯度值。在某些实施例中，所述质量判定方法还包括以下步骤：将获得的人脸图像的质量判定值与预先设定的阈值进行比较，如果质量判定值大于阈值，则认为该人脸图像为清晰图像，否则认为其为模糊图像。(三)有益效果从上述技术方案可以看出，本专利技术一种人脸图像的质量判定方法至少具有以下有益效果其中之一：(1)本专利技术针对人脸图像进行关键点检测，人脸关键点邻域能够反映人脸图像的绝大部分信息，因此不需要进行聚类，并且关键点并不只用于图像质量判定，在人脸对齐，人脸识别中关键点定位也是必要步骤，从而避免了重复性工作；(2)本专利技术将人脸图像区域作为进行质量判定的目标区域，从而排除了背景区域图像质量的干扰；(3)本专利技术不需要依赖大量的训练数据进行训练，而且不需要参考图像，为无参考的图像质量评价，并且耗时短能够满足工程应用的实时性要求，根据图像质量评价结果滤除图像质量较差的图像，从而提高人脸识别的准确率。附图说明为了更清楚地说明本专利技术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单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，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1为本专利技术一种人脸图像的质量判定方法的工作流程图。图2为本专利技术一种人脸图像的质量判定方法的人脸检测和关键点定位示意图，其中，(a)为输入图像，(b)为输入图像人脸检测结果示意图(c)为输入图像人脸关键点定位。图3为本专利技术一种人脸图像的质量判定方法的不同失真程度的人脸图像及其对应的梯度图，其中，(a)为清晰图像，(b)运动模糊程度较小，(c)模糊程度较大的图像，(d)(e)(f)分别为以上三幅图对应的梯度图像。图4为本专利技术一种人脸图像的质量判定方法的不同失真程度的人脸图像的截面处梯度变化图，其中虚线代表清晰图像，点画线代表运动模糊程度较小的图像，实线代表运动模糊程度较大的图像。图5为本专利技术一种人脸图像的质量判定方法的可见光数据集示例图，第一行为清晰图像，第二行为运动模糊图像，第三行位离焦模糊图像。图6为本专利技术一种人脸图像的质量判定方法的近红外数据集示例图，第一行为清晰图像，第二行为模糊图像。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。为实现对人脸图像的质量评价，为后续的人脸识别等提供可靠的参考，本专利技术提供一种人脸图像的质量判定方法，以解决上述问题。图1为本专利技术一种人脸图像的质量判定方法的工作流程图。如图1所示，本专利技术一种人脸图像的质量判定方法包括以下步骤：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。以下分别对各个步骤进行详细描述。在步骤S1中，对输入的图像进行人脸检测，确定图像中人脸区域，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。在步骤S2中，对能够检测到人脸的图像进行人脸关键点定位，确定人脸关键点的位置，为图像质量判定以及以后的人脸本文档来自技高网...

【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