人脸质量评定方法、系统、电子设备及可读存储介质技术方案

本发明专利技术公开了一种人脸质量评定方法，包括步骤：准备包含人脸的图像数据集以及对应的人脸属性标签；进行人脸检测，获得关键点并进行人脸对齐；将人脸图像的像素值进行归一化；评估人脸质量得分，质量得分评估的参照因素包括人脸亮度、左右脸亮度差异、两眼间距及神经网络质量输出，所述神经网络质量输出通过基于MobileFaceNet的神经网络结构来构建多任务卷积神经网络进行评估；将各参照因素进行加权计算，获得人脸质量得分。该方法具有质量评定速度快、准确性高的优点，能够在复杂的现实场景下准确地进行识别各类质量属性。

Face quality assessment methods, systems, electronic devices and readable storage media

【技术实现步骤摘要】
人脸质量评定方法、系统、电子设备及可读存储介质
本专利技术涉及图像识别
，特别涉及一种人脸质量评定方法、系统、电子设备及可读存储介质。
技术介绍
随着移动互联网的发展，大量的人脸图像数据，包括手机，监控图像设备，摄像头拍摄等，出现在人们的生活当中。这些图像数据也广泛地应用于人脸识别，人脸活体检测等相关的技术当中。然而，这些数据因其拍摄设备，拍摄环境，拍摄手法，存储方式，后期处理等因素的影响，具有质量参差不齐的特点。这些质量问题很容易导致活体检测与人脸识别性能的下降。除此之外，在某些应用上要求上传的图像需要符合某些质量规范要求。因此，一套合格的质量判断与择优系统无论是对人脸活体检测还是对于人脸识别以及相关的一些规范要求来说都是必要的。现有的人脸图片质量择优方法主要通过传统的图像处理方法来对图像质量进行判断，而且通常仅对某个方面，例如说模糊，遮挡等进行判断。这些方法基于传统的图像处理与模式匹配，使用了人工设计的特征，鲁棒性较差，难以对各种任务均有效；考虑的质量影响因素较为单一，评价指标较少；使用数据较少，普适性差，无法应对较为复杂的场本文档来自技高网...

【技术保护点】
1.一种人脸质量评定方法，其特征在于，包括步骤：/n准备包含人脸的图像数据集以及对应的人脸属性标签；/n进行人脸检测，获得关键点并进行人脸对齐；/n将人脸图像的像素值进行归一化；/n评估人脸质量得分，质量得分评估的参照因素包括人脸亮度、左右脸亮度差异、两眼间距及神经网络质量输出，所述神经网络质量输出通过基于MobileFaceNet的神经网络结构来构建多任务卷积神经网络进行评估；将各参照因素进行加权计算，获得人脸质量得分。/n

【技术特征摘要】
1.一种人脸质量评定方法，其特征在于，包括步骤：
准备包含人脸的图像数据集以及对应的人脸属性标签；
进行人脸检测，获得关键点并进行人脸对齐；
将人脸图像的像素值进行归一化；
评估人脸质量得分，质量得分评估的参照因素包括人脸亮度、左右脸亮度差异、两眼间距及神经网络质量输出，所述神经网络质量输出通过基于MobileFaceNet的神经网络结构来构建多任务卷积神经网络进行评估；将各参照因素进行加权计算，获得人脸质量得分。


2.根据权利要求1所述的人脸质量评定方法，其特征在于：所述神经网络质量输出包括绕y轴方向的人脸角度、绕x轴方向的人脸角度、绕z轴方向的人脸角度、表情分类、眼镜分类、口罩分类、眼睛状态分类、嘴巴状态分类、妆容状态分类、人脸真实度、人脸模糊度、人脸遮挡度。


3.根据权利要求2所述的人脸质量评定方法，其特征在于，通过基于MobileFaceNet的神经网络结构来构建多任务卷积神经网络进行评估神经网络质量输出的过程包括：
S1：设计网络训练的目标函数，包括多个Softmax损失函数及Euclidean损失函数，分别定义如下：
Softmax损失L：L＝-log(pi),
其中pi为每一个属性类计算出的归一化后的概率,即xi表示第i个神经元输出，N表示类别总数；
Euclidean损失L：
其中yi为真实的标签值，为回归器的预测值；
S2：利用已标注好的数据进行训练，得到一个训练模型；利用该训练模型对样本缺失的标注进行补充，以减少数据标注的稀疏性；
S3：利用S2得到的模型作为新的训练初始化权重，并利用补充标注后的该数据集再次进行端到端的训练；
S4：重复步骤S2及步骤S3直至得到满足条件的网络模型。


4.根据权利要求3所述的人脸质量评定方法，其特征在于：
表情分类，眼镜分类，口罩分类，眼睛状态分类，嘴巴状态分类，妆容状态分类采用Softmax损失函数作为目标函数；
绕y轴方向的人脸角度，绕x轴方向的人脸...

【专利技术属性】
技术研发人员：王心莹，刘小扬，何学智，林林，
申请(专利权)人：新大陆数字技术股份有限公司，
类型：发明
国别省市：福建;35