人脸图像模糊程度评价方法、装置、可读存储介质及设备制造方法及图纸

本发明专利技术公开了一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备，属于人脸识别领域。该方法包括：对人脸图像进行预处理；将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。本发明专利技术使用基于深度卷积神经网络的自动学习特征方法，避免了手工设计特征的缺陷，可达到很高的精度和很好地鲁棒性，本发明专利技术评价速度快，实时性好。

Method, device, readable storage medium and device for evaluating fuzzy degree of face image

【技术实现步骤摘要】
人脸图像模糊程度评价方法、装置、可读存储介质及设备
本专利技术涉及人脸识别领域，特别是指一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备。
技术介绍
当下随着智能手机等数字图像设备的普及，以及互联网服务的快速发展，图像已成为一种重要的传播媒介，人们每天都要接触大量的图像，如果图像的质量有了模糊、噪声、压缩失真等问题，会严重影响人们的视觉感官。而在生物识别系统中，有研究指出：大部分的匹配错误都是由低质量的输入图像导致的，而高质量的图像会提高识别的精度。特别的，在人脸识别系统中，如果摄像头拍摄的人脸图像质量比较差，在进行人脸识别时会导致过多的识别失败、以致体验不好，所以必须保证采集的人脸图像有较好的质量。而影响人脸图像质量的主要因素是模糊，模糊通常是由以下两方面不良因素造成的：一方面，是由于摄像头的焦距没对好造成的模糊，因为很多摄像头都是定焦的，人脸距离摄像头过近或过远都会造成一定的模糊；另一方面，是由于运动造成的模糊，拍摄时人脸的晃动等造成的各种模糊。参考文献“王志明.无参考图像质量评价综述.自动化学报,2015,41(6):1062-1079”中对于图像(一般意义上的图像，包括人脸图像)模糊程度的评价方法有综述性的介绍。文献中提及模糊程度的评估也可以理解为图像锐利程度的评估，其评价方法有三种：基于边缘分析的方法、基于变换域的方法和基于像素统计信息的方法。其中，基于边缘分析的方法，一般是先计算图像的Sobel边缘或者Canny边缘，之后通过计算边缘像素的平均边缘宽度、边缘最大强度、平均强度以及边缘比率等信息来评价图像的模糊程度。基于变换域的方法，主要是先将图像从空间域变换到频率域，基于在频率域中模糊图像的高频信息较少、低频较多的特点，这里的频率域变换有傅立叶变换、离散余弦变换或离散小波变换等，比如通过计算离散余弦变换后图像的8*8大小分块后，通过每一个块中非零系数的加权直方图来估计图像的模糊程度。基于像素统计信息的方法，是基于图像像素的一些统计信息及其相对变化，比如通过计算图像协方差矩阵的某些特征值来估计图像的模糊程度。专利局于2016年5月4日公布的公开号为CN105550694A，名称为“一种度量人脸图像模糊程度的方法”的专利技术专利中，对人脸图像进行傅立叶变化以及对高斯模糊后的人脸图像进行傅立叶变化，根据变换前后的频谱信息计算出高斯模糊因子来评估图像的模糊程度，这是一种属于基于变换域的方法。上面的基于边缘分析的方法、基于变换域和基于像素统计信息的评价方法都属于传统的评价方法，这里传统的方法是指基于一种手工设计的特征或数值来评估图像的模糊程度，通常一种有效的手工特征需要经过很多实验以及改进，其评价精度以及鲁棒性也不尽如人意。
技术实现思路
为解决上述技术问题，本专利技术提供一种人脸图像模糊程度评价方法、装置、计算机可读存储介质及设备，本专利技术准确率高、鲁棒性好、速度快、实时性好。本专利技术提供技术方案如下：第一方面，本专利技术提供一种人脸图像模糊程度评价方法，所述方法包括：对人脸图像进行预处理；将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binaryloglos。进一步的，所述对人脸图像进行预处理，包括：通过人脸检测算法检测出人脸；通过眼睛定位算法定位出左右眼坐标；根据左右眼坐标进行人脸对齐；对对齐后的人脸进行局部归一化处理；将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。进一步的，所述局部归一化的公式为：其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，为局部归一化之后的图像的每个像素，C为常数，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。进一步的，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。进一步的，所述损失函数binaryloglos的公式为：L(x,c)＝-log(c(x-0.5)+0.5)；其中，x的取值范围是[0,1],c的取值是+1或-1；每个卷积层均依次包括卷积层、BN层和ReLu层。第二方面，本专利技术提供一种人脸图像模糊程度评价装置，所述装置包括：预处理模块，用于对人脸图像进行预处理；模糊分值获取模块，用于将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binaryloglos。进一步的，所述预处理模块包括：人脸检测单元，用于通过人脸检测算法检测出人脸；左右眼定位单元，用于通过眼睛定位算法定位出左右眼坐标；人脸对齐单元，用于根据左右眼坐标进行人脸对齐；局部归一化单元，用于对对齐后的人脸进行局部归一化处理；双线性插值单元，用于将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。进一步的，所述局部归一化的公式为：其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，为局部归一化之后的图像的每个像素，C为常数，μ(i,j)和σ(i,j)分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。进一步的，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。进一步的，所述损失函数binaryloglos的公式为：L(x,c)＝-log(c(x-0.5)+0.5)；其中，x的取值范围是[0,1],c的取值是+1或-1；每个卷积层均依次包括卷积层、BN层和ReLu层。第三方面，本本文档来自技高网...

【技术保护点】
1.一种人脸图像模糊程度评价方法，其特征在于，所述方法包括：/n对人脸图像进行预处理；/n将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；/n其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binary log los。/n

【技术特征摘要】
1.一种人脸图像模糊程度评价方法，其特征在于，所述方法包括：
对人脸图像进行预处理；
将预处理后的人脸图像输入训练好的深度卷积神经网络，得到人脸图像的模糊分值；
其中，所述深度卷积神经网络包括6个卷积层，4个max池化层，3个全连接层，2个dropout层，一个sigmoid层，所述深度卷积神经网络的损失函数为binaryloglos。


2.根据权利要求1所述的人脸图像模糊程度评价方法，其特征在于，所述对人脸图像进行预处理，包括：
通过人脸检测算法检测出人脸；
通过眼睛定位算法定位出左右眼坐标；
根据左右眼坐标进行人脸对齐；
对对齐后的人脸进行局部归一化处理；
将局部归一化处理后的人脸双线性插值到所述深度卷积神经网络需要的大小。


3.根据权利要求2所述的人脸图像模糊程度评价方法，其特征在于，所述局部归一化的公式为：



其中，I(i,j)为局部归一化之前的图像I的每个像素，M和N为局部归一化之前的图像边长，为局部归一化之后的图像的每个像素，C为常数，μ(i,j)和σ(i,j0分别为局部归一化之前的图像在(i,j)处的加权灰度均值和标准方差；






w＝{wk,l|k＝-K,-K+1,…,K,j＝-L,-L+1,…,L}是2维高斯平滑滤波的系数，K和L为2维高斯平滑滤波器的窗口边长的一半。


4.根据权利要求1-3任一所述的人脸图像模糊程度评价方法，其特征在于，所述深度卷积神经网络包括依次相连的第一卷积层、第一max池化层、第二卷积层、第二max池化层、第三卷积层、第四卷积层、第三max池化层、第五卷积层、第六卷积层、第四max池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层、sigmoid层。


5.根据权利要求4所述的人脸图像模糊程度评价方法，其特征在于，所述损失函数binaryloglos的公式为：
L(x,c)＝-log(...

【专利技术属性】
技术研发人员：周军，孔勇，
申请(专利权)人：北京眼神智能科技有限公司，北京眼神科技有限公司，
类型：发明
国别省市：北京;11