人脸图片质量评估方法、装置及存储介质制造方法及图纸

本发明专利技术提供了一种人脸图片质量评估方法、装置及存储介质。该方法包括：获取待评估的目标图片；通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。通过本发明专利技术，解决了如何有效准确地进行人脸图片质量评估的问题，进而达到了准确快速地实现人脸图片质量评估的效果。

【技术实现步骤摘要】
人脸图片质量评估方法、装置及存储介质
本专利技术涉及图片处理
，具体而言，涉及一种人脸图片质量评估方法、装置及存储介质。
技术介绍
人脸识别技术在最近几年飞速发展，有着广阔的应用前景。在安防领域，视频监控是一个重要的应用场景，真实场景中抓拍的人脸图片往往是复杂多样的，会受到人脸姿态、光照、遮挡等因素影响，人脸图片质量的好坏也参差不齐。另外，在抓拍过程中同一个人也会产生很多张图片，如果对每一张图片都进行识别往往耗时较多，而且如果对误检的非人脸图片或质量差的人脸图片进行识别会引起误报。因此，如何从一系列人脸图片中选出质量好的图片用于识别，从而提升人脸识别的速度和精度，是目前亟待解决的问题。
技术实现思路
本专利技术实施例提供了一种人脸图片质量评估方法、装置及存储介质，以至少解决如何有效准确地进行人脸图片质量评估的问题。根据本专利技术的一个实施例，提供了一种人脸图片质量评估方法，包括：获取待评估的目标图片；通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。在至少一个示例性实施例中，通过质量评分网络对所述目标图片进行质量评估之前，所述方法还包括：通过去误检分类网络确定所述目标图片是否为误检图片，其中，所述去误检分类网络是采用残差网络基于第一训练样本图片训练得到的，所述第一训练样本图片包括：检测出的人脸图片和误检出的非人脸图片；在确定所述目标图片不是误检图片的情况下，控制执行通过所述质量评分网络对所述目标图片进行质量评估的操作，否则，将所述目标图片作为误检图片过滤掉。在至少一个示例性实施例中，通过质量评分网络对所述目标图片进行质量评估包括：通过所述质量评分网络的所述分类部分确定所述目标图片对应的图片类别，以及通过所述质量评分网络的所述回归部分确定所述目标图片对应的质量评分。在至少一个示例性实施例中，通过质量评分网络对所述目标图片进行质量评估之后，所述方法还包括以下至少之一：在所述目标图片对应的图片类别是误检图片的情况下，将所述目标图片作为误检图片过滤掉；在所述目标图片对应的质量评分低于预定阈值的情况下，将所述目标图片作为误检图片过滤掉。在至少一个示例性实施例中，所述质量评分网络基于包括多个卷积层、多个池化层和两个全连接层的卷积神经网络，所述两个全连接层中的一个全连接层用于输出所述分类部分的图片类别的结果，另一个全连接层用于通过sigmoid层输出所述回归部分的质量评分的结果，所述分类部分和所述回归部分共享所述卷积神经网络的权重。在至少一个示例性实施例中，所述质量评分网络中所述分类部分对应的损失函数采用focal_loss；和/或，所述质量评分网络中所述回归部分对应的损失函数采用SmoothL1Loss。在至少一个示例性实施例中，所述分类部分是基于第二训练样本图片和所述第二训练样本图片对应的分类标签训练得到的，所述回归部分是基于所述第二训练样本图片和所述第二训练样本图片对应的质量分标签训练得到的。在至少一个示例性实施例中，所述第二训练样本图片包括以下至少之一：原始图片；对原始图片进行随机裁剪后的图片；对原始图片进行分辨率尺寸缩放后的图片。在至少一个示例性实施例中，对所述原始图片进行随机裁剪后的图片对应的质量分标签与所述原始图片对应的质量分标签相同。在至少一个示例性实施例中，对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签根据所述原始图片对应的质量分标签和缩放后的分辨率计算。在至少一个示例性实施例中，对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签根据所述原始图片对应的质量分标签和缩放后的分辨率计算包括：根据缩放后的分辨率size’计算缩放因子y=(2x-x2)1/2，其中，x=size’/M，M为卷积神经网络的数据层输入尺寸；将所述原始图片对应的质量分标签和所述缩放因子y相乘得到对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签。在至少一个示例性实施例中，在待评估的所述目标图片为多张目标图片的情况下，在通过质量评分网络对所述目标图片进行质量评估之后，所述方法还包括：根据所述多张目标图片的质量评估的结果对所述多张图片进行排序，或确定所述多张目标图片中的最优图片。根据本专利技术的另一个实施例，提供了一种人脸图片质量评估装置，包括：获取模块，用于获取待评估的目标图片；质量评估模块，用于通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。在至少一个示例性实施例中，所述装置还包括：误检分类模块，用于通过去误检分类网络确定所述目标图片是否为误检图片，其中，所述去误检分类网络是采用残差网络基于第一训练样本图片训练得到的，所述第一训练样本图片包括：检测出的人脸图片和误检出的非人脸图片；过滤模块，用于在确定所述目标图片不是误检图片的情况下，控制执行通过所述质量评分网络对所述目标图片进行质量评估的操作，否则，将所述目标图片作为误检图片过滤掉。在至少一个示例性实施例中，所述装置还包括：结果确定模块，用于根据所述多张目标图片的质量评估的结果对所述多张图片进行排序，或确定所述多张目标图片中的最优图片。根据本专利技术的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本专利技术，由于通过基于分类结合回归的方式进行训练的质量评分网络对所述目标图片进行质量评估，兼顾了去误检和质量评分，而且通过深度训练的方式避免了复杂的特征选择问题，不用考虑各种影响人脸图片质量的因素。因此，可以解决如何有效准确地进行人脸图片质量评估的问题，达到了准确快速地实现人脸图片质量评估的效果。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例1的人脸图片质量评估方法的流程图；图2是根据本专利技术实施例2的人脸图片质量评估装置的结构框图；图3是根据本专利技术实施例2的人脸图片质量评估装置的详细结构框图一；图4是根据本专利技术实施例2的人脸图片质量评估装置的详细结构框图二；图5是根据本专利技术实施例4的人脸图片质量评估方法的详细流程图；图6是根据本专利技术实施例4的质量评分网络结构的示意图；图7是根据本专利技术实施例4的卷积神经网络结构的示意图；图8是根据本文档来自技高网...

【技术保护点】
1.一种人脸图片质量评估方法，其特征在于，包括：/n获取待评估的目标图片；/n通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。/n

【技术特征摘要】
1.一种人脸图片质量评估方法，其特征在于，包括：
获取待评估的目标图片；
通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。


2.根据权利要求1所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估之前，还包括：
通过去误检分类网络确定所述目标图片是否为误检图片，其中，所述去误检分类网络是采用残差网络基于第一训练样本图片训练得到的，所述第一训练样本图片包括：检测出的人脸图片和误检出的非人脸图片；
在确定所述目标图片不是误检图片的情况下，控制执行通过所述质量评分网络对所述目标图片进行质量评估的操作，否则，将所述目标图片作为误检图片过滤掉。


3.根据权利要求1所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估包括：
通过所述质量评分网络的所述分类部分确定所述目标图片对应的图片类别，以及通过所述质量评分网络的所述回归部分确定所述目标图片对应的质量评分。


4.根据权利要求3所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估之后，还包括以下至少之一：
在所述目标图片对应的图片类别是误检图片的情况下，将所述目标图片作为误检图片过滤掉；
在所述目标图片对应的质量评分低于预定阈值的情况下，将所述目标图片作为误检图片过滤掉。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述质量评分网络基于包括多个卷积层、多个池化层和两个全连接层的卷积神经网络，所述两个全连接层中的一个全连接层用于输出所述分类部分的图片类别的结果，另一个全连接层用于通过sigmoid层输出所述回归部分的质量评分的结果，所述分类部分和所述回归部分共享所述卷积神经网络的权重。


6.根据权利要求1-4任一项所述的方法，其特征在于，所述质量评分网络中所述分类部分对应的损失函数采用focal_loss；和/或，所述质量评分网络中所述回归部分对应的损失函数采用SmoothL1Loss。


7.根据权利要求1所述的方法，其特征在于，所述分类部分是基于第二训练样本图片和所述第二训练样本图片对应的分类标签训练得到的，所述回归部分是基于所述第二训练样本图片和所述第二训练样本图片对应的质量分标签训练得到的。


8.根据权利要求7所述的方法，其特征在于，所述第二训练样本图片包括以下至少之一：
原始图片；
对原始图片进行随...

【专利技术属性】
技术研发人员：梁晓曦，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33