图片筛选方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种图片筛选方法、系统、设备及存储介质，所述方法包括步骤：获取待测图片；利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；根据所述第一质量分值对所述待测图片进行筛选；本申请减小模型大小，提高了模型训练效率和运算速度，有利于提高图片筛选的效率。

【技术实现步骤摘要】
图片筛选方法、系统、设备及存储介质
本专利技术涉及计算机
，具体地说，涉及一种图片筛选方法、系统、设备及存储介质。
技术介绍
在人脸识别系统中，比如当对人脸进行比对时，可能需要采集目标用户的大量人脸图像，然后将采集的人脸图像和数据库中预存的该目标用户的人脸数据进行比对。由于上述人脸图像的数量级可能是非常大的，比如有10万张。而在这些人脸图像中可能存在部分质量较差的照片，识别精度比较低，这就导致如果仍然对这些低质量的照片进行识别的话，将会导致比对效率低下，并且还占用了系统资源。现有技术中，通常单独采用多任务网络模型或者单任务网络模型对照片质量进行判断。如果仅采用单任务网络模型判断，那么就需要人工标注训练集的质量分值，存在两方面的缺点：1、人工标注效率低，极大影响模型训练效率；2、照片质量需要从多个维度进行考量，人工标注会容易受主观因素影响，使得标注数据不够准确、客观。如果仅采用多任务网络模型进行判断，那么存在模型较大，运算速度低的问题。
技术实现思路
针对现有技术中的问题，本专利技术的目的在于提供一种图片筛选方法、系统、设备及存储介质，简化了网络模型，提高了模型训练效率和运算速度，从而提高图片筛选比对的效率。为实现上述目的，本专利技术提供了一种图片筛选方法，所述方法包括以下步骤：获取待测图片；利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；根据所述第一质量分值对所述待测图片进行筛选。优选地，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，包括：利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值；基于所述第二样本图像和第二质量分值，对预设单任务网络模型进行训练，得到目标单任务网络模型。优选地，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的，包括：获取第一样本图像及每一所述第一样本图像在至少一预设属性类下的标签值；获取多个第一标签文件，每一所述第一标签文件包含所述第一样本图像及其在一预设属性类下的标签值；基于卷积神经网络构建预设多任务网络模型；基于所述第一样本图像和所述第一标签文件，对所述预设多任务网络模型进行训练，得到目标多任务网络模型。优选地，所述利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值，包括：利用目标多任务网络模型，计算每一第二样本图像分别在各个预设属性类下的概率值；基于所述每一第二样本图像分别在各个预设属性类下的概率值，计算每一第二样本图像对应的第二质量分值。优选地，所述基于所述第二样本图像和第二质量分值，对预设单任务网络模型进行训练，得到目标单任务网络模型，包括：获取第二标签文件，所述第二标签文件包含所述第二样本图像及其对应的第二质量分值；基于所述第二样本图像及所述第二标签文件，训练预设单任务网络模型，得到目标单任务网络模型。优选地，每一所述第一样本图像具有一个标签值。优选地，所述根据所述第一质量分值对所述待测图片进行筛选，包括：筛除所述第一质量分值小于第一预设阈值的待测图片，或者输出所述第一质量分值大于第二预设阈值的待测图片。本专利技术还提供了一种图片筛选系统，所述系统包括：待测图片获取模块，用于获取待测图片；待测图片计算模块，用于利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；筛选模块，用于根据所述第一质量分值对所述待测图片进行筛选。本专利技术还提供了一种图片筛选设备，包括：处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项图片筛选方法的步骤。本专利技术还提供了一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现上述任意一项图片筛选方法的步骤。本专利技术与现有技术相比，具有以下优点及突出性效果：本专利技术提供的图片筛选方法、系统、设备及存储介质，利用训练后的多任务网络模型的测试结果，作为单任务网络模型的训练集，对单任务网络模型进行训练；避免了需要人工标注数据作为单任务网络模型的训练集，提高了模型训练效率以及图片质量评估准确性；另一方面，相比于仅使用多任务网络模型，简化了模型大小，提高了模型运算速度，有利于提高图片筛选的效率；同时使得模型部署方便，利于节省系统计算资源。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显。图1为本专利技术一实施例公开的一种图片筛选方法的示意图；图2为图1中步骤S20的流程示意图；图3为图1的步骤S40中处于训练阶段的预设多任务网络模型的示意图；图4为图1的步骤S50中处于推断阶段的目标多任务网络模型的示意图；图5为图1的步骤S60中处于训练阶段的预设单任务网络模型的示意图；图6为图1的步骤S70中处于推断阶段的目标单任务网络模型的示意图；图7为本专利技术实施例公开的一种图片筛选系统的结构示意图；图8为本专利技术实施例公开的一种图片筛选设备的结构示意图；图9为本专利技术实施例公开的一种计算机可读存储介质的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本专利技术将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。如图1所示，本专利技术实施例公开了一种图片筛选方法，该方法包括以下步骤：S10，获取待测图片。其中，待测图片可以为图像采集装置实时获取到的图片，也可以是存储在本地的图片，本申请不对待测图片的来源做具体限定。进一步地，在一些实施方式中，待测图片为人脸图片。S20，利用目标单任务网络模型计算上述待测图片的第一质量分值。其中，上述目标单任务网络模型为基于目标多任务网络模型训练得到的。上述目标多任务网络模型为利用第一样本图像和每一上述第一样本图像在至少一预设属性类下的标签值训练得到的。在一个实施方式中，目标单任务网络模型为基于目标多任务网络模型训练得到，是指利用目标多任务网络模型的训练结果作为单任务网络模型的训练集对单任务网络模型进行训练得到目标单任务网络模型。也即，利用目标多任务网络模型对预设样本集图片进行打分，得到目标质量分值；并将该预设样本集图片及该预设样本本文档来自技高网...

【技术保护点】
1.一种图片筛选方法，其特征在于，包括以下步骤：/n获取待测图片；/n利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；/n根据所述第一质量分值对所述待测图片进行筛选。/n

【技术特征摘要】
1.一种图片筛选方法，其特征在于，包括以下步骤：
获取待测图片；
利用目标单任务网络模型计算所述待测图片的第一质量分值，其中，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的；
根据所述第一质量分值对所述待测图片进行筛选。


2.如权利要求1所述的图片筛选方法，其特征在于，所述目标单任务网络模型为基于目标多任务网络模型训练得到的，包括：
利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值；
基于所述第二样本图像和第二质量分值，对预设单任务网络模型进行训练，得到目标单任务网络模型。


3.如权利要求1所述的图片筛选方法，其特征在于，所述目标多任务网络模型为利用第一样本图像和每一所述第一样本图像在至少一预设属性类下的标签值训练得到的，包括：
获取第一样本图像及每一所述第一样本图像在至少一预设属性类下的标签值；
获取多个第一标签文件，每一所述第一标签文件包含所述第一样本图像及其在一预设属性类下的标签值；
基于卷积神经网络构建预设多任务网络模型；
基于所述第一样本图像和所述第一标签文件，对所述预设多任务网络模型进行训练，得到目标多任务网络模型。


4.如权利要求2所述的图片筛选方法，其特征在于，所述利用目标多任务网络模型，计算每一第二样本图像对应的第二质量分值，包括：
利用目标多任务网络模型，计算每一第二样本图像分别在各个预设属性类下的概率值；
基于所述每一第二样本图像分别在各个预设属性类下的概率值，计算每一第二样本图像对应的第二质量分值。


5.如权利...

【专利技术属性】
技术研发人员：赵文忠，毛晓蛟，章勇，曹李军，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏;32