【技术实现步骤摘要】
语义分割的人脸完整度度量方法、系统、设备及存储介质
本专利技术涉及计算机视觉、人脸检测
，具体涉及语义分割的人脸完整度度量方法、语义分割的人脸完整度度量系统、计算机设备及计算机可读存储介质。
技术介绍
近年来，随着互联网技术的发展，各种纸质档案材料逐渐被电子档案材料所替代。在电子档案材料中，最常见的就是证件照。而对于不同证件照，一般都会有对应的标准和要求。传统方式下，需要人工来判断证件照是否符合要求。因此，用户在上传完证件照之后不能马上知道该证件照是否符合要求，需要等待人工审核，而且人工审核也需要耗费大量的人力。人脸完整度度量技术可以快速地检测证件照中人脸是否遮挡以及遮挡比例，以此自动审核上传的图片是否符合要求，是解决证件照合规性检测问题的重要环节。现有的技术应用主要是划分遮挡级别并进行多分类，但对于同一级别的遮挡，遮挡情况可能完全不同，因此往往很难获得精确的分类结果。一种改进是通过检测人脸关键点的遮挡状态来得出遮挡级别，但该方法只关注人脸关键点区域，忽略了其他区域的遮挡检测。目前的现有技术之一，专利“...
【技术保护点】
1.一种语义分割的人脸完整度度量方法，其特征在于，所述方法包括：/n组织人脸检测数据集，并利用人脸检测数据集训练得到人脸检测深度神经网络模型，该模型的输出为图像中人脸区域的外接矩形坐标；/n利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集，并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型，该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果；/n将待检测图像进行预处理，输入到所述人脸检测深度神经网络模型，得到待检测图像中人脸区域的外接矩形坐标；/n将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型，...
【技术特征摘要】
1.一种语义分割的人脸完整度度量方法，其特征在于，所述方法包括：
组织人脸检测数据集，并利用人脸检测数据集训练得到人脸检测深度神经网络模型，该模型的输出为图像中人脸区域的外接矩形坐标；
利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集，并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型，该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果；
将待检测图像进行预处理，输入到所述人脸检测深度神经网络模型，得到待检测图像中人脸区域的外接矩形坐标；
将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型，得到待检测图像的人脸区域中每个像素的语义分类结果，即把每个像素分类为背景、未遮挡人脸和遮挡物；
对所述每个像素的语义分类结果进行统计，得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数，从而得到人脸遮挡比例，若遮挡比例为0，则表示无遮挡，否则为有遮挡，遮挡比例用于衡量遮挡的严重程度，即人脸完整度。
2.如权利要求1所述的语义分割的人脸完整度度量方法，其特征在于，所述组织人脸语义分割数据集，具体为：
根据所述图像中人脸区域的外接矩形坐标，从原始图像中裁剪出人脸图像，组成人脸图像数据集；
对所述人脸图像数据集进行像素级的分类标注，总共有三个类别：背景、未遮挡人脸和遮挡物，将图像中每个像素标注为其中的一个类别，便得到用于训练所述人脸语义分割深度神经网络模型的人脸语义分割数据集。
3.如权利要求1所述的语义分割的人脸完整度度量方法，其特征在于，所述人脸语义分割深度神经网络模型使用分层多尺度注意力机制进行语义分割，对每个尺度学习一个密集的掩模，通过在掩模之间进行像素乘法，然后在不同尺度之间进行像素求和，将这些多尺度预测结合起来，得到最终结果。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。