质量评分方法、质量评分模型的训练方法及相关装置制造方法及图纸

本发明专利技术公开了一种质量评分方法、质量评分模型的训练方法及相关装置，该质量评分方法包括：获取人脸数据；确定质量评分模型，质量评分模型包括骨干网络和全连接层；将人脸数据输入骨干网络中进行处理，得到目标特征；将目标特征输入全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级；根据人脸质量等级计算目标特征的质量分值。该方法通过已经训练好的质量评分模型来判断人脸数据所属的人脸质量等级，更为有效和可靠，基于人脸质量等级计算人脸数据的质量分值，能够提高人脸数据评价结果的准确性。

【技术实现步骤摘要】
质量评分方法、质量评分模型的训练方法及相关装置
本专利技术实施例涉及人脸识别技术，尤其涉及一种质量评分方法、质量评分模型的训练方法及相关装置。
技术介绍
目前，人脸识别技术在安防、金融、支付等领域广泛应用，为了判断采集到的人脸图像是否适合提取特征用于人脸识别的任务，需要预先对采集到的人脸图像进行质量评价，对于质量不满足一定条件的人脸图像进行拒识，可以有效地降低人脸识别的误识率。从主观来说，图像清晰度、光照变化、人脸姿态、面部遮挡等因素都会影响人脸识别的精度，所以针对人脸图像的质量评价方法必须有效地评估这些变化带来的影响，对人脸图像给出合适的质量分。然而，传统的人脸图像的质量评价方法一般采用人工标注的方式，根据人的经验标准，对人脸图像进行打分，该方法存在如下缺陷：一是人工标注存在着较强的主观性，每个人的判断标准不一；二是人的经验标准并不一定适用于对人脸图像进行特征提取的特征提取模型，往往有些人为认定的质量较差的图像，在经过特征提取的比对之后，该图像的质量得分更高。由此可知，传统的人脸图像的质量评价方法不够客观，评价结果的准确性较低。
技术实现思路
本专利技术实施例提出了一种质量评分方法、质量评分模型的训练方法及相关装置，以解决现有方法针对人脸数据进行质量评价、评价结果准确性较低的问题。第一方面，本专利技术实施例提供了一种质量评分方法，该方法包括：获取人脸数据；确定质量评分模型，所述质量评分模型包括骨干网络和全连接层；将所述人脸数据输入所述骨干网络中进行处理，得到目标特征；将所述目标特征输入所述全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级；根据所述人脸质量等级计算所述目标特征的质量分值。第二方面，本专利技术实施例还提供了一种质量评分模型的训练方法，该方法包括：获取人脸样本；将所述人脸样本输入预设的骨干网络中进行处理，得到目标样本特征；将所述目标样本特征分别输入第一全连接层和第二全连接层中进行处理，所述第一全连接层用于将所述目标样本特征划分至预设的人脸质量等级、生成第一预测特征，所述第二全连接层用于将所述目标样本特征划分至预设的人脸属性标签、生成第二预测特征；以对齐所述第一预测特征与所述人脸质量等级、所述第二预测特征与所述人脸属性标签作为监督，训练所述骨干网络、所述第一全连接层和所述第二全连接层；在所述骨干网络、所述第一全连接层、所述第二全连接层训练完成时，锁定所述骨干网络和所述第一全连接层中的参数，以根据所述骨干网络和所述第一全连接层生成质量评分模型。第三方面，本专利技术实施例还提供了一种质量评分装置，该装置包括：数据获取模块，用于获取人脸数据；模型确定模块，用于确定质量评分模型，所述质量评分模型包括骨干网络和全连接层；第一处理模块，用于将所述人脸数据输入所述骨干网络中进行处理，得到目标特征；第二处理模块，用于将所述目标特征输入所述全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级；分值计算模块，用于根据所述人脸质量等级计算所述目标特征的质量分值。第四方面，本专利技术实施例还提供了一种质量评分模型的训练装置，其特征在于，包括：样本获取模块，用于获取人脸样本；骨干网络处理模块，用于将所述人脸样本输入预设的骨干网络中进行处理，得到目标样本特征；全连接层处理模块，用于将所述目标样本特征分别输入第一全连接层和第二全连接层中进行处理，所述第一全连接层用于将所述目标样本特征划分至预设的人脸质量等级、生成第一预测特征，所述第二全连接层用于将所述目标样本特征划分至预设的人脸属性标签、生成第二预测特征；模型训练模块，用于以对齐所述第一预测特征与所述人脸质量等级、所述第二预测特征与所述人脸属性标签作为监督，训练所述骨干网络、所述第一全连接层和所述第二全连接层；模型确定模块，用于在所述骨干网络、所述第一全连接层、所述第二全连接层训练完成时，锁定所述骨干网络和所述第一全连接层中的参数，以根据所述骨干网络和所述第一全连接层生成质量评分模型。第五方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的质量评分方法或者如第二方面所述的质量评分模型的训练方法。第六方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的质量评分方法或者如第二方面所述的质量评分模型的训练方法。本专利技术通过获取人脸数据，确定质量评分模型，质量评分模型包括骨干网络和全连接层，将人脸数据输入骨干网络中进行处理，得到目标特征，将目标特征输入全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级，根据人脸质量等级计算目标特征的质量分值。通过已经训练好的质量评分模型来判断人脸数据所属的人脸质量等级，质量评分模型的输出融合了人脸数据在多个尺度下的特征，其输出的人脸质量等级的可信度更高，相比传统的人脸质量评价方法，本专利技术更为客观可靠，同时，根据人脸质量等级计算人脸数据的质量分值，无需人工标注人脸数据的质量分值，减少了人力耗费，避免了人工标注人脸数据的质量分值引入的主观性误差，提高了人脸数据评价结果的准确性。附图说明图1为本专利技术实施例一提供的一种质量评分方法的流程图；图2为本专利技术实施例二提供的一种质量评分模型的训练方法的流程图；图3为本专利技术实施例二提供的一种骨干网络的架构示意图；图4为本专利技术实施例二提供的一种质量评分模型的训练网络架构的示意图；图5为本专利技术实施例三提供的一种质量评分装置的结构示意图；图6为本专利技术实施例四提供的一种质量评分模型的训练装置的结构示意图；图7为本专利技术实施例五提供的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。应注意到：在本专利技术实施例的描述中，术语“第一”、“第二”、“第三”、“第四”、“第五”等次序词仅用于区分描述，而不能理解为指示或暗示相对重要性。实施例一图1为本专利技术实施例一提供的一种质量评分方法的流程图，本实施例可适用于在人脸识别应用场景中对人脸数据进行质量评价的情况，该方法可以由质量评分装置来执行，该质量评分装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：S110、获取人脸数据。在本实施例中，可以预先采集包含人脸数据的图像数据，基于图像数据使用图像分割方法获取人脸数据。获取包含人脸数据的图像数据的方式有很多，图像数据本文档来自技高网...

【技术保护点】
1.一种质量评分方法，其特征在于，包括：/n获取人脸数据；/n确定质量评分模型，所述质量评分模型包括骨干网络和全连接层；/n将所述人脸数据输入所述骨干网络中进行处理，得到目标特征；/n将所述目标特征输入所述全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级；/n根据所述人脸质量等级计算所述目标特征的质量分值。/n

【技术特征摘要】
1.一种质量评分方法，其特征在于，包括：
获取人脸数据；
确定质量评分模型，所述质量评分模型包括骨干网络和全连接层；
将所述人脸数据输入所述骨干网络中进行处理，得到目标特征；
将所述目标特征输入所述全连接层中进行处理，以在人脸属性标签的约束下、输出人脸质量等级；
根据所述人脸质量等级计算所述目标特征的质量分值。


2.根据权利要求1所述的方法，其特征在于，所述将所述人脸数据输入所述骨干网络中进行处理，得到目标特征，包括：
将所述人脸数据输入所述骨干网络中，所述骨干网络中设置有第一卷积层、多个卷积块、多个全局池化层、连接层；
在所述第一卷积层中，对所述人脸数据进行卷积操作，得到初始特征；
在多个所述卷积块中，对所述初始特征进行n次卷积操作，得到多个中间特征；
在多个所述全局池化层中，分别对多个所述中间特征进行下采样，得到多个采样特征；
将多个所述采样特征输入所述连接层中进行融合，得到目标特征。


3.根据权利要求2所述的方法，其特征在于，所述卷积块包括第二卷积层、第三卷积层和一个残差连接；
所述在多个所述卷积块中，对所述初始特征进行n次卷积操作，得到多个中间特征，包括：
针对每个所述卷积块，依次调用所述第二卷积层、所述第三卷积层对所述初始特征执行卷积操作，得到候选特征；
在所述残差连接中，对所述候选特征与所述初始特征进行卷积操作，得到中间特征。


4.根据权利要求2所述的方法，其特征在于，多个所述卷积块包括第一卷积块、第二卷积块、第三卷积块、第四卷积块；
所述在多个所述卷积块中，对所述初始特征进行n次卷积操作，得到多个中间特征，包括：
在所述第一卷积块中，对所述初始特征执行卷积操作，得到第一中间特征；
在所述第二卷积块中，对所述第一中间特征执行卷积操作，得到第二中间特征；
在所述第三卷积块中，对所述第二中间特征执行卷积操作，得到第三中间特征；
在所述第四卷积块中，对所述第三中间特征执行卷积操作，得到第四中间特征。


5.根据权利要求4所述的方法，其特征在于，多个所述全局池化层包括第一全局池化层、第二全局池化层、第三全局池化层；
所述在多个所述全局池化层中，分别对多个所述中间特征进行下采样，得到多个采样特征，包括：
在所述第一全局池化层中，对所述第四中间特征进行下采样，得到第一采样特征；
在所述第二全局池化层中，对所述第三中间特征进行下采样，得到第二采样特征；
在所述第三全局池化层中，对所述第二中间特征进行下采样，得到第三采样特征；
所述将多个所述采样特征输入所述连接层中进行融合，得到目标特征，包括：
将所述第一采样特征、所述第二采样特征、所述第三采样特征输入所述连接层中进行拼接，得到目标特征。


6.根据权利要求1-5任一所述的方法，其特征在于，所述根据所述人脸质量等级计算所述目标特征的质量分值，包括：
基于所述人脸质量等级将所述目标特征进行归一化，得到第一候选值；
计算所述目标特征与所述第一候选值的乘积、作为第二候选值；
求取全部所述第二候选值的和值与1之间的最大值、作为所述目标特征的质量分值。


7.一种质量评分模型的训练方法，其特征在于，包括：
获取人脸样本；
将所述人脸样本输入预设的骨干网络中进行处理，得到目标样本特征；
将所述目标样本特征分别输入第一全连接层和第二全连接层中进行处理，所述第一全连接层用于将所述目标样本特征划分至预设的人脸质量等级、生成第一预测特征，所述第二全连接层用于将所述目标样本特征划分至预设的人脸属性标签、生成第二预测特征；
以对齐所述第一预测特征与所述人脸质量等级、所述第二预测特征与所述人脸属性标签作为监督，训练所述骨干网络、所述第一全连接层和所述第二全连接层；
在所述骨干网络、所述第一全连接层、所述第二全连接层训练完成时，锁定所述骨干网络和所述第一全连接层中的参数，以根据所述骨干网络和所述第一全连接层生成质量评分模型。


8.根据权利要求7所述的方法，其特征在于，在所述获取人脸样本之后，还包括：
将所述人脸样本按照预设的人脸ID进行分类；
计算属于同一个所述人脸ID下的人脸样本之间的相似度、作为预测分值；
将所述预测分值划分至多个数量等级；
遍历所有的所述人脸ID，得到与所有所述人脸样本分别对应的所述数量等级、作为预设的人脸质量等级。


9.根据权利要求8所述的方法，其特征在于，所述计算属于同一个所述人脸ID下的人脸样本之间的相似度、作为预测分值，包括：
在同一个所述人脸ID下，确定一个已知质量的人脸样本作为标准人脸样本；
计算所述标准人脸样本的特征、作为标准特征；
计算同一个所述人脸ID下、除所述标准人脸样本之外的所有人脸样本的特征、作为参考特征；
计算所述参考特征与所述标准特征之间的相似度；
对所述相似度进行归一化操作，得到属于同一个所述人脸ID下的人脸样本的预测分值。


10.根据权利要求7-9任一所述的方法，其特征在于，所述将所述人脸样本输入预设的骨干网络中进行...

【专利技术属性】
技术研发人员：吴志伟，李德紘，张少文，
申请(专利权)人：佳都新太科技股份有限公司，
类型：发明
国别省市：广东;44