人脸图像的质量评价方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种人脸图像的质量评价方法、装置、电子设备及存储介质。人脸图像的评价方法，包括：获取来自同一人的Q张人脸图像，其中，Q为大于1的整数；将Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量，其中，特征提取网络的目标函数包含余弦相似度损失项；获取第q个测试特征向量与第p个测试特征向量之间的余弦相似度，得到Q个第一余弦相似度，其中，q为正整数且1≤q≤Q，p＝1，2，……，Q；根据Q个第一余弦相似度生成第q个测试特征向量对应图像的评分标签，评分标签用于判断是否对第q个测试特征向量对应图像进行人脸识别。达到对人脸图像的质量评价客观、准确，并且能够与人脸识别模型契合的目的。

【技术实现步骤摘要】
人脸图像的质量评价方法、装置、电子设备及存储介质
本专利技术实施例涉及人脸识别
，特别涉及一种人脸图像的质量评价方法、装置、电子设备及存储介质。
技术介绍
在人脸识别的过程中，不可避免地会出现人脸图像质量差的情况，例如图像光照条件较差、图像模糊、图像中人脸被遮挡等，进而造成人脸误识。为了解决这一问题，通常是在人脸识别之前，针对人脸图像的光照情况、模糊程度、遮挡情况等影响图像质量的因素，设计和训练出一个模拟人类直觉特性的评价模型，然后利用训练好的评价模型对人脸图像的质量进行评分，以根据评分判断人脸图像是否能够被人脸识别模型正确识别。然而，评价模型输出的质量评分不能很好地契合人脸识别模型对人脸图像的要求，仍然会出现得分高的人脸图像不能获得较好的识别效果、得分低的人脸图像获得较好的识别效果的情况。此外，评价模型的训练集依赖于人工对图像的光照情况、模糊程度以及遮挡情况等特征进行标注，工作量大，而且标注是按照人类对图像质量的主观感知得到的，这会导致图像标注不够客观，进而严重影响最终的质量评价效果。
技术实现思路
本专利技术实施例的目的在于提供一种人脸图像的质量评价方法、装置、电子设备及存储介质，使得对人脸图像的质量评价客观、准确，并且能够与人脸识别模型契合。为解决上述技术问题，本专利技术的实施例提供了一种人脸图像的评价方法，包括以下步骤：获取来自同一人的Q张人脸图像，其中，Q为大于1的整数；将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量，其中，所述特征提取网络的目标函数包含余弦相似度损失项；获取第q个所述测试特征向量与第p个所述测试特征向量之间的余弦相似度，得到Q个第一余弦相似度，其中，q为正整数且1≤q≤Q，p＝1，2，……，Q；根据所述Q个第一余弦相似度生成第q个所述测试特征向量对应图像的评分标签，所述评分标签用于判断是否对第q个所述测试特征向量对应图像进行人脸识别。为解决上述技术问题，本专利技术的实施例还提供了一种人脸图像的评价系统，包括：特征提取模块，用于获取来自同一人的Q张人脸图像，其中，Q为大于1的整数；将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量，其中，所述特征提取网络的目标函数包含余弦相似度损失项；计算模块，用于获取第q个所述测试特征向量与第p个所述测试特征向量之间的余弦相似度，得到Q个第一余弦相似度，其中，q为正整数且1≤q≤Q，p＝1，2，……，Q；评价模块，用于根据所述Q个第一余弦相似度生成第q个所述测试特征向量对应图像的评分标签，所述评分标签用于判断是否对第q个所述测试特征向量对应图像进行人脸识别。为解决上述技术问题，本专利技术的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的人脸图像的评价方法。为解决上述技术问题，本专利技术的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的人脸图像的评价方法。本专利技术实施例提供的一种人脸图像的评价方法，在获取来自同一人的Q张人脸图像之后，利用人脸识别模型中的特征提取模型获取Q张人脸图像的特征，得到Q个测试特征向量，然后获取第q个测试特征向量与每个测试特征向量之间的余弦相似度作为Q个第一余弦相似度，最后根据Q个第一余弦相似度生成第q个测试特征向量对应图像的评分标签。在对人脸图像质量进行评价，生成评分标签的过程中，直接从人脸识别模型本身出发，不仅使得对人脸图像的评分标签更加契合人脸识别模型，能够根据对人脸图像的评分标签筛选出更加适合人脸识别模型使用和识别的高质量图像，从而大大减少人脸误识别情况的发生，而且不需要额外训练模拟人类直觉特性的评价模型，减少了人力投入的同时，也避免了在标注时参考人类对图像的主观评价对人脸图像质量评价的负面影响，更加客观准确。此外，特征提取网络的目标函数是基于余弦相似度表达式得到的，使得特征提取网络根据目标函数进行训练后输出的特征在余弦相似度方面体现出更大的区分度，进而使得根据余弦相似度得到的评分标签更加准确。另外，本专利技术实施例提供的一种人脸图像的评价方法，所述将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量之前，所述方法还包括：构造辅助训练网络和训练集；利用所述目标函数和所述训练集对所述特征提取网络和所述辅助训练网络进行联合训练，其中，所述特征提取网络的输出为所述辅助训练网络的输入。由于特征提取网络在训练的过程中会生成大量的特征向量，这些特征向量不利于直接作为网络训练过程中的反馈，因此，在训练过程中引入一个辅助训练网络，进一步对特征提取网络输出的特征向量进行处理，从而优化训练过程中的反馈。另外，本专利技术实施例提供的一种人脸图像的评价方法，所述利用所述损失函数和所述训练集对所述特征提取网络和所述辅助训练网络进行联合训练之后，所述方法，还包括：构造一个验证集，其中，所述验证集和所述训练集的交集为空集；利用所述人脸提取网络分别提取所述验证集中人脸图像的特征向量，得到验证特征向量；根据所述验证特征向量确定所述人脸特征提取网络的准确率；若检测到所述准确率小于预设准确率阈值，继续训练。当人脸特征提取网络的准确率不满足要求时，继续对人脸特征提取网络进行训练，通过反复训练来保证人脸提取模型的准确率达到一定要求，使得利用人脸提取模型得到的特征向量更加准确可靠，从而提高根据特征向量得到的评分标签的准确性。另外，本专利技术实施例提供的一种人脸图像的评价方法，所述根据所述验证特征向量确定所述人脸特征提取模型的准确率，包括：计算每两个所述验证特征向量之间的夹角并依次将所述夹角中的一个作为阈值；每次确定所述阈值后，确定小于等于所述阈值且对应的所述验证特征向量提取自同一人的人脸图像的所述夹角和大于所述阈值且所述验证特征向量提取自不同人的人脸图像的所述夹角的总个数；将所述总个数的最大值在所述夹角的总数量中的占比作为所述准确率。依次将得到的夹角中的一个作为阈值，提供了灵活多变的阈值，使得对特定夹角的数量统计更加全面准确，进而根据该数量统计结果计算得到的占比数据更加准确。另外，本专利技术实施例提供的一种人脸图像的评价方法，所述目标函数为：其中，w为所述特征提取网络的学习参数，t为所述辅助训练网络的学习参数，fij,n为所述特征提取网络在输入第i个人的第j张人脸图像时输出的N维向量的第n维的数据，fmk,n为所述特征提取网络在输入第m个人的第k张人脸图像时的输出的N维向量中第n维位置上的数据，sign(x)为符号函数，x为真时函数值为1，x为假时函数值为-1。通过符号函数对两种情况——同一个人的人脸图像和不同人的人脸图像，进行了区分，使得能够向放大来自不同人的人脸图像的特征向量之间的区别、压缩来自同一人的人脸图像的特征向量之间区别的方向训练特征提取模型，进而使得特征提取模型输出的特征向量能够更好地反应同一人人脸图像的相似性和不同人的本文档来自技高网...

【技术保护点】
1.一种人脸图像的评价方法，其特征在于，包括：/n获取来自同一人的Q张人脸图像，其中，Q为大于1的整数；/n将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量，其中，所述特征提取网络的目标函数包含余弦相似度损失项；/n获取第q个所述测试特征向量与第p个所述测试特征向量之间的余弦相似度，得到Q个第一余弦相似度，其中，q为正整数且1≤q≤Q，p＝1，2，……，Q；/n根据所述Q个第一余弦相似度生成第q个所述测试特征向量对应图像的评分标签，所述评分标签用于判断是否对第q个所述测试特征向量对应图像进行人脸识别。/n

【技术特征摘要】
1.一种人脸图像的评价方法，其特征在于，包括：
获取来自同一人的Q张人脸图像，其中，Q为大于1的整数；
将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量，其中，所述特征提取网络的目标函数包含余弦相似度损失项；
获取第q个所述测试特征向量与第p个所述测试特征向量之间的余弦相似度，得到Q个第一余弦相似度，其中，q为正整数且1≤q≤Q，p＝1，2，……，Q；
根据所述Q个第一余弦相似度生成第q个所述测试特征向量对应图像的评分标签，所述评分标签用于判断是否对第q个所述测试特征向量对应图像进行人脸识别。


2.根据权利要求1所述的人脸图像的评价方法，其特征在于，所述将所述Q张人脸图像输入人脸识别模型中的特征提取网络，获取Q个测试特征向量之前，所述方法还包括：
构造辅助训练网络和训练集；
利用所述目标函数和所述训练集对所述特征提取网络和所述辅助训练网络进行联合训练，其中，所述特征提取网络的输出为所述辅助训练网络的输入。


3.根据权利要求2所述的人脸图像的评价方法，其特征在于，所述利用所述目标函数和所述训练集对所述特征提取网络和所述辅助训练网络进行联合训练之后，所述方法还包括：
构造一个验证集，其中，所述验证集和所述训练集的交集为空集；
利用所述人脸提取网络分别提取所述验证集中人脸图像的特征向量，得到验证特征向量；
根据所述验证特征向量确定所述人脸特征提取网络的准确率；
若检测到所述准确率小于预设准确率阈值，继续训练。


4.根据权利要求3所述的人脸图像的评价方法，其特征在于，所述根据所述验证特征向量确定所述人脸特征提取模型的准确率，包括：
计算每两个所述验证特征向量之间的夹角并依次将所述夹角中的一个作为阈值；
每次确定所述阈值后，确定小于等于所述阈值且对应的所述验证特征向量提取自同一人的人脸图像的所述夹角和大于所述阈值且所述验证特征向量提取自不同人的人脸图像的所述夹角的总个数；
将所述总个数的最大值在所述夹角的总数量中的占比作为所述准确率。


5.根据权利要求2-4任一项所述的人脸图像的评价方法，其特征在于，所述目标函数为：



其中，w为所述特征提取网络的学习参数，t为所述辅助训练网络的学习参数，fij,n为所述特征提取网络在输入第i个人的第j张人脸图像时输出的N维向量的第n维的数据，fmk,n为所述特征提取网络在输入第m个人的第k张人脸图像时的输出的N维向量中第n维位置上的...

【专利技术属性】
技术研发人员：刘冲冲，付贤强，何武，朱海涛，户磊，
申请(专利权)人：北京的卢深视科技有限公司，合肥的卢深视科技有限公司，
类型：发明
国别省市：北京;11