[发明专利]一种人脸质量评估的方法、装置和计算机存储介质

说明书

本发明公开了一种人脸质量评估的方法、装置和计算机存储介质，评估的方法包括如下步骤：获取多张人脸图像；利用卷积神经网络算法，对获取的人脸图像进行特征提取作为特征训练集；将特征训练集中的特征数据输入到图像质量评估模型，输出质量评估值，对所述质量评估值满足预设条件的特征数据进行人脸识别，对所述质量评估值满足预设条件的特征数据进行人脸识别在人脸识别的基础上修改损失函数使得人脸识别网络同时具有人脸质量评估的功能，本发明在人脸识别过程中同时评估质量，训练过程中不需要人脸图片质量标签，便于实施。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种人脸质量评估的方法、装置和计算机存储介质。

背景技术

人脸识别的过程就是将人脸图像映射到一个特征向量，利用特征向量间的余玄距离来计算相似度，在训练的过程中，缩小类内的距离，增大类间的距离。对于一个确定的人脸识别网络，输入两个相似的图片，即使是非人脸图片，也会得到两个相似度较高的特征向量。例如，输入两张模糊的人脸图片，虽然他们有较高的相似度，但是人们并不确定它们表示的是同一个人，这是因为人们能判断出来，这些模糊的图片并不适合用于人脸识别。

对于人脸识别性能造成影响的因素有光照，清晰度，侧脸，表情和遮挡等，这些因素都可以用人脸质量来表示。人脸质量即预测一张人脸图片是否适合用于人脸识别。对于人脸质量的训练来说，训练数据是一个很大的瓶颈，由于对人脸质量有影响的因素很多，人们很难评估不同因素间的影响程度，因此难以对人脸图片质量进行打标签。现有方法基于人脸识别模型计算相似度，例如，从每个人的图片中挑选一张质量最好的，然后根据预训练人脸识别模型，计算每个人其他人脸图片与最好质量图片之间的相似度，以相似度作为质量的标签，基于上述数据进行人脸质量的训练。现有基于人脸识别模型计算出来的相似度不一定能代表质量，例如2个人脸图片都是清晰的正脸，但是由于相隔时间较长，他们的质量都很高，但是相似度不一定高。这样就造成了人脸质量标签的错误。

发明内容

针对上述技术问题，本发明提供了一种人脸质量评估的方法，装置和计算机存储介质，在人脸识别过程中同时估计质量，训练过程中不需要人脸图片质量标签，便于实施。

本发明实施例提供一种人脸质量评估的方法，所述方法包括如下步骤：获取多张人脸图像；利用卷积神经网络算法，对获取的人脸图像进行特征提取作为特征训练集；将所述特征训练集中的特征数据输入到图像质量评估模型，输出质量评估值，其中，所述图像质量评估模型是采用机器学习方法，利用预设的样本图像的特征数据和所述特征训练集中的特征数据，根据高斯分布和概率密度，基于损失函数训练得出的；对所述质量评估值满足预设条件的特征数据进行人脸识别。

可选地，所述图像质量评估模型是采用机器学习方法，根据特征数据的高斯分布和概率密度，基于损失函数训练得出的步骤包括：若训练集中特征数据x_i的身份ID为j，根据高斯分布获取身份ID为j的特征数据x_i概率密度；计算特征数据x_i属于身份ID为j的概率；根据所述概率密度和概率获取损失函数。

可选地，所述损失函数的值用于表征与同一人的样本图像的特征数据和特征训练集中的特征数据的质量评估值之间的差异。

可选地，所述根据所述概率密度和概率获取损失函数的步骤还包括：计算各所述样本图像的特征数据与对应的特征训练集中的特征数据之间的余弦值。

本发明还提供了一种人脸质量评估的装置，所述装置包括：获取单元，用于获取多张人脸图像；特征提取单元，利用卷积神经网络算法，对获取的人脸图像进行特征提取作为特征训练集；评估单元，将所述特征训练集中的特征数据输入到图像质量评估模型，输出质量评估值，其中，所述图像质量评估模型是采用机器学习方法，利用预设的样本图像的特征数据和所述特征训练集中的特征数据，根据高斯分布和概率密度，基于损失函数训练得出的；识别单元，对所述质量评估值满足预设条件的特征数据进行人脸识别。