[发明专利]人脸图片质量评估方法、装置及存储介质

权利要求书

1.一种人脸图片质量评估方法，其特征在于，包括：

获取待评估的目标图片；

通过质量评分网络对所述目标图片进行质量评估，其中，所述质量评分网络包括分类部分和回归部分，所述分类部分用于确定所述目标图片对应的图片类别，所述图片类别包括：误检图片和非误检图片，所述回归部分用于确定所述目标图像对应的质量评分。

2.根据权利要求1所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估之前，还包括：

通过去误检分类网络确定所述目标图片是否为误检图片，其中，所述去误检分类网络是采用残差网络基于第一训练样本图片训练得到的，所述第一训练样本图片包括：检测出的人脸图片和误检出的非人脸图片；

在确定所述目标图片不是误检图片的情况下，控制执行通过所述质量评分网络对所述目标图片进行质量评估的操作，否则，将所述目标图片作为误检图片过滤掉。

3.根据权利要求1所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估包括：

通过所述质量评分网络的所述分类部分确定所述目标图片对应的图片类别，以及通过所述质量评分网络的所述回归部分确定所述目标图片对应的质量评分。

4.根据权利要求3所述的方法，其特征在于，通过质量评分网络对所述目标图片进行质量评估之后，还包括以下至少之一：

在所述目标图片对应的图片类别是误检图片的情况下，将所述目标图片作为误检图片过滤掉；

在所述目标图片对应的质量评分低于预定阈值的情况下，将所述目标图片作为误检图片过滤掉。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述质量评分网络基于包括多个卷积层、多个池化层和两个全连接层的卷积神经网络，所述两个全连接层中的一个全连接层用于输出所述分类部分的图片类别的结果，另一个全连接层用于通过sigmoid层输出所述回归部分的质量评分的结果，所述分类部分和所述回归部分共享所述卷积神经网络的权重。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述质量评分网络中所述分类部分对应的损失函数采用focal_loss；和/或，所述质量评分网络中所述回归部分对应的损失函数采用SmoothL1Loss。

7.根据权利要求1所述的方法，其特征在于，所述分类部分是基于第二训练样本图片和所述第二训练样本图片对应的分类标签训练得到的，所述回归部分是基于所述第二训练样本图片和所述第二训练样本图片对应的质量分标签训练得到的。

8.根据权利要求7所述的方法，其特征在于，所述第二训练样本图片包括以下至少之一：

原始图片；

对原始图片进行随机裁剪后的图片；

对原始图片进行分辨率尺寸缩放后的图片。

9.根据权利要求8所述的方法，其特征在于，对所述原始图片进行随机裁剪后的图片对应的质量分标签与所述原始图片对应的质量分标签相同。

10.根据权利要求8所述的方法，其特征在于，对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签根据所述原始图片对应的质量分标签和缩放后的分辨率计算。

11.根据权利要求10所述的方法，其特征在于，对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签根据所述原始图片对应的质量分标签和缩放后的分辨率计算包括：

根据缩放后的分辨率size’计算缩放因子y=(2x-x²)^1/2，其中，x=size’/M，M为卷积神经网络的数据层输入尺寸；

将所述原始图片对应的质量分标签和所述缩放因子y相乘得到对所述原始图片进行分辨率尺寸缩放后的图片对应的质量分标签。