[发明专利]一种社区监控场景下的人脸采集质量评估策略

说明书

本发明涉及人脸检测、深度学习技术领域，具体公开了一种社区监控场景下的人脸采集质量评估策略，包括以下步骤：通过社区多个摄像头收集无约束的行人图像集；利用人脸数据库wider face将目标检测网络Fast R‑CNN网络训练成人脸检测模型检测行人图像中人脸的位置，并进行裁剪；通过传统的图像处理方法对裁剪后的人脸图像从光照度、清晰度两方面进行计算图像质量并采用人工筛选的方式筛选出高、低质量图像制作人脸图像数据集；得到的数据集用以人脸质量评估网络模型FQA‑Net参数的训练等。本发明通过采集无约束的数据集提高了对图像质量评估策略的实用性与适用性，在社区环境下设计的网络模型识别高质量图像的准确度在95％左右，极大的提高了模型的运算效率。

技术领域

本发明涉及人脸检测、深度学习技术领域，特别涉及一种社区监控场景下的人脸采集质量评估策略。

背景技术

近几年来，随着机器学习、深度学习的快速发展，带动了各个领域在实现技术上发生变革。模式识别技术应用于商业、军事、农业等各大领域，是研究的热点，而人脸识别作为模式识别领域的重要课题，同时也是一个非常受关注的研究方向，具有很强的应用价值和研究意义。目前人脸识别的技术取得了很大的进步，但是在实际应用中由于光照、姿态、图像像素低等不利因素的影响，对人脸识别的准确率大打折扣。虽然很多人脸识别方法从鲁棒性的角度来增强人脸识别的准确率，但是相同的识别算法在高质量图像的识别率往往比低质量图像高的多。而解决此问题的方法之一就是对人脸源图像进行质量评估，从而筛选出高质量的图像用作后续的识别。

卷积神经网络CNN具有很强的特征学习能力，通过端到端的训练，逐层得到由简单到复杂抽象的特征，在检测、识别、跟踪等各个应用上都取得了可观的成效。利用卷积神经网络对人脸图像质量进行评估是近几年来研究的热点，人脸图像质量的影响因素有很多，总的分为客观因素和主观因素，客观因素比如：光照非均匀、光照非对称、图像背景复杂、设备像素不高等，主观因素比如：人物表情变化、面部部位遮挡、姿态变化等，人脸图像的评价标准有：对称度、对比度、清晰度、有效区域面积等。有研究人员提出利用网络提取人脸图像特征，再用稀疏字典学习选择有效的特征，最后用SVR回归预测人脸图像的分数。此方法在实验效果上能够挑选出质量较高的人脸图像，但是学习步骤较为繁琐，实用性不强。

行人作为社区监控场景下的主要目标之一，社区场景下的行人目标检测识别尤为重要，既起到了行人目标跟踪的目的又从安全的角度对社区起到了保障措施。为了提高社区环境下行人人脸识别的准确度，对人脸图像采集的质量评估有了明确的要求，如何挑选高质量人脸图像为后期提供优质是当前需要解决的一个重点问题。

发明内容

为了解决给社区监控场景下人脸识别提供优质图像源的问题，本发明的目的是提供一种社区监控场景下的人脸采集质量评估策略。采用社区环境下无约束的行人图像并进行Fast R-CNN人脸检测处理，进行裁剪后使用传统的图像计算方法制作人脸图像数据集，本发明设计了人脸质量评估网络FQA-Net模型，对实现数据集中高低质量图像进行分类，利用分类的概率值作为质量评估评分。该方法在评估效果上与其他网络并无差别，但是网络规模参数灵活，大大提高了模型的运行效率，为人脸识别减少了识别时间。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下的人脸采集质量评估策略，包括：采集行人原图像、人脸裁剪、传统方法筛选高低质量人脸、训练人脸质量评估模型、对待测人脸图像质量评分估计、图像GPU资源调度，还包括以下步骤：

步骤1：社区监控场景下获取视频流，解码得到行人图像；

步骤2：使用训练好的Fast R-CNN对行人图像进行人脸识别，并裁剪得到人脸数据集：

步骤3：利用传统的图像处理方法，分别计算人脸图像的光照均匀度、模糊度，再经过人工筛选的方式筛选出高、低质量的人脸图像；