[发明专利]一种人脸质量的评估方法及相关装置

说明书

本申请提供了一种人脸质量的评估方法及相关装置，其中，方法包括：获取待评估图像；在检测到待评估图像中存在人脸的情况下，将待评估图像输入预设的逆金字塔CNN网络模型，逆金字塔CNN网络模型输出待评估图像的质量评估结果；其中，逆金字塔CNN网络模型的结构按照顺序包括：输入层、根模块、预设数量第一阶段网络、第二阶段网络、平均池化层、全连接分类层和输出层；其中，任一第一阶段网络包括密集块和过渡层；第二阶段网络包括密集块和“卷积‑标准化‑激活”层；预设数量的大小为2或3。其中，输入逆金字塔CNN网络模型的待评估图像，在计算过程中特征先增后减。既保证人脸质量评估的精度，又保证具有较短的时延，从而，使得应用于移动端成为可能。

技术领域

本申请涉及图像处理领域，尤其涉及一种人脸质量的评估方法及相关装置。

背景技术

随着人工智能技术突飞猛进，人脸识别算法在安防、金融、医疗、交通、教育、零售、工业制造等领域广泛推广应用，人脸识别算法也遇到各种复杂场景的挑战，比如照片模糊、光照太强、光线太暗、运动模糊、口罩遮挡、头发遮挡等其他附属物的遮挡，这些因素给人脸识别精度带来了一定的损失。为了提高人脸识别算法的精度，可以通过人脸质量评估算法能辅助过滤掉一些质量不高的图片。

目前，人脸质量评估方法有两种，其中，一种是基于传统视觉算法的方法，另一种是基于深度学习的方法。传统视觉算法一般对于光照变化、姿态变化、图像模糊、侧脸、遮挡、其他遮挡需要分别建模处理，如此一来，人脸质量评估过程会增加芯片计算量，并增大延时。另外，传统算法是手工提取特征，应用场景有限，难以在各种不同的场景下针对不同的图像类型保持较高的精度和较好的鲁棒性。

基于深度学习的方法不需要人为设计特征，它依靠深度学习模型强大的学习能力学习大量的图片特征，从而自动提取特征完成人脸质量评估任务，比如，基于CNN的人脸质量评估检测方法。基于CNN的人脸质量评估方法目前市场上有两类：一是以FaceQnet网络为代表的大型网络模型，精度较高，但是网络结构复杂，计算量大，耗时较多，在移动端难以部署实时应用。二是以mobilenet/shufflenet系列为代表的轻量级网络模型，网络结构简化，消耗硬件(gpu/cpu)资源较小，但是精度较低，漏检、误检较多，同样难以在移动端部署实时应用。

为了便于高精度的人脸识别广泛应用于移动终端，急需一种既保证精度又具有较短时延的人脸质量评估方案。

发明内容

本申请提供了一种人脸质量的评估方法及相关装置，目的在于提供一种既保证精度又具有较短时延的人脸质量评估方案。

为了实现上述目的，本申请提供了以下技术方案：

本申请提供了一种人脸质量的评估方法，包括：

获取待评估图像；

在检测到所述待评估图像中存在人脸的情况下，将所述待评估图像输入预设的逆金字塔CNN网络模型，所述逆金字塔CNN网络模型输出所述待评估图像的质量评估结果；

其中，所述逆金字塔CNN网络模型的结构按照顺序包括：输入层、根模块、预设数量第一阶段网络、第二阶段网络、平均池化层、全连接分类层和输出层；其中，任一第一阶段网络包括密集块和过渡层；所述第二阶段网络包括密集块和“卷积-标准化-激活”层；所述预设数量的大小为2或3；

其中，输入所述逆金字塔CNN网络模型的待评估图像，在计算过程中特征先增后减。

可选的，所述过渡层包括：1×1卷积核，步长为1，2×2最大池化，步长为2。

可选的，所述预设数量为3个，3个第一阶段网络顺序连接，依次为第一密集块、第一过渡层、第二密集块、第二过渡层、第三密集块和第三过渡层；其中，所述第一密集块由3个密集层组成；所述第二密集块由4个密集层组成、所述第三密集块由4个密集层组成；

所述第二阶段网络中的密集块由4个密集层组成；