[发明专利]用于预测图像清晰度的神经网络、训练方法及预测方法

说明书

本发明实施例公开一种用于预测图像清晰度的神经网络、训练方法及预测方法。在一具体实施方式中，该训练方法包括：获取图像集及图像集中部分图像的清晰度标签，得到带有清晰度标签的图像样本及除图像样本之外的待扩充图像；提取图像集中至少部分图像的清晰度特征，根据提取的清晰度特征得到待扩充图像中的至少部分图像的清晰度标签，对待扩充图像中的至少部分图像的清晰度标签进行校正以扩充图像样本并利用图像样本训练用于预测图像清晰度的神经网络，得到训练后的神经网络。该实施方式可有效降低训练成本、提升训练效率并提升训练得到的神经网络的预测精确性。

技术领域

本发明涉及深度学习技术领域。更具体地，涉及一种用于预测图像清晰度的神经网络、训练方法、预测方法、计算机设备及介质。

背景技术

目前，很多场景中需要进行图像清晰度预测，以判断图像是否符合清晰度要求、是否可以用于后续的应用。例如，通过监控采集人脸图像时需要进行人脸图像清晰度预测以判断人脸图像是否可以用于人脸识别、远程接收证件照图像时需要进行证件照图像清晰度预测以判断证件照图像是否可以用于用户认证、远程接收车辆事故图像时需要进行车辆事故图像清晰度预测以判断车辆事故图像是否可以用于定损，等等。

现有的图像清晰度预测的方案中，常用的一种方案是通过训练好的神经网络对输入的待预测图像的清晰度进行预测。这种方案，需要在前期利用大量的带有清晰度标签的图像样本对神经网络进行训练。目前，获取图像样本的方式是用户人工对选定的图像集中的所有图像进行标注，即通过人工标注的方式得到所有的图像的清晰度标签，从而得到图像样本。在实现本发明过程中，发明人发现上述方式至少存在如下问题：用来训练神经网络的图像样本的数量可能会达到几千甚至上万张，如果全部进行人工标注，则存在人工成本高、作业效率低下等问题，且标注过程完全依赖用户的主观判断，标注的精确度也难以得到保证，从而会影响神经网络的训练成本、训练效率及训练得到的神经网络的预测准确性。

发明内容

本发明的目的在于提供一种用于预测图像清晰度的神经网络、训练方法、预测方法、计算机设备及介质，以解决现有技术存在的问题中的至少一个。

为达到上述目的，本发明采用下述技术方案：

本发明第一方面提供了一种用于预测图像清晰度的神经网络训练方法，包括：

获取图像集及所述图像集中部分图像的清晰度标签，得到带有清晰度标签的图像样本及除图像样本之外的待扩充图像；

提取所述图像集中至少部分图像的清晰度特征，根据提取的清晰度特征得到待扩充图像中的至少部分图像的清晰度标签，对所述待扩充图像中的至少部分图像的清晰度标签进行校正以扩充图像样本并利用图像样本训练用于预测图像清晰度的神经网络，得到训练后的神经网络。

基于本发明第一方面提供的用于预测图像清晰度的神经网络训练方法，可在初始时仅人工标注图像集中的少量图像，之后自动化地提取图像集中图像的清晰度特征提取并利用提取得到的清晰度特征得到图像集中其余图像的清晰度标签，以扩充图像样本并完成神经网络的训练。由此，本发明第一方面提供的用于预测图像清晰度的神经网络训练方法，实现了一种半自动化的训练流程，可实现不需人工标注大量图像，只需标注少量图像并对扩充的图像样本进行校正，即可得到所需数量的标签准确性高的图像样本，从而可精确高效地获取图像样本并完成训练，可有效降低训练成本、提升训练效率并提升训练得到的神经网络的预测精确性。

可选地，所述提取所述图像集中至少部分图像的清晰度特征，根据提取的清晰度特征得到待扩充图像中的至少部分图像的清晰度标签，对所述待扩充图像中的至少部分图像的清晰度标签进行校正以扩充图像样本并利用图像样本训练用于预测图像清晰度的神经网络，得到训练后的神经网络包括：

根据图像样本训练所述神经网络；

利用训练得到的神经网络提取所述待扩充图像中的部分图像的清晰度特征以对所述待扩充图像中的部分图像进行清晰度预测，得到所述待扩充图像中的部分图像的清晰度标签；