[发明专利]基于深层卷积神经网络的人脸质量评估方法和系统

说明书

技术领域

本发明涉及人脸图像识别技术领域，特别是涉及基于深层卷积神经网络的人脸质量评估方法和系统。

背景技术

在人脸识别系统中，往往对输入图像的质量有着严格的要求。输入图像中人脸的角度、旋转、尺度、光照、分辨率、噪声、遮挡等因素都会对识别结果产生重大影响。因此，在进行识别前先对输入的人脸图像质量进行评估，能够有效地过滤低质量的输入样本，提高识别的准确度。这一质量评估和过滤机制在视频人脸识别中尤其有效。因为在视频中存在着大量属于同一被识别人脸对象的图像样本，但这些样本的质量却不相同，如何从中选出高质量的样本用于识别，对于后续识别工作的精度的提升起到关键作用。因此需要设计一种快速有效的人脸质量评估机制对待识别的人脸图像质量进行评估。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于深层卷积神经网络的人脸质量评估方法和系统，解决现有技术的问题。

为实现上述目的及其他相关目的，本发明提供一种基于深层卷积神经网络的人脸质量评估方法，包括：标注样本人脸图像数据以建立包含第一质量评估分值的训练数据集，其中，所述第一质量评估分值是根据预设图像质量参数对所述样本人脸图像数据进行初步质量评估得到的；通过所述训练数据集训练深层卷积神经网络，以通过所述训练减小所述深层卷积神经网络对应所输入图像而输出的第二质量评估分值和所述输入图像的第一质量评估分值间的差异。

于本发明的一实施例中，所述标注样本人脸图像数据以建立包含第一质量评估分值的训练数据集，包括：从数据源获取图像素材数据，其中，所述图像素材数据包含：具有人脸的多个图片；从每个所述图片中分别截取出人脸所在的预定尺寸大小的图像区域数据；对每个图像区域数据进行所述初步质量评估以得到第一质量评估分值，并与对应的图像区域数据关联存储。

于本发明的一实施例中，所述预设图像质量参数包括：人脸旋转和/侧转角度、人脸尺度、人脸遮挡情况、图像光照度、图像分辨率、及图像噪声情况中任意一种或多种组合。

根据权利要求1所述的人脸质量评估方法，所述深层卷积神经网络的结构包括：相连的输入层、一个或多个串联的卷积池化单元、dropout层、全连接层、及回归层；所述卷积池化单元包括：相连的卷积层、BatchNorm层、激活层及均值池化层。

于本发明的一实施例中，所述回归层所包含的回归损失函数为欧氏距离损失函数，所述第一质量评估分值输入至所述回归层。

为实现上述目的及其他相关目的，本发明提供一种基于深层卷积神经网络的人脸质量评估系统，包括：标注模块，用于标注样本人脸图像数据以建立包含第一质量评估分值的训练数据集，其中，所述第一质量评估分值是根据预设图像质量参数对所述样本人脸图像数据进行初步质量评估得到的；训练模块，用于通过所述训练数据集训练深层卷积神经网络，以通过所述训练减小所述深层卷积神经网络对应所输入图像而输出的第二质量评估分值和所述输入图像的第一质量评估分值间的差异。

于本发明的一实施例中，所述标注样本人脸图像数据以建立包含第一质量评估分值的训练数据集，包括：从数据源获取图像素材数据，其中，所述图像素材数据包含：具有人脸的多个图片；从每个所述图片中分别截取出人脸所在的预定尺寸大小的图像区域数据；对每个图像区域数据进行所述初步质量评估以得到第一质量评估分值，并与对应的图像区域数据关联存储。

于本发明的一实施例中，所述预设图像质量参数包括：人脸旋转和/侧转角度、人脸尺度、人脸遮挡情况、图像光照度、图像分辨率、及图像噪声情况中任意一种或多种组合。

于本发明的一实施例中，所述深层卷积神经网络的结构包括：相连的输入层、多个卷积池化单元、dropout层、全连接层、及回归层；所述卷积池化单元包括：相连的卷积层、BatchNorm层、激活层及均值池化层。

于本发明的一实施例中，所述回归层所包含的回归损失函数为欧氏距离损失函数，所述第一质量评估分值输入至所述回归层。

综上所述，本发明的基于深层卷积神经网络的人脸质量评估方法和系统，通过标注样本人脸图像数据以建立包含第一质量评估分值的训练数据集，其中，所述第一质量评估分值是根据预设图像质量参数对所述样本人脸图像数据进行初步质量评估得到的；通过所述训练数据集训练深层卷积神经网络，以通过所述训练减小所述深层卷积神经网络对应所输入图像而输出的第二质量评估分值和所述输入图像的第一质量评估分值间的差异；优化质量评估及过滤的效果，能大大提升人脸识别的准确度。

附图说明