[发明专利]一种人脸图像的质量判定方法

说明书

本发明提供了一种人脸图像的质量判定方法，包括以下步骤：S1、对输入的图像进行人脸检测，确定图像中人脸区域；S2：对检测到人脸的图像进行人脸关键点定位；S3：计算关键点定位之后的人脸图像区域的梯度，得到人脸梯度图像；S4：确定在梯度图像中关键点的坐标位置；S5：计算关键点邻域的梯度信息；S6：根据关键点邻域的梯度信息综合得到人脸图像的质量判定值。本发明不需要借助大量的训练数据进行样本化学习，仅针对待识别图像的关键点进行梯度邻域计算，有效地减轻了系统运行的负担，提升了图像质量判定的准确性和效率。

技术领域

本发明属于图像质量评价技术领域，特别是涉及一种人脸图像的质量判定方法。

背景技术

随着电子技术的发展，图像的获取越来越便利，而图像作为信息载体，相对于文本、声音更加形象直观。在生物识别领域，人脸识别技术引起广泛关注并且具有广阔的应用前景。但是在图像的获取、传输过程中不可避免的会引入一些干扰，如噪声、压缩块状效应等，造成图像质量下降，同时在人脸图像采集过程中，又存在人脸姿态、表情、遮挡等影响因素，上述因素都会降低人脸识别准确率。

现有的图像质量评价算法，根据是否需要参考图像分为全参考、部分参考和无参考评价方法。全参考和部分参考方法需要利用参考图像的相关信息，而无参考方法无需利用参考图像，直接对图像进行质量评价。实际应用过程中，一般无法获得参考图像，所以无参考图像质量评价方法成为研究重点和热点。

深度学习逐渐在各个领域取得良好效果，同样在图像质量评价中也取得了很好地效果，但是基于深度学习的方法在训练过程中耗时费力，并且为确保模型的泛化性和有效性需要准备足够多的数据，数据的获取本身并非一件易事。即使采用传统的机器学习方法仍然需要进行训练，并且对训练数据的依赖性大。

专利文献CN106127752A公开了一种图像质量分析方法与装置，对关键点进行聚类处理并对邻域进行图像质量判断，根据邻域的图像质量确定待处理图片的图像质量，该专利中提出的算法需要对图像进行角点检测之后进行聚类，聚类计算量较大，不能满足实际应用的实时性要求，并且角点对于人脸图像不具有代表性。邵宇等发表于《电子与信息学报》的“基于局部结构张量的无参考型图像质量评价方法”通过分析仿真图像和实际图像的质量评价结果，同时度量因噪声和模糊造成失真后的图像质量，该文章需要对图像中每个像素点的邻域进行图像质量评价，增大计算量，同时当拍摄时针对前景目标进行对焦之后，背景出现离焦的情况图像质量评价结果会产生较大的偏差。

发明内容

(一)要解决的技术问题

鉴于上述技术问题，本发明的目的是提供一种有效、快速的人脸图像质量判定方法，保证进行人脸识别的图像质量从而保证人脸识别的准确率，为了达到上述目的，本发明提出一种人脸图像的质量判定方法，利用人脸图像的局部梯度信息作为整幅人脸图像质量评价的依据。

(二)技术方案

根据本发明的一个方面，提供了一种人脸图像的质量判定方法，包括以下步骤：

S1、对输入的图像进行人脸检测，确定图像中人脸区域；

S2：对检测到人脸的图像进行人脸关键点定位；

S3：计算关键点定位之后的人脸图像区域的梯度，得到人脸梯度图像；

S4：确定在梯度图像中关键点的坐标位置；

S5：计算关键点邻域的梯度信息；

S6：根据关键点邻域的梯度信息综合得到人脸图像的质量判定值。

在某些实施例中，步骤S1还包括：

在确保能通过人脸检测的前提下进行后续的图像质量判定任务，如果图像无法通过人脸检测则不需要进行后续的图像质量判定。

在某些实施例中，步骤S2还包括：