[发明专利]一种基于人脸质量评价的人脸抓拍识别方法

说明书

本发明公开了一种基于人脸质量评价的人脸抓拍识别方法。本发明在三个具有质量等级差异的典型数据集上采用深度学习进行人脸质量评价分数回归训练，获取人脸质量评价模型，将该模型用于人脸抓拍系统，针对多人脸抓拍场景，为了降低系统负载同时不失准确性，将实时接收的视频流按固定可设置帧数划分为若干个抓拍周期，每个抓拍周期内动态调整抓拍质量条件，输出一段时间内质量最高的人脸提供给人脸识别算法进行识别。本发明采用深度学习的技术进行人脸质量打分，配合人脸抓拍进行低质量人脸过滤和最优人脸选择，从而更好地服务于人脸识别系统，实现更低系统硬件资源占用的同时达到更高的人脸识别率。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于人脸质量评价的人脸抓拍识别方法。

背景技术

视频监控场景下人脸识别的输入是由智能人脸抓拍系统输出的大量抓拍人脸图像，由于场景的不可控性，非理想环境下同一个人的多张图片质量参差不齐，常见影响因素如亮度对比度过低、人脸姿态过偏、面部遮挡、剧烈表情变化、低分辨率、图像模糊以及噪声等。为了提高识别精度，减少误识率以提高系统性能，需要采用人脸质量评价进行选优。

中国发明专利：CN20111017191.X《客户采集终端人脸图像质量实时监控方法》通过判断人脸是否戴眼镜、脸部是否遮挡以及是否有影响图像质量的姿态来对人脸进行提示过滤，缺点是考虑的质量影响因素偏于单一，而且不利于区分于同一因素下不同质量的人脸。CN201710774182.1《人脸质量判别及图片增强的方法及装置》根据人脸清晰度、人脸大小和人眼的开合度计算人脸综合评价分数。CN201610674387.8《一种兼顾实时性及人脸质量的过滤选择方法及系统》根据人脸角度、人脸大小、背光度分别评分，然后进行加权得到最终分数。类似的，CN201610870876.0《一种基于可见光的人脸优选方法及系统》选取了人脸三维旋转角度、人脸阳光曝光面积、人脸清晰度和人脸遮挡面积进行评分和加权。

这些方法虽然结合多个不同的评价指标，一定程度上避免了通过单一因子进行质量评价的局限性，但是基于传统的图像处理与模式匹配方法，在特征的选择上仍具有较大的主观性，且计算起来较为复杂，还需进行权重等参数的训练调试，无法保证各种多变场景下人脸识别的准确率。

CN201710121461.8《基于深层卷积神经网络的人脸质量评估方法和系统》、CN201711439458.7《基于卷积神经网络评估人脸图像质量的方法和装置》专利均采用了基于深层卷积神经网络的人脸质量评估方法，相比于传统方法，卷积神经网络(CNN)具有优异的特征学习能力、复杂特征与上下文信息的表达能力，同时可以达到更高的精度。但是这些方法中训练人脸质量评价所需的特定图像质量标签值的获取，仍需要通过上述传统方法给出，或者投入大量的人力成本进行标注，这就造成更加复杂的流程，亦或更长时间上和更多人力上的消耗。而CN201711180270.5《基于人脸比对的人脸图像质量评价方法及装置》中则以人脸图像与标准参考图像进行人脸比对的相似度作为质量参考标签值，该方法直接面向识别，避免了上述标签获取的缺陷，但是同时带来新的问题：首先对于深度学习训练所需的大量数据而言，大量参考图片的获取和选取比较困难；另一个需要考虑的是训练出的质量评价模型可能只会较好地服务于特定人脸识别比对模型，但是对于不同的识别模型选取的最优质量人脸效果会变差，因而不具备普适性。

因此，有必要提供一种基于深度学习技术的易于操作、适应多个场景的人脸质量评价方法，以及相配套的完善的视频监控人脸抓拍识别系统，来解决人脸识别中的人脸质量评价问题。

发明内容

本发明针对现有技术的不足，提供了一种基于人脸质量评价的人脸抓拍识别方法。

本发明解决技术问题所采取的技术方案为：

步骤1、初始化系统，维护人脸状态。

步骤2、视频图像采集设备获取当前帧图像。

步骤3、人脸检测器获取图像中所有人脸矩形区域坐标。