[发明专利]一种人脸模糊度检测方法、装置、计算机设备及存储介质

说明书

本发明公开一种人脸模糊度检测方法、装置、计算机设备及存储介质，属于计算机视觉技术领域，方法包括：从人脸图像中分别提取出多个人脸特征点分别所在的块图像；通过预先训练好的模糊度检测模型分别对每个块图像进行预测，获得每个块图像对应于多个等级标签中的每个等级标签的置信度，其中，多个等级标签中包括多个清晰度等级和多个模糊度等级；根据每个块图像对应于多个等级标签中的每个等级标签的置信度，获取每个块图像的清晰度和模糊度；根据所有块图像的清晰度和模糊度计算人脸图像的模糊度。本发明实施例能够有效提高人脸模糊度检测的准确率。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种人脸模糊度检测方法、装置、计算机设备及存储介质。

背景技术

随着人工智能时代的到来，人脸识别技术显得越来越重要，如刷脸支付，刷脸过闸机等等，极大地便捷了人们的生活。但是输入到人脸识别模型的人脸图像质量会影响识别的效果，对这些人脸图像进行合理的筛选，比如舍弃掉模糊程度过高的图像显得尤为重要。

目前对于人脸模糊度检测主要包括全参考和无参考两种方法：

(1)全参考需要使用降质前的原始人脸图像作为参照，与模糊图像进行对比，这种方法的缺点是降质前的原始人脸图像不易获得；

(2)无参考不需要任何图像作为参照，直接对人脸图像进行模糊度判断，这种方法有更广的适用性。

针对全参考模糊度检测方法，首先需要一张未降质的参考图，这就限制了很多应用场景，并且由于从摄像头采集到的人脸将直接用于模糊度判断，将其作为参考图像的方法不现实，故广为采用的是无参考的模糊度检测方法。

对于无参考的模糊度检测方法，传统做法是输入一张包含人脸和背景的图像，为了排除背景的干扰，首先检测出人脸的区域，然后使用梯度函数如Brenner、Tenengrad、Laplacian算法计算人脸区域的梯度值，梯度值越大说明人脸的轮廓越清晰，即人脸图像越清晰，反之，梯度值越小说明人脸的轮廓越模糊，即人脸图像越模糊。这种方法对少量人脸图像有效，但对大批量人脸图像无效，大量的清晰图像被判为模糊，存在检测准确率不高的问题。

另外，随着深度学习的兴起，神经网络具有强大的提取图像特征的能力，出现了将深度学习的方法用于检测人脸模糊度，也相应取得了一些进展。通常使用深度学习方法是将人脸块图像类别分为模糊和清晰两类，实验后发现仍有一些清晰的人脸图像被判为模糊，无法达到高准确率的检测要求。

发明内容

为了解决上述背景技术中提到的至少一个问题，本发明提供了一种人脸模糊度检测方法、装置、计算机设备及存储介质，能够有效提高人脸模糊度检测的准确率。本发明实施例提供的具体技术方案如下：

第一方面，提供了一种人脸模糊度检测方法，所述方法包括：

从人脸图像中分别提取出多个人脸特征点分别所在的块图像；

通过预先训练好的模糊度检测模型分别对每个所述块图像进行预测，获得每个所述块图像对应于多个等级标签中的每个等级标签的置信度，其中，所述多个等级标签中包括多个清晰度等级和多个模糊度等级；

根据每个所述块图像对应于多个等级标签中的每个等级标签的置信度，获取每个所述块图像的清晰度和模糊度；

根据所有所述块图像的清晰度和模糊度计算所述人脸图像的模糊度。

进一步地，所述从人脸图像中分别提取多个人脸特征点分别所在的特征块图像，包括：

对所述人脸图像进行检测，定位出人脸区域以及多个人脸特征点；

对所述人脸区域的尺寸调整到预设尺寸，从调整后的所述人脸区域中提取每个所述人脸特征点分别所在的块图像。

进一步地，所述模糊度检测模型是通过如下方法训练得到：