[发明专利]一种基于深度学习的人脸质量评价方法及装置

说明书

本发明的实施例提供一种基于深度学习的人脸质量评价方法及装置。所述方法包括：对输入图片进行人脸识别预处理，得到只包含人脸部分的目标人脸图像；通过基于深度学习的运动模糊模型对所述目标人脸图像进行运动模糊识别处理，得到所述目标人脸图像的运动模糊置信度；通过光照模型对所述目标人脸图像进行亮度识别处理，得到所述目标人脸图像的亮度；根据所述运动模糊置信度和亮度，确定所述目标人脸图像的人脸质量评价结果。所述方法，可实现得到识别准确率较高的人脸目标图像的人脸质量评价结果的目的，因而可以解决现有技术中人脸质量评价识别准确率不高的问题。

技术领域

本发明涉及IT技术领域，特别是指一种基于深度学习的人脸质量评价方法、装置及计算机可读存储介质。

背景技术

目前，存在一些人脸质量评价的技术，有的是基于原理建模，也有的是基于特征提取加机器学习的方法，还有少量完全基于神经网络和数据驱动来建立人脸质量评价模型。

这些技术所用到的特征提取方法通常包括级联特征提取方法和多层次特征提取方法等。而用到的机器学习模型包括了线性回归模型，SVM模型和神经网络模型等。

采用神经网络作为建模方案的技术中通常采用了多级分类的体量巨大的大型网络，其模型训练收敛时间长，预测速度较慢。并且，大都存在着人脸质量特征提取、人脸质量评价建模困难，评价识别准确率不高等问题。

发明内容

本发明提供一种基于深度学习的人脸质量评价方法、装置及计算机可读存储介质，以解决现有技术中人脸质量评价识别准确率不高的问题。

为解决上述技术问题，本发明的技术方案如下：

本发明实施例的一个方面，提供一种基于深度学习的人脸质量评价方法，包括：

对输入图片进行人脸识别预处理，得到只包含人脸部分的目标人脸图像；

通过基于深度学习的运动模糊模型对所述目标人脸图像进行运动模糊识别处理，得到所述目标人脸图像的运动模糊置信度；

通过光照模型对所述目标人脸图像进行亮度识别处理，得到所述目标人脸图像的亮度；

根据所述运动模糊置信度和亮度，确定所述目标人脸图像的人脸质量评价结果。

可选地，对输入图片进行人脸识别预处理，得到只包含人脸部分的目标人脸图像，包括：

采用人脸检测方法，检测出输入图片中人脸所在的位置；

基于人脸所在的位置，对输入图片进行裁剪和/或放缩，得到固定大小的只包含人脸部分的目标人脸图像。

可选地，所述人脸所在的位置采用一矩形进行描述，该矩形包括：左下点H轴坐标、左下点W轴坐标、矩形高度以及矩形宽度。

可选地，所述运动模糊模型包括：第一深度神经网络；

所述第一深度神经网络与一扁平层连接，所述扁平层与M个顺序连接的全连接层连接，M为大于等于1的整数。

可选地，所述第一深度神经网络为VGG4网络；

所述VGG4网络包括顺序连接的4个VGG层，每一个VGG层包括：顺序连接的卷积层、激活层以及池化层。

可选地，所述运动模糊模型还包括：第二深度神经网络；

所述第二深度神经网络与一扁平层连接，所述扁平层与N个顺序连接的全连接层连接，N为大于等于1的整数。

可选地，所述第二深度神经网络为VGG16预训练网络；

所述VGG16预训练网络包括：顺序连接的16个VGG层，每一个VGG层包括：顺序连接的卷积层、激活层以及池化层。