[发明专利]一种人脸质量评估模型的构建方法及应用

说明书

本发明公开了一种人脸质量评估模型的构建方法及应用，包括：S1、搭建人脸质量评估模型；S2、将预采集好的训练集输入到人脸质量评估模型中，以最小化各人脸图像属性的预测属性和真实属性之间的差异的加权总和为目标训练人脸质量评估模型。所构建的人脸质量评估模型包括级联的特征提取网络和多任务层，其中，多任务层包括多个并行的任务分支，每一种人脸图像属性均对应一个任务分支，以对多种相关的深度学习任务进行并行学习，在学习的过程中能够考虑到各任务之间的关联性，共享参数，能够取得更好的泛化效果；通过各任务分支来感知图像的不同人脸图像属性，可以得到各人脸图像属性评估指标的细节信息，能够对人脸质量进行综合且准确的评估。

技术领域

本发明属于计算机视觉的人脸图像处理领域，更具体地，涉及一种人脸质量评估模型的构建方法及应用。

背景技术

身处大数据时代，信息安全的重要性不言而喻，人脸信息更是关系到个人的生命财产安全。随着深度学习在计算机视觉领域被广泛应用，人脸识别、表情识别、头部姿态估计、眼动追踪等任务随之涌现，以人脸识别为例，尽管不断创新的算法已经对人脸识别的准确度有了大幅提升，但在实际应用中仍然存在局限性，人脸图像质量的高低从根源上决定了人脸识别的准确度。对于自助身份证件照拍摄，机场、火车站等安检场景需要即时拍照进行身份二次验证等场景，人脸质量评估可以实时给出质量评估结果指导拍照者本人，提高工作效率与人脸识别准确率，同时还能防止不法分子通过遮挡面部等行为伪装自己，进一步保障社会安定，提高了安全性。对于处理监控视频中的人脸图像而言，由于拍摄环境复杂，人员流动性大，不可避免的会造成人脸模糊、遮挡、头部姿态过大等问题，为后续的人脸图像处理造成干扰。人脸质量评估可以为基于视频的人脸识别、人脸图像属性检测等人脸图像处理功能提供预处理，自动对每一帧图像依照质量好坏排序，筛选出高质量的有效帧序列，不仅减轻了人工筛选的负担，还提高了视频处理的效率。由此可见，人脸图像质量评估在视频片段中的应用也越来越广泛，且与人们的生活密不可分。

通过设计合适的人脸质量评估指标，并给出质量评估结果，不仅可以有效给出指导性意见来评价图像质量，以此为参考获得质量更佳的图像，同时还可以筛选高质量的图像，作为有必要进行后续处理的有效图像，相当于对图像做预处理，提高数据处理效率的同时节省计算资源。

目前，人脸质量评估算法主要分为两大方向，一个方向是注重质量评估的指标，现有算法一般采用手工或机器学习算法进行特征提取，以获得评估结果。相较于深度学习，机器学习方法虽然直观，且易于理解，但准确度较低，且严重依赖人工特征的选取。另一个方向是基于深度学习的人脸质量评估，适用于包含大量人脸数据的公开数据集。然而，此方法大多只将人脸目标整体作为质量评估对象，对于各人脸图像属性并不感知，评估准确度较低，也无法给出各人脸图像属性评估指标的细节信息，不具备指导性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种人脸质量评估模型的构建方法及应用，用以解决现有技术无法对人脸质量进行综合且准确的评估的技术问题。

为了实现上述目的，本发明提供了一种人脸质量评估模型的构建方法，包括以下步骤：

S1、搭建人脸质量评估模型；人脸质量评估模型包括级联的特征提取网络和多任务层；特征提取网络用于提取输入图像的低级特征；多任务层包括多个并行的任务分支，用于对输入图像的各人脸图像属性进行预测；其中，每一种人脸图像属性均对应一个任务分支；任务分支用于对低级特征进行学习得到对应人脸图像属性的高级特征，并对高级特征进行回归或分类，以对人脸图像属性进行预测；

S2、将预采集好的训练集输入到人脸质量评估模型中，以最小化各人脸图像属性的预测属性和真实属性之间的差异的加权总和为目标训练上述人脸质量评估模型；其中，训练集包括人脸图像及其对应的各人脸图像属性的真实属性标签。

进一步优选地，人脸图像属性包括连续数值属性和离散数值属性；连续数值属性包括：模糊度、光照强度和头部姿态；其中，头部姿态包括偏航角、俯仰角和滚转角；离散数值属性包括：面部表情状态和眼镜佩戴状态；