[发明专利]基于人脸识别系统的人脸图像质量标注方法及装置

说明书

本发明涉及深度学习领域，公开了基于人脸识别系统的人脸图像质量标注方法及装置；方法包括通过获取第一图像集和第二图像集；将第一图像集和第二图像集输入至人脸识别网络，从而获取人脸特征向量；图像集相似度的计算，第二图像集中第j个待标注人脸与第一图像集子集i参考照的相似度的计算；图像集相似度方差的计算，第二图像集第j个待标注人脸与第一图像集中所有子集的相似度进行相似度方差的计算；依据图像相似度的方差，确定人脸图像质量分数。通过利用方差来反映待标注样本质量的好坏，与人脸识别系统识别能力耦合，且通过只考虑与他人相似度分布，标注结果也更为客观；不要求待标注样本需要有本人参考照，降低了数据收集的困难程度。

技术领域

本发明涉及深度学习领域，尤其涉及了基于人脸识别系统的人脸图像质量标注方法及装置。

背景技术

人脸图像质量分析(face image quality analysis，FIQA)是人脸识别系统投入实际使用中必不可少的前端处理模块。

它通过滤除不合适的抓拍人脸，可保证进入后续人脸识别流程人脸图像的优质性，从而减少误报(即抓拍人脸匹配到错误的底库照片)以及通过推出最优帧人脸从而节省后续人脸识别所需消耗的算力。

目前人脸质量分析最大问题在于质量分标签的制定。与图像质量分析(imagequality analysis)任务不同，它除去要考虑图像本身存在的噪声、编解码以及失焦等问题，更重要的还要考虑其识别目标(人脸)的质量。影响人脸质量的因素通常包括：人脸姿态、遮挡程度、模糊程度以及曝光程度等。抛却稍微更为客观的图像本身质量不谈，上述关于人脸质量的因素实际上很难去获得所谓的真值(ground truth)；此时若还要同时考虑多个因素，对质量标签的制定是一个很大的挑战。

基于人工的质量标签制作方法(简称人工法)依赖于人为主观判定，通过人的大脑直接综合分析上述各个因素，给出最终的质量分标签；但由于所需考虑的因素过多以及没有客观标准，会发生即便是同一个样本，同一标注人员也会在不同标注回合中给出不同标注分数的现象。因此，数据需要反复的清洗造成消耗人力过大成了人工标注法的最大缺陷。若每个因素单独采用人工判定，从而避免主观性过多的问题，仍需要大量人力来完成多个单任务训练数据的制作，而后续如何对各个因素进行综合也需要大量尝试和思索。实际业务逻辑中，人脸质量通常是作为人脸识别系统的前端处理模块存在，其作用是减少识别系统的误报以及算力。

基于此前提，机器标注法给出的结果除去有着更为客观的优点，与人脸识别系统识别能力也更为耦合。当前的机器标注法通常是将同一ID(identity)的人脸抓拍样本与其参考照(底库)人脸特征向量的相似度或其函数映射作为该抓拍样本的质量分标签，从而产生客观且高效的质量分标注流程。

例如现有技术中专利申请号为：CN202010822252.8；专利申请日为：2020-11-20；专利申请名称为：一种人脸图像质量评分标注方法及装置，该方法包括：将集内待测人脸图像和集外噪声人脸图像经过人脸识别网络，得到相应的人脸特征向量；其中，每个人至少包含一张参考图；根据第i个人的参考图特征和其他不同人的参考图特征，计算示性函数；基于所述示性函数，计算第i个人的第k张待测图的质量值；对所述质量值做线性变换，得到第i个人的第k张待测图的最终标签值；利用所述最终标签值进行人脸质量评估模型训练。该方法综合考虑了人脸特征的类内和类间距离，对用于质量评价任务的人脸图像训练样本进行打标签的任务。

通过将待标注样本与类内参考照人脸特征向量的相似度以及待标注样本与类外参考照人脸特征向量的相似度用softmax函数结合起来，给出人脸质量分样本标注分数。

但该方法对于质量分低(如遮挡，模糊人脸)的样本不能给出准确的标注；当该类样本与本人相似度高，同时与他人相似度低时，会得出较高的分数；而这样的标注分数对于后续质量分模型的训练来说是不正确的。

该方法对每个类的类内样本质量分布完整性要求较高，因此需要提前筛选出合适的类别，并且必须要求类内样本有至少一张参考照，增加了数据收集的困难程度。