[发明专利]基于学习排序的人脸图像质量评价的方法和系统

说明书

本发明提供一种基于学习排序的人脸图像质量评价的方法和系统，包括：构造人脸数据集中每个身份对应的的类中心；构造人脸图像样本在潜在空间内的标准化类内距离和标准化类间距离，并利用他它们构造人脸图像样本的质量标签；构造人脸图像质量网络Q；构造人脸图像对以及质量高于的实际概率和后验概率；利用实际概率和后验概率，构造交叉熵损失函数；基于交叉熵损失函数训练人脸图像质量网络。能减小现有人脸图像质量评价方法中存在的偏差因素，从而提升质量评价的性能，得到与识别结果更加一致的人脸图像质量分数。易于重现且具有很好地适用性和推广性。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种基于学习排序的人脸图像质量评价的方法、系统、介质及终端。

背景技术

人脸图像包含着有关个人性别、年龄、肤色、外貌特征等诸多信息，是一项可以用于生物特征识别的重要个人信息。随着计算机视觉以及深度学习等相关技术的进步，计算机对于人脸图像对应身份的识别准确率大大提升，各类人脸识别系统在日常生活中逐渐开始普及，在社会中的各个方面起到了身份识别、认证的作用。然而，人脸识别系统在实际应用中往往受到很大的挑战。相比于数据集中规范对齐的人脸图像，实际应用场景中受采集条件的制约，人脸图像质量参差不齐。人脸识别系统身份识别的准确率往往与输入人脸图像质量密切相关，低质量的人脸图像极易造成误识别，从而带来安全隐患。因此，人脸识别系统在实际应用中，面临着低质量人脸图像带来的巨大挑战，难以达到学术实验中很高的准确率。为了解决这一问题，学界提出在识别环节之前加入人脸图像质量评价算法，用于剔除低质量的人脸图像，从而提升识别的可靠性。

从现有的技术文献检索发现，面向机器识别的人脸图像质量评价方法整体来讲有两种主要的研究思路。一种思路是基于身份标签训练回归模型，这类方法分析了人脸图像质量的本质——与潜在空间内人脸特征的类内距离和类间距离相关，并以此生成了人脸图像的质量标签，使用标签训练回归模型以评估人脸质量。(参见：Hernandez-Ortega,Javier,Javier Galbally,Julian Fierrez,Rudolf Haraksim,and LaurentBeslay.Faceqnet:Quality assessment for face recognition based on deeplearning.In 2019International Conference on Biometrics(ICB),pages 1-8.2019；Fu-Zhao Ou,Xingyu Chen,Ruixin Zhang,Yuge Huang,Shaoxin Li,Jilin Li,Yong Li,Liujuan Cao,and Yuan-Gen Wang.Sdd-fiqa:Unsupervised face image qualityassessment with similarity distribution distance.In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR),pages 7670–7679,June 2021；Boutros,Fadi,Meiling Fang,Marcel Klemt,Biying Fu,and NaserDamer.CR-FIQA:face image quality assessment by learning sample relativeclassifiability.ArXiv preprint arXiv:2112.06592(2021).)。然而以上方法中的质量标签均基于绝对距离，会因为样本数据分布不均带来与真实质量的偏差，而使用回归模型会进一步放大这种偏差。