本發(fā)明涉及人臉圖像識別技術(shù)領(lǐng)域，特別是涉及基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法和系統(tǒng)。

背景技術(shù)：

在人臉識別系統(tǒng)中，往往對輸入圖像的質(zhì)量有著嚴(yán)格的要求。輸入圖像中人臉的角度、旋轉(zhuǎn)、尺度、光照、分辨率、噪聲、遮擋等因素都會對識別結(jié)果產(chǎn)生重大影響。因此，在進(jìn)行識別前先對輸入的人臉圖像質(zhì)量進(jìn)行評估，能夠有效地過濾低質(zhì)量的輸入樣本，提高識別的準(zhǔn)確度。這一質(zhì)量評估和過濾機(jī)制在視頻人臉識別中尤其有效。因?yàn)樵谝曨l中存在著大量屬于同一被識別人臉對象的圖像樣本，但這些樣本的質(zhì)量卻不相同，如何從中選出高質(zhì)量的樣本用于識別，對于后續(xù)識別工作的精度的提升起到關(guān)鍵作用。因此需要設(shè)計一種快速有效的人臉質(zhì)量評估機(jī)制對待識別的人臉圖像質(zhì)量進(jìn)行評估。

技術(shù)實(shí)現(xiàn)要素：

鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法和系統(tǒng)，解決現(xiàn)有技術(shù)的問題。

為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法，包括：標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的；通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異。

于本發(fā)明的一實(shí)施例中，所述標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，包括：從數(shù)據(jù)源獲取圖像素材數(shù)據(jù)，其中，所述圖像素材數(shù)據(jù)包含：具有人臉的多個圖片；從每個所述圖片中分別截取出人臉?biāo)诘念A(yù)定尺寸大小的圖像區(qū)域數(shù)據(jù)；對每個圖像區(qū)域數(shù)據(jù)進(jìn)行所述初步質(zhì)量評估以得到第一質(zhì)量評估分值，并與對應(yīng)的圖像區(qū)域數(shù)據(jù)關(guān)聯(lián)存儲。

于本發(fā)明的一實(shí)施例中，所述預(yù)設(shè)圖像質(zhì)量參數(shù)包括：人臉旋轉(zhuǎn)和/側(cè)轉(zhuǎn)角度、人臉尺度、人臉遮擋情況、圖像光照度、圖像分辨率、及圖像噪聲情況中任意一種或多種組合。

根據(jù)權(quán)利要求1所述的人臉質(zhì)量評估方法，所述深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：相連的輸入層、一個或多個串聯(lián)的卷積池化單元、dropout層、全連接層、及回歸層；所述卷積池化單元包括：相連的卷積層、BatchNorm層、激活層及均值池化層。

于本發(fā)明的一實(shí)施例中，所述回歸層所包含的回歸損失函數(shù)為歐氏距離損失函數(shù)，所述第一質(zhì)量評估分值輸入至所述回歸層。

為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估系統(tǒng)，包括：標(biāo)注模塊，用于標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的；訓(xùn)練模塊，用于通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異。

于本發(fā)明的一實(shí)施例中，所述標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，包括：從數(shù)據(jù)源獲取圖像素材數(shù)據(jù)，其中，所述圖像素材數(shù)據(jù)包含：具有人臉的多個圖片；從每個所述圖片中分別截取出人臉?biāo)诘念A(yù)定尺寸大小的圖像區(qū)域數(shù)據(jù)；對每個圖像區(qū)域數(shù)據(jù)進(jìn)行所述初步質(zhì)量評估以得到第一質(zhì)量評估分值，并與對應(yīng)的圖像區(qū)域數(shù)據(jù)關(guān)聯(lián)存儲。

于本發(fā)明的一實(shí)施例中，所述預(yù)設(shè)圖像質(zhì)量參數(shù)包括：人臉旋轉(zhuǎn)和/側(cè)轉(zhuǎn)角度、人臉尺度、人臉遮擋情況、圖像光照度、圖像分辨率、及圖像噪聲情況中任意一種或多種組合。

于本發(fā)明的一實(shí)施例中，所述深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：相連的輸入層、多個卷積池化單元、dropout層、全連接層、及回歸層；所述卷積池化單元包括：相連的卷積層、BatchNorm層、激活層及均值池化層。

于本發(fā)明的一實(shí)施例中，所述回歸層所包含的回歸損失函數(shù)為歐氏距離損失函數(shù)，所述第一質(zhì)量評估分值輸入至所述回歸層。

綜上所述，本發(fā)明的基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法和系統(tǒng)，通過標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的；通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異；優(yōu)化質(zhì)量評估及過濾的效果，能大大提升人臉識別的準(zhǔn)確度。

附圖說明

圖1顯示為本發(fā)明于一實(shí)施例中人臉質(zhì)量評估方法的流程示意圖。

圖2顯示為圖1中步驟S101的子流程示意圖。

圖3顯示為本發(fā)明于一實(shí)施例中的深度卷積神經(jīng)網(wǎng)絡(luò)的模塊結(jié)構(gòu)示意圖。

圖4顯示為本發(fā)明于一實(shí)施例中人臉質(zhì)量評估系統(tǒng)的模塊結(jié)構(gòu)示意圖。

元件標(biāo)號說明

401 標(biāo)注模塊

402 訓(xùn)練模塊

301 輸入層

302 卷積池化單元

3021 卷積層

3022 BatchNorm層

3023 激活層

3024 均值池化層

303 dropout層

304 全連接層

S101～S102 步驟

S201～S203 步驟

具體實(shí)施方式

以下通過特定的具體實(shí)例說明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點(diǎn)與功效。本發(fā)明還可以通過另外不同的具體實(shí)施方式加以實(shí)施或應(yīng)用，本說明書中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。需說明的是，在不沖突的情況下，以下實(shí)施例及實(shí)施例中的特征可以相互組合。

需要說明的是，以下實(shí)施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖式中僅顯示與本發(fā)明中有關(guān)的組件而非按照實(shí)際實(shí)施時的組件數(shù)目、形狀及尺寸繪制，其實(shí)際實(shí)施時各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。

本發(fā)明的技術(shù)方案應(yīng)用于人臉圖像識別技術(shù)領(lǐng)域，通過提供用于對待識別的包含人臉的圖片進(jìn)行質(zhì)量評估的方案，增強(qiáng)評估的準(zhǔn)確性，從而可提升人臉識別的準(zhǔn)確性。

如圖1所示，本發(fā)明提供一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法，包括：

步驟S101：標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的。

于本發(fā)明的一實(shí)施例中，所述預(yù)設(shè)圖像質(zhì)量參數(shù)包括：人臉旋轉(zhuǎn)和/側(cè)轉(zhuǎn)角度、人臉尺度、人臉遮擋情況、圖像光照度、圖像分辨率、及圖像噪聲情況中任意一種或多種組合；該些參數(shù)是關(guān)聯(lián)于人臉圖像質(zhì)量的，所述質(zhì)量評估的標(biāo)準(zhǔn)是是否利于人臉識別，例如人臉旋轉(zhuǎn)或側(cè)轉(zhuǎn)到圖像中無法看到整個正臉時，則該圖像質(zhì)量就較低；再例如圖像分辨率低，質(zhì)量亦較低。

所述第一質(zhì)量評估分值的大小可以是0～1之間；舉例來說，可以是由多個個體分別輸出個體質(zhì)量評估分值，然后從中去除最高分或最低分，計算剩余的各個體質(zhì)量評估分值的平均值作為所述第一質(zhì)量評估分值。

于本發(fā)明的一實(shí)施例中，如圖2所示，所述步驟S101可具體包含以下步驟：

步驟S201：從數(shù)據(jù)源獲取圖像素材數(shù)據(jù)，其中，所述圖像素材數(shù)據(jù)包含：具有人臉的多個圖片。

于本發(fā)明的一實(shí)施例中，所述數(shù)據(jù)源可以是本地終端設(shè)備，也可以是互聯(lián)網(wǎng)。

步驟S202：從每個所述圖片中分別截取出人臉?biāo)诘念A(yù)定尺寸大小的圖像區(qū)域數(shù)據(jù)。

于本發(fā)明的一實(shí)施例中，可通過圖像識別技術(shù)對圖片中的人臉?biāo)谖恢眉捌溥吘夁M(jìn)行定位，從而從中提取人臉?biāo)谖恢玫念A(yù)定尺寸大小的圖像區(qū)域數(shù)據(jù)。

步驟S203：對每個圖像區(qū)域數(shù)據(jù)進(jìn)行所述初步質(zhì)量評估以得到第一質(zhì)量評估分值，并與對應(yīng)的圖像區(qū)域數(shù)據(jù)關(guān)聯(lián)存儲。

例如，每張圖片與其對應(yīng)的第一質(zhì)量評估分值關(guān)聯(lián)地存儲。

步驟S102：通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異。

具體的，所述訓(xùn)練的目的是讓深層卷積神經(jīng)網(wǎng)絡(luò)輸出的第二質(zhì)量評估分值與第一質(zhì)量評估分值的標(biāo)準(zhǔn)統(tǒng)一，即讓深層卷積神經(jīng)網(wǎng)絡(luò)逐步學(xué)會所述初步質(zhì)量評估的方法；所述個體可以是人，由人根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)的客觀指標(biāo)進(jìn)行打分，也可以參考人的主觀感受進(jìn)行打分，則所述訓(xùn)練的目的是讓深層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)人對圖像質(zhì)量評價的感受；當(dāng)然，所述個體也可以是計算機(jī)設(shè)備，尤其可以是經(jīng)過訓(xùn)練而具有人工智能的計算機(jī)設(shè)備。

舉例來講，對待識別圖像可截取其人臉?biāo)诘膱D像區(qū)域數(shù)據(jù)，并獲取待識別圖像的第一質(zhì)量評估分值，進(jìn)而，將圖像區(qū)域數(shù)據(jù)及其第一質(zhì)量評估分值輸入深層卷積神經(jīng)網(wǎng)絡(luò)中，從而得到第二質(zhì)量評估分值。

如圖3所示，展示所述深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，所述深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：相連的輸入層301、一個或多個串聯(lián)的卷積池化單元302、dropout層303、全連接層304、及回歸層305；所述卷積池化單元302包括：相連的卷積層3021、BatchNorm層3022、激活層3023及均值池化層3024。

所述卷積池化單元302在圖中顯示為有N個，于一實(shí)施例中，所述卷積池化單元302優(yōu)選可以有4個，但并非以此為限；于本發(fā)明的一實(shí)施例中，所述回歸層所包含的回歸損失函數(shù)為歐氏距離損失函數(shù)，所述第一質(zhì)量評估分值輸入至所述回歸層，所述第一質(zhì)量評估分值與輸入圖像經(jīng)過深層卷積神經(jīng)網(wǎng)絡(luò)前述各層變換后的輸出比對，計算歐氏距離損失函數(shù)，如此反復(fù)，逐步優(yōu)化減小第二質(zhì)量評估分值和第一質(zhì)量評估分值間的差異，該訓(xùn)練過程即為通過梯度下降法優(yōu)化最小化歐氏距離損失函數(shù)的過程。

如圖4所示，本發(fā)明提供一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估系統(tǒng)，其原理與上述方法實(shí)施例大致相同，兩個實(shí)施例間的技術(shù)特征均可相互通用，因此相同的技術(shù)細(xì)節(jié)不作重復(fù)贅述；

所述系統(tǒng)包括：

標(biāo)注模塊401，用于標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的；

訓(xùn)練模塊402，用于通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異。

于本發(fā)明的一實(shí)施例中，所述標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，包括：從數(shù)據(jù)源獲取圖像素材數(shù)據(jù)，其中，所述圖像素材數(shù)據(jù)包含：具有人臉的多個圖片；從每個所述圖片中分別截取出人臉?biāo)诘念A(yù)定尺寸大小的圖像區(qū)域數(shù)據(jù)；對每個圖像區(qū)域數(shù)據(jù)進(jìn)行所述初步質(zhì)量評估以得到第一質(zhì)量評估分值，并與對應(yīng)的圖像區(qū)域數(shù)據(jù)關(guān)聯(lián)存儲。

于本發(fā)明的一實(shí)施例中，所述預(yù)設(shè)圖像質(zhì)量參數(shù)包括：人臉旋轉(zhuǎn)和/側(cè)轉(zhuǎn)角度、人臉尺度、人臉遮擋情況、圖像光照度、圖像分辨率、及圖像噪聲情況中任意一種或多種組合。

于本發(fā)明的一實(shí)施例中，所述深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：相連的輸入層、多個卷積池化單元、dropout層、全連接層、及回歸層；所述卷積池化單元包括：相連的卷積層、BatchNorm層、激活層及均值池化層。

于本發(fā)明的一實(shí)施例中，所述回歸層所包含的回歸損失函數(shù)為歐氏距離損失函數(shù)，所述第一質(zhì)量評估分值輸入至所述回歸層。

綜上所述，本發(fā)明的基于深層卷積神經(jīng)網(wǎng)絡(luò)的人臉質(zhì)量評估方法和系統(tǒng)，通過標(biāo)注樣本人臉圖像數(shù)據(jù)以建立包含第一質(zhì)量評估分值的訓(xùn)練數(shù)據(jù)集，其中，所述第一質(zhì)量評估分值是根據(jù)預(yù)設(shè)圖像質(zhì)量參數(shù)對所述樣本人臉圖像數(shù)據(jù)進(jìn)行初步質(zhì)量評估得到的；通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，以通過所述訓(xùn)練減小所述深層卷積神經(jīng)網(wǎng)絡(luò)對應(yīng)所輸入圖像而輸出的第二質(zhì)量評估分值和所述輸入圖像的第一質(zhì)量評估分值間的差異；優(yōu)化質(zhì)量評估及過濾的效果，能大大提升人臉識別的準(zhǔn)確度。

上述實(shí)施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實(shí)施例進(jìn)行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。