Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020113563 - PROCÉDÉ, APPAREIL ET DISPOSITIF D'ÉVALUATION DE QUALITÉ D'IMAGE FACIALE, ET SUPPORT DE STOCKAGE

Document

说明书

发明名称 0001   0002   0003   0004   0005   0006   0007   0008   0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106   0107   0108   0109   0110   0111   0112   0113   0114   0115   0116   0117   0118   0119   0120   0121  

权利要求书

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17  

附图

1   2   3   4   5  

说明书

发明名称 : 人脸图像质量评估方法、装置、设备及存储介质

技术领域

[0001]
本申请涉及人脸识别领域,例如涉及一种人脸图像质量评估方法、装置、设备及存储介质。

背景技术

[0002]
在有些应用场景中,需要从大量图片中选取人脸图像质量高的图片。人脸图像质量可以在不同的层次上进行评估,比如对图像全局特性如光照、对比度等的评估。
[0003]
现有的人脸图像质量评估技术,通常是结合灰度直方图、图像色彩、边缘检测等传统方法进行判别,衡量的多个因素是图片质量而并不是人脸图像的质量,判断的人脸图像质量不准确,且复杂度高、效率低。
[0004]
发明内容
[0005]
本公开实施例提供了一种人脸图像质量评估方法,包括:
[0006]
利用人脸识别模型提取待评估图片的人脸特征向量;
[0007]
计算所述待评估图片的人脸特征向量的L2norm值;
[0008]
根据所述待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定所述待评估图片的人脸图像质量等级。
[0009]
本公开实施例还提供了一种人脸图像质量评估装置,包括:
[0010]
特征提取模块,用于利用人脸识别模型提取待评估图片的人脸特征向量;
[0011]
计算模块,用于计算所述待评估图片的人脸特征向量的L2norm值;
[0012]
质量评估模块,用于根据所述待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定所述待评估图片的人脸图像质量等级。
[0013]
本公开实施例还提供了一种计算机设备,包含上述的人脸图像质量评估装置。
[0014]
本公开实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述的人脸图像质量评估方法。
[0015]
本公开实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述的人脸图像质量评估方法。
[0016]
本公开实施例还提供了一种电子设备,包括:
[0017]
至少一个处理器;以及
[0018]
与所述至少一个处理器通信连接的存储器;其中,
[0019]
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行上述的人脸图像质量评估方法。

附图说明

[0020]
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
[0021]
图1为本公开实施例提供的人脸图像质量评估方法的流程图;
[0022]
图2为本公开实施例提供的另一人脸图像质量评估方法的流程图;
[0023]
图3为本公开实施例提供的人脸图像质量评估装置的结构示意图;
[0024]
图4为本公开实施例提供的另一人脸图像质量评估装置的结构示意图;
[0025]
以及,图5为本公开实施例提供的电子设备的结构示意图。

具体实施方式

[0026]
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
[0027]
本公开实施例提供了一种人脸图像质量评估方法,图1为本公开实施例 提供的人脸图像质量评估方法的流程图。如图1所示,本实施例中的方法,具体步骤如下:
[0028]
步骤S101、利用人脸识别模型提取待评估图片的人脸特征向量。
[0029]
其中,待评估图片是指待评估人脸图像质量的图片。
[0030]
本实施例中,人脸识别模型可以是现有技术中的任意一种基于深度神经网络人脸识别模型,本实施例此处不做具体限定。
[0031]
另外,在对待评估图片进行人脸图像质量的评估过程中,用于提取待评估图片的人脸特征向量的人脸识别模型,可以直接采用对待评估图片进行人脸识别时的人脸识别模型,以使评估出的待评估图片的人脸图像质量的优劣能够更好地反映出人脸识别的效果的优劣。
[0032]
在对待评估图片进行人脸图像质量时,首先需要提取待评估图片的人脸特征向量,依据人脸特征向量的优劣来评估待评估图片人脸图像质量的优劣。
[0033]
步骤S102、计算待评估图片的人脸特征向量的L2norm值。
[0034]
在得到待评估图片的人脸特征向量之后,计算待评估图片的人脸特征向量的L2norm值,将L2norm值作为评估待评估图片人脸图像质量的指标数据。如果图片中的人脸图像质量越高,那么该图片的人脸特征向量中各维度的特征值就越大,人脸特征向量的L2norm值也越大。
[0035]
其中,人脸特征向量中不同的维度对应不同的人脸特征,例如,皱纹、鼻子、眼睛等特征。
[0036]
待评估图片的人脸特征向量的L2norm值越大,则说明待评估图片的人脸图像质量越好。
[0037]
本实施例中,计算待评估图片的人脸特征向量的L2norm值,可以采用现有技术中任意一种计算图片的特征向量的L2norm值的方法实现,本实施例此处不做具体限定。
[0038]
步骤S103、根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级。
[0039]
本实施例中,将图片的人脸特征向量的L2norm值作为评估图片的人脸图像质量的指标数据。根据图片的人脸特征向量的L2norm值的大小,将图片的人脸图像质量划分为多个人脸图像质量等级。
[0040]
每个人脸图像质量等级对应一组质量等级边界信息,用于限定该人脸图 像质量等级对应的人脸特征向量的L2norm值的范围。
[0041]
具体的,可以获取大量的样本图片,计算所有样本图片的人脸特征向量的L2norm值,所有样本图片的人脸特征向量的L2norm值中的最大值和最小值构成一个L2norm值区间,将L2norm值区间划分为预设数量的子区间,得到(预设数量-1)个分割点,将每个分割点作为一个等级边界值,得到(预设数量-1)个等级边界值,这(预设数量-1)个等级边界值可以确定预设数量个人脸图像质量等级。
[0042]
其中,质量等级边界信息包括多个人脸图像质量等级的边界值。
[0043]
该步骤中,在计算得到待评估图片的人脸特征向量的L2norm值之后,通过比较待评估图片的人脸特征向量的L2norm值与各个人脸图像质量等级的边界值的大小,可以确定待评估图片的人脸特征向量的L2norm值对应的人脸图像质量等级,将待评估图片的人脸特征向量的L2norm值对应的人脸图像质量等级作为待评估图片的人脸图像质量等级。
[0044]
本公开实施例通过利用人脸识别模型提取待评估图片的人脸特征向量;计算待评估图片的人脸特征向量的L2norm值;根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级,能够基于图片的人脸特征准确地评估出图片的人脸图像质量等级,能够准确地评估图片的人脸图像质量,且降低了人脸图像质量评估的复杂度低,提高了人脸图像质量评估的效率。
[0045]
图2为本公开实施例提供的另一人脸图像质量评估方法的流程图。在图1所示实施例的基础上,本实施例中,还可以对初始的人脸识别模型进行模型训练,得到人脸识别模型;并利用人脸识别模型和包括大量的当前应用场景的样本图片的图片集,确定质量等级边界信息。
[0046]
如图2所示,该方法具体步骤如下:
[0047]
步骤S201、对初始的人脸识别模型进行模型训练,得到人脸识别模型。
[0048]
在对待评估图片进行人脸图像质量的评估过程中,用于提取待评估图片的人脸特征向量的人脸识别模型,可以直接采用对待评估图片进行人脸识别时的人脸识别模型,以使评估出的待评估图片的人脸图像质量的优劣能够更好地反映出人脸识别的效果的优劣。
[0049]
为了使得人脸识别模型更加适用于人脸图像质量的评估,在对人脸识别模型的模型训练过程中,增加对人脸识别模型提取的人脸特征向量的L2正则化处理,其他训练过程与现有技术一致,本实施例此处不再赘述。
[0050]
另外,可以选取现有技术中的任意一种基于深度神经网络的人脸识别模型作为初始的人脸识别模型,本实施例此处不做具体限定。
[0051]
该步骤中,在对初始的人脸识别模型的模型训练过程中,增加对初始的人脸识别模型提取的人脸特征向量的L2正则化处理。具体的,在特征层加上L2正则化处理,其中特征层是指人脸识别模型在部署时用于提取图片的特征向量的那一层或者多层,除特征层之外的其他训练过程与现有技术一致,本实施例此处不再赘述。
[0052]
可选的,还可以根据应用场景的不同,调整人脸识别模型的深度神经网络的结构和大小,以平衡人脸识别模型的效率和精度。
[0053]
步骤S202、获取当前应用场景的图片集。
[0054]
其中,当前应用场景的图片集包括大量的当前应用场景的样本图片。
[0055]
图片集中的样本图片的数量越多,基于当前应用场景的图片集确定的质量等级边界信息的准确性越好。
[0056]
本实施例中,当前应用场景的图片集中的样本图片的数量大于预设样本数量,以确保基于当前应用场景的图片集确定的质量等级边界信息的准确性。
[0057]
其中,预设样本数量为一千、几千、一万、几万等等,预设样本数量可以由技术人员根据实际应用场景和经验值进行设定,本实施例此处不做具体限定。
[0058]
在训练得到人脸识别模型之后,可以通过步骤S202-S206,利用大量的当前应用场景的图片集,以及人脸识别模型,来计算当前应用场景对应的质量等级边界信息。通过实际应用场景的图片集确定质量等级边界信息,使得质量等级边界信息更加准确。
[0059]
其中,质量等级边界信息包括多个人脸图像质量等级的边界值。
[0060]
可选的,本实施例的另一实施方式中,还可以基于多个应用场景的图片集,确定的质量等级边界信息,以使确定的质量等级边界信息的适用范围更加广泛。
[0061]
步骤S203、利用人脸识别模型提取图片集中的样本图片的人脸特征向量。
[0062]
步骤S204、计算样本图片的人脸特征向量的L2norm值。
[0063]
本实施例中,将图片的人脸特征向量的L2norm值作为评估图片的人脸图像质量的指标数据。根据图片的人脸特征向量的L2norm值的大小,将图片的人脸图像质量划分为多个人脸图像质量等级。
[0064]
其中,每个人脸图像质量等级对应一组质量等级边界信息,用于限定该人脸图像质量等级对应的人脸特征向量的L2norm值的范围。
[0065]
在获取到当前应用场景的图片集之后,通过步骤S203-S204,利用人脸识别模型提取图片集中的样本图片的人脸特征向量,并计算出每个样本图片的人脸特征向量的L2norm值。
[0066]
在得到所有样本图片的人脸特征向量的L2norm值之后,通过以下步骤S205-S206,根据样本图片的人脸特征向量的L2norm值,确定当前应用场景对应的质量等级边界信息。
[0067]
步骤S205、获取样本图片的人脸特征向量的L2norm值中的最大值和最小值。
[0068]
在得到所有样本图片的人脸特征向量的L2norm值之后,可以对各个样本图片的人脸特征向量的L2norm值进行排序,得到样本图片的人脸特征向量的L2norm值中的最大值和最小值。
[0069]
步骤S206、根据最大值和最小值,以及预设等级数量,确定每个质量等级的边界值。
[0070]
本实施例中,根据最大值和最小值,以及预设等级数量,确定每个质量等级的边界值,具体可以采用如下方式实现:
[0071]
确定将最小值和最大值之间的数据区间等分为预设等级数量的子区间,得到相邻的两个子区间之间的边界值;将相邻的两个子区间之间的边界值作为相邻的两个质量等级的边界值。
[0072]
其中,预设等级数量可以为2、3、或者5等等,预设等级数量可以由技术人员根据当前应用场景和经验值进行设定,本实施例此处不做具体限定。
[0073]
例如,假设预设等级数量可以为3。在确定样本图片的人脸特征向量的L2norm值中的最大值和最小值之后,可以将最小值和最大值之间的数据区间可以表示为:[最小值,最大值],并且可以确定数据区间的2个等分点,这2个等分点将数据区间等分为3个子区间。这2个等分点即为相邻的两个子区 间之间的边界值。具体的,计算一个变量:margin=(最大值–最小值)÷3,那么,可以确定数据区间的2个等分点为:(最小值+margin),和(最大值-margin),也即是相邻的两个子区间之间的边界值由小到大依次为:(最小值+margin),和(最大值-margin);也就是说,得到相邻的两个质量等级之间的边界值由小到大依次为:(最小值+margin),和(最大值-margin)。综上,可以得到以下三个质量等级:
[0074]
第一个质量等级,表示人脸图像质量好:图片的人脸特征向量的L2norm值大于(最大值-margin)。第二个质量等级,表示人脸图像质量一般:图片的人脸特征向量的L2norm值小于或者等于(最大值-margin),并且图片的人脸特征向量的L2norm值大于(最小值+margin)。第二个质量等级,表示人脸图像质量差:图片的人脸特征向量的L2norm值小于或者等于(最小值+margin)。
[0075]
在得到每个质量等级的边界值之后,可以通过以下步骤S207-S209,对任意一张图片进行人脸图像质量评估,评估图片的人脸图像质量等级。
[0076]
步骤S207、利用人脸识别模型提取待评估图片的人脸特征向量。
[0077]
其中,待评估图片是指待评估人脸图像质量的图片。
[0078]
在对待评估图片进行人脸图像质量时,首先需要提取待评估图片的人脸特征向量,依据人脸特征向量的优劣来评估待评估图片人脸图像质量的优劣。
[0079]
该步骤中,利用上述步骤S201训练得到的人脸识别模型,提取待评估图片的人脸特征向量。
[0080]
步骤S208、计算待评估图片的人脸特征向量的L2norm值。
[0081]
在得到待评估图片的人脸特征向量之后,计算待评估图片的人脸特征向量的L2norm值,将L2norm值作为评估待评估图片人脸图像质量的指标数据。待评估图片的人脸特征向量的L2norm值越大,则说明待评估图片的人脸图像质量越好。
[0082]
本实施例中,计算待评估图片的人脸特征向量的L2norm值,可以采用现有技术中任意一种计算图片的特征向量的L2norm值的方法实现,本实施例此处不做具体限定。
[0083]
步骤S209、根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级。
[0084]
该步骤中,在计算得到待评估图片的人脸特征向量的L2norm值之后,通过比较待评估图片的人脸特征向量的L2norm值与各个人脸图像质量等级的边界值的大小,可以确定待评估图片的人脸特征向量的L2norm值对应的人脸图像质量等级,将待评估图片的人脸特征向量的L2norm值对应的人脸图像质量等级作为待评估图片的人脸图像质量等级。
[0085]
本公开实施例通过基于当前实际应用场景的图片集中大量的样本图片的人脸特征向量的L2norm值,确定适用于当前应用场景的质量等级边界信息,使得应用于当前应用场景时,对图片的人脸图像质量的检查更加准确;然后,利用人脸识别模型提取待评估图片的人脸特征向量;计算待评估图片的人脸特征向量的L2norm值;根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级,能够基于图片的人脸特征准确地评估出图片的人脸图像质量等级,能够准确地评估图片的人脸图像质量,且降低了人脸图像质量评估的复杂度低,提高了人脸图像质量评估的效率。
[0086]
本公开实施例还提供了一种人脸图像质量评估装置,如图3所示,人脸图像质量评估装置30包括:特征提取模块301,计算模块302和质量评估模块303。
[0087]
具体的,特征提取模块301,用于利用人脸识别模型提取待评估图片的人脸特征向量。
[0088]
计算模块302,用于计算待评估图片的人脸特征向量的L2norm值。
[0089]
质量评估模块303,用于根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级。
[0090]
本公开实施例提供的装置可以具体用于执行上述图1所示的方法实施例提供的方法流程,具体功能此处不再赘述。
[0091]
本公开实施例通过利用人脸识别模型提取待评估图片的人脸特征向量;计算待评估图片的人脸特征向量的L2norm值;根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级,能够基于图片的人脸特征准确地评估出图片的人脸图像质量等级,能够准确地评估图片的人脸图像质量,且降低了人脸图像质量评估的复杂度 低,提高了人脸图像质量评估的效率。
[0092]
在上述图3所示的实施例的基础上,本实施例中,如图4所示,人脸图像质量评估装置30还包括:模型训练模块304。
[0093]
具体的,模型训练模块304用于:
[0094]
对初始的人脸识别模型进行模型训练,得到人脸识别模型;在对初始的人脸识别模型的模型训练过程中,增加对初始的人脸识别模型提取的人脸特征向量的L2正则化处理。
[0095]
可选的,模型训练模块304还用于:
[0096]
获取当前应用场景的图片集。
[0097]
可选的,质量评估模块303还用于:
[0098]
根据当前应用场景的图片集,以及人脸识别模型,确定质量等级边界信息。
[0099]
可选的,质量评估模块303还用于:
[0100]
利用人脸识别模型提取图片集中的样本图片的人脸特征向量;计算样本图片的人脸特征向量的L2norm值;根据样本图片的人脸特征向量的L2norm值,确定当前应用场景对应的质量等级边界信息。
[0101]
可选的,质量评估模块303还用于:
[0102]
获取样本图片的人脸特征向量的L2norm值中的最大值和最小值;根据最大值和最小值,以及预设等级数量,确定每个质量等级的边界值。
[0103]
可选的,质量评估模块303还用于:
[0104]
确定将最小值和最大值之间的数据区间等分为预设等级数量的子区间,得到相邻的两个子区间之间的边界值;将相邻的两个子区间之间的边界值作为相邻的两个质量等级的边界值。
[0105]
本公开实施例提供的装置可以具体用于执行上述图2所示的方法实施例提供的方法流程,具体功能此处不再赘述。
[0106]
本公开实施例通过基于当前实际应用场景的图片集中大量的样本图片的人脸特征向量的L2norm值,确定适用于当前应用场景的质量等级边界信息,使得应用于当前应用场景时,对图片的人脸图像质量的检查更加准确;然后,利用人脸识别模型提取待评估图片的人脸特征向量;计算待评估图片的人脸 特征向量的L2norm值;根据待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定待评估图片的人脸图像质量等级,能够基于图片的人脸特征准确地评估出图片的人脸图像质量等级,能够准确地评估图片的人脸图像质量,且降低了人脸图像质量评估的复杂度低,提高了人脸图像质量评估的效率。
[0107]
本公开实施例还提供了一种计算机设备,包含上述任一实施例提供的人脸图像质量评估装置。
[0108]
本公开实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述人脸图像质量评估方法。
[0109]
本公开实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述人脸图像质量评估方法。
[0110]
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
[0111]
本公开实施例还提供了一种电子设备,其结构如图5所示,该电子设备包括:
[0112]
至少一个处理器(processor)100,图5中以一个处理器100为例;和存储器(memory)101,还可以包括通信接口(Communication Interface)102和总线103。其中,处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令,以执行上述实施例的XX方法。
[0113]
此外,上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
[0114]
存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的XX方法。
[0115]
存储器101可包括存储程序区和存储数据区,其中,存储程序区可存储 操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
[0116]
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
[0117]
当用于本申请中时,虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件,但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如,在不改变描述的含义的情况下,第一元件可以叫做第二元件,并且同样第,第二元件可以叫做第一元件,只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件,但可以不是相同的元件。
[0118]
本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。
[0119]
所描述的实施例中的各方面、实施方式、实现或特征能够单独使用或以任意组合的方式使用。所描述的实施例中的各方面可由软件、硬件或软硬件的结合实现。所描述的实施例也可以由存储有计算机可读代码的计算机可读介质体现,该计算机可读代码包括可由至少一个计算装置执行的指令。所述计算机可读介质可与任何能够存储数据的数据存储装置相关联,该数据可由 计算机系统读取。用于举例的计算机可读介质可以包括只读存储器、随机存取存储器、CD-ROM、HDD、DVD、磁带以及光数据存储装置等。所述计算机可读介质还可以分布于通过网络联接的计算机系统中,这样计算机可读代码就可以分布式存储并执行。
[0120]
上述技术描述可参照附图,这些附图形成了本申请的一部分,并且通过描述在附图中示出了依照所描述的实施例的实施方式。虽然这些实施例描述的足够详细以使本领域技术人员能够实现这些实施例,但这些实施例是非限制性的;这样就可以使用其它的实施例,并且在不脱离所描述的实施例的范围的情况下还可以做出变化。比如,流程图中所描述的操作顺序是非限制性的,因此在流程图中阐释并且根据流程图描述的两个或两个以上操作的顺序可以根据若干实施例进行改变。作为另一个例子,在若干实施例中,在流程图中阐释并且根据流程图描述的一个或一个以上操作是可选的,或是可删除的。另外,某些步骤或功能可以添加到所公开的实施例中,或两个以上的步骤顺序被置换。所有这些变化被认为包含在所公开的实施例以及权利要求中。
[0121]
另外,上述技术描述中使用术语以提供所描述的实施例的透彻理解。然而,并不需要过于详细的细节以实现所描述的实施例。因此,实施例的上述描述是为了阐释和描述而呈现的。上述描述中所呈现的实施例以及根据这些实施例所公开的例子是单独提供的,以添加上下文并有助于理解所描述的实施例。上述说明书不用于做到无遗漏或将所描述的实施例限制到本公开的精确形式。根据上述教导,若干修改、选择适用以及变化是可行的。在某些情况下,没有详细描述为人所熟知的处理步骤以避免不必要地影响所描述的实施例。

权利要求书

[权利要求 1]
一种人脸图像质量评估方法,其特征在于,包括: 利用人脸识别模型提取待评估图片的人脸特征向量; 计算所述待评估图片的人脸特征向量的L2norm值; 根据所述待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定所述待评估图片的人脸图像质量等级。
[权利要求 2]
根据权利要求1所述的方法,其特征在于,所述利用人脸识别模型提取待评估图片的人脸特征向量之前,还包括: 对初始的人脸识别模型进行模型训练,得到所述人脸识别模型; 在对所述初始的人脸识别模型的模型训练过程中,增加对所述初始的人脸识别模型提取的人脸特征向量的L2正则化处理。
[权利要求 3]
根据权利要求1或2所述的方法,其特征在于,所述根据所述待评估图片的人脸特征的L2norm值,以及质量等级边界信息,确定所述待评估图片的人脸图像质量等级之前,还包括: 根据当前应用场景的图片集,以及所述人脸识别模型,确定所述质量等级边界信息。
[权利要求 4]
根据权利要求3所述的方法,其特征在于,根据当前应用场景的图片集,以及所述人脸识别模型,确定所述质量等级边界信息,包括: 利用所述人脸识别模型提取所述图片集中的样本图片的人脸特征向量; 计算所述样本图片的人脸特征向量的L2norm值; 根据所述样本图片的人脸特征向量的L2norm值,确定当前应用场景对应的所述质量等级边界信息。
[权利要求 5]
根据权利要求4所述的方法,其特征在于,根据所述样本图片的人脸特征向量的L2norm值,确定当前应用场景对应的所述质量等级边界信息,包括: 获取所述样本图片的人脸特征向量的L2norm值中的最大值和最小值; 根据所述最大值和最小值,以及预设等级数量,确定每个所述质量等级的边界值。
[权利要求 6]
根据权利要求5所述的方法,其特征在于,根据所述最大值和最小值,以及预设等级数量,确定每个所述质量等级的边界值,包括: 确定将所述最小值和最大值之间的数据区间等分为预设等级数量的子区间,得到相邻的两个子区间之间的边界值; 将所述相邻的两个子区间之间的边界值作为相邻的两个质量等级的边界值。
[权利要求 7]
根据权利要求3所述的方法,其特征在于,根据当前应用场景的图片集,以及所述人脸识别模型,确定所述质量等级边界信息之前,还包括: 获取当前应用场景的图片集。
[权利要求 8]
一种人脸图像质量评估装置,其特征在于,包括: 特征提取模块,用于利用人脸识别模型提取待评估图片的人脸特征向量; 计算模块,用于计算所述待评估图片的人脸特征向量的L2norm值; 质量评估模块,用于根据所述待评估图片的人脸特征向量的L2norm值,以及质量等级边界信息,确定所述待评估图片的人脸图像质量等级。
[权利要求 9]
根据权利要求8所述的装置,其特征在于,所述装置还包括: 模型训练模块,用于: 对初始的人脸识别模型进行模型训练,得到所述人脸识别模型; 在对所述初始的人脸识别模型的模型训练过程中,增加对所述初始的人脸识别模型提取的人脸特征向量的L2正则化处理。
[权利要求 10]
根据权利要求8或9所述的装置,其特征在于,所述质量评估模块还用于: 根据当前应用场景的图片集,以及所述人脸识别模型,确定所述质量等级边界信息。
[权利要求 11]
根据权利要求10所述的装置,其特征在于,所述质量评估模块还用于: 利用所述人脸识别模型提取所述图片集中的样本图片的人脸特征向量; 计算所述样本图片的人脸特征向量的L2norm值; 根据所述样本图片的人脸特征向量的L2norm值,确定当前应用场景对应的所述质量等级边界信息。
[权利要求 12]
根据权利要求11所述的装置,其特征在于,所述质量评估模块还用于: 获取所述样本图片的人脸特征向量的L2norm值中的最大值和最小值; 根据所述最大值和最小值,以及预设等级数量,确定每个所述质量等级的边界值。
[权利要求 13]
根据权利要求12所述的装置,其特征在于,所述质量评估模块还用于: 确定将所述最小值和最大值之间的数据区间等分为预设等级数量的子区间,得到相邻的两个子区间之间的边界值; 将所述相邻的两个子区间之间的边界值作为相邻的两个质量等级的边界值。
[权利要求 14]
一种计算机设备,其特征在于,包含权利要求8-13任一项所述的装置。
[权利要求 15]
一种电子设备,其特征在于,包括: 至少一个处理器;以及 与所述至少一个处理器通信连接的存储器;其中, 所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行权利要求1-7任一项所述的方法。
[权利要求 16]
一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令设置为执行权利要求1-7任一项所述的方法。
[权利要求 17]
一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行权利要求1-7任一项所述的方法。

附图

[ 图 1]  
[ 图 2]  
[ 图 3]  
[ 图 4]  
[ 图 5]