人脸图像的质量检测方法、系统和计算机设备技术方案

本发明专利技术涉及一种人脸图像的质量检测方法和基于该方法的质量检测系统及计算机设备，其核心在于基于深度神经网络模型和不确定估计反馈补偿，构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度，同时预测人脸身份不确定度和人脸关键点不确定度，并据此判定待检测人脸图像是否合格，使得后续人脸识别过程中可以仅对合格人脸图像进行人脸识别，让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单，且对输入图像的任何干扰噪音都有辨识功能，大大提高了人脸识别的效率和准确率，保障人脸识别的安全性和可靠性。

【技术实现步骤摘要】
人脸图像的质量检测方法、系统和计算机设备
本专利技术涉及一种图像识别领域，特别是涉及一种人脸图像的质量检测方法、系统和计算机设备。
技术介绍
近年来，人脸识别技术迅猛发展，已广泛应用于监控、支付、门禁、娱乐等各行各业，为人身财产安全保驾护航。但是，在人脸识别技术中，人脸识别模型容易受到输入噪声的干扰，例如低光照、大姿态、大表情、遮挡和模糊等情况都会导致输入的人脸图像难以识别，甚至造成误识。以人脸识别技术应用于门禁为例，在输入的人脸图像难以识别甚至误识时，轻则降低门径安全检测效率、造成拥堵；重则无法起到门禁的安全保障作用，造成人身财产损失。因此，需要在人脸识别过程中对输入的人脸图像进行质量审查，过滤掉受噪声干扰大、质量低、不符合识别条件的人脸图像，提高人脸识别的可靠性和安全性，使其更好更优的服务于需要人脸识别的各行各业。目前，人脸图像的质量审查主要是对人脸图像的多个质量指标（常用质量指标包括：人脸像素大小和人脸瞳孔间距的像素大小、人脸清晰度、人脸关键部位是否存在遮挡、眼睛是否自然睁开、人脸表情程度、人脸姿态、光照等）进行分析，只有满足所有指标的图像才通过检测。这种方式，一方面仅仅利用人脸图像的属性特征，并没有与人脸识别模型直接联系，不能保证输入的人脸图像适合后续的识别模型；另一方面需要对各个指标，建立数据集并训练预测模型，其多模型预测形式增加了调试和部署的难度，可谓耗财耗力。近年来，随着计算能力的提升和人脸数据规模的增加，深度学习的神经网络模型成功应用于人脸识别技术中，以减少识别模型调试和部署的难度。以CN110349152A为例，使用深度神经网络对人脸的关键点进行检测，并对关键点的可见性进行分析和融合，从而预测人脸图像的质量。但是，该方法只能用于由人脸角度导致关键点不可见而难以识别甚至是误识的情况，无法解决由手部、头发等物体遮挡或其它问题所导致的人脸图像难以识别甚至误识的问题。因此，如何解决现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等现状，是目前人脸识别技术中亟待解决的技术问题。
技术实现思路
基于此，有必要针对现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等至少一个或多个技术问题提供一种人脸图像的质量检测方法，包括步骤：获取待检测人脸图像和人脸标签数据；构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度；根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度；根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。进一步地，所述构造人脸识别深度神经网络模型的步骤，包括：通过人脸识别分类损失学习所述人脸特征；通过人脸识别不确定性回归损失学习所述人脸识别不确定度。进一步地，所述人脸识别分类损失的计算公式为：softmax的交叉熵分类损失；所述人脸识别不确定性回归损失的计算公式为：则，所述人脸识别深度神经网络模型的训练损失的计算公式为：；其中，m代表所述待检测人脸图像的样本个数，D代表所述人脸特征的长度，i取1~m的整数，j取1~D的整数，代表第i个样本，代表第i个样本的所述人脸识别不确定度，代表第i个样本的类别，代表第i个样本的类别的权重，代表第i个样本的所述人脸特征，代表所述人脸识别分类损失，代表所述人脸识别不确定性回归损失，代表所述人脸识别深度神经网络模型的训练损失。进一步地，所述构建人脸识别深度神经网络模型的步骤，还包括：计算m个样本的所述人脸识别不确定度的平均值，计算公式为：计算所述人脸识别不确定性回归损失的正则项，计算公式为：计算正则约束后的所述人脸识别不确定性回归损失，计算公式为：；计算所述人脸识别深度神经网络模型正则约束后的训练损失，计算公式为：；其中，代表所述人脸识别不确定度的平均值，代表所述人脸识别不确定性回归损失的正则项，代表所述人脸识别不确定回归损失的权重，代表所述人脸识别不确定性回归损失的正则项的权重，代表正则约束后的所述人脸识别不确定性回归损失，代表所述人脸识别深度神经网络模型正则约束后的训练损失。进一步地，所述构建人脸质量深度神经网络模型的步骤，包括：通过人脸识别不确定度匹配损失学习所述人脸身份不确定度；通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。进一步地，所述人脸识别不确定度匹配损失的计算公式为：所述人脸关键点不确定性回归损失的计算公式为：则，所述人脸质量深度神经网络模型的训练损失的计算公式为：；其中，代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度，代表第i个样本的所述人脸身份不确定度，代表所述人脸识别不确定度匹配损失，K代表所述人脸关键点的个数，取1~K*2的整数，代表第i个样本的第个关键点的人脸关键点不确定度，代表第个关键点的标签，代表第i个样本的第个所述人脸关键点，代表所述人脸关键点不确定性回归损失，代表所述人脸质量深度神经网络模型的训练损失。进一步地，所述构建人脸质量深度神经网络模型的步骤，还包括：计算m个样本的所述人脸关键点不确定度的平均值，计算公式为：；计算所述人脸关键点不确定性回归损失的正则项，计算公式为：；计算正则约束后的所述人脸关键点不确定性回归损失，计算公式为：；计算所述人脸质量深度神经网络模型正则约束后的训练损失，计算公式为：；其中，代表所述人脸关键点不确定度的平均值，代表所述人脸关键点不确定性回归损失的正则项，代表所述人脸关键点不确定性回归损失的权重，代表所述人脸关键点不确定性回归损失的正则项的权重，代表正则约束后的所述人脸关键点不确定性回归损失，代表所述人脸质量深度神经网络模型正则约束后的训练损失。进一步地，所述根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格的步骤，包括：判断所述人脸身份不确定度是否小于设定阈值；判断所述人脸关键点不确定度是否小于设定阈值；在所述人脸身份不确定度小于设定阈值和所述人脸关键点不确定度小于设定阈值同时成立时，判定所述待检测人脸图像合格。另一方面，本专利技术还提供一种人脸图像的质量检测系统，包括：获取模块，用于获取待检测本文档来自技高网...

【技术保护点】
1.一种人脸图像的质量检测方法，其特征在于，包括步骤：/n获取待检测人脸图像和人脸标签数据；/n构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度；/n根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；/n构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；/n根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；/n处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度；根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。/n

【技术特征摘要】
1.一种人脸图像的质量检测方法，其特征在于，包括步骤：
获取待检测人脸图像和人脸标签数据；
构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度；
根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度；根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。


2.根据权利要求1所述的人脸图像的质量检测方法，其特征在于，所述构造人脸识别深度神经网络模型的步骤，包括：
通过人脸识别分类损失学习所述人脸特征；
通过人脸识别不确定性回归损失学习所述人脸识别不确定度。


3.根据权利要求2所述的人脸图像的质量检测方法，其特征在于，
所述人脸识别分类损失的计算公式为：softmax的交叉熵分类损失；
所述人脸识别不确定性回归损失的计算公式为：



则，所述人脸识别深度神经网络模型的训练损失的计算公式为：

；
其中，m代表所述待检测人脸图像的样本个数，D代表所述人脸特征的长度，i取1~m的整数，j取1~D的整数，代表第i个样本，代表第i个样本的所述人脸识别不确定度，代表第i个样本的类别，代表第i个样本的类别的权重，代表第i个样本的所述人脸特征，代表所述人脸识别分类损失，代表所述人脸识别不确定性回归损失，代表所述人脸识别深度神经网络模型的训练损失。


4.根据权利要求3所述的人脸图像的质量检测方法，其特征在于，所述构建人脸识别深度神经网络模型的步骤，还包括：
计算m个样本的所述人脸识别不确定度的平均值，计算公式为：



计算所述人脸识别不确定性回归损失的正则项，计算公式为：



计算正则约束后的所述人脸识别不确定性回归损失，计算公式为：

；
计算所述人脸识别深度神经网络模型正则约束后的训练损失，计算公式为：

；
其中，代表所述人脸识别不确定度的平均值，代表所述人脸识别不确定性回归损失的正则项，代表所述人脸识别不确定回归损失的权重，代表所述人脸识别不确定性回归损失的正则项的权重，代表正则约束后的所述人脸识别不确定性回归损失，代表所述人脸识别深度神经网络模型正则约束后的训练损失。


5.根据权利要求1所述的人脸图像的质量检测方法，其特征在于，所述构建人脸质量深度神经网络模型的步骤，包括：
通过人脸识别不确定度匹配损失学习所述人脸身份不确定度；
通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。


6.根据权利要求5所述的人脸图像的质量检测方法，其特征在于，
所述人脸识别不确定度匹配损失的计算公式为：
...

【专利技术属性】
技术研发人员：陈俊逸，陈凯，
申请(专利权)人：长沙小钴科技有限公司，
类型：发明
国别省市：湖南;43