一种无监督人脸图像质量评价方法、装置及存储介质制造方法及图纸

本申请公开了一种无监督人脸图像质量评价方法，包括：获取人脸图像中的标准化人脸对象；使用方程在人脸对象数据集上训练质量分模型，其中，质量分模型用于得到标准化人脸对象的质量分数，人脸对象数据集包括多个人脸样本，并且其中，N表示标准化人脸对象的数量，m表示两个类别之间的角度间距，θ表示标准化人脸对象的权重与标准化人脸对象的特征向量之间的夹角，s表示分布有标准化人脸对象的特征向量的球面半径；利用质量分模型提取标准化人脸对象的特征序列，其中特征序列由特征向量构成；以及根据从特征序列中提取的范数值，确定标准化人脸对象的质量分数。的质量分数。的质量分数。

【技术实现步骤摘要】
一种无监督人脸图像质量评价方法、装置及存储介质


[0001]本申请涉及图像质量评价领域，特别是涉及一种无监督人脸图像质量评价方法、装置及存储介质。

技术介绍

[0002]人脸质量评价是进行人脸识别和聚类等任务的一个重要环节，人脸质量直接影响人脸识别系统的稳定性和可靠性，尤其是在复杂场景下的大规模人脸识别。因此人脸质量评价方法具有重要的研究意义和应用价值，目前已经广泛应用于智能支付、智能门禁、智能驾驶和智慧相册等多个领域。目前的人脸质量评价方法可分为两类，一类是通过人类视觉系统定义质量指标，另一类是人脸识别效果直接决定质量分数。在基于人脸识别效果对人脸质量进行评价的方法中，最重要的是建立图像质量与识别模型的映射关系。大多数已有方法将样本特征不确定性或样本对的相似度作为质量分数。
[0003]但是现阶段的人脸质量评价方法还存在诸多问题，例如，基于人脸识别生成的质量分数具有不可解释性，与人主观感知结果相差较大、有监督的训练方式需要标注大量的数据，依靠主观标注的方式直接影响算法的效果以及质量分数回归网络与人脸识别网络结构基本相同，在实际应用中网络不够轻量化等
[0004]针对上述的现有技术中存在的利用有监督的方式训练质量分模型需要标注大量的数据，从而增加时间成本以及经济成本的技术问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本公开的实施例提供了一种无监督人脸图像质量评价方法、装置以及存储介质，以至少解决现有技术中存在的利用有监督的方式训练质量分模型需要标注大量的数据，从而增加时间成本以及经济成本的技术问题。
[0006]根据本公开实施例的一个方面，提供了一种无监督人脸图像质量评价方法，包括：获取人脸图像中的标准化人脸对象；使用方程获取人脸图像中的标准化人脸对象；使用方程在人脸对象数据集上训练质量分模型，其中，质量分模型用于得到标准化人脸对象的质量分数，人脸对象数据集包括多个人脸样本，并且其中，N表示标准化人脸对象的数量，m表示不同类别之间的角度间距，θ表示标准化人脸对象的权重与标准化人脸对象的特征向量之间的夹角，s表示分布有标准化人脸对象的特征向量的球面半径，并且其中，所述不同类别表示不同的所述标准化人脸对象；利用质量分模型提取标准化人脸对象的特征序列，其中特征序列由特征向量构成；以及根据从特征序列中提取的范数值，确定标准化人脸对象的质量分数。
[0007]根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
[0008]根据本公开实施例的另一个方面，还提供了一种无监督人脸图像质量评价装置，包括：标准化目标对象获取模块，用于获取图像中的标准化人脸对象；模型训练模块，用于使用方程在人脸对象数据集上训练质量分模型，其中，质量分模型用于得到标准化人脸对象的质量分数，人脸对象数据集包括多个人脸样本，并且其中，N表示标准化人脸对象的数量，m表示不同类别之间的角度间距，θ表示标准化人脸对象的权重与标准化人脸对象的特征向量之间的夹角，s表示分布有标准化人脸对象的特征向量的球面半径，并且其中，不同类别表示不同的标准化人脸对象；特征序列提取模块，用于利用质量分模型提取标准化人脸对象的特征序列，其中特征序列由特征向量构成；以及质量分数确定模块，用于根据从特征序列中提取的范数值，确定标准化人脸对象的质量分数。
[0009]根据本公开实施例的另一个方面，还提供了一种无监督人脸图像质量评价装置，包括：处理器；以及存储器，与所述处理器连接，用于为处理器提供处理以下处理步骤的指令：获取人脸图像中的标准化人脸对象；使用方程令：获取人脸图像中的标准化人脸对象；使用方程在人脸对象数据集上训练质量分模型，其中，质量分模型用于得到标准化人脸对象的质量分数，人脸对象数据集包括多个人脸样本，并且其中，N表示标准化人脸对象的数量，m表示不同类别之间的角度间距，θ表示标准化人脸对象的权重与标准化人脸对象的特征向量之间的夹角，s表示分布有标准化人脸对象的特征向量的球面半径，并且其中，不同类别表示不同的标准化人脸对象；利用质量分模型提取标准化人脸对象的特征序列，其中特征序列由特征向量构成；以及根据从特征序列中提取的范数值，确定标准化人脸对象的质量分数。
[0010]在本公开实施例中，首先，获取人脸图像中的标准化人脸图像。然后，利用方程直接在人脸对象数据集上训练质量分模型，并利用训练好的质量分模型提取标准化人脸图像中的特征序列。最后，计算特征序列的范数值，从而得到标准化人脸图像的质量分数，实现对人脸图像的质量评价。从而，通过上述操作达到了不需要人工标注每张图片的质量分数，能够在开源的人脸对象数据集上训练质量分模型，大大减少时间成本和经济成本的技术效果。进而解决了现有技术中存在的利用有监督的方式训练质量分模型需要标注大量的数据，从而增加时间成本以及经济成本的技术问题。
附图说明
[0011]此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
[0012]图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；
[0013]图2是根据本公开实施例1的第一个方面所述的无监督人脸图像质量评价方法的
流程示意图；
[0014]图3是根据本公开实施例1的第一个方面所述的包含若干个人脸对象的人脸图像的示意图；
[0015]图4是根据本公开实施例1第一个方面所述的较容易识别的人脸对象、较难识别的人脸对象和难以识别的人脸对象的分类示意图；
[0016]图5是根据本公开实施例1第一个方面所述的较容易识别的人脸对象、较难识别的人脸对象和难以识别的人脸对象与类别中心的距离的示意图；
[0017]图6是根据本公开实施例1的第一个方面所述的对人脸图像中的人脸对象进行关键点检测及标定的示意图；
[0018]图7是根据本公开实施例1的第一个方面所述的对人脸图像中的人脸对象进行矫正的示意图；
[0019]图8是根据本公开实施例2的第一个方面所述的无监督人脸图像质量评价的装置的示意图；以及
[0020]图9是根据本公开实施例3的第一个方面所述的无监督人脸图像质量评价的装置的示意图。
具体实施方式
[0021]为了使本
的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
[0022]需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无监督人脸图像质量评价方法，其特征在于，包括：获取人脸图像中的标准化人脸对象；使用方程在人脸对象数据集上训练质量分模型，其中，所述质量分模型用于得到所述标准化人脸对象的质量分数，所述人脸对象数据集包括多个人脸样本，并且其中，N表示所述标准化人脸对象的数量，m表示不同类别之间的角度间距，θ表示所述标准化人脸对象的权重与所述标准化人脸对象的特征向量之间的夹角，s表示分布有所述标准化人脸对象的特征向量的球面半径，并且其中，所述不同类别表示不同的所述标准化人脸对象；利用所述质量分模型提取所述标准化人脸对象的特征序列，其中所述特征序列由所述特征向量构成；以及根据从所述特征序列中提取的范数值，确定所述标准化人脸对象的质量分数。2.根据权利要求1所述的方法，其特征在于，使用方程2.根据权利要求1所述的方法，其特征在于，使用方程在人脸对象数据集上训练质量分模型的操作包括：对所述标准化人脸对象的特征向量和所述标准化人脸对象的权重进行归一化处理；利用反余弦函数计算所述标准化人脸对象的特征向量与所述标准化人脸对象的权重之间的角度θ；在所述标准化人脸对象的特征向量与所述标准化人脸对象的权重之间的角度θ的基础上添加角度间隔m；利用余弦函数重新计算逻辑回归的反向传播过程，并重新缩放所有逻辑；利用softmax函数计算各类别概率，其中所述各类别概率表示不同的所述标准化人脸对象的概率；以及通过Ground Truth和One Hot Vector确定所述各类别概率的交叉熵损失。3.根据权利要求2所述的方法，其特征在于，对所述标准化人脸对象的特征向量和所述标准化人脸对象的权重进行归一化处理的操作包括：利用对所述标准化人脸对象的权重进行归一化处理，其中W
*
表示所述标准化人脸对象的权重向量，||W
*
||表示所述标准化人脸对象的权重的向量范数；以及利用对所述标准化人脸对象的特征向量进行归一化处理，其中x
*
表示所述标准化人脸对象的特征向量，||x
*
||表示所述标准化人脸对象的特征向量的向量范数。4.根据权利要求2所述的方法，其特征在于，利用反余弦函数计算所述标准化人脸对象的特征向量与所述标准化人脸对象的权重之间的角度θ的操作包括：利用cosθ＝w
T
x获取所述标准化人脸对象的特征向量和所述标准化人脸对象的权重之间的角度θ的余弦值。5.根据权利要求1所述的方法，其特征在于，还包括：

【专利技术属性】
技术研发人员：李晨，夏东明，金晨曦，
申请(专利权)人：合肥钛灵信息科技有限公司，
类型：发明
国别省市：