本申请提供一种人脸图像质量评估方法、装置及电子设备。该方法包括：获取预训练后的第一人脸识别网络，确定第一人脸识别网络中包含的残差网络的层数；按照预设的随机丢弃概率，对每一层残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；分别利用每个第二人脸识别网络对同一人脸图像进行处理，得到每个第二人脸识别网络对应的特征向量；计算第二人脸识别网络对应的特征向量之间的距离，基于距离以及阈值，对人脸图像的质量进行评估。本申请提升了人脸图像质量评估的效率，评估结果的可信度高，评估过程快速方便。评估过程快速方便。评估过程快速方便。
【技术实现步骤摘要】
人脸图像质量评估方法、装置及电子设备
[0001]本申请涉及计算机
，尤其涉及一种人脸图像质量评估方法、装置及电子设备。
技术介绍
[0002]在实际工业生产中，评估人脸图像的质量非常重要。一般地，一个人脸系统的输入是随机的，存在多种噪声(如模糊、遮挡、光照等)，也存在各种人脸攻击。如果不加入人脸质量控制环节，就会造成后续人脸识别、比对、检索等任务中的错误识别、错误接受。
[0003]目前的人脸图像质量评估方法，分为手工法和深度学习法。手工法对人脸图像特征进行手工设计，如计算一张人脸图像的模糊度和对比度，计算人脸图像的眼间距离等，这种方法往往只考虑单一因素的影响，无法全面考虑所有影响，并且需要人工参与，降低人脸图像质量评估的效率。深度学习方法是通过搭建神经网络来回归计算人脸图像的质量分，但是训练神经网络的人脸图像的质量分一般采用人工来打分，凭标注人员的经验和感觉，导致神经网络的评估结果的可信度较低。
技术实现思路
[0004]有鉴于此，本申请实施例提供了一种人脸图像质量评估方法、装置及电子设备，以解决现有技术存在的无法全面考虑所有影响，降低人脸图像质量评估的效率，神经网络的评估结果的可信度较低的问题。
[0005]本申请实施例的第一方面，提供了一种人脸图像质量评估方法，包括：获取预训练后的第一人脸识别网络，确定第一人脸识别网络中包含的残差网络的层数；按照预设的随机丢弃概率，对每一层残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；分别利用每个第二人脸识别网络对同一人脸图像进行处理，得到每个第二人脸识别网络对应的特征向量；计算第二人脸识别网络对应的特征向量之间的距离，基于距离以及阈值，对人脸图像的质量进行评估。
[0006]本申请实施例的第二方面，提供了一种人脸图像质量评估装置，包括：获取模块，被配置为获取预训练后的第一人脸识别网络，确定第一人脸识别网络中包含的残差网络的层数；丢弃模块，被配置为按照预设的随机丢弃概率，对每一层残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；处理模块，被配置为分别利用每个第二人脸识别网络对同一人脸图像进行处理，得到每个第二人脸识别网络对应的特征向量；评估模块，被配置为计算第二人脸识别网络对应的特征向量之间的距离，基于距离以及阈值，对人脸图像的质量进行评估。
[0007]本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
[0008]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0009]通过获取预训练后的第一人脸识别网络，确定第一人脸识别网络中包含的残差网
络的层数；按照预设的随机丢弃概率，对每一层残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；分别利用每个第二人脸识别网络对同一人脸图像进行处理，得到每个第二人脸识别网络对应的特征向量；计算第二人脸识别网络对应的特征向量之间的距离，基于距离以及阈值，对人脸图像的质量进行评估。本申请利用随机丢弃后得到的第二人脸识别网络对同一人脸图像进行处理，并基于人脸图像的特征向量之间的距离评估人脸图像质量，不仅能全面考虑所有影响，还提升了人脸图像质量评估的效率，评估结果的可信度高，评估过程快速方便。
附图说明
[0010]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本申请实施例提供的人脸图像质量评估方法的流程示意图；
[0012]图2是本申请实施例提供的鲁棒回归网络的训练流程示意图；
[0013]图3是本申请实施例提供的人脸图像质量评估装置的结构示意图；
[0014]图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0015]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0016]在实际工业生产中，评估人脸图像的质量非常重要。一般地，一个人脸系统的输入是随机的，存在多种噪声(如模糊、遮挡、光照等)，也存在各种人脸攻击。如果不加入人脸质量控制环节，就会造成后续人脸识别、比对、检索等任务中的错误识别、错误接受。
[0017]目前的人脸图像质量评估方法，分为手工法和深度学习法。手工法对人脸图像特征进行手工设计，如计算一张人脸图像的模糊度和对比度，计算人脸图像的眼间距离等，这种方法往往只考虑单一因素的影响，无法全面考虑所有影响，并且需要人工参与，降低人脸图像质量评估的效率。深度学习方法是通过搭建神经网络来回归计算人脸图像的质量分，但是训练神经网络的人脸图像的质量分一般采用人工来打分，凭标注人员的经验和感觉，导致神经网络的评估结果的可信度较低。
[0018]有鉴于此，本申请实施例为解决人脸图像的质量评估问题，通过对第一人脸识别网络中的每一层残差网络中的参数进行随机丢弃，得到多个丢弃后的第二人脸识别网络，利用每个第二人脸识别网络分别对同一人脸图像进行处理，得到人脸图像对应的特征向量，最后通过计算两两特征向量之间的距离，根据距离以及预设的阈值，实现人脸图像的质量评估。下面结合附图以及具体实施例对本申请技术方案的内容进行详细描述。
[0019]图1是本申请实施例提供的人脸图像质量评估方法的流程示意图。图1的人脸图像质量评估方法可以由服务器执行。如图1所示，该人脸图像质量评估方法具体可以包括：
[0020]S101，获取预训练后的第一人脸识别网络，确定第一人脸识别网络中包含的残差网络的层数；
[0021]S102，按照预设的随机丢弃概率，对每一层残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；
[0022]S103，分别利用每个第二人脸识别网络对同一人脸图像进行处理，得到每个第二人脸识别网络对应的特征向量；
[0023]S104，计算第二人脸识别网络对应的特征向量之间的距离，基于距离以及阈值，对人脸图像的质量进行评估。
[0024]具体地，本申请实施例的第一人脸识别网络可以采用任意常规的人脸识别神经网络，人脸识别神经网络的结构中包含多层残差网络，例如：可以将人脸识别神经网络的结构设计成经典的50层残差网络(IR50)，人脸识别神经网络的输入是一张被剪裁后的人脸图像，比如将原始人脸图像裁剪为宽高(112，112)的人脸图片，人脸识别本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸图像质量评估方法，其特征在于，包括：获取预训练后的第一人脸识别网络，确定所述第一人脸识别网络中包含的残差网络的层数；按照预设的随机丢弃概率，对每一层所述残差网络中的参数进行随机丢弃，在经过至少两次随机丢弃后，得到至少两个丢弃后的第二人脸识别网络；分别利用每个所述第二人脸识别网络对同一人脸图像进行处理，得到每个所述第二人脸识别网络对应的特征向量；计算所述第二人脸识别网络对应的特征向量之间的距离，基于所述距离以及阈值，对所述人脸图像的质量进行评估。2.根据权利要求1所述的方法，其特征在于，所述按照预设的随机丢弃概率，对每层所述残差网络中的参数进行随机丢弃，包括：为所述第一人脸识别网络中的每一层所述残差网络设置随机丢弃概率区间，从所述随机丢弃概率区间内随机选择一个随机丢弃概率作为对所述残差网络的参数进行随机丢弃的概率；按照每一层所述残差网络的随机丢弃概率，对每一层所述残差网络中的参数进行随机丢弃，得到丢弃后的第二人脸识别网络。3.根据权利要求1所述的方法，其特征在于，所述分别利用每个所述第二人脸识别网络对同一人脸图像进行处理，得到每个所述第二人脸识别网络对应的特征向量，包括：按照预设的宽度和高度对所述人脸图像进行裁剪，将裁剪后的人脸图像分别输入到每个所述第二人脸识别网络中，利用每个所述第二人脸识别网络分别输出所述裁剪后的人脸图像对应的特征向量。4.根据权利要求3所述的方法，其特征在于，所述计算所述第二人脸识别网络对应的特征向量之间的距离，基于所述距离以及阈值，对所述人脸图像的质量进行评估，包括：计算所述第二人脸识别网络输出的特征向量之间的内积，将所述内积作为所述特征向量之间的距离，计算全部距离对应的均值和标准差；基于所述均值和标准差，计算所述人脸图像的网络鲁棒值，将所述网络鲁棒值与鲁棒阈值进行比较，根据比较结果评估所述人脸图像的质量。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：将每个所述人脸图像对应的所述均值、标准差和网络鲁棒值作为所述人脸图像的标签，利用所述人脸图像以及所述标签组成的训练集，对预先配置的回归网络进行训练，得到训练拟合后的回归网络；其中，所述回归网络的结构中包含四个阶段，每个阶段分别用于输出一个特征图，在最后一个阶段的后方设置一个鲁棒值回归模块。6.根据权利要求5所述的方法，其特征在于，在所述得到训练拟合后的回归网络之后...
【专利技术属性】
技术研发人员：黄泽元，王夏洪，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。