CN108765407A

CN108765407A - 一种人像图片质量判定方法及装置

Info

Publication number: CN108765407A
Application number: CN201810552094.1A
Authority: CN
Inventors: 张志齐
Original assignee: Beijing Yi Chart Network Technology Co Ltd; Shanghai Is According To Figure Network Technology Co Ltd
Current assignee: Beijing Yi Chart Network Technology Co Ltd; Shanghai Is According To Figure Network Technology Co Ltd
Priority date: 2018-05-31
Filing date: 2018-05-31
Publication date: 2018-11-06

Abstract

本发明提供一种人像图片质量判定方法及装置，涉及计算机视觉技术领域，方法包括：获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；根据所述待评估人像图片、所述比对图片以及人脸识别模型，确定所述待评估人像图片与所述比对图片的相似度；根据所述相似度确定所述待评估人像图片的图像质量。通过获取每一个待评估人像图片对应的高质量的比对图片，并与高质量的比对图片通过人脸识别模型进行识别，计算待评估人像图片与高质量的比对图片之间的相似度，根据相似度来确定待评估人像图片的图像质量。

Description

一种人像图片质量判定方法及装置

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种人像图片质量判定方法及装置。

背景技术

计算机视觉是使用计算机及相关设备对生物视觉的一种模拟，用各种成象系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。利用机器学习来进行计算机视觉处理是当前的热点。

利用机器学习来进行计算机视觉处理时，需要首先确定训练数据，一般情况下，人像质量评判的模式识别模型的训练数据是怎样的，那么模型本身就可以对怎样的图片进行评判。现有技术中，对训练数据的标注一般是采用人工标注的方法，利用人为对图像的质量进行标注，然后将标注的图像作为训练样本。但是现有技术中，通过人为指定的一些维度对人像质量进行评估时，这些维度可能和人脸识别的精度没有关系，比如人像在图片中大小的占比；另一方面会不全面，往往会漏掉一些维度，比如人像之间的遮挡等等。

综上所述，现有技术中无法提供一种准确、高效的人像图片质量判定方法。

发明内容

本发明提供一种人像图片质量判定方法及装置，用于解决现有技术中现有技术中无法提供一种准确、高效的人像图片质量判定方法的问题。

本发明实施例一种人像图片质量判定方法，包括：获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

根据所述待评估人像图片、所述比对图片以及人脸识别模型，确定所述待评估人像图片与所述比对图片的相似度；

根据所述相似度确定所述待评估人像图片的图像质量。

本发明实施例中，通过获取每一个待评估人像图片对应的高质量的比对图片，并与高质量的比对图片通过人脸识别模型进行识别，计算待评估人像图片与高质量的比对图片之间的相似度，根据相似度来确定待评估人像图片的图像质量，也就是说，人脸识别模型能够识别的待评估人像图片，就认为是高质量的人像图片，而人脸识别模型不能识别的待评估人像图片，就是低质量的人像图片。

进一步地，所述根据所述相似度确定所述待评估人像图片的图像质量，包括：

根据预设的质量区间，确定所述相似度对应的质量区间；所述预设的质量区间是根据所述人脸识别模型的误报率确定的；

将所述相似度对应的质量区间作为所述待评估人像图片的图像质量。

本发明实施例中，根据人脸识别模型不同的误报率对应的不同的阈值，确定出了不同的质量区间，将相似度对应到质量区间中，能够直接反应待评估人像图片的图像质量。

进一步地，所述确定所述待评估人像图片的图像质量后，还包括：

获取多个训练样本，每个训练样本包括待评估人像图片和所述待评估人像图片的图像质量；

将所述待评估人像图片的图像质量作为所述训练样本的标注，并利用所述训练样本训练人像质量模型，所述人像质量模型用于确定输入的人像图片的图片质量。

本发明实施例中，将标注好图像质量的待评估人像图片作为训练样本，进行人像质量模型的训练，训练得到的人像质量模型与现有技术相比，能够更加准确的确定输入进该模型的人像图片的质量。

进一步地，所述利用所述训练样本训练人像质量模型，包括：

利用所述训练样本通过卷积神经网络训练所述人像质量模型，其中所述卷积神经网络包括三层卷积层以及两个全连层。

本发明实施例中，采用的神经网络模型中具有多个卷积层以及全连层，能够获取更多的特征，更准确的确定输入进该模型的人像图片的质量。

本发明实施例还提供一种人像图片质量判定装置，包括：

获取单元，用于获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

相似度确定单元，用于根据所述待评估人像图片、所述比对图片以及人脸识别模型，确定所述待评估人像图片与所述比对图片的相似度；

图像质量确定单元，用于根据所述相似度确定所述待评估人像图片的图像质量。

进一步地，所述图像质量确定单元具体用于：

进一步地，所述获取单元还用于：

所述装置还包括，训练单元，所述训练单元用于：将所述待评估人像图片的图像质量作为所述训练样本的标注，并利用所述训练样本训练人像质量模型，所述人像质量模型用于确定输入的人像图片的图片质量。

进一步地，所述训练单元具体用于：

本发明实施例还提供一种电子设备，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，以使所述至少一个处理器能够执行上述实施例中任一所述的方法。

本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述实施例中任一所述方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种人像图片质量判定方法的流程示意图；

图2为本发明实施例提供的另一种人像图片质量判定方法的流程示意图；

图3为本发明实施例提供的一种人像图片质量判定装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

本发明提供一种人像图片质量判定方法，如图1所述，包括：

步骤101，获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

步骤102，根据所述待评估人像图片、所述比对图片以及人脸识别模型，确定所述待评估人像图片与所述比对图片的相似度；

步骤103，根据所述相似度确定所述待评估人像图片的图像质量。

在步骤101中，待评估人像图片为需要进行质量标注的人像图片，比对图片为待评估人像图片对应的标准图像，比对图像为高质量图像，可选的，由于证件照片中对图像中人像的要求较高，例如，不能对面部进行遮挡，不能化妆等等，所以比对图像可以为待评估人像图片对应的证件照片，可以获取待评估人像图片对应的证件库中的证件照片，将证件照片作为比对图片。

当然，在步骤101中，也可以通过其它方法获得高质量的比对图像，可选的，可以利用已知高质量的人像图片训练一个初级人像质量模型，然后获取人评估人像图片对应的人像图片集合，例如，可以从一段视频中获取连续的待评估人像图片对应的人像图片集合，然后将人像图片集合输入到初级人像质量模型中，根据输出结果确定高质量的比对图像。

在步骤102中，在获得了待评估人像图片对应的比对图片后，将待评估人像图片以及比对图片输入到人脸识别模型中，确定待评估人像图片与比对图片的相似度，也就是说，在步骤102中，将评估待评估人像图片的图像质量的问题转换为确定待评估人像图片与比对图片之间相似的问题，可以这样理解，人脸识别模型能够识别的出，就认为待评估人像图片的质量为高质量，否则则认为待评估人像图片的质量为低质量。

在步骤103中，在确定了待评估人像图片与所述比对图片的相似度后，用相似度转换为人像图片的图片质量，从而能够省去人为指定的质量维度，准确的确定出人像图片的质量。

可选的，在步骤103中，根据预设的质量区间，确定所述相似度对应的质量区间；所述预设的质量区间是根据所述人脸识别模型的误报率确定的；将所述相似度对应的质量区间作为所述待评估人像图片的图像质量。

也就是说，当确定了待评估人像图片与所述比对图片的相似度后，需要将相似度和图像质量进行对应，所以设置了质量区间，且质量区间与相似度与对应关系。例如，0～50％的相似度对应的质量区间为差，50％～100％相似度对应的质量区间为优，若确定了待评估人像图片与所述比对图片的相似度为75％，则确定了待评估人像图片的图像质量为优。

为了更准确的划定质量区间，在本发明实施例中，预设的质量区间是根据人脸识别模型的误报率确定的，人脸识别模型不同的误报率对应不同的阈值，利用阈值划分质量区间。可选的，在本发明实施例中，为了更准确的表明相似度对应的图像质量，分别利用万分之一、十万分之一、百万分之一、千万分之一、亿分之一、十亿分之一、百亿分之一、千亿分之一八个误报率对应的阈值将相似度的值域划分成了九个不同的相似度取值区间。九个区间分别为第一区间、第二区间、第三区间、第四区间、第五区间、第六区间、第七区间、第八区间以及第九区间，从第一区间到第九区间图像质量是逐渐变优的。

可选的，在本发明实施例中，为了训练出更为准确的人像质量模型，直接让人像质量模型学习人像图片在人脸识别模型上的表现。简而言之，就是人脸识别能够识别的，人像质量就是好的，反之，人脸识别模型无法进行识别的，人像质量就是不好的。也就是说，在确定了待评估人像图片的图像质量后，获取多个训练样本，每个训练样本包括待评估人像图片和所述待评估人像图片的图像质量；将所述待评估人像图片的图像质量作为所述训练样本的标注，并利用所述训练样本训练人像质量模型，训练得到的人像质量模型与现有的人像质量模型相比，能够更加准确的输出图像质量。

可选的，在本发明实施例中，在训练模型时，使用的是VGG16卷积神经网络，VGG16是深度学习中一个比较简单的基本模型。输入神经网络的是图像，经过一系列卷积后，全连接分类得到类别概率。

可选的，在本发明实施例中，卷积神经网络包括三层卷积层以及两个全连层。

为了更好的解释本发明实施例，下面通过具体的实施场景描述本发明实施例提供的一种人像图片质量判定方法，如图2所示：

步骤201，对于视频监控中获取的每张人像图片im_i都取获取到该人像对应的证件照id_i，组成一个二元组(im_i，id_i)；

步骤202，使用人脸识别模型分别提取每对二元组中的人像特征，然后进行比对获得每对二元组的相似度simi_i，从而组成一个三元组(im_i，id_i，simi_i)；

步骤203，利用万分之一、十万分之一、百万分之一、千万分之一、亿分之一、十亿分之一、百亿分之一、千亿分之一八个误报率对应的阈值将相似度的值域划分成了九个不同的相似度取值区间；

步骤204，对于每对三元组中的相似度，我们判断它属于哪一个相似度取值区间si，然后我们将si作为im_i人像质量的标注yi，即yi＝si；

步骤205，将确定了si的人像图片作为训练样本，利用VGG16卷积神经网络进行训练，其中卷积神经网络包括三层卷积层以及两个全连层。

基于同样的构思，本发明实施例还提供一种人像图片质量判定装置，如图3所示，包括：

获取单元301，用于获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

相似度确定单元302，用于根据所述待评估人像图片、所述比对图片以及人脸识别模型，确定所述待评估人像图片与所述比对图片的相似度；

图像质量确定单元303，用于根据所述相似度确定所述待评估人像图片的图像质量。

进一步地，所述图像质量确定单元303具体用于：

进一步地，所述获取单元301还用于：

所述装置还包括，训练单元304，所述训练单元304用于：将所述待评估人像图片的图像质量作为所述训练样本的标注，并利用所述训练样本训练人像质量模型，所述人像质量模型用于确定输入的人像图片的图片质量。

基于相同的原理，本发明还提供一种电子设备，如图4所示，

包括处理器401、存储器402、收发机403、总线接口404，其中处理器401、存储器402与收发机403之间通过总线接口404连接；

所述处理器401，用于读取所述存储器402中的程序，执行下列方法：

针对一个目标对象，从收发机403获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

根据所述相似度确定所述待评估人像图片的图像质量。

进一步地，所述处理器401具体用于：

进一步地，所述处理器401还用于：

本发明实施例还提供了一种计算机可读存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行人像图片质量判定方法的步骤。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种人像图片质量判定方法，其特征在于，所述方法包括：

获取待评估人像图片以及所述待评估人像图片对应的比对图片，其中，所述比对图片为所述待评估人像图片对应的高质量图像；

根据所述相似度确定所述待评估人像图片的图像质量。

2.根据权利要求1所述的方法，其特征在于，所述根据所述相似度确定所述待评估人像图片的图像质量，包括：

3.根据权利要求1所述的方法，其特征在于，所述确定所述待评估人像图片的图像质量后，还包括：

4.根据权利要求3所述的方法，其特征在于，所述利用所述训练样本训练人像质量模型，包括：

5.一种人像图片质量判定装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述图像质量确定单元具体用于：

7.根据权利要求5所述的装置，其特征在于，所述获取单元还用于：

8.根据权利要求7所述的装置，其特征在于，所述训练单元具体用于：

9.一种电子设备，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，以使所述至少一个处理器能够执行权利要求1-4任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1～4任一所述方法。