[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)進行人臉圖像質(zhì)量預(yù)測的方法

在審

• 申請?zhí)枺?/td>: 201710779809.2
• 申請日: 2017-09-01
• 公開（公告）號: CN107704806A
• 公開（公告）日: 2018-02-16
• 發(fā)明（設(shè)計）人: 夏春秋
• 申請（專利權(quán)）人: 深圳市唯特視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及人臉圖像質(zhì)量檢測領(lǐng)域，尤其是涉及了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)進行人臉圖像質(zhì)量預(yù)測的方法。

背景技術(shù)

在人臉識別中，由于采集到的人臉圖像質(zhì)量難以保證一致性，甚至?xí)霈F(xiàn)模糊等降質(zhì)情況，將影響到人臉的準(zhǔn)確識別，因此有必要對人臉圖像質(zhì)量進行預(yù)測并評價，以降低圖像質(zhì)量對識別性能的影響。人臉圖像質(zhì)量預(yù)測方法不僅可以準(zhǔn)確地評價出人臉圖像的質(zhì)量，而且同時具有較高的速度，能滿足人臉識別系統(tǒng)的實時性要求，可方便地作為自動人臉識別系統(tǒng)的預(yù)處理手段。人臉圖像質(zhì)量預(yù)測在傳統(tǒng)的圖像處理領(lǐng)域中扮演了相當(dāng)重要的角色，例如在圖像壓縮、傳輸、增強以及圖像水印等方面的應(yīng)用，隨著計算機和圖像采集設(shè)備的快速發(fā)展，圖像的獲取和處理成本大幅降低，圖像作為一種信息媒介廣泛地應(yīng)用到各個領(lǐng)域中，同時促進各種新興圖像檢測方式的產(chǎn)生和發(fā)展，例如各種醫(yī)學(xué)圖像輔助診斷系統(tǒng)和生物特征識別系統(tǒng)，此外，在視頻監(jiān)控、軍事、工程、以及公共安全領(lǐng)域具有廣闊的應(yīng)用前景和實際意義。自動人臉識別系統(tǒng)的性能在很大程度上取決于所獲取的面部圖像的質(zhì)量，然而，有許多新興的面部識別應(yīng)用，由于其尋求在不太理想的條件下捕獲面部圖像，因此大部分圖像面部變化較大，顯著降低了人臉識別的精度。

本發(fā)明提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)進行人臉圖像質(zhì)量預(yù)測的方法，使用深度卷積神經(jīng)網(wǎng)絡(luò)(ConvNet)訓(xùn)練支持向量回歸模型，提取面部特征用于預(yù)測面部圖像質(zhì)量，建立一個無約束面部圖像的大型數(shù)據(jù)庫，目標(biāo)圖像質(zhì)量值定義為面部匹配器的人均質(zhì)量評分或基于分數(shù)的值，使用深度ConvNet提取圖像特征，并采用支持向量回歸模型(SVR)從卷積網(wǎng)絡(luò)提取的特征中預(yù)測人臉圖像質(zhì)量。本發(fā)明通過比較成對的面部圖像進行聚類，并通過矩陣求解，推導(dǎo)出完整的質(zhì)量等級，依靠監(jiān)督學(xué)習(xí)技術(shù)，建立面部圖像目標(biāo)質(zhì)量標(biāo)簽，提高人臉圖像質(zhì)量預(yù)測的準(zhǔn)確度，為工程領(lǐng)域的新設(shè)計，以及監(jiān)控領(lǐng)域的創(chuàng)新解決方案做了進一步貢獻。

發(fā)明內(nèi)容

針對圖像合成，提出了一個新的帶變異和交叉算子基于隨機游走的進化算法，根據(jù)現(xiàn)有的圖像，在保留原始圖像的部分顯著特征的情況下直接進行圖像合成，為工程領(lǐng)域的新設(shè)計，以及藝術(shù)領(lǐng)域的創(chuàng)新解決方案做了進一步貢獻。

為解決上述問題，本發(fā)明提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)進行人臉圖像質(zhì)量預(yù)測的方法，其主要內(nèi)容包括：

(一)人臉圖像質(zhì)量預(yù)測模型；

(二)人臉圖像質(zhì)量標(biāo)簽；

(三)自動預(yù)測人臉圖像質(zhì)量。

其中，所述的人臉圖像質(zhì)量預(yù)測模型，使用深度卷積神經(jīng)網(wǎng)絡(luò)(ConvNet)訓(xùn)練支持向量回歸模型，提取面部特征用于預(yù)測面部圖像質(zhì)量，建立一個無約束面部圖像的大型數(shù)據(jù)庫，目標(biāo)圖像質(zhì)量值定義為面部匹配器的人均質(zhì)量評分或基于分數(shù)的值，使用深度ConvNet提取圖像特征，并采用支持向量回歸模型(SVR)從卷積網(wǎng)絡(luò)提取的特征中預(yù)測人臉圖像質(zhì)量，目標(biāo)圖像質(zhì)量值是連續(xù)的，并允許面部圖像基于質(zhì)量進行排序。

進一步地，所述的人臉圖像質(zhì)量標(biāo)簽，通過比較成對的面部圖像進行聚類，并通過矩陣求解，推導(dǎo)出完整的質(zhì)量等級，收集大面積無約束面部圖像數(shù)據(jù)庫的人臉圖像質(zhì)量評價，由于生物識別和計算機視覺在訓(xùn)練一組標(biāo)簽數(shù)據(jù)時，主要依靠監(jiān)督學(xué)習(xí)技術(shù)，建立面部圖像目標(biāo)質(zhì)量標(biāo)簽的方法包括：1)將測量的各種圖像質(zhì)量因子結(jié)合成單個值，表示整體面部質(zhì)量；2)人工注釋觀察到的圖像質(zhì)量；3)采用自動面部識別匹配器結(jié)果進行比較，由于方法1)不能取得有效的結(jié)果，采用2)和3)來提取人臉圖像質(zhì)量標(biāo)簽，考慮到需要收集成對的人臉比較，為了獲得獨立面部圖像的絕對質(zhì)量評級，利用矩陣求解方法從成對圖像比較中推斷質(zhì)量評估矩陣。

其中，所述的人臉圖像質(zhì)量，采用眾包的方式進行人臉圖像質(zhì)量比較，通過眾包平臺來收集194位評估者評估的成對臉部圖像質(zhì)量，給定一對并排顯示的人臉圖像，評估者通過選擇以下選項對兩個圖像質(zhì)量給出評定：(i)左圖質(zhì)量比較好ii)左圖質(zhì)量更好，(iii)兩面相似，(iv)右圖比較好，(v)右圖質(zhì)量更好，每個評估者提供1001對面部圖像比較的結(jié)果，其由6個指導(dǎo)對，974個隨機對和21個一致性檢查對組成，從包含13233個人臉圖像的數(shù)據(jù)庫中預(yù)先選擇指導(dǎo)對，指導(dǎo)對中其中一個圖像的質(zhì)量要明顯優(yōu)于另一個圖像的質(zhì)量，從數(shù)據(jù)庫中隨機選擇974對圖像，再從974組中選出最后的21對圖像，作為一致性測試圖像。