[發明專利]人像圖片質量評價方法、裝置、設備及存儲介質

在審

• 申請號: 202010698614.7
• 申請日: 2020-07-20
• 公開（公告）號: CN111862040A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 黃治移;梅錚;柯于皇;劉妍妍;楊猛;江勇;張媛;李元鋒
• 申請（專利權）人: 中移（杭州）信息技術有限公司;中移動信息技術有限公司;中國移動通信集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

1.一種人像圖片質量評價方法，其特征在于，包括：

獲取待評價人像圖片；

基于多任務卷積網絡MTCNN檢測算法，確定所述待評價人像圖片中的人臉區域，得到人臉區域框；

基于所述人臉區域框對所述待評價人像圖片進行人臉大小檢測和人臉角度檢測，得到人臉大小檢測結果和人臉角度檢測結果；

基于局部對比度歸一化方法對所述人臉區域框中的人臉圖像進行局部歸一化處理；

將局部歸一化處理后的所述人臉圖像作為預先訓練獲得的目標深度卷積神經網絡模型的輸入參數，基于所述目標深度卷積神經網絡模型確定所述待評價人像圖片的清晰度值和曝光值；

基于所述人臉大小檢測結果、所述人臉角度檢測結果、所述清晰度值和所述曝光值，生成所述待評價人像圖片的評價結果。

2.根據權利要求1所述的人像圖片質量評價方法，其特征在于，在所述基于局部對比度歸一化方法對所述人臉區域框中的人臉圖像進行局部歸一化處理之前，所述方法還包括：

基于所述目標深度卷積神經網絡模型的輸入層確定所述人臉圖像的縮放比例；

按照所述縮放比例對所述人臉區域框中的人臉圖像進行縮放。

3.根據權利要求2所述的人像圖片質量評價方法，其特征在于，所述基于局部對比度歸一化方法對所述人臉區域框中的人臉圖像進行局部歸一化處理，包括：

對縮放后的所述人臉圖像進行二值化處理，得到灰度人臉圖像；

基于局部對比度歸一化方法，計算所述灰度人臉圖像中各像素點的歸一化值。

4.根據權利要求3所述的人像圖片質量評價方法，其特征在于，所述基于局部對比度歸一化方法，計算所述灰度人臉圖像中各像素點的歸一化值，包括：

對于每一個像素點，確定所述像素點對應的灰度值；

基于所述像素點的坐標值和預設的歸一化窗口寬度值、歸一化窗口高度值，確定所述灰度人臉圖像中以所述像素點為中心，以所述像素點的坐標和所述歸一化窗口寬度值、所述歸一化窗口高度值確定的矩形框內所有像素點對應的灰度值的灰度值和；

基于所述灰度值和所述灰度值和，確定所述像素點的歸一化值。

5.根據權利要求1所述的人像圖片質量評價方法，其特征在于，在所述將局部歸一化處理后的所述人臉圖像作為預先訓練獲得的目標深度卷積神經網絡模型的輸入參數，基于所述目標深度卷積神經網絡模型確定所述待評價人像圖片的清晰度值和曝光值之前，所述方法還包括：

獲取樣本人像圖片，為所述樣本人像圖片分配對應的標識號，所述樣本人像圖片為已知清晰度值和曝光值的人像圖片；

基于局部對比度歸一化方法對所述樣本人像圖片進行局部歸一化處理；

采用隨機分層抽樣，將局部歸一化處理后的所述樣本人像圖片劃分為訓練圖像和驗證圖像；

基于所述訓練圖像對預先構建的初始深度卷積神經網絡模型進行迭代訓練，得到待驗證深度卷積神經網絡模型；

基于所述驗證圖像對所述待驗證深度卷積神經網絡模型進行驗證；

在驗證結果中的清晰度值、曝光值分別與所述驗證圖像的清晰度值、曝光值的匹配度大于預設閾值時，確定得到所述目標深度卷積神經網絡模型。

6.根據權利要求5所述的人像圖片質量評價方法，其特征在于，所述基于所述訓練圖像對預先構建的初始深度卷積神經網絡模型進行迭代訓練，得到待驗證深度卷積神經網絡模型，包括：

將所述訓練圖像和所述訓練圖像對應的標識號作為輸入參數，輸入到所述初始深度卷積神經網絡模型的輸入層；

經所述初始深度卷積神經網絡模型的卷積層、池化層、第一全連接層、第二全連接層及輸出層的前向傳播計算得到清晰度輸出值和曝光輸出值；

基于損失函數計算所述清晰度輸出值與所述訓練圖像的清晰度值之間的清晰度誤差值；

基于所述損失函數計算所述曝光輸出值與所述訓練圖像的曝光值之間的曝光誤差值；

采用Adam算法更新所述初始深度卷積神經網絡模型的權重；

重復執行上述步驟，直到所述清晰度誤差值和所述曝光誤差值的變化小于預設閾值，得到所述待驗證深度卷積神經網絡模型。