[發明專利]一種基于深度學習的人臉質量評價方法及裝置

在審

• 申請號: 202010730848.5
• 申請日: 2020-07-27
• 公開（公告）號: CN114004779A
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 姜山;彭敦洋;王鑫;王小波
• 申請（專利權）人: 中移物聯網有限公司;中國移動通信集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;姜精斌

1.一種基于深度學習的人臉質量評價方法，其特征在于，包括：

對輸入圖片進行人臉識別預處理，得到只包含人臉部分的目標人臉圖像；

通過基于深度學習的運動模糊模型對所述目標人臉圖像進行運動模糊識別處理，得到所述目標人臉圖像的運動模糊置信度；

通過光照模型對所述目標人臉圖像進行亮度識別處理，得到所述目標人臉圖像的亮度；

根據所述運動模糊置信度和亮度，確定所述目標人臉圖像的人臉質量評價結果。

2.根據權利要求1所述的基于深度學習的人臉質量評價方法，其特征在于，對輸入圖片進行人臉識別預處理，得到只包含人臉部分的目標人臉圖像，包括：

采用人臉檢測方法，檢測出輸入圖片中人臉所在的位置；

基于人臉所在的位置，對輸入圖片進行裁剪和/或放縮，得到固定大小的只包含人臉部分的目標人臉圖像。

3.根據權利要求2所述的基于深度學習的人臉質量評價方法，其特征在于，所述人臉所在的位置采用一矩形進行描述，該矩形包括：左下點H軸坐標、左下點W軸坐標、矩形高度以及矩形寬度。

4.根據權利要求1所述的基于深度學習的人臉質量評價方法，其特征在于，所述運動模糊模型包括：第一深度神經網絡；

所述第一深度神經網絡與一扁平層連接，所述扁平層與M個順序連接的全連接層連接，M為大于等于1的整數。

5.根據權利要求4所述的基于深度學習的人臉質量評價方法，其特征在于，所述第一深度神經網絡為VGG4網絡；

所述VGG4網絡包括順序連接的4個VGG層，每一個VGG層包括：順序連接的卷積層、激活層以及池化層。

6.根據權利要求4所述的基于深度學習的人臉質量評價方法，其特征在于，所述運動模糊模型還包括：第二深度神經網絡；

所述第二深度神經網絡與一扁平層連接，所述扁平層與N個順序連接的全連接層連接，N為大于等于1的整數。

7.根據權利要求4所述的基于深度學習的人臉質量評價方法，其特征在于，所述第二深度神經網絡為VGG16預訓練網絡；

所述VGG16預訓練網絡包括：順序連接的16個VGG層，每一個VGG層包括：順序連接的卷積層、激活層以及池化層。

8.根據權利要求1所述的基于深度學習的人臉質量評價方法，其特征在于，通過基于深度學習的運動模糊模型對所述目標人臉圖像進行運動模糊識別處理，得到所述目標人臉圖像的運動模糊置信度，包括：

由所述第一深度神經網絡、扁平層、M個順序連接的全連接層依次對所述目標人臉圖像進行運動模糊識別處理，得到所述目標人臉圖像的運動模糊置信度。

9.根據權利要求1所述的基于深度學習的人臉質量評價方法，其特征在于，通過光照模型對所述目標人臉圖像進行亮度識別處理，得到所述目標人臉圖像的亮度，包括：

通過所述光照模型對所述目標人臉圖像進行色相、飽和度和亮度格式轉換；

獲取轉換后的目標人臉圖像所有像素的亮度通道的平均值；

根據所述亮度通道的平均值，得到所述目標人臉圖像的亮度。

10.根據利要求1所述的基于深度學習的人臉質量評價方法，其特征在于，根據所述運動模糊置信度和亮度，確定所述目標人臉圖像的人臉質量評價結果，包括：

若所述目標人臉圖像的運動模糊置信度和亮度滿足：所述目標人臉圖像不含運動模糊且沒有過曝和過暗，則確定所述目標人臉圖像的人臉質量評價結果為人臉質量合格，否則確定所述目標人臉圖像的人臉質量評價結果為人臉質量不合格。

11.根據權利要求10所述的基于深度學習的人臉質量評價方法，其特征在于，確定所述目標人臉圖像的人臉質量評價結果為人臉質量合格之后還包括：將所述目標人臉圖像輸入人臉識識別系統進行人臉識別。