[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

本發明的實施例提供一種基于深度學習的人臉質量評價方法及裝置。所述方法包括：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。所述方法，可實現得到識別準確率較高的人臉目標圖像的人臉質量評價結果的目的，因而可以解決現有技術中人臉質量評價識別準確率不高的問題。

技術領域

本發明涉及IT技術領域，特別是指一種基于深度學習的人臉質量評價方法、裝置及計算機可讀存儲介質。

背景技術

目前，存在一些人臉質量評價的技術，有的是基于原理建模，也有的是基于特征提取加機器學習的方法，還有少量完全基于神經網絡和數據驅動來建立人臉質量評價模型。

這些技術所用到的特征提取方法通常包括級聯特征提取方法和多層次特征提取方法等。而用到的機器學習模型包括了線性回歸模型，SVM模型和神經網絡模型等。

采用神經網絡作為建模方案的技術中通常采用了多級分類的體量巨大的大型網絡，其模型訓練收斂時間長，預測速度較慢。并且，大都存在著人臉質量特征提取、人臉質量評價建模困難，評價識別準確率不高等問題。

發明內容

本發明提供一種基于深度學習的人臉質量評價方法、裝置及計算機可讀存儲介質，以解決現有技術中人臉質量評價識別準確率不高的問題。

為解決上述技術問題，本發明的技術方案如下：

本發明實施例的一個方面，提供一種基于深度學習的人臉質量評價方法，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。

可選地，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。

可選地，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。

可選地，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。

可選地，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。

可選地，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。

可選地，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。