[發明專利]一種人臉質量的評估方法及相關裝置

在審

• 申請號: 202011414401.3
• 申請日: 2020-12-04
• 公開（公告）號: CN112465792A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 李邦庚;李驪
• 申請（專利權）人: 北京華捷艾米科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 尹秀

1.一種人臉質量的評估方法，其特征在于，包括：

獲取待評估圖像；

在檢測到所述待評估圖像中存在人臉的情況下，將所述待評估圖像輸入預設的逆金字塔CNN網絡模型，所述逆金字塔CNN網絡模型輸出所述待評估圖像的質量評估結果；

其中，所述逆金字塔CNN網絡模型的結構按照順序包括：輸入層、根模塊、預設數量第一階段網絡、第二階段網絡、平均池化層、全連接分類層和輸出層；其中，任一第一階段網絡包括密集塊和過渡層；所述第二階段網絡包括密集塊和“卷積-標準化-激活”層；所述預設數量的大小為2或3；

其中，輸入所述逆金字塔CNN網絡模型的待評估圖像，在計算過程中特征先增后減。

2.根據權利要求1所述的方法，其特征在于，所述過渡層包括：1×1卷積核，步長為1，2×2最大池化，步長為2。

3.根據權利要求2所述的方法，其特征在于，所述預設數量為3個，3個第一階段網絡順序連接，依次為第一密集塊、第一過渡層、第二密集塊、第二過渡層、第三密集塊和第三過渡層；其中，所述第一密集塊由3個密集層組成；所述第二密集塊由4個密集層組成、所述第三密集塊由4個密集層組成；

所述第二階段網絡中的密集塊由4個密集層組成；

所述根模塊由3個密集層組成。

4.根據權利要求1所述的方法，其特征在于，所述逆金字塔CNN網絡模型是通過對初始逆金字塔CNN網絡模型進行訓練得到；

對所述初始逆金字塔CNN網絡模型的訓練過程，包括：

獲取訓練樣本和測試樣本；

基于所述訓練樣本和測試樣本，通過調整學習率來提高逆金字塔CNN網絡模型處理數據的精度，對初始逆金字塔CNN網絡模型進行訓練；

將在所述訓練樣本訓練下的數據精度達到預設訓練閾值，且，在所述測試樣本下的測試準確率達到預設測試閾值的訓練后的逆金字塔CNN網絡模型，作為完成訓練的逆金字塔CNN網絡模型。

5.根據權利要求4所述的方法，其特征在于，所述基于所述訓練樣本和測試樣本，通過調整學習率來提高逆金字塔CNN網絡模型處理數據的精度，對初始逆金字塔CNN網絡模型進行訓練，包括：

獲取對所述初始逆金字塔CNN網絡模型進行訓練的階段參數；所述階段參數包括：階段數量、階段順序和每個階段分別對應的訓練準確度和測試準確度；其中，最后階段的訓練準確度為所述預設訓練閾值，最后階段的測試準確度為所述預設測試閾值；

按照所述階段順序，依次對逆金字塔CNN網絡模型進行訓練；

其中，對于任一階段，對逆金字塔CNN網絡模型的訓練過程包括：通過調整學習率來提高逆金字塔CNN網絡模型的數據處理精度，對上一階段訓練得到的逆金字塔CNN網絡模型進行迭代訓練，直至得到在所述訓練樣本下的訓練準確度達到該階段的訓練準確度，且，在所述測試樣本下的測試準確度達到該階段的測試準確度的逆金字塔CNN網絡模型。

6.根據權利要求5所述的方法，其特征在于，所述通過調整學習率來提高逆金字塔CNN網絡模型的數據處理精度，對上一階段訓練得到的逆金字塔CNN網絡模型進行迭代訓練，包括：

按照預設的訓練流程對最新逆金字塔CNN網絡模型進行訓練；

所述訓練流程包括：采用梯度下降法，對最新逆金字塔CNN網絡模型進行訓練；如果在所述訓練樣本下的訓練準確度，未達到該階段預設的訓練準確度，則調整學習率，采用調整后的學習率和梯度下降法繼續對最新逆金字塔CNN網絡模型進行訓練，直至得到在訓練樣本下的訓練準確度，達到該階段預設的訓練準確度的逆金字塔CNN網絡模型；

采用所述測試樣本對最新逆金字塔CNN網絡模型進行測試；

如果測試準確率未達到該階段的測試準確度，則調整學習率，并以調整后的學習率，采用所述訓練樣本按照所述訓練流程對最新逆金字塔CNN網絡模型繼續進行訓練，直至訓練得到的逆金字塔CNN網絡模型的測試準確率達到該階段的測試準確度。

7.根據權利要求1所述的方法，其特征在于，所述質量評估結果為正常、口罩遮擋、墨鏡遮擋、帽子遮擋、手部遮擋、頭發遮擋和其他遮擋中的一項。