[发明专利]一种基于卷积神经网络的人脸图像质量评估方法和系统

权利要求书

1.一种基于卷积神经网络的人脸图像质量评估方法，其步骤包括：

1)构建一深度卷积网络作为大网络，以及一浅卷积层的小网络；该大网络包括依次连接的输入层、M个卷积池化单元、均值池化层、全连接层和损失函数层；该小网络包括依次连接的输入层、N个卷积池化单元、均值池化层、全连接层、回归损失函数层；其中，该大网络中输出的特征向量的全连接层与该小网络中输出的特征向量的全连接层分别与该小网络的回归损失函数层连接，用于将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入；其中M大于N；

2)利用已标注的训练样本分别训练该大网络和该小网络，直至该小网络输出的特征向量与该大网络输出的特征向量一致；其中，每次迭代训练时，将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入；

3)将目标人脸图像输入步骤2)训练好的小网络，得到该目标人脸图像的特征向量并将其输入质量评估网络，利用质量评估网络计算得到该目标人脸图像图像质量；其中所述质量评估网络包含两个部分：特征抽取部分和质量评估部分，特征抽取部分的网络结构由输入层、一个或多个卷积池化层及对应激活函数层、全连接层组成，质量评估部分由全连接层+分类损失函数组成。

2.如权利要求1所述的方法，其特征在于，所述卷积池化单元依次连接的卷积层、激活层和池化层。

3.如权利要求1所述的方法，其特征在于，所述输入层输入数据为经过关键点对齐后的标准人脸图像。

4.如权利要求1所述的方法，其特征在于，利用梯度下降优化算法训练该大网络和该小网络。

5.如权利要求1所述的方法，其特征在于，利用训练好的小网络生成测试样本的特征向量并将其输入所述质量评估网络，训练所述质量评估网络的全连接层权重参数。

6.一种基于卷积神经网络的人脸图像质量评估系统，其特征在于，包括一深度卷积网络作为大网络、一浅卷积层的小网络，以及一质量评估网络；其中，

该大网络包括依次连接的输入层、M个卷积池化单元、均值池化层、全连接层和损失函数层；该小网络包括依次连接的输入层、N个卷积池化单元、均值池化层、全连接层、回归损失函数层；其中，该大网络中输出的特征向量的全连接层与该小网络中输出的特征向量的全连接层分别与该小网络的回归损失函数层连接，用于将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入；其中M大于N；

利用已标注的训练样本分别训练该大网络和该小网络，利用大网络得到的特征表达指导小网络的学习，直至该小网络输出的特征向量与该大网络输出的特征向量一致；其中，每次迭代训练时，将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入；

训练好的小网络，用于对输入的图像进行处理得到该图像的特征向量并将其输入质量评估网络；

质量评估网络，用于根据输入的特征向量计算得到对应图像的图像质量；其中所述质量评估网络包含两个部分：特征抽取部分和质量评估部分，特征抽取部分的网络结构由输入层、一个或多个卷积池化层及对应激活函数层、全连接层组成，质量评估部分由全连接层+分类损失函数组成。