[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

说明书

本发明公开了一种基于卷积神经网络的人脸图像质量评估方法和系统。本方法步骤包括：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；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基本一致；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。本发明极大优化了图像质量评估的准确度及实时性。

技术领域

本发明属于图像处理技术领域，尤其应用于实时视频监控场景中的人脸识别领域中，涉及一种人脸图像处理方法和系统。

背景技术

人脸识别技术是当前研究的热点课题，具有广泛的应用前景，应用场景多种多样，包含金融领域的开户身份认证、门禁系统中的VIP识别、安防领域的重点人物识别等。虽然人脸识别技术的识别性能已经有了很大提升，但是对于复杂环境下的监控视频中的人脸识别，由于受人脸角度、尺度、光照、遮挡、噪声、运动模糊等干扰因素的影响，导致获取到的人脸图像质量普遍较差，从而导致大量误识及漏识。

因此，在实际应用场景中，准确的人脸图像质量评估系统在人脸识别系统中具有关键作用，基于视频帧数据中挑选同一人的质量足够好的图像进行人脸识别对人脸识别系统具有重大意义。虽然有很多相关技术围绕着图像质量评估做研究，但是有两个重要的不足之处：1)评估方法过于复杂，绝大多数方法围绕图像处理计算图像对比度、分辨率、人脸姿态等特征，然后基于经验性准则做限定，而且难以得出一个总体评估分数；2)难以满足实时性需求，现有的深度神经网络方法虽然可以取得不错的评估效果，但是由于涉及到大量多层卷积操作在实际场景中，尤其是对非GPU支持的应用场景下，仍然难以取得令人满意的效果。

发明内容

针对以上现有技术中存在的主要问题，本发明的目的在于提供一种新的人脸图像质量评估方法和系统。利用深度卷积网络训练得到图像质量评估特征向量，然后训练小网络逼近大网络的特征向量(误差通常不超过1％)，最终得到可靠的可表征人脸图像质量的特征向量。该方法解决了1)传统方法中不同类型特征融合归一化标准不一致的问题，且能得到统一的表征人脸图像质量的有效特征向量，2)深度卷积网络特征抽取速度慢的问题，通过权衡速度与精度的要求，首先构建一个合适大小的神经网络，然后利用大网络得到的特征表达指导小网络的学习(如逻辑回归代价函数)，这样小网络能取得与大网络基本一致的特征向量且特征提取速度与常规方法计算时间相当，3)直接构建训练的浅层神经网络精度低的问题，通过实验发现：1、通常来说模型越大特征表达能力越好，2、多模型融合的特征比单模型特征的表达能力更强，而为提升精度利用多个大模型得出较好的特征，但是在实际场景中模型太大没法实用，因此，通过多个大模型学习到的特征指导小网络学习，最终得到可用的小模型，可以取得速度与精度的最佳结果。

监控视频中人脸图像质量评估，影响因素主要包含分辨率/图像模糊度/姿态/遮挡/光线/是否人脸等几方面的判断，判断该区域图像是否合格并可用于做人脸识别，另一方面要求质量评估速度足够快以满足实时性需求，首先分别按照某一个或某几个影响因素准备训练数据，并标记为合格样本与不合格样本，将表征不同属性的模型特征最终融合在一起作为指导特征，利用指导特征训练一个浅卷积层的小网络(如附图2所示，大网络与小网络基本结构类似，大网络包含M个卷积池化单元，小网络包含N个卷积池化单元，通常关系约为M＝3N)，然后利用标记样本训练分类的方法最终得到质量评估分数(0～1)，通过设定阈值判断图像是否合格，且质量分数越高则表示图像质量越好。

本发明的技术方案为：

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；