[发明专利]一种人脸图像筛选方法及设备

权利要求书

1.一种人脸图像筛选方法，其特征在于，该方法包括：

将同一人脸的多个训练人脸图像输入到人脸质量评价模型，所述人脸质量评价模型为利用训练数据集训练获得，所述训练数据集包括预先采集的同一人脸的训练人脸图像、该训练人脸图像与注册样本之间的训练相似度及该训练人脸图像的人脸特征点坐标，所述注册样本为预先采集的同一人脸的训练人脸图像中，训练人脸图像质量符合设定标准的一个训练人脸图像；

将需要进行人脸质量评价的同一人脸的多个训练人脸图像输入到人脸质量评价模型，得到每个人脸图像的相似度及人脸特征点坐标；

根据所述每个人脸图像的相似度及人脸特征点坐标进行人脸图像筛选；

其中，根据所述每个人脸图像的相似度及人脸特征点坐标进行人脸图像筛选，包括：

按照相似度由高到低的顺序，筛选同一人脸的设定数量个人脸图像；

根据筛选出的人脸图像的人脸特征点坐标与设定标准人脸特征点坐标之间的距离，从所述筛选出的人脸图像中二次筛选人脸图像；

其中，确定训练人脸图像与注册样本之间的训练相似度，包括：

根据训练人脸图像中的局部二值模式LBP特征向量和方向梯度直方图HOG特征向量，以及注册样本中的局部二值模式LBP特征向量和方向梯度直方图HOG特征向量，确定训练人脸图像与注册样本之间的训练相似度；

其中，确定训练人脸图像与注册样本之间的训练相似度，还包括：

根据训练人脸图像中的LBP特征向量和HOG特征向量确定第一拼接特征向量，根据注册样本中的LBP特征向量和HOG特征向量确定第二拼接特征向量；

根据第一拼接特征向量与第二拼接特征向量的欧式距离，确定训练人脸图像与注册样本之间的训练相似度；

其中，将训练人脸图像中每个单元的LBP特征向量记为flbp，HOG特征向量记为fhog，确定第一拼接特征向量为fconcat_register＝flbp+fhog；

将注册样本每个单元的LBP特征向量记为flbp_train，HOG特征向量记为fhog_train，确定第二拼接特征向量为fconcat_train＝flbp_train+fhog_train；

利用公式：和确定训练人脸图像与注册样本之间的训练相似度quality_score；

其中，i是人脸图像单元数，i≥1；d(fconcat_train，fconcat_register)是所述第一拼接特征向量与第二拼接特征向量的欧式距离。

2.根据权利要求1所述的方法，其特征在于，利用训练数据集对人脸质量评价模型进行训练，包括：

将预先采集的同一人脸的训练人脸图像输入到人脸质量评价模型；

根据所述人脸质量评价模型输出的训练相似度及训练人脸特征点坐标，与该人脸图像与注册样本之间的相似度及人脸特征点坐标之间的差异，调整所述人脸质量评价模型的参数；

确定所述差异在设定误差范围内时，结束人脸质量评价模型训练。

3.根据权利要求1所述的方法，其特征在于，所述人脸特征点坐标包括如下任一或任多个坐标：

左眼中心坐标、右眼中心坐标、鼻尖坐标、左嘴角坐标以及右嘴角坐标。

4.根据权利要求2所述的方法，其特征在于，所述人脸质量评价模型包括三个卷积层、三个池化层以及一个全链接层，调整所述人脸质量评价模型的参数，包括：

利用每个卷积层提取输入的人脸图像特征，调整每个卷积层中的参数，输出人脸图像特征图到池化层；

利用每个池化层降低输入的人脸图像特征图的尺寸，输出降低尺寸后的人脸图像特征图；

利用全链接层将最后一个池化层输出的人脸图像特征图转化成一维特征向量，调整全链接层的权重参数。

5.根据权利要求1所述的方法，其特征在于，所述人脸特征点坐标与设定标准人脸特征点坐标之间的距离为欧式距离。

6.一种人脸图像筛选设备，其特征在于，该设备包括：处理器以及存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1～5任一所述方法的步骤。

7.一种人脸图像筛选装置，其特征在于，包括：

训练人脸输入单元，用于将同一人脸的多个训练人脸图像输入到人脸质量评价模型，所述人脸质量评价模型为利用训练数据集训练获得，所述训练数据集包括预先采集的同一人脸的训练人脸图像、该训练人脸图像与注册样本之间的训练相似度及该训练人脸图像的人脸特征点坐标，所述注册样本为预先采集的同一人脸的训练人脸图像中，训练人脸图像质量符合设定标准的一个训练人脸图像；

训练人脸输出单元，用于将需要进行人脸质量评价的同一人脸的多个训练人脸图像输入到人脸质量评价模型，得到每个人脸图像的相似度及人脸特征点坐标；

人脸图像筛选单元，用于根据所述每个人脸图像的相似度及人脸特征点坐标进行人脸图像筛选；

其中，根据所述每个人脸图像的相似度及人脸特征点坐标进行人脸图像筛选，包括：

按照相似度由高到低的顺序，筛选同一人脸的设定数量个人脸图像；

根据筛选出的人脸图像的人脸特征点坐标与设定标准人脸特征点坐标之间的距离，从所述筛选出的人脸图像中二次筛选人脸图像；

其中，确定训练人脸图像与注册样本之间的训练相似度，包括：

根据训练人脸图像中的局部二值模式LBP特征向量和方向梯度直方图HOG特征向量，以及注册样本中的局部二值模式LBP特征向量和方向梯度直方图HOG特征向量，确定训练人脸图像与注册样本之间的训练相似度；

其中，确定训练人脸图像与注册样本之间的训练相似度，还包括：

根据训练人脸图像中的特征向量LBP和HOG特征向量确定第一拼接特征向量，根据注册样本中的特征向量LBP和HOG特征向量确定第二拼接特征向量；

根据第一拼接特征向量与第二拼接特征向量的欧式距离，确定训练人脸图像与注册样本之间的训练相似度；

其中，将训练人脸图像中每个单元的LBP特征向量记为flbp，HOG特征向量记为fhog，确定第一拼接特征向量为fconcat_register＝flbp+fhog；

将注册样本每个单元的LBP特征向量记为flbp_train，HOG特征向量记为fhog_train，确定第二拼接特征向量为fconcat_train＝flbp_train+fhog_train；

利用公式：和确定训练人脸图像与注册样本之间的训练相似度quality_score；

其中，i是人脸图像单元数，i≥1；d(fconcat_train，fconcat_register)是所述第一拼接特征向量与第二拼接特征向量的欧式距离。