[发明专利]一种人脸图像筛选方法及设备

说明书

本发明公开了一种人脸图像筛选方法及设备，能够结合人脸图像中的特征信息从同一个人脸的人脸图像中筛选出高质量的人脸图像，有很高的实用性以及稳定性。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；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。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸图像筛选方法及设备。

背景技术

近几年，监控视频人脸识别技术取得了巨大的进步和发展，然而监控视频场景下人脸质量较低，而且人脸的质量容易受到多种因素的影响，比如人脸的姿态、表情变化较多，监控视频中人脸质量会由于一些亮度的变化，物体的遮挡产生不同程度的变化，监控视频中同一个人的人脸会连续出现在相邻的多帧视频帧中，如果对每帧中的人脸进行识别，计算量会很大，因此从人脸图像序列中优选出高质量的人脸图像很有实用价值。

现有技术中同一人脸的人脸图像筛选方法有以下两种方式：

一种是基于人脸多属性加权计算的优选方法，这种方法利用人脸的多个属性，比如光照、对比度、模糊、亮度、锐度和曝光度等属性，以及人脸具有的特殊属性，比如光照对称性，姿态对称性等属性，对上述每一个属性计算一个分值，然后乘以该属性的权重，最后将上述分值乘以权重的乘积进行累加求和，作为该人脸图像优选的质量值，但这种方法的缺点是：对人脸多个属性进行取舍时，优选哪些属性作为人脸图像优选的质量值，并没有合理可信的标准，此外，每个属性权重也难以调整，不能获得一组合理可信的权重值。

另一种是基于深度学习人脸序列优选方法，该方法需要大量人脸图像样本，并对每一幅人脸样本标注一个质量得分，然后设计一个人脸图像深度网络模型，通过大量的数据对该深度网络模型进行训练，训练好的人脸图像质量评价深度网络模型可以对人脸图像质量打分，但这种方法的缺点是：对每一个人脸样本标注一个质量得分，这个质量得分并没有考虑人脸识别中的人脸特征信息。

发明内容

本发明提供一种人脸图像筛选方法及设备，能够从同一个人脸的人脸图像中获得高质量的人脸图像，并结合人脸图像中的特征信息从高质量的人脸图像中确定最优的人脸图像，有很高的实用性以及稳定性。

本发明提供一种人脸图像筛选方法，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。

本发明提供一种人脸图像筛选设备，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，使得所述处理器用于执行如下步骤：

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；