[发明专利]人脸质量标签值的获取方法、装置、服务器及存储介质

说明书

本申请公开了一种人脸质量标签值的获取方法、装置、服务器及存储介质，方法包括：获得第一图像集，第一图像集中包含多个第一图像样本；获得每个第一图像样本的第一人脸质量标签值以及第一人脸质量标签值对应的人工标注的预设质量标签值；至少以第一图像样本的第一人脸质量标签值为预先构建的标签训练模型的输入样本，以第一人脸质量标签值对应的预设质量标签值为标签训练模型的输出样本，对标签训练模型进行训练；利用训练完成的标签训练模型至少对第二图像集中的每个第二图像样本的第一人脸质量标签值进行处理，以得到每个第二图像样本的第二人脸质量标签值，第二图像样本的第二人脸质量标签值用于对人脸质量模型进行训练。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种人脸质量标签值的获取方法、装置、服务器及存储介质。

背景技术

人脸识别作为当下崭新的人工智能AI（Artificial Intelligence）技术，在刷脸支付、老客识别等领域都有着广泛的应用，然而在如刷脸支付等场景中，由于与个人的账户绑定，因此对精度要求往往非常高，因此需要用户处于半配合状态，如保持人脸端正、面部无遮挡、图像清晰、光照良好等。而当用户没有按照要求执行时，则需要准确提示用户并纠正用户的不当行为，因此需要质量归因分模型对不适合人脸识别的图像，进行细分维度的结构化分析。另一方面，在商超抓拍照优选照片进行建档等任务中，不需要对细分维度进行结构化分析，只需要选择最适合人脸识别的视频帧或图像归入档案，因此需要质量总分模型评估人脸图像对人脸识别模型的友好程度。

其中，人脸质量分通常用于筛选区分人脸识别系统的输入图像，是人脸识别的前置流程，对人脸识别系统的准确度和稳定性起到关键性的作用。以深度学习为界，人脸质量分评估方法大体上分为传统图像处理方法和深度学习方法。传统图像处理方法通过局部特征的直方图（左脸和右脸）之间的相似性分数作为面部对称性度量，从而评估角度归因分；通过拉普拉斯算子响应评估模糊归因分；通过确定灰度强度的可用范围的长度来估计照明质量，获得光照归因分；并基于四维度归因分进行一定的映射得到质量总分。而深度学习技术根据标签获得途径的不同，主要分为人工标注与自动标注方法。

基于此，获得人脸质量归因分模型通常有两种方法，一种是人工判断样本归因的类别和程度，然后用于模型训练；第二种是对理想样本人为施加退化，如人工在图像上添加遮挡、模糊、亮度变化等操作，然后根据退化程度的不同，对样本标记归因标签，并用于模型训练。而获得人脸质量总分模型通常也有两种方法，一种是人工判断样本的质量总分，然后用于模型训练；第二种是利用人脸识别模型，把待标记的照片与标准的证件照计算人脸相似度，直接用人脸相似度代替质量总分，用于模型训练。

但是通过人工打分获得质量分标签会存在成本高耗时长等缺陷，因此可行性较低。而目前常用的自动标注方法虽然成本较低效率较高，但准确度不足，导致训练出的人脸质量模型准确度低。

发明内容

有鉴于此，本申请提供一种人脸质量标签值的获取方法、装置、服务器及存储介质，以提高标签值所训练的人脸质量模型的准确性。

为实现上述目的，一方面，本申请提供了一种人脸质量标签值的获取方法，包括：

获得第一图像集，所述第一图像集中包含多个第一图像样本；

获得每个所述第一图像样本的第一人脸质量标签值以及所述第一人脸质量标签值对应的人工标注的预设质量标签值，所述第一人脸质量标签值包括人脸质量总分的测试标签值和/或人脸质量归因分的测试标签值，所述预设质量标签值为人脸质量总分的预设标签值或人脸质量归因分的预设标签值；

至少以所述第一图像样本的第一人脸质量标签值为预先构建的标签训练模型的输入样本，以所述第一人脸质量标签值对应的预设质量标签值为所述标签训练模型的输出样本，对所述标签训练模型进行训练；