[发明专利]基于深度学习的人脸图像评估方法、装置、设备及介质

权利要求书

1.一种基于深度学习的人脸图像评估方法，其特征在于，包括：

获取用于训练的人脸图像，并按照预设数量，将所述人脸图像划分为多个相同大小的区域，作为图像识别区域；

将每个所述图像识别区域进行灰度处理，得到每个所述图像识别区域对应的灰度图；

计算所述灰度图的梯度值，得到灰度图对应的梯度值，并根据所述梯度值，得到标注数据；

根据人脸评估模型，对所述图像识别区域进行向量提取，得到基础向量；

对所述基础向量进行降维处理，得到目标向量，并根据所述目标向量和所述标注数据对所述人脸评估模型的参数进行更新，得到训练好的人脸评估模型；

获取待评估的人脸图像，并将所述待评估的人脸图像输入到所述训练好的人脸评估模型中，输出所述待评估的人脸图像对应的评估结果。

2.根据权利要求1所述的基于深度学习的人脸图像评估方法，其特征在于，所述根据人脸评估模型，对所述图像识别区域进行向量提取，得到基础向量，包括：

根据所述人脸评估模型，提取每个所述图像识别区域的深度特征；

通过均值池化的方式，对所述深度特征进行池化处理，得到所述深度特征对应的列向量，并将所述列向量作为所述基础向量。

3.根据权利要求1所述的基于深度学习的人脸图像评估方法，其特征在于，所述对所述基础向量进行降维处理，得到目标向量，并根据所述目标向量和所述标注数据对所述人脸评估模型的参数进行更新，得到训练好的人脸评估模型，包括：

对所述基础向量进行降维处理，得到目标向量；

对所述目标向量进行sigmoid函数计算，得到计算结果；

基于所述标注数据，对所述计算结果进行损失函数计算，得到图像识别区域对应的损失值；

根据所述图像识别区域对应的损失值，对所述人脸评估模型的参数进行更新，得到所述训练好的人脸评估模型。

4.根据权利要求3所述的基于深度学习的人脸图像评估方法，其特征在于，所述根据所述图像识别区域对应的损失值，对所述人脸评估模型的参数进行更新，得到所述训练好的人脸评估模型，包括：

将所有的所述图像识别区域对应的损失值进行相加，得到目标损失值；

按照梯度回传的方式，将所述目标损失值进行梯度回传，对所述人脸评估模型的参数进行更新；

当所述目标损失值达到预设值时，停止对所述人脸评估模型的参数的更新，得到所述训练好的人脸评估模型。

5.根据权利要求1所述的基于深度学习的人脸图像评估方法，其特征在于，所述获取用于训练的人脸图像，并按照预设数量，将所述人脸图像划分为多个相同大小的区域，作为图像识别区域，包括：

获取用于训练的人脸图像；

将所述人脸图像向中心缩放预设倍数，得到取样区域；

按照预设数量，将所述取样区域划分为多个相同大小的区域，作为所述图像识别区域。

6.根据权利要求1所述的基于深度学习的人脸图像评估方法，其特征在于，所述计算所述灰度图的梯度值，得到灰度图对应的梯度值，并根据所述梯度值，得到标注数据，包括：

按照预设的梯度计算方式，计算所述灰度图的梯度值，得到所述灰度图对应的梯度值；

设定梯度阈值，将所述灰度值与所述梯度阈值进行比较，得到所述标注数据，其中，若所述梯度值大于所述梯度阈值，则标注数据为1，若所述梯度值小于或等于所述梯度阈值，则标注数据为0。

7.根据权利要求1至6任一项所述的基于深度学习的人脸图像评估方法，其特征在于，所述获取待评估的人脸图像，并将所述待评估的人脸图像输入到所述训练好的人脸评估模型中，输出所述待评估的人脸图像对应的评估结果，包括：

获取待评估的人脸图像，并通过所述训练好的人脸评估模型中，输出所述待评估的人脸图像对应图像识别区域的得分值；

将所述得分值与预设模糊阈值进行对比，得到所述待评估的人脸图像对应的评估结果。