一种人脸照片质量评估方法与流程

[0001]
本发明涉及人脸识别技术领域，尤其涉及一种人脸照片质量评估方法。


背景技术：

[0002]
人脸识别（facial recognition）是利用分析比较人脸的面部特征信息进行身份识别的计算机技术。人脸识别由于其非接触式、基本无须配合、操作隐蔽性强等优势，其具有很高的实用价值，被认为是一种可广泛使用的生物特征识别技术。
[0003]
人脸识别是指能够识别或验证图像或视频中的主体的身份的技术。首个人脸识别算法诞生于七十年代初 。自那以后，它们的准确度已经大幅提升，现在相比于指纹或虹膜识别等传统上被认为更加稳健的生物识别方法，人们往往更偏爱人脸识别。让人脸识别比其它生物识别方法更受欢迎的一大不同之处是人脸识别本质上是非侵入性的。比如，指纹识别需要用户将手指按在传感器上，虹膜识别需要用户与相机靠得很近，语音识别则需要用户大声说话。相对而言，现代人脸识别系统仅需要用户处于相机的视野内（假设他们与相机的距离也合理）。这使得人脸识别成为了对用户最友好的生物识别方法。这也意味着人脸识别的潜在应用范围更广，因为它也可被部署在用户不期望与系统合作的环境中，比如监控系统中。人脸识别的其它常见应用还包括访问控制、欺诈检测、身份认证和社交媒体。
[0004]
当被部署在无约束条件的环境中时，由于人脸图像在现实世界中的呈现具有高度的可变性，这类人脸图像通常被称为自然人脸（faces in-the-wild）；所以人脸识别也是最有挑战性的生物识别方法之一。人脸图像可变的地方包括头部姿势、年龄、遮挡、光照条件和人脸表情，如图 1中 给出了这些情况的示例，（a）头部姿势、（b）年龄、（c）光照、d）面部表情、（e）遮挡。


技术实现要素：

[0005]
针对现有技术的不足，本发明提供了一种人脸照片质量评估方法，解决了现有技术中存在的运动模糊、离焦模糊等情况、大角度或不同角度的人脸、低光或背光环境、一定程度遮挡、人脸模糊等各种实际复杂环境下引起的人脸图像质量变差而使人脸识别系统对该人脸图像无法识别或识别错误的问题。
[0006]
本发明提供了一种人脸照片质量评估方法，所述方法包括：获得图片后进行人脸识别，采集人脸识别关键点；根据各个所述初步评估系数所占权重，加权各个相应的所述初步评估系数，获得所述人脸图像的加权评估值；对所述人脸图像进行特征提取，进行人脸角度打分与人脸特征可信度打分，并根据所述特征评估值对所述人脸图像的图像质量进行最终质量评估。
[0007]
进一步的限定技术方案，前述人脸照片质量评估方法，所述人脸角度打分的算法，利用5点人脸关键点与人脸对齐模板，计算单一的人脸正脸置信度；具体实现方法如下：
⑴
使用umeyama算法将人脸的5个关键点a变换到某个坐标系下的5个关键点b；
⑵
将a和b做点对点的线性变换计算得到矩阵c，线性关系如下：cx = ax * b[0] + ay * b[1] + b[2]，cy = ax * b[3] + ay * b[4] + b[5]；
⑶
计算c与目标坐标系下预定义的正脸5个关键点d做点与点的距离并求和得到s；
⑷
将s做sigmoid变换到0.0-1.0，该值即是人脸的正脸置信度。
[0008]
前述人脸照片质量评估方法，所述5点人脸关键点包括眉毛、眼睛、鼻子、嘴巴以及脸部轮廓。
[0009]
进一步的，前述人脸照片质量评估方法，所述人脸特征可信度打分算法通过以下方法实现：
⑴
将cnn推理出的一张人脸的特征值视为一个1
×
n的矩阵f；
⑵
将f乘以其转置矩阵，再开方，即：q = (f*f
t
)
½
；
⑶ꢀ
q即为人脸特征置信度，q的值越大，人脸特征质量越好，即q ∈ [0, +∞)。
[0010]
本发明的有益效果：本发明的人脸照片质量评估方法相比其它方法，具有更有效、计算量更低、更易用的特点。人脸角度计算只需5个关键点作为输入，最常规的开源mtcnn人脸检测、关键点模块即可提供，无需64或106人脸关键点，以arm-rk3288为例，每张照片可节约20-50ms的关键点提取时间。并且输出仅为一个值，无需多个维度进行加权判断，更好用。质量评估无需训练更多的模型，利用每个人脸特征模型自身的特性，采用其自身的特征响应进行计算，计算量极低，对识别率的提升比其它传统方法更有效。
附图说明
[0011]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，附图中的实施例不构成对本发明的任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]
图1是自然人脸图像中找到的典型变化。
[0013]
图2是本发明实施例结构示意图。
具体实施方式
[0014]
下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0015]
为了更好的理解上述的技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0016]
人脸角度打分传统的人脸角度分为3d空间的3个角度，roll翻滚角,pitch俯仰角,yaw偏航角。在商用人脸识别系统中，对3个角度进行配置增加了系统复杂度，用户体验不佳，另外，计算这3个
角度必须要利用大于5个关键点的人脸关键点算法，计算量较大，性价比低。
[0017]
本算法利用5点人脸关键点与人脸对齐模板，计算单一的人脸正脸置信度，单一置信度输出，实用简洁，计算量超低。具体实现方法如下：1. 使用umeyama算法将人脸的5个关键点a变换到某个坐标系下的5个关键点b；2. 将a和b做点对点的线性变换计算得到矩阵c，线性关系如下：cx = ax * b[0] + ay * b[1] + b[2]cy = ax * b[3] + ay * b[4] + b[5]3. 计算c与目标坐标系下预定义的正脸5个关键点d做点与点的距离并求和得到s；4. 将s做sigmoid变换到0.0 ~ 1.0，该值即是人脸的正脸置信度。
[0018]
人脸特征可信度打分传统方法人工定义的人脸照片质量包含光照、角度、尺寸等等信息，由于cnn神经网络具备高度的非线性特性，这些质量与最终识别准确率并没有非常直观和绝对的联系，例如，人脸照片尺寸较小的时候，如60像素*60像素，但是角度、光照等因素并不差，这种情况下，有时候识别准确率较高，有时候效果却不太好。实际上，由于训练样本的差异，人脸提特征网络对于各种质量的人脸照片适应性具有相当大的差异，我们提出采用人脸特征响应的方法计算人脸质量置信度，该方法实用简洁，计算量超低。具体实现方法如下所示：1. 将cnn推理出的一张人脸的特征值视为一个1
×
n的矩阵f；2. 将f乘以其转置矩阵，再开方q = (f*f
t
)
½
；3. q即为人脸特征置信度，q的值越大，人脸特征质量越好，即 q ∈ [0, +∞)。
[0019]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。