申请/专利权人：广州视源电子科技股份有限公司

申请日：2017-08-25

公开（公告）日：2021-04-13

公开（公告）号：CN107609493B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06N3/08(20060101);G06T7/00(20170101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.13#授权;2018.02.13#实质审查的生效;2018.01.19#公开

摘要：本发明涉及优化人脸图片质量评价模型的方法及装置。所述方法包括：建立人脸图片测试集；识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度以及图片身份信息得出各待测人脸图片的识别结果；根据所述识别结果确定各待测人脸图片的质量分数；以待测人脸图片及其对应的质量分数为训练数据进行神经网络训练，得到优化的人脸图片质量评价模型及参数。通过本发明的人脸图片质量评价模型及参数，对人脸图片质量的评价将不受人为主观因素的影响。

主权项：1.一种优化人脸图片质量评价模型的方法，其特征在于，包括：建立人脸图片测试集；测试集中包括多个待测人脸图片，各待测人脸图片标注有对应的第一身份信息；分别提取各待测人脸图片的人脸特征、样本人脸图片的人脸特征，基于提取的人脸特征计算相似度，得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片；获取待测人脸图片的第一身份信息，获取对应的样本人脸图片的第二身份信息；根据所述相似度最大值、预设的相似度阈值、第一身份信息和第二身份信息，得到各待测人脸图片的识别结果；所述识别结果包括：一类结果为正确的将具有相同身份信息的待测人脸图片和样本人脸图片识别为同一人脸；二类结果为错误的将具有相同身份信息的待测人脸图片和样本人脸图片识别为不同人脸；三类结果为错误的将具有不同身份信息的待测人脸图片和样本人脸图片识别为同一人脸；四类结果为正确的将具有不同身份信息的待测人脸图片和样本人脸图片识别为不同人脸；其中，一类结果和三类结果中，相似度最大值大于或等于所述相似度阈值；二类结果和四类结果中，相似度最大值小于所述相似度阈值；提取各个所述识别结果所对应的相似度最大值和相似度阈值；根据所述识别结果、所述相似度最大值和所述相似度阈值，确定各个所述待测人脸图片的质量分数；以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。

全文数据：优化人脸图片质量评价模型的方法及装置技术领域[0001]本发明涉及图像分析技术领域，特别是涉及优化人脸图片质量评价模型的方法、装置、存储介质及计算机设备。背景技术[0002]随着深度学习和人脸识别技术的发展，人脸识别已经应用于越来越多的场景去快速的识别一个人的身份。现有的人脸图片质量评价方法在实际非限制性的应用场景中的准确率会比实验中的准确率低很多，究其原因：一般的人脸图片质量评价方法是主观的挑选人脸图片的不同特征或者属性，如，单位图像中像素的数量来评价图片的质量。但是在实际应用场景中，符合人眼主观好的人脸图片在人脸识别算法中的识别准确率并不一定高。因此，现有人脸图片质量评价模型对人脸图片质量的评价效果较差。发明内容[0003]基于此，本发明提供了优化人脸图片质量评价模型的方法及装置，能够提高人脸图片质量评价模型对图片质量评价的客观性，进而更好地评价出人脸图片的质量。[0004]本发明方案包括：[0005]第一方面，本发明实施例提供一种优化人脸图片质量评价模型的方法，包括：[0006]建立人脸图片测试集;测试集中包括多个待测人脸图片，各待测人脸图片标注有对应的第一身份信息；[0007]识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果;所述人脸数据库中包括多个样本人脸图片，各样本人脸图片标注有对应的第二身份信息；[0008]根据所述识别结果确定各待测人脸图片的质量分数；[0009]以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。[0010]第二方面，本发明实施例提供一种优化人脸图片质量评价模型的装置，包括：[0011]测试集建立模块，用于建立人脸图片测试集;测试集中包括多个待测人脸图片，各待测人脸图片标注有对应的第一身份信息；[0012]初始识别模块，用于识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果;所述人脸数据库中包括多个样本人脸图片，各样本人脸图片标注有对应的第二身份信息；[0013]质量分数计算模块，用于根据所述识别结果确定出各待测人脸图片的质量分数；以及，[00M]训练模块，用于以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。[0015]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。[0016]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。[0017]本发明实施例提供的技术方案带来的有益效果：[0018]通过建立人脸图片测试集，测试集中包括多个待测人脸图片，输入预先建立的人脸数据库；识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度以及各图片的身份信息得出各待测人脸图片的识别结果得出各待测人脸图片的识别结果;确定出各待测人脸图片的质量分数，以测试集中的待测人脸图片及其对应的质量分数为训练数据进行神经网络训练，通过训练得到的人脸图片质量评价模型及参数，通过该人脸图片质量评价模型及参数对人脸图片质量的评价更客观准确，克服了人为主观因素对图片质量的评价影响。附图说明[0019]图1为一实施例的优化人脸图片质量评价模型的方法的示意性流程图；[0020]图2为一具体应用场景下的优化人脸图片质量评价模型的方法的示意性流程图；[0021]图3为一实施例的优化人脸图片质量评价模型的装置的示意性结构图。具体实施方式[0022]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0023]本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。[0024]图1为一实施例的优化人脸图片质量评价模型的方法的示意性流程图；如图1所示，本实施例中的优化人脸图片质量评价模型的方法包括步骤：[0025]Sll，建立人脸图片测试集，所述测试集中包括多个待测人脸图片，各待测人脸图片设置有对应的第一身份信息。[0026]人脸图片测试集中的待测人脸图片是在具体应用场景下采集的人脸图片，可以覆盖多个人。可选地，每人多张图片，取自不同的角度。人脸图片的身份信息指的是可以唯一识别人身份的信息，例如可以是人物的姓名、身边识别号码。[0027]S12,识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果。[0028]其中，预设人脸数据库包含若干个人的人脸图片，并且每张图片标注有对应的第二身份信息。可选地，每人一张图片。[0029]将待测人脸图片与预设人脸数据库中的样本人脸图片进行比对，是计算两个人脸的相似度，根据相似度和预设的相似度阈值可判断待测人脸图片和样本人脸图片是否为同一个人。[0030]在一实施例中，识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果的具体方式包括:分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片；获取待测人脸图片的第一身份信息，获取对应的样本人脸图片的第二身份信息;根据所述相似度最大值、预设的相似度阈值、第一身份信息和第二身份信息得到各待测人脸图片的识别结果。[0031]可选地，所述识别结果包括一类结果、二类结果、三类结果和四类结果;具体例如：一类结果为正确的将具有相同身份信息的待测人脸图片和样本人脸图片识别为同一人脸；二类结果为错误的将具有相同身份信息的待测人脸图片和样本人脸图片识别为不同人脸；三类结果为错误的将具有不同身份信息的待测人脸图片和样本人脸图片识别为同一人脸；四类结果为正确的将具有不同身份信息的待测人脸图片和样本人脸图片识别为不同人脸。[0032]在一可选实施例中，预设人脸识别算法，分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，并得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片。通过计算各待测人脸图片与人脸数据库中每一个样本人脸图片的相似度，可以得到与所述待测人脸图片相似度最大的一个样本人脸图片（也称为比较样本人脸图片及对应的相似度（即相似度最大值）。进而识别所述待测人脸图片与所述比较样本人脸图片是否为同一人脸。可选的，根据所述相似度最大值、预设的相似度阈值以及对应的身份信息，得到各待测人脸图片的识别结果。[0033]S13,根据所述识别结果确定各待测人脸图片的质量分数。[0034]可选的，根据所述识别结果、相似度最大值和相似度阈值，确定各待测人脸图片的质量分数，以便于进行神经网络训练。[0035]S14,以测试集中的待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。[0036]可以理解的，采用回归型神经网络进行训练时，当满足预设收敛条件时获取所述回归型神经网络的模型及网络参数，由此可得到优化的人脸图片质量评价模型及参数。[0037]综上，上述实施例的优化人脸图片质量评价模型的方法，首先，建立人脸图片测试集;然后，根据人脸图片测试集和预设人脸数据库得出各待测人脸图片的识别结果;继而，根据所述识别结果确定各待测人脸图片的质量分数;最后，以测试集中的待测人脸图片及其对应的人脸质量分数为训练数据进行神经网络训练，得到优化的人脸图片质量评价模型及参数。由此能够优化人脸图片质量评价模型及参数，采用优化后的人脸图片质量评价模型及参数，对人脸图片质量的评价将不受人为主观因素的影响，评价结果更客观更准确。[0038]在一可选实施例中，通过人脸识别算法分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，包括:分别提取各待测人脸图片的人脸特征、样本人脸图片的人脸特征，基于提取的人脸特征计算相似度。[0039]在一可选实施例中，根据所述相似度最大值、预设的相似度阈值以及对应的身份信息，得到各待测人脸图片的识别结果，包括:将所述相似度最大值和预设的相似度阈值进行比对，得到第一比对结果;将所述第一身份信息和第二身份信息进行比对，得到第二比对结果;根据第一比对结果、第二比对结果得到各待测人脸图片的识别结果。可选地，所述识别结果包括:一类结果、二类结果、三类结果和四类结果;其中，一类结果和三类结果中，相似度最大值大于或等于所述相似度阈值;二类结果和四类结果中，相似度最大值小于所述相似度阈值。[0040]可选地，上述得到识别结果的实现方式具体例如：[0041]如果830代=1：11代811〇11，且111116_1匕6161与七681：_111116相同，则识别为一类结果；[0042]如果score〈threshold，但name_labeled与test_name相同，则识别为二类结果；[0043]如果830代=1：11代811〇11，但111116_1匕6161与七681：_111116不同，则识别为三类结果；[0044]如果score〈threshold，且name_labeled与test_name不同，则识别为四类结果；[0045]其中，score表示待测人脸图片所对应的相似度最大值，threshold表示相似度阈值，name_labeled表示样本人脸图片对应的身份信息，test_name表示待测人脸图片对应的身份信息。[0046]在一可选实施例中，计算质量分数的方式可为：[0047]quality_score=total+totalXflagX|score-threshold|delta；[0049]其中，2*total表示质量分数的满分值；如果score〈thresholdUdelta=threshold，否则delta=1-threshold。例如，公式中的total为50时，贝Ij质量分数的满分值为100〇[0050]图2为一具体实施例下的优化人脸图片质量评价模型的方法的示意性流程图，具体分为四个部分:数据集整理S21、人脸识别S22、人脸质量标注S23和人脸质量算法学习S24〇[0051]请参考如图2,本实施例中的优化人脸图片质量评价模型的方法包括步骤：[0052]S21、数据整理。[0053]数据整理部分包括:人脸识别算法face_identify_algorithm的设置、人脸数据库face_gallery_set的预设及人脸测试集face_test_set的建立。[0054]对人脸识别算法设置对应的相似度阈值threshold，该相似度阈值用于判断两张人脸图片是否属于一个人;所述预设的人脸数据库中包括多个样本人脸图片例如N张，N大于1，每张样本人脸图片设置有对应的第二身份信息；可选的，每人只有一张图片。建立的人脸测试集中包括多个待测人脸图片，每张待测人脸图片设置有对应的第一身份信息；可选的，待测人脸图片采集于多人不同角度的人脸图片。可以理解的，待测人脸图片设置的第一身份信息与样本人脸图片设置的第二身份信息为同一类型的信息，例如，均为姓名。样本人脸图片的姓名name_labeled，待测人脸图片的姓名test_name。[0055]S22、人脸识别。[0056]人脸识别部分为根据相似度阈值threshold，确定待测人脸图片的识别结果。[0057]在一实施例中，具体做法为：用人脸识别算法提取每张测试人脸图片假设当前这张测试人脸图片的姓名标注为teSt_name的特征信息所述特征信息既包括主观感知的特征信息，如像素、亮度等;也包括其他不被人为感知的特征信息）；使用提取的测试人脸图片的特征信息分别与人脸数据库中的N张样本人脸图片对应的特征信息进行对比，得到N个相似度;将这N个相似度结果排序，取出相似度最大的相似度分数score和对应的样本人脸图片的姓名name_labeled，进而可得到如下识别结果identify_result:[0058]TP即一类结果）：如果score=threshold，并且name_labeled与test_name相同；[0059]FP即二类结果）：如果score〈threshold,但是name_labeled与test_name相同；[0060]FN即三类结果）：如果score=threshold,但是name_labeled与test_name不同；[0061]TN即四类结果）：如果score〈threshold，并且name_labeled与test_name不同。[0062]一类结果为正确的将具有相同身份信息的待测人脸图片和样本人脸图片识别为同一人脸;二类结果为错误的将具有相同身份信息的待测人脸图片和样本人脸图片识别为不同人脸;三类结果为错误的将具有不同身份信息的待测人脸图片和样本人脸图片识别为同一人脸；四类结果为正确的将具有不同身份信息的待测人脸图片和样本人脸图片识别为不同人脸。[0063]S23、人脸质量标注。[0064]根据步骤S22的识别结果得到人脸测试图片的质量分数。人脸质量标注是将计算出来的人脸质量分数添加到人脸图片测试集中，得到人脸质量测试集，所述人脸质量测试集为包含计算出来的人脸质量分数的测试图片集。[0065]S24、人脸质量算法学习。[0066]该过程使用回归型神经网络训练数据，得到回归型神经网络参数。具体来说，回归型神经网络模型可视为待优化的人脸图片质量评价模型，回归型神经网络中的参数及所述人脸图片质量评价模型的参数，神经网络训练即训练人脸图片质量评价模型及参数，即采用回归型神经网络对人脸图片质量评价模型中涉及的参数进行训练，当满足预设收敛条件时，获取所述回归型神经网络模型及参数，由此可得到优化的人脸图片质量评价模型及参数。[0067]为了简单表示，上述技术特征中分别用face_identify_algorithm、face_gallery_set、face_test_set、threshold表示人脸识别算法、人脸数据库、人脸图片测试集和相似度阈值。上述表示方式不应当理解为对人脸识别算法、人脸数据库、人脸图片测试集和相似度阈值的限制。[0068]基于与上述实施例中的优化人脸图片质量评价模型的方法相同的思想，本发明还提供优化人脸图片质量评价模型的装置，该装置可用于执行上述优化人脸图片质量评价模型的方法。为了便于说明，优化人脸图片质量评价模型的装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。[0069]图3为本发明一实施例的优化人脸图片质量评价模型的装置的示意性结构图，如图3所示，本实施例的优化人脸图片质量评价模型的装置包括:测试集建立模块310、初始识别模块320、质量分数计算模块330以及训练模块340,各模块详述如下：[0070]所述测试集建立模块310,用于建立人脸图片测试集;测试集中包括多个待测人脸图片，各待测人脸图片设置有对应的第一身份信息；[0071]所述初始识别模块320,用于识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果;所述人脸数据库中包括多个样本人脸图片，各样本人脸图片标注有对应的第二身份信息；[0072]所述质量分数计算模块330,用于根据所述识别结果确定出各待测人脸图片的质量分数；[0073]所述训练模块340,用于以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。[0074]在一可选实施例中，在优化人脸图片质量评价模型的装置中，所述初始识别模块320,用于分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片；获取待测人脸图片的第一身份信息，获取对应的样本人脸图片的第二身份信息;根据所述相似度最大值、预设的相似度阈值、第一身份信息和第二身份信息得到各待测人脸图片的识别结果。[0075]在一可选实施例中，在所述优化人脸图片质量评价模型的装置中，所述初始识别模块320可包括相似度计算单元和人脸识别单元。[0076]其中，所述相似度计算单元，用于分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片。[0077]其中，所述人脸识别单元，用于根据所述相似度最大值、预设的相似度阈值以及图片对应的身份信息，得到各待测人脸图片的识别结果。[0078]在一可选实施例中，所述相似度计算单元，可分别提取各待测人脸图片的人脸特征、样本人脸图片的人脸特征，基于提取的人脸特征计算相似度。[0079]在一可选实施例中，所述人脸识别单元，用于将所述相似度最大值和预设的相似度阈值进行比对，得到第一比对结果;将所述第一身份信息和第二身份信息进行比对，得到第二比对结果;根据第一比对结果、第二比对结果得到各待测人脸图片的识别结果。具体可按照如下方式得到各待测人脸图片的识别结果，包括：[0080]如果830代=1：11代811〇11，且111116_1匕6161与七681：_111116相同，则识别为一类结果；[0081]如果score〈threshold，但name_labeled与test_name相同，则识别为二类结果；[0082]如果830代=1：11代811〇11，但111116_1匕6161与七681：_111116不同，则识别为三类结果；[0083]如果score〈threshold，且name_labeled与test_name不同，则识别为四类结果；[0084]其中，score表示待测人脸图片所对应的相似度最大值，threshold表示相似度阈值，name_labeled表示样本人脸图片对应的身份信息，test_name表示待测人脸图片对应的身份信息。[0085]在一可选实施例中，所述质量分数计算模块330,用于提取各识别结果所对应的相似度最大值和相似度阈值;根据所述识别结果、相似度最大值和相似度阈值，确定各待测人脸图片的质量分数。[0086]例如:所述质量分数计算模块330可通过如下公式计算各待测人脸图片的质量分数：[0087]quality_score=total+totalXflagX|score-threshold|delta；[0089]其中，2*total表示质量分数的满分值；如果score〈thresholdJljdelta=threshold，否则delta=I-threshold〇[0090]在一可选实施例中，上述优化人脸图片质量评价模型的装置实施例中，所述测试集中，每一身份信息对应的待测人脸图片为至少两张;所述人脸数据库中，每一身份信息对应的样本人脸图片为一张。[0091]需要说明的是，上述示例的优化人脸图片质量评价模型的装置的实施方式中，各模块单元之间的信息交互、执行过程等内容，由于与本发明前述方法实施例基于同一构思，其带来的技术效果与本发明前述方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。[0092]此外，上述示例的优化人脸图片质量评价模型的装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述优化人脸图片质量评价模型的装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。[0093]本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。所述程序在执行时，可执行如上述各方法的实施例的全部或部分步骤。此外，所述存储介质还可设置于一种计算机设备中，所述计算机设备中还包括处理器，所述处理器执行所述存储介质中的程序时，能够实现上述各方法的实施例的全部或部分步骤。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-OnlyMemory，ROM或随机存储记忆体RandomAccessMemory，RAM等。[0094]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。可以理解，其中所使用的术语“第一”、“第二”等在本文中用于区分对象，但这些对象不受这些术语限制。[0095]以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

权利要求：1.一种优化人脸图片质量评价模型的方法，其特征在于，包括：建立人脸图片测试集;测试集中包括多个待测人脸图片，各待测人脸图片标注有对应的第一身份信息；识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果;所述人脸数据库中包括多个样本人脸图片，各样本人脸图片标注有对应的第二身份信息；根据所述识别结果确定各待测人脸图片的质量分数；以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。2.根据权利要求1所述的优化人脸图片质量评价模型的方法，其特征在于，识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果，包括：分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，得出各待测人脸图片对应的相似度最大值，以及相似度最大值时对应的样本人脸图片；获取待测人脸图片的第一身份信息，获取对应的样本人脸图片的第二身份信息;根据所述相似度最大值、预设的相似度阈值、第一身份信息和第二身份信息，得到各待测人脸图片的识别结果。3.根据权利要求2所述的优化人脸图片质量评价模型的方法，其特征在于，分别计算待测人脸图片与人脸数据库中各样本人脸图片的相似度，包括：分别提取各待测人脸图片的人脸特征、样本人脸图片的人脸特征，基于提取的人脸特征计算相似度。4.根据权利要求2或3所述的优化人脸图片质量评价模型的方法，其特征在于，根据所述相似度最大值、预设的相似度阈值、第一身份信息和第二身份信息，得到各待测人脸图片的识别结果，包括：将所述相似度最大值和预设的相似度阈值进行比对，得到第一比对结果；将所述第一身份信息和第二身份信息进行比对，得到第二比对结果；根据第一比对结果、第二比对结果得到各待测人脸图片的识别结果。5.根据权利要求4所述的优化人脸图片质量评价模型的方法，其特征在于，所述识别结果包括:一类结果、二类结果、三类结果和四类结果;其中，一类结果和三类结果中，相似度最大值大于或等于所述相似度阈值;二类结果和四类结果中，相似度最大值小于所述相似度阈值；根据所述识别结果确定各待测人脸图片的质量分数，包括：提取各识别结果所对应的相似度最大值和相似度阈值；根据所述识别结果、相似度最大值和相似度阈值，确定各待测人脸图片的质量分数。6.根据权利要求5所述的优化人脸图片质量评价模型的方法，其特征在于，通过如下公式计算各待测人脸图片的质量分数：其中，2*total表示质量分数的满分值；如果score〈threshold，则delta=threshold，否则delta=1-threshold;quality_score表示质量分数，score表示待测人脸图片所对应的相似度最大值，threshold表示相似度阈值。7.根据权利要求1、2、3、5或6所述的优化人脸图片质量评价模型的方法，其特征在于，所述测试集中，同一身份信息对应的待测人脸图片为至少两张;所述人脸数据库中，同一身份信息对应的样本人脸图片为一张。8.—种优化人脸图片质量评价模型的装置，其特征在于，包括：测试集建立模块，用于建立人脸图片测试集;测试集中包括多个待测人脸图片，各待测人脸图片标注有对应的第一身份信息；初始识别模块，用于识别待测人脸图片与预设人脸数据库中的样本人脸图片的相似度，根据所述相似度、第一身份信息和第二身份信息得出各待测人脸图片的识别结果;所述人脸数据库中包括多个样本人脸图片，各样本人脸图片标注有对应的第二身份信息；质量分数计算模块，用于根据所述识别结果确定出各待测人脸图片的质量分数；以及，训练模块，用于以各待测人脸图片及其对应的质量分数为训练数据，采用回归型神经网络对初始人脸图片质量评价模型及参数进行训练，得到优化的人脸图片质量评价模型及参数。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一所述方法的步骤。10.—种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一所述方法的步骤。

百度查询： 广州视源电子科技股份有限公司 优化人脸图片质量评价模型的方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD