本发明公开了一种面向身份识别的人脸质量感知方法及系统，采用元学习策略从自然图像质量评价任务中学习人类视觉系统评价图像质量的先验知识，并采用少量人脸图像样本对获得的质量先验模型进行微调以快速得到人脸图像可辨识度感知模型。本发明采用预训练的VGGface模型提取人脸特征，并采用SVM分类器学习获得的人脸特征对遮挡人脸和正常人脸进行分类。本发明能够自动感知人脸可辨识度及失真类型，为挑选高质量人脸或选取与失真类型匹配的人脸识别算法提供了依据。
1.一种面向身份识别的人脸质量感知方法，其特征在于，包括以下步骤：步骤1：对输入图像进行人脸检测标出人脸框；
步骤2：基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
采用的网络结构为卷积神经网络加全连接层，采用全局平均池化对卷积神经网络的输出进行全局平均池化操作得到第一层维度为512的全连接层，此外增加了额外的全连接层生成深度回归网络的输出；对于输入人脸图像I，将图像I输入深度回归网络得到预测的质量分数其中θ表示深度回归网络的初始参数；
采用平均欧式距离作为损失函数来优化预测的图像质量分数与真值之间的误差，损失函数具体的定义为：其中y代表图像I的质量分数真值；
采用双层随机梯度下降法对深度回归网络进行优化，并使用Adam优化器对深度回归网络参数进行更新；
学习到质量先验模型后，再使用少量人脸图像样本对质量先验模型进行微调获得最终的人脸可辨识度评估模型；
采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
步骤4：将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别。
2.根据权利要求1所述的面向身份识别的人脸质量感知方法，其特征在于：步骤1中采用高性能人脸检测模型RetinaFace从输入图像中检测出人脸框。
3.根据权利要求1所述的面向身份识别的人脸质量感知方法，其特征在于，步骤3中所述基于数据驱动的策略建立遮挡人脸分类模型，具体包括以下子步骤：步骤3.1：通过正常人脸识别数据集CASIA‑Webface和遮挡人脸检测数据集MAFA，重新训练VGGface模型；
步骤3.2：利用训练后的VGGface模型提取人脸特征；
步骤3.3：采用SVM分类器对提取的人脸特征向量进行二分类，输出正常与遮挡两类。
4.根据权利要求1‑3任意一项所述的面向身份识别的人脸质量感知方法，其特征在于：步骤4中，分别采用ArcFace、ID‑GAN模型作为正常人脸和遮挡人脸的识别器。
5.一种面向身份识别的人脸质量感知系统，其特征在于：包括模块一、模块二、模块三和模块四；
所述模块一，用于对输入图像进行人脸检测标出人脸框；
所述模块二，用于基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
其中，采用的网络结构为卷积神经网络加全连接层，采用全局平均池化对卷积神经网络的输出进行全局平均池化操作得到第一层维度为512的全连接层，此外增加了额外的全连接层生成深度回归网络的输出；对于输入人脸图像I，将图像I输入深度回归网络得到预测的质量分数其中θ表示深度回归网络的初始参数；
采用平均欧式距离作为损失函数来优化预测的图像质量分数与真值之间的误差，损失函数具体的定义为：其中y代表图像I的质量分数真值；
采用双层随机梯度下降法对深度回归网络进行优化，并使用Adam优化器对深度回归网络参数进行更新；
学习到质量先验模型后，再使用少量人脸图像样本对质量先验模型进行微调获得最终的人脸可辨识度评估模型；
所述模块三，用于基于数据驱动的策略建立遮挡人脸分类模型；
采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
所述模块四，用于将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别。
一种面向身份识别的人脸质量感知方法及系统
技术领域
[0001] 本发明属于身份识别技术领域，涉及一种人脸图像质量自动感知方法及系统，具体涉及一种面向身份识别的人脸质量感知方法及系统。技术背景
[0002] 随着人脸识别技术的进一步成熟和社会认同度的提高，人脸识别被广泛运用于公共安全、智能控制、身份验证等多个领域。在可控条件下，人脸识别算法取得了极高的精确度。最近英国帝国理工学院邓建康等提出的ArcFace，在LFW上的测试精度达到99.83％。然而在实际场合的非受控或非配合条件下，比如拍摄人脸环境下的光照、拍摄距离、拍摄角度及被拍摄者的主动遮挡(佩戴帽子、口罩和墨镜等)，这些不可控因素导致采集到的人脸图像辨识度低下，出现模糊、低照度、人脸不全或姿态不正等不利于人脸识别的现象，从而严重制约了实际环境下人脸识别系统的性能。
[0003] 人脸图像质量评价作为图像质量评价的重要分支，其研究仍处于探索阶段。目前，流行的分法主要可分为两种：(1)依据现有图像质量评价算法预测人脸图像质量；(2)根据人脸图像的特性，从影响人脸图像质量的因素出发，研究单个或多个因素作用下的人脸图像质量与人脸识别算法精度之间的关系。国际标准组织公布的人脸图像质量标准ISO/IEC 19794‑5和ISO/IEC 29794‑5，从光照、人脸姿态、图像焦点和人脸遮挡等多角度详细地描述了标准人脸图像，并指出图像失焦、非正脸姿态和不对称光照是造成人脸图像质量下降的最重要原因。现有人脸图像质量评价方法大部分只依据单一影响因素预测人脸质量，比如亮度、对比度、清晰度、人脸角度以及遮挡程度等，或者通过结合几种不同的影响因素评估人脸图像质量。然而，这些算法只是单纯地评估人脸图像质量，而没有考虑下游人脸识别等任务的需求。
[0004] 在许多实际场景中，我们只能采集到遮挡人脸图像，比如在新冠疫情下，为了防止感染，只能在带着口罩的情况下进行人脸验证，还有犯罪分子为了躲避天眼追踪通过佩戴帽子、口罩和墨镜等方式来遮掩面部信息。近年遮挡人脸检测和识别技术也得到了快速发展。中科院的葛仕明等构建了一个遮挡人脸数据集MAFA并进一步基于数据驱动提出了一种遮挡人脸检测方法LLE‑CNNs。葛仕明等还基于图像修复的思想和现有人脸识别器，提出了ID‑GAN对遮挡人脸进行识别。清华大学的陈健生等提出一种可训练的网络MaskNet，MaskNet可以容易地集成到现有CNN网络且能够有效的从遮挡部分分离出有效的面部信息，提升现有人脸识别算法的鲁棒性。
[0005] 当前通用的人脸识别系统直接将遮挡人脸图像当作低质量图像进行剔除。因此，如果人脸质量评价模型能够自动感知失真类型，将为选取匹配的专用人脸识别算法提供支撑，从而间接促进人脸识别系统效能的提升。
发明内容
[0006] 人脸图像质量受亮度、清晰度、对比度和遮挡等因素的影响，现有人脸识别系统将遮挡人脸图像视作低质量人脸图像并进行剔除。然而在许多实际场景下只能采集到带有遮挡的人脸图像，为了更贴近于实际场景，本发明提出一种面向实际场景人脸识别的人脸质量评价方法及系统。
[0007] 本发明的方法所采用的技术方案是：一种面向身份识别的人脸质量感知方法，其特征在于，包括以下步骤：
[0008] 步骤1：对输入图像进行人脸检测标出人脸框；
[0009] 步骤2：基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
[0010] 步骤3：基于数据驱动的策略建立遮挡人脸分类模型；
[0011] 采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
[0012] 步骤4：将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别。
[0013] 本发明的系统所采用的技术方案是：一种面向身份识别的人脸质量感知系统，其特征在于：包括模块一、模块二、模块三和模块四；
[0014] 所述模块一，用于对输入图像进行人脸检测标出人脸框；
[0015] 所述模块二，用于基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
[0016] 所述模块三，用于基于数据驱动的策略建立遮挡人脸分类模型；
[0017] 采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
[0018] 所述模块四，用于将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别。
[0019] 本发明具有以下优点和积极效果：
[0020] 本发明能够在无人工干预的情况下自动感知人脸可辨识度及失真类型，为挑选高质量人脸或选取与失真类型匹配的人脸识别算法提供了依据。本发明技术与人脸识别系统结合使用，能够帮助人脸识别系统选用高辨识度候选人脸或者启动专用的人脸识别模块，从而间接提升人脸识别系统的效能。
附图说明
[0021] 图1：本发明实施例的方法流程图。
具体实施方式
[0022] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
[0023] 请见图1，本发明提供的一种面向身份识别的人脸质量感知方法，包括以下步骤：
[0024] 步骤1：对输入图像进行人脸检测标出人脸框；
[0025] 本发明采用现有高性能人脸检测模型RetinaFace从输入图像中检测出人脸图像。
[0026] 步骤2：基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过少量人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
[0027] 步骤2.1：步骤2中的人脸可辨识度评估模型主要针对影响人脸可辨识度的亮度、对比度和清晰度失真。由于这些失真同样是影响自然图像质量的重要失真，因此本发明采用一种基于优化的元学习策略来学习自然图像评价任务获得人类视觉系统评价图像的先验知识。之所以采用基于优化的元学习策略是因为基于优化的元学习策略能够适用于任何基于随机梯度下降(Stochastic Gradient Descent，SGD)优化的网络结构。图1中所用的自然图像评价任务数据(支持集和查询集)为常用的自然图像质量评价数据集TID2013，该数据集作为元学习的训练任务集来学习人类视觉系统评价图像质量的先验知识。本发明所采用的网络结构为普通的卷积神经网络加全连接层。具体地，采用全局平均池化对卷积神经网络的输出进行池化操作得到第一层维度为512的全连接层，增加了额外的全连接层生成深度回归网络的输出。对于输入人脸图像I来说，本发明将图像I输入深度回归网络得到预测的质量分数 具体的定义如下
[0028]
[0029] 其中θ表示深度回归网络的初始参数。平均欧式距离作为损失函数来优化预测的图像质量分数与真值之间的误差，损失函数具体的定义如下
[0030]
[0031] 其中y代表图像I的质量分数真值。为了更好的学习不同任务之间的泛化能力，本发明采用元学习领域常用的双层随机梯度下降法对深度回归网络进行优化，并使用Adam优化器对深度回归网络参数进行更新。
[0032] 步骤2.2：学习到质量先验模型后，再使用少量人脸图像样本对质量先验模型进行微调(即使用少量人脸样本对质量先验模型做进一步训练优化)获得最终的人脸可辨识度评估模型。
[0033] 步骤3：基于数据驱动的策略建立遮挡人脸分类模型。采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
[0034] 步骤3.1：图1所示的正常和遮挡人脸数据集分别采用主流正常人脸识别数据集CASIA‑Webface和中科院葛仕明等提出的遮挡人脸检测数据集MAFA，对VGGface重新训练；
[0035] 步骤3.2：采用训练的VGGface模型来提取人脸特征；
[0036] 步骤3.3：采用LIBSVM包中基于RBF核的SVM分类器对人脸特征分类，输出正常与遮挡两类。
[0037] 步骤4：将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别；
[0038] 具体采用帝国理工学院邓建康等提出的ArcFace模型作为正常人脸识别器，利用中科院葛仕明等提出的基于修复思想的遮挡人脸识别模型ID‑GAN作为遮挡人脸识别器。
[0039] 本发明还提供了一种面向身份识别的人脸质量感知系统，包括模块一、模块二、模块三和模块四；
[0040] 模块一，用于对输入图像进行人脸检测标出人脸框；
[0041] 模块二，用于基于优化的元学习策略从自然图像评价任务中学习人类视觉系统评价图像质量的先验知识，并进一步通过少量人脸样本对质量先验模型进行微调获得人脸可辨识度评估模型；
[0042] 模块三，用于基于数据驱动的策略建立遮挡人脸分类模型；
[0043] 采用训练的VGGface模型提取人脸特征，并采用SVM分类器学习所提取的人脸特征对正常和遮挡人脸进行分类；
[0044] 模块四，用于将选取的可辨识正常人脸和遮挡人脸分别输入正常人脸和遮挡人脸识别器进行识别。
[0045] 本发明包括两部分：(1)除了遮挡因素以外，其它影响人脸图像质量的因素类似于自然图像。因此本发明利用元学习策略从自然图像质量评价任务中学习人类视觉系统评价图像质量的先验知识，并采用人脸图像对质量先验模型微调快速得到人脸可辨识度评估模型。(2)本发明进一步基于数据驱动提出一种遮挡人脸分类模型对第一部分预处理之后的图像做分类。
[0046] 应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0047] 应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
