一种面部筛选方法、装置、设备及存储介质与流程

1.本技术涉及计算机视觉图像处理技术领域，具体而言，涉及一种面部筛选方法、装置、设备及存储介质。


背景技术：

2.随着人体面部识别技术的普及，越来越多地方使用到了面部识别，面部识别是深度学习和模式识别领域的一个活跃的研究方向，广泛应用于智能视频监控、身份认证、公安布控、敏感人物识别等方向，由于面部识别的广泛应用，对于面部识别精度的要求更是越来越高，尤其是在身份认证领域，不管是面部识别通道，还是面部支付，都与人们的生命财产安全息息相关，一旦识别错误，就会对个人甚至公共安全构成威胁，现阶段基于人工提取的特征进行面部识别的方式，由于人工提取特征速度慢而且提取特征单一，鲁棒性不好，满足不了对面部识别精度上的要求，此外，本技术提出了根据多种特征多维度的人脸样本质量检测方法，应用成本高、可复制性低、避免了误判漏判等问题。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种面部筛选方法，能够对不同质量的面部图像精准识别，解决了传统人工鉴别速度慢，提取特征单一，以及人脸样本质量检测鲁棒性差的技术问题。
4.第一方面，本技术实施例提供了一种面部筛选方法，所述方法包括：
5.根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像；
6.根据面部分辨率评价算法，针对所述目标面部图像局部特征的空间分布，计算目标面部图像的分辨率；
7.根据面部完整度评价算法，针对所述目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度；
8.根据面部姿态评价算法，判断所述目标面部图像是否处于正面部姿态；
9.根据面部清晰度评价算法，计算所述目标面部图像中的特征参数；所述目标面部图像的特征参数包括像素平均值和方差；
10.针对所述目标面部图像每个像素做归一化处理，得到新面部图像；
11.针对所述新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据所述乘积确定该像素的特征参数，其中，每个方向像素值的乘积分别构成一副图像，具体计算方向包括：右侧、左侧、下方、上方、左下、左上、右下、右上；
12.根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数；其中，所述全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差；
13.将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结
果，以及机器学习模型的训练参数按照面部图像指标进行匹配，所述面部图像指标包括：面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标；
14.若所述匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
15.在一些实施例中，根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像，包括：
16.根据人脸检测模型对任意面部图像进行面部检测和特征点定位，得到人脸区域和特征点的坐标，所述特征点包括左眼坐标和右眼坐标；
17.将特征点的坐标对齐到仿射变换中指定坐标位置，得到对齐人脸后的目标面部图像。
18.在一些实施例中，根据面部清晰度评价算法，计算所述目标面部图像中的特征参数；所述目标面部图像的特征参数包括像素平均值和方差，包括：
19.根据所述目标面部图像的每个像素的像素值进行求和，求和后取目标面部图像的像素平均值；
20.根据目标面部图像的每个像素与像素平均值之差的平均数，确定方差。
21.在一些实施例中，针对所述新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据所述乘积确定该像素的特征参数，包括：
22.针对所述新面部图像的每个像素，根据该像素的中心位置，计算该像素值与新面部图像右侧hr、左侧hl、下方vd、上方vu、左下ld、左上lu、右下rd、右上ru，8个方向相邻多个像素的像素值乘积；
23.将所述乘积确定为该像素值与新面部图像8个方向相邻多个像素的特征参数，该乘积的特征参数包括：形状、平均值、左方差、右方差。
24.在一些实施例中，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数，包括：
25.将所述8个方向全部像素的特征参数输入到机器学习模型中；
26.计算所述全部像素的特征参数所对应特征向量的权重系数；
27.根据特征向量的权重系数，确定全部像素特征向量的映射得分，该映射得分作为机器学习模型的训练参数。
28.在一些实施例中，将目标面部图像的分辨率、面部完整度和目标面部图像是否为正面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，包括：
29.将目标面部图像的分辨率结果与面部分辨率评价指标进行指标匹配；
30.将面部完整度的结果与面部完整度评价指标进行指标匹配；
31.将正面部姿态的结果与面部姿态评价指标进行指标匹配；
32.将所述机器学习模型的训练参数与面部清晰度评价指标进行指标匹配。
33.在一些实施例中，若所述匹配符合预设要求，则将目标面部图像确定为人脸识别样本，包括：
34.若所述目标面部图像的分辨率、所述面部完整度和所述正面部姿态的结果，以及所述机器学习模型的训练参数符合预设要求的匹配等级，则将目标面部图像确定为人脸识别样本，其中，所述匹配等级分别为上等、中等、下等。
35.第二方面，本技术实施例提供了一种面部筛选装置，所述装置包括：
36.获取模块，根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像；
37.第一评价模块，根据面部分辨率评价算法，针对所述目标面部图像局部特征的空间分布，计算目标面部图像的分辨率；
38.第二评价模块，根据面部完整度评价算法，针对所述目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度；
39.第三评价模块，根据面部姿态评价算法，判断所述目标面部图像是否处于正面部姿态；
40.处理模块，根据面部清晰度评价算法，计算所述目标面部图像的特征参数；所述目标面部图像的特征参数包括像素平均值和方差；
41.第一计算模块，针对所述目标面部图像每个像素做归一化处理，得到新面部图像；
42.第二计算模块，针对所述新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据所述乘积确定该像素的特征参数，其中，每个方向像素值的乘积分别构成一副图像，具体计算方向包括：右侧、左侧、下方、上方、左下、左上、右下、右上；
43.训练参数模块，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数；其中，所述全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差；
44.指标匹配模块，将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，所述面部图像指标包括：面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标；
45.确定模块，若所述匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
46.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述面部筛选方法的步骤。
47.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如所述面部筛选方法的步骤。
48.本技术的有益效果主要在于：本技术采用人脸检测模型和机器学习模型相融合的方式，通过多种算法对新面部图像的特征点进行模型训练，并根据目标面部图像的分辨率、面部完整度和正面部姿态的计算结果，以及模型的训练参数，按照面部图像指标进行匹配，若计算结果和训练参数符合预设要求，则将目标面部图像确定为人脸识别样本，用于待入库面部图像的质量检测，本设计能够对不同质量的面部图像精准识别，解决了传统人工鉴别速度慢，提取特征单一，以及人脸样本质量检测鲁棒性差的技术问题，同时满足了面部识别精度高，应用成本低、不可复制、以及误判漏判等问题。
49.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
50.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
51.图1示出了本技术实施例所提供的一种面部筛选方法流程示意图。
52.图2示出了本技术实施例所提供的根据目标面部图像的特征参数得到新面部图像流程示意图。
53.图3示出了本技术实施例所提供的计算8个方向相邻像素值乘积流程示意图。
54.图4示出了本技术实施例所提供的获取训练参数流程示意图。
55.图5示出了本技术实施例所提供的指标匹配流程示意图。
56.图6示出了本技术实施例所提供的确定人脸识别样本流程示意图。
57.图7示出了本技术实施例所提供的一种面部筛选装置结构示意图。
58.图8示出了本技术实施例所提供的一种计算机设备结构示意图。
具体实施方式
59.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计，因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
60.深度卷积神经网络(deep convolutional neural network，dcnn)模型，是一种模式识别方式，成功应用于图像处理，旨在使用卷积的方式对图像数据进行表征量化，采用非监督式或半监督式的特征学习和分层特征替代手工获取特征、将dcnn应用于面部识别训练时，面部样本库的质量好坏决定了面部识别训练的可用性与可靠性，因此，保证优质的面部样本库是一个关键性问题，直接影响各种面部识别应用过程的效果与体验，为了实现面部样本质量检测更加精确和高质量自动过滤，本技术将深度学习与传统图像处理技术融合，根据多维度特征实现面部样本质量的检测，有效提高1比n或者n比n的面部识别训练的可用性与可靠性，进一步扩展应用于同类技术的不同场景。
61.本技术根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像；根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像的分辨率，根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度，根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态，根据面部清晰度评价算法，计算目标面部图像的特征参数；针对目标面部图像每个像素做归一化处理，得到新面部图像，针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数，将分辨率、面部完整度和目标面部图像是否正
为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，若匹配符合预设要求，则将目标面部图像确定为人脸识别样本。具体来说，运用卷积神经网络的人脸检测模型对任意面部图像的特征点做仿射变换，得到目标面部图像，该设计用于面部图像的识别具有无接触、高精度的特点，尤其适用在活体检测、识别过程中以其特有细粒度特征点分析方式，使得对图像的处理达到了近人力的水平；然后根据目标面部图像计算的目标面部图像的分辨率和面部完整度及判断正面部姿态，通过多种策略算法对目标面部图像进行人脸质量的检测，实现对不同质量人脸的精准识别；根据目标面部图像每个像素做归一化处理，得到新面部图像，以及根据新面部图像的每个像素与8个方向相邻像素的像素值乘积的特征参数，训练出新面部图像在机器学习模型中的训练参数，最后将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，若计算结果和训练参数符合预设要求，则将目标面部图像确定为人脸识别样本，用于待入库面部图像的质量检测，本设计能够对不同质量的面部图像精准识别，解决了传统人工鉴别速度慢，提取特征单一，以及人脸样本质量检测鲁棒性差的技术问题，同时满足了面部识别精度高，应用成本低、不可复制、以及误判漏判等问题。
62.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
63.图1示出了本技术实施例所提供的一种面部筛选方法流程示意图；如图1所示，该面部筛选具体包括以下步骤：
64.步骤s10，根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像。
65.步骤s10在具体实施时，根据人脸检测模型对任意面部图像进行面部检测和特征点定位，通过仿射变换将特征点坐标对齐到仿射变换的指定位置坐标，得到对齐后的目标面部图像。
66.步骤s20，根据面部分辨率评价算法，针对所述目标面部图像局部特征的空间分布，计算目标面部图像的分辨率。
67.步骤s20在具体实施时，根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像分辨率的评价值。
68.步骤s30，根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度。
69.步骤s30在具体实施时，根据面部完整度评价算法，根据目标面部图像的5个关键点被遮蔽的情况，判断目标面部图像的面部完整度，其中，5个关键点分别为：左眼中心、右眼中心、鼻尖、左边嘴角、右边嘴角。
70.步骤s40，根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态。
71.步骤s40在具体实施时，根据面部姿态评价算法，提取目标面部图像的三个角度，如俯仰角、偏航角及滚转角，并根据三个角度的阈值，判断目标面部图像的面部姿态朝向是否处于侧脸、仰视、俯视状态。
72.步骤s50，根据面部清晰度评价算法，计算目标面部图像的特征参数；目标面部图像的特征参数包括像素平均值和方差。
73.步骤s50在具体实施时，根据面部清晰度评价算法，对目标面部图像的每个像素的
像素值进行求和后取平均值，计算每个像素的像素值与的平均值的差值平均数，根据平均数确定方差。
74.步骤s60，针对目标面部图像每个像素做归一化处理，得到新面部图像。
75.步骤s60在具体实施时，根据目标面部图像每个像素，将目标面部图像归一化为指定标准形式的新面部图像。
76.步骤s70，针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据所述乘积确定该像素的特征参数。
77.步骤s70在具体实施时，针对新面部图像的每个像素，根据该像素的中心位置，分别计算该像素与新面部图像右侧、左侧、下方、上方、左下、左上、右下、右上8个方向相邻像素之间的乘积，将计算后的乘积确定为该像素的特征参数。
78.步骤s80，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数，其中，所述全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差。
79.步骤s80在具体实施时，将全部像素的特征参数代入到机器学习模型的线性方程组，进行求基础解系，即得到该全部像素的特征参数所对应的特征向量，根据该特征向量，计算出全部像素所对应特征向量的映射得分，该映射得分作为机器学习模型的训练参数。
80.步骤s90，将目标面部图像的分辨率、面部完整度和目标面部图像是否为正面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配。
81.步骤s90在具体实施时，针对目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数，分别与面部图像指标中的面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标进行匹配。
82.步骤s100，若匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
83.步骤s100在具体实施时，若目标面部图像的分辨率及面部完整度、目标面部图像的正面部姿态的结果以及机器学习模型的训练参数，符合预设要求的匹配等级，则将目标面部图像确定为人脸识别样本，并将人脸识别样本保存至人脸识别系统的样本库中。
84.在一个可行的实现方案中，上述步骤s10中，根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像，包括：
85.步骤101，根据人脸检测模型对任意面部图像进行面部检测和特征点定位，得到人脸区域和特征点的坐标，特征点包括左眼坐标和右眼坐标。
86.步骤101在具体实施时，根据卷积神经网络的人脸检测模型对任意面部图像进行面部检测和面部图像的特征点定位，得到面部图像每个人脸区域的特征点的坐标，特征点包括左眼坐标和右眼坐标。
87.步骤102，将特征点的坐标对齐到仿射变换中指定坐标位置，得到对齐人脸后的目标面部图像。
88.步骤102在具体实施时，将特征点的左眼坐标和右眼坐标对齐到仿射变换指定坐标位置，得到对齐人脸后的目标面部图像。
89.在一个可行的实现方案中，上述步骤s20中，根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像的分辨率，包括：
90.步骤20在具体实施时，根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像局部特征的分辨率的评价值。
91.在一个可行的实现方案中，上述步骤s30中，根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度，包括：
92.步骤30在具体实施时，根据面部姿态评价算法，针对目标面部图像的关键点被遮蔽的数量，计算出目标面部图像的面部完整度，关键点包括左眼中心、右眼中心、鼻尖、左边嘴角、右边嘴角。
93.在一个可行的实现方案中，上述步骤s40中，根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态，包括：
94.步骤40在具体实施时，根据面部姿态评价算法，针对目标面部图像的面部姿态朝向，判断目标面部图像是否处于正面部姿态，面部姿态朝向包括：侧面朝向、仰视朝向、俯视朝向。
95.在一个可行的实现方案中，图2示出了本技术实施例所提供的根据目标面部图像的特征参数得到新面部图像流程示意图；上述步骤s50中，根据面部清晰度评价算法，计算目标面部图像的特征参数；目标面部图像的特征参数包括像素平均值和方差，包括：
96.步骤s501，根据目标面部图像的每个像素的像素值进行求和，求和后取新面部图像的像素平均值。
97.步骤s502，根据目标面部图像的每个像素与像素平均值之差的平均数，确定方差。
98.步骤s501、502在具体实施时，根据面部清晰度评价算法，对目标面部图像的每个像素的像素值进行求和后取平均值，计算每个像素的像素值与的平均值的差值平均数，根据平均数确定方差。
99.在一个可行的实现方案中，上述步骤s60中，针对目标面部图像每个像素做归一化处理，得到新面部图像，包括：
100.步骤s601，针对目标面部图像每个像素的像素值，将目标面部图像归一化为指定标准的新面部图像。
101.步骤s60在具体实施时，针对目标面部图像每个像素，采用线性归一化放大或缩小目标面部图像的长度和宽度，根据该图像的线性性质，将目标面部图像归一化为指定标准的新面部图像；
102.计算新面部图像的像素值的具体公式如下：
[0103][0104]
其中，i(i，j)代表目标面部图像(i，j)位置的像素值，μ(i，j)代表目标面部图像(i，j)位置的平均值，σ(i，j)代表目标面部图像(i，j)位置的方差，c代表常数，i代表横向像素，j代表纵向像素。
[0105]
在一个可行的实现方案中，图3示出了本技术实施例所提供的计算8个方向相邻像素值乘积流程示意图；上述步骤s70中，针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据乘积确定该像素的特征参数，具体包括以下步骤：
[0106]
步骤s701，针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与新面部图像右侧hr、左侧hl、下方vd、上方vu、左下ld、左上lu、右下rd、右上ru，8个方向相邻多个像素的像素值乘积；具体计算公式如下：
[0107][0108][0109][0110][0111][0112][0113][0114][0115]
其中，代表新面部图像的像素值，以及位于该像素的右侧hr、左侧hl、下方vd、上方vu、左下ld、左上lu、右下rd、右上ru的像素像素像素像素像素像素像素像素
[0116]
步骤s702，将乘积确定为该像素值与新面部图像8个方向相邻多个像素的特征参数。
[0117]
步骤s701、s702在具体实施时，针对新面部图像的每个像素根据该像素的中心位置坐标，根据面部清晰度算法，分别计算该像素值与新面部图像右侧hr、左侧hl、下方vd、上方vu、左下ld、左上lu、右下rd、右上ru，8个方向相邻多个像素的像素值乘积，并将该乘积确定为该像素值与新面部图像8个方向相邻多个像素的特征参数，该特征参数包括：形状、平均值、左方差、右方差。
[0118]
在一个可行的实现方案中，图4示出了本技术实施例所提供的获取训练参数流程示意图；上述步骤s80中，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数，具体包括以下步骤：
[0119]
步骤s801，将8个方向全部像素的特征参数输入到机器学习模型中。
[0120]
步骤s802，计算全部像素的特征参数所对应特征向量的权重系数。
[0121]
步骤s803，根据特征向量的权重系数，确定全部像素特征向量的映射得分，该映射得分作为机器学习模型的训练参数。
[0122]
步骤s801、s802、s803在具体实施时，将新面部图像8个方向全部像素的特征参数输入到机器学习模型中，通过机器学习模型中的线性方程组，进行求基础解系，得到该特征参数的特征向量，计算全部像素的特征参数所对应特征向量的权重系数，输出全部像素所对应特征向量的映射得分，该映射得分作为机器学习模型的训练参数；
[0123]
例如权重系数的输入：t＝{x1,x2,x3,...,x99,x100,x102}；score＝99；
[0124]
其中，t代表新面部图像的特征向量，x1至x 102代表特征向量的维数、score代表映射得分；
[0125]
选取核函数k(t,z)和惩罚参数c>0，构造并求解，具体公式如下：
[0126]
y＝k(t,z) c；
[0127]
其中，k(t,z)中t代表特征向量，z代表函数系数即代求，y代表映射得分，由特征向量和映射得分构造方程组：
[0128][0129]
其中，输入的特征向量维数为102维所对应的特征参数个数即102个，增加一个惩罚参数c，上述方程组中有共103个特征参数，运用最小二乘法估计法，计算核函数k(t,z)中特征参数x的估计值和惩罚参数c的估计值，得到新面部图像特征向量的权重系数的计算结果。
[0130]
在一个可行的实现方案中，图5示出了本技术实施例所提供的指标匹配流程示意图；上述步骤s90中，将分辨率，面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，具体包括以下步骤：
[0131]
步骤s901，将目标面部图像分辨率的结果与面部分辨率评价指标进行指标匹配。
[0132]
步骤s901在具体实施时，将目标面部图像分辨率的结果与机器学习模型中预设的面部分辨率评价指标进行指标匹配，判断该分辨率的结果是否符合面部分辨率评价指标的对应等级，该等级包括：上等、中等、下等；判断分辨率的等级如下图所示：
[0133]
面部分辨率面部分辨率评价指标的等级<50*50低等>＝50*50且<80*80中等>＝80*80上等
[0134]
步骤s902，将面部完整度的结果与面部完整度评价指标进行指标匹配。
[0135]
步骤s902在具体实施时，将目标面部图像的关键点被遮蔽的数量与机器学习模型中预设的面部完整度评价指标进行指标匹配，判断面部完整度的结果是否符合面部完整度评价指标的对应等级，该等级包括：上等、中等、下等；判断面部完整度的等级如下图所示：
[0136]
关键点被遮挡数量面部完整度评价指标的等级>＝3低等
>＝1且<3中等<1上等
[0137]
步骤s903，将正面部姿态的结果与面部姿态评价指标进行指标匹配。
[0138]
步骤s903在具体实施时，根据面部姿态朝向的角度与机器学习模型中预设的面部姿态评价指标进行指标匹配，判断正面部姿态是否符合面部姿态评价指标的对应等级，该等级包括：上等、中等、下等；判断正面部姿态的等级如下图所示：
[0139][0140]
步骤s904，将机器学习模型的训练参数与面部清晰度评价指标进行指标匹配。
[0141]
步骤s904在具体实施时，根据局部区域图像在机器学习模型中的训练参数对应的质量得分与面部清晰度评价指标进行指标匹配，判断该训练参数是否符合面部清晰度评价指标的对应等级，该等级包括：上等、中等、下等；判断面部清晰度评价指标的等级如下图所示：
[0142]
面部清晰度得分面部清晰度评价指标的等级>60低等>30且<＝60中等<＝30上等
[0143]
在一个可行的实现方案中，图6示出了本技术实施例所提供的确定人脸识别样本流程示意图；上述步骤s100中，若匹配符合预设要求，则将目标面部图像确定为人脸识别样本，具体包括以下步骤：
[0144]
步骤s1001，判断目标面部图像分辨率的结果是否符合面部分辨率评价指标的上等或中等，若为上等或中等则符合预设要求。
[0145]
步骤s1002，判断面部完整度的结果是否符合面部完整度评价指标的上等或中等，若为上等或中等则符合预设要求。
[0146]
步骤s1003，判断正面部姿态是否符合面部姿态评价指标的上等或中等，若为上等或中等则符合预设要求。
[0147]
步骤s1004，判断训练参数是否符合面部清晰度评价指标的上等或中等，若为上等或中等则符合预设要求。
[0148]
步骤s1005，若目标面部图像的分辨率、面部完整度、正面部姿态以及训练参数均符合预设要求，则将目标面部图像确定为人脸识别样本。
[0149]
步骤s1001、s1002、s1003、s1004、s1005在具体实施时，运用机器学习模型分别判断目标面部图像的分辨率、面部完整度、正面部姿态以及训练参数是否符合面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标的等级要求，若符合，则将目标面部图像
确定为人脸识别样本。
[0150]
图7示出了本技术实施例所提供的一种面部筛选装置结构示意图，如图7所示，上述装置包括：
[0151]
获取模块1101，根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像。
[0152]
第一评价模块1102，根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像的分辨率。
[0153]
第二评价模块1103，根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度。
[0154]
第三评价模块1104，根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态。
[0155]
处理模块1105，根据面部清晰度评价算法，计算目标面部图像的特征参数；目标面部图像的特征参数包括像素平均值和方差。
[0156]
第一计算模块1106，针对目标面部图像每个像素做归一化处理，得到新面部图像；
[0157]
第二计算模块1107，针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据乘积确定该像素的特征参数，其中，每个方向像素值的乘积分别构成一副图像，具体计算方向包括：右侧、左侧、下方、上方、左下、左上、右下、右上；
[0158]
训练参数模块1108，根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数；其中，全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差；
[0159]
指标匹配模块1109，将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，面部图像指标包括：面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标；
[0160]
确定模块1110，若匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
[0161]
本技术实施例所提供的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本技术实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0162]
对应于图1中的面部筛选方法，本技术实施例还提供了一种计算机设备120，图8，如图8所示，该设备包括存储器1201、处理器1202及存储在该存储器1201上并可在该处理器1202上运行的计算机程序，其中，上述处理器1202执行上述计算机程序时实现上述方法。
[0163]
根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像；
[0164]
根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像的分辨率；
[0165]
根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度；
[0166]
根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态；
[0167]
根据面部清晰度评价算法，计算目标面部图像的特征参数；目标面部图像的特征参数包括像素平均值和方差；
[0168]
对目标面部图像每个像素做归一化处理，得到新面部图像；
[0169]
针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据乘积确定该像素的特征参数，其中，每个方向像素值的乘积分别构成一副图像，具体计算方向包括：右侧、左侧、下方、上方、左下、左上、右下、右上；
[0170]
根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数；其中，全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差；
[0171]
将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，面部图像指标包括：面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标；
[0172]
若匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
[0173]
对应于图1中的面部筛选方法，本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行以下步骤：
[0174]
根据人脸检测模型，对任意面部图像的特征点做仿射变换，得到目标面部图像；
[0175]
根据面部分辨率评价算法，针对目标面部图像局部特征的空间分布，计算目标面部图像的分辨率；
[0176]
根据面部完整度评价算法，针对目标面部图像的关键点被遮蔽的情况，计算目标面部图像的面部完整度；
[0177]
根据面部姿态评价算法，判断目标面部图像是否处于正面部姿态；
[0178]
根据面部清晰度评价算法，计算目标面部图像的特征参数；目标面部图像的特征参数包括像素平均值和方差；
[0179]
对目标面部图像每个像素做归一化处理，得到新面部图像；
[0180]
针对新面部图像的每个像素，根据该像素的中心位置，计算该像素值与8个方向相邻像素的像素值乘积，并根据乘积确定该像素的特征参数，其中，每个方向像素值的乘积分别构成一副图像，具体计算方向包括：右侧、左侧、下方、上方、左下、左上、右下、右上；
[0181]
根据8个方向全部像素的特征参数，训练出新面部图像在机器学习模型中的训练参数；其中，全部像素的特征参数包括：像素的形状、像素明暗度的平均值、像素的左方差、像素的右方差；
[0182]
将目标面部图像的分辨率、面部完整度和目标面部图像是否正为面部姿态的结果，以及机器学习模型的训练参数按照面部图像指标进行匹配，面部图像指标包括：面部分辨率评价指标、面部完整度评价指标、面部姿态评价指标、面部清晰度评价指标；
[0183]
若匹配符合预设要求，则将目标面部图像确定为人脸识别样本。
[0184]
在本技术实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行本技术中其它所述的方法，关于具体执行的方法步骤和原理参见上述的说明，在此不再详细赘述。
[0185]
在本技术所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0186]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0187]
另外，在本技术提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0188]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0189]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0190]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。