人脸图像选择方法、装置及计算机设备与流程

本发明涉及图像处理技术领域，特别是涉及一种人脸图像选择方法、装置及计算机设备。

背景技术：

人脸识别，通常也叫做人像识别、面部识别，是模式识别领域中的活跃的研究方向之一，是基于人的脸部特征信息进行身份识别的一种生物识别技术。该技术是利用摄像设备采集含有人脸的图像，并自动在采集到的图像中检测和跟踪人脸，进而对检测到的人脸进行识别。

上述人脸识别的具体过程为：从人脸图像组中确定目标人脸图像，其中，人脸图像组是由采集到的针对一个人的人脸图像组成的，人脸图像是通过人脸检测算法抓拍到的人脸区域的图像，目标人脸图像是质量比较高的人脸图像；计算目标人脸图像与预先记录的目标人脸图像对应的模板人脸图像的相似度；基于计算得到的相似度，输出相应的识别结果，例如，相似度不小于预先设置的阈值，则识别结果为成功，否则，识别结果为失败。

在上述人脸识别的过程中，选择的目标人脸图像对能否识别成功具有很大的影响。目前，人脸图像选择的方法为：针对人脸图像组中的每一人脸图像，计算该人脸图像的清晰度、人脸大小以及人眼开合度这三个人脸属性；针对每一人脸图像，基于针对该人脸图像计算得到的清晰度、人脸大小以及人眼开合度，确定该人脸图像的综合评价分数；将最高的综合评价分数对应的人脸图像，确定为目标人脸图像。

在上述人脸图像选择方法中，综合评价分数是清晰度、人脸大小以及人眼开合度这三个人脸属性的属性值的算术和。在这种情况下，选择最高综合评价分数对应的人脸图像作为目标人脸图像，目标人脸图像的三个人脸属性中可能其中一个人脸属性的属性值很小，但其他两个人脸属性的属性值比较大。而如果属性值很小的人脸属性对人脸图像的质量影响比较大，则会导致目标人脸图像的质量不好。进而由于所选择的目标人脸图像的质量不是很好，导致利用选择的目标人脸图像识别人脸的误识别概率较高，降低了人脸识别的准确率。

技术实现要素：

本发明实施例的目的在于提供一种人脸图像选择方法、装置、计算机设备及计算机可读存储介质，以提高人脸识别的准确率。具体技术方案如下：

第一方面，为达到上述目的，本发明实施例提供了一种人脸图像选择方法，所述方法包括：

获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像；

基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性；

构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像；

在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像；

基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

可选的，所述构建所述人脸图像组对应的多个备选图像组的步骤，包括：

从所述人脸图像组中选择第一预设数量的人脸图像，构建第一个备选图像组；

对于任一非第一个备选图像组，确定所述人脸图像组当前未被选择的人脸图像的目标数量，如果所述目标数量大于第二预设数量，从所述人脸图像组当前未被选择的人脸图像中选择第二预设数量的人脸图像，并利用所选择的第二预设数量的人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组；如果所述目标数量不大于第二预设数量，利用所述人脸图像组当前未被选择的所有人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组。

可选的，所述构建所述人脸图像组对应的多个备选图像组的步骤，包括：

将所述人脸图像组中的人脸图像不等分为多个备选图像组；

或者，

将所述人脸图像组中的人脸图像等分为多个备选图像组。

可选的，所述基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级的步骤，包括：

按照如下方式，确定所述人脸图像组中每一人脸图像的目标等级：

确定当前的人脸图像的第一人脸属性值；所述第一人脸属性值为第一人脸属性对应的值，所述第一人脸属性为所述第一类人脸属性中的一个人脸属性；

判断所述第一人脸属性值是否满足所述第一人脸属性对应的一个预设条件，其中，所述第一人脸属性对应至少一个预设条件，且所述第一人脸属性所对应的一个预设条件为针对第一人脸属性的一个等级设置的属性值范围，一个预设条件与一个等级对应；

当判断结果为是时，将所满足的预设条件对应的等级，确定为当前的人脸图像的目标等级；

当判断结果为否时，从所述第一类人脸属性中选择一个未被利用的人脸属性，将所述第一人脸属性替换为所选择的人脸属性，返回执行确定当前的人脸图像的第一人脸属性值的步骤。

可选的，所述第一类人脸属性包括正负脸、清晰度、亮度、遮挡程度、偏转角和俯仰角。

可选的，所述第一类人脸属性中的每一人脸属性均与至少一个等级具有对应性；

所述基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则的步骤，包括：

判断该备选图像组中的人脸图像是否满足第一预设筛选条件，其中，所述第一预设筛选条件为：该备选图像组中的人脸图像的目标等级均不相同，且不同时为第二人脸属性对应的等级；所述第二人脸属性为所述第一类人脸属性中的一个人脸属性；

如果满足，将预先设置的第一筛选规则，确定为针对该备选图像组的筛选规则，其中，所述第一筛选规则为筛选目标等级最高的人脸图像的规则。

可选的，在判断该备选图像组中的人脸图像不满足第一预设筛选条件的情况下，所述方法还包括：

确定该备选图像组中每一人脸图像的第三人脸属性值；其中，所述第三人脸属性值为第三人脸属性对应的值，所述第三人脸属性为除所述第一类人脸属性中的人脸属性之外的人脸属性；

判断该备选图像组中的人脸图像是否满足第二预设筛选条件，其中，所述第二预设筛选条件为：该备选图像组中的人脸图像的目标等级同时为所述第二人脸属性对应的等级、且针对每两个人脸图像的第三人脸属性值之间的差值中的最大差值大于第一预设阈值、以及第三人脸图像的数量小于第二预设阈值；所述第三人脸图像为所述第三人脸属性值小于第三预设阈值的人脸图像；

如果满足，将预先设置的第二筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第二筛选规则为筛选第一综合评分最高的人脸图像的规则；

所述第一综合评分是通过以下步骤计算得到的：

针对该备选图像组中每一人脸图像，获得该人脸图像的第二类人脸属性中的每一人脸属性的参考值，其中，所述第二类人脸属性包括第三人脸属性，人脸属性的参考值是基于该人脸属性对应的值确定的；

针对该备选图像组中每一人脸图像，根据预先针对所述第三人脸属性设置的第一权重组合，对该人脸图像每一人脸属性的参考值进行加权计算，获得该人脸图像的第一综合评分。

可选的，在判断该备选图像组中的人脸图像不满足第二预设筛选条件的情况下，所述方法还包括：

判断该备选图像组中的人脸图像是否满足第三预设筛选条件，其中，所述第三预设筛选条件为：该备选图像组中的人脸图像的目标等级为所述第二人脸属性对应的等级，且每两个目标等级之间的等级差值均大于第四预设阈值；

如果是，将所述第一筛选规则，确定为针对该备选图像组的筛选规则。

可选的，在判断该备选图像组中的人脸图像不满足第三预设筛选条件的情况下，所述方法还包括：

将预先设置的第三筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第三筛选规则为筛选第二综合评分最高的人脸图像的规则；

所述第二综合评分是通过以下步骤计算得到的：

确定该备选图像组中每一人脸图像的第三类人脸属性值；其中，所述第三类人脸属性值为第三类人脸属性对应的值，所述第三类人脸属性为除所述第一类人脸属性以及第二类人脸属性中的人脸属性之外的人脸属性；

根据预设的目标等级与第二权重组合的关系，确定该备选图像组中每一人脸图像的第二权重组合；

针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值，获得该人脸图像的第二综合评分，其中，所述第四类人脸属性值为第四类人脸属性对应的值，所述第四类人脸属性包括所述第一类人脸属性、所述第二类人脸属性以及所述第三类人脸属性中的人脸属性。

可选的，所述针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值进行加权计算，获得该人脸图像的第一综合评分的步骤，包括：

针对该备选图像组中的每一人脸图像，根据预先设置的第四类人脸属性中的每一人脸属性对应的值与取值之间的映射关系，确定该人脸图像的所述第四类人脸属性中每一人脸属性的取值，其中，每一种人脸属性均对应同一个取值范围；

根据所确定该人脸图像的第二权重组合，对该人脸图像对应的每一人脸属性的取值进行加权计算，获得该人脸图像的第二综合评分。

可选的，所述第二人脸属性为偏转角；

所述第三人脸属性为瞳距；

所述第二类人脸属性包括瞳距、俯仰角、遮挡程度和偏转角；

所述第三类人脸属性包括是否为阴阳脸、睁闭眼和张闭嘴；

所述第四类人脸属性包括清晰度、亮度、遮挡程度、偏转角、俯仰角、瞳距、是否为阴阳脸、睁闭眼和张闭嘴。

第二方面，为达到上述目的，本发明实施例还提供了一种人脸图像选择装置，其特征在于，所述装置包括：

获取模块，用于获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像；

第一确定模块，用于基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性；

构建模块，用于构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像；

第一获得模块，用于在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像；

第二确定模块，用于基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

可选的，所述构建模块，包括：

第一构建子模块，用于从所述人脸图像组中选择第一预设数量的人脸图像，构建第一个备选图像组；

第二构建子模块，用于对于任一非第一个备选图像组，确定所述人脸图像组当前未被选择的人脸图像的目标数量，如果所述目标数量大于第二预设数量，从所述人脸图像组当前未被选择的人脸图像中选择第二预设数量的人脸图像，并利用所选择的第二预设数量的人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组；如果所述目标数量不大于第二预设数量，利用所述人脸图像组当前未被选择的所有人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组。

可选的，所述构建模块，具体用于将所述人脸图像组中的人脸图像不等分为多个备选图像组；

或者，

将所述人脸图像组中的人脸图像等分为多个备选图像组。

可选的，所述第一获得模块，用于按照如下方式，确定所述人脸图像组中每一人脸图像的目标等级：

确定当前的人脸图像的第一人脸属性值；所述第一人脸属性值为第一人脸属性对应的值，所述第一人脸属性为所述第一类人脸属性中的一个人脸属性；

判断所述第一人脸属性值是否满足所述第一人脸属性对应的一个预设条件，其中，所述第一人脸属性对应至少一个预设条件，且所述第一人脸属性所对应的一个预设条件为针对第一人脸属性的一个等级设置的属性值范围，一个预设条件与一个等级对应；

当判断结果为是时，将所满足的预设条件对应的等级，确定为当前的人脸图像的目标等级；

当判断结果为否时，从所述第一类人脸属性中选择一个未被利用的人脸属性，将所述第一人脸属性替换为所选择的人脸属性，返回执行确定当前的人脸图像的第一人脸属性值的步骤。

可选的，所述第一类人脸属性包括正负脸、清晰度、亮度、遮挡程度、偏转角和俯仰角。

可选的，所述第一类人脸属性中的每一人脸属性均与至少一个等级具有对应性；

所述第一获得模块，包括：

判断子模块，用于判断该备选图像组中的人脸图像是否满足第一预设筛选条件，其中，所述第一预设筛选条件为：该备选图像组中的人脸图像的目标等级均不相同，且不同时为第二人脸属性对应的等级；所述第二人脸属性为所述第一类人脸属性中的一个人脸属性；

第一确定子模块，用于在所述判断子模块的判断结果为满足的情况下，将预先设置的第一筛选规则，确定为针对该备选图像组的筛选规则，其中，所述第一筛选规则为筛选目标等级最高的人脸图像的规则。

可选的，所述装置还包括：

第三确定模块，用于在所述判断子模块的判断结果为不满足的情况下，确定该备选图像组中每一人脸图像的第三人脸属性值；其中，所述第三人脸属性值为第三人脸属性对应的值，所述第三人脸属性为除所述第一类人脸属性中的人脸属性之外的人脸属性；

第一判断模块，用于判断该备选图像组中的人脸图像是否满足第二预设筛选条件，其中，所述第二预设筛选条件为：该备选图像组中的人脸图像的目标等级同时为所述第二人脸属性对应的等级、且针对每两个人脸图像的第三人脸属性值之间的差值中的最大差值大于第一预设阈值、以及第三人脸图像的数量小于第二预设阈值；所述第三人脸图像为所述第三人脸属性值小于第三预设阈值的人脸图像；

第四确定模块，用于在所述第一判断子模块的判断结果为满足的情况下，将预先设置的第二筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第二筛选规则为筛选第一综合评分最高的人脸图像的规则；

第二获得模块，用于针对该备选图像组中每一人脸图像，获得该人脸图像的第二类人脸属性中的每一人脸属性的参考值，其中，所述第二类人脸属性包括第三人脸属性，人脸属性的参考值是基于该人脸属性对应的值确定的；

第三获得模块，用于针对该备选图像组中每一人脸图像，根据预先针对所述第三人脸属性设置的第一权重组合，对该人脸图像每一人脸属性的参考值进行加权计算，获得该人脸图像的第一综合评分。

可选的，所述装置还包括：

第二判断模块，用于在所述第一判断模块的判断结果为不满足的情况下，判断该备选图像组中的人脸图像是否满足第三预设筛选条件，其中，所述第三预设筛选条件为：该备选图像组中的人脸图像的目标等级为所述第二人脸属性对应的等级，且每两个目标等级之间的等级差值均大于第四预设阈值；

第五确定模块，用于在所述第如图判断模块的判断结果为是的情况下，将所述第一筛选规则，确定为针对该备选图像组的筛选规则。

可选的，所述装置还包括：

第六确定模块，用于在所述第二判断模块的判断结果为不满足的情况下，将预先设置的第三筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第三筛选规则为筛选第二综合评分最高的人脸图像的规则；

第七确定模块，用于确定该备选图像组中每一人脸图像的第三类人脸属性值；其中，所述第三类人脸属性值为第三类人脸属性对应的值，所述第三类人脸属性为除所述第一类人脸属性以及第二类人脸属性中的人脸属性之外的人脸属性；

第八确定模块，用于根据预设的目标等级与第二权重组合的关系，确定该备选图像组中每一人脸图像的第二权重组合；

第四获得模块，用于针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值，获得该人脸图像的第二综合评分，其中，所述第四类人脸属性值为第四类人脸属性对应的值，所述第四类人脸属性包括所述第一类人脸属性、所述第二类人脸属性以及所述第三类人脸属性中的人脸属性。

可选的，所述第四获得模块，包括：

第二确定子模块，用于针对该备选图像组中的每一人脸图像，根据预先设置的第四类人脸属性中的每一人脸属性对应的值与取值之间的映射关系，确定该人脸图像的所述第四类人脸属性中每一人脸属性的取值，其中，每一种人脸属性均对应同一个取值范围；

获得子模块，根据所确定该人脸图像的第二权重组合，对该人脸图像对应的每一人脸属性的取值进行加权计算，获得该人脸图像的第二综合评分。

可选的，所述第二人脸属性为偏转角；

所述第三人脸属性为瞳距；

所述第二类人脸属性包括瞳距、俯仰角、遮挡程度和偏转角；

所述第三类人脸属性包括是否为阴阳脸、睁闭眼和张闭嘴；

所述第四类人脸属性包括清晰度、亮度、遮挡程度、偏转角、俯仰角、瞳距、是否为阴阳脸、睁闭眼和张闭嘴。

第三方面，为达到上述目的，本发明实施例还提供了一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述人脸图像选择方法中的方法步骤。

第四方面，为达到上述目的，本发明实施例还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内存储有计算机程序，所述计算机程序被处理器执行时实现实现上述任一所述人脸图像选择方法中的方法步骤。

本发明实施例提供的一种人脸图像选择方法、装置、计算机设备及可读存储介质，可以根据备选图像组中的人脸图像的目标等级，确定备选图像组的筛选规则，通过筛选规则确定待利用人脸图像，进而确定目标图像。相较于现有技术，选择更加地具有针对性，针对不同的备选图像组，可以利用不同的筛选规则进行筛选，筛选出质量比较好的人脸图像，进而提高人脸识别的准确性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，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。

图1为本发明实施例提供的人脸图像选择方法的一种流程示意图；

图2为本发明实施例提供的人脸图像选择方法的另一种流程示意图；

图3为本发明实施例提供的人脸图像选择方法的另一种流程示意图；

图4为本发明实施例提供的人脸图像选择方法的另一种流程示意图；

图5为本发明实施例提供的人脸图像选择装置的结构示意图；

图6为本发明实施例提供的计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

为了提高人脸识别的准确率，本发明实施例提供了人脸图像选择方法、装置、计算机设备及计算机可读存储介质。

下面首先对本发明实施例提供的一种人脸图像选择方法进行介绍。

需要说明的是，本发明实施例所提供的一种人脸图像选择方法应用于计算机设备。具体应用中，该计算机设备可以是摄像设备，也可以是非摄像设备，其中，摄像设备包括摄像机、考勤终端或其他带有图像采集功能的智能终端等等，非摄像设备为不具有图像采集功能的设备。

参见图1，本发明实施例提供了一种人脸图像选择方法，包括如下步骤：

s101：获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像。在本发明实施例中，人脸图像组中的人脸图像可以是摄像设备采集的，摄像设备包括摄像机、带有图像采集功能的智能终端等等。其中，摄像设备采集的是从人脸出现时刻到人脸消失时刻的时间段内人脸区域的图像。

可以理解的是，当该计算机设备为摄像设备时，可以从本地获取人脸图像组；而当该计算机设备为非摄像设备时，可以获得其他摄像设备采集的人脸图像组，这都是合理的。

s102：基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性。

需要说明的是，第一类人脸属性值是第一类人脸属性中的人脸属性对应的值。第一类人脸属性所包含的人脸属性是预先确定的，具体的，可以根据实际情况确定，也可以根据以往的经验确定，还可以根据人脸属性对人脸图像质量的影响程度确定，当然并不仅限于此，在此不进行一一列举。

在本发明实施例中，在获取人脸图像组后，确定每一人脸图像的第一类属性值，针对一个人脸图像，基于该人脸图像的第一类人脸属性值，确定该人脸图像的目标等级。

可以理解的是，针对不同的人脸属性，确定人脸属性的值方法不同。示例性的，一个人脸属性是亮度，另一个人脸属性是清晰度。确定亮度值的方法可以为：计算该人脸图像的每一像素点的亮度值；计算所有像素点的亮度值的平均值，作为该人脸图像的亮度值。确定清晰度值的方法为：将人脸图像输入到预先训练好的清晰度分类器，获得该人脸图像的清晰度值。进一步地，该清晰度分类器可以为用于确定清晰度的神经网络、支持向量机或haar分类器等等，haar分类器是一个基于树的分类器。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

需要说明的是，人脸属性值可以为一个具体的数值，可以为文字，具体由于人脸属性本身的性质决定的，当然，还可以将文字转换为数字。示例性的，人脸属性为亮度，则该人脸属性值为亮度值；人脸属性为张闭嘴，则人脸属性值可以为张嘴或闭嘴，人脸属性值也可以为预先设置的张嘴对应的数值或预先设置的闭嘴对应的数值。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

确定每一人脸图像的目标等级的方式可以为：选择一个人脸属性对应的等级，作为该人脸图像的目标等级；或者，对该人脸图像第一类人脸属性值中的人脸属性值进行运算，获得运算结果，将运算结果对应的等级，作为该人脸图像的目标等级。

这里所说的选择一个人脸属性对应的等级，作为该人脸图像的目标等级，可以为根据预先设置的选择规则，选择一个人脸属性；在所选择的人脸属性对应的等级只有一个时，将该人脸属性对应的等级，作为该人脸图像的目标等级；在所选择的人脸属性对应的等级为多个时，选择一个等级，作为该人脸图像的目标等级。

s103：构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像。

可以理解的是，多个备选图像组涵盖人脸图像组中的所有人脸图像，这样可以避免人脸图像被遗漏的情况的出现。每一备选图像组包括至少两张人脸图像，这样可以在后续的过程中，根据针对备选图像组确定的筛选规则，对备选图像组中的人脸图像进行筛选，使得人脸图像的选择更具有针对性和细致化，从而确定出质量比较好的人脸图像。如果备选图像组中只有一张人脸图像，则无法进行后续的筛选。

构建备选图像组，可以理解为从人脸图像组中选择人脸图像，将所选择的人脸图像作为备选图像组中的人脸图像。需要说明的是，不同的备选图像组中的人脸图像可以全部不同，也可以部分相同。

构建所述人脸图像组对应的多个备选图像组的方式存在多种，在一种具体实现方式中，所述构建所述人脸图像组对应的多个备选图像组的步骤，可以包括：

将所述人脸图像组中的人脸图像不等分为多个备选图像组；

或者，

将所述人脸图像组中的人脸图像等分为多个备选图像组。

可以理解的是，将人脸图像不等分为多个备选图像组，则所有备选图像组中的人脸图像的数量不全相同，有可能部分备选图像组中的人脸图像的数量相同，也有可能所有备选图像组中的人脸图像的数量均不相同。而将人脸图像组中的人脸图像等分为多个备选图像组，说明所有备选图像组中的人脸图像的数量均相同。

s104：在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像。

在本发明实施例中，可以从该备选图像组中每一人脸图像的目标等级中，选择一个目标等级，将所选择的目标等级对应的筛选规则，确定为针对该备选图像组的筛选规则；也可以将该备选图像组中的每一人脸图像的目标等级进行运算，根据运算结果，确定针对该备选图像组的筛选规则；还可以判断该备选图像组的人脸图像的目标等级所满足的条件，将所满足的条件对应的筛选规则，确定为针对该备选图像组的筛选规则。

需要说明的是，每一筛选规则均是预先设置的，不同的筛选规则，对人脸图像的筛选方式不同。另外，从一个备选图像组中筛选得到的待利用人脸图像，可以作为另一个备选图像组中的待筛选人脸图像。

s105：基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

需要说明的是，一个备选图像组至少筛选出一张待利用人脸图像，可以从所有待利用人脸图像组选择一个人脸图像，作为目标人脸图像，当然，目标人脸图像是从所有待利用人脸图像中选择一个质量最好的人脸图像。

在本发明实施例中，根据备选图像组中的人脸图像的目标等级，确定备选图像组的筛选规则，通过筛选规则确定待利用人脸图像，进而确定目标图像。相较于现有技术，选择更加地具有针对性，针对不同的备选图像组，可以利用不同的筛选规则进行筛选，筛选出质量比较好的人脸图像，进而提高人脸识别的准确性。

下面结合具体的实施例，对本发明实施例所提供的一种人脸图像选择方法进行介绍。

如图2所示，本发明实施例所提供的一种人脸图像选择方法，可以包括如下步骤：

s201：获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像。

s202：基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性。

需要说明的是，s201-s202与上述实施例中的s101-s102相同，在此不做赘述。

s203：从所述人脸图像组中选择第一预设数量的人脸图像，构建第一个备选图像组。

需要说明的是，第一预设数量可以是人为设定的经验值，也可以为根据人脸图像中的人脸图像的数量确定的。所选择的第一预设数量的人脸图像组成了第一个备选图像组。因为需要构建多个备选图像组，所以第一预设数量肯定小于人脸图像组中的人脸图像的数量。

可以理解的是，人脸图像组中每一人脸图像均对应一个采集时间，且每一人脸图像的采集时间均不相同。所选择的第一预设数量的人脸图像，可以为采集时间相连的人脸图像。因为采集时间相连，说明对应的人脸图像是连续采集的，每一张人脸图像与上一张人脸图像、或下一张人脸图像具有连贯性。一般来说，采集时间连续的人脸图像的差别不是太大，并且人脸图像中的人脸的状态是连续的，从一个备选图像组的人脸图像中筛选出质量最好的待利用人脸图像的概率更高。

s204：对于任一非第一个备选图像组，确定所述人脸图像组当前未被选择的人脸图像的目标数量，如果所述目标数量大于第二预设数量，从所述人脸图像组当前未被选择的人脸图像中选择第二预设数量的人脸图像，并利用所选择的第二预设数量的人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组；如果所述目标数量不大于第二预设数量，利用所述人脸图像组当前未被选择的所有人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组。

可以理解的是，目标数量可以理解为人脸图像组中当前未被选择的人脸图像的数量，即当前人脸图像组中除已经作为备选图像组中的人脸图像之外的人脸图像的数量。第二预设数量可以是人为设定的经验值，也可以为预先确定的本次需要构建备选图像组中的人脸图像的数量与上一次确定的待利用人脸图像的数量之差。针对不同的备选图像组，第二预设数量可以相同，也可以不同。从每一备选图像组筛选得到的待利用人脸图像可以为一张，也可以为多张。需要说明的是，从备选图像组筛选得到的待利用人脸图像的数量小于该备选图像组中的人脸图像的数量。另外，在每一备选图像组中的人脸图像的数量相同的情况下，第二预设数量与上一次筛选得到的待利用人脸图像的数量之和为第一预设数量。

在本发明实施例中，当目标数量大于第二预设数量时，可以从人脸图像组当前未被选择的人脸图像中选择第二预设数量的人脸图像。具体的，所选择第二预设数量的人脸图像对应的采集时间晚于之前所选择的人脸图像的采集时间。采集时间晚于之前所选择的人脸图像的采集时间，不仅可以避免人脸图像组中漏选的情况的出现，还可以减少重复选择的概率。

另外，本次所选择的人脸图像的采集时间还可以与上一次所选择的人脸图像的采集时间相连续。采集时间与上一次所选择的人脸图像的采集时间相连续，可以保证这一次构建的备选图像组与上一次构建的备选图像组之间具有时间的关联性，两个备选图像组具有时间关联性，说明这两个备选图像组中的人脸图像具有关联性。当将从一个备选图像组中筛选获得的待利用人脸图像，与选择的第二预设数量的人脸图像共同构建本次的备选图像组，因为待利用人脸图像与第二预设数量的人脸图像具有相关性，这样可以针对本次构建的备选图像组设置统一的筛选规则，并且从该本次构建的备选图像组中筛选出质量最好的人脸图像的概率更高。

如果目标数量不大于第二预设数量，则将人脸图像组中当前未被选择的人脸图像和上一次筛选得到的待利用人脸图像，构建一个备选图像组。需要说明的是，当确定目标数量为0时，上一次筛选得到的待利用人脸图像只有一张，则该待利用人脸图像就是目标人脸图像，如果待利用人脸图像为多张，从多张待利用人脸图像中选择一个人脸图像，作为目标人脸图像。

s205：在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像。

s206：基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

本实施例中，s205-s206与上述实施例的s104-s105相同，在此不做赘述。

在本发明实施例中，利用上一次筛选得到的待利用人脸图像与本次选择的人脸图像，构成一个备选图像组。将待利用人脸图像加入下一个备选图像组中，进行进一步地筛选，可以保证后面获得的待利用人脸图像比之前获得的待利用人脸图像的质量好的概率比较高，从最后获得的待利用人脸图像中选择目标人脸图像，可以获得质量比较好的目标人脸图像，相较于现有技术，可以提高人脸识别的准确率。

下面结合另一具体实施例，对本发明实施例所提供的一种人脸图像选择方法进行介绍。

如图3所示，本发明实施例所提供的一种人脸图像选择方法，可以包括如下步骤：

s301：获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像。

其中，本实施例中s301与上述实施例的s101相同，s301的相关描述内容可以参见s101的相关描述内容，在此不做赘述。

s302：按照如下方式，确定所述人脸图像组中每一人脸图像的目标等级：

步骤a1：确定当前的人脸图像的第一人脸属性值；所述第一人脸属性值为第一人脸属性对应的值，所述第一人脸属性为所述第一类人脸属性中的一个人脸属性。

在本发明实施例中，每一人脸图像的目标等级的确定方法是一样的，针对每一人脸图像均会执行步骤a1至步骤a4的内容。

可以理解的是，当前的人脸图像可以理解为当前未确定目标等级的人脸图像中的一张人脸图像。第一人脸属性可以是从第一类人脸属性中随机选择的人脸属性，也可以为第一类人脸属性中对人脸图像质量影响程度最大的人脸属性，当然，还存在其他选择第一人脸属性的方法，在此不进行一一列举。

步骤a2：判断所述第一人脸属性值是否满足所述第一人脸属性对应的一个预设条件，其中，所述第一人脸属性对应至少一个预设条件，且所述第一人脸属性所对应的一个预设条件为针对第一人脸属性的一个等级设置的属性值范围，一个预设条件与一个等级对应。

需要说明的是，针对一个等级只预先设置一个条件，针对一个预设条件设置的属性值范围可以为至少一个属性值区间段，可以为具体的一个属性值。示例性的，第一人脸属性为清晰度，则该第一人脸属性的其中一个等级对应的预设条件可以为：大于等于0小于20；第一人脸属性为亮度，则该第一人脸属性的其中一个等级对应的预设条件可以为：大于等于0小于50或大于200小于等于255；第一人脸属性为正负脸，则该第一人脸属性对应的预设条件可以为：负脸。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。这里所说的正负脸包括正脸和负脸，正脸是指偏转角小于第一角度阈值的人脸或者俯仰角小于第二角度阈值的人脸，可以理解为比较正的人脸；负脸是指偏转角大于等于第一角度阈值的人脸或者俯仰角大于等于第二角度阈值的人脸，可以为大侧脸、大俯脸、误检的非人脸。可以理解的是，偏转角是描述人脸姿态的3个角度中的其中一个角度，是人脸在水平方向上左右转动而形成的角度。俯仰角也是描述人脸姿态的3个角度中的其中一个角度，是人脸在竖直方向上上下转动而形成的角度。

步骤a3：当判断结果为是时，将所满足的预设条件对应的等级，确定为当前的人脸图像的目标等级。

可以理解的是，当判断第一人脸属性值满足第一人脸属性对应的一个预设条件时，将满足的预设条件对应的等级，确定为当前的人脸图像的目标等级。在确定一个人脸图像的人脸属性的目标等级后，就不会再确定该人脸图像第一类人脸属性中的其他人脸属性对应的值。

步骤a4：当判断结果为否时，从所述第一类人脸属性中选择一个未被利用的人脸属性，将所述第一人脸属性替换为所选择的人脸属性，返回执行确定当前的人脸图像的第一人脸属性值的步骤。

可以理解的是，判断结果为否，说明该第一人脸属性值均不满足第一人脸属性对应的预设条件。当判断结果为否时，无法确定该人脸图像的目标等级，则可以从第一类人脸属性中选择一个未被利用的人脸属性，作为新的第一人脸属性，并返回执行步骤a1，直至确定出该人脸图像的目标等级。

需要说明的是，针对不同的人脸图像，所需要确定的人脸属性值的数量可以相同，可以不同。

作为本发明的一种实施方式，所述第一类人脸属性包括正负脸、清晰度、亮度、遮挡程度、偏转角和俯仰角。

可以理解的是，第一类人脸属性中的每一人脸属性对应的值，可以采用分类器确定，也可以通过计算得到，在这里不进行限定。

需要说明的是，这里所说的遮挡程度是指对人脸区域遮挡的程度。遮挡程度可以分为口鼻遮挡、双眼遮挡、严重遮挡、轻微遮挡、无遮挡，严重遮挡是除口鼻遮挡、双眼遮挡之外的遮挡面积超过预设上限的遮挡，例如，人脸图像为喝水的图像，因为水杯遮挡住了人脸的部分区域，可以确定该人脸图像为严重遮挡，轻微遮挡是除口鼻遮挡、双眼遮挡之外的遮挡面积未超过预设上限的遮挡。当然，遮挡程度并不仅限于上述分类，可以通过遮挡面积划分遮挡程度，也可以通过遮挡的区域划分遮挡程度等等。

s303：构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像；

s304：在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像；

s305：基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

其中，s303-s305的描述内容可以参见与上述实施例的相应部分的描述内容，在此不做赘述。

在本发明实施例中，在确定一个人脸图像的人脸属性的目标等级后，就不会再确定该人脸图像第一类人脸属性中的其他人脸属性对应的值，这样可以逐步减少需要确定人脸属性值的人脸图像的数量，可以节省资源，并可以加快人脸图像的目标等级确定的速度。

下面结合另一具体实施例，对本发明实施例所提供的一种人脸图像选择方法进行介绍。

如图4所示，本发明实施例所提供的一种人脸图像选择方法，可以包括如下步骤：

s401：获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像。

s402：基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性。

s403：构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像。

其中，s401-s403的描述内容可以参见与上述实施例的相应部分的描述内容，在此不做赘述。

s404：在每一备选图像组构成后，判断该备选图像组中的人脸图像是否满足第一预设筛选条件，执行s405，否则结束；其中，所述第一预设筛选条件为：该备选图像组中的人脸图像的目标等级均不相同，且不同时为第二人脸属性对应的等级；所述第二人脸属性为所述第一类人脸属性中的一个人脸属性。

作为本发明的一种实施方式，所述第一类人脸属性中的每一人脸属性均与至少一个等级具有对应性。

可以理解的是，人脸图像的目标等级可以是根据人脸属性值确定的，进一步地，可以为人脸属性对应等级，因此，第一类人脸属性中的每一人脸属性均与至少一个等级具有对应性。如果第一类人脸属性中的一个人脸属性不存在对应的等级，则确定这一人脸属性值对确定人脸图像的目标等级没有任何贡献，而且确定这一没有对应等级的人脸属性值，还浪费时间，并增加确定人脸图像的目标等级的时间。

作为本发明的一种实施方式，所述第二人脸属性为偏转角。

需要说明的是，根据经验值、预先的实验或者对图像质量的影响程度，可以将偏转角作为第二人脸属性。

在本发明实施例中，一个人脸属性对图像质量的影响程度越大，则该人脸属性对应的等级越低，反之，该人脸属性对应的等级越高。第二人脸属性可以是第一类人脸属性中对图像质量影响程度最小的人脸属性。

示例性的，该备选图像组中包括人脸图像c和人脸图像d，人脸图像c的目标等级为a02，人脸图像d的目标等级为a04，第二人脸属性对应的等级为a07-a13，该备选图像组中的人脸图像的目标等级不同，且不同时为a07-a13中的任一个，则可以判断该备选图像组中的人脸图像满足第一预设筛选条件，执行s405。

s405：将预先设置的第一筛选规则，确定为针对该备选图像组的筛选规则，其中，所述第一筛选规则为筛选目标等级最高的人脸图像的规则。

可以理解的是，当备选图像组中的人脸图像的目标等级不同时为第二人脸属性对应的等级，且不相同时，因为第二人脸属性对图像质量的影响程度最小，第一类人脸属性中的其他人脸属性相较于第二人脸属性的影响程度较大，则可以确定该备选图像组中的人脸图像存在较大的差异。综上所述，可以直接筛选目标等级最高的人脸图像，筛选方式比较简单快捷，可以节省筛选的时间。

在本发明实施例中，第一筛选规则可以是预先针对满足第一预设筛选条件设置的筛选规则。

s406：通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像。

延续s404中的示例，筛选目标等级最高的人脸图像，获得的待利用人脸图像为人脸图像d。

s407：基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

其中，s406-s407的描述内容可以参见与上述实施例的相应部分的描述内容，在此不做赘述。

作为本发明的一种实施方式，在判断该备选图像组中的人脸图像不满足第一预设筛选条件的情况下，方法还可以包括：

步骤b1：确定该备选图像组中每一人脸图像的第三人脸属性值；其中，所述第三人脸属性值为第三人脸属性对应的值，所述第三人脸属性为除所述第一类人脸属性中的人脸属性之外的人脸属性。

当备选图像组中的人脸图像不满足第一预设筛选条件时，需要确定该备选图像组中每一人脸图像的第三人脸属性值。确定第三人脸属性值的方法可以由第三人脸属性的性质决定的。示例性的，第三人脸属性为瞳距，确定第三人脸属性值的方法可以为：根据关键点定位算法，在人脸图像中标定出多个关键点，定位双眼的瞳孔，计算两个瞳孔中心连线上的像素的数量，作为瞳距。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

作为本发明的一种实施方式，所述第三人脸属性可以为瞳距。

在本发明实施例中，考虑到人脸图像的每一人脸属性对人脸筛选的贡献，选择了瞳距。

步骤b2：判断该备选图像组中的人脸图像是否满足第二预设筛选条件，如果满足，执行步骤b3；其中，所述第二预设筛选条件为：该备选图像组中的人脸图像的目标等级同时为所述第二人脸属性对应的等级、且针对每两个人脸图像的第三人脸属性值之间的差值中的最大差值大于第一预设阈值、以及第三人脸图像的数量小于第二预设阈值；所述第三人脸图像为所述第三人脸属性值小于第三预设阈值的人脸图像。

需要说明的是，如果一个备选图像组中的人脸图像的等级同时为第二人脸属性对应的等级，考虑到第三人脸属性对人脸图像质量的贡献，更加精确地对人脸图像进行筛选，则需要进一步根据第三人脸属性值确定针对该备选图像组的筛选规则。

示例性的，该备选图像组中的人脸图像是人脸图像a和人脸图像b，人脸图像a的目标等级为a07，瞳距为50；人脸图像b的目标等级为a08，瞳距为35，可以认为人脸图像b是小瞳距人脸图像；第二人脸属性对应的等级为a07-a13，第一预设阈值为10；第二预设阈值为2，则可以确定该备选图像组中的人脸图像满足第二预设筛选条件。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

步骤b3：将预先设置的第二筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第二筛选规则为筛选第一综合评分最高的人脸图像的规则。

可以理解的是，第二筛选规则是预先针对满足第二筛选条件的备选图像组设置的。每一备选图像组中的人脸图像不同，确定的目标等级不同，目标等级不同，所确定的筛选规则不同，不同的筛选规则对备选图像组中的人脸图像筛选方式不一样。

作为本发明的一种实施方式，所述第一综合评分是通过以下两个步骤计算得到的：

第一步：针对该备选图像组中每一人脸图像，获得该人脸图像的第二类人脸属性中的每一人脸属性的参考值，其中，所述第二类人脸属性包括第三人脸属性，人脸属性的参考值是基于人脸属性对应的值确定的。

在本发明实施例中，人脸属性对应的值就是人脸属性值，针对该备选图像组中的每一人脸图像，先获得该人脸图像的第二类人脸属性值，第二类人脸属性值为第二类人脸属性对应的值，即第二类人脸属性中每一人脸属性对应的值。针对不同的人脸属性，获得该人脸属性的参考值的方式不同，可以基于该人脸属性值，通过预先针对该人脸属性设置的参考值确定方式，确定该人脸属性的参考值。针对人脸属性设置的参考值确定方式是考虑到该人脸属性的性质等因素预先设置的。

作为本发明的一种实施方式，所述第二类人脸属性为瞳距、俯仰角、遮挡程度和偏转角。

在本发明实施例中，考虑到人脸图像的瞳距的差值对人脸图像的筛选的影响，针对人脸图像的瞳距的确定方式为：基于人脸图像瞳距之间的差值，确定人脸图像的瞳距的参考值。示例性的，该备选图像组中包含人脸图像c和人脸图像d，人脸图像c的瞳距为32，人脸图像d的瞳距为45，两张人脸图像瞳距差值为13，两张人脸图像的瞳距一个大于第二预设阈值，一个小于第二预设阈值，瞳距影响比较大，根据预先针对瞳距的参考值确定方式，确定人脸图像c的瞳距的参考值为0，人脸图像d瞳距的参考值为13。如果人脸图像c的瞳距不变，人脸图像d的瞳距40、两张人脸图像的瞳距差值为8，且两张人脸图像均是小瞳距的人脸图像，根据预先针对瞳距设置的参考值确定方式，获得的人脸图像c的瞳距的参考值为0，人脸图像d瞳距的参考值为16。如果人脸图像c的瞳距不变，人脸图像d的瞳距60、两张人脸图像的瞳距差值为28，人脸图像的差距比较大，根据预先针对瞳距设置的参考值确定方式，获得的人脸图像c的瞳距的参考值为0，人脸图像d瞳距的参考值为14。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

针对偏转角设置的参考值确定方式中规定了偏转角越大，参考值越小，具体的确定方式为：将两张人脸图像的偏转角差值作为偏转角小的人脸图像的偏转角的参考值，将另一张人脸图像的偏转角的参考值作为预设值，该预设值为小于两张人脸图像的偏转角差值的非负数。当然，还可以将两张人脸图像的偏转角差值的整倍数，作为偏转角小的人脸图像的偏转角的参考值，还可以将两张人脸图像的偏转角差值加上一个固定值或减去一个固定值之后的值，作为偏转角小的人脸图像的偏转角的参考值。示例性的，获得的人脸图像c的偏转角为10度，人脸图像d的偏转角为26度，两张人脸图像的偏转角差值为16度，获得的人脸图像c的偏转角的参考值为16，获得的人脸图像d的偏转角的参考值为0。

需要说明的是，针对俯仰角的参考值确定方式可以参考偏转角的参考值的确定方式，获得人脸图像的俯仰角的参考值方式与获得人脸图像的偏转角的参考值的方式类似，在此不做赘述。

获得清晰度的参考值的方式为：针对该备选图像组中每一人脸图像，获得该人脸图像的清晰度，根据预先设置的清晰度数值范围与清晰度的参考值之间的对应关系，确定该人脸图像的清晰度所属的清晰度数值范围，将所确定的清晰度数值范围所对应的参考值，作为该人脸图像的清晰度的参考值。示例性的，清晰度的取值范围为0-100，则可以预先设置清晰度数值范围为0-20时，所对应的清晰度的参考值为1；清晰度数值范围为21-40时，所对应的清晰度的参考值为2；清晰度数值范围为41-60时，所对应的清晰度的参考值为3；清晰度数值范围为61-80时，所对应的清晰度的参考值为4；清晰度数值范围为81-100时，所对应的清晰度的参考值为5。人脸图像c的清晰度为60，则人脸图像c的清晰度的参考值为3，人脸图像d的清晰度为80，则人脸图像d的清晰度的参考值为4。

获得遮挡程度的参考值的方式为：针对该备选图像组中每一人脸图像，获得该人脸图像的遮挡程度，根据预先设置的遮挡程度与遮挡程度的参考值之间的对应关系，将所确定的遮挡程度所对应的参考值，作为该人脸图像的遮挡程度的参考值。示例性的，人脸图像c的遮挡程度为严重遮挡，预先针对严重遮挡设置的参考值为3，则人脸图像c的遮挡程度的参考值为3。人脸图像d的遮挡程度为轻微遮挡，预先针对轻微遮挡设置的参考值为4，则人脸图像d的遮挡程度的参考值为4。

第二步：针对该备选图像组中每一人脸图像，根据预先针对所述第三人脸属性设置的第一权重组合，对该人脸图像每一人脸属性的参考值进行加权计算，获得该人脸图像的第一综合评分。

需要说明的是，预先针对第三人脸属性设置的第一权重组合只有一个，并且该第一权重组合中包括第二类人脸属性中的每一人脸属性的权重。第一权重组合中的权重与第二类人脸属性中的人脸属性是一一对应的。

示例性的，所确定的第一权重组合为20％、30％、15％、25％和10％，人脸图像c的人脸属性的参考值分别为0、16、10、3、3，人脸图像d的人脸属性的参考值分别为13、0、0、4、4，则人脸图像c的第一综合评分为7.35，人脸图像d的第一综合评分为4。上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

在本发明实施例中，基于人脸属性值确定人脸图像的参考值，将不同的人脸属性在同一个水平线上比较，使得计算出的第一综合评分更加地准确，能准确地反应出人脸图像的质量。

作为本发明的一种实施方式，在判断该备选图像组中的人脸图像不满足第二预设筛选条件的情况下，方法还可以包括：

步骤c1：判断该备选图像组中的人脸图像是否满足第三预设筛选条件，如果是执行步骤c2；其中，所述第三预设筛选条件为：该备选图像组中的人脸图像的目标等级为所述第二人脸属性对应的等级，且每两个目标等级之间的等级差值均大于第四预设阈值。

如果该备选图像组中的人脸图像不满足第二预设筛选条件，则该备选图像中的人脸图像也不满足第一预设筛选条件，为了确定该备选图像组的筛选规则，需要进一步地判断该备选图像中的人脸图像是否满足第三筛选条件。

步骤c2：将所述第一筛选规则，确定为针对该备选图像组的筛选规则。

如果备选图像组中的人脸图像的目标等级为所述第二人脸属性对应的等级，且每两个目标等级之间的等级差值均大于第四预设阈值，此时主要考虑第二人脸属性对人脸图像质量的影响，即目标等级对人脸图像质量的影响。如果该备选图像组中的每两个目标等级之间的等级差值均大于第四预设阈值，人脸图像的质量差别比较大，则可以直接根据目标等级进行筛选，筛选目标等级最高的人脸图像，这样筛选简单快捷，并且可以节省筛选时间。

作为本发明的一种实施方式，在判断该备选图像组中的人脸图像不满足第三预设筛选条件的情况下，方法还可以包括：

将预先设置的第三筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第三筛选规则为筛选第二综合评分最高的人脸图像的规则。

在本发明实施例中，第三筛选规则可以是预先针对不满足第三预设筛选条件设置的筛选规则。满足人脸图像满足第三筛选规则的备选图像组，可以为人脸图像目标等级相同的备选图像组，也可以为人脸图像分别为第二人脸属性对应的等级中相邻的等级等等。

所述第二综合评分是通过以下步骤计算得到的：

1、确定该备选图像组中每一人脸图像的第三类人脸属性值；其中，所述第三类人脸属性值为第三类人脸属性对应的值，所述第三类人脸属性为除所述第一类人脸属性以及第二类人脸属性中的人脸属性之外的人脸属性。

需要说明的是，第三类人脸属性中的人脸属性不属于第一类人脸属性，也不属于第二类人脸属性。第三类人脸属性中的人脸属性是预先设置。

作为本发明的一种实施方式，所述第三类人脸属性包括是否为阴阳脸、睁闭眼和张闭嘴。

可以理解的是，阴阳脸指的是人脸的一部分区域的亮度大于一个预设亮度值，或者一部分区域的亮度小于另一个预设亮度值的人脸。示例性的，光照射到一侧人脸上，导致该侧人脸比较亮，另一侧人脸比较暗，从而使得另一侧人脸不清楚，存在阴影，则可以称此时的人脸为阴阳脸。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

对于是否阴阳脸、张闭嘴、睁闭眼，可以采用预先确定的计算规则进行计算确定对应的值，也可以通过训练好的神经网络确定对应的值等等，在此不进行一一列举。如果通过训练好的神经网络获得人脸属性值，是否阴阳脸、张闭嘴、睁闭眼这三个人脸属性分别对应一种神经网络，每一种神经网络的功能不一样，但网络结构可以一样。

2、根据预设的目标等级与第二权重组合的关系，确定该备选图像组中每一人脸图像的第二权重组合。

在本发明实施例中，备选图像组中每一人脸图像均存在一个目标等级，根据预设的目标等级与第二权重组合的关系，可以确定每一人脸图像的第二权重组合。

3、针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值，获得该人脸图像的第二综合评分，其中，所述第四类人脸属性值为第四类人脸属性对应的值，所述第四类人脸属性包括所述第一类人脸属性、所述第二类人脸属性以及所述第三类人脸属性中的人脸属性。

作为本发明的一种实施方式，所述第四类人脸属性包括清晰度、亮度、遮挡程度、偏转角、俯仰角、瞳距、是否为阴阳脸、睁闭眼和张闭嘴。

在本发明实施例中，第四类人脸属性包括上述所说的除正负脸之外的人脸属性。

根据所确定第二权重组合和第四类人脸属性值中的每一人脸属性值，获得该人脸图像的第二综合评分，第二综合评分是基于第四类人脸属性值中的8个人脸属性值获得的，每一人脸属性值反映了一个人脸属性的优劣。第二综合评分是综合评价人脸图像质量好坏的不同维度的指标获得的，可以反映每一人脸图像的质量。

作为本发明的一种实施方式，所述针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值进行加权计算，获得该人脸图像的第一综合评分的步骤，可以包括：

步骤d1：针对该备选图像组中的每一人脸图像，根据预先设置的第四类人脸属性中的每一人脸属性对应的值与取值之间的映射关系，确定该人脸图像的所述第四类人脸属性中每一人脸属性的取值，其中，每一种人脸属性均对应同一个取值范围。

每一人脸属性对应的值，由于人脸属性的性质不同，有的人脸属性对应的值比较大，有的人脸属性对应的值比较小。为了更加准确地评价每一人脸图像的质量，在本发明实施例中，将不同人脸属性对应的值归一到同一取值范围，不同人脸属性对应的值在同一范围内，这样不同的人脸属性对应的值可以进行比较。

示例性的，取值范围是0-9，瞳距为50，根据预先设置的映射关系，可以确定瞳距的取值为8。当然，上述所举示例，仅为本发明实施例的一具体实例，不具有限定作用。

需要说明的是，对于是否阴阳脸来说，只有两个取值，阴阳脸对应一个取值，非阴阳脸对应另一个取值，并且阴阳脸对应的取值小于非阴阳脸对应的取值；同样的，对于睁闭眼来说，只有两个取值，睁眼对应一个取值，闭眼对应另一个取值，并且睁眼对应的取值大于闭眼对应的取值；同样的，对于张闭嘴来说，只有两个取值，张嘴对应一个取值，闭嘴对应另一个取值，并且张嘴对应的取值大于闭嘴对应的取值。

步骤d2：根据所确定该人脸图像的第二权重组合，对该人脸图像对应的每一人脸属性的取值进行加权计算，获得该人脸图像的第二综合评分。

这里的获得第二综合评分与上述获得第一综合评分的原理相同，在此不做赘述。

在本发明实施例中，考虑到每一备选图像组中的人脸图像的具体情况，针对性地确定每一备选图像组中的筛选规则，确定的筛选规则更加准确，进而可以筛选出质量比较好的待利用人脸图像，提高人脸识别的准确率。

下面结合具体实例对本发明实施例中提供的人脸图像选择方法进行说明。

首先对每一人脸属性对应的等级和每一等级的预设条件进行说明：正负脸对应的等级为a01，a01的预设条件为负脸；清晰度对应的等级为a02，a02的预设条件为清晰度值小于30；亮度对应的等级为a03，a03的预设条件为清晰度值小于55或大于等于200；遮挡程度对应的等级为a04和a05，a04的预设条件为口鼻遮挡，a05的预设条件为双眼遮挡；

偏转角对应的等级为a06-a13，a06的预设条件为偏转角绝对值大于35或者俯仰角绝对值大于30，a06也是俯仰角对应的等级；a07的预设条件为偏转角绝对值小于等于35度大于30度；a08的预设条件为偏转角绝对值小于等于30度大于25度；a09的预设条件为偏转角绝对值小于等于25度大于20度；a10的预设条件为偏转角绝对值小于等于20度大于15度；a11的预设条件为偏转角绝对值小于等于15度大于10度；a12的预设条件为偏转角绝对值小于等于10度大于5度；a13的预设条件为偏转角绝对值小于等于5度大于等于0度。

获取人脸图像组a包含5张人脸图像，分别为人脸图像1-5，人脸图像1-5是按照采集时间的先后排序的。对人脸图像1进行正负脸筛选，确定人脸图像为负脸，则确定人脸图像1的目标等级为a01。对人脸图像2进行正负脸筛选，确定人脸图像2为正脸，则确定人脸图像2的清晰度值，所确定的清晰度值为80；然后确定人脸图像2的亮度值，所确定的亮度值为100；此时还是没有确认人脸图像2的目标等级，需要确定人脸图像2的遮挡程度，所确定的遮挡程度为轻微遮挡，还需要确定人脸图像2的偏转角，偏转角为10度，还需要确定人脸图像2的俯仰角为4度，则可以确认的人脸图像2的目标等级为a12。根据上述确认人脸图像2的目标等级的方法，确定人脸图像3的目标等级为a08，人脸图像4的目标等级为a04，人脸图像5的目标等级为a09。

在确定完5个人脸图像的目标等级，构建备选图像组1，备选图像组1包括人脸图像1和人脸图像2，确定备选图像组1中的人脸图像满足第一预设筛选条件，针对备选图像1中的筛选规则为第一预设筛选规则，通过第一预设筛选规则对备选图像组1进行筛选，获得的待利用图像为人脸图像2。

在对备选图像1筛选过后，利用人脸图像2和人脸图像3构建备选图像组2，备选图像组2中的人脸图像不满足第一预设筛选条件，需要确定人脸图像2和人脸图像3的瞳距，人脸图像2的瞳距为45，人脸图像3的瞳距为32，第一预设阈值为15，第二预设阈值为2，第三预设阈值为40，备选图像组2满足第二筛选条件，人脸图像2的人脸属性参考值的为13、10、0、3、4，人脸图像3的人脸属性参考值的为0、0、5、4、5，第一权重组合为20％、30％、10％、25％和15％，人脸图像2的第一综合评分6.95，人脸图像3的第二类属性值分别为1.95。获得的待利用人脸图像为人脸图像2。

在对备选图像2筛选过后，利用人脸图像2和人脸图像4构建备选图像组3，备选图像组3满足第一预设筛选条件，则获得的待利用人脸图像为人脸图像2。

在对备选图像3筛选过后，利用人脸图像2和人脸图像5构建备选图像组4，备选图像组4中的人脸图像不满足第一预设筛选条件，确定人脸图像5的瞳距为50，则备选图像组4中的人脸图像不满足第二预设筛选条件。第四预设阈值为2，则可以确定备选图像组中的人脸图像满足第三预设筛选条件，则确定预先设置的第一筛选规则为针对备选图像组4的筛选规则，所获得待利用人脸图像为人脸图像2。此时，人脸图像2为人脸图像组a的目标人脸图像。

相应于上述的方法实施例，本发明实施例提供了一种人脸图像选择装置，参见图5所示，所述装置包括：

获取模块501，用于获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像；

第一确定模块502，用于基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性；

构建模块503，用于构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像；

第一获得模块504，用于在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像；

第二确定模块505，用于基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

在本发明实施例中，根据备选图像组中的人脸图像的目标等级，确定备选图像组的筛选规则，通过筛选规则确定待利用人脸图像，进而确定目标图像。相较于现有技术，选择更加地具有针对性，针对不同的备选图像组，可以利用不同的筛选规则进行筛选，筛选出质量比较好的人脸图像，进而提高人脸识别的准确性。

作为本发明的一种实施方式，所述构建模块503，可以包括：

第一构建子模块，用于从所述人脸图像组中选择第一预设数量的人脸图像，构建第一个备选图像组；

第二构建子模块，用于对于任一非第一个备选图像组，确定所述人脸图像组当前未被选择的人脸图像的目标数量，如果所述目标数量大于第二预设数量，从所述人脸图像组当前未被选择的人脸图像中选择第二预设数量的人脸图像，并利用所选择的第二预设数量的人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组；如果所述目标数量不大于第二预设数量，利用所述人脸图像组当前未被选择的所有人脸图像和从上一个备选图像组筛选得到的待利用人脸图像，构建一个备选图像组。

作为本发明的一种实施方式，所述构建模块503，用于将所述人脸图像组中的人脸图像不等分为多个备选图像组；

或者，

将所述人脸图像组中的人脸图像等分为多个备选图像组。

可选的，所述第一获得模块，用于按照如下方式，确定所述人脸图像组中每一人脸图像的目标等级：

确定单元，确定当前的人脸图像的第一人脸属性值；所述第一人脸属性值为第一人脸属性对应的值，所述第一人脸属性为所述第一类人脸属性中的一个人脸属性；

判断所述第一人脸属性值是否满足所述第一人脸属性对应的一个预设条件，其中，所述第一人脸属性对应至少一个预设条件，且所述第一人脸属性所对应的一个预设条件为针对第一人脸属性的一个等级设置的属性值范围，一个预设条件与一个等级对应；

当判断结果为是时，将所满足的预设条件对应的等级，确定为当前的人脸图像的目标等级；

当判断结果为否时，从所述第一类人脸属性中选择一个未被利用的人脸属性，将所述第一人脸属性替换为所选择的人脸属性，返回执行确定当前的人脸图像的第一人脸属性值的步骤。

作为本发明的一种实施方式，所述第一类人脸属性可以包括正负脸、清晰度、亮度、遮挡程度、偏转角和俯仰角。

作为本发明的一种实施方式，所述第一类人脸属性中的每一人脸属性均与至少一个等级具有对应性；

所述第一获得模块504，可以包括：

判断子模块，用于判断该备选图像组中的人脸图像是否满足第一预设筛选条件，其中，所述第一预设筛选条件为：该备选图像组中的人脸图像的目标等级均不相同，且不同时为第二人脸属性对应的等级；所述第二人脸属性为所述第一类人脸属性中的一个人脸属性；

第一确定子模块，用于在所述判断子模块的判断结果为满足的情况下，将预先设置的第一筛选规则，确定为针对该备选图像组的筛选规则，其中，所述第一筛选规则为筛选目标等级最高的人脸图像的规则。

作为本发明的一种实施方式，所述装置还可以包括：

第三确定模块，用于在所述判断子模块的判断结果为不满足的情况下，确定该备选图像组中每一人脸图像的第三人脸属性值；其中，所述第三人脸属性值为第三人脸属性对应的值，所述第三人脸属性为除所述第一类人脸属性中的人脸属性之外的人脸属性；

第一判断模块，用于判断该备选图像组中的人脸图像是否满足第二预设筛选条件，其中，所述第二预设筛选条件为：该备选图像组中的人脸图像的目标等级同时为所述第二人脸属性对应的等级、且针对每两个人脸图像的第三人脸属性值之间的差值中的最大差值大于第一预设阈值、以及第三人脸图像的数量小于第二预设阈值；所述第三人脸图像为所述第三人脸属性值小于第三预设阈值的人脸图像；

第四确定模块，用于在所述第一判断子模块的判断结果为满足的情况下，将预先设置的第二筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第二筛选规则为筛选第一综合评分最高的人脸图像的规则；

第二获得模块，用于针对该备选图像组中每一人脸图像，获得该人脸图像的第二类人脸属性中的每一人脸属性的参考值，其中，所述第二类人脸属性包括第三人脸属性，一个人脸属性的参考值是基于该人脸属性值确定的；

第三获得模块，用于针对该备选图像组中每一人脸图像，根据预先针对所述第三人脸属性设置的第一权重组合，对该人脸图像每一人脸属性的参考值进行加权计算，获得该人脸图像的第一综合评分。

作为本发明的一种实施方式，所述装置还可以包括：

第二判断模块，用于在所述第一判断模块的判断结果为不满足的情况下，判断该备选图像组中的人脸图像是否满足第三预设筛选条件，其中，所述第三预设筛选条件为：该备选图像组中的人脸图像的目标等级为所述第二人脸属性对应的等级，且每两个目标等级之间的等级差值均大于第四预设阈值；

第五确定模块，用于在所述第如图判断模块的判断结果为是的情况下，将所述第一筛选规则，确定为针对该备选图像组的筛选规则。

作为本发明的一种实施方式，所述装置还可以包括：

第六确定模块，用于在所述第二判断模块的判断结果为不满足的情况下，将预先设置的第三筛选规则，确定为针对该备选图像组的筛选规则；其中，所述第三筛选规则为筛选第二综合评分最高的人脸图像的规则；

第七确定模块，用于确定该备选图像组中每一人脸图像的第三类人脸属性值；其中，所述第三类人脸属性值为第三类人脸属性对应的值，所述第三类人脸属性为除所述第一类人脸属性以及第二类人脸属性中的人脸属性之外的人脸属性；

第八确定模块，用于根据预设的目标等级与第二权重组合的关系，确定该备选图像组中每一人脸图像的第二权重组合；

第四获得模块，用于针对该备选图像组中的每一人脸图像，根据所确定该人脸图像的第二权重组合和第四类人脸属性值中的每一人脸属性值，获得该人脸图像的第二综合评分，其中，所述第四类人脸属性值为第四类人脸属性对应的值，所述第四类人脸属性包括所述第一类人脸属性、所述第二类人脸属性以及所述第三类人脸属性中的人脸属性。

作为本发明的一种实施方式，所述第四获得模块，可以包括：

第二确定子模块，用于针对该备选图像组中的每一人脸图像，根据预先设置的第四类人脸属性中的每一人脸属性对应的值与取值之间的映射关系，确定该人脸图像的所述第四类人脸属性中每一人脸属性的取值，其中，每一种人脸属性均对应同一个取值范围；

获得子模块，根据所确定该人脸图像的第二权重组合，对该人脸图像对应的每一人脸属性的取值进行加权计算，获得该人脸图像的第二综合评分。

作为本发明的一种实施方式，所述第二人脸属性可以为偏转角；

所述第三人脸属性可以为瞳距；

所述第二类人脸属性可以包括瞳距、俯仰角、遮挡程度和偏转角；

所述第三类人脸属性可以包括是否为阴阳脸、睁闭眼和张闭嘴；

所述第四类人脸属性可以包括清晰度、亮度、遮挡程度、偏转角、俯仰角、瞳距、是否为阴阳脸、睁闭眼和张闭嘴。

本发明实施例还提供了一种计算机设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：

获取人脸图像组，其中，所述人脸图像组中包含多个人脸图像；

基于所述人脸图像组中每一人脸图像的第一类人脸属性值，确定每一人脸图像的目标等级，其中，所述第一类人脸属性值为第一类人脸属性对应的值，所述第一类人脸属性包含至少一个人脸属性；

构建所述人脸图像组对应的多个备选图像组，其中，所述多个备选图像组涵盖所述人脸图像组中的所有人脸图像，且每一备选图像组包括至少两张人脸图像；

在每一备选图像组构成后，基于该备选图像组中每一人脸图像的目标等级，确定针对该备选图像组的筛选规则，并通过所对应的筛选规则，对该备选图像组中的人脸图像进行筛选，获得待利用人脸图像；

基于所述人脸图像组所对应的所有待利用人脸图像，确定所述人脸图像组所对应的目标人脸图像。

上述计算机设备所执行的人脸图像选择方法的具体实现方式与前述方法实施例中提及的各种实现方式相同，这里不再赘述。

上述计算机设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述计算机设备与其他设备之间的通信。

存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明实施例中，根据备选图像组中的人脸图像的目标等级，确定备选图像组的筛选规则，通过筛选规则确定待利用人脸图像，进而确定目标图像。相较于现有技术，选择更加地具有针对性，针对不同的备选图像组，可以利用不同的筛选规则进行筛选，筛选出质量比较好的人脸图像，进而提高人脸识别的准确性。

在本发明的又一实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述实施例中任一所述的人脸图像选择方法。

在本发明实施例中，根据备选图像组中的人脸图像的目标等级，确定备选图像组的筛选规则，通过筛选规则确定待利用人脸图像，进而确定目标图像。相较于现有技术，选择更加地具有针对性，针对不同的备选图像组，可以利用不同的筛选规则进行筛选，筛选出质量比较好的人脸图像，进而提高人脸识别的准确性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。