本申请涉及信息技术领域，尤其涉及一种图像质量的检测方法、装置及设备，人脸识别方法、装置及设备。
背景技术：
目前，人脸识别技术的应用越来越广泛，但是制约识别准确率的因素之一还是待识别图像的图像质量。由于实际应用场景的复杂性，使得在不同场景下，即使是同样的摄像头采集图像的图像质量也可能存在差异，目前常人工标注图像质量，主观性太强，不能真正体现图像的本质特征，图像质量的评分不够准确，且成本较高。
以及，在现有技术中，在对视频监控中出现的目标进行人脸识别时，由于从目标进入视频画面直到目标离开视频画面的这一段视频中，通常每一帧画面都包含该目标的人脸图像，所以这一段视频中的每帧画面都可以用来对目标进行人脸识别。
但是，若对视频中的每帧画面都进行人脸识别，则会导致需要进行大量的运算。并且，由于人脸识别的仅需要确定目标的识别结果，以便确定目标身份即可，对每帧画面都进行人脸识别也是对运算资源的浪费。
考虑到实际应用人脸识别技术时存在的上述问题，如何确定待识别图像的图像质量，从而根据待识别图像的图像质量，对待识别图像进行筛选，以减少需要进行人脸识别的待识别图像的数量，已经成为亟待解决的问题。
技术实现要素：
本说明书实施例提供一种图像质量的检测方法及装置，用于解决在实际应用人脸识别技术时，由于缺乏确定待识别图像的图像质量的手段，导致人脸识别效率低，耗费资源高的问题。
本说明书实施例采用下述技术方案：
一种图像质量的检测方法，包括：
从训练样本中提取图像特征，以确定所述图像特征的特征评分；
基于所述特征评分训练图像质量评分模型；
从待检测图像中提取图像特征，以根据所述待检测图像的图像特征和所述图像质量评分模型确定所述待检测图像的图像质量评分；
其中，训练所述图像质量评分模型时，采用在不同环境下采集的原始图像，以及对所述原始图像进行处理得到的扩展图像，作为所述训练样本。
一种人脸识别的方法，包括：
获取一组包含待识别人脸的人脸图像；
根据上述图像质量的检测方法，分别确定每张所述人脸图像的图像质量评分；
利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果；
根据所述排序结果，选择至少一张人脸图像进行人脸识别。
一种图像质量的检测装置，包括：
提取模块，用于从训练样本中提取图像特征，以确定所述图像特征的特征评分；
训练模块，用于基于所述特征评分训练图像质量评分模型；
评分确定模块，用于从待检测图像中提取图像特征，以根据所述待检测图像的图像特征和所述图像质量评分模型确定所述待检测图像的图像质量评分；
其中，训练所述图像质量评分模型时，采用在不同环境下采集的原始图像，以及对所述原始图像进行处理得到的扩展图像，作为所述训练样本。
一种人脸识别的装置，包括：
获取模块，用于获取一组包含待识别人脸的人脸图像；
评分模块，用于上述图像质量的检测方法，分别确定每张所述人脸图像的图像质量评分；
排序模块，用于利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果；
人脸识别模块，用于根据所述排序结果，选择至少一张人脸图像进行人脸识别。
一种图像质量的检测设备，所述确定图像质量的设备包括：一个或多个处理器及存储器，存储器存储有程序，并且被配置成由一个或多个处理器执行以下步骤：
从训练样本中提取图像特征，以确定所述图像特征的特征评分；
基于所述特征评分训练图像质量评分模型；
从待检测图像中提取图像特征，以根据所述待检测图像的图像特征和所述图像质量评分模型确定所述待检测图像的图像质量评分；
其中，训练所述图像质量评分模型时，采用在不同环境下采集的原始图像，以及对所述原始图像进行处理得到的扩展图像，作为所述训练样本。
一种人脸识别设备，所述确定图像质量的设备包括：一个或多个处理器及存储器，存储器存储有程序，并且被配置成由一个或多个处理器执行以下步骤：
获取一组包含待识别人脸的人脸图像；
根据上述图像质量的检测方法，分别确定每张所述人脸图像的图像质量评分；
利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果；
根据所述排序结果，选择至少一张人脸图像进行人脸识别。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过本说明书提供的方法、装置及设备，根据图像的属性特征(图像特征)确定特征评分(而非人为标注的评分)，基于该特征评分训练模型，使得基于该模型检测出的图像质量评分更客观、形象和准确，而通过计算机进行评分运算速度远远高于人工标注，能够降低训练样本的处理成本。此外，基于本发明实施例的图像质量的评价，可以对待识别图像(如，人脸图像)进行筛选，从而选择图像质量较佳的图像以进行识别，而不必要对所有的待识别图像一一进行识别运算，这样能够既提高目标识别准确率，又能够减少运算资源的耗费。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种图像质量的检测过程；
图2为本申请提供的确定待识别图像的示意图；
图3a为本申请提供的不同分辨率下的预测准确率的关系示意图；
图3b为本申请提供的分辨率与特征评分的关系示意图；
图4为本申请实施例提供的亮度数值与特征评分的关系示意图；
图5为本申请实施例提供的一种人脸识别的过程；
图6为本申请实施例提供的图像质量与识别准确率的对应关系示意图；
图7为本申请实施例提供的一种图像质量的检测装置的结构示意图；
图8为本申请实施例提供的一种人脸识别的装置的结构示意图；
图9为本申请实施例提供的一种图像质量的检测设备的结构示意图；
图10为本申请实施例提供的一种人脸识别设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请实施例提供的一种图像质量的检测过程，具体可包括以下步骤：
s100：从训练样本中提取图像特征，以确定图像特征的特征评分。
在本申请实施例中，采用在不同环境下采集的原始图像，以及对原始图像进行处理得到的扩展图像，作为训练样本。例如，可以对原始图像的对比度、亮度等进行调节，从而得到扩展图像，将大量的各种原始图像和各种原始图像的扩展图像作为训练样本。
假设该训练样本为人脸图像，在本申请中，在不同环境下采集的原始图像可包括：在摄影棚拍摄的证件照、摄像机拍摄的生活照、由监控摄像头拍摄的图像等等。其中，由监控摄像头拍摄的原始图像，可以包括在不同位置(如，不同视角、室内、室外等)、不同时间段(如，清晨、正午、傍晚、午夜)以及不同天气情况下拍摄的图像。为了丰富训练样本，在本申请中服务器还可采用数据扩展的方法对各原始图像进行处理，并将得到的扩展图像也作为训练样本。其中，数据扩展包括但不限于以下方法：对图像进行超分辨率重建，对图像进行模糊处理，对图像进行锐化处理，对图像进行调色处理等等。
服务器或者计算机可以根据预设的算法，从该训练样本中提取出图像特征，例如，采取主成分分析法(principalcomponentanalysis，pca)、奇异值分解法(singularvaluedecomposition，svd)、尺度不变特征转换(scale-invariantfeaturetransform，sift)算法等提取图像特征，在此不做限定。可以提取一种图像特征，也可以提取多种图像特征，在本申请中不做限定，可根据需要进行设置。为方便描述，本申请后续以确定多种图像特征为例进行说明。
具体的，在本申请中各图像特征可包括：分辨率、清晰度、光照亮度、人脸姿态、人脸轮廓等等。当然，本申请并不限定服务器在本步骤中具体提取哪些图像特征，服务器提取的图像特征也可以是通过无监督图像特征学习方法确定出来的。其中，服务器中可预先存储有每个图像特征对应的算法，则在确定待识别图像后，可根据各算法分别计算得到待识别图像的各，再确定各图像特征对应的得分。
另外，确定图像特征的特征评分时，服务器或者计算机可直接将提取出的图像特征的数值作为图像特征对应的特征评分，或者，根据预设的图像特征与特征评分的函数关系，确定图像特征对应的特征评分。具体采用何种方法，本申请不做限定。
下面通过一些详细的示例对，确定图像特征的特征评分进行示例性描述。例如，在确定分辨率对应的特征评分时，可根据分辨率与特征评分的函数关系确定分辨率对应的特征评分。具体的，该函数可为单调函数或者非线性函数。其中，该分辨率具体可为显示分辨率，该函数既可按经验设置，也可根据分辨率对识别准确度的影响确定。例如，可根据同一幅待识别图像在不同分辨率下，人脸识别算法的识别准确率，确定计算分辨率图像特征的算法对应的函数。假设对于内容相同但是分辨率不同的多张人脸图像，采用相同的人脸识别算法进行人脸识别的识别准确率如图3a所示。其中，纵轴表示分辨率、横轴表示准确率，可见待识别图像的分辨率越高，识别准确率越高。进一步假设，将待识别图像显示分辨率的宽和高分别定义为w和h，并且定义分辨率对应的特征评分为0，分辨率对应的特征评分为100。其中，表示w或者h任一值小于等于20，同理表示w或者h任一值大于等于80。则可根据图3a所示的函数，确定分辨率与特征评分的函数关系，如图3b所示。在图3b中函数为通过对图3a中的函数进行坐标平移确定的。
在本申请中，清晰度也可以作为一种图像特征，可以采用索贝尔算子(sobeloperator，soble算子)、laplacian算子以及无参考结构相似度nrss(non-referencestructuresimilarity)算子等等，确定待识别图像的清晰度，并将该清晰度的数值作为清晰度对应的特征评分。或者，在采用nrss算子时，可以先将待识别图像划分为n块区域。再针对每个区域，对该区域进行模糊处理，得到对应的模糊区域，再计算模糊处理前后图像之间的相似度。然后按照各区域对应的相似度从高到低的顺序，选择指定数量(如，k个)的相似度，并以公式确定该待识别图像的清晰度对应的特征评分。其中，表示选择出的第k各区域的相似度。
在本申请中，在将光照亮度作为一种图像特征的实施例中，确定光照亮度对应的特征评分时，可以先根据预设的目标模型，例如肤色模型，确定待识别图像中人脸区域图像的皮肤颜色，将皮肤颜色的亮度数值作为光照亮度对应的特征评分。或者，根据皮肤颜色的亮度数值与特征评分的函数关系确定光照亮度对应的特征评分时。具体的，该函数关系可根据需要，由人工设置，如根据图像出现欠曝、过曝或者侧光等情况时对应的亮度数值，确定该函数关系。例如，通常亮度的数值表示范围为0～255，因此可根据经验设置亮度数值在50-200的范围内为亮度适中，亮度数值在50以下为欠曝，亮度数值在200以上为过曝，设置如图4所示的亮度数值与特征评分的函数关系。则在确定待识别图像的光照亮度时，可以先确定待识别图像人脸图像的亮度数值平均值，再根据图4对应的函数确定光照亮度对应的特征评分。
并且，还可先以人脸图像的中心点，将人脸图像划分为的左上、右下、左下、右上四个区域，并确定各区域的亮度数值的平均值，进而判断任意两个区域的亮度数值平均值之差是否超过50，若是，则确定出现侧光，并在根据图4对应的函数关系确定出的光照亮度对应的特征评分中减去设置的分数(如，50)，若否，则不再做进一步处理。当然，上述仅为本申请提供的一种判断是否出现侧光的方法，本申请对具体采用何种方法确定是否出现侧光不做限定。例如，服务器也可将是否出现侧光作为另一种图像特征，并确定对应的特征评分。
在本申请中，确定人脸姿态对应的特征评分时，可通过人脸姿态模型，确定待识别图像中的人脸朝向与前端采集图像的朝向的角度。或者，采用确定人脸关键点的方法，根据人脸双眼中点、嘴角中点、鼻尖位置以及整体重心中的至少一种，确定人脸中心与待识别图像中心的偏差，并按照偏差值确定人脸姿态对应的特征评分。当然，具体该偏差值与人脸姿态与特征评分对应关系的函数，可以是线性单调函数，或者也可以是非线性函数，可以是根据待识别图像的识别准确率确定的也可以是由人工设置，本申请对此不做限定。
在本申请中，确定人脸轮廓对应的特征评分时，可以采用佩戴饰物以及未佩戴饰物的人脸图像作为训练样本，训练二分类模型，并根据训练完成的二分类模型判断待识别图像中的人脸是否出现遮挡，并根据不同的判断结果确定不同的特征评分。例如，无遮挡对应的特征评分为100，有遮挡对应的特征评分为50，等等。
进一步地，在本申请中，各图像特征分别对应的特征评分的取值范围可以不完全相同，本申请对此不做限定。
s102：基于特征评分训练图像质量评分模型。
在本申请中，基于s100中的训练样本的图像特征对于的特征评分作为模型的输入，以进行模型训练，得到图像质量评分模型。
在一些实施例中，s102可以实现为：确定各训练样本的标准图像质量评分，根据各训练样本的特征评分以及各训练样本的标准图像质量评分训练图像质量评分模型。
进一步地，将各训练样本的特征评分输入所述图像质量评分模型，以得到各个训练样本的图像质量评分；对将各个训练样本的图像质量评分与该训练样本的标准图像质量评分进行比较，以统计所述图像质量评分模型输出的图像质量评分的准确率；当所述图像质量评分模型输出的图像质量评分的准确率达到第一阈值时，停止对所述图像质量评分模型进行训练。示例性地，将各训练样本的特征评分输入待训练的模型，并根据模型输出的图像质量评分与标准图像质量评分之差，训练调整该模型的参数。重复上述训练过程，该模型输出的图像质量评分的准确率达到第一阈值为止。其中第一阈值和设定次数可根据需要设置，本申请不做限定。其中，各个训练样本的图像质量评分与该训练样本的标准图像质量评分的差值小于第二阈值时，标记所述图像质量评分模型输出的图像质量评分为准确，以用于统计图像质量评分模型输出的图像质量评分的准确率。进一步举例而言，假设该第一阈值为90％，则当该模型输出的各训练样本的图像质量评分的准确率达到90％时，确定该模型训练完成。
在另一实施例中，在进行模型训练时，可以以训练次数作为终止训练的条件，例如当训练次数达到设定次数时停止模型训练。例如，假设设定次数为1万，则在训练1万次后，确定模型训练完成。
基于图1所示的图像质量检测过程，可通过确定待识别图像的图像质量评分，对待识别图像进行筛选，从而减少需要进行人脸识别的待识别图像的数量，减少实际应用人脸识别技术时的资源消耗，并可提高识别效率。
另外，在本申请中训练模型时，也可不确定对训练样本的标准图像质量评分，而是确定训练样本的标准排序，并根据各训练样本以及各训练样本的标准排序，训练模型。示例性地，针对同一组训练样本，根据该组训练样本中各样本的图像特征确定该组训练样本的标准排序，根据该组训练样本的标准排序和该组中各训练样本的特征评分训练所述图像质量评分模型；其中，将任一所述原始图像及其扩展图像确定为同一组训练样本。
进一步地，根据该组中各训练样本的特征评分训练所述图像质量评分模型，以得到所述图像质量评分模型输出的各训练样本的图像质量评分；利用所述图像质量评分模型输出的各训练样本的图像质量评分对该组中各个训练样本进行排序，得到该组训练样本的排序结果；将所述排序结果与所述标准排序进行比较；当所述排序结果与所述标准排序的相似度达到第三阈值时，停止对所述图像质量评分模型进行训练。
下面通过详细示例对这一实施例子进行描述，可将人工输入的各训练样本的排序，作为标准排序，之后再将各训练样本的特征评分输入待训练的模型，得到各训练样本的图像质量评分，并根据各训练样本的图像质量评分进行排序，作为预测排序(即，得到该模型输出的各训练样本的图像质量评分的排序)，然后，根据标准排序以及预测排序(即排序结果)，训练该模型。重复上述训练过程，预测排序与标准排序的相似度达到第三阈值为止。也就是说，对于模型并不限制输出的各训练样本的图像质量评分，而只要根据各训练样本的图像质量评分，确定出的预测排序(即排序结果)与标准排序相似即可。其中，第三阈值可根据需要设置，本申请不做限定。例如，假设一组训练样本b、c、d的标准排序为：c、d、b，第三阈值为100％。则无论训练得到的模型确定出各训练样本具体的图像质量评分如何，只要预测排序也为：c、d、b，则可确定模型训练完成。如，模型i确定出的训练样本b、c、d图像质量评分分别为20、50、40，模型ii确定出的训练样本b、c、d图像质量评分分别90、98、95。由于模型i以及模型ii确定出来的预测排序都与标准排序一致，因此可确定模型i和模型ii都已经训练完成。但模型i和模型ii对同一个训练样本给出的图像质量评分不同。
s104：从待检测图像中提取图像特征，以根据待检测图像的图像特征和图像质量评分模型确定待检测图像的图像质量评分。
在本申请中，当服务器或者计算机确定出待检测图像的图像特征分别对应的特征评分之后，服务器便可根据预先训练的模型，确定待识别图像的图像质量评分。其中，待检测图像的图像特征提取和/或图像特征对应的特征评分均可以参考s100的实现过程，为了简洁，在此不再叙述。
基于图像质量评分模型，服务器或者计算机可通过将待检测图像的各图像特征和/或图像特征分别对应的特征评分输入该预先训练的图像质量评分模型，将该模型的输出确定为待检测图像的图像质量评分。
之后，将用户输入的训练样本的图像质量评分，作为该训练样本的标准图像质量评分。即，通过人工标注的方法确定各训练样本的标准图像质量评分。或者，服务器可针对每个训练样本，先根据人脸识别算法，确定该训练样本的识别结果，再根据该识别结果与该训练样本对应的标准识别结果的相似度，确定该训练样本的标准图像质量评分。需要说明的是，由于人脸识别算法识别结果通常为人脸特征，因此在确定识别结果与标准识别结果的相似度时，具体可以是人脸特征之间的相似度。
在本申请中可以先确定各训练样本包含的人脸的标准人脸特征，之后再根据具体的，在本申请中标准图像质量评分可以以分值的形式表示，例如0～100。而在通过人脸识别算法确定训练样本的标准图像质量评分时，由于人脸识别算法识别结果通常为人脸特征，因此在确定识别结果与标准识别结果的相似度时，具体可以是人脸特征之间的相似度。因此，针对每个训练样本，服务器可以先确定该训练样本对应的标准人脸特征，再将该训练样本输入人脸识别算法中，并根据人脸识别算法输出的人脸特征与标准人脸特征的相似度，确定该训练样本的图像质量评分。
例如，假设图像a为用户x的图像，服务器可现根据用户x的如证件照，确定用户x的标准人脸特征(如，16)，且该人脸特征的取值范围为0～100。进一步假设，图像a在输入人脸识别算法后，输出的人脸特征为：15。则图像a输出结果与标准结果的相似度为99％，于是可进一步确定该图像质量评分在0～100分的取值区间内为99分。若假设图像a为用户y的图像，而确定用户y的标准人脸特征，如，90，则可确定相似度为26％，该图像a的图像质量评分为26分。
进一步地，以待检测图像为人脸图像为例，描述待检测图像的确定过程。服务器可以根据该人脸检测模型，先确定前端采集的图像中人脸边界(如，确定图像中人脸轮廓)，再根据确定出的人脸边界，确定前端采集的图像中人脸图像，作为待识别图像，如图2所示。图2为本申请提供的确定待识别图像的示意图，其中左侧图像为前端摄像头采集的视频中的一帧图像，中间图像为根据人脸检测模型确定的该图像中的人脸边界，右侧图像为根据该人脸边界，确定的待识别图像。图中箭头表示从采集的图像到确定待检测图像的过程。
其中，本申请对于服务器具体确定何种待识别图像不做限定，只要人脸边界对应的图像包含在待识别图像中即可。例如，可以将人脸边界内的图像内容作为待检测图像(即，仅将脸部图像提取出来作为待识别图像)，或者也可以人脸边界在图像中x轴最大值、x轴最小值、y轴的最大值和y轴最小值，确定一个包含人脸图像的矩形区域作为待检测图像，等等。如此，有针对性地将局部图像作为待检测图像，能够降低计算机或者服务器的计算负担，降低负荷。
通过本说明书提供的方法，根据图像的属性特征(图像特征)确定特征评分(而非人为标注的评分)，基于该特征评分训练模型，使得基于该模型检测出的图像质量评分更客观、形象和准确，而通过计算机进行评分运算速度远远高于人工标注，能够降低训练样本的处理成本。
需要说明的是，在本申请提供的图1所示的图像质量的检测过程中，步骤s100和步骤s102为训练图像质量评分模型的过程，该过程可以预先进行的，并当每次接收到待检测图像时，再执行步骤s104。而无需每次接收到待检测图像时都重复训练该图像质量评分模型，即无需重复执行步骤s100和步骤s102。
于是基于上述描述，本申请还对应提供一种图像质量的检测过程。首先，确定待检测图像；之后从所述待检测图像中提取图像特征；最后，根据预先训练的图像质量评分模型以及提取出的图像特征，确定所述待检测图像的图像质量评分；其中，训练所述图像质量评分模型时，先从训练样本中提取图像特征，以确定所述图像特征的特征评分，再基于所述特征评分训练图像质量评分模型。
基于图1所示的图像质量的检测方法，本申请还对应提供一种人脸识别的方法，如图5所示。
图5为本申请实施例提供的一种人脸识别的过程，具体可包括以下步骤：
s200：获取一组包含待识别人脸的人脸图像。
在本申请实施例中，可以采用图像采集设备(例如，照相机、摄像机、监控设备等)获取人脸图像。
一些实施例中，由于通常从目标进入视频画面直到目标离开视频画面的这一段视频中，每一帧画面都包含该目标的人脸图像。因此，在本申请提供的人脸识别过程中，可以从多张该目标的人脸图像中，选择至少一张进行人脸识别，以避免对该目标的没张人脸图像进行人脸识别导致的资源浪费的问题。
但是，由于不能保证在该视频中仅有一个目标出现(如，公共场所的监控视频画面中，通常会出现很多目标)，因此为了从属于同一个目标的多个待识别人脸图像中选择进行人脸识别的图像，服务器可以先确定视频内出现的待识别人脸图像的移动轨迹。以便后续根据该移动轨迹确定属于同一个目标的多个待识别人脸图像。
具体的，服务器可以采用现有确定目标在视频中移动轨迹的方法，确定视频中目标的移动轨迹。进一步，由于人脸识别的对象是人脸图像，因此服务器还可根据该目标的移动轨迹，确定目标的人脸图像的移动轨迹，作为待识别人脸图像的移动轨迹。当然，对于如何确定待识别人脸图像的移动轨迹，本申请不做具体限定。服务器也可采用如步态识别等方法，确定目标的移动轨迹，进而确定目标的人脸图像的移动轨迹，进而从中获取包含待识别人脸的人脸图像。
s202：分别确定每张人脸图像的图像质量评分。
在本申请实施例中，由于图像质量可影响人脸识别的准确率，因此为了提高人脸识别的效率，服务器可以采用图1所示的方法，分别确定各人脸图像的图像质量评分。具体可以参见图1所示的图像质量的检测方式的实现过程，为了简洁，在此不再详细描述。
图像质量与人脸识别准确率之间可以是正相关的，并且是非线性的，也就是当图像质量评分达到一定程度后，图像质量的提高对于识别准确率的影响开始逐步降低。因此，在本申请中，为了减少服务器或者计算机在检测图像质量时耗费的资源，服务器或者计算机可以当任一待识别人脸图像的图像质量评分达到预期值时，停止对剩余的人脸图像进行图像质量的检测。
例如，假设当图像质量评分高于60分之后，对图像的识别准确率已经高达90％，图像质量评分对识别准确率的影响便开始大幅度降低，如，图6所示。其中，可见纵轴为识别准确率，横轴为图像质量评分，当图像质量评分高于60之后识别准确率上升缓慢。因此，可预先设置预期值(如，60分)，并当任一待识别人脸图像的图像质量评分高于60分时，确定采用该待识别人脸图像进行人脸识别，并停止检测剩余的待识别人脸图像的图像质量。
s204：利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果。
s206：根据排序结果，选择至少一张人脸图像进行人脸识别。
在本申请实施例中，当服务器或者计算机确定各人脸图像的图像质量评分之后，便可根据各待识别人脸图像的图像质量评分，从各待识别人脸图像中选择至少一张人脸图像进行人脸识别。
示例性地，服务器或者计算机可以按照图像质量评分从高到低的顺序对人脸图像进行排序，选择至少一张待识别人脸图像进行人脸识别。或者，如上步骤s202中所述的，服务器也可对图像质量评分达到预期值的待识别人脸图像，进行人脸识别。当然，本申请对于选择多少人脸图像进行识别，以及如何根据各人脸图像的图像质量评分选择进行人脸识别的人脸图像不做限定，具体可根据需要进行设置。
例如，根据该预期值，从各人脸图像中选择图像质量评分高于该预期值的若干待识别人脸图像，再从中随机选择一张人脸图像进行人脸识别。或者，从各人脸图像中选择图像质量评分最高的待识别人脸图像进行人脸识别，等等。
本发明实施例中，按照各人脸图像的图像质量评分从高到低的顺序，选择至少一张人脸图像进行人脸识别时，可以保证对识别准确较高的人脸图像进行人脸识别。通过本申请提供的方法，可达到提高识别效率以及减少资源消耗的效果。
需要说明的是，本说明书实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤s100和步骤s102的执行主体可以为设备1，步骤s102的执行主体可以为设备2；或者，步骤s100的执行主体可以为设备1，步骤s102和步骤s104的执行主体可以为设备2；等等。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于图1所示的图像质量的检测方法，本申请实施例还提供一种图像质量的检测装置，如图7所示。
图7为本申请实施例提供的一种图像质量的检测装置的结构示意图，所述装置包括：提取模块300，用于从训练样本中提取图像特征，以确定所述图像特征的特征评分；训练模块302，用于基于所述特征评分训练图像质量评分模型；评分确定模块304，用于从待检测图像中提取图像特征，以根据所述待检测图像的图像特征和所述图像质量评分模型确定所述待检测图像的图像质量评分；其中，训练所述图像质量评分模型时，采用在不同环境下采集的原始图像，以及对所述原始图像进行处理得到的扩展图像，作为所述训练样本。
在一些实施例中，训练模块302进一步用于确定各训练样本的标准图像质量评分，并根据各训练样本的特征评分以及各训练样本的标准图像质量评分训练所述图像质量评分模型。
在另一些实施例中，训练模块302进一步用于针对同一组训练样本，根据该组训练样本中各样本的图像特征确定该组训练样本的标准排序，并根据该组训练样本的标准排序和该组中各训练样本的特征评分训练所述图像质量评分模型；其中，将任一所述原始图像及其扩展图像确定为同一组训练样本。
基于图5所示的人脸识别的方法，本申请实施例还提供一种人脸识别的装置，如图8所示。
图8为本申请实施例提供的一种人脸识别的装置的结构示意图，所述装置包括：获取模块400，用于获取一组包含待识别人脸的人脸图像；评分模块402，用于根据图1所示的方法，分别确定每张所述人脸图像的图像质量评分；排序模块404，用于利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果；人脸识别模块406，用于根据所述排序结果，选择至少一张人脸图像进行人脸识别。
基于图1所述的图像质量的检测方法，本申请对应提供一种图像质量的检测设备，如图9所示，其中，所述图像质量的检测设备包括：一个或多个处理器及存储器，存储器存储有程序，并且被配置成由一个或多个处理器执行以下步骤：从训练样本中提取图像特征，以确定所述图像特征的特征评分；基于所述特征评分训练图像质量评分模型；从待检测图像中提取图像特征，以根据所述待检测图像的图像特征和所述图像质量评分模型确定所述待检测图像的图像质量评分；其中，训练所述图像质量评分模型时，采用在不同环境下采集的原始图像，以及对所述原始图像进行处理得到的扩展图像，作为所述训练样本。
基于图1所述的人脸识别的方法，本申请对应提供一种人脸识别设备，如图10所示，其中，所述人脸识别设备包括：一个或多个处理器及存储器，存储器存储有程序，并且被配置成由一个或多个处理器执行以下步骤：获取一组包含待识别人脸的人脸图像；根据图1所示的方法，分别确定每张所述人脸图像的图像质量评分；利用各张人脸图像的图像质量评分对该组人脸图像进行排序，得到排序结果；根据所述排序结果，选择至少一张人脸图像进行人脸识别。
本申请中的各个实施例均采用递进的方式描述，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，对于设备和介质实施例而言，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。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。