一种图像质量筛选方法及装置、设备和存储介质与流程

本申请实施例涉及计算机视觉通信领域，涉及但不限于一种图像质量筛选方法及装置、设备和存储介质。

背景技术：

行人检索任务指给出一个行人的询问图片，需要在一个大规模的数据集中寻找到同一个人的所有图片。解决这个问题主要是要对每一张行人图片提取一个特征向量，利用这个特征向量将不同的行人区分开。

通常行人检索的测试如下进行：给出probe和gallery两个列表，记录了不同的人的图片以及对应的身份编号，其中probe为待检索的行人库，而gallery是被检索的行人库，通常称为底库。在测试时对probe和gallery中的每张图片都通过行人检索网络提取出特征向量，将probe中的每个向量都在gallery中的向量构成的向量空间中进行搜索，将搜索结果按照两个向量的相似度进行排序，排名越靠前意味着两个向量越相近，即两张图片上的人是同一个人的概率越大.

但是在实际应用场景中，检索会受到各种各样因素的干扰：检测框的完整度、行人之间的遮挡关系、行人的完整度、图片的分辨率、光照等，在相关技术的模型中，如果同一个人的两张图片，具有不同程度的负面干扰，如第一张是该人全身的照片，第二张则是上半身的，那么在搜索时就会产生一些负面影响，导致结果不准确。

技术实现要素：

有鉴于此，本申请实施例提供一种图像质量筛选方法及装置、设备和存储介质。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种图像质量筛选方法，所述方法包括：

获取待筛选图像集；

将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果；其中，所述筛选模型是通过根据样本图像所包含的人体关键点信息、样本图像清晰度进行训练得到的；

输出所述图像质量筛选结果。

在本申请实施例中，所述筛选模型的训练过程，包括：

根据获取的样本图像集的关键点信息和所述样本图像集的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集；

确定所述第一样本图像集中与预设的待搜索图像集所包含的图像相关的第二样本图像集；

根据所述第二样本图像集完成对所述神经网络模型的训练。

在本申请实施例中，所述确定所述第一样本图像集中与预设的待搜索图像集所包含的图像相关的第二样本图像集，包括：

在所述第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表；

根据所述顺序列表，确定所述待搜索图像集的每一图像对应的平均正确率，得到平均正确率集；

确定所述平均正确率集中大于预设阈值的平均正确率对应的第二样本图像集。

在本申请实施例中，所述样本图像集中的图像包括至少包含一个行人的图像或者视频；所述关键点信息包括所述样本图像中行人的人体部位。

在本申请实施例中，所述根据获取的样本图像集的关键点信息和所述样本图像集的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集，包括：

根据所述样本图像集中每一图像包含的行人的关键点信息，确定所述每一图像中行人的人体完整度信息；

根据所述样本图像集中的每一图像中行人的人体完整度信息和所述样本图像集中的每一图像的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集。

在本申请实施例中，所述根据所述每一图像中行人的人体完整度信息和所述每一图像的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集，包括：

如果所述每一图像中行人的人体完整度信息符合预设的人体完整度，且所述每一图像的清晰度大于等于预设的清晰度阈值，将所述每一图像作为第一样本图像集中的图像。

在本申请实施例中，在所所述第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表之前，还包括：

将所述待搜索图像集中的第m个样本图像相关的n张图像加入所述第一样本图像集中；其中，m、n均为大于等于1的整数。

在本申请实施例中，所述方法还包括：

在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的搜索结果列表；其中，所述搜索结果列表为所述顺序列表中的一部分；

根据所述搜索结果列表中的所述n张图像对应的排列结果，确定所述第m个样本图像对应的第m个平均正确率。

在本申请实施例中，所述将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果，包括：

将所述待筛选图像集输入训练好的筛选模型，得到所述待筛选图像集中每一图像包含的行人的关键点信息；

根据所述待筛选图像集中每一图像的关键点信息，确定所述筛选图像集中每一图像的图像质量信息；

将图像质量信息满足预设图像质量条件的图像，确定为图像质量筛选结果。

本申请实施例提供一种图像质量筛选装置，所述装置包括：第一获取模块、第一输入模块和第一输出模块，其中：

所述第一获取模块，用于获取待筛选图像集；

所述第一输入模块，用于将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果；其中，所述筛选模型是通过根据样本图像所包含的人体关键点信息、样本图像清晰度进行训练得到的；

所述第一输出模块，用于输出所述图像质量筛选结果。

在本申请实施例中，所述装置还包括第一训练模块，用于训练所述筛选模型，所述第一训练模块包括：

第一确定子模块，用于根据获取的样本图像集的关键点信息和所述样本图像集的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集；

第二确定子模块，用于确定所述第一样本图像集中与预设的待搜索图像集所包含的图像相关的第二样本图像集；

第一训练子模块，用于根据所述第二样本图像集完成对所述神经网络模型的训练。

在本申请实施例中，所述第二确定子模块，包括：

第一搜索单元，用于在所述第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表；

第四确定单元，用于根据所述顺序列表，确定所述待搜索图像集的每一图像对应的平均正确率，得到平均正确率集；

第一确定单元，用于确定所述平均正确率集中大于预设阈值的平均正确率对应的第二样本图像集。

在本申请实施例中，所述样本图像集中的图像包括至少包含一个行人的图像或者视频；所述关键点信息包括所述样本图像中行人的人体部位。

在本申请实施例中，所述第一确定子模块，包括：

第二确定单元，用于根据所述样本图像集中每一图像包含的行人的关键点信息，确定所述每一图像中行人的人体完整度信息；

第三确定单元，用于根据所述样本图像集中的每一图像中行人的人体完整度信息和所述样本图像集中的每一图像的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集。

在本申请实施例中，所述第三确定单元，包括：

第一判断子单元，用于如果所述每一图像中行人的人体完整度信息符合预设的人体完整度，且所述每一图像的清晰度大于等于预设的清晰度阈值，将所述每一图像作为第一样本图像集中的图像。

在本申请实施例中，所述装置还，还包括：

第一添加模块，用于将所述待搜索图像集中的第m个样本图像相关的n张图像加入所述第一样本图像集中；其中，m、n均为大于等于1的整数。

在本申请实施例中，所述第一搜索单元，还包括：

第一搜索子单元，用于在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的顺序列表；

第三确定子单元，用于根据所述顺序列表确定所述第m个样本图像对应的第m个平均正确率；

第四确定子单元，用于确定所述待搜索图像集中每一样本图像对应的平均正确率，得到所述平均正确率集。

在本申请实施例中，所述装置，还包括：

第一确定模块，用于在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的搜索结果列表；其中，所述搜索结果列表为所述顺序列表中的一部分；

第二确定模块，用于根据所述搜索结果列表中的所述n张图像对应的排列结果，确定所述第m个样本图像对应的第m个平均正确率。

在本申请实施例中，所述第一输入模块，包括：

第一输入子模块，用于将所述待筛选图像集输入训练好的筛选模型，得到所述待筛选图像集中每一图像包含的行人的关键点信息；

第四确定子模块，用于根据所述待筛选图像集中每一图像的关键点信息，确定所述筛选图像集中每一图像的图像质量信息；

第五确定子模块，用于将图像质量信息满足预设图像质量条件的图像，确定为图像质量筛选结果。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本申请实施例提供的图像质量筛选方法中的步骤。

本申请实施例提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时可实现本申请实施例提供的图像质量筛选方法中的步骤。

本申请实施例提供一种图像质量筛选方法及装置、设备和存储介质，其中，首先，获取待筛选图像集；然后，将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果；其中，所述筛选模型是通过根据样本图像所包含的人体关键点信息、样本图像清晰度进行训练得到的；最后，输出所述图像质量筛选结果；如此，对待筛选每张图片根据图片中人体关键点信息以及图片的清晰度等筛选图片，从而仅保留图片中人物比较完整，且清晰的图片用于搜索，提高了搜索结果的准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1a为本申请实施例网络架构的组成结构示意图；

图1b为本申请实施例图像质量筛选方法的实现流程示意图；

图1c为本申请实施例实现图像质量筛选方法的网络架构图；

图1d为本申请实施例又一实现图像质量筛选方法的网络架构图；

图2a为本申请实施例图像质量筛选方法的又一实现流程示意图；

图2b为本申请实施例图像质量筛选方法的应用场景图；

图3为本申请实施例图像质量筛选装置的组成结构示意图；

图4为本申请实施例计算机设备的组成结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

本实施例先提供一种网络架构，图1a为本申请实施例网络架构的组成结构示意图，如图1a所示，该网络架构包括两个或多个计算机设备11至1n和服务器30，其中计算机设备11至1n与服务器31之间通过网络21进行交互。计算机设备在实现的过程中可以为各种类型的具有信息处理能力的计算机设备，例如所述计算机设备可以包括手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、电视机等。

本实施例提出一种多视角视频识别方法，能够有效提高多视角视频的识别准确度，该方法应用于计算机设备，该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。

图1b为本申请实施例图像质量筛选方法的实现流程示意图，如图1b所示，所述方法包括以下步骤：

步骤s101，获取待筛选图像集。

这里，所述待筛选图像为包含至少一个行人的图像，比如，监控器的摄像头拍摄下的画面等。

所述步骤s101可以是由计算机设备实现的，进一步地，所述计算机设备可以是智能终端，例如可以是移动电话(手机)、平板电脑、笔记本电脑等具有无线通信能力的移动终端设备，还可以是台式计算机等不便移动的智能终端设备。所述计算机设备用于进行图像质量筛选。

步骤s102，将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果。

这里，所述筛选模型是通过根据样本图像所包含的人体关键点信息、样本图像清晰度进行训练得到的。所述关键点信息包括所述样本图像中行人的人体部位，比如，右肩、右肘、右腕、左肩、左肘、左腕、右髋、右膝、右踝、左髋、左膝、左踝、头顶和脖子等。所述样本图像清晰度是指图像本身是否清晰，分辨率是否足够等。所述步骤s102可以理解为，将待筛选图像输入到筛选模型中，在筛选模型内将待筛选图像中图像不够清晰或者是关键点信息不符合条件的去掉，仅保留图像画面清晰且画面中行人完整的图像。

步骤s103，输出所述图像质量筛选结果。

这里，将适合用于搜索的图像输出作为筛选结果，提高了搜索结果的准确度。

在本实施例提供的一种图像质量筛选方法中，通过将将行人图像输入到根据图像中行人的关键点、图像清晰度等训练得到的模型中，得到筛选好的图像；如此，将筛选好的图像用于搜索时，提升搜索的准确度。

在其他实施例中，所述步骤s102，将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果，可以通过以下步骤实现：

步骤a1，将所述待筛选图像集输入训练好的筛选模型，得到所述待筛选图像集中每一图像包含的行人的关键点信息。

步骤a2，根据所述待筛选图像集中每一图像的关键点信息，确定所述筛选图像集中每一图像的图像质量信息。

这里，所述图像质量信息至少包括所述筛选图像集中每一图像中包含的行人的人体完整度信息和所述筛选图像集中每一图像清晰度。所述步骤a2可以理解为，根据图像的关键点信息，确定图像中包含的行人的人体完整度信息，并确定图像的清晰度，比如，关键点信息包括头顶和脖子，那么说明这张图像仅包含脖子以上的部分，人体完整度信息有所欠缺。

步骤a3，将图像质量信息满足预设图像质量条件的图像，确定为图像质量筛选结果。

这里，所述预设图像质量条件可以为图像包含的行人的人体完整度在腰部以上；且图像清晰度大于等于图像清晰度阈值。

在本实施例中，将待筛选图像集中，图像质量较好的图像筛选出来用于后续的搜索中，保证了搜索结果的准确度。

在其他实施例中，所述筛选模型的训练过程，包括以下步骤：

步骤s11，根据获取的样本图像集的关键点信息和所述样本图像集的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集。

这里，所述第一样本图像集为样本图像集中关键点信息和清晰度均符合预设条件的图像，比如，图像的关键点信息包括右肩、右肘、右腕、左肩、左肘、左腕、右髋、右膝、右踝、左髋、左膝、左踝、头顶和脖子，说明该图像中包含的人体比较完整，且图像清晰度较高，那么该图像即可作为满足预设条件的第一样本图像集中的图像。

步骤s12，确定所述第一样本图像集中与预设的待搜索图像集所包含的图像相关的第二样本图像集。

这里，根据底库图像集先确定图像的平均正确率(ap值)，将ap值大于阈值的作为第二样本图像集。也就是说，从底库图像集中搜索第一样本图像集，然后将底库图像集中与所述第一样本图像集所包含的图像相关的图像，即第二样本图像集。

步骤s13，根据所述第二样本图像集完成对所述筛选模型的训练。

这里，根据第二样本图像集中图像的排序结果以及预设的损失函数，完成对筛选模型的训练。

在实现的过程中，训练得到的神经网络模型可以在计算机设备的本地，也可以是在服务器端。

当训练得到的神经网络模型在计算机设备本地时，可以是计算机设备安装客户端的时候，即安装了训练得到的筛选模型，这样，参见图1c所示，计算机设备通过步骤s101获取待待筛选图像集，然后通过步骤s102获取图像质量筛选结果，最后通过步骤s103输出筛选结果。从以上过程可以看出，计算机设备在安装完客户端之后，上述的步骤s101至步骤s103都在计算机设备本地执行，最后，计算机设备将得到筛选结果输出给用户。

在其他实施例中，训练得到的筛选模型也可以位于服务器端，参见图1d所示，这样计算机设备将待筛选图像集发送给服务器，这样服务器接收计算机设备发送的待筛选图像集，这样服务器实现了步骤s101，换句话说，如果上述的方法是在服务器端实现，那么步骤s101，包括：服务器接收计算机设备发送的待筛选图像集，即服务器确定待筛选图像集，然后服务器通过步骤s102获得筛选结果，最后通过步骤s103获得输出筛选结果；从以上过程可以看出，上述的步骤s101至步骤s103都在服务器端执行，最后服务器还可以将筛选结果发送给计算机设备，这样计算机设备接收到筛选结果后，输出筛选结果给用户。本实施例中，计算机设备在安装完客户端之后，用户上传待筛选图像集，以及接收服务器发送的待筛选图像集，然后将待筛选图像集的筛选结果输出给用户。

本申请实施例提供一种图像质量筛选方法，图2a为本申请实施例图像质量筛选模型的训练过程的实现流程示意图，如图2a所示，所述训练过程包括以下步骤：

步骤s201，根据所述样本图像集中每一图像包含的行人的关键点信息，确定所述每一图像中行人的人体完整度信息。

这里，比如，所述每一图像包含的行人的关键点信息为头顶和脖子，说明该图像仅包含行人的脖子以上部分，那么这一图中行人的完成度信息为脖子以上。另外，还可以根据行人的关键点信息将，图像分为五类，比如，可以将图片分成全身、膝盖以上、腰以上、胸部以上、脖子以上五类，其中胸部以上和脖子以上的图像都是表现较为不好的，主要原因是图片中包含的可用信息太少。

步骤s202，根据所述样本图像集中的每一图像中行人的人体完整度信息和所述样本图像集中的每一图像的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集。

这里，如果所述每一图像中行人的人体完整度信息符合预设的人体完整度，且所述每一图像的清晰度大于等于预设的清晰度阈值，将所述每一图像作为第一样本图像集中的图像。比如，图像中行人的人体完整度信息表明该图像包含行人脚踝以上的部分，且图像清晰可见，即该图像可以作为第一样本图像集中的图像。

步骤s203，在所述第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表。

这里，在步骤s203之前，先将所述待搜索图像集中的第m个样本图像相关的n张图像加入所述第一样本图像集中；然后，在另外添加有n张图像的第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表。

步骤s204，根据所述顺序列表，确定所述待搜索图像集的每一图像对应的平均正确率，得到平均正确率集。

这里，其中，m、n均为大于等于1的整数。，然后，然后根据实际的搜索结果，确定每一图像的ap值。比如，第m个样本图像是自身图像，然后将自身的8张其他照片放入底库(即第一样本图像集)中，并设定想要最终搜索到的分类结果是，在顺序列表中排在前八个的图像就是自身的这8张照片，假设，这这八张照片全部排在搜索结果的前八名，那么对应的第m个样本图像的在底库中对应的ap值为100％；如果在排序列表中，排在第一位的是这8张照片中的一个，那么第一张照片的对应的ap值是一分之一，但是第二个位置和第三个位置均不是这8张照片中的其中一个，那么第二个位置和第三个位置的照片的对应的ap值均是零，第四个这8张照片中的一个，那么第三个位置的照片的对应的ap值四分之二，第五个这8张照片中的一个，那么第五个位置的照片的对应的ap值五分之三，第六个位置、第七个位置和第八个位置处的照片均这8张照片中的照片，那么六个位置、第七个位置和第八个位置处对应的ap值均为0，然后将这8个数值加起来不是之三将八个分数加起来除以八(即)，即为最终得到第m个样本图像对应的ap值。

步骤s205，确定所述平均正确率集中大于预设阈值的平均正确率对应的第二样本图像集。

这里，步骤s205可以理解为，首先设定一个预设阈值，将大于这一阈值的认为是在这个人体完整度下，信息较为丰富的图像，否则为信息不丰富的图像。即把包含信息丰富的第二样本图像集作为筛选结果，用于后续的图像搜索中，提高搜索的准确度。

步骤s206，根据所述第二样本图像集完成对所述筛选模型的训练。

在本申请实施例提供的图像质量筛选方法中，通过从人体完整度、图像质量以及行人检索模型评价多方面考虑数据的标签而不只是通过相似度回归，从而提高了图像搜索准确率和效率。如图2b所示，将包含各种图像质量的待筛选图像集211输入到经过上述步骤s201至步骤s206得到的筛选模型212中，即可输出仅包含人体完整度较高，且图像质量清晰的第二样本图像集213(即筛选结果)，如此在后续需要进行图像搜索时，将第二样本图像213作为被搜索的图像集可提高搜索的准确度。

在其他实施例中，所述步骤s204还包括以下步骤：

步骤s231，在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的顺序列表。

这里，所述底库图像集添加有第m个样本图像相关的n张图像。

步骤s232，根据所述顺序列表确定所述第m个样本图像对应的第m个平均正确率。

步骤s233，确定所述待搜索图像集中每一样本图像对应的平均正确率，得到所述平均正确率集。

在本实施例中，通过一一确定第一样本图像集中每一图像的正确率，从而确定第二样本图像集，完成对筛选模型的训练。

在相关技术的行人检索的实际应用中，如果图像出现了影响搜索的遮挡、残缺等，就会对整个图像的搜索、聚类造成负面的影响，比如导致特征准确度不足、特征偏差较大等，在行人的一个轨迹中，如果大部分图片是全身的、正常可以被模型接受的，而有一少部分是存在遮挡、残缺或质量较差的，就会对整体的特征造成影响，使得特征向量不能准确体现这个行人的特征，继而影响后续的搜索。

本申请实施例提供一种图像质量筛选方法，可以对参与搜索的每张图片给出一个评分，在后续的搜索时对评分高的图片采取保留，对评分低的图片认为不适合被搜索，丢弃。在本申请实施例中针对行人检索的质量筛选模型，通过该模型对参加搜索的图片给出质量评分，评分依据图片中行人的完整度、遮挡情况、图片质量等综合给出，评分越高表明图片质量越好、图片中行人越趋近完整、被无关因素遮挡的人体面积越小。在后续的应用中可以参考该评分选择是否保留图片，使得行人轨迹的整体特征更加准确。

在行人重识别(personre-identification，reid)的搜索过程中，图片质量对搜索结果的影响主要体现在如下几个方面：人体完整度信息(part信息)、遮挡情况(障碍物、人体之间)、图片清晰度，而光照、拍摄角度等在一定程度上也有轻微的影响。

本申请实施例为了提高搜索效率，降低低质量图片对搜索结果的影响，按照如下思路设计质量筛选网络：

由于在相关技术中reid的模型特征的区分度不佳，不能完全参考人脸的筛选模块使用图片的相似度进行回归作为质量分数，在本申请实施例中设计参考part信息、reid搜索的平均准确率信息(meanaverageprecision，平均ap值)，将图像分别对应不同等级的分数(或者说生成训练标签的10分类网络，分类标签即为分数)。

其次，使用关键点信息将图片分成全身、膝盖以上、腰以上、胸部以上、脖子以上五类，其中胸部以上和脖子以上的搜索都是表现较为不好的，主要原因是图片中包含的可用信息太少。

再次，按照关键点信息分类后，将自身照片作为待搜素图像(即待搜素图像集)，并且将自身照片相关的图像加入到上述分类好的图像库中(即第一样本图像集中)进行搜索，得到每张图片的平均ap信息，在本实施例中平均ap表达的是reid模型的“信息是否丰富，是否便于搜索”，和人脸组采用相似度进行回归是相同的思路。在生成训练数据时，对已经分类好的图像(第一样本图像)的每一图片求取平均ap值，并设定一个阈值，大于这一阈值的认为是在这个人体完整度下，信息较为丰富的图片(即第二样本图像集)，否则为不丰富的图片。

最后，利用小的网络结构训练一个类似的分类网络得到质量筛选模型，用于筛选图像库中的图像使得图像搜索的效率大大提高。

在本申请实施例中，首先，从完整度、图片质量以及行人检索模型评价多方面考虑数据的label而不只是通过相似度回归，然后，提出行人检索的质量筛选，提高了准确率和效率；从而可以有效筛选出影响行人检索的低质量图片，提高搜索的准确性，还可以有效筛选出足以代表整个轨迹的图片，使需要提取特征的图片数量变少，提高搜索的效率。

本发明实施例提供一种图像质量筛选装置，图3为本申请实施例图像质量筛选装置的组成结构示意图，如图3所示，所述图像质量筛选装置300包括：第一获取模块301、第一输入模块302和第一输出模块303，其中：

所述第一获取模块301，用于获取待筛选图像集；

所述第一输入模块302，用于将所述待筛选图像集输入训练好的筛选模型，得到图像质量筛选结果；其中，所述筛选模型是通过根据样本图像所包含的人体关键点信息、样本图像清晰度进行训练得到的；

所述第一输出模块303，用于输出所述图像质量筛选结果。

在本申请实施例中，所述装置还包括第一训练模块，用于训练所述筛选模型，所述第一训练模块包括：

第一确定子模块，用于根据获取的样本图像集的关键点信息和所述样本图像集的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集；

第二确定子模块，用于确定所述第一样本图像集中与预设的待搜索图像集所包含的图像相关的第二样本图像集；

第一训练子模块，用于根据所述第二样本图像集完成对所述神经网络模型的训练。

在本申请实施例中，所述第二确定子模块，包括：

第一搜索单元，用于在所述第一样本图像集中搜索所述待搜索图像集的每一图像，得到在所述第一样本图像集中的所述每一图像对应的顺序列表；

第四确定单元，用于根据所述顺序列表，确定所述待搜索图像集的每一图像对应的平均正确率，得到平均正确率集；

第一确定单元，用于确定所述平均正确率集中大于预设阈值的平均正确率对应的第二样本图像集。

在本申请实施例中，所述样本图像集中的图像包括至少包含一个行人的图像或者视频；所述关键点信息包括所述样本图像中行人的人体部位。

在本申请实施例中，所述第一确定子模块，包括：

第二确定单元，用于根据所述样本图像集中每一图像包含的行人的关键点信息，确定所述每一图像中行人的人体完整度信息；

第三确定单元，用于根据所述样本图像集中的每一图像中行人的人体完整度信息和所述样本图像集中的每一图像的清晰度，确定所述样本图像集中满足预设条件的第一样本图像集。

在本申请实施例中，所述第三确定单元，包括：

第一判断子单元，用于如果所述每一图像中行人的人体完整度信息符合预设的人体完整度，且所述每一图像的清晰度大于等于预设的清晰度阈值，将所述每一图像作为第一样本图像集中的图像。

在本申请实施例中，所述装置还包括：

第一添加模块，用于将所述待搜索图像集中的第m个样本图像相关的n张图像加入所述第一样本图像集中；其中，m、n均为大于等于1的整数。

在本申请实施例中，所述第四确定单元，还包括：

第一搜索子单元，用于在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的顺序列表；

第三确定子单元，用于根据所述顺序列表确定所述第m个样本图像对应的第m个平均正确率；

第四确定子单元，用于确定所述待搜索图像集中每一样本图像对应的平均正确率，得到所述平均正确率集。

在本申请实施例中，所述装置，还包括：

第一确定模块，用于在所述第一样本图像集中搜索所述第m个样本图像，得到所述第一样本图像集中与所述第m个样本图像相关的图像的搜索结果列表；其中，所述搜索结果列表为所述顺序列表中的一部分；

第二确定模块，用于根据所述搜索结果列表中的所述n张图像对应的排列结果，确定所述第m个样本图像对应的第m个平均正确率。

在本申请实施例中，所述第一输入模块302，包括：

第一输入子模块，用于将所述待筛选图像集输入训练好的筛选模型，得到所述待筛选图像集中每一图像包含的行人的关键点信息；

第四确定子模块，用于根据所述待筛选图像集中每一图像的关键点信息，确定所述筛选图像集中每一图像的图像质量信息；

第五确定子模块，用于将图像质量信息满足预设图像质量条件的图像，确定为图像质量筛选结果。

需要说明的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的图像质量筛选方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献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即时通讯设备(可以是终端、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(readonlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施例再提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本申请实施例提供的图像质量筛选方法中的步骤。

相应地，本申请实施例再提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，所述该计算机可执行指令被处理器执行时实现上述实施例提供的图像质量筛选方法的步骤。

相应地，本申请实施例提供一种计算机设备，图4为本申请实施例计算机设备的组成结构示意图，如图4所示，该计算机设备400的硬件实体包括：处理器401、通信接口402和存储器403，其中

处理器401通常控制计算机设备400的总体操作。

通信接口402可以使计算机设备通过网络与其他终端或服务器通信。

存储器403配置为存储由处理器401可执行的指令和应用，还可以缓存待处理器401以及计算机设备400中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(randomaccessmemory，ram)实现。

以上即时计算机设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请即时通讯设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(readonlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。