模型训练及图像检测方法、装置、电子设备及存储介质与流程

本技术涉及图像处理，尤其涉及一种模型训练及图像检测方法、装置、电子设备及存储介质。

背景技术：

1、随着软硬件技术的进步，人脸识别逐渐成为一种普遍的安全验证方式。相关技术中，会采用人脸质量检测方案对采集的人脸进行判断，以保障采集的人脸符合质量标准，进而保障后续人脸识别、检测或搜索的准确性。

2、然而，目前的人脸质量检测方案存在检测准确率低的问题。

技术实现思路

1、为解决相关技术问题，本技术实施例提供一种模型训练及图像检测方法、装置、电子设备及存储介质。

2、本技术实施例的技术方案是这样实现的：

3、本技术实施例提供一种模型训练方法，包括：

4、获取第一样本数据，所述第一样本数据包含图像中的至少一个第一目标对象数据和每个第一目标对象的第一数据和第二数据，所述第一数据包含用于在图像中确定第一目标对象数据，所述第二数据包含第一目标对象的至少两个属性；

5、利用至少一个第一目标对象的第一数据，对第一模型进行训练，所述第一模型用于确定待检测图像中的至少一个第二目标对象；

6、利用所述至少一个第一目标对象数据和至少一个第一目标对象的第二数据，对所述第二模型进行训练，所述第二模型用于检测所述待检测图像的质量，所述待检测图像的质量与至少两个属性相关联；其中，训练过程中，所述至少一个目标对象数据和所述至少一个第一目标对象的第二数据被输入至所述第二模型的至少两个属性分支，所述至少两个属性分支包含第一分支，所述第一分支用于确定目标对象的遮挡信息，所述第一分支的损失函数与所述至少两个属性相关联。

7、上述方案中，所述至少两个属性的属性分支还包含以下至少之一：

8、第二分支，所述第二分支用于确定目标对象的角度信息；

9、第三分支，所述第三分支用于确定目标对象的明暗度；

10、第四分支，所述第四分支用于确定目标对象的清晰度；

11、第五分支，所述第五分支用于确定目标对象是否能够被分类。

12、上述方案中，所述第一分支的损失函数与第一信息、第二信息和第三信息关联，所述第一信息包含第一目标对象的数量，所述第二信息包含第一目标对象的权重，第一目标对象的权重与第一目标对象的至少两个属性关联，所述第三信息表征第一目标对象的至少两个属性中遮挡信息和所述第一分支的输出结果的差异。

13、上述方案中，所述利用所述至少一个第一目标对象数据和至少一个第一目标对象的第二数据，对所述第二模型进行训练，包括：

14、针对每个第一目标对象数据，提取第一特征和第二特征，所述第一特征表征第一目标对象的全局信息，所述第二特征表征第一目标对象的局部信息；

15、利用所述至少一个第一目标对象数据对应的第一特征、第二特征和所述至少一个第一目标对象的第二数据，对所述第二模型进行训练。

16、上述方案中，所述提取第二特征，包括：

17、基于多尺度卷积和自注意力机制，提取所述第二特征。

18、上述方案中，所述第二模型包含特征提取分支和所述至少两个属性分支，所述方法还包括：

19、获取至少一个第二样本数据；

20、利用所述至少一个第二样本数据对所述特征提取分支进行预训练，得到预训练后的所述特征提取分支；

21、利用所述至少一个第一目标对象数据和所述至少一个第一目标对象的第二数据，对预训练后的所述特征提取分支和所述至少两个属性分支进行训练。

22、本技术实施例还提供一种图像检测方法，包括：

23、获取待检测图像；

24、利用第一模型，确定所述待检测图像中的至少一个第二目标对象；

25、利用所述至少一个第二目标对象的数据和第二模型，检测所述待检测图像的质量，得到检测结果，所述第一模型和第二模型是根据上述任一模型训练方法得到的。

26、上述方案中，所述检测结果包含第三分支的输出结果，所述第三分支的输出结果包含明暗度和第一置信度，所述第三分支用于确定目标对象的明暗度，所述方法还包括：

27、在所述第一置信度小于第一阈值的情况下，利用第一算法，确定所述待检测图像的明暗度；

28、利用确定的明暗度，更新所述第三分支的输出结果中的明暗度。

29、上述方案中，所述利用第一算法，确定所述待检测图像的明暗度，包括：

30、将所述待检测图像进行划分，得到至少一个第一目标区域；

31、确定所述至少一个第一目标区域对应的第四信息，所述第四信息包含第一目标区域的亮度信息；

32、利用所述至少一个第一目标区域对应的第四信息，确定所述待检测图像的明暗度。

33、上述方案中，所述检测结果包含第四分支的输出结果，所述第四分支的输出结果包含清晰度和第二置信度，所述第四分支用于确定目标对象的清晰度，所述方法还包括：

34、在所述第二置信度小于第二阈值的情况下，利用第二算法，确定所述待检测图像的清晰度；

35、利用确定的清晰度，更新所述第四分支的输出结果中的清晰度。

36、上述方案中，所述利用第二算法，确定所述待检测图像的清晰度，包括：

37、将所述待检测图像进行划分，得到至少一个第二目标区域；

38、对得到的所述至少一个第二目标区域进行高斯模糊处理；

39、确定得到的所述至少一个第二目标区域和高斯模糊处理后的所述至少一个第二目标区域的至少一个相似度；

40、利用所述至少一个相似度，确定所述待检测图像的清晰度。

41、上述方案中，所述利用第一模型，确定所述待检测图像中的至少一个第二目标对象，包括：

42、对所述待检测图像进行预处理，得到预处理后的所述待检测图像；

43、利用所述第一模型，确定预处理后的所述待检测图像中的至少一个第二目标对象。

44、本技术实施例还提供一种模型训练装置，设置在电子设备上，包括：

45、第一获取单元，用于获取第一样本数据，所述第一样本数据包含图像中的至少一个第一目标对象数据和每个第一目标对象的第一数据和第二数据，所述第一数据包含用于在图像中确定第一目标对象数据，所述第二数据包含第一目标对象的至少两个属性；

46、第一处理单元，用于利用至少一个第一目标对象的第一数据，对第一模型进行训练，所述第一模型用于确定待检测图像中的至少一个第二目标对象；

47、第二处理单元，用于利用所述至少一个第一目标对象数据和至少一个第一目标对象的第二数据，对所述第二模型进行训练，所述第二模型用于检测所述待检测图像的质量，所述待检测图像的质量与至少两个属性相关联；其中，训练过程中，所述至少一个目标对象数据和所述至少一个第一目标对象的第二数据被输入至所述第二模型的至少两个属性分支，所述至少两个属性分支包含第一分支，所述第一分支用于确定目标对象的遮挡信息，所述第一分支的损失函数与所述至少两个属性相关联。

48、本技术实施例还提供一种图像检测装置，设置在电子设备上，包括：

49、第二获取单元，用于获取待检测图像；

50、确定单元，用于利用第一模型，确定所述待检测图像中的至少一个第二目标对象；

51、检测单元，用于利用所述至少一个第二目标对象的数据和第二模型，检测所述待检测图像的质量，得到检测结果，所述第一模型和第二模型是根据上述任一模型训练方法得到的。

52、本技术实施例还提供一种电子设备，包括：处理器及通信接口；其中，

53、所述处理器，用于：

54、通过所述通信接口获取第一样本数据，所述第一样本数据包含图像中的至少一个第一目标对象数据和每个第一目标对象的第一数据和第二数据，所述第一数据包含用于在图像中确定第一目标对象数据，所述第二数据包含第一目标对象的至少两个属性；利用至少一个第一目标对象的第一数据，对第一模型进行训练，所述第一模型用于确定待检测图像中的至少一个第二目标对象；以及利用所述至少一个第一目标对象数据和至少一个第一目标对象的第二数据，对所述第二模型进行训练，所述第二模型用于检测所述待检测图像的质量，所述待检测图像的质量与至少两个属性相关联；其中，训练过程中，所述至少一个目标对象数据和所述至少一个第一目标对象的第二数据被输入至所述第二模型的至少两个属性分支，所述至少两个属性分支包含第一分支，所述第一分支用于确定目标对象的遮挡信息，所述第一分支的损失函数与所述至少两个属性相关联；

55、或者，

56、通过所述通信接口获取待检测图像；利用第一模型，确定所述待检测图像中的至少一个第二目标对象；以及利用所述至少一个第二目标对象的数据和第二模型，检测所述待检测图像的质量，得到检测结果，所述第一模型和第二模型是根据上述任一模型训练方法得到的。

57、本技术实施例还提供一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，

58、其中，所述处理器用于运行所述计算机程序时，执行时实现上述任一模型训练方法的步骤，或者实现上述任一图像检测方法的步骤。

59、本技术实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一模型训练方法的步骤，或者实现上述任一图像检测方法的步骤。

60、本技术实施例提供的模型训练及图像检测方法、装置、电子设备及存储介质。其中，模型训练方法包括：获取第一样本数据，所述第一样本数据包含图像中的至少一个第一目标对象数据和每个第一目标对象的第一数据和第二数据，所述第一数据包含用于在图像中确定第一目标对象数据，所述第二数据包含第一目标对象的至少两个属性；利用至少一个第一目标对象的第一数据，对第一模型进行训练，所述第一模型用于确定待检测图像中的至少一个第二目标对象；利用所述至少一个第一目标对象数据和至少一个第一目标对象的第二数据，对所述第二模型进行训练，所述第二模型用于检测所述待检测图像的质量，所述待检测图像的质量与至少两个属性相关联；其中，训练过程中，所述至少一个目标对象数据和所述至少一个第一目标对象的第二数据被输入至所述第二模型的至少两个属性分支，所述至少两个属性分支包含第一分支，所述第一分支用于确定目标对象的遮挡信息，所述第一分支的损失函数与所述至少两个属性相关联。本技术实施例提供的技术方案，在人脸属性分类模型(即第二模型)的训练过程中，通过其他属性分支的损失函数辅助人脸遮挡分支(即第一分支)对遮挡信息进行提取，使得人脸遮挡分支的属性的鲁棒性更强，即提高了人脸遮挡分支所提取的遮挡信息的准确率。由于通过属性分支所提取的信息能够反映人脸质量，所以，通过提高人脸遮挡分支的提取准确率，能够提高利用人脸属性分类模型对人脸质量的检测准确率。