自动人脸识别中的图像质量评价.doc

一种基于倒谱的人脸图像清晰度评价方法 杨 飞 苏剑波 1　引 言 人脸识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注[1-4]。然而，也正因为追求“无须配合”的实施效果，导致了人脸图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。采用低质量的人脸图像进行人脸识别，必然会导致识别准确率的下降[2, 4]。而长期以来，人脸识别的研究大都是基于预先准备好的图像质量一般较高的人脸库的，这与现实应用情况有很大的不同。因此尽管实验测试中的人脸识别准确率已经相当之高，然而在实际应用中的表现却并不尽如人意。为此，近年来有不少研究者开始着手于研究对各种不同质量人脸图像足够鲁棒的人脸识别技术，目前虽已取得了很大的进展，但离实用仍有一些差距。一方面，由于处理低质量图像而被引入的额外手段往往十分复杂，会大大增加人脸识别系统的复杂度，使得人脸识别耗费时间更长――这对于多数实际应用是不可接受的；另一方面，不受图像样本因素影响的人脸识别算法是难以获得的。因此，我们必须研究新的解决方法。 在基于视频流的自动人脸识别应用中，获得的人脸图像数量通常较多，如果对人脸图像样本进行质量评价，筛选较为合适的样本用于识别，这无疑会提高自动人脸识别系统的准确率；即使样本数目有限，也可以依据质量评价结果来选用相应的图像预处理方法来提高识别率。另外，根据人脸图像的质量情况来调整分类器的阈值或其它参数能有效地降低错误拒绝率(FRR)或错误接受率(FAR)，亦可提高人脸识别的实用性能。可见，在自动人脸识别系统中引入人脸图像质量评价环节是一条推动人脸识别实用化的重要途径。因此，近几年来人脸图像的质量评价逐渐引起了人们的关注，关于图像质量评价的评价框架和相关指标的研究工作也已有一些公开报道[2-4]，但关于人脸图像质量评价方法的研究目前还并不充分，人们往往是直接借用传统的图像质量评价方法。本文的研究表明，现有方法并不一定适用于自动人脸识别这个特别领域中的人脸图像质量评价，其评价结果与实际情况可能存在一定差距。本文接下来将以清晰度这一重要的人脸图像质量评价指标为例进行详细说明，并提出一种比传统评价方法更适合于自动人脸识别的清晰度评价方法。最后，通过对同一组人脸图像进行清晰度评价实验，将其与传统清晰度评价方法进行对比，以验证本文方法的准确性要高于传统方法。另外，还在真实环境下通过人脸识别实验来验证本文提出的清晰度评价方法在自动人脸识别中的作用及其适用性。 2　自动人脸识别中的清晰度评价 在基于视频流的自动人脸识别应用中，自动检测采集到的人脸图像不清晰的情况时有发生。不清晰的人脸图像不但会影响人脸识别的准确率，而且还会影响对譬如人脸姿态[2,4]，故本文将清晰度选作研究对象。影响人脸图像清晰度的原因主要有图像模糊和采集噪声干扰。忽略采集噪声，摄像机对焦失准或拍摄瞬间人脸沿摄像机光轴方向快速运动会造成离焦模糊，拍摄瞬间人脸垂直于摄像机光轴方向快速运动会造成运动模糊，实际上这两种模糊经常是并存的。传统的图像质量评价往往是考察经过计算压缩、传输、增强或其他处理变换后的图像与原始图像质量上的差别，在评价时通常有“标准图像”可供参照[5]。因此，无论是具有计算简单优点而被广泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，还是更符合人眼视觉系统(HVS)特性的结构相似度(SSIM)方法[]或基于自然场景统计(NSS)的视觉信息逼真度(VIF)方法[]，由于必须得通过将变换后的图像与标准图像进行比较来做出质量评价，皆不适合作为自动人脸识别中人脸清晰度评价方法。图像质量评价方法主要于图像盲恢复参数的辨如对点扩散函数PSF的估计，特征提取过程较为复杂，计算耗时长，难以满足自动人脸识别系统的要求。通过图像梯度统计信息[2]或高频部分能量[3]来评价人脸图像清晰度的方法虽然简单快速，其实并不可靠不同人的面部差异较大眼镜的佩戴，使得人脸图像的边缘信息差异大；，运动模糊图像的边缘不是在所有方向都是模糊的，与运动方向垂直的方向上的边缘并没有发生退化，而且运动模糊还会产生新的锐利边缘（例如一个亮点可能在运动模糊后形成一条线），所以不能完全边缘来判断。本文一种基于倒谱(cepstrum)域的清晰度评价方法。 倒谱理论自从1963年被提出后[]，在雷达、地震波、超声波和语音信号分析等领域得到了应用，后来又作为一种盲去卷积方法被应用于图像恢复的参数辨识中[]。如果能准确地辨识出模糊图像的点扩散函数的参数，即能评价出图像的模糊程度。但实际上，在倒谱图中清楚地辨识出点扩散函数的特征；而且通常情况下不能预知模糊的类型，辨识点扩散函数的参数往往需要对倒谱图进行预处理，其过程也是比较复杂并且费时的[1]。为了避免这些问题，本文提