人脸图像质量评价
人脸识别数据预处理手段
人脸识别数据预处理手段
随着人脸识别技术的不断发展和应用，人脸识别数据的预处理也变得越来越重要。
人脸识别数据预处理主要包括以下几个方面：
1. 图像质量评估：对于采集到的人脸图像，首先需要评估其质量，剔除质量较差的图像。
评估方法包括模糊度评估、光照评估、遮挡评估等。
2. 人脸检测和对齐：对于图像中的人脸进行检测和对齐，确保人脸处于图像中心并朝向正常。
常用的检测方法包括Haar分类器、卷积神经网络等，对齐方法包括人脸关键点对齐。
3. 人脸标准化：将检测和对齐后的人脸图像进行标准化处理，包括亮度均衡、直方图均衡化、尺度归一化、旋转矫正等。
4. 数据增强：通过对已有的人脸图像进行平移、旋转、缩放等变换操作，生成更多的训练数据，提高人脸识别算法的泛化能力。
5. 数据清洗和筛选：在预处理完成后，需要对人脸图像进行清洗和筛选，剔除不符合要求的图像，保留质量较高的图像。
以上是人脸识别数据预处理的常见手段，通过对数据进行有效处理，可以提高人脸识别算法的性能和准确率。
- 1 -。
人脸识别准确率评估说明
人脸识别准确率评估说明人脸识别技术是通过对人脸图像进行分析和处理，将其与数据库中的人脸图像进行比对，从而对人脸进行身份认证或者身份识别的一种技术手段。
随着科技的发展，人脸识别技术在安防领域、金融领域以及社会服务领域等得到了广泛的应用。
为了评估人脸识别的准确率，可以从以下几个方面进行说明。
首先，人脸识别准确率的评估需要建立一个合适的评估指标体系。
人脸识别准确率可以通过计算以下几个指标来进行评估：一是识别率，即正确识别出的人脸图像数量占总测试图像数量的比例；二是误识率，即错误识别为其他人的人脸图像数量占总测试图像数量的比例；三是漏识率，即未能正确识别出的人脸图像数量占总测试图像数量的比例。
通过对这些指标的计算和分析可以得出人脸识别系统的准确率。
其次，在进行人脸识别准确率评估时需要选择合适的评估数据集。
评估数据集应该具备代表性，包含大量不同角度、光照条件、表情和年龄等因素的人脸图像。
这样可以更加真实地测试人脸识别系统在实际应用中的准确率。
同时，评估数据集应该包含一定数量的正面人脸图像和侧面人脸图像，以检验人脸识别系统对不同姿态的识别能力。
第三，人脸识别准确率评估需要借助一些评估工具和方法。
可以使用ROC曲线（Receiver Operating Characteristic curve）来评估人脸识别的准确率。
ROC曲线是以误识率为横轴，识别率为纵轴来绘制的一条曲线，可以反映出在不同误识率下的人脸识别准确率。
另外，还可以使用PR曲线（Precision-Recallcurve）来评估人脸识别的准确率。
PR曲线是以漏识率为横轴，精确率为纵轴来绘制的一条曲线，可以反映出在不同漏识率下的人脸识别准确率。
最后，在评估人脸识别准确率时还需要考虑系统环境因素的影响。
环境因素包括光照条件、摄像头的分辨率、人脸图像的质量等。
这些因素都可能对人脸识别的准确率产生一定的影响。
为了准确评估人脸识别的准确率，需要在评估时尽可能模拟真实环境，包括不同光照条件的变化和不同摄像头分辨率的变化等。
人脸图像质量评价ppt课件
基本思想： 通过对图像的对比度、明亮度、清晰度和图像中人脸 位置信息等多种评价指标来综合评价人脸图像质量， 得出各自的评价系数(O～1.0)。然后再通过各系数所 占的权重(l ～100)进行加权计算。最后得出每幅图的 评价得分，从而选出质量最佳的图像。
人脸大小、 位置、角 度评价 人脸图像对 比度、清晰 度评价
求出归一化后的脸部矩形中心坐标（x,y)到人脸图 像中心的距离d。
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
1. 2.
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
3.
计算人脸大小评价系数λ3
（4）图像对比度评价算法
1.
输入双眼坐标，若 双眼坐标不在图像之内，直 接令其评价系数λ1=0.
2.
根据双眼坐标判断人脸矩形是否超出人脸图像 外，若超出令评价系数λ1=0.
根据双眼坐标求出人脸矩形面积S，若小于某个 阈值，则置λ1=0. 计算人脸大小评价系数
3.
4.
（2）人脸位置评价算法
1.
2.
输入双眼坐标，求出脸部矩形的中心坐标(x,y)
（6）图像清晰度评价算法
清晰度是人们从主观上描述图像质量的感受。 从频域的角度看．当一幅图像的高频分量不足 时，通常表现为模糊;而高频分量过多时又会 表现为粗糙。 大量的理论与实验都表明，相对平滑区域和纹 理区域、边缘在图像中识别物体时起着非常重 要的作用，图像的可视性也受到边缘区域发生 频率的影响。因此在计算图像清晰度时，特别 要重视图像中边缘区域的清晰程度对全图清晰 度的影响。
人脸识别技术的照片质量要求与处理策略
人脸识别技术的照片质量要求与处理策略随着人工智能的快速发展，人脸识别技术逐渐走进我们的生活，被广泛应用于人脸解锁、身份验证、安防监控等领域。
然而，要使人脸识别技术达到高准确率和高可靠性，照片的质量是至关重要的。
因此，在应用人脸识别技术前，需要对照片质量进行一定的要求和处理策略。
一、照片质量要求1.清晰度：照片中的人脸应该清晰可见，不模糊、不扭曲，以确保人脸特征能够被准确提取和识别。
例如，避免使用低分辨率、模糊或过于暗淡的照片。
2.人脸位置：人脸应该完整出现在照片中，并且以正面为主，使得人脸特征能够被充分提取。
应该避免使用侧脸、遮挡脸部或脸部倾斜的照片。
3.光照条件：照片的光照应该均匀，不应该存在过亮或过暗的情况。
高质量的照片应该能够清晰显示人脸上的细节，如眼睛、嘴巴和鼻子等。
避免使用有强烈反光或阴影的照片。
4.背景干扰：照片的背景应该简单、清晰，并且与人脸区分开，以便于对人脸特征进行有效提取。
避免使用杂乱、繁忙的背景，同时防止使用与人脸颜色相近的背景。
5.真实性：照片应该是真实的、非伪造的。
为了确保识别真实的人脸，必须避免使用伪造的照片，如人脸画像、雕塑或虚拟人物等。
二、照片质量处理策略1.图像增强：对于低质量的照片，可以通过图像增强技术提高其质量。
图像增强包括去噪、锐化、调整亮度和对比度等操作，可以有效地改善照片的清晰度和光照条件。
2.噪声处理：照片中可能存在各种噪声，如背景噪声、亮度噪声等。
通过应用噪声去除算法，可以减少这些噪声，提高照片的质量。
3.人脸检测与对齐：在识别人脸之前，首先需要检测出人脸的位置，并进行对齐操作，使人脸处于标准的位置和角度。
这样可以确保人脸特征的有效提取和识别。
4.人脸关键点检测：通过检测人脸关键点，如眼睛、鼻子、嘴巴等位置，可以确定人脸的准确位置。
这对于精确提取人脸特征非常重要。
5.质量评估：在进行人脸识别之前，对照片的质量进行评估是必要的。
可以利用图像处理算法来评估照片的清晰度、光照条件、对比度等指标，以排除低质量照片。
一种人脸图像质量检测方法
一种人脸图像质量检测方法
人脸图像质量检测是指判断给定的人脸图像质量好坏的过程。
以下是一种常见的人脸图像质量检测方法：
1. 检测关键点：首先使用人脸检测算法定位出人脸区域，并使用关键点检测算法识别出面部的各个关键点，如眼睛、嘴巴等。
2. 提取特征：根据关键点的位置，从人脸图像中提取特征。
常用的特征包括人脸的对称性、颜色直方图、梯度直方图等。
3. 计算质量评分：根据提取的特征，使用相应的算法计算出人脸图像的质量评分。
例如，可以使用对称性差异度来评估人脸的对称性，使用颜色直方图和梯度直方图来评估图像的清晰度和对比度等。
4. 设置阈值：根据需要，可以设置合适的阈值来区分人脸图像的好坏。
如果质量评分高于阈值，则判断人脸图像质量好；否则，判断人脸图像质量差。
需要注意的是，人脸图像质量检测是一个相对主观的任务，不同的应用场景可能对人脸图像的质量有不同的要求，因此可以根据具体情况选择合适的特征和评估方法进行人脸图像质量检测。
人脸图像质量评价基础
对人脸图像质量评估算法而言，输入是一幅人脸图像，，输出是相应的质量分数Q(I)，质量分数可以是一个标量或者向量，例如，标量可以是最终的人脸质量分数Q(I)，向量可以
是由各个方面的质量分数组成。
4
（1）多指标评价方法【1】：
通过对图像的对比度、明亮度、清晰度和图像中人脸位置信息的多种评价指标来综合评价人脸图像质量的新方法(图1)，通过实验验证了这种方法的有效性。
一般意义上的图像质量评价主要关注：相对于原始图像，如何对一幅复原图像进行质量评价。与此不同，人脸图像质量评价是研究如何从一组几乎是同时拍摄的图像群中，通过图像质量评价，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。
人脸图像质量评价方法
1
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。
人脸识别中的图像质量评估与增强技术
人脸识别中的图像质量评估与增强技术是人工智能领域的重要研究方向，对于提高人脸识别系统的准确性和鲁棒性具有重要意义。
本文将对人脸识别中的图像质量评估与增强技术进行简要介绍。
一、图像质量评估人脸识别中的图像质量评估主要关注图像的清晰度、光照、姿态、遮挡等因素对识别准确率的影响。
在进行评估时，通常需要考虑以下几个关键因素：1. 图像分辨率：分辨率越高，识别效果越好。
但在实际应用中，受到设备性能和存储空间的限制，很难获得高分辨率的人脸图像。
2. 光照条件：光照条件的变化会导致人脸图像的光强、颜色和纹理发生变化，影响识别效果。
因此，需要采用光照补偿技术来消除光照对识别准确率的影响。
3. 姿态变化：人脸姿态的变化会导致人脸图像的形状和大小发生变化，影响识别效果。
因此，需要采用姿态补偿技术来消除姿态对识别准确率的影响。
4. 遮挡物：人脸图像中的遮挡物会影响人脸识别的准确性。
因此，需要采用遮挡物去除技术来消除遮挡物对识别准确率的影响。
通过以上评估方法，可以对人脸图像的质量进行评估，为后续的图像增强技术提供依据。
二、图像增强技术图像增强技术是提高人脸识别准确率的关键技术之一。
主要包括以下几种方法：1. 对比度增强：通过增强人脸图像的对比度，可以提高人脸识别的准确性。
常用的方法包括直方图均衡化、加权平均滤波等。
2. 亮度调整：通过调整人脸图像的亮度，可以改善光照对识别准确率的影响。
常用的方法包括加亮、减暗等。
3. 姿态校正：通过调整人脸图像的姿态，可以改善姿态对识别准确率的影响。
常用的方法包括面部对称化、形状建模等。
4. 遮挡物去除：通过去除人脸图像中的遮挡物，可以提高人脸识别的准确性。
常用的方法包括基于深度学习的遮挡物检测算法和基于传统图像处理技术的遮挡物去除算法。
通过以上增强方法，可以提高人脸识别的准确性，提高系统的鲁棒性和实用性。
同时，也需要考虑如何将增强后的图像进行标准化处理，以便与其他算法进行比较和融合。
人脸图像质量评估算法的准确度与鲁棒性分析
人脸图像质量评估算法的准确度与鲁棒性分析人脸图像质量评估算法是计算机视觉领域的重要研究方向之一。
在人脸识别、人脸比对等应用中，准确评估人脸图像的质量对算法的性能影响巨大。
因此，研究人员致力于开发准确度高且鲁棒性强的人脸图像质量评估算法。
首先，准确度是评估一个算法的重要指标。
在人脸图像质量评估中，准确度指的是算法对图像质量的评估结果与人工主观评价结果的一致性。
常用的评估指标包括均方差（Mean Square Error, MSE）、峰值信噪比（Peak Signal to Noise Ratio, PSNR）等。
这些指标能够客观地反映算法对图像质量的评估准确度，但是它们只能作为一种粗略评估，因为它们无法完全捕捉到人类主观感知的一致性。
为了进一步提高人脸图像质量评估算法的准确度，研究人员从人类视觉系统的角度出发，借鉴了生物学和心理学的知识。
他们将人脸图像的质量评估问题转化为了一个感知质量评估问题。
通过对人类视觉系统的研究，他们发现人类对人脸图像的质量感知与图像的低层次特征（如亮度、对比度等）和高层次特征（如面部表情、细节等）密切相关。
因此，一些基于感知特征的评估算法被提出。
基于感知特征的人脸图像质量评估算法通常使用机器学习方法进行训练。
首先，研究人员收集了大规模的人脸图像数据集，并对图像进行了主观质量评价。
然后，他们通过计算图像的特征向量和对应的主观质量评分，构建了一个训练集。
最后，他们使用机器学习方法（如支持向量机、深度神经网络等）对训练集进行学习，从而得到一个图像质量评估模型。
除了准确度，人脸图像质量评估算法的鲁棒性也是一个重要的指标。
在实际应用中，图像可能会面临多种多样的干扰，例如光照变化、面部遮挡、姿态变化等。
因此，一个鲁棒性强的人脸图像质量评估算法能够在不同场景下对图像质量进行准确评估。
为了提高算法的鲁棒性，研究人员在数据预处理、特征提取和模型训练等方面进行了一系列的改进。
首先，在数据预处理阶段，他们对图像进行去噪、对比度增强等操作，以提高图像的质量。
人脸模糊质量评价方法的基本步骤
人脸模糊质量评价方法的基本步骤下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!人脸模糊质量评价方法的基本步骤摘要在计算机视觉和图像处理领域，人脸模糊质量评价是一项重要的任务，它影响着诸如人脸识别、人脸检测等应用的性能。
人脸图像质量评估与优化算法研究
人脸图像质量评估与优化算法研究人脸图像是当前计算机视觉领域的热门研究领域之一，具有广泛的应用前景。
然而，由于各种原因，如摄像头质量、环境光线等，人脸图像在采集过程中常常存在质量问题。
因此，人脸图像质量评估与优化算法的研究具有重要意义，可以提高人脸图像在后续应用中的准确性和可靠性，为人脸识别、人脸跟踪等任务提供更好的效果。
1. 人脸图像质量评估算法人脸图像质量评估算法旨在通过自动分析人脸图像的质量特征，判断其所包含的有效信息量。
常见的质量评估指标包括清晰度、亮度、对比度、噪声等。
基于这些指标，研究者们提出了多种评估算法，如基于直方图分析、结构相似性指标、图像噪声估计等。
另外，还有基于机器学习的方法，通过训练分类器，从大规模的图像数据库中学习人脸图像的质量特征，从而实现自动评估。
2. 人脸图像质量优化算法人脸图像质量优化算法旨在通过一系列图像处理技术，提升人脸图像的质量，以便在后续的人脸识别、人脸跟踪等任务中取得更好的效果。
常见的优化方法包括增强图像的清晰度、亮度、对比度等。
其中，图像清晰度的优化可以通过锐化算法、去模糊算法等实现；图像亮度和对比度的优化可以通过直方图均衡化、自适应对比度增强等算法实现。
此外，还可以通过降噪算法、图像修复算法等降低图像中的噪声，提升图像的质量。
3. 人脸图像质量评估与优化算法的应用人脸图像质量评估与优化算法在各个领域都具有重要应用。
首先，人脸识别技术的发展离不开高质量的人脸图像，通过评估和优化人脸图像的质量，可以提升人脸识别算法的准确性和稳定性。
其次，人脸图像质量评估与优化算法对于视频监控、安防等领域也有重要意义，可以提高视频图像中人脸的清晰度和对比度，增强人脸的可识别性。
此外，在人脸跟踪、情感分析等领域也可以运用人脸图像质量评估与优化算法，提高算法的效果。
4. 人脸图像质量评估与优化算法的挑战在人脸图像质量评估与优化算法的研究中，还存在一些挑战需要克服。
首先，人脸图像的质量评估是一个主观的问题，不同人对同一幅图像的评价可能存在较大差异。
人脸质量评估
人脸质量评估人脸质量评估是指对人脸图像或视频中的人脸进行分析和评估的过程，以确定人脸图像或视频的质量或可用性。
人脸质量评估在人脸识别、人脸检测和人脸表情分析等领域中具有重要作用，它能够帮助提高人脸相关算法的准确性和可靠性。
人脸质量评估可以从多个方面对人脸图像或视频进行评估。
以下是常见的人脸质量评估指标：1. 清晰度：清晰度是指人脸图像或视频中人脸图像的清晰程度。
清晰的图像或视频能够提供更多的细节信息，有助于后续的人脸分析和识别。
2. 遮挡情况：遮挡情况指的是人脸图像或视频中是否存在遮挡物，如眼镜、口罩、帽子等。
遮挡物会影响人脸的可见性，降低人脸识别的准确性。
3. 光照条件：光照条件是指人脸图像或视频中的光照强度和光照方向。
光照强度过弱或过强，或者光照方向不合理，都会对人脸的可见性造成影响。
4. 表情变化：表情变化指的是人脸图像或视频中人脸的表情变化情况。
一些特定的表情，如闭眼、笑脸等，可能会对人脸识别造成影响。
5. 角度变化：角度变化是指人脸图像或视频中人脸的拍摄角度。
过大的角度变化会导致人脸形状的变化，影响人脸识别的准确性。
为了进行人脸质量评估，可以使用图像处理和机器学习等方法。
常见的方法包括图像增强、背景消除、人脸关键点检测、光照归一化、人脸质量评分等。
其中，人脸质量评分是一种常用的方法，它根据一系列指标对人脸图像或视频进行评分，来评估其质量。
人脸质量评估在实际应用中具有广泛的意义。
例如，人脸质量评估可以用于筛选高质量的人脸图像或视频用于训练人脸识别模型，提高模型的准确性和可靠性。
同时，人脸质量评估也可用于判断人脸图像或视频的可用性，以及在一些特定场景中，如视频监控、人脸支付等，保证人脸相关算法的有效性和安全性。
总之，人脸质量评估是对人脸图像或视频进行分析和评估的过程，它能够帮助提高人脸相关算法的准确性和可靠性。
通过评估人脸图像或视频的清晰度、遮挡情况、光照条件、表情变化和角度变化等指标，可以得出人脸质量评分，并应用于各种人脸识别、检测和表情分析等应用中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2.
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
1. 2.
3.
计算人脸大小评价系数λ3
人脸图像质量标准——ISO/IEC 19794-5
不同质量图像示例
影响人脸图像质量的三个主要因素
模糊 (out of focus) 非正面图像 (non-frontal posture)
???
侧面照明 (side lighting)
符合ISO/IEC 19794-5标准的标准人脸图像
人脸图像质量评价算法介绍 ——多指标评价法[1]
（6）图像清晰度评价算法
1. 2.
输入图像序列 用sobel算子分别求出0，45，90，135度方向的 边缘图像
3. 4. 5. 6.
求图像的
合成边缘强度
求合成边缘图像的平均图像 分别求 和 的平均值 和
计算图像清晰度评价系数
（7）评价指标综合
1. 2.
若λ1=0，则score=0。 若λ1≠0，则
人脸图像质量评价算法介绍 ——多指标评价法[1]
优点： 在传统质量评价指标上，结合人脸特征信息进 行综合评价，基本上符合人眼视觉系统(HVS)感 受，有不错的准确率和正确率，工程应用广泛， 有很多变形运用 缺点： 各评价指标的权重系统难以确定，须在大数据 库中进行调整
人脸图像质量评价算法介绍 ——人脸对称法[2，3]
score=w1*λ1+w2*λ2+w3*λ3+w4*λ4+w5*λ5+w6* λ6
其中: w1+w2+w3+w4+w5+w6=100; λ1+λ2+λ3+λ4+λ5+λ6=1.0; w由人为确定， 亦可由训练过程决定
（8）实验结果
左图为测试用图， 分辨率为320*240， 灰度级别都为256， 下表为各图像的评 价系数值及最后得 分。
人脸图像的获取手段
三维人脸
名称
示例
采集 手段
优点
缺点
三维人脸
1. 采集成本高 专用的三维 1. 抗光照变化 2. 不受姿态影响 2. 建模时间长 相机 3. 识别性能高 3. 识别速度慢
目前市场上的人脸识别技术产品。除了价格昂 贵的3维人脸技术产品外，基本都是基于可见光 图像的。 而基于可见光图像的人脸识别技术对环境光的 影响有着难以克服的缺陷，当识别时的环境光 与注册时的不同，识别性能会有较大下降，无 法满足实际系统的需要。 如何消除环境光照对人脸识别的影响成了困扰 人脸识别领域的最具挑战性的难题
*from FERET database
（1）基于Gabor小波的人脸对称性 （Gabor-Based Facial Symmetry）
该算子对全局光照变化不敏 感而被广泛的应用在人脸识 别算法中，但是其对光照的 方向很敏感，因此可以用来 评估非对称光照 5个不同方向的gabor滤波器 （第二行是第一行对应的镜相滤波器）
基本思想： 通过对图像的对比度、明亮度、清晰度和图像中人脸 位置信息等多种评价指标来综合评价人脸图像质量， 得出各自的评价系数(O～1.0)。然后再通过各系数所 占的权重(l ～100)进行加权计算。最后得出每幅图的 评价得分，从而选出质量最佳的图像。
人脸大小、 位置、角 度评价 人脸图像对 比度、清晰 度评价
人脸左半区 域和右半区 域的差异能 够直观描述 出人脸的非 对称性，如 果相差为0 的话， 则说 明是人脸是 严格al lighting）
严重的人脸 非对称性 （severe facial asymmetry）
不合适的人脸姿态 （improper facial pose）
图像的模糊化(out of focus)意味着高频分量的损 失，因此选择DCT在频率域上来评价图像的清晰 度。 图像清晰度(sharpness)是影响图像质量的又一重 要因素，清晰度越高，意味着人脸区域的细节 更多。
（2）基于DCT变换的清晰度研究 （ DCT-Based Sharpness ）
低质量图像
质量合格
人脸图像的获取手段
可见光
名称
示例
采集 手段
可见光CCD 或者CMOS
优点
缺点
可见光
1. 直观、自然 1. 受光照影响大 2. 识别精度高 2. 受人的姿态影 3. 识别速度快 响大 4. 采集成本低
人脸图像的获取手段
近红外
名称
示例
采集 手段
优点
缺点
近红外
在CCD或者 1. 抗光照变化 1. 识别精度有限 CMOS周围 2. 采集成本较低 2. 不够直观、自 然 加红外灯， 3. 识别速度快 3. 受人的姿态影 主动补光 响大
（1）基于Gabor小波的人脸对称性 （Gabor-Based Facial Symmetry）
非正面照明（non frontal lighting）
*from FERET database
（1）基于Gabor小波的人脸对称性 （Gabor-Based Facial Symmetry）
不合适的人脸姿态（improper facial pose)
1.
输入双眼坐标，若 双眼坐标不在图像之内，直 接令其评价系数λ1=0.
2.
根据双眼坐标判断人脸矩形是否超出人脸图像 外，若超出令评价系数λ1=0.
根据双眼坐标求出人脸矩形面积S，若小于某个 阈值，则置λ1=0. 计算人脸大小评价系数
3.
4.
（2）人脸位置评价算法
1.
输入双眼坐标，求出脸部矩形的中心坐标(x,y)
输入图像
输出结果
人脸图像质量评价算法介绍 ——多指标评价法[1]
假定人脸识别系统在提供图像的同时也提供了图像中人脸 的双眼位置坐标。通过双眼位置坐标可以统计比例，求得 人脸矩形位置。
h、t、b为人脸矩形与 人眼距离的比例关系， h=0．54，t=0．43， b=1．85。 D为双眼的距离
（1）人脸位置评价算法
基本思想：
采用Gabor小波作为基本特征来估计图像中
人脸对称性，并用来评价光照和姿态情况。
1.
2.
采用离散余弦变换(DCT) 和离散余弦反变换
(IDCT)来计算图像模糊度（degree of out-offocus）或者清晰度（sharpness) 。
（1）基于Gabor小波的人脸对称性 （Gabor-Based Facial Symmetry）
（4）图像对比度评价算法
1. 2. 3. 4.
计算图像的归一化直方图 求归 一化直方图的平均值： 求归 一化直方图的方差：
计算对比度评价系数
λ4=1-δ
（5）图像明亮度评价算法
适当的亮度是人们观察图像的基本条件，也是影响图像质量的 重要因素．亮度过强或过弱都会影响图像质量。
1. 2. 3. 4.
输入图像序列 计算图像 的灰度平均值 计算该幅图像的灰度平均值 计算图像明亮度评价系数λ5
（6）图像清晰度评价算法
清晰度是人们从主观上描述图像质量的感受。 从频域的角度看．当一幅图像的高频分量不足 时，通常表现为模糊;而高频分量过多时又会 表现为粗糙。 大量的理论与实验都表明，相对平滑区域和纹 理区域、边缘在图像中识别物体时起着非常重 要的作用，图像的可视性也受到边缘区域发生 频率的影响。因此在计算图像清晰度时，特别 要重视图像中边缘区域的清晰程度对全图清晰 度的影响。
人脸图像质量的内涵
???
三要素
源特性
图像源的内在特性，比 如有创伤的脸会产生质 量较差的图像 一副图像是 不是很适合 作为生物识 别系统的输 入，比如带 表情或者姿 态的人脸对 有些系统就 会无法识别。
图像是否 很清晰
保真度
实用性
加入质量评价后的人脸识别系统
可以有效改 善由于输入 图像质量过 低引起的错 误，节省系 统匹配时间
正脸图像质量评价
Frontal face image quality assessment
电子工程学院
020751班
陶明亮
传统图像质量评价： 相对于原始图像，如何对一幅复原图像进行质 量评价。 人脸图像质量评价： 研究如何从一组几乎是同时拍摄的图像群中， 通过图像质量评价，筛选较为合适的样本用于 识别。
（1）基于Gabor小波的人脸对称性 （Gabor-Based Facial Symmetry）
1.
2.
5对镜相Gabor滤波器分别作用在一幅人 脸图像的左右半脸区域 根据左右区域的响应差异值来判定人脸 的对称性
差值越大， 越不对称
（2）基于DCT变换的清晰度研究 （ DCT-Based Sharpness ）
IDCT变换
输入图像I
DCT变换
D根据预先
设定的值来 去除DCT系 数
变换
输出图像R
清晰度计算
差值越大， 清晰度越 高
人脸图像质量评价算法介绍 ——人脸对称法[2，3]
优点： 方法简便易行，有不错的正确率 缺点： 评价指标过少，无法覆盖所有情况
参考文献
[1]胡杨庆.童卫青.人脸图像质量评价法.现代计算机.2007， 12（237）: 43-49 [2]高修峰.张培仁.人脸图像质量评估标准．小型微型计算 机系统.2009，1(1)：95-99 [3] Jitao Sang, Zhen Lei, and Stan Z. Li，Face Image Quality Evaluation for ISO/IEC Standards 19794-5 and 29794-5, M. Tistarelli and M.S. Nixon (Eds.): ICB 2009, LNCS 5558, pp. 229–238(2009).