论文部分内容阅读
近年来,人脸识别技术被广泛应用在各个领域。在控制和配合条件下,人脸识别系统已经达到了很高的识别率,然而在非控制和非配合条件下,人脸图像质量大幅度降低,导致人脸识别系统的性能下降。为了减少低质量人脸图像对人脸识别的影响,有效地提升人脸识别系统的识别率,需要预先对人脸图像质量进行评价。本文立足于研究基于人脸识别的人脸图像质量评价,比较和分析了多种常见的人脸质量评价算法。针对原有人脸图像质量算法无法综合评价人脸图像质量和有效反映人脸图像质量和人脸识别性能影响等问题,提出了新的人脸图像质量评价算法。本文首先提出了一种基于人脸识别的人脸图像质量分数。根据常见的人脸识别过程,首先对人脸图像进行人脸检测,然后使用VGG Face网络模型提取人脸特征,最后通过概率线性判断分析算法比较测试人脸图像与其参考人脸图像的特征相似度来衡量人脸图像质量。通过比较分析,发现人脸遮挡和人脸姿态角度对人脸质量的影响明显高于图像亮度、对比度、清晰度等因素。试验证明,人脸图像质量分数能够综合描述单个或多个影响因素引起的人脸图像质量变化,表现人脸图像质量对人脸识别系统性能的影响和关系,并且有效解决了实验训练和测试样本缺少质量分数标记的问题。其次,提出了一种基于卷积网络的无参考图像质量评价。通过结合卷积网络和图像显著性检测,考虑人眼视觉系统对质量评价的影响,有效地预测图像主观评价质量分数,并将此算法模型在人脸图像质量评价进行试验。经过试验证明,此算法模型可以有效地预测图像主观评价的质量分数,但是不适合直接应用于人脸图像质量评价。最后,提出了一种基于深度学习的无参考人脸图像质量评价。通过微调VGG网络模型参数,实现了一种依据图像特征的端对端的无参考人脸图像质量评价算法模型。此算法模型可以有效地预测一种或多种影响因素导致的人脸图像质量变化,基于人脸识别准确分辨出质量较好或质量较差的人脸图像,有利于提升人脸识别准确率,并且有较好的鲁棒性。