[发明专利]一种人脸图像质量检测方法

说明书

技术领域

本发明涉及人脸识别，尤其涉及一种在人脸识别过程中，对待识别的人脸图像的质量 进行检测的方法，属于图像处理技术领域。

背景技术

人脸图像质量评价的作用

在人脸识别系统中，待识别图像的质量严重影响系统匹配的精度。图像质量既包括图 像本身的全局特性如亮度、对比度、分辨率等，也包括和人脸特征相关的属性，比如人脸 图片中人脸的姿态、非对称光照等。低质量的图片可能是引起系统匹配错误的主要原因，也 直接导致了很多系统无法在实际中使用。

人脸图像质量评估系统可以有效地改善由于输入图像质量过低引起的系统错误，它可 以监视采集设备的输出图像和注册识别算法输入图像的质量。

图1给出了一个加入图像质量评估系统后的人脸识别系统框图，图像首先经过预处理 并进行质量评估，当图像质量高于一定门限时才会被送到识别系统中进行识别，否则图像 将被丢弃。

加入图像质量评估系统，可以带来如下好处：

(1)这种方式可以在某种程度上预防系统错误，对于大数据生物数据库还可以有效 的节省匹配的时间。

(2)在某些安全场合，当一些人比如罪犯故意不愿被系统识别的时候，质量评估系 统可以给出报警。

(3)人脸图像的质量分数也可以用来辅助识别算法，比如，当图像质量较低的时候， 系统可以自适应的降低匹配的阀值。

现有的人脸图像质量评价方法

图像质量评价法可以分为客观评价和主观评价。

客观评价是用复原图像与原始图像的误差来衡量复原图像的质量，主要方法有方差、 平均梯度、信息熵、均方误差(MSE)、峰值信噪比(PSNR)等。方差、平均梯度和信 息熵三种都是对单幅图像自身进行的，主要反映受检图像自身的绝对质量。而对诸如复原、 压缩、传输等过程中结果图像与原始图像间的相对质量评价一般采用均方误差和峰值信噪 比。但用它们所求得的结果常与人们主观视觉效果不一致。

主观评价方法就是让观察者根据一些事先规定的评价尺度或自己的经验，对测试图像 按视觉效果提出质量判断，并给出质量分数，所有观察者给出的分数进行加权平均，所得的 结果即为图像的主观质量评价。

对人脸图像质量评估算法而言，输入是一幅人脸图像I，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。

LBP算子

原始的LBP算子是处理灰度伸缩和旋转不变的纹理分类的有效方法。对于图像中的每 个像素，首先以该像素灰度值作为阈值，对其周围的8个相邻像素进行0，1编码(灰度大 于等于该阈值为1，否则为0)，得到一个长度为8的二进制串，从而将该二进制串作为 该像素的编码，如图2所示。

由于LBP图像并不包含原始图像的任何灰度信息，并且整个图像的平均亮度也是未知 的，因此可以由LBP图像来估算原始图像得到重建图像。通过估算出每一个像素灰度的可 能的最大值，然后估算出其可能的最小值，然后使用平均值来代表此点像素的灰度。就整 体而言，图像重建过程中，得到像素灰度最大的重建图像R_max和像素灰度最小的重建图像 R_min，最终得到的重建图像R是R_max和R_min的平均值。

假设原始图像为P，P经过LBP变换后得到的图像为LBP(P)，LBP(P)经过LBP逆 变换得到的重建图像为R，则LBP重建的思路如下：

1.对原始图像P做LBP变换得到LBP图像LBP(P)。

2.根据LBP(P)计算灰度最大的重建图像R_max：

将R_max的所有像素的灰度预设为255；

对于每个像素，将其灰度由255以逐一减小，直到该像素的LBP编码等于LBP(P) 中该像素的LBP编码为止，此时的灰度就是该像素点的最大灰度；

确定所有像素点的最大灰度后得到的图像即为灰度最大的重建图像R_max。

3.根据LBP(P)计算重建灰度最小的重建图像R_min：

首先将R_min的所有像素的灰度预设为0；

对于每个像素，将其灰度由0逐一增大，直到该像素的LBP编码等于LBP(P)中该 像素的LBP编码为止，此时的灰度就是该像素点的最小灰度；