[发明专利]一种人脸图像质量评估方法

说明书

本发明公开了一种人脸图像质量评估方法，包括以下步骤：S1、获取待评估的人像图片；S2、对人像图片进行模糊判定，通过人像图片的像素均方差计算人像图片的模糊量评分；S3、对人像图片进行光照质量判定；S31、将人像图片的RGB颜色空间转换为HSV彩色空间；S32、通过人脸检测算法对人像图片中的人脸区域进行截取；S33、计算人脸区域内的明度均值作为人脸光照的量化数值；S34、通过人脸光照的量化数值计算光照质量评分；S4、对人像图片进行人脸姿态判定，通过人脸姿态角度值计算出人脸姿态评分；S5、将人像图片的模糊量评分、光照质量评分、人脸姿态评分赋予不同的权重，求和后即得到人脸图像的质量评估分数值。

技术领域

本发明涉及图像处理领域，尤其涉及一种人脸图像质量评估方法。

背景技术

人脸识别技术在视频监控，公共安全，门禁认证等领域有广泛的应用前景。人脸识别技术也涉及多个学科的知识，受到各国政府和公司的高度关注和广泛的研究。在自然条件下，人脸识别还是有一些非常具有挑战性的难题。人脸图片质量对人脸检测效果有非常大的影响。人脸识别属于非接触性生物识别，造成了有很多因素会影响到人脸图片质量。

人脸图像质量评估也有了很多算法。基于纹理特征融合的人脸图像质量评估算法：从视频序列中选取同一人的高质量人脸图像是人脸识别技术的关键步骤。为了提升人脸图像评估的可靠性，首先，针对人脸图像提取HOG、GIST、GABOR和LBP等纹理特征；接着，根据标注数据训练分类器，实现单特征得分评估；再将多特征得分值融合成特征向量；最后，通过多项式核函数升维得到新的特征向量，并根据该特征训练SVMs分类器，以回归人脸图像质量得分。基于特征融合的方法能有效提升人脸图像质量评估的效果，特别是HOG-GIST特征组合的算法具有很好的效率，目标人脸在不同姿势及遮挡的情况都能得到可靠的评估结果。但是其指标过少，无法覆盖所有情况。

融合二级评价指标的人脸图像质量评价方法：针对姿态和光照对人脸的干扰,基于子区域直方图距离的人脸对称度评价,用于评估非对称光照和姿态对人脸质量的影响。针对含有人脸的原始图像质量的第一级评价与针对人脸有效区域的第二级评价相融合的评价策略,第一级评价的反馈信息能有效指导图像采集环境构建和改善,为后期人脸检测和识别提供优质图像源。主要评价指标包括:对比度、适宜度、对称度、清晰度、人脸有效区域面积等物理参数。但是其各权重指标难以确定，需在大数据库中进行调整。

基于卷积神经网络的人脸图像质量评价：针对人脸识别过程中人脸图像质量较低造成的低识别率问题，首先建立一个卷积神经网络模型，提取人脸图像质量的深层语义信息；然后在无约束环境下收集人脸图像，并通过传统的图像处理方法以及人工筛选进行过滤，得到的数据集用以进行模型参数的训练；其次通过在图形处理器(GPU)上加速训练，得到用于拟合人脸图像到类别的映射关系；最后将输入在高质量图像类别的概率作为图像的质量得分，建立人脸图像的质量打分机制。与VGG-16网络相比，此模型准确率降低了0.21个百分点，但是参数规模减小了98％，极大地提高了模型运算效率；同时模型在人脸模糊、光照、姿态和遮挡方面都具有较强的判别能力，其缺点为：该模型的准确性和适应性仍有待提高。

发明内容

本发明目的是针对上述问题，提供一种准确性更高的人脸图像质量评估方法。

为了实现上述目的，本发明的技术方案是：

一种人脸图像质量评估方法，包括以下步骤：

S1、获取待评估的人像图片；

S2、对人像图片进行模糊判定；

S21、对人像图片的边缘点进行检测；

S22、计算人像图片中的像素均方差，通过像素均方差计算人像图片的模糊量评分；

S3、对人像图片进行光照质量判定；

S31、将人像图片的RGB颜色空间转换为HSV彩色空间；