[发明专利]一种基于质量维度的人脸识别算法评估方法

摘要

一种基于质量维度的人脸识别算法评估方法，包括基于目标相关的人脸识别评估方法和基于非目标相关的人脸识别评估方法，对于单个人脸识别算法而言，可以通过多维度评估，得到算法对各种不同参量的敏感性，从而针对不同参量做算法优化；对于不同的人脸识别算法而言，可以提供更详细的比对结果，结合应用环境来给出最优的识别算法。

主权项

1.一种基于质量维度的人脸识别算法评估方法，其特征在于：包括基于目标相关的人脸识别评估方法和基于非目标相关的人脸识别评估方法，基于目标相关的人脸识别评估方法包括以下步骤：2‑1.在测试人脸库存在的情况下，对人脸库做参数属性模型化分类，分类的对象包括：肤色、情绪、遮挡与姿态；2‑2.基于肤色的测试库分类：对测试库每幅人脸图像进行标号，不同人的人脸，标号不同，相同人的人脸，标号相同，2‑2‑1.选择基准肤色为参考肤色，对世界范围内的肤色做统计，计算所有统计值与参考肤色的差异，找到ab空间差异的区间，计算色调差异范围；2‑2‑2.设定量化分类步长N，N∈Z⁺(建议取值在10以上)，将色调差异范围均匀分为(N‑1)个区间：[0,r_max/N)，[r_max/N,2r_max/N)，…，[(N‑1)r_max/N,r_max]；2‑2‑3.统计测试库内每个人的肤色值，然后计算到参考值的距离；2‑2‑4.基于计算出的距离与色调差区间，找到每个样本的实际肤色区间号，假如肤色接近黑色，则区间号取负，否则不做调整，这样每个样本在原有标号的基础上，增加肤色区间标号信息ID_color∈[‑N+1,N‑1]；2‑3.基于情绪的测试库信息标记：2‑3‑1.取无情绪状态的平均脸为参考状态，收集典型情绪的数据集，然后分别计算各种情绪下的平均脸；2‑3‑2.测试库的情绪评估；2‑4.基于遮挡的测试库分类：2‑4‑1.遮挡定义：假定特定人脸模型的关键点数为M，由于遮挡原因，剩余可观察点数为M′，则遮挡率r_mask＝M′/M×100％；2‑4‑2.提取每幅测试图的人脸模型关键点，逐点计算并判定：每点到模型几何中心的距离d_c，该点关于人脸中心垂直方向的轴对称点到模型几何中心的距离d_t，该点在训练模型的同名点到训练模型几何中心的距离d′_c，以及同名点对应的对称点到训练模型几何中心的距离d′_t，假如|d′_t‑d′_c|<δ|d_t‑d_c|，δ∈(0,+∞)，认为该点因为遮挡发生了较大的位置偏移，从而成为异常点；统计得到每幅图像的异常点数量M_o；2‑4‑3.根据每幅图像的异常点数量，计算每幅图的遮挡率r_m＝(M‑M_o/2)/M，按照步骤2‑2‑2～2‑2‑4的方式获取遮挡率区间标号；2‑5.基于人脸姿态的测试库分类：以人脸世界坐标的WOV平面与相机坐标的XOY平面夹角作为姿态角做主要信息参数，统计得到每幅图像的姿态角信息θ，按照步骤2‑2‑2～2‑2‑4的方式获取姿态角区间标号，这里夹角为负时对区间标号取负，否则不做处理；2‑6.对于得到肤色、情绪、遮挡、姿态量化评估或者分类信息的测试库而言，对需要测试的人脸识别算法先进行一次整体的识别统计，找到识别失败的样本，然后对于识别失败的样本，按照不同的量化与分类维度做汇总统计：2‑6‑1.以肤色区间为横坐标，同区间识别失败样本的数量为纵坐标，统计肤色引入识别失败的统计直方图，哪个方向的分布概率越大，代表算法对相对应肤色的敏感度越高；2‑6‑2.以不同情绪分类为横坐标，同区间识别失败样本的数量为纵坐标，统计情绪引入识别失败的统计直方图，哪个情绪下的失败分布概率越大，代表算法对相对应情绪的敏感度越高；2‑6‑3.以不同遮挡等级分类为横坐标，同区间识别失败样本的数量为纵坐标，统计遮挡引入识别失败的统计直方图，哪个遮挡等级的分布概率越大，代表算法对相对应遮挡的敏感度越高，正常状态下，遮挡等级越高，算法性能越差；2‑6‑4.以不同姿态等级分类为横坐标，同区间识别失败样本的数量为纵坐标，统计姿态引入识别失败的统计直方图，哪个姿态等级的分布概率越大，代表算法对相对应姿态的敏感度越高，正常状态下，姿态等级越高，算法性能越差；2‑7.对其他要测试的算法均进行步骤2‑6，得到所有算法对不同目标质量参量的敏感度结果，在相同条件下：基于肤色、情绪状态的误识别直方图分布越广，算法对肤色越敏感；同遮挡、姿态等级下，误识别直方图图像数量越少，算法对遮挡、姿态的鲁棒性越高；基于非目标相关的人脸识别评估方法包括以下步骤：3‑1.在测试人脸库存在的情况下，对人脸库做质量属性模型化分类，分类的对象包括：噪声、模糊度、对比度与目标分辨率；3‑2.基于噪声的测试库分类：3‑2‑1.对测试库中的任意图像做一次图像恢复，还原不包含噪声的图像，利用恢复后的图像与原图做差，保留的差值即噪声值；3‑2‑2.统计噪声能量，计算3‑2‑1的差值二范数；3‑2‑3.统计原图能量，计算3‑2‑1的恢复后图像的二范数；3‑2‑4.计算图像信噪比＝20log(原图能量/噪声能量)；3‑2‑5.重复进行步骤3‑2‑1～3‑2‑4，计算出所有图像的信噪比信息snr，然后对信噪比做最大值与最小值统计，得到信噪比取值范围，对整个范围做固定步长的分区，得到不同的信噪比区间，然后找到所有图信噪比所在区间的标号；3‑3.基于模糊度的测试库信息标记：3‑3‑1.对测试库中的任意图像做一次图像恢复，还原清晰的图像，计算原图与恢复后图像的傅里叶变换，然后相除，得到退化函数的频域表示；3‑3‑2.统计退化函数的低通截止频率；3‑3‑2.重复进行步骤3‑3‑1～3‑3‑2，计算出所有图像的截止频率信息，然后对记录频率做最大值与最小值统计，得到频率取值范围，对整个范围做固定步长的分区，得到不同的频率区间，然后找到所有图频率所在区间的标号；3‑4.基于对比度的测试库信息标记：3‑4‑1.对测试库中的任意图像按照RGB三个通道分拆，然后每个通道、每个方向统计对比度；3‑4‑2.计算出所有图像的对比度信息，然后对对比度做最大值与最小值统计，得到对比度取值范围，对整个范围做固定步长的分区，得到不同的对比度区间，然后找到所有图对比度所在区间的标号；3‑5.基于分辨率的测试库信息标记：3‑5‑1.对测试库中的任意图像记录人脸识别区域，然后统计区域整体像素数；3‑5‑2.统计出所有图像的目标像素数量信息，对目标像素数做最大值与最小值统计，得到目标像素数取值范围，对整个范围做固定步长的分区，得到不同的目标像素数区间，然后找到所有图目标像素数所在区间的标号；3‑6.对于得到噪声、模糊度、对比度量化评估或者分类信息的测试库而言，对需要测试的人脸识别算法先进行一次整体的识别统计，找到识别失败的样本，然后对于识别失败的样本，按照不同的量化与分类维度做汇总统计：3‑6‑1.以信噪比区间为横坐标，同区间识别失败样本的数量为纵坐标，统计信噪比引入识别失败的统计直方图，正常状态下，信噪比等级越高，算法性能越差；3‑6‑2.以不同模糊度分类为横坐标，同区间识别失败样本的数量为纵坐标，统计模糊度引入识别失败的统计直方图，正常状态下，图像模糊等级越高，算法性能越差；3‑6‑3.以不同对比度分类为横坐标，同区间识别失败样本的数量为纵坐标，统计对比度引入识别失败的统计直方图，正常状态下，对比度等级越低，算法性能越差；3‑6‑4.以不同分辨率分类为横坐标，同区间识别失败样本的数量为纵坐标，统计分辨率引入识别失败的统计直方图，正常状态下，分辨率等级越低，算法性能越差；3‑7.对其他要测试的算法均进行步骤3‑6，得到所有算法对不同非目标质量参量的敏感度结果，在相同条件下：同质量参数等级下，误识别直方图图像数量越少，算法鲁棒性越高。