一种图像质量评价与人脸识别效率关系模型的构建方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，尤其涉及一种图像质量评价与人脸识别效率关系 模型的构建方法。
【背景技术】
[0002] 图像质量评价是图像处理系统的关键技术之一，图像质量评价的方法与指标，可 在图像处理系统等应用领域中对如何改进图像质量、选择相应的图像处理方法提供有益的 指导。由于人脸识别的成功率很大程度上依赖于输入图像的质量，使用质量不佳的图像进 行识别造成的错判率往往较高，同时还浪费了识别所需的计算资源。
[0003] 图像质量与人脸识别率关系模型在理论研宄与实际应用都具备重要的研宄意义。 在应用层面上，图像质量的高低关系对人脸识别成功率有巨大影响，由于不同的视频监控 设备在不同的环境下也有所不同，而且进行人脸识别需要复杂的计算，判断出图像质量与 人脸识别之间的关系，在进入人脸识别之前剔除图像质量不达标的图像，这样能够避免浪 费用于有效人脸识别的计算资源；在技术层面上，为了建立图像质量与人脸识别率关系模 型，要涉及图像质量评价、人脸检测等领域的内容，它们代表了计算机视觉领域的前沿研宄 方向；同时，由于图像质量评价、人脸检测与识别等的研宄具有相当的难度，相应的研宄具 有重要的学术意义。
[0004] 对图像的质量进行评价是一种复杂的心理活动，有许多因素影响到对图像质量好 坏的判断。同一张图像在不同的人看来，可能有着不同的图像质量等级。建立图像质量评 价与人脸识别效率之间的联系，利用客观的质量评价指标近似模拟人类的主观感受，可以 指导不同应用领域实现对成像采集设备等级的合理选择，从而做到各应用系统建设的硬件 投入成本优化。
[0005] 现有技术中，对人脸识别的摄像设备的选择不具备科学性，有些摄像设备的选择 要求过高，投入的资本过大，属于浪费，而有些摄像设备的选择要求又过低，使用时达不到 所需的要求，不仅浪费资源，而且造成损失。
【发明内容】
[0006] 本发明所要解决的技术问题是针对【背景技术】中所涉及的问题，提出一种图像质量 评价与人脸识别效率关系模型的构建方法。
[0007] 本发明为解决上述技术问题采用以下技术方案：
[0008] 一种图像质量评价与人脸识别效率关系模型的构建方法，包括步骤如下：
[0009] 步骤A)，分别采集普清、标清和高清三个图像质量等级的图像视频帧，其中，普清 图像视频帧的像素数小于等于25万，标清普清图像视频帧的像素数大于25万小于等于38 万，高清普清图像视频帧的像素数大于等于38万；
[0010] 步骤B)，对步骤A)中的图像视频帧进行质量评价，得到三个图像质量等级的图像 质量取值区间；
[0011] 步骤C)，对图像视频帧进行人脸检测，提取出其中的人脸图像，剔除掉不能检测出 人脸的图像视频帧，并记录三个图像质量等级的人脸检测成功率；
[0012] 步骤D)，将步骤C)中检测出的三个图像质量等级下的人脸图像按照不同的人脸 分组，每组图像等分成两份，一份为训练图像，另一份为待识别图像；
[0013] 步骤E)，对于每个质量等级下的不同人脸分组，根据其训练图像训练出人脸字 血. ，、1
[0014] 步骤F)，对于每个质量等级下的不同人脸分组，根据其人脸字典对相应组的待识 别图像进行人脸识别，记录每个质量等级下的人脸识别成功率；
[0015] 步骤G)，对于每个质量等级下的图像视频帧，将其人脸识别成功率乘以其对应的 人脸检测成功率，得到其人脸识别效率后将其与对应的图像质量等级关联起来。
[0016] 作为本发明一种图像质量评价与人脸识别效率关系模型的构建方法进一步的优 化方案，步骤B)中对图像视频帧进行质量评价的详细步骤如下：
[0017] 步骤B. 1)，将图像视频帧转换为灰度图像；
[0018] 步骤B. 2)，利用Quality-Aware Clustering算法对步骤B. 1)中的灰度图像进行 质量评价；
[0019] 步骤B. 3)，按照质量评价对图像视频帧进行排序。
[0020] 作为本发明一种图像质量评价与人脸识别效率关系模型的构建方法进一步的优 化方案，步骤C)中采用Viola-Jon es人脸检测框架对图像视频帧进行人脸检测。
[0021] 作为本发明一种图像质量评价与人脸识别效率关系模型的构建方法进一步的优 化方案，步骤E)中根据训练图像训练出人脸字典的详细步骤如下：
[0022] 步骤E. 1)，将训练图像中的人脸图像转换为灰度图像；
[0023] 步骤E. 2)，根据灰度图像求出LBP直方图；
[0024] 步骤E. 3)，将LBP直方图拉直，作为其对应人脸图像的人脸特征；
[0025] 步骤E. 4)，根据得到的人脸图像和其对应的人脸特征，采用KSVD算法进行训练， 得到人脸字典。
[0026] 作为本发明一种图像质量评价与人脸识别效率关系模型的构建方法进一步的优 化方案，步骤F)中根据人脸字典对待识别图像进行人脸识别的详细步骤如下：
[0027] 步骤F. 1)，将待识别图像的人脸图像转换为灰度图像；
[0028] 步骤F. 2)，根据灰度图像求出LBP直方图；
[0029] 步骤F. 3)，将LBP直方图拉直，作为其对应人脸图像的人脸特征；
[0030] 步骤F. 4)，将步骤F. 3)中得到的人脸特征和人脸字典进行稀疏表示，得到稀疏向 量；
[0031] 步骤F. 5)，根据稀疏向量计算得到人脸识别结果。
[0032] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0033] 本发明通过建立图像质量评价与人脸识别效率关系的模型，可用于剔除不适合用 于人脸识别的图像质量低下的图片，省去对这些图片进行识别，避免用于人脸识别的计算 资源的浪费；同时，还可以根据需要的目标人脸识别率，选择合适的监控设备，为避免盲目 选择更高分辨率的监控设备省下额外的开支。
【附图说明】
[0034]图1是本发明中建立图像质量与人脸识别率关系模型的整体流程图；
[0035] 图2是本发明中字典拼接方式说明；
[0036] 图3是本发明中各个人脸字典与对应的系数说明。
【具体实施方式】
[0037] 下面结合附图对本发明的技术方案做进一步的详细说明：
[0038] 如图1所示，本发明公开了一种图像质量评价与人脸识别效率关系模型的构建方 法，包括步骤如下：
[0039] 步骤A :分别从高清、标清和普清摄像头中采集包含人脸的图像帧，得到三个图像 质量等级下的输入图像。
[0040] 步骤B :把每个图像质量等级下的输入图像转化成灰度图，输入QAC图像质量评价 算法，得到每张图像基于图像质量的评分（满分100分），在每个等级的图像中，将得到的评 分按从小到大排序，剔除位于序列首端20%和尾端20%的评分，目的在于去掉序列中偏差 过大的评分，同时将对应的图片也从输入图像中去除，对每个等级，取剩下的序列的最大值 和最小值，得到三组最大最小值，分别记作max高/min高，max标/min标以及max普/min 普，那么各个图像质量取值区间可用以下等式取得：
[0041] 普清图像质量取值区间[min普，min (max普，min标）]
[0042] 标清图像质量取值区间[min (max普，min标），min (max标，min高）]
[0043] 高清图像质量取值区间[min (max标，min高），max高]
[0044] 其中，min()是求两个值中最小值的函数。
[0045] 步骤C :人脸检测
[0