046] 步骤C-I，把各个等级的输入图像输入Viola-Jones人脸检测框架，获取人脸区 域，构成每个等级下的人脸图像集；
[0047] 步骤C-2,统计高清，标清和普清等级中成功检测出人脸的图片数n I，n II，nIII， 计算各等级的人脸检测成功率
[0048] rdi = ni/mi (i = I , II , III)
[0049] 其中，mi (i = I，II，III)分别为各等级下的输入图像总数。
[0050] 步骤D :分组
[0051] 将各等级的人脸图像集按照不同的人脸分组，每组图像等分成两份，分别作为人 脸识别的待识别图像和训练图像。
[0052] 步骤E :训练人脸字典
[0053] 步骤E-I，将训练图像转化为灰度图，并通过LBP算子转化为LBP伪灰度图，再求 LBP直方图，把直方图的256个值作为表示图像的256维特征X ;
[0054] 步骤E-2,把人脸特征按照不同的人脸分别输入KSVD算法中进行字典训练，得到 个数对应于人脸数量的人脸字典，把得到的几个人脸字典首尾相连，拼接成一个全局字典， 作为该等级对应的字典，如图2所示。
[0055] 步骤F :人脸识别
[0056] 步骤F-1，将各等级下的待识别图像按照步骤D-I所述方法求得特征X ;
[0057] 步骤F-2,向量x利用对应等级字典求取稀疏表示，采用下式根据字典Di，对特征 X求解稀疏编码系数α :
[0058]呢呼卜―+又Hl1 (i = I，π，in)
[0059] 其中，Di表示字典，α表示特征X对应于字典Di的编码系数，λ是正则化参数， 其取值为（〇, + °° );
[0060] 得到对应于字典的稀疏编码系数α ;
[0061] 步骤F-3,如图3所示，向量α是对应于全局字典D上的不同人脸字典的稀疏表 示，因此，把向量α划分成几段，对应于不同人脸字典，采用公式I |a| I1求解各段的Ll范 数，取范数最大的对应人脸作为识别结果；
[0062] 步骤F-4,对所有带识别图像重复以上三步，统计正确识别人脸的图片数pi，求得 每个等级的人脸识别正确率rci
[0063] rci = pi/qi (i = I , II , III)
[0064] 其中qi(i = I，II，III)为该等级下的带识别图像总数。
[0065] 步骤G :确定图像质量与人脸识别率之间的关系
[0066] 步骤G-1，计算各个等级下最终人脸识别率ri = rdi*rci (i = I，II，III);
[0067] 步骤G-2,用图像质量取值区间代表这个等级的图像质量水平，把每个等级下的图 像质量与最终人脸识别效率对应起来，作为图像质量评价与人脸识别效率关系模型。
[0068] 需要补充说明的一点是，本发明作为一个关联图像质量评价和人脸识别效率的框 架，可以用不同的图像质量评价算法以及人脸识别算法来替换本发明描述的实施方式的对 应项。
[0069] 本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语（包括 技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。 还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文 中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0070] 以上所述的【具体实施方式】，对本发明的目的、技术方案和有益效果进行了进一步 详细说明，所应理解的是，以上所述仅为本发明的【具体实施方式】而已，并不用于限制本发 明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明 的保护范围之内。
【主权项】
1. 一种图像质量评价与人脸识别效率关系模型的构建方法，其特征在于，包括步骤如 下： 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； 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； 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； 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； 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典； 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； 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。
2. 根据权利要求1所述的图像质量评价与人脸识别效率关系模型的构建方法，其特 征在于，步骤B)中对图像视频帧进行质量评价的详细步骤如下： 步骤B.1)，将图像视频帧转换为灰度图像； 步骤B. 2)，利用Quality-AwareClustering算法对步骤B. 1)中的灰度图像进行质量 评价； 步骤B. 3)，按照质量评价对图像视频帧进行排序。
3. 根据权利要求1所述的图像质量评价与人脸识别效率关系模型的构建方法，其特 征在于，步骤C)中采用Viola-Jones人脸检测框架对图像视频帧进行人脸检测。
4. 根据权利要求1所述的图像质量评价与人脸识别效率关系模型的构建方法，其特 征在于，步骤E)中根据训练图像训练出人脸字典的详细步骤如下： 步骤E.1)，将训练图像中的人脸图像转换为灰度图像； 步骤E. 2)，根据灰度图像求出LBP直方图； 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； 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。
5. 根据权利要求1所述的图像质量评价与人脸识别效率关系模型的构建方法，其特 征在于，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： 步骤F.1)，将待识别图像的人脸图像转换为灰度图像； 步骤F. 2)，根据灰度图像求出LBP直方图； 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； 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； 步骤F. 5)，根据稀疏向量计算得到人脸识别结果。
【专利摘要】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，采集普清、标清和高清三个图像质量等级的图像视频帧，对其进行质量评价后得到其对应的图像质量取值区间；然后对图像视频帧进行人脸检测，记录三个等级的人脸检测成功率；接着将三个图像质量等级下的人脸图像按照不同的人脸分组，每组再等分成两份，一份为训练图像，另一份为待识别图像；根据训练图像训练出人脸字典；根据人脸字典对待识别图像进行人脸识别，记录其人脸识别成功率；最后将人脸识别效率后将其与对应的图像质量等级关联起来。本发明能够应用于视频监控等相关领域，指导不同应用领域实现对成像采集设备等级的合理选择，做到各应用系统建设的硬件投入成本优化。
【IPC分类】G06K9-00, G06K9-66
【公开号】CN104778446
【申请号】CN201510121573
【发明人】吴蔚杰, 刘佶鑫, 李艺
【申请人】南京邮电大学
【公开日】2015年7月15日
【申请日】2015年3月19日