一種圖像質量評價與人臉識別效率關系模型的構建方法
【技術領域】
[0001] 本發明涉及圖像處理技術領域，尤其涉及一種圖像質量評價與人臉識別效率關系 模型的構建方法。
【背景技術】
[0002] 圖像質量評價是圖像處理系統的關鍵技術之一，圖像質量評價的方法與指標，可 在圖像處理系統等應用領域中對如何改進圖像質量、選擇相應的圖像處理方法提供有益的 指導。由于人臉識別的成功率很大程度上依賴于輸入圖像的質量，使用質量不佳的圖像進 行識別造成的錯判率往往較高，同時還浪費了識別所需的計算資源。
[0003] 圖像質量與人臉識別率關系模型在理論研宄與實際應用都具備重要的研宄意義。 在應用層面上，圖像質量的高低關系對人臉識別成功率有巨大影響，由于不同的視頻監控 設備在不同的環境下也有所不同，而且進行人臉識別需要復雜的計算，判斷出圖像質量與 人臉識別之間的關系，在進入人臉識別之前剔除圖像質量不達標的圖像，這樣能夠避免浪 費用于有效人臉識別的計算資源；在技術層面上，為了建立圖像質量與人臉識別率關系模 型，要涉及圖像質量評價、人臉檢測等領域的內容，它們代表了計算機視覺領域的前沿研宄 方向；同時，由于圖像質量評價、人臉檢測與識別等的研宄具有相當的難度，相應的研宄具 有重要的學術意義。
[0004] 對圖像的質量進行評價是一種復雜的心理活動，有許多因素影響到對圖像質量好 壞的判斷。同一張圖像在不同的人看來，可能有著不同的圖像質量等級。建立圖像質量評 價與人臉識別效率之間的聯系，利用客觀的質量評價指標近似模擬人類的主觀感受，可以 指導不同應用領域實現對成像采集設備等級的合理選擇，從而做到各應用系統建設的硬件 投入成本優化。
[0005] 現有技術中，對人臉識別的攝像設備的選擇不具備科學性，有些攝像設備的選擇 要求過高，投入的資本過大，屬于浪費，而有些攝像設備的選擇要求又過低，使用時達不到 所需的要求，不僅浪費資源，而且造成損失。

【發明內容】

[0006] 本發明所要解決的技術問題是針對【背景技術】中所涉及的問題，提出一種圖像質量 評價與人臉識別效率關系模型的構建方法。
[0007] 本發明為解決上述技術問題采用以下技術方案：
[0008] 一種圖像質量評價與人臉識別效率關系模型的構建方法，包括步驟如下：
[0009] 步驟A)，分別采集普清、標清和高清三個圖像質量等級的圖像視頻幀，其中，普清 圖像視頻幀的像素數小于等于25萬，標清普清圖像視頻幀的像素數大于25萬小于等于38 萬，高清普清圖像視頻幀的像素數大于等于38萬；
[0010] 步驟B)，對步驟A)中的圖像視頻幀進行質量評價，得到三個圖像質量等級的圖像 質量取值區間；
[0011] 步驟C)，對圖像視頻幀進行人臉檢測，提取出其中的人臉圖像，剔除掉不能檢測出 人臉的圖像視頻幀，并記錄三個圖像質量等級的人臉檢測成功率；
[0012] 步驟D)，將步驟C)中檢測出的三個圖像質量等級下的人臉圖像按照不同的人臉 分組，每組圖像等分成兩份，一份為訓練圖像，另一份為待識別圖像；
[0013] 步驟E)，對于每個質量等級下的不同人臉分組，根據其訓練圖像訓練出人臉字 血. ，、1
[0014] 步驟F)，對于每個質量等級下的不同人臉分組，根據其人臉字典對相應組的待識 別圖像進行人臉識別，記錄每個質量等級下的人臉識別成功率；
[0015] 步驟G)，對于每個質量等級下的圖像視頻幀，將其人臉識別成功率乘以其對應的 人臉檢測成功率，得到其人臉識別效率后將其與對應的圖像質量等級關聯起來。
[0016] 作為本發明一種圖像質量評價與人臉識別效率關系模型的構建方法進一步的優 化方案，步驟B)中對圖像視頻幀進行質量評價的詳細步驟如下：
[0017] 步驟B. 1)，將圖像視頻幀轉換為灰度圖像；
[0018] 步驟B. 2)，利用Quality-Aware Clustering算法對步驟B. 1)中的灰度圖像進行 質量評價；
[0019] 步驟B. 3)，按照質量評價對圖像視頻幀進行排序。
[0020] 作為本發明一種圖像質量評價與人臉識別效率關系模型的構建方法進一步的優 化方案，步驟C)中采用Viola-Jon es人臉檢測框架對圖像視頻幀進行人臉檢測。
[0021] 作為本發明一種圖像質量評價與人臉識別效率關系模型的構建方法進一步的優 化方案，步驟E)中根據訓練圖像訓練出人臉字典的詳細步驟如下：
[0022] 步驟E. 1)，將訓練圖像中的人臉圖像轉換為灰度圖像；
[0023] 步驟E. 2)，根據灰度圖像求出LBP直方圖；
[0024] 步驟E. 3)，將LBP直方圖拉直，作為其對應人臉圖像的人臉特征；
[0025] 步驟E. 4)，根據得到的人臉圖像和其對應的人臉特征，采用KSVD算法進行訓練， 得到人臉字典。
[0026] 作為本發明一種圖像質量評價與人臉識別效率關系模型的構建方法進一步的優 化方案，步驟F)中根據人臉字典對待識別圖像進行人臉識別的詳細步驟如下：
[0027] 步驟F. 1)，將待識別圖像的人臉圖像轉換為灰度圖像；
[0028] 步驟F. 2)，根據灰度圖像求出LBP直方圖；
[0029] 步驟F. 3)，將LBP直方圖拉直，作為其對應人臉圖像的人臉特征；
[0030] 步驟F. 4)，將步驟F. 3)中得到的人臉特征和人臉字典進行稀疏表示，得到稀疏向 量；
[0031] 步驟F. 5)，根據稀疏向量計算得到人臉識別結果。
[0032] 本發明采用以上技術方案與現有技術相比，具有以下技術效果：
[0033] 本發明通過建立圖像質量評價與人臉識別效率關系的模型，可用于剔除不適合用 于人臉識別的圖像質量低下的圖片，省去對這些圖片進行識別，避免用于人臉識別的計算 資源的浪費；同時，還可以根據需要的目標人臉識別率，選擇合適的監控設備，為避免盲目 選擇更高分辨率的監控設備省下額外的開支。
【附圖說明】
[0034]圖1是本發明中建立圖像質量與人臉識別率關系模型的整體流程圖；
[0035] 圖2是本發明中字典拼接方式說明；
[0036] 圖3是本發明中各個人臉字典與對應的系數說明。
【具體實施方式】
[0037] 下面結合附圖對本發明的技術方案做進一步的詳細說明：
[0038] 如圖1所示，本發明公開了一種圖像質量評價與人臉識別效率關系模型的構建方 法，包括步驟如下：
[0039] 步驟A :分別從高清、標清和普清攝像頭中采集包含人臉的圖像幀，得到三個圖像 質量等級下的輸入圖像。
[0040] 步驟B :把每個圖像質量等級下的輸入圖像轉化成灰度圖，輸入QAC圖像質量評價 算法，得到每張圖像基于圖像質量的評分（滿分100分），在每個等級的圖像中，將得到的評 分按從小到大排序，剔除位于序列首端20%和尾端20%的評分，目的在于去掉序列中偏差 過大的評分，同時將對應的圖片也從輸入圖像中去除，對每個等級，取剩下的序列的最大值 和最小值，得到三組最大最小值，分別記作max高/min高，max標/min標以及max普/min 普，那么各個圖像質量取值區間可用以下等式取得：
[0041] 普清圖像質量取值區間[min普，min (max普，min標）]
[0042] 標清圖像質量取值區間[min (max普，min標），min (max標，min高）]
[0043] 高清圖像質量取值區間[min (max標，min高），max高]
[0044] 其中，min()是求兩個值中最小值的函數。
[0045] 步驟C :人臉檢測
[0