[发明专利]一种基于概率块的面部图像质量评估方法

说明书

本发明公开了一种基于概率块的面部图像质量评估方法，所述方法包括以下步骤：采用对数变换对图像进行归一化处理，放大低强度像素并压缩高强度像素，减少肤色之间的强度差异；对变换后图像中的每块归一化处理，使其具有零均值和单位方差，并提取二维DCT特征向量；采用位置化概率模型计算相应特征向量的概率，通过整合局部概率产生总体质量分数，反映图像质量。本发明避免了由投射阴影、模糊性以及自动面部定位导致的对准误差对人脸识别的影响，可以应用于解决面部选择和基于视频的人脸识别问题。

技术领域

本发明涉及面部图像质量评估领域，尤其涉及一种基于概率块的面部图像质量评估方法。

背景技术

随着监控系统的快速发展以及应用成本的降低，越来越多监控系统应用在人们生活的各个方面，但由于低分辨率、模糊图像、大姿势变化和低对比度等问题的存在，使得在监视条件下基于视频的身份推断具有挑战性^[1]。

近年来，提出了许多方法来处理劣质图像中的人脸识别问题^[2]。一种方法是假定图像是序列中的离群值，然而，当序列中的大多数图像具有差的质量时，这些方法会将良好质量的图像分类为异常值；另一种方法是显式子集选择，对每个图像自动进行面部质量评估，选择由高质量图像组成的子集。提高了识别性能，减少总体计算负荷，但很难为“面部质量”找到一个很好的定义。

ISO/IEC 19794-5和ICAO 9303是用于面部质量评价的面部图像标准，基于上述标准，已经提出了许多方法来分析各种面部和图像属性。

由于面部识别性能同时受到多个因素的影响，能够检测一个或两个质量对于鲁棒子集的选择是不够的。Nasrollahi和Moeslund^[3]提出了一种加权的质量融合方法，以结合面外旋转、锐度、亮度和图像分辨率质量；Rua等人^[4]提出了一个类似的质量评估方法，使用不对称分析和两个锐度测量；Hsu等人^[5]提出了在多个质量分数上学习融合参数，以实现与面部图像对之间匹配分数的最大相关性；但由于各种性质是单独测量并且对面部质量具有不同的影响，上述方法难以将它们组合输出单个质量分数用于图像选择；Luo^[6]提出了一种基于学习的方法，其中质量模型被训练以匹配手动标记的质量分数。然而，考虑到人类标记的主观性质，该方法可能不会产生用于面部识别的最佳质量模型。

面部图像质量评估问题目前面临的主要挑战为：由于对准误差、姿态变化、图像阴影和图像清晰度不高等多种问题的存在，使得选择整体性能最佳的面部图像受到很大制约；投射阴影、自动面部定位等问题的存在，给视频中人脸识别带来很大困难。

发明内容

本发明提供了一种基于概率块的面部图像质量评估方法，本发明避免了由投射阴影、模糊性以及自动面部定位导致的对准误差对人脸识别的影响，提高了识别的准确度，详见下文描述：

一种基于概率块的面部图像质量评估方法，所述方法包括以下步骤：

采用对数变换对图像进行归一化处理，放大低强度像素并压缩高强度像素，减少肤色之间的强度差异；

对变换后图像中的每块归一化处理，使其具有零均值和单位方差，并提取二维DCT特征向量；

采用位置化概率模型计算相应特征向量的概率，通过整合局部概率产生总体质量分数，反映图像质量。

其中，所述对变换后图像中的每块归一化处理，使其具有零均值和单位方差，并提取二维DCT特征向量的步骤具体为：

为适应面部图像之间的对比度变化，将变换后的图像中的每块归一化为具有零均值和单位方差；并从每个块中，提取2维DCT特征向量，并排除没有归一化信息的第0个DCT分量，保留含有通用面部纹理的前d个低频分量。