[发明专利]一种基于质量维度评估参量的人脸识别设备筛选方法

权利要求书

1.一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：包括以下步骤：

(1)、假定人脸识别系统的识别算法共有N个，待选的硬件设备有M个，基于实际应用环境构建仿真拍摄环境，对硬件设备做客观参量评估，得到相机镜头的模糊参量以及噪声水平参量；

(2)、对于现存的人脸库做整理，对人脸库中的人脸区域做标定；

(3)、基于噪声的测试库分类，包括以下步骤：

3-1、对测试库中的任意图像做一次图像恢复，目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、统计噪声能量，计算3-1的差值二范数；

3-3.统计原图能量，计算3-1的恢复后图像的二范数；

3-4.计算图像信噪比＝20log；

3-5.重复进行3-1～3-4，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；

(4)、基于模糊度的测试库信息标记，包括以下步骤：

4-1.对3-1中去噪后的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；

4-2.统计退化函数的低通截止频率；

4-3.重复进行4-1～4-2，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；

(5)、对任意算法进行人脸识别测试，得到该算法的错误识别样本以及算法与各类客观条件的敏感性，包括以下步骤：

5-1、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；

5-2.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；

(6)、对所有错误识别样本而言，对任意硬件设备客观评测的噪声水平与各自对应3-1去噪的图像能量计算在相对应相机下的信噪比snr^*，对应5-1中不同算法的临界信噪比范围，取所有算法中对噪声敏感度最低的算法，获得对应的临界信噪比范围，假定snr^*小于该算法的low_snr，则认为该设备噪声水平过高，用来做人脸识别误差会较大，不建议使用；假定snr^*在该算法的临界范围内，认为该设备可以做人脸识别，但识别率还有提升空间；假定snr^*大于该算法的high_snr，认为该设备可以做人脸识别，且其噪声水平对人脸识别算法的识别率几乎没有影响；

(7)、对所有设备进行步骤6判定，剔除不建议使用的拍摄设备；

(8)、对噪声水平满足算法识别率的设备而言，取5-2中不同算法的模糊最大容忍区间，取所有算法中对模糊敏感度最低的算法，获得对应的模糊最大容忍区间，假定硬件设备评估的模糊参量为设备评估模糊度F^*的倒数，若设备评估模糊度F^*大于该算法的high_F，则认为该设备拍出的图像过于模糊，用来做人脸识别误差会较大，不建议使用；假定设备评估模糊度F^*在该算法的容忍区间内，认为该设备可以做人脸识别，但识别率还有提升空间；假定设备评估模糊度F^*小于该算法的low_F，认为该设备可以做人脸识别，且其模糊水平对人脸识别算法的识别率几乎没有影响；

(9)、对剩余设备进行步骤8判定，剔除不建议使用的拍摄设备。

2.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：还包括步骤(10)，若经过剔除后没有设备满足条件，则采用以下三种方法处理：a、根据质量评测结果来提高不同算法的鲁棒性，方法为增加预处理去噪或者去模糊；b、利用扩充训练低质量图像库的方法基于深度学习来降低算法敏感度；c、扩大硬件筛选范围，增加硬件成本，降低硬件的模糊和噪声水平。

3.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：还包括步骤(11)，若经过剔除后，还有设备剩余，通过设备成本与实际应用环境的识别率来决定是否选择对识别率影响小的设备。