ＡＲＴＩＦＩＣＩＡＬ　ＩＮＴＥＬＬＩＧＥＮＣＥ　ＡＮＤ　ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ　ＴＥＣＨＮＩＱＵＥＳ　人工智能及识别技术　

基于人脸图像的质量评价模型及应用　

李春芝－．。，　陈晓华　（１．湖州师范学院信息　１：：程学院，浙江湖州３１３０００；　２．华东师范大学信息科学技术学院，上海２００２４１；３．华东师范大学软件学院，上海，２０００６２）　

摘要：提出一种人脸图像评价模型。利用该模型评估人脸图像光照、姿态、表情、污损等噪声系数，进而选择噪　

声系数较低的图像用于人脸识别，提高人脸识别率。选择在ＣＡＳ—ＰＥＡＬ人脸数据库作为实验对象，根据人脸图像质　

量评价模型选择噪声系数较低的人脸图像构成第一数据库。实验结果表明，根据提出的模型评价噪声系数并选择噪　声系数低的图像用于识别，人脸识别性能得到改善。　

关键词：评价模型；特征提取；人脸识别　

Ｆａｃｉａｌ　Ｉｍａｇｅ　Ｑｕａｌｉｔｙ　Ａｓｓｅｓｓｍｅｎｔ　Ｍｏｄｅｌ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ　

ＬＩ　Ｃｈｕｎ—ｚｈｉ　．ＣＨＥＮ　Ｘｉａｏ—ｈｕａ　（１．Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｈｕｚｈｏｕ　Ｔｅａｃｈｅｒｓ　Ｃｏｌｌｅｇｅ，Ｚｈ￣ｉａｎｇ　Ｈｕｚｈｏｕ　３１３０００，Ｃｈｉｎａ；　２．Ｃｏｌｌｅｇｅ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｓｃｉｅｎｃｅ　ａｎｄ　ｔｅｃｈｎｏｌｏｇｙ　Ｅａｓｔ　Ｃｈｉｎａ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２００２４１，Ｃｈｉｎａ；　３．Ｓｏｆｔｗａｒｅ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｅａｓｔ　Ｃｈｉｎａ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２０００６２，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｆａｃｉａｌ　ｉｍａｇｅ　ｑｕａｌｉｔｙ　ａｓｓｅｓｓｎｌｅｎｔ　ｍｏｄｅ１．Ｔｈｅ　ｍｏｄｅｌ　ｉｓ　ｄｅｓｉｇｎｅｄ　ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｗｈｉｃｈ　ｉｓ　ｃａｕｓｅｄ　ｂｙ　ｔｈｅ　ｄｅｇｒａｄａｔｉｏｎ　ｏｆ　ｆａｃｉａｌ　ｉｍａｇｅ　ｑｕａｌｉｔｙ　ｄｕｅ　ｔｏ　ｕｎｃｏｎｔｒｏｌｌｅｄ　ｖａｒｉａｔｉｏｎｓ　ｏｆ　ｆａｃｉａｌ　ａｐｐｅａｒａｎｃｅｓ，ａｎｄ　ｔｈｅ　ｄｅｇｒａｄａｔｉｏｎ　ｃａｎ　ｌｏｗｅｒ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｏｎ　ＣＡＳ－ＰＥＡＬ　ｆａｃｅ　ｄａｔａｂａｓｅｓ　ｗｉｔｈ　ｖａｒｉｅｄ　ｕｎｃｏｎｔｒｏｌｌｅｄ　ｆａｃｉａｌ　ａｐｐｅａｒａｎｃｅｓ　ｄｅｍｏｎｓｔｒａｔｅｄ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｐｐｒｏａｃｈ　ａｃｈｉｅｖｅｄ　ｓａｔｉｓｆａｃｔｏｒｙ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ．　Ｋｅｙ　ｗｏｒｄｓ：Ａｓｓｅｓｓｍｅｎｔ　Ｍｏｄｅｌ；Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ；Ｆａｃｅ　Ｒｅｃｏｇｎｉｔｉｏｎ．　

１　引言　

人脸识别在应用中的实际识别性能很大程度上与采集的　

人脸图像质量密切相关。通过研究人脸图像质量评价方法去　掉不符合识别要求的模糊、严重遮挡和噪声（表情、光照、　

姿态等噪声）污染严重等低质量人脸图像　可以有效地提高人　

脸识别系统的性能。人脸图像质量评价与传统的图像质量评　

价有很大的不同。传统的图像质量评价方法分为主观评价和　

客观评价两大类Ｉ１－２１。在人脸图像质量评价方面，胡杨庆等人　从人腧位置、图像对比度、图像清晰度、图像明亮度来综合　

评价人脸图像质量［２１。蒲翠翠等人提出将整个图像区域划分为　

感兴趣区域ｆ人脸区域）和不感兴趣区域，对这两个区域内的图　

像损伤，在计算中分别赋予不同的权重１２１，实验证明通过该模型　

算法得到的客观评价结果与人眼的主观感觉具有更好的一致　

性１２１。上述算法主要是基于空间域对人脸图像进行评价，忽略　

了噪声因素对人脸图像质量的影响。从遮捎、人脸与摄像机　距离、光照、姿态等４个方面，综合评价人脸图像的噪声指　

数，选择噪声指数较低的人脸图像用于识别，实验结果表明　

经过选择之后的图像输入人脸识别系统能够提高人脸识别性　

能。　

２　人脸图像评价算法　

人脸图像质量评价目的是通过评价模型评估所采集的人　

脸图像是否能够用于人脸识别系统。大量的实验结果表明用　

于训练、识别的人脸图像数量将影响人脸识别的正确率，这　

主要是因为随着人脸图像数量的增多，噪声随着累计也越米　

越大，因此选择合适的罔像用于训练、识别非常重要。文中　

所提出的人脸图像质量评价算法基于遮挡、人脸与摄像机距　

离、光照、姿态等四个噪声因素，对四个噪声因素综合打分，　选择噪声系数较低的人脸图像用于识别。　２．１遮挡系数测量　从每个人的人脸图像中选择一幅标准的人脸图像，表示　

为　，用表示遮挡系数，文中通过遮挡ＱＩ系数来测量由于　遮挡所造成的噪声系数，并由公式（Ｉ）来计算遮挡系数　。　

ＳＩＺ　Ｅ枷。％　㈩　标准人脸图像大小（　）　¨　

２．２人脸与摄像机距离系数测量　

人脸与摄像机距离系数是用于评估由于人脸与摄像机距　

离增大产生的图像分辨率降低问题。用Ｑ：表示人脸与摄像机　

距离系数，　的计算方法如下：　

ｋ　４　２　。％　一　标准人脸图像大小　……”　

２．３姿态及表情系数测量　

用　表示由于表情、姿势、动作等因素引起的噪声系数。　

通过计算含有表情、姿势、动作等噪声图像与标准图像之间　

的光流来确定系数　［３１。算法步骤如下：　Ｓｔｅｐ１：输人人脸图像，　∈Ｒ　（『＝１，２，…，Ｍ，　／＝１，２，Ａ，Ⅳ）　

表示人脸图像，其中Ｍ表示每一个人的脸图像数量，Ｎ表示　

人的个数。　Ｓｔｅｐ２：计算人脸图像平均值。　

Ｓｔｅｐ３：对人脸图像归一化处理。　Ｓｔｅｐ４：计算归一化后的人脸图像与标准图像之间的光流　

Ｄ，　“＝１，２，…，Ｍ，Ｊ＝１，２，Ａ，Ⅳ）。Ｄｊ，表示第　个人任一幅人脸图　

收稿日期：２０１２—０８—１

０　电脑编程技巧与维护　

像与第　个人标准人脸图像　之间的光流。　

ｓｔｅｐ５：通过光流　计算　噪声系数。　

ｘｌ０Ｏ％　

２．４非均匀光照系数测量　为了计算光照引起的噪声系数　，本文对人脸进行小波　

变换。设置高频部分３个方向子带的权重减轻光照［４］。把　

Ｗｔｔ　记为高频能量系数，其中ＷＨ雎表示标准人脸图像高频　

能量系数。　的计算方法如下，　

＝　（５）　

２．５噪声系数　根据上述的噪声系数　、Ｑ：、　及　，计算人脸图像总　

的噪声系数　用于评价人脸图像质量，根据噪声系数　，选　

择　值较小的人脸图像作为训练样本，从而提高人脸识别正　

确率。　Ｑ　＝　Ｘ　×　Ｘ　（６）　

３人脸特征提取　

本文采用非负矩阵（ＮＭＦ）及二维主元分析（２ＤＰＣＡ）方　

法相结合提取人脸特征用于人脸识别。ＮＭＦ方法能够提取人　脸的局部特征【５］，将协方差矩阵Ｇ矩阵分解为两个非负矩阵　

Ｗ∈Ｒ　及　∈Ｒｈ”（ｋ＜＜ｍ，ｋ＜＜”），表示为：　

Ｇ≈ＷＨ　特征提取步骤　

Ｓｔｅｐ１：根据噪声系数　值，选择每个人中Ｌ幅噪声系数　最低　的　图像作为训　练样本　，　用　

∈Ｒ　“：１，２，…，　√＝１，２，人，Ⅳ）表示被选择的人脸。　

Ｓｔｅｐ２：对人脸图像归一化处理。　

Ｓｔｅｐ３：计算协方差矩阵。　

＿，厂　）　（　（８）　

Ｓｔｅｐ４：对Ｇ进行ＮＭＦ分解，计算　

Ｓｔｅｐ５：选取　的主成分，选择ｄ个最大特征值对应的特　征向量，构建ＮＭＦ一２ＤＰＣＡ投影空间　。　

Ｓｔｅｐ６：由最小距离分类器完成人脸识别　

４　实验结果及分析　

４．１实验对象　

在ＣＡＳ—ＰＥＡＬ人脸数据上实验。该数据库包括９９，５９４幅　图像，其中包括姿势、表情、佩戴首饰、光照等噪声。根据　

质量评价模型从ＣＡＳ—ＰＥＡＬ数据库中选择人脸图像构成两个　新数据库。计算噪声系数值，选择噪声系数较低的１０８个人　的每人７幅图像构成第一个数据库（ｔｈｅ　ｆｉｒｓｔ　ｄａｔａｂａｓｅ）。第二　

个数据库（ｔｈｅ　ｓｅｃｏｎｄ　ｄａｔａｂａｓｅ）则随机选择１０８个人的每７幅　

图像。　

４．２识别结果及分析　将所有图像利用线性插值法将分辨率计算为。由图１可　

≯　见，本算法２ＤＰＣＡ＋ＮＭＦ在第一数据库上的正确识别率最高。　

同时，识别算法随着训练样本数目增加在第二数据库上的正　

确识别率要高于Ｆｉｓｈｅｒ算法在第一及第二数据库上上正确识　

别率。　

／　／　

／　

ｈ、～　／　‘　：　－，　．　一　’　’　’　／　／Ｉ＇　｝　／’　／／　一　ｒｑＤＰＣＡ　０ｎ＇　ｓｅｓ￣ｎｄ　ｄａｔａｂａｓｅ　，，　２Ｃ　ｈｐＣＡ　Ｏｎｌｈｅ　ｓｅｃ０ｎｄ　ｄａ！ａｂａ￣ｅ　－　／　０　Ｎ　《ＤＰＣＡ　０ｎ：¨ｎ　ｒ宕ｌ　ｄａｔａｂａｓｅ　２ＤＰＣＡ　０ｎｔｈｅｆｉ　ｒ￣ｌ　ｄａｔａｂａｓｅ　／　—　＿－～Ｆｅｆ口ｎ　Ｉ　…ｂ　ｅ　，一—　Ｆｉｓｈ＊ｎ１ｎ…ｃ。『　ｄ￣ｔａｂａｓｅ　

…ｂｅ　ｒ　ｏ｜ｔ　ｒｅｌｎ。……Ｉｅｓ　图１随着训练样本数目的变化正确识别率的变化曲线　

５　结语　

设计人脸图像质量评价模型，由该评价模型，计算人脸　

噪声系数，并选择噪声系数较低的人脸图像组成新数据库。　实验结果表明，在新的数据库中减少了噪声干扰，从而提高　

了人脸正确识别率。同时本文采用ＮＭＦ及２ＤＰＣＡ算法相结　

合的方法用于人脸特征提取，实验结果要明显优于传统算法。　这也表明采用两者相结合的方法要优于传统的单一特征提取　

算法，为人脸特征提取算法提供一种新的有效思路。　

参考文献　

【１】Ｃｈｅｎ　Ｓｏｎｇｃａｎ，Ｚｈｕ　Ｙｕｌｉａｎ．Ｓｕｂｐａｔｔｅｒｎ—ｂａｓｅｄ　ｐｒｉｎｃｉｐｌｅ　ｃｏｉｎ—　

ｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　２００４；３７：１０８１—１０８４．　

［２］Ｙｉｎｇｚｉ　Ｄｕ，ＣｒａｉｇＢｅｌｃｈｅｒ，ＺｈｉＺｈｏｕ，Ｒｏｂｅｒｔ　Ｉｖｅｓ．Ｆｅａｔｕｒｅ　ｃｏｒｒｅ—　ｌａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ａｐｐｒｏａｃｈ　ｆｏｒ　ｉｒｉｓ　ｆｅａｔｕｒｅ　ｑｕａｌｉｔｙ　ｍｅａｓｕｒｅ．　

Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，９０（２０１０）：１　１７６—１　１８７．　

【３】Ａｘｅｌ　Ｂｅｓｉｎｇｅｒ，Ｔａｍａｒａ　Ｓｚｔｙｎｄａ，ｅｔ　ａ１．Ｏｐｔｉｃａｌ　ｆｌｏｗ　ｂａｓｅｄ　ａｎａｌｙ—　ｓｅｓ　ｔｏ　ｄｅｔｅｃｔ　ｅｍｏｔｉｏｎ　ｆｒｏｍ　ｈｕｍａｎ　ｆａｃｉａｌ　ｉｍａｇｅ　ｄａｔａ．Ｅｘｐｅａ　Ｓｙｓｔｅｍｓ　ｗｉｔｈ　Ａｐｐｌｉｃａｔｉｏｎｓ（２０１０），５（６３）：１－６．　

［４］Ｘｉａｏ－ｈｕａ　Ｃｈｅｎ，Ｃｈｕｎ－ｚｈｉ　Ｌｉ．Ｃｒｏｓｓ　Ｂａｎｄ　Ｆｕｓｉｏｎ　ｂｙ　Ｅｎｅｒｇｙ　Ｗｅｉｇｈｔ　ａｓ　Ｓｏｌｕｔｉｏｎ　ｔｏ　Ｉｌｌｕｍｉｎａｔｉｏｎ　ａｎｄ　Ａｒｃｈ　Ｒｅｓｔｒｉｃｔｉｏｎｓ　ｉｎ　

Ｐａｌｍ—ｐｒｉｎｔ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］Ｊ．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｉｍａｇｉｎｇ　

Ｓｙｓｔｅｍｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ．２００９，１９（４）：３５０－３５５．　【５］Ｂｅｒｒｙ，Ｍ．Ｗ．，Ｂｒｏｗｎｅ，Ｍ．，Ｌａｎｇｖｉｌｌｅ，Ａ．Ｎ．，Ｐａｕｃａ，Ｐ．Ｖ．，Ｐｌｅｍ—　

ｍｏｎ　Ｒ．Ｊ．Ａｌｇｏｒｉｔｈｍｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ　ｆｏｒ　ａｐｐｒｏｘｉｍａｔｅ　ｎｏｎ—　ｎｅｇａｔｉｖｅ　ｍａｔｒｉｘ　ｆａｃｔｏｒｉｚａｔｉｏｎ．Ｃｏｍｐｕｔ．Ｓｔａｔｉｓｔ．Ｄａｔａ　Ａｎａ１．　

２００７，５２（１）：１５５—１７３．　

灶