彭 悅， 楊紅雨， 劉艷麗

(四川大學(xué)計算機(jī)學(xué)院， 成都 610065)

1 引 言

人臉圖像識別是最廣泛使用的生物特征識別方法之一[1]，這是因為它具有很高的公眾接受度，且在非配合狀態(tài)下仍可進(jìn)行采集匹配[2]，不僅在門禁、交通、考勤、支付和社交媒體等日常社會生活場景廣泛使用，在安防、流控、刑偵等公共安全領(lǐng)域也具有重要地位.

近年來，隨著深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域的廣泛應(yīng)用，其在人臉相關(guān)任務(wù)上已取得卓越性能.得益于網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)等方面的調(diào)整創(chuàng)新，最新的深度學(xué)習(xí)方法在主流人臉數(shù)據(jù)集上可取得99%以上的精度[3].人臉識別領(lǐng)域的研究重心逐漸由識別模型轉(zhuǎn)移到對人臉數(shù)據(jù)本身的分析上來.

人臉圖像是對人臉的采樣，其采樣質(zhì)量是影響人臉識別系統(tǒng)性能的重要因素，在采樣條件受控情況下，當(dāng)前的人臉識別系統(tǒng)能夠?qū)崿F(xiàn)高精度性能.然而在非配合、不受限、采集環(huán)境差和圖像采集人員技術(shù)水平差等情況下，人臉在多個維度上呈現(xiàn)出豐富、劇烈的變化，這會導(dǎo)致識別精度的顯著降低.這些變化因素包括圖像獲取條件(例如照明，背景，模糊和低分辨率)，以及人臉因素(例如姿勢，遮擋，化妝，配飾和表情)，這些變化因素會導(dǎo)致識別性能顯著下降.不同圖像退化方式對人臉識別的影響程度不同，研究其差異，對指導(dǎo)提高人臉識別系統(tǒng)性能和相關(guān)領(lǐng)域研究具有積極意義.

2 相關(guān)研究

隨著人臉圖像相關(guān)領(lǐng)域的蓬勃發(fā)展，關(guān)于人臉質(zhì)量和識別置信度的研究逐漸成為新的熱門領(lǐng)域，論文數(shù)量展現(xiàn)出逐年增多的趨勢[4]，同時可以觀察到，深度學(xué)習(xí)技術(shù)正逐步取代傳統(tǒng)手工算法，成為本領(lǐng)域的主流方法，在各分支均取得了不錯進(jìn)展.

最新的國內(nèi)外研究成果包括，文獻(xiàn)[5]利用隨機(jī)輟學(xué)技術(shù)獲得人臉隨機(jī)嵌入，根據(jù)圖像隨機(jī)嵌入魯棒性評價人臉質(zhì)量；文獻(xiàn)[6]結(jié)合人類視覺特性，設(shè)計4種梯度卷積模板，結(jié)合人臉特征點(diǎn)，提取特征點(diǎn)附近的人臉梯度信息，使用回歸方法預(yù)測質(zhì)量分?jǐn)?shù)；文獻(xiàn)[7，8]根據(jù)ICAO標(biāo)準(zhǔn)選擇標(biāo)準(zhǔn)人臉圖像，通過計算與標(biāo)準(zhǔn)人臉圖像的距離，預(yù)測人臉圖像質(zhì)量，批量生成帶有質(zhì)量標(biāo)簽的人臉數(shù)據(jù)集，在預(yù)訓(xùn)練人臉識別模型上進(jìn)行遷移學(xué)習(xí)計算質(zhì)量得分；文獻(xiàn)[9]提出了一種基于排名的學(xué)習(xí)方法，他們使用基于排名損失的多項式核和訓(xùn)練權(quán)重定義了一個線性質(zhì)量評估方程；文獻(xiàn)[10]創(chuàng)建了 FIIQD，一個“人臉圖像照明質(zhì)量數(shù)據(jù)庫”，具有 224 個人，733 張圖像，200 種不同的照明模式及其質(zhì)量分?jǐn)?shù)，然后使用該數(shù)據(jù)訓(xùn)練基于 ResNet-50[11]的模型以估計照明質(zhì)量；文獻(xiàn)[12]將圖像灰度、色彩、構(gòu)圖等全局特征與剪裁后的人臉特征進(jìn)行融合，預(yù)測帶有人臉圖像的美學(xué)得分；文獻(xiàn)[13]對人臉圖像損失類型進(jìn)行識別并利用回歸獲得質(zhì)量分?jǐn)?shù).

3 本文模型

本文提出一種新的人臉圖像質(zhì)量評價算法，通過網(wǎng)絡(luò)模型模擬人臉圖像退化過程中出現(xiàn)的特征偏移，根據(jù)特征偏移量和圖像信息量之間的相關(guān)性，完成人臉質(zhì)量分?jǐn)?shù)自動評價.使用遺傳算法對構(gòu)成模型的網(wǎng)絡(luò)單元進(jìn)行篩選，用更小網(wǎng)絡(luò)規(guī)模實現(xiàn)同等性能.

本文貢獻(xiàn)可概括如下：將特征偏移概念引入人臉圖像質(zhì)量評價，通過微調(diào)人臉識別網(wǎng)絡(luò)權(quán)重，模擬圖像退化形成的特征偏移，利用其與人臉質(zhì)量的相關(guān)性，提出基于特征偏移的人臉質(zhì)量評價算法框架.

采用遺傳算法自動篩選關(guān)鍵特征，實現(xiàn)網(wǎng)絡(luò)規(guī)模壓縮和計算復(fù)雜度簡化.使用本文提出的質(zhì)量評價算法研究高斯模糊、運(yùn)動模糊、高斯噪聲、椒鹽噪聲等多種常見類型圖像退化對人臉識別的影響差異.

3.1 主要思想

在當(dāng)前主流人臉識別方法中，通常使用二維或三維人臉進(jìn)行特征提取，通過特征比對和閾值設(shè)置完成識別或驗證任務(wù).人臉圖像，是對原始人臉的采樣，采樣過程必然伴隨一定誤差和特征損失，誤差和特征損失來源包括且不限于：維度損失，離散化損失，光照不均，光照不足，表情造成的面部扭曲，化妝，佩戴裝飾品，面部遮擋，圖像采集設(shè)備造成的模糊和噪聲等.

如圖1所示，假設(shè)每張人臉映射到特征空間里的唯一一點(diǎn)，代表其獨(dú)一無二的身份特征，那么上述原因造成的誤差和特征損失反映到特征空間里，即為不同程度的特征點(diǎn)偏移[14].類似地，如果對人臉圖像重采樣，將導(dǎo)致信息進(jìn)一步丟失，特征點(diǎn)發(fā)生二次偏移.為方便讀者理解特征偏移概念，對其做出如下定義：

S(I)=d(F(I′),F(I))

(1)

其中，I為人臉圖像;I′為重采樣(退化)人臉圖像;F為特征提取函數(shù)(此處即為用于人臉特征提取的神經(jīng)網(wǎng)絡(luò))，特征偏移即為退化人臉特征與原人臉特征之間的距離.

圖1 人臉采樣與特征偏移示意圖Fig.1 Face sampling and feature variation

文獻(xiàn)[15]從“數(shù)據(jù)不確定性”角度出發(fā)，認(rèn)為單張人臉圖像提取的特征服從高斯分布，均值代表最接近特征真值的點(diǎn)，方差代表人臉圖像質(zhì)量，方差越小，類內(nèi)緊湊型和類間可分性越好.同理，在本文語境中，特征點(diǎn)偏移類似上述方差的概念，圖像質(zhì)量越高，包含信息量越大，偏移幅度越?。粓D像質(zhì)量越差，包含信息量越小，偏移幅度越大.受此思想啟發(fā)，對特征提取網(wǎng)絡(luò)進(jìn)行權(quán)重微調(diào)，可模仿采樣過程中圖像退化造成的誤差和特征丟失，從而導(dǎo)致特征點(diǎn)偏移.為敘述簡潔，后文我們將微調(diào)后的網(wǎng)絡(luò)稱作“特征偏移網(wǎng)絡(luò)”.

如果人臉圖像質(zhì)量差，即特征信息損失多，那么輸入特征偏移網(wǎng)絡(luò)后，造成的特征偏移大(因為圖像包含有價值的人臉信息少)，即稱之具有低質(zhì)量；反之，如果圖像采樣質(zhì)量高，特征信息損失少，那么輸入特征偏移網(wǎng)絡(luò)后，造成的特征偏移小(因為圖像包含有價值的人臉信息多)，即稱之具有高質(zhì)量.

對特征提取網(wǎng)絡(luò)隨機(jī)進(jìn)行多次權(quán)重微調(diào)，可形成特征偏移網(wǎng)絡(luò)集群.利用特征偏移網(wǎng)絡(luò)集群(包含m個特征偏移網(wǎng)絡(luò))，可得到m個偏移特征.使用統(tǒng)計學(xué)度量方法計算集群網(wǎng)絡(luò)造成的平均特征偏移，即可代表圖像質(zhì)量，并與人臉識別表現(xiàn)高度相關(guān).

3.2 模型結(jié)構(gòu)

特征偏移網(wǎng)絡(luò)及網(wǎng)絡(luò)集群.將預(yù)訓(xùn)練的人臉識別卷積神經(jīng)網(wǎng)絡(luò)去掉分類層，作為無偏移的特征提取網(wǎng)絡(luò)，本文使用預(yù)訓(xùn)練的ResNet-18[11]模型作為無偏移特征網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示.然后隨機(jī)生成N個特征選取模板，使用模板屏蔽最后一個全連接層部分權(quán)重，即可生成N個特征偏移網(wǎng)絡(luò)，從而模擬人臉圖像退化過程中部分特征信息的丟失，N個特征偏移網(wǎng)絡(luò)共同構(gòu)成集群卷積網(wǎng)絡(luò)，集群卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示.

圖2 ResNet-18網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 ResNet-18 network structure

圖3 集群卷積網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of cluster convolutional

3.3 特征偏移計量

(2)

將特征偏移進(jìn)行歸一化操作，得到取值區(qū)間為0～1的人臉圖像質(zhì)量分?jǐn)?shù).計算公式如下：

(3)

其中，P(I)代表圖像I的質(zhì)量分?jǐn)?shù); σ為sigmoid函數(shù);fi為集群網(wǎng)絡(luò)中第i個特征偏移網(wǎng)絡(luò)提取的特征向量.負(fù)號體現(xiàn)特征偏移與人臉質(zhì)量的負(fù)相關(guān)關(guān)系.

3.4 特征選取

最終提取的特征向量中，不同特征對完成識別任務(wù)的貢獻(xiàn)率不同.舉例說明，臉型、瞳距等特征比皮膚紋理對于身份識別有更大貢獻(xiàn).因此應(yīng)篩選對識別任務(wù)影響更大的關(guān)鍵特征，通過影響這些關(guān)鍵特征，可提升采樣質(zhì)量評估效率.

本文使用遺傳算法對特征偏移網(wǎng)絡(luò)進(jìn)行篩選.選取偏移量盡可能大的子網(wǎng)，使質(zhì)量評估更為高效.每個特征偏移子網(wǎng)，均由一個獨(dú)特的特征偏移模板生成，子網(wǎng)與模板是一一對應(yīng)的(圖3)，因此對特征偏移模板的篩選，即為對特征偏移網(wǎng)絡(luò)的篩選，我們使用特征偏移模板作為染色體編碼對象.每個模板都是由一系列0和1的布爾值變量組成的m*n矩陣(m為倒數(shù)第二層維度，n為最后一層維度)，可將其展開為m*n維向量，作為遺傳算法的染色體單元，如圖4.初代染色體為滿足二項分布的隨機(jī)值，二項分布的概率取值為0.5，通過遺傳算法篩選迭代，最終得到目標(biāo)個體.

圖4 遺傳算法染色體編碼Fig.4 Genetic algorithm chromosome coding

從VGGFace2數(shù)據(jù)集中隨機(jī)選取100張人臉形成迷你子集，用于遺傳算法篩選特征.為篩選關(guān)鍵特征的優(yōu)化目標(biāo)為：

(4)

式中Fx(Ii)為特征偏移網(wǎng)絡(luò)輸出的特征；F(Ii)為無偏移特征，優(yōu)化目標(biāo)為找到特征偏移量最大的Fx函數(shù)，即特征偏移網(wǎng)絡(luò)，這里為全面體現(xiàn)正負(fù)偏移量，求差后取2范數(shù).

適應(yīng)度函數(shù)設(shè)計為

(5)

分子為待計算個體(網(wǎng)絡(luò))形成的特征偏移量，求和號的100代表迷你集的100個人臉樣本.分母為當(dāng)前代次表現(xiàn)最好的網(wǎng)絡(luò)，即特征偏移最大的網(wǎng)絡(luò)的偏移量，因此取max.x取值范圍0～100，代表當(dāng)前代次100個個體(網(wǎng)絡(luò))，每個個體(這里指特征偏移網(wǎng)絡(luò))的適應(yīng)度，就是它的特征偏移量與當(dāng)前代次最大特征偏移量的比值，取值范圍是0%～100%，以此作為個體(特征偏移網(wǎng)絡(luò))的生存適應(yīng)度.然后按照適應(yīng)度執(zhí)行遺傳算法，淘汰不良個體.

3.5 圖像退化

本文選取了幾種常見圖像退化方式進(jìn)行模擬，以研究圖像退化對人臉識別的影響.主要研究對象分為高斯模糊、運(yùn)動模糊、高斯噪聲、椒鹽噪聲四種單獨(dú)類型退化方式和高斯模糊加高斯噪聲、高斯模糊加椒鹽噪聲、運(yùn)動模糊加高斯噪聲、運(yùn)動模糊加椒鹽噪聲四種疊加退化方式.每種退化方式分為20個層級，退化程度由輕到重逐步加深.例如將高斯模糊的高斯核尺寸逐級加大，逐級提高高斯噪聲的噪聲添加比例，具體設(shè)置將在第4.4節(jié)介紹.將上述8種退化方式各20個層級分別應(yīng)用于LFW數(shù)據(jù)處理，生成160個模擬圖像退化的實驗數(shù)據(jù)集.

4 實驗及分析

本節(jié)介紹了實驗設(shè)置和結(jié)果，在主流數(shù)據(jù)集上，與最新的方法進(jìn)行了對比實驗，對結(jié)果進(jìn)行了定性和定量分析，并補(bǔ)充了對算法一致性的說明.

4.1 數(shù)據(jù)集

LFW數(shù)據(jù)集主要測試人臉識別的準(zhǔn)確率，該數(shù)據(jù)庫從中隨機(jī)選擇了6000對人臉組成了人臉辨識圖片對，其中3000對屬于同一個人2張人臉照片，3000對屬于不同的人每人1張人臉照片.測試過程LFW給出一對照片，詢問測試中的系統(tǒng)兩張照片是不是同一個人，系統(tǒng)給出“是”或“否”的答案.通過6000對人臉測試結(jié)果的系統(tǒng)答案與真實答案的比值可以得到人臉識別準(zhǔn)確率. 這個集合被廣泛應(yīng)用于評價 face verification算法的性能.

VGGFace2[16]是一個大規(guī)模人臉識別數(shù)據(jù)集，該數(shù)據(jù)集是從谷歌中下載的，包含不同姿態(tài)、年齡、光照和背景的人臉圖片，其中約有59.7%的男性.除了身份信息之外，數(shù)據(jù)集還包括人臉框，5個關(guān)鍵點(diǎn)、以及估計的年齡和姿態(tài).共包含331萬圖片，9131個ID，平均每個ID圖片個數(shù)為362.6.這個數(shù)據(jù)集有以下幾個特點(diǎn)：(1) 人物ID數(shù)量大，且每個ID包含的圖片個數(shù)也較多; (2) 覆蓋大范圍的姿態(tài)、年齡和種族; (3) 噪聲數(shù)據(jù)少.實驗圖像均使用Retinaface[17]進(jìn)行預(yù)處理.

為研究不同圖像損失類型對人臉識別的影響，我們使用高斯模糊、運(yùn)動模糊、高斯噪聲、椒鹽噪聲4種常見圖像損失方式和“高斯模糊加高斯噪聲”、“運(yùn)動模糊加高斯噪聲”、“高斯模糊加椒鹽噪聲”、“運(yùn)動模糊加椒鹽噪聲”4種交叉損失方式，每種方式從弱到強(qiáng)分為20個層級，對LFW數(shù)據(jù)集進(jìn)行模擬退化處理，作為數(shù)據(jù)擴(kuò)充輔助研究.因為每種圖像退化方式對圖像質(zhì)量的影響曲線不同，為使曲線上各點(diǎn)分布均勻，退化參數(shù)為手動設(shè)置并經(jīng)過反復(fù)測試調(diào)整，具體數(shù)值如下：

高斯模糊： 高斯核尺寸第一級設(shè)置為3*3，之后邊長逐級加4.

運(yùn)動模糊： 運(yùn)動方向為隨機(jī)方向，模糊卷積核為正方形，尺寸設(shè)置為[2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32].

高斯噪聲： 高斯噪聲是符合高斯分布的加性噪聲，為不影響圖像整體亮度，噪聲均值設(shè)置為0，方差為未做歸一化處理的像素值方差，取值區(qū)間為[0～2552]，本實驗第一級設(shè)置為3，之后每級加3.

椒鹽噪聲： 噪聲添加比例為[0.0005, 0.0010, 0.0020, 0.0040, 0.0080, 0.012, 0.016, 0.020, 0.028, 0.036, 0.044, 0.052, 0.060, 0.068, 0.078, 0.088, 0.098, 0.108, 0.118, 0.128].

4.2 實驗設(shè)置

模型使用無監(jiān)督算法，不需要進(jìn)行單獨(dú)訓(xùn)練，構(gòu)成集群卷積網(wǎng)絡(luò)的每個單元網(wǎng)絡(luò)只需加載預(yù)訓(xùn)練的模型參數(shù)，并使用特征偏移模板對網(wǎng)絡(luò)進(jìn)行參數(shù)重構(gòu).對于集群網(wǎng)絡(luò)中的單元網(wǎng)絡(luò)個數(shù)N，根據(jù)我們的經(jīng)驗取N=10可以較好平衡精度和性能.具有類似網(wǎng)絡(luò)結(jié)構(gòu)的方法[5]推薦子網(wǎng)個數(shù)為100，相比之下，本文通過遺傳算法篩選特征后N取10即可較好地平衡精度和性能，進(jìn)一步精簡了網(wǎng)絡(luò)結(jié)構(gòu).

在特征篩選部分，遺傳算法篩選出10個個體，即10個特征偏移網(wǎng)絡(luò)，最終形成目標(biāo)集群網(wǎng)絡(luò).這些個體使用布爾值，按照p=50%的篩選率隨機(jī)初始化100個個體，持續(xù)300個代次，交叉組合率80%，變異率2%，代次篩選率10%.

為了橫向比較本文方法，實驗引入來自計算機(jī)視覺社區(qū)的三個基線方法：Brisque[18],Niqe[19]Piqe[20]，均為無參考圖像質(zhì)量評價.另外引入兩個學(xué)術(shù)界最新的人臉質(zhì)量評價方法FaceQnet[7]，Best-Rowden[21,22]，均采用預(yù)訓(xùn)練模型參與實驗.

4.3 圖像退化

本文選取了幾種常見圖像退化方式進(jìn)行模擬，以研究圖像退化對人臉識別的影響.主要研究對象分為高斯模糊、運(yùn)動模糊、高斯噪聲、椒鹽噪聲四種單獨(dú)類型退化方式和高斯模糊加高斯噪聲、高斯模糊加椒鹽噪聲、運(yùn)動模糊加高斯噪聲、運(yùn)動模糊加椒鹽噪聲四種疊加退化方式.每種退化方式分為20個層級，退化程度由輕到重逐步加深.例如將高斯模糊的高斯核尺寸逐級加大，逐級提高高斯噪聲的噪聲添加比例，具體設(shè)置將在第4.4節(jié)介紹.將上述8種退化方式各20個層級分別應(yīng)用于LFW數(shù)據(jù)處理，生成160個模擬圖像退化的實驗數(shù)據(jù)集.

4.4 度量方法

為了評估算法性能，我們遵循[23]的方法，使用錯誤率與拒絕曲線.曲線橫軸為拒絕掉低質(zhì)量人臉圖像的比率，縱軸為剩余人臉圖像的錯誤識別率.理想的情況是，當(dāng)拒絕一部分質(zhì)量最低的人臉圖像后，人臉識別系統(tǒng)在剩余圖像上的錯誤識別率應(yīng)降低，并且隨著拒絕率的不斷提升，剩余圖像的錯誤識別率不斷降低.具體的，我們使用FNMR錯誤非匹配率，EER等錯誤率兩項指標(biāo)評價算法性能，因為這些錯誤率在國際標(biāo)準(zhǔn)中被指定用于生物特征驗證評估[24].

在研究圖像退化對人臉識別影響的問題上，我們使用等質(zhì)量分?jǐn)?shù)識別率曲線和識別率直方圖進(jìn)行分析.對經(jīng)過圖像退化處理的數(shù)據(jù)集，使用本文中的人臉圖像質(zhì)量算法逐張人臉圖像計算質(zhì)量分?jǐn)?shù)，并求得數(shù)據(jù)集平均得分，同時使用resnet18預(yù)訓(xùn)練模型加arcface損失函數(shù)，測試每個數(shù)據(jù)集的驗證精確率.

4.5 實驗結(jié)果及分析

為直觀展示算法有效性，我們在LFW和VGGFace2兩個當(dāng)前主流人臉圖像數(shù)據(jù)集上進(jìn)行了質(zhì)量分?jǐn)?shù)預(yù)測.繪制總體分?jǐn)?shù)分布圖(圖5)，并列出最壞和最好的人臉(圖6).在兩個數(shù)據(jù)集上都可以觀察到，得分最高的人臉幾乎都具有“無遮擋，光照均勻，五官清晰，姿態(tài)端正”等共同特征；得分最低的人臉均具有“佩戴物遮擋，頭發(fā)、手部遮擋，表情夸張，姿態(tài)不端”其中一個或多個影響身份識別的問題.

圖5 LFW數(shù)據(jù)集質(zhì)量分?jǐn)?shù)分布(a)； VGGFace2數(shù)據(jù)集質(zhì)量分?jǐn)?shù)分布(b)

圖6 LFW數(shù)據(jù)集得分最高的20張(a)、最低的20張(b)人臉;

圖7 LFW數(shù)據(jù)集錯誤率與拒絕曲線(a，b)；VGGFace2數(shù)據(jù)集錯誤率與拒絕曲線(c,d)

LFW數(shù)據(jù)集分?jǐn)?shù)分布普遍高于VGGAFace2數(shù)據(jù)集，且分布范圍更廣，這是合乎預(yù)期的，因為VGGFace2數(shù)據(jù)包含更多無約束照片，人物呈現(xiàn)大量年齡、表情、姿態(tài)、光照變化，且背景更加復(fù)雜，對身份識別具有更大挑戰(zhàn).

對三個基線方法和兩個學(xué)術(shù)界最新方法進(jìn)行了定量實驗，為公平比較算法性能，采用4.4節(jié)介紹的錯誤率拒絕曲線，如圖7.使用所有參與實驗的方法，對數(shù)據(jù)集全部人臉預(yù)測質(zhì)量得分，然后按照一定比率拒絕得分最低的部分人臉，計算剩余人臉的識別錯誤率，逐漸提高拒絕率，重復(fù)此過程，最終繪制完整曲線.

圖8 4種圖像退化-質(zhì)量分?jǐn)?shù)曲線

可以觀察到，本文方法在兩個數(shù)據(jù)集上均表現(xiàn)出了較好性能.通過拒絕低質(zhì)量人臉圖像，實現(xiàn)了識別精度的提升，錯誤率進(jìn)一步下降，F(xiàn)NMR、EER兩個指標(biāo)均證明了算法有效性.且隨著拒絕率逐步提升，錯誤率可以穩(wěn)步下降，體現(xiàn)了算法具有良好穩(wěn)定性.絕大多數(shù)情況下，本文方法的曲線位于對比方法的曲線下方.

為進(jìn)一步驗證算法穩(wěn)定性，我們通過手工圖像退化進(jìn)行補(bǔ)充驗證，如圖8.使用高斯模糊，運(yùn)動模糊，椒鹽噪聲三種常見圖像退化方式，對人臉圖像進(jìn)行手工退化操作，并使用我們的方法計算人臉圖像質(zhì)量.可以觀察到，隨著退化程度加深，同幅圖像四種退化方式的分?jǐn)?shù)均表現(xiàn)出連續(xù)下降，同樣證明了圖像質(zhì)量分?jǐn)?shù)與可識別率之間的高度相關(guān)性.

從識別率質(zhì)量分?jǐn)?shù)曲線(如圖9)觀察到，隨著圖像退化程度逐漸加深，數(shù)據(jù)集平均質(zhì)量分?jǐn)?shù)下降，且在平均質(zhì)量分?jǐn)?shù)相同情況下，不同圖像退化類型的識別率體現(xiàn)出差異性，具體地，在單一退化方式中，對識別率影響程度由小到大依次為：高斯噪聲，高斯模糊，運(yùn)動模糊，椒鹽噪聲.注意到橙綠兩條曲線在后半段出現(xiàn)交替，但考慮到此時圖像質(zhì)量已經(jīng)嚴(yán)重破壞，沒有考察價值，并不影響上述結(jié)論.在椒鹽噪聲最后幾個退化級別上出現(xiàn)了質(zhì)量分?jǐn)?shù)異常(綠色曲線)，具體表現(xiàn)為：隨著圖像退化級別加深，質(zhì)量分?jǐn)?shù)不再降低，反而有小幅提高.這可

圖9 驗證率-質(zhì)量分?jǐn)?shù)曲線Fig.9 Verification rate-quality score curve

能是因為椒鹽噪聲具有較大隨機(jī)性，本文算法正是利用隨機(jī)特征偏移工作的.當(dāng)隨機(jī)噪聲增大到一定成程度時，算法誤把部分噪聲當(dāng)作有效信息處理，造成了算法波動.雖不影響總體結(jié)論，但有待進(jìn)一步研究改進(jìn).

圖9中，每條曲線代表一種圖像退化方式，包含20個退化級別的驗證率-平均質(zhì)量分?jǐn)?shù)構(gòu)成的20個數(shù)據(jù)點(diǎn).可以觀察到不同退化方式對圖像質(zhì)量的影響是不同的.

質(zhì)量分?jǐn)?shù)直方圖如圖10所示,橫坐標(biāo)為20個圖像退化級別，1級退化程度最輕，20級退化程度最重.從圖10可知，“模糊+噪聲”兩種退化類型疊加的方式比單一模糊或單一噪聲的退化類型對識別率影響更大.在2種模糊類型和2種噪聲類型形成的4個交叉組合實驗中，均證明了這一規(guī)律.雖然4種退化類型對識別率的影響程度不一，但疊加方式強(qiáng)于單一方式的規(guī)律始終沒變，這在圖像退化程度較淺的前幾個層級數(shù)據(jù)中尤其明顯.這是因為，此時人臉圖像質(zhì)量和識別率較高，圖像退化對于人臉身份信息的損失收益大.在退化等級大于10以后，由于圖像質(zhì)量嚴(yán)重受損，驗證率已接近50%的極限，圖像退化對圖像質(zhì)量的影響已非常有限，上述規(guī)律變得不明顯，甚至出現(xiàn)反常，此類現(xiàn)象屬于極端情況，沒有考察價值，不影響整體結(jié)論.

圖10 驗證率直方圖

5 結(jié) 論

針對低質(zhì)量人臉圖像阻礙識別系統(tǒng)性能提升的問題，本文提出了一種無參考的人臉圖像質(zhì)量評價方法.分析闡述了利用特征偏移與圖像信息量的相關(guān)性進(jìn)行質(zhì)量分?jǐn)?shù)計算的思想.提出了一種集群卷積網(wǎng)絡(luò)模型，用于人臉圖像質(zhì)量分?jǐn)?shù)自動預(yù)測.使用遺傳算法對網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化，在保持同等性能前提下大幅壓縮了模型復(fù)雜度.通過在主流人臉數(shù)據(jù)集上進(jìn)行的實驗，定性和定量分析證明了算法具有優(yōu)越性，通過篩選數(shù)據(jù)庫中低質(zhì)量得分的人臉圖像，可以進(jìn)一步提升現(xiàn)有人臉識別系統(tǒng)的性能，且識別率提升表現(xiàn)出良好穩(wěn)定性.模擬了幾類常見圖像退化方式，對原始人臉數(shù)據(jù)庫進(jìn)行數(shù)據(jù)擴(kuò)充，并使用本文提出的質(zhì)量評價算法為工具進(jìn)行實驗，研究評估了不同類型圖像損失對人臉識別的影響，為指導(dǎo)今后人臉質(zhì)量相關(guān)研究得出了有益結(jié)論.