基于视频的无监督人脸质量评估方法

为解决视频场景下人脸图像因光照、姿态、模糊等因素变化导致的人脸质量评估方法评估效果不佳的问题,提出了一种基于视频的无监督人脸质量评估方法。考虑到当前研究社区未有完备的视频人脸数据集,且人脸图像质量评估有较强的主观性,构建了一个基于视频帧的人脸数据集,并设计了人脸质量伪标签生成方法。在此基础上,提出了基于EMD(Earth Mover’s Distance)损失的视频人脸质量评估模型,通过EMD损失函数优化模型学习,完成了人脸图像质量分布的预测。在公开和构建的测试集上的实验结果表明,该方法在视频场景下的人脸质量评估任务中优于其他人脸质量评估方法,有更好的评估性能和应用前景。

基于纹理特征融合的人脸图像质量评估算法

从视频序列中选取同一人的高质量人脸图像是人脸识别技术的关键步骤。为了提升人脸图像评估的可靠性,提出了纹理特征融合的人脸质量评估算法。首先,针对人脸图像提取HOG、GIST、GABOR和LBP等纹理特征;接着,根据标注数据训练分类器,实现单特征得分评估;再将多特征得分值融合成特征向量;最后,通过多项式核函数升维得到新的特征向量,并根据该特征训练SVMs分类器,以回归人脸图像质量得分。实验结果表明,基于特征融合的方法能有效提升人脸图像质量评估的效果,特别是HOGGIST特征组合的算法具有很好的效率,目标人脸在不同姿势及遮挡的情况都能得到可靠的评估结果。

基于人脸识别的人脸图像质量评估

无约束场景下,低质量的人脸图像不仅浪费计算资源而且降低系统识别率。针对此问题,提出一种基于人脸识别的人脸质量评估方法对人脸图像进行预评估。以人脸识别系统特征提取网络为基础网络在COX数据集上进行微调,并使用微调后网络对COX数据集进行质量分数标定。最后,结合基础网络及质量预测网络并以相应损失函数在标定数据上进行回归学习以获取质量评估模型。实验结果表明,该方法能够有效区分不同质量的人脸图像并提升人脸识别系统性能。

基于迁移学习的人脸图像质量评估

随着科学技术和经济的快速发展以及社会的不断进步,人们的安全意识不断提高,人脸识别这一生物特征识别的关键技术之一被广泛应用于电子政务、计算机登录、门禁和电子商务等领域。但实际应用中输入人脸的图片质量严重影响到了人脸识别系统发挥其准确性及智能性,因此针对人脸图像质量的问题提出基于迁移学习的人脸图像质量评估算法。在识别之前,对自建的人脸图像数据集归一化预处理后,再将数据集在tensorflow的框架上利用迁移学习的方式对Mobilenet网络再次训练,得到人脸图像的质量评估模型,过滤筛选出符合识别算法质量要求的人脸图像。并将本论文的方法与Inception模型对比,实验表明迁移压缩后的Mobilenet模型的准确率略有降低,但模型的参数量也大幅减少,因此,提高了模型的运算效率。

基于CNN的监控视频中人脸图像质量评估

在公共安全领域,监控视频中的人脸识别技术是不可或缺的技术,成为研究热点.而监控视频中低质量的人脸图像会大大降低整个人脸识别系统的识别准确率,系统难以更广泛地被投入实际使用.本文提出了一种基于CNN的人脸图像质量评估方法.通过对Alexnet模型进行改进,将网络中的多个卷积层与全连接层连接,从而提取不同尺度的图像特征.通过端到端的训练过程,预测人脸图像质量分数.另外,采用人脸识别算法来标定人脸图像的质量分数,使质量分数能更有效地筛选出适合识别算法的图像.在Color FERET数据集上实验表明,本文方法能够准确地对人脸图像进行质量评估.而在实际采集的监控视频数据集上实验表明,本文方法能筛选出高质量的人脸图像用作后续人脸识别,提高人脸识别准确率.

低质量人脸图像数据库的搭建与测试

人脸识别技术在静态比对方面取得了傲人的成绩,但存在一个瓶颈问题,即当前大部分研究者在模型的训练与算法的设计方面都只能对图像质量较好的情况进行研究,由于技术局限性,无法对于低质量图像展开很好的处理。因此,对于低质量图像的针对性研究至关重要。研究低质量人脸图像的处理方式、数据库搭建及比对等问题。本文的研究对于下一步展开低质量人脸图像的研究工作具有较为重要的支撑作用。