发明内容
本发明要解决的技术问题是提供一种既符合人们对图像的评价方式,又能保证评价结果更加准确、可靠的人脸图像质量的评价方法及装置。
为解决上述技术问题,本发明提供技术方案如下:
一方面,本发明提供了一种人脸图像质量的评价方法,包括:
获取待评价的人脸图像;
对所述待评价的人脸图像进行归一化处理,得到第一人脸图像;
利用盲/无参考图像空域质量评价算法对所述第一人脸图像进行评价,得到表征所述待评价的人脸图像的质量的第一质量分值;
根据亮度数值和模糊数值对所述第一质量分值进行修正,得到表征所述待评价的人脸图像的质量的第二质量分值,其中,所述模糊数值为空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值的一个或多个;
根据所述第二质量分值评价所述待评价的人脸图像的质量。
根据本发明一实施例,所述根据亮度数值和模糊数值对所述第一质量分值进行修正,得到表征所述待评价的人脸图像的质量的第二质量分值的修正公式为:
其中,Q1为第一质量分值,Q2为第二质量分值,q1、q2、q3为经验值常数,p1、p2、p3为亮度数值的临界点,d1、d2、d3为空间域灰度模糊数值的临界点,f1、f2、f3为频率域模糊数值的临界点,b1、b2、b3为空间域纹理模糊数值的临界点,bright_p90为所述亮度数值,blur_svd为所述空间域灰度模糊数值,blur_fft_cdf为所述频率域模糊数值,blur_lbp为所述空间域纹理模糊数值。
根据本发明另一实施例,所述利用盲/无参考图像空域质量评价算法对所述第一人脸图像进行评价,得到表征所述待评价的人脸图像的质量的第一质量分值的步骤进一步为:
提取所述第一人脸图像的盲/无参考图像空域质量评价特征;
将所述第一人脸图像的盲/无参考图像空域质量评价特征输入SVR回归算法模型计算得到表征所述待评价的人脸图像的质量的第一质量分值;
其中,所述SVR回归算法模型为利用LIVE图像质量评价数据库中的图像和多张已标注质量分值的人脸图像进行回归训练得到的。
根据本发明另一实施例,所述提取所述第一人脸图像的盲/无参考图像空域质量评价特征的步骤包括:
计算所述第一人脸图像的均值减损对比归一化系数(MSCN);
根据所述第一人脸图像的均值减损对比归一化系数计算得到第二人脸图像;
对所述第二人脸图像进行下采样,生成第三人脸图像;
分别利用所述第二人脸图像和第三人脸图像的灰度值拟合对称的广义高斯模型的参数(α,σ
2)和非对称的广义高斯模型的参数
得到一个36维的特征,即所述第一人脸图像的盲/无参考图像空域质量评价特征。
根据本发明另一实施例,所述亮度数值为所述第一人脸图像的灰度值的第90个百分位数。
根据本发明另一实施例,所述空间域灰度模糊数值采用以下方式得到:
对所述第一人脸图像进行奇异值分解,得到:
I=USVT
其中,I为所述第一人脸图像,U和V为正交矩阵,VT为V的共轭转置,S为对角矩阵,S对角线上的数值λi为与所述第一人脸图像相应的奇异值;
取所述第一人脸图像的前m个最大的奇异值λiI,拟合曲线y=x-q
其中,x=1,2,…,m,y=λi;
计算得到q值,即所述空间域灰度模糊数值。
根据本发明另一实施例,所述频率域模糊数值采用以下方式得到:
对所述第一人脸图像进行傅里叶变换后求幅值,并做中心化处理,得到频谱图像M,计算所述频谱图像M的每个圆环的累加幅值和si以及所述频谱图像M的每个圆环内的累加幅值ci:
其中,所述第一人脸图像的大小为n×n,i=1,2,…,n;
对所述ci进行归一化处理,得到实际值Pi:
对所述实际值Pi进行直线拟合得到拟合值Li,根据所述实际值Pi和拟合值Li的差值di计算得出所述频率域模糊数值blur_fft_cdf,即
根据本发明另一实施例,所述空间域纹理模糊数值采用以下方式得到:
将所述第一人脸图像输入到SVM分类器中,计算得到所述空间域纹理模糊数值;
其中,所述SVM分类器通过提取训练人脸图像库中图像的LBP特征进行训练得到。
另一方面,本发明还提供了一种人脸图像质量的评价装置,包括:
获取模块,用于获取待评价的人脸图像;
归一化处理模块,用于对所述待评价的人脸图像进行归一化处理,得到第一人脸图像;
第一质量分值计算模块,用于利用盲/无参考图像空域质量评价算法对所述第一人脸图像进行评价,得到表征所述待评价的人脸图像的质量的第一质量分值;
第二质量分值计算模块,用于根据亮度数值和模糊数值对所述第一质量分值进行修正,得到表征所述待评价的人脸图像的质量的第二质量分值,其中,所述模糊数值为空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值的一个或多个;
评价模块,用于根据所述第二质量分值评价所述待评价的人脸图像的质量。
根据本发明的一实施例,所述第一质量分值计算模块包括:
特征提取单元,用于提取所述第一人脸图像的盲/无参考图像空域质量评价特征;
SVR回归算法模型单元,用于将所述第一人脸图像的盲/无参考图像空域质量评价特征输入SVR回归算法模型计算得到表征所述待评价的人脸图像的质量的第一质量分值;
其中,所述SVR回归算法模型单元为利用LIVE图像质量评价数据库中的图像和多张已标注质量分值的人脸图像进行回归训练得到。
与现有技术相比,本发明具有以下有益效果:
本发明的人脸图像质量的评价方法及装置首先利用盲/无参考图像空域质量评价算法对人脸图像进行粗评价,得到一个例如为0~100的第一质量分值(分值越高代表人脸图像的质量越高),之后根据亮度数值并结合三个不同方向的模糊数值即空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值针对影响人脸图像质量的主要问题对第一质量分值进行修正,最后得到表征人脸图像的最终质量分值,即第二质量分值,最后通过第二质量分值来评价人脸图像质量的好坏。这种采用盲/无参考图像空域质量评价算法结合亮度数值和三个不同方向的模糊数值对人脸图像的质量进行修正评价,不仅能够使得最终得到的表征人脸图像的最终质量分值更符合人们对人脸图像的直观评价,还能精确地刻画人脸图像的清晰程度,使得评价结果更加准确和可靠。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
一方面,本发明实施例提供一种人脸图像质量的评价方法,如图1至7所示,包括:
步骤S1:获取待评价的人脸图像;
本步骤中,可以采用现有技术中本领域技术人员熟知的各种方法获取待评价的人脸图像,如利用Haar特征的AdaBoost人脸检测算法等。
步骤S2:对待评价的人脸图像进行归一化处理,得到第一人脸图像;
本步骤中,对待评价的人脸图像归一化处理调整到统一大小,得到第一人脸图像,例如128*128。
步骤S3:利用盲/无参考图像空域质量评价算法(blind/referenceless imagespatial quality evaluator,BRISQUE)对第一人脸图像I进行评价,得到表征待评价的人脸图像I的第一质量分值Q1;
本步骤中,盲/无参考图像空域质量评价算法具有良好的鲁棒性,可以用来评估一般图像的质量。根据第一质量分值Q1可以综合评价模糊、噪声、JPEG压缩质量高低等人脸图像质量造成的影响,更符合人们对人脸图像的评价方式。
步骤S4:根据亮度数值和模糊数值对第一质量分值进行修正,得到表征人脸图像的质量的第二质量分值Q2,其中,模糊数值为空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值的一个或多个;
步骤S4:根据第二质量分值Q2评价待评价的人脸图像的质量。
本步骤中,第二质量分值Q2可以作为人脸图像的最终评价分值。
本发明实施例的人脸图像质量的评价方法首先利用盲/无参考图像空域质量评价算法对人脸图像进行粗评价,得到一个0~100的第一质量分值(分值越高代表人脸图像的质量越高),之后根据亮度数值并结合三个不同方向的模糊数值即空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值针对影响人脸图像质量的主要问题对第一质量分值进行修正,最后得到表征人脸图像的最终质量分值,即第二质量分值,最后通过第二质量分值来评价人脸图像质量的好坏。这种采用盲/无参考图像空域质量评价算法结合亮度数值和三个不同方向的模糊数值对人脸图像的质量进行修正评价,不仅能够使得最终得到的表征人脸图像的最终质量分值更符合人们对人脸图像的直观评价,还能精确地刻画人脸图像的清晰程度,使得评价结果更加准确和可靠。
在使用百分制对人脸图像质量进行评价时,按照人们的评分习惯,当一张人脸图像质量的评价分值达到60及以上时,则认为被评价的人脸图像是较好的图像。但是,发明人在实际研究过程中发现,对于个别的比较模糊的人脸图像,第一质量分值Q1会出现大于60分的情况,这将降低人脸图像质量评价的准确率以及后续人脸图像的注册和识别。因此,为了将这类人脸图像的评价分值修正到60分以下,发明人通过比较、分析后对人脸图像的亮度和三个模糊数值确定了相应的阈值以及修正数值10,使得这类比较模糊的人脸图像修正后的第二质量分值Q2在60分以下,并且能够同时保证质量较好的人脸图像修正后的第二质量分值Q2在60分以上。
此外,在对人脸图像质量进行评价时,人脸图像的亮度对其对比度、模糊数值产生相应的影响,例如人脸图像的高亮度通常会提高其对比度,使人眼看到的人脸图像更清楚一些。
因此,本发明实施例中的修正公式根据亮度数值bright_p90来设置不同的模糊数值的阈值,能够更好的反映待评价的人脸图像的实际情况,消除光照对人脸图像模糊的影响,具体修正公式如下:
其中,Q1为第一质量分值,Q2为第二质量分值,q1、q2、q3为经验值常数,p1、p2为亮度数值的临界点,d1、d2、d3为空间域灰度模糊数值的临界点,f1、f2、f3为频率域模糊数值的临界点,b1、b2、b3为空间域纹理模糊数值的临界点,bright_p90为亮度数值,blur_svd为空间域灰度模糊数值,blur_fft_cdf为频率域模糊数值,blur_lbp为空间域纹理模糊数值。
d1、d2、d3、f1、f2、f3以及b1、b2、b3均与p1、p2的大小有关,p1>p2,d1>d2>d3,f1<f2<f3,b1≥b2≥b3。
本发明实施例中,q1、q2、q3可以选值为10,当p1=210,p2=170时,d1=-1.75,d2=-1.80,d3=-1.85,f1=-0.5,f2=-0.4,f3=-0.36,b1=b2=b3=0。
由此,修正公式可以写成以下具体形式:
当第二质量分值Q2大于60时,即可认为该待评价的人脸图像I是清晰的人脸图像,可以用于注册和识别。
本发明实施例中,步骤S3进一步为:
S31:提取第一人脸图像的盲/无参考图像空域质量评价特征,即BRISQUE特征;
S32:将第一人脸图像的盲/无参考图像空域质量评价特征输入SVR回归算法模型计算得到表征待评价的人脸图像的质量的第一质量分值;
其中,SVR回归算法模型为利用LIVE图像质量评价数据库中的图像和多张已标注质量分值的人脸图像进行回归训练得到的。
本发明实施例中,SVR回归算法模型可以采用以下方式进行训练:
首先建立一个数据库,该数据库中共有不少于1000张的图像,其包含了公开的LIVE数据图像库中的779张图像(主要是自然界的图像,只有少量的人脸图像),其余为我们加入的含有人脸的图像。该数据库中的每张图像均已标注有质量分值。之后,利用该数据库中所有图像的质量分值进行SVR回归训练,即可得到SVR回归算法模型。
具体的,本发明实施例中采用盲/无参考图像空域质量评价算法提取第一人脸图像的盲/无参考图像空域质量评价特征的步骤包括:
S311:计算第一人脸图像的均值减损对比归一化系数(MSCN);
S312:根据第一人脸图像的均值减损对比归一化系数计算得到第二人脸图像;
可以将第一人脸图像标记为I,设其大小为M×N,则I可以用集合表示为I={I(i,j),i∈1,2,…,M;j∈1,2,…,N};
对第一人脸图像I进行局部归一处理,得到第二人脸图像
公式如下:
其中,M和N分别为人脸图像I的高和宽;C为经验值常数1,防止分母为0;变量σ(i,j)和μ(i,j)定义如下:
w={wk,l|k=-K,-K+1,…,K;j=-L,-L+1,…,L}
其中,w是2维高斯权重函数。
本发明实施例中,优先选取K=3,L=3。由此,可将第一人脸图像I归一化得到大小为128×128的第二人脸图像
S313:对第二人脸图像进行下采样,生成第三人脸图像;
本步骤中,可以使用双线性插值法对第二人脸图像
进行下采样,生成的第三图像的大小为M/2×N/2。
S314:分别利用第二人脸图像和第三人脸图像的灰度值拟合对称的广义高斯模型的参数(α,σ
2)和非对称的广义高斯模型的参数
得到一个36维的特征,即第一人脸图像的盲/无参考图像空域质量评价特征。
首先可以使用第二人脸图像
的灰度值分别拟合对称的广义高斯模型的参数(α,σ
2)和非对称的广义高斯模型的参数
得到第二人脸图像的盲/无参考图像空域质量评价特征中的所有参数;
本发明实施例中,对称广义高斯模型为:
其中,Γ(·)是伽马函数,σ2是分布的方差,α控制分布的形状,β是与α相关的变量,t是任意一个取值[0,+∞]的变量;
在使用第二人脸图像
的灰度值拟合对称的广义高斯模型的参数GGD(α,σ
2)计算第二人脸图像
的BRISQUE特征中的参数时,可以采用极大似然估计的方法近似得到。由此可以得出第二人脸图像
的BRISQUE特征中的2个参数。
之后,可以分析相邻的像素间可能存在的灰度分布规律。这里可以先构造四个与方向有关的图像H(Horizontal),V(Vertical),D1(Main-diagonal),D2(Secondary-diagonal),公式如下:
其中,i∈1,2,…,M;j=1,2,…N。
这里坐标按照Matlab中图像的顺序即:
i-1,j-1 |
i-1,j |
i-1,j+1 |
i,j-1 |
i,j |
i,j+1 |
i+1,j-1 |
i+1,j |
i+1,j+1 |
本发明实施例中使用的非对称的广义高斯模型为:
其中,
式中,γ控制分布的形状,
和
分别控制非对称的广义高斯模型两侧的分布;
根据上述构造的四个图像H,V,D1,D2的灰度值来拟合非对称的广义高斯模型的参数AGGD
可以得到第二人脸图像
的BRISQUE特征中的16个参数。
综上,根据上述流程可以计算出第二人脸图像
的18个参数来表征第一人脸图像I。
同理,根据上述流程可以计算得出第三图像
的18个参数来表征第一人脸图像I。
由此,第二人脸图像
的BRISQUE特征中的18个参数和第三人脸图像
组合在一起形成一个36维特征即第一人脸图像的盲/无参考图像空域质量评价特征来表征待评价的人脸图像I。
作为本发明实施例的一种改进,步骤S4中,亮度数值为第一人脸图像的灰度值的第90个百分位数。本步骤中,亮度数值可以采用人脸图像灰度的百分位数p90进行获得,并标记为bright_p90。如果是64*64的图像,有4096个灰度数值,排序后,p90对应的是第4096*0.9=3686个。
需要说明的是,也可以采用本领域技术人员能够想到的其它方式来获取或表达亮度数值比如均值来实现本发明实施例的技术方案。
空间域灰度模糊数值blur_svd优选采用以下方式得到:
对第一人脸图像进行奇异值分解,得到:
I=USVT
其中,I为第一人脸图像,U和V为正交矩阵,VT为V的共轭转置,S为对角矩阵,S对角线上的数值λi为与人脸图像相应的奇异值;
取人脸图像的前m个最大的奇异值λi,拟合曲线y=x-q;
其中,x=1,2,…,m;i=1,2,…,m;y=λi;
计算得到q值,即空间域灰度模糊数值blur_svd;
本发明实施例中,m优选为50。
发明人在研究过程中,第一人脸图像I的第50个以后的奇异值会变的越来越小,例如对于一张具体的待评价的人脸图像,将其归一化后得到的第一人脸图像最大的奇异值为17659.96,第50个大的奇异值为20.6,第51个大的奇异值为20.1,第60个、70个、80个、90个、100个、110个、128个大的奇异值分别是15.78、11.25、7.11、4.32、2.79、1.56、0.19,越往后奇异值越小。从第51个开始往后,这些奇异值对拟合曲线得到的空间域灰度模糊数值的作用非常小。
而当m选取小于50时的数值时,其得到的空间域灰度模糊数值结果也会小于m选取50是得到的空间域灰度模糊数值。
频率域模糊数值blur_fft_cdf优选采用以下方式得到:
首先对第一人脸图像I进行傅里叶变换并求幅值,之后做中心化处理,得到频谱图像M,如图3所示,之后根据图3中的圆环ri,统计计算频谱图像M的每个圆环的累加幅值和si以及频谱图像M的每个圆环内的累加幅值ci:
其中,第一人脸图像的大小为n×n,i=1,2,…,n;
之后对ci进行归一化处理,得到实际值Pi:
之后对实际值Pi进行直线拟合得到拟合值Li,如图4所示,根据实际值Pi和拟合值Li的差值di计算得出频率域模糊数值blur_fft_cdf,即
在计算得到空间域纹理模糊数值blur_lbp时,本发明实施例提出了一种基于LBP特征来训练SVM分类器以区分清晰和模糊的方法,具体方式如下:
将第一人脸图像I输入到SVM分类器中,计算得到空间域纹理模糊数值blur_lbp,其中,SVM分类器通过提取训练人脸图像库中图像的LBP特征进行训练得到。
本发明实施例中,关于训练空间域纹理模糊数值blur_lbp的SVM分类的训练,可以采用以下方式:
首先创建一个包含至少1000张清晰人脸的图像库,之后根据该清晰的图像库创建模糊图像库,再使用Matlab的函数fspecial()生成平均模糊和运动模糊的滤波器,之后用imfilter()进行滤波生成模糊图像。本发明实施例中,可以标记清晰图像为+1,模糊图相为-1。通过提取三种类型的LBP特征
(59维),
(59维),和
(243维),并将这三种类型的LBP特征合起来组成一个361维的的LBP特征,之后利用SVM进行训练即可得到训练好的SVM分类器。
LBP(local binary pattern,局部二值模式)特征具有灰度不变性和旋转不变性等显著优点,其对光照具有很强的鲁棒性,有利于图像的空间纹理特征的提取。
上述亮度数值bright_p90、空间域灰度模糊数值blur_svd、频率域模糊数值blur_fft_cdf和空间域纹理模糊数值blur_lbp计算得到之后,即可根据这四个数值对第一质量分值Q1进行修正,得到第二质量分值Q2。
综上,本发明实施例通过将盲/无参考图像空域质量评价算法结合亮度数值和三个不同方向的模糊判定数值,提出了一个更为实际和准确的人脸图像评价方法,能够对人脸图像的质量进行精评价,使得评价结果更加准确和可靠。
下面对三张具体的人脸图像(如图5-7所示)采用本发明的人脸图像质量的评价方法进行评价。其中,对图5所示的人脸图像进行评价得到,该人脸图像的第一质量分值Q1为49、亮度数值bright_p90为166、空间域灰度模糊数值blur_svd为-2.182889、频率域模糊数值blur_fft_cdf为-0.617940、空间域纹理模糊数值blur_lbp为-0.252835。因此,图5所示的人脸图像修正后的第二质量分值Q2为39,由此可判定图5所示的人脸图像为模糊图像。
对图6所示的人脸图像进行评价得到,该人脸图像的第一质量分值Q1为67、亮度数值bright_p90为133、空间域灰度模糊数值blur_svd为-1.663058、频率域模糊数值blur_fft_cdf为-0.337499、空间域纹理模糊数值blur_lbp为0.986607。因此,图6所示的人脸图像修正后的第二质量分值Q2为57,由此可判定图6所示的人脸图像为模糊图像。
对图7所示的人脸图像进行评价得到,该人脸图像的第一质量分值Q1为77、亮度数值bright_p90为157、空间域灰度模糊数值blur_svd为-1.792445、频率域模糊数值blur_fft_cdf为-0.505250、空间域纹理模糊数值blur_lbp为-3.700223。因此,图7所示的人脸图像修正后的第二质量分值Q2为67,由此可判定图7所示的人脸图像为清晰图像。
最终,采用本发明实施例的人脸图像质量的评价方法对5475张清晰的人脸图像和6902张模糊的人脸图像的质量进行评价,其评价结果的准确率达到99.2%。
另一方面,本发明实施例还提供一种人脸图像质量的评价装置,如图8和9所示,包括:
获取模块10:用于获取待评价的人脸图像;
归一化处理模块20:用于对所述待评价的人脸图像进行归一化处理,得到第一人脸图像;
第一质量的分值计算模块30:用于利用盲/无参考图像空域质量评价算法对第一人脸图像进行评价,得到表征所述待评价的人脸图像的质量的第一质量分值;
第二质量分值计算模块40:用于根据亮度数值和模糊数值对第一质量分值进行修正,得到表征所述待评价的人脸图像的质量的第二质量分值,其中,模糊数值为空间域灰度模糊数值、频率域模糊数值f和空间域纹理模糊数值一个或多个;
评价模块50:用于根据第二质量分值评价所述待评价的人脸图像的质量。
本发明实施例的人脸图像质量的评价装置首先利用盲/无参考图像空域质量评价算法对人脸图像进行粗评价,得到一个0~100的第一质量分值(分值越高代表人脸图像的质量越高),之后根据亮度数值并结合三个不同方向的模糊数值即空间域灰度模糊数值、频率域模糊数值和空间域纹理模糊数值针对影响人脸图像质量的主要问题对第一质量分值进行修正,最后得到表征人脸图像的最终质量分值,即第二质量分值,最后通过第二质量分值来评价人脸图像质量的好坏。这种采用盲/无参考图像空域质量评价算法结合亮度数值和三个不同方向的模糊数值对人脸图像的质量进行修正评价,不仅能够使得最终得到的表征人脸图像的最终质量分值更符合人们对人脸图像的直观评价,还能精确地刻画人脸图像的清晰程度,使得评价结果更加准确和可靠。
在使用百分制对人脸图像质量进行评价时,按照人们的评分习惯,当一张人脸图像质量的评价分值达到60及以上时,则认为被评价的人脸图像是较好的图像。但是,发明人在实际研究过程中发现,对于个别的比较模糊的人脸图像,第一质量分值Q1会出现大于60分的情况,这将降低人脸图像质量评价的准确率以及后续人脸图像的注册和识别。因此,为了将这类人脸图像的评价分值修正到60分以下,发明人通过比较、分析后对人脸图像的亮度和三个模糊数值确定了相应的阈值以及修正数值10,使得这类比较模糊的人脸图像修正后的第二质量分值Q2在60分以下,并且能够同时保证质量较好的人脸图像修正后的第二质量分值Q2在60分以上。
此外,在对人脸图像质量进行评价时,人脸图像的亮度对其对比度、模糊数值产生相应的影响,例如人脸图像的高亮度通常会提高其对比度,使人眼看到的人脸图像更清楚一些。
因此,本发明实施例中的修正公式根据亮度数值bright_p90来设置不同的模糊数值的阈值,能够更好的反映待评价的人脸图像的实际情况,消除光照对人脸图像模糊的影响,具体修正公式如下:
其中,Q1为第一质量分值,Q2为第二质量分值,q1、q2、q3为经验值常数,p1、p2为亮度数值的临界点,d1、d2、d3为空间域灰度模糊数值的临界点,f1、f2、f3为频率域模糊数值的临界点,b1、b2、b3为空间域纹理模糊数值的临界点,bright_p90为亮度数值,blur_svd为空间域灰度模糊数值,blur_fft_cdf为频率域模糊数值,blur_lbp为空间域纹理模糊数值。
d1、d2、d3、f1、f2、f3以及b1、b2、b3均与p1、p2的大小有关,p1>p2,d1>d2>d3,f1<f2<f3,b1≥b2≥b3。
本发明实施例中,q1、q2、q3可以选值为10,当p1=210,p2=170时,d1=-1.75,d2=-1.80,d3=-1.85,f1=-0.5,f2=-0.4,f3=-0.36,b1=b2=b3=0。
由此,修正公式可以写成以下具体形式:
当第二质量分值Q2大于60时,即可认为该待评价的人脸图像I是清晰的人脸图像,可以用于注册和识别。
本发明实施例中,第一质量分值计算模块30进一步为:
特征提取模块31:用于提取第一人脸图像的盲/无参考图像空域质量评价特征,即BRISQUE特征;
SVR回归算法模型模块32:用于将第一人脸图像的盲/无参考图像空域质量评价特征输入SVR回归算法模型计算得到表征待评价的人脸图像的质量的第一质量分值;
其中,SVR回归算法模型模块为利用LIVE图像质量评价数据库中的图像和多张已标注质量分值的人脸图像进行回归训练得到。
综上,本发明实施例采用盲/无参考图像空域质量评价算法结合亮度数值和三个不同方向的模糊数值,提出了一个更为实际和准确的人脸图像质量的评价装置,能够对人脸图像的质量进行精评价,使得评价结果更加准确和可靠。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。