视频人脸图像的品质检测算法(3)
和 ICAO 9303 ） 。在这些标准中，面部品质可分为图像特性 ( 如清晰度、对比度 、
压缩失真 ) 和面部特性 ( 如面部几何特征、姿态、眼部检测、光照角度 ) 。
基于上述标准 ， 很多图像和面部特性的分析方法被提出来 。 例如用树状多姿
态评估器来进行人脸姿态评估 ， 用模板匹配来进行面部校准 。 非对称性分析用来
同时评估两种情况：面外旋转和非正面光照。
既然人脸识别的表现受诸多因素同时影响，仅能检测一到两个有效特性 ， 对
强调鲁棒性的面部子集筛选显然不够 。 一种同时检测多种特性的方法是将对面部
特性和图像特性的检测融合起来 。 Nasrollahi and Moeslund[4]提出了一个将面外旋
转、锐度、光照和图像分辨率结合起来的加权特性融合方法。 Rua[5]
等人提出了
一个类似的品质评估方法，用到了非对称分析和双锐度检测。 Hsu[6]
等人提出通
过在多特性评分基础上学习融合参数来获得人脸匹配得分上的最大相关性 。 其他
人提出的融合方法 ， 用一个贝叶斯网络对各种特性 、 图像特征和匹配得分之间的
联系来建模。
一个被定义为 “ 理想化 ” 品质的通用模型同样可以检测多个品质特征 。 Luo
[7]提出了一个基于学习的方法 ， 其中品质模型被训练来和手工标记过的品质得分相
关联 。 另外一种办法是基于片段的面部品质评估算法 ， 旨在处理在监控条件下得
到的图像 。 通过基于片段的局部分析 ， 它量化了给定人脸和一个概率人脸模型之
间的相似性 ， 而该模型代表了 “ 理想化 ” 的人脸 。 不同于融合算法 ， 该算法对每
幅图像输出一个唯一的得分 ， 而这个得分同时反映了校准错误 、 姿态变化 、 阴影
和图像锐度（最低分辨率 ） ，而无需面部特征（如眼镜、鼻子、嘴巴）定位。
1.3 1.3 1.3 1.3 OpOpOpOp enCV enCV enCV enCV 概述概述概述概述OpenCV[ 8 ]
（ Open Source Computer Vision Library ）是英特尔开源计算机
视觉库 。 OpenCV 采用 C/C++ 语言编写 ， 可以运行于 Linux/Windows/Mac 等操作系
统上，还提供了 Python 、 Ruby 、 Matlab 以及其他语言的接口。
OpenCV 包含了几百个图像处理和计算机视觉方面的 C 语言函数和一些 C++
类 ， 实现了许多流行的图像处理和计算机视觉算法 。 应用 OpenCV 可以大大简化
图像处理与计算机视觉程序设计工作，提高软件开发效率。 OpenCV 的目标是形
成一个易于使用的图像处理和 计算机视觉软件开发包，来解决该领域的一些共
性问题 。 OpenCV 具有跨平台 、 免费 、 速度快 、 易于使用的特点 ， 提供了透明的
IPP （ Integrated Performance Primitives ）接口，能够基于 Intel 处理器进
行性能优化。
1.4 1.4 1.4 1.4 本文主要研究工作 本文主要研究工作 本文主要研究工作 本文主要研究工作
本文介绍了 ISO/IEC CD 19794-5 的人脸图像标准以及当前主要的人脸图像品
质评估算法 ， 并对其中两种算法进行改进融合提出了改进后的人脸图像品质评估
算法 ， 该算法兼顾了面部特征和图像特征 ， 给出人脸图像的百分制得分 ， 实验证
明，实验得出的结果与人的视觉感受基本一致。
本文余下部分的结构如下：
在第二章中 ， 首先研究了影响人脸品质评估的主要因素 ， 其次阐述了人脸图
像品质评估与传统的图像品质评估的不同，最后介绍了 ISO/IEC CD 19794-5 的
人脸图像标准。在第三章中 ， 首先对当前主要的人脸品质评估方法进行介绍 ， 对其中前两个