目前，对人脸的品质评估可大致分为主观评价和客观评价[22]，其中，主观评价 方式需要人工对采集图像进行主观判断，这种方式虽然可以有效利用人类的视觉提升

准确率，但由于人工操作的局限性，主观评价显然在许多场合并不适应，相比之下， 自动化的客观评价效率更高，因此，实际评估时多采用客观评价，目前的研究方向也 多集中于此。 

针对客观评价，国际上对于评价所用图像已有成文规定，如国际化组织在 2005 年 通过的 ISO/IEC 19794-5 标准。其中对图像的大小，清晰度，对比度，拍摄方式，拍 摄时的光源位置与光照条件，拍摄对象穿戴，表情，姿态等都做了详细的要求。针对 这些要求，研究人员们提出了多种品质评估的方式。 68525

很多研究者使用了光照归一化的方式来提高准确率[18]，[19]，但是在图像光照 条件良好的情况下，对图像进行光照归一化可能会导致新的不精确出现[11]。因此， 研究者试图通过某些量化的能客观体现图像品质的指标，对图像的品质进行评估，以 决定是否对其进行归一化，在 Sellahewa 和 Jassim 的研究中[12]，[13]，他们通过 对基于小波的方案应用基于品质的自适应方法，引入普通品质指数，全局品质指数， 局部品质指数等参数，来衡量一幅图像在某个或多个特定方面的品质，从而决定是否 应该对该图像进行光照归一化。其实验结果向我们证明了，在考虑到图像本身的光照 条件的情况下来决定是否归一化，会得到比传统的光照归一化更好的效果和更高的精 确度。 而对姿态和表情的处理则是更加复杂的一个问题，在采集的图像中，采集对象 的姿态，眼睛和嘴巴的开合，都会影响图像的品质，从而影响精确度，相比光照的量 化指标数量论文网，对姿态和表情的处理涉及到的因素更多，因此所需的指标也更多，在[17] 中，Long 等研究人员采用分析嘴唇，上下眼皮间距离，以及双眼距离等方法，判断人 的表情状态及头部姿态，得出量化的品质指标，并与光照等其它品质指标综合，从而 对图像品质做出评估。这种针对距离上的几何特征的评估方式也是目前比较常用且容 易实现的对姿态的评估方式之一。 

参 考 文 献

[1] Turk, Matthew, and Alex Pentland. "Eigenfaces for recognition." Journal of cognitive neuroscience 3(1), 1991: 71-86.  

[2] Belhumeur, Peter N., João P. Hespanha, and David Kriegman. "Eigenfaces vs. fisherfaces: Recognition using  class specific linear projection.", IEEE Trans.Pattern Analysis and Machine Intelligence,19(7), 1997: 711-720.  

[3] Kearns, Michael, and Leslie Valiant. "Cryptographic limitations on learning Boolean formulae and finite automata." Journal of the ACM (JACM) 41(1), 1994: 67-95.  

[4] Freund, Yoav, and Robert E. Schapire. "A desicion-theoretic generalization of on-line learning and an application to boosting." Computational learning theory. Springer Berlin Heidelberg, 1995. 

[5] P. Viola, M. Jones. Rapid object detection using a boosted cascade of simple features[C]. In Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1(1), 2001: 511-518.  

[6] P.Viola,and M.J.Jones, “ Robust real-time face detection, ” International Journal of Computer Vision, 57(2), May, 2004: 137- 154.  

[7] Georghiades, Athinodoros S., Peter N. Belhumeur, and David Kriegman. "From few to many: Illumination cone models for face recognition under variable lighting and pose." IEEE Trans.Pattern Analysis and Machine Intelligence, 23(6), 2001: 643-660.