基于级联SVM的无参考人脸图像质量评价系统

李昆仑 熊婷 张炘 廖频

关键词： 级联SVM; 人脸检测; 图像识别; 质量评价系统; 分类性能; 噪声退化

中图分类号： TN911.73?34; TM76                  文献标识码： A                文章编号： 1004?373X（2018）24?0098?03

Non?reference face image quality evaluation system based on cascaded SVM

LI Kunlun1， XIONG Ting1， ZHANG Xin1， LIAO Pin2

（1. School of Science and Technology， Nanchang University， Nanchang 330029， China;

2. School of Information Engineering， Nanchang University， Nanchang 330029， China）

Abstract： In allusion to the problem that the low?quality face image seriously affects face detection and classification accuracy， a non?reference face image quality evaluation system based on cascaded SVM is proposed. The datasets of face images with different degrees of blur， uneven illumination and noise degradation are used to train the cascaded SVM according to the classification performance of face images. The output of the SVM is taken as the evaluation score of the image quality. The simulation test and experimental results show that the proposed system can deal with various degradation situations well， and obtain more accurate evaluation scores in comparison with the traditional image quality evaluation method.

Keywords： cascaded SVM; face detection; image recognition; quality evaluation system; classification performance; noise degradation

0  引  言

随着数字时代的到来和计算机技术的发展，人脸检测与识别技术已被广泛应用于各种身份确认场景[1]。然而实际应用中，受拍摄、传输和保存环境的影响，难以有效控制人脸图像的质量，大幅降低了人脸识别的精度[2]。国内外研究者为了在数据源头上提升人脸检测与识别系统的性能，通过加入图像质量评估环节来摒弃低质量的图像，确保仅有高质量的图像才能进入检测系统[3?4]。

目前，主要有基于主观感受和基于客观标准的图像质量评价方法[5]。其中，主观质量评估方法是通过观测者直接观看并对测试图像进行评判来给出具体分值的方法[6];客观评估方法通过提取图像的结构、纹理和细节等特征，并使用计算机技术评判图像质量。客观评价方法根据对原图的依赖程度可以分为全参考图像质量评价、半参考图像质量评价和无参考图像质量评价3种类型[7]。全参考图像质量评价方法通过比较退化图像与原始图像间的相似程度对退化图像评分;半参考图像质量评价方法通过模拟图像的退化模型来评估图像质量，具有较差的通用性;无参考图像质量评价方法在无参考图像的基础上，利用图像的统计信息将图像的退化过程叠加为一个退化系统来评估退化图像的质量。

本文从人脸图像分类性能出发，提出一种基于级联SVM[8?10]无参考人脸图像质量评价系统。根据人脸图像的分类性能[11?12]对图像进行评分，并可较好地对不同程度的模糊、光照不均及含噪声退化的人脸图像进行评价。

1  人脸图像质量评价方法

本文提出的基于级联SVM的无参考人脸图像质量评价系统框架如图1所示。首先从Multi?PIE数据库中挑选出一个噪声少、光照均匀、姿态端正和清晰的高质量人脸图像子集Q;然后分别合成模糊、光照不均、姿态变化和含噪声的降质人脸图像;最后使用级联SVM对人脸图像进行分类，将分类性能作为人脸图像质量评估值。

1.1  退化图像合成

本文通过构建不同类型的降质图像模型来获得各种降质程度的模糊、光照不均和含噪声的人脸图像数据集。下面分别介绍各种降质模型及合成的人脸图像。

1） 模糊降质模型。运动模糊的图像是由单次曝光时间内不同位置传感器在不同时刻的像素混叠形成的，其模糊范围和领域形状由运动属性和曝光时间决定。运动模糊模型可以表示为：

[g（x，y）=0Tf（x-xm（t），y-ym（t））dt]

式中：[xm（t）]为原图像在x方向上的运动分量;[ym（t）]为原图像在y方向上的运动分量;T为曝光时间。对于匀速运动的图像有[xm（t）=vxt]，[ym（t）=vyt]。通过改变x方向和y方向的运动速度[vx，vy]可以得到不同模糊程度的运动模糊图像。

如图2所示为本文合成的模糊图像。其中，图2a）～图2c）为原始图像，图2d）～图2f）为对应的运动模糊图像。

2） 光照不均降质模型。光照不均即光照角度和光照条件的变化造成的偏光现象。本文通过将图像的灰度直方图压缩到较狭窄的范围，得到不同亮度的人脸图像。如图3所示为本文合成的光照不均图像。其中，图3a）～图3c）为原始图像，图3d）～图3f）为对应的光照不均图像。

3） 噪声降质模型。本文通过在清晰人脸图像中添加高斯噪声，来合成噪声降质图像。高斯噪声模型如下：

[p（n）=12πσexp-n-μ22σ2]

式中：n为噪声的幅值;[μ]和[σ]分别为噪声期望与方差。如图4所示为添加不同程度噪声后得到的降质图像。

1.2  级联SVM分类

级联SVM通过重复训练多个SVM模型来提升目标检测和分类的性能，本文通过构建级联SVM对退化的人脸图像进行分类以获得图像的评估分数。级联SVM的训练、构造流程如图5所示。

2  测试与实验结果

本文首先分别测试了在不同程度模糊（B1～B5），光照不均（L1～L5）和含噪声（N1～N5）的人脸图像数据集上，人脸图像的分类性能及图像质量评估值。其结果如表1所示。

从表1中可以看出，对于各种降质图像本文评估方法得到的评估分数均较低。为了进一步验证本文评估方法的有效性，本文使用下式所示的SROCC指标来计算本文算法评估结果是否与人眼评估结果一致。SROCC指标定义如下：

[SROCC=1-6i=1Nd2iN（N2-1）]

式中，d表示同一张人脸图像使用不同评估方法得到的图像质量分数的排名差。表2所示为使用PSNR，SSIM指标与本文评估指标的比较结果。从表中可看出，本文评估方法在各种数据集中均可获得较高的评估精度。

3  结  语

本文提出一种基于级联SVM的无参考人脸图像质量评价系统。该系统将级联SVM的输出作为人脸图像质量的评分依据，对图像的分类性能进行评价。仿真测试与实验结果表明，所提出的系统能较好地处理不同程度的模糊、光照不均和含噪声退化的人脸图像，相比于传统的图像质量评估方式能获得更准确的评估分数。

参考文献

[1] 王涛，王佰玲.非均匀光照条件下的彩色人脸图像增强[J].计算机工程与应用，2017，53（5）：164?169.

WANG Tao， WANG Bailing. Enhancement method for color face image with non?uniform illumination [J]. Computer engineering and applications， 2017， 53（5）： 164?169.

[2] 吕风杰，信科.基于小波域峰态值的无参考噪声图像评价算法[J].计算机工程与应用，2017，53（7）：202?205.

L? Fengjie， XIN Ke. Blind noisy image quality assessment algorithm based on wavelet kurtosis [J]. Computer engineering and applications， 2017， 53（7）： 202?205.

[3] 楼申龙，虞中捷.基于FSIM和不同颜色模型的彩色图像评价方法研究[J].电脑知识与技术，2017， 13（7）：226?228.

LOU Shenlong， YU Zhongjie. The study of colored image quality assessment based on FSIM & diverse color models [J]. Computer knowledge and technology， 2017， 13（7）： 226?228.

[4] 张文娟，张丽丽，王艳红.基于非局部结构张量的SSIM图像质量评价方法[J].计算机应用研究，2017，34（10）：3162?3164.

ZHANG Wenjuan， ZHANG Lili， WANG Yanhong. SSIM image quality assessment based on nonlocal structure tensor [J]. Application research of computers， 2017， 34（10）： 3162?3164.

[5] 李红丽，马耀锋.基于多特征融合和混合核SVM的目标识别方法[J].沈阳工业大学学报，2018，40（4）：441?446.

LI Hongli， MA Yaofeng. Target recognition method based on multi?feature fusion and hybrid kernel SVM [J]. Journal of Shenyang University of Technology， 2018， 40（4）： 441?446.

[6] 李俊峰，方建良，戴文战.基于色彩感知的无参考图像质量评价[J].仪器仪表学报，2015，36（2）：339?350.

LI Junfeng， FANG Jianliang， DAI Wenzhan. No?reference image quality assessment based on color perception [J]. Chinese journal of scientific instrument， 2015， 36（2）： 339?350.

[7] 朱文斌，陈强，杨曦晨.无参考图像质量评价[J].现代电子技术，2015，38（18）：81?88.

ZHU Wenbin， CHEN Qiang， YANG Xichen. No?reference assessment algorithms for image quality [J]. Modern electronics technique， 2015， 38（18）： 81?88.

[8] 边航，汪友生.基于遗传算法和AdaboostSVM的人脸检测算法[J].计算机与数字工程，2017，45（7）：1407?1410.

BIAN Hang， WANG Yousheng. Face detection based on genetic algorithms and AdaboostSVM algorithm [J]. Computer and digital engineering， 2017， 45（7）： 1407?1410.

[9] 朱伟，黄湘鹏，杜瀚宇，等.基于ORBP和级联分类的实時行人检测算法[J].指挥信息系统与技术，2017，8（5）：104?108.

ZHU Wei， HUANG Xiangpeng， DU Hanyu， et al. Real?time pedestrian detection algorithm based on ORBP and cascade classifier [J]. Command information system and technology， 2017， 8（5）： 104?108.

[10] 李振雨，王好臣，王功亮，等.基于级联Adaboost和神经网络主元分析算法的人脸检测系统[J].科学技术与工程，2018，18（1）：280?286.

LI Zhenyu， WANG Haochen， WANG Gongliang， et al. Face detection system based on cascade′s algorithm of Adaboost and principal component analysis [J]. Science technology and engineering， 2018， 18（1）： 280?286.

[11] 翟社平，李炀，马蒙雨，等.基于LBP和SVM的人脸检测[J].计算机技术与发展，2017，27（9）：44?47.

ZHAI Sheping， LI Yang， MA Mengyu， et al. Face detection based on LBP and SVM [J]. Computer technology and development， 2017， 27（9）： 44?47.

[12] 黄超，薄华.基于卷积神经网络结合SVM的人脸识别研究[J].微型机与应用，2017，36（15）：56?58.

HUANG Chao， BO Hua. Study on face recognition based on CNN and SVM [J]. Microcomputer & its applications， 2017， 36（15）： 56?58.