基于級聯SVM的無參考人臉圖像質量評價系統

李昆侖 熊婷 張炘 廖頻

關鍵詞： 級聯SVM; 人臉檢測; 圖像識別; 質量評價系統; 分類性能; 噪聲退化

中圖分類號： TN911.73?34; TM76 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ?文章編號： 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

隨著數字時代的到來和計算機技術的發展，人臉檢測與識別技術已被廣泛應用于各種身份確認場景[1]。然而實際應用中，受拍攝、傳輸和保存環境的影響，難以有效控制人臉圖像的質量，大幅降低了人臉識別的精度[2]。國內外研究者為了在數據源頭上提升人臉檢測與識別系統的性能，通過加入圖像質量評估環節來摒棄低質量的圖像，確保僅有高質量的圖像才能進入檢測系統[3?4]。

目前，主要有基于主觀感受和基于客觀標準的圖像質量評價方法[5]。其中，主觀質量評估方法是通過觀測者直接觀看并對測試圖像進行評判來給出具體分值的方法[6];客觀評估方法通過提取圖像的結構、紋理和細節等特征，并使用計算機技術評判圖像質量。客觀評價方法根據對原圖的依賴程度可以分為全參考圖像質量評價、半參考圖像質量評價和無參考圖像質量評價3種類型[7]。全參考圖像質量評價方法通過比較退化圖像與原始圖像間的相似程度對退化圖像評分;半參考圖像質量評價方法通過模擬圖像的退化模型來評估圖像質量，具有較差的通用性;無參考圖像質量評價方法在無參考圖像的基礎上，利用圖像的統計信息將圖像的退化過程疊加為一個退化系統來評估退化圖像的質量。

本文從人臉圖像分類性能出發，提出一種基于級聯SVM[8?10]無參考人臉圖像質量評價系統。根據人臉圖像的分類性能[11?12]對圖像進行評分，并可較好地對不同程度的模糊、光照不均及含噪聲退化的人臉圖像進行評價。

1 ?人臉圖像質量評價方法

本文提出的基于級聯SVM的無參考人臉圖像質量評價系統框架如圖1所示。首先從Multi?PIE數據庫中挑選出一個噪聲少、光照均勻、姿態端正和清晰的高質量人臉圖像子集Q;然后分別合成模糊、光照不均、姿態變化和含噪聲的降質人臉圖像;最后使用級聯SVM對人臉圖像進行分類，將分類性能作為人臉圖像質量評估值。

1.1 ?退化圖像合成

本文通過構建不同類型的降質圖像模型來獲得各種降質程度的模糊、光照不均和含噪聲的人臉圖像數據集。下面分別介紹各種降質模型及合成的人臉圖像。

1） 模糊降質模型。運動模糊的圖像是由單次曝光時間內不同位置傳感器在不同時刻的像素混疊形成的，其模糊范圍和領域形狀由運動屬性和曝光時間決定。運動模糊模型可以表示為：

[g（x，y）=0Tf（x-xm（t），y-ym（t））dt]

式中：[xm（t）]為原圖像在x方向上的運動分量;[ym（t）]為原圖像在y方向上的運動分量;T為曝光時間。對于勻速運動的圖像有[xm（t）=vxt]，[ym（t）=vyt]。通過改變x方向和y方向的運動速度[vx，vy]可以得到不同模糊程度的運動模糊圖像。

如圖2所示為本文合成的模糊圖像。其中，圖2a）～圖2c）為原始圖像，圖2d）～圖2f）為對應的運動模糊圖像。

2） 光照不均降質模型。光照不均即光照角度和光照條件的變化造成的偏光現象。本文通過將圖像的灰度直方圖壓縮到較狹窄的范圍，得到不同亮度的人臉圖像。如圖3所示為本文合成的光照不均圖像。其中，圖3a）～圖3c）為原始圖像，圖3d）～圖3f）為對應的光照不均圖像。

3） 噪聲降質模型。本文通過在清晰人臉圖像中添加高斯噪聲，來合成噪聲降質圖像。高斯噪聲模型如下：

[p（n）=12πσexp-n-μ22σ2]

式中：n為噪聲的幅值;[μ]和[σ]分別為噪聲期望與方差。如圖4所示為添加不同程度噪聲后得到的降質圖像。

1.2 ?級聯SVM分類

級聯SVM通過重復訓練多個SVM模型來提升目標檢測和分類的性能，本文通過構建級聯SVM對退化的人臉圖像進行分類以獲得圖像的評估分數。級聯SVM的訓練、構造流程如圖5所示。

2 ?測試與實驗結果

本文首先分別測試了在不同程度模糊（B1～B5），光照不均（L1～L5）和含噪聲（N1～N5）的人臉圖像數據集上，人臉圖像的分類性能及圖像質量評估值。其結果如表1所示。

從表1中可以看出，對于各種降質圖像本文評估方法得到的評估分數均較低。為了進一步驗證本文評估方法的有效性，本文使用下式所示的SROCC指標來計算本文算法評估結果是否與人眼評估結果一致。SROCC指標定義如下：

[SROCC=1-6i=1Nd2iN（N2-1）]

式中，d表示同一張人臉圖像使用不同評估方法得到的圖像質量分數的排名差。表2所示為使用PSNR，SSIM指標與本文評估指標的比較結果。從表中可看出，本文評估方法在各種數據集中均可獲得較高的評估精度。

3 ?結 ?語

本文提出一種基于級聯SVM的無參考人臉圖像質量評價系統。該系統將級聯SVM的輸出作為人臉圖像質量的評分依據，對圖像的分類性能進行評價。仿真測試與實驗結果表明，所提出的系統能較好地處理不同程度的模糊、光照不均和含噪聲退化的人臉圖像，相比于傳統的圖像質量評估方式能獲得更準確的評估分數。

參考文獻

[1] 王濤，王佰玲.非均勻光照條件下的彩色人臉圖像增強[J].計算機工程與應用，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] 呂風杰，信科.基于小波域峰態值的無參考噪聲圖像評價算法[J].計算機工程與應用，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] 樓申龍，虞中捷.基于FSIM和不同顏色模型的彩色圖像評價方法研究[J].電腦知識與技術，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] 張文娟，張麗麗，王艷紅.基于非局部結構張量的SSIM圖像質量評價方法[J].計算機應用研究，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] 李紅麗，馬耀鋒.基于多特征融合和混合核SVM的目標識別方法[J].沈陽工業大學學報，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，戴文戰.基于色彩感知的無參考圖像質量評價[J].儀器儀表學報，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，陳強，楊曦晨.無參考圖像質量評價[J].現代電子技術，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] 邊航，汪友生.基于遺傳算法和AdaboostSVM的人臉檢測算法[J].計算機與數字工程，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] 朱偉，黃湘鵬，杜瀚宇，等.基于ORBP和級聯分類的實時行人檢測算法[J].指揮信息系統與技術，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.基于級聯Adaboost和神經網絡主元分析算法的人臉檢測系統[J].科學技術與工程，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，李煬，馬蒙雨，等.基于LBP和SVM的人臉檢測[J].計算機技術與發展，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] 黃超，薄華.基于卷積神經網絡結合SVM的人臉識別研究[J].微型機與應用，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.