人脸图像质量评价共34页文档

画像评估汇报材料
本次评估汇报主要针对以下几个方面展开分析：
1. 图像质量评估：
在对所提供的图片进行质量评估时，我们考虑了以下几个因素：- 清晰度：评估图像的边缘清晰度和细节可见度。

- 色彩准确性：评估图像的色彩准确性和饱和度。

- 噪点和失真：评估图像中是否存在噪点和失真。

- 曝光度：评估图像的曝光度是否适当。

2. 内容与主题：
对于所提供的图片，我们对图像的内容和主题进行了评估。

- 内容：评估图像中的对象、背景以及其他细节内容。

- 主题：评估图像所传达的主题、情绪或故事。

3. 拍摄角度和构图：
我们对图片的拍摄角度和构图进行了评估。

这包括以下几个方面：
- 角度：评估图像的拍摄角度，如俯拍、仰拍、侧拍等。

- 构图：评估图像的构图方式，如对称构图、三分构图等。

4. 创意与独特性：
我们评估了图片中的创意和独特性，考虑了以下几个因素：
- 创新性：评估图像中的创新和独特的视觉表现方式。

- 独特性：评估图像在整体中的独特性和与其他图像的差异性。

5. 整体印象：
最后，我们对每张图像给出了整体印象评估，该评估是基于以上几个方面综合考虑的结果。

请注意，由于不提供具体图片，我们无法提供具体评估结果。

以上是针对图像评估的一般性汇报内容。

人脸识别准确率评估说明人脸识别技术是通过对人脸图像进行分析和处理，将其与数据库中的人脸图像进行比对，从而对人脸进行身份认证或者身份识别的一种技术手段。

随着科技的发展，人脸识别技术在安防领域、金融领域以及社会服务领域等得到了广泛的应用。

为了评估人脸识别的准确率，可以从以下几个方面进行说明。

首先，人脸识别准确率的评估需要建立一个合适的评估指标体系。

人脸识别准确率可以通过计算以下几个指标来进行评估：一是识别率，即正确识别出的人脸图像数量占总测试图像数量的比例；二是误识率，即错误识别为其他人的人脸图像数量占总测试图像数量的比例；三是漏识率，即未能正确识别出的人脸图像数量占总测试图像数量的比例。

通过对这些指标的计算和分析可以得出人脸识别系统的准确率。

其次，在进行人脸识别准确率评估时需要选择合适的评估数据集。

评估数据集应该具备代表性，包含大量不同角度、光照条件、表情和年龄等因素的人脸图像。

这样可以更加真实地测试人脸识别系统在实际应用中的准确率。

同时，评估数据集应该包含一定数量的正面人脸图像和侧面人脸图像，以检验人脸识别系统对不同姿态的识别能力。

第三，人脸识别准确率评估需要借助一些评估工具和方法。

可以使用ROC曲线（Receiver Operating Characteristic curve）来评估人脸识别的准确率。

ROC曲线是以误识率为横轴，识别率为纵轴来绘制的一条曲线，可以反映出在不同误识率下的人脸识别准确率。

另外，还可以使用PR曲线（Precision-Recallcurve）来评估人脸识别的准确率。

PR曲线是以漏识率为横轴，精确率为纵轴来绘制的一条曲线，可以反映出在不同漏识率下的人脸识别准确率。

最后，在评估人脸识别准确率时还需要考虑系统环境因素的影响。

环境因素包括光照条件、摄像头的分辨率、人脸图像的质量等。

这些因素都可能对人脸识别的准确率产生一定的影响。

为了准确评估人脸识别的准确率，需要在评估时尽可能模拟真实环境，包括不同光照条件的变化和不同摄像头分辨率的变化等。

求出归一化后的脸部矩形中心坐标（x,y)到人脸图 像中心的距离d。
2.
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
1. 2.
3.
计算人脸大小评价系数λ3
人脸图像质量标准——ISO/IEC 19794-5
不同质量图像示例
影响人脸图像质量的三个主要因素
模糊 (out of focus) 非正面图像 (non-frontal posture)
???
侧面照明 (side lighting)
符合ISO/IEC 19794-5标准的标准人脸图像
人脸图像质量评价算法介绍 ——多指标评价法[1]
（6）图像清晰度评价算法
1. 2.
输入图像序列 用sobel算子分别求出0，45，90，135度方向的 边缘图像
3. 4. 5. 6.
求图像的
合成边缘强度
求合成边缘图像的平均图像 分别求 和 的平均值 和
计算图像清晰度评价系数
（7）评价指标综合
1. 2.
若λ1=0，则score=0。 若λ1≠0，则
人脸图像质量评价算法介绍 ——多指标评价法[1]

优点： 在传统质量评价指标上，结合人脸特征信息进 行综合评价，基本上符合人眼视觉系统(HVS)感 受，有不错的准确率和正确率，工程应用广泛， 有很多变形运用 缺点： 各评价指标的权重系统难以确定，须在大数据 库中进行调整

人脸图像质量评价算法介绍 ——人脸对称法[2，3]
score=w1*λ1+w2*λ2+w3*λ3+w4*λ4+w5*λ5+w6* λ6

超声科图像质量评价评分标准细则附表(一)1.图像清晰度（10分）(一副图像显示不清晰扣1分）2.图像均匀性（10分）（一副图像不均匀扣1分）3.超声切面标准性（10分）（一副图像不标准扣1分，漏一个常规切面扣2分）4.伪相识别（10分）（缺伪像图像相关图像扣5分）5.彩色血流显示情况（10分）（缺规定血流图像一副扣2分）6．图像于超声报告相关性（10分）（缺报告相关性常规切面图像一副扣1分）7.图像有无斑点、雪花细粒、网纹（10分）（一副图像有斑点、雪花细粒、网纹扣1分）8.图像与临床疾病相关性（10分）（报告所选图像与疾病相关性无关扣5分）9.探测深度（要占1/2以上）（10分）（一副图像未达到1/2扣1分）10.工作频率与脏器相关性（10分）（一副图像工作频率与脏器相关性不符扣1分）超声科图像质量评价评分标准1.图像清晰度10分2.图像均匀性10分3.超声切面标准性10分4.伪相识别10分5.图像与报告相关性10分6.彩色血流显示情况10分7.图像有无斑点、雪花细粒、网文10分8.图像与临床疾病相关性10分9.探测深度（要占1/2以上）10分10.工作频率与脏器相关性10分超声科图像质量评价细则附表（二）按照超声科常规切面操作规范规定细则如下：1. 肝脏：正常肝脏6个切面（第一肝门，门静脉二维图像，门静脉血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像，肝左叶图像）。

异常肝脏8个切面（第一肝门，门静脉二维图像，门静脉血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像，肝左叶图像，异常部位二维及彩色）2. 胆囊：正常1个切面（显示胆囊颈部，胆囊底部）异常2个切面（显示胆囊颈部+胆囊底部，异常部位图像）3. 胰腺：正常2个切面（胰腺的二维+彩色血流图像，显示胰头，胰体，胰尾，）4. 异常3个切面（胰头，胰体，胰尾，胰腺彩色血流图像）5.脾脏：正常2个切面（脾脏全长及脾门彩色血流图像）异常3个切面（脾脏全长切面，异常二维及彩色血流图像）5.泌尿系统：正常双肾2个切面（肾脏纵切面二维及彩色血流图像）异常双肾4个切面（肾脏纵切面二维及彩色血流图像，异常部位二维及彩色）6.膀胱：正常2个切面（膀胱三角，膀胱底部）异常4个切面（膀胱三角，膀胱底部，异常部位二维及彩色）7.前列腺：正常3个切面（前列腺纵切面，前列腺横切面，前列腺彩色血流图像）异常4个切面（前列腺纵切面，前列腺横切面，前列腺异常部位彩色血流图像）经直肠检查前列腺：4个切面（前列腺纵切面，前列腺横切面，正常及异常前列腺彩色血流图像）8睾丸：正常4个切面（睾丸纵切面，睾丸横切面，附睾纵切面，双侧精索静脉彩色血流情况）异常7个切面（睾丸纵切面，睾丸横切面+睾丸血流，附睾纵切面横切面，双侧精索静脉彩色血流情况，异常部位的二维及彩色）9.妇科子宫：正常7个切面（子宫纵切面，子宫横切面，子宫彩色多普勒，左侧卵巢二维切面+彩色，右侧卵巢二维切面+彩色。

[1]

基本思想： 通过对图像的对比度、明亮度、清晰度和图像中人脸 位置信息等多种评价指标来综合评价人脸图像质量， 得出各自的评价系数(O～1.0)。然后再通过各系数所 占的权重(l ～100)进行加权计算。最后得出每幅图的 评价得分，从而选出质量最佳的图像。
人脸大小、 位置、角 度评价 人脸图像对 比度、清晰 度评价
求出归一化后的脸部矩形中心坐标（x,y)到人脸图 像中心的距离d。
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
1. 2.
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
3.
计算人脸大小评价系数λ3
（4）图像对比度评价算法
1.
输入双眼坐标，若 双眼坐标不在图像之内，直 接令其评价系数λ1=0.
2.
根据双眼坐标判断人脸矩形是否超出人脸图像 外，若超出令评价系数λ1=0.
根据双眼坐标求出人脸矩形面积S，若小于某个 阈值，则置λ1=0. 计算人脸大小评价系数
3.
4.
（2）人脸位置评价算法
1.
2.
输入双眼坐标，求出脸部矩形的中心坐标(x,y)
（6）图像清晰度评价算法


清晰度是人们从主观上描述图像质量的感受。 从频域的角度看．当一幅图像的高频分量不足 时，通常表现为模糊;而高频分量过多时又会 表现为粗糙。 大量的理论与实验都表明，相对平滑区域和纹 理区域、边缘在图像中识别物体时起着非常重 要的作用，图像的可视性也受到边缘区域发生 频率的影响。因此在计算图像清晰度时，特别 要重视图像中边缘区域的清晰程度对全图清晰 度的影响。

超声科图像质量评价评分标准细则附表（一)1。

图像清晰度（10分）(一副图像显示不清晰扣1分)2。

图像均匀性(10分)（一副图像不均匀扣1分)3.超声切面标准性（10分）（一副图像不标准扣1分,漏一个常规切面扣2分）4。

伪相识别（10分）（缺伪像图像相关图像扣5分)5.彩色血流显示情况(10分）（缺规定血流图像一副扣2分）6．图像于超声报告相关性（10分）(缺报告相关性常规切面图像一副扣1分）7.图像有无斑点、雪花细粒、网纹（10分)（一副图像有斑点、雪花细粒、网纹扣1分）8。

图像与临床疾病相关性（10分）（报告所选图像与疾病相关性无关扣5分）9.探测深度(要占1/2以上）（10分)（一副图像未达到1/2扣1分）10.工作频率与脏器相关性(10分）（一副图像工作频率与脏器相关性不符扣1分）超声科图像质量评价评分标准1。

图像清晰度10分2。

图像均匀性10分3。

超声切面标准性10分4.伪相识别10分5。

图像与报告相关性10分6.彩色血流显示情况10分7。

图像有无斑点、雪花细粒、网文10分8。

图像与临床疾病相关性10分9。

探测深度（要占1/2以上) 10分10。

工作频率与脏器相关性10分超声科图像质量评价细则附表(二）按照超声科常规切面操作规范规定细则如下：1. 肝脏：正常肝脏6个切面（第一肝门，门静脉二维图像，门静脉血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像,肝左叶图像）。

异常肝脏8个切面（第一肝门，门静脉二维图像，门静脉血流频谱图像并有测值，第二肝门图像，肝脏工字状结构图像，肝左叶图像，异常部位二维及彩色）2. 胆囊：正常1个切面（显示胆囊颈部，胆囊底部）异常2个切面（显示胆囊颈部+胆囊底部,异常部位图像）3。

胰腺：正常2个切面（胰腺的二维+彩色血流图像，显示胰头，胰体,胰尾，）4. 异常3个切面(胰头，胰体,胰尾,胰腺彩色血流图像）5。

脾脏：正常2个切面（脾脏全长及脾门彩色血流图像）异常3个切面（脾脏全长切面，异常二维及彩色血流图像）5。

图4 加入质量评价系统后的人脸识别框图
对人脸图像质量评估算法而言，输入是一幅人脸图像，，输出是相应的质量分数Q(I)，质量分数可以是一个标量或者向量，例如，标量可以是最终的人脸质量分数Q(I)，向量可以
是由各个方面的质量分数组成。
4
（1）多指标评价方法【1】：
通过对图像的对比度、明亮度、清晰度和图像中人脸位置信息的多种评价指标来综合评价人脸图像质量的新方法(图1)，通过实验验证了这种方法的有效性。
一般意义上的图像质量评价主要关注：相对于原始图像，如何对一幅复原图像进行质量评价。与此不同，人脸图像质量评价是研究如何从一组几乎是同时拍摄的图像群中，通过图像质量评价，筛选较为合适的样本用于识别，这无疑会提高自动人脸识别系统的准确率。
即使样本数目有限，也可以依据质量评价结果来选用相应的图像预处理方法来提高识别率。另外，根据人脸图像的质量情况来调整分类器的阈值或其它参数能有效地降低别的实用性能。可见，在自动人脸识别系统中引入人脸图像质量评价环节是一条推动人脸识别实用化的重要途径。
人脸图像质量评价方法
1
人脸识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注[1-4]。然而，也正因为追求“无须配合”的实施效果，导致了人脸图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。采用低质量的人脸图像进行人脸识别，必然会导致识别准确率的下降[2, 4]。而长期以来，人脸识别的研究大都是基于预先准备好的图像质量一般较高的人脸库的，这与现实应用情况有很大的不同。因此尽管实验测试中的人脸识别准确率已经相当之高，然而在实际应用中的表现却并不尽如人意。为此，近年来有不少研究者开始着手于研究对各种不同质量人脸图像足够鲁棒的人脸识别技术，目前虽已取得了很大的进展，但离实用仍有一些差距。一方面，由于处理低质量图像而被引入的额外手段往往十分复杂，会大大增加人脸识别系统的复杂度，使得人脸识别耗费时间更长――这对于多数实际应用是不可接受的；另一方面，不受图像样本因素影响的人脸识别算法是难以获得的。因此，我们必须研究新的解决方法。

图像质量评价标准|一、评价参数( 一) 对比度1、客观对比度: 物体本身的差异, 由被检体的密度和厚度决定。

2、 x线对比度: 穿过人体后, x线强度上的差异。

3、图像对比度: x线照片上所表现出的密度差。

客观对比度是成像的基础, 图像对比度是图像的最基本特征。

下图很好的说明了以上三个对比度:1、客观对比度: 骨骼、软组织、气体存在密度上的差别。

2、 X线对比度: 透过不同组织形成的X线强度上的差别。

3、图像对比度: 图像上形成的黑白差别。

对比度分辨率是指将客观对比度转换成图像对比度的能力。

分辨率高的成像装置可将低对比的组织区分开; 分辨率低的成像装置只能将高对比的组织区分开。

例如: CT与平片。

左图是普通平片, 属于分辨率低的装置( X线机) 摄取的片子; 右图是胸部CT横断片, 属于高分辨率的装置( CT机) 摄取的片子。

对低对比的组织的区分能力, CT高于平片( 即分辨率高的成像装置可将低对比的组织区分开) , 而平片只能区分差别较大组织( 即分辨率低的成像装置只能将高对比的组织区分开) 。

( 二) 模糊1、指物体的边界不清楚。

2、原因: 每个物点的像向周围有不同程度的扩展。

3、影响: 降低了图像的清晰度。

空间分辨率: 区分相互靠近的两个物体细节的能力。

用LP/mm表示。

是评价影像设备性能优劣的重要指标。

以下是电影《神话》的一幅海报, 表现的是图像的模糊。

下图是一幅分辨率较高的图片, 图像较清晰。

( 三) 噪声1、定义: 图像中可随机观察到的光密度变化。

2、表现为: 斑点、雪花、网纹等。

3、原因: x线光子的随机分布。

4、描述: 信噪比( SNR) 。

SNR越大, 图像质量越好。

( 四) 伪影1、定义: 指图像中出现的被检体不存在的虚假信息。

2、影响: 干扰正常结构, 造成误诊。

( 五) 畸变定义: 指物体的形态、大小和位置不同程度的改变。

( 1) 因观察角度不同, 圆柱体的上面成为了椭圆。

基于人脸识别的人脸图像质量评估作者：王怀斌王海涛高凌飞张鲁洋王海龙来源：《计算技术与自动化》2021年第03期摘要：無约束场景下，低质量的人脸图像不仅浪费计算资源而且降低系统识别率。

针对此问题，提出一种基于人脸识别的人脸质量评估方法对人脸图像进行预评估。

以人脸识别系统特征提取网络为基础网络在COX数据集上进行微调，并使用微调后网络对COX数据集进行质量分数标定。

最后，结合基础网络及质量预测网络并以相应损失函数在标定数据上进行回归学习以获取质量评估模型。

实验结果表明，该方法能够有效区分不同质量的人脸图像并提升人脸识别系统性能。

关键词：人脸质量评估;质量标定;人脸图像;人脸识别Abstract：In unconstrained scenarios， low quality face images not only waste computing resources but also reduce the recognition rate of the system. To solve this problem， a face quality assessment method based on face recognition is proposed to pre-evaluate face images. The feature extraction network in the face recognition system is used as the basic network and the COX dataset is fine-tuned. Then the COX dataset is annotated with the quality score by the fine-tuned network. Finally， the basic network and the quality prediction network are combined and the corresponding loss function is used to conduct regression learning on the labeled data to obtain the quality evaluation model. Experimental results show that this method can effectively distinguish different quality face images and improve the performance of face recognition system.Key words：face quality assessment; quality calibration; face image; face recognition目前人脸识别系统已广泛的应用在生产生活当中，其准确率和可靠性越来越高。