人臉圖像質(zhì)量檢測(cè)算法的原理及在小區(qū)人臉識(shí)別閘機(jī)中的應(yīng)用

作為生物識(shí)別技術(shù)的一種，搭載人臉識(shí)別功能的各類智能化產(chǎn)品已應(yīng)用得非常普遍。但從產(chǎn)品體驗(yàn)而言，用戶的感受卻不盡相同。比如有能夠在自行車騎行狀態(tài)下，無需下車實(shí)現(xiàn)快速無感通行的小區(qū)人臉識(shí)別閘機(jī)。同時(shí)也會(huì)在使用部分產(chǎn)品時(shí)，遇到多次識(shí)別不通過、站在原處不停變換人臉角度等待識(shí)別通過的尷尬。

造成這一差距，除了算法自身魯棒性和性能之外，由于模糊、遮擋、大角度、逆光暗光等復(fù)雜環(huán)境引起的人臉圖像質(zhì)量問題也會(huì)導(dǎo)致人臉識(shí)別準(zhǔn)確率過低，需要多次重復(fù)識(shí)別才能成功，從而整體耗時(shí)被大大拉長(zhǎng)。

我們知道當(dāng)圖像質(zhì)量越差，那么人臉識(shí)別的準(zhǔn)確率就越低。如果可以將人臉圖像進(jìn)行標(biāo)準(zhǔn)化評(píng)估，去除低質(zhì)量圖片，將篩選后質(zhì)量符合標(biāo)準(zhǔn)的圖像才送往下一個(gè)流程中，那么識(shí)別效率將大大提升。這就是實(shí)現(xiàn)人臉識(shí)別無感通行的一項(xiàng)重要技術(shù)——圖像質(zhì)量檢測(cè)算法（FQ），《從零學(xué)習(xí)人臉識(shí)別》系列公開課第六期就對(duì)該算法進(jìn)行了詳細(xì)介紹。

人臉圖像質(zhì)量檢測(cè)算法的原理

與人臉識(shí)別一樣，圖像質(zhì)量檢測(cè)算法（FQ）也是基于特征提取原理，通過神經(jīng)網(wǎng)絡(luò)從海量數(shù)據(jù)中學(xué)習(xí)獲取人臉質(zhì)量檢測(cè)關(guān)注的特征（主要包括光線、模糊、角度、遮擋、表情、噪聲等）并進(jìn)行質(zhì)量判斷。每個(gè)特征以特定的數(shù)值來表示，比如下圖的人臉特征向量為（0，1，0，1，1），即強(qiáng)光、中度模糊、中等遮擋、大角度、大表情。

當(dāng)然，這個(gè)特征向量可以無限擴(kuò)充，將特征的描述越細(xì)致，特征向量就越精確，光線可以增加暗光、低光，模糊可以增加輕微模糊、中等模糊。以虹軟視覺開放平臺(tái)的圖像質(zhì)量檢測(cè)算法為例，在噪聲特征中甚至可以擴(kuò)充到六十四位以上的特征。

在提取特征向量后，各張人臉圖片的特征雜亂無序地分布在向量空間里。此時(shí)，通過對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，質(zhì)量好的樣本盡可能聚集在中間，而不好的被推離。最后根據(jù)計(jì)算樣本到圈中心的距離，得到一個(gè)質(zhì)量分?jǐn)?shù)。

每個(gè)特征對(duì)質(zhì)量分?jǐn)?shù)的影響各不相同，我們需要根據(jù)各自業(yè)務(wù)需求設(shè)定相應(yīng)的閾值，F(xiàn)Q會(huì)將低于設(shè)定閾值的低質(zhì)量圖像過濾，從而確保輸送到后面人臉識(shí)別環(huán)節(jié)的圖像質(zhì)量都是比較好的。

人臉圖像質(zhì)量檢測(cè)算法的經(jīng)典應(yīng)用

將人臉質(zhì)量檢測(cè)放到真實(shí)的使用場(chǎng)景中，情況會(huì)怎么樣？以下是基于，包含人臉檢測(cè)、活體檢測(cè)、人臉比對(duì)、人證比對(duì)等一系列功能在內(nèi)的虹軟視覺開放平臺(tái)免費(fèi)、離線SDK？ArcFace，所開發(fā)的智能辦公刷臉門禁。

一名用戶從遠(yuǎn)處走來，由于距離原因，系統(tǒng)首先捕捉到的是比較模糊的人臉圖像。而后，F(xiàn)Q算法會(huì)自動(dòng)進(jìn)行判斷，由于質(zhì)量過低該圖像會(huì)被拒絕送往下一個(gè)識(shí)別環(huán)節(jié)中。隨后系統(tǒng)會(huì)繼續(xù)捕捉，直到一張質(zhì)量較好的人臉圖像被送往識(shí)別并成功。整個(gè)過程用戶無需刻意停留等待，即可一次完成人臉識(shí)別。

而如果在沒有加入FQ算法的情況下，首次捕捉到的模糊照片被送入下一個(gè)人臉識(shí)別環(huán)節(jié)中。當(dāng)這張人臉圖片在識(shí)別失敗后，系統(tǒng)就需要再捕捉一張圖片，進(jìn)行第二次識(shí)別、甚至第三次識(shí)別。如此，用戶基本將難以實(shí)現(xiàn)無感快速通行。

從對(duì)比實(shí)驗(yàn)中，所感受到的差異就已經(jīng)非常明顯，如下圖所示：相比沒有FQ的情況，增加了FQ的人臉識(shí)別系統(tǒng)每個(gè)環(huán)節(jié)耗時(shí)平均減少約30%。

同樣，在批量進(jìn)行人臉識(shí)別底庫(kù)注冊(cè)時(shí)，往往會(huì)有上萬張圖片。普通的人工篩選，很難完成圖像質(zhì)量檢測(cè)。而FQ算法可以快速完成篩選，讓人臉識(shí)別從底庫(kù)的特征值開始就更加準(zhǔn)確。

作為一款輔助算法，我們?cè)谶x型時(shí)要更多地考慮整體，F(xiàn)Q不能占用太大空間和耗時(shí)。比如上面“智能辦公刷臉門禁”實(shí)驗(yàn)中選擇的虹軟視覺開放平臺(tái)所開發(fā)的FQ算法，其模型小，能在確保精度的前提下盡可能提升檢測(cè)速度。

此外需要注意的是，不同項(xiàng)目、不同環(huán)境對(duì)質(zhì)量好的定義各有不同。比如公司刷臉門禁和*密實(shí)驗(yàn)室的刷臉門禁，兩者對(duì)攝像頭成像效果的定義當(dāng)然就有所區(qū)別。這時(shí)候，開發(fā)者就得根據(jù)不同項(xiàng)目需求進(jìn)行攝像頭的單獨(dú)調(diào)參，從而分支出不同場(chǎng)景的版本。

責(zé)任編輯：gt