作為生物識別技術(shù)的一種，搭載人臉識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，無需下車實現(xiàn)快速無感通行的小區(qū)人臉識別閘機。同時也會在使用部分產(chǎn)品時，遇到多次識別不通過、站在原處不停變換人臉角度等待識別通過的尷尬。
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)量問題也會導(dǎo)致人臉識別準(zhǔn)確率過低，需要多次重復(fù)識別才能成功，從而整體耗時被大大拉長。
我們知道當(dāng)圖像質(zhì)量越差，那么人臉識別的準(zhǔn)確率就越低。如果可以將人臉圖像進行標(biāo)準(zhǔn)化評估，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流程中，那么識別效率將大大提升。這就是實現(xiàn)人臉識別無感通行的一項重要技術(shù)——圖像質(zhì)量檢測算法（FQ），《從零學(xué)習(xí)人臉識別》系列公開課第六期就對該算法進行了詳細介紹。
人臉圖像質(zhì)量檢測算法的原理
與人臉識別一樣，圖像質(zhì)量檢測算法（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）并進行質(zhì)量判斷。每個特征以特定的數(shù)值來表示，比如下圖的人臉特征向量為（0，1，0，1，1），即強光、中度模糊、中等遮擋、大角度、大表情。
當(dāng)然，這個特征向量可以無限擴充，將特征的描述越細致，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的圖像質(zhì)量檢測算法為例，在噪聲特征中甚至可以擴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，通過對數(shù)據(jù)進行學(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)計算樣本到圈中心的距離，得到一個質(zhì)量分?jǐn)?shù)。
每個特征對質(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)量檢測算法的經(jīng)典應(yīng)用
將人臉質(zhì)量檢測放到真實的使用場景中，情況會怎么樣？以下是基于，包含人臉檢測、活體檢測、人臉比對、人證比對等一系列功能在內(nèi)的虹軟視覺開放平臺免費、離線SDK ArcFace，所開發(fā)的智能辦公刷臉門禁。
一名用戶從遠處走來，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算法會自動進行判斷，由于質(zhì)量過低該圖像會被拒絕送往下一個識別環(huán)節(jié)中。隨后系統(tǒng)會繼續(xù)捕捉，直到一張質(zhì)量較好的人臉圖像被送往識別并成功。整個過程用戶無需刻意停留等待，即可一次完成人臉識別。
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人臉識別環(huán)節(jié)中。當(dāng)這張人臉圖片在識別失敗后，系統(tǒng)就需要再捕捉一張圖片，進行第二次識別、甚至第三次識別。如此，用戶基本將難以實現(xiàn)無感快速通行。
從對比實驗中，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的人臉識別系統(tǒng)每個環(huán)節(jié)耗時平均減少約30％。
同樣，在批量進行人臉識別底庫注冊時，往往會有上萬張圖片。普通的人工篩選，很難完成圖像質(zhì)量檢測。而FQ算法可以快速完成篩選，讓人臉識別從底庫的特征值開始就更加準(zhǔn)確。
作為一款輔助算法，我們在選型時要更多地考慮整體，F(xiàn)Q不能占用太大空間和耗時。比如上面“智能辦公刷臉門禁”實驗中選擇的虹軟視覺開放平臺所開發(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速度。
此外需要注意的是，不同項目、不同環(huán)境對質(zhì)量好的定義各有不同。比如公司刷臉門禁和絕密實驗室的刷臉門禁，兩者對攝像頭成像效果的定義當(dāng)然就有所區(qū)別。這時候，開發(fā)者就得根據(jù)不同項目需求進行攝像頭的單獨調(diào)參，從而分支出不同場景的版本。
其他關(guān)于人臉質(zhì)量檢測的相關(guān)問題， 第六期“虹軟視覺開放平臺人臉公開課”都有具體解答，感興趣的開發(fā)者朋友可以點擊下方鏈接觀看完整視頻?；蛘咦孕兴阉鳌昂畿浺曈X開放平臺人臉公開課”，隨時可以學(xué)習(xí)。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
