本文链接:https://blog.csdn.net/Chunying27/article/details/52788036
Patch-based Probabilistic Image Quality Assessment for Face Selection and Improved Video-based Face Recognition
像素范围压缩: 这样(0,255)变到(1,5.54),同时,放大了低强度的,缩小了高强度的,这有利于缩小不同肤色的差别(肤色接近白色)
Ilog(x,y)=ln(I(x,y)+1)
Ilog(x,y)=ln(I(x,y)+1)
提取补丁patch:
图像64x64,path 8x8, 重叠像素为7, 每个patch归一化为mean=0,var=1, 这叫Local NormalizeL(LN)
LN(Ilog)=Ilog−mean(Ilog)Var(Ilog)
LN(Ilog)=Ilog−mean(Ilog)Var(Ilog)
提取特征:
DCT 离散余弦变换,除去第1个分量(因为上一步平均值为0),低的3个分量为 generic facial texture(通用的脸部纹理)。需要注意的是,阴影,脸部姿态,对齐效果(旋转)会改变local texture
计算局部概论:
训练用正脸,正光照,中性表情,缩放到固定大小,每个眼睛位置固定。
测试的时候不用对齐.
计算整体概论:
假设各个patch相互独立,全局概率为:
Quality(Image)=∑i=1,..,NlogP(xi|μi,Σi)
Quality(Image)=∑i=1,..,NlogP(xi|μi,Σi)
Database
FERET和PIE, 用于测试算法(从需要的特性中选出最好的图像)
1124训练,1263测试
CheckPoint database是监督视频
实验目的:
identify the best quality faces
when presented with both good and poor quality faces
FERET的fa用于训练,设定阈值丢弃poor
————————————————