论文阅读——人脸质量评估

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
————————————————