李荔 瞿洪桂 孙家乐

（1.国家信息中心软件评测中心 北京市 100000 2.北京中电兴发科技有限公司 北京市 100095）

人脸识别是公共安全物联网应用最为广泛的场景之一，识别效果的好坏取决于待识别人脸图像质量的高低。即，低质量的人脸图像会大大降低人脸识别的准确率。在连续视频帧中，人脸图像的质量会随着光照、姿态、表情、运动等因素变化。如何使得图像传感器能够正确评判连续视频帧中人脸图像质量的高低，成为很多学者研究的内容。针对姿态和非对称光照对人脸的干扰，邹[1]提出基于子区域直方图距离的人脸对称度评价，进而评估人脸质量的方法。黄[2]提出基于CNN 的人脸图像亮度和清晰度的质量评价方法，利用人脸识别匹配器的相似性分数与人类视觉系统清晰度等级分类方法，结合传统亮度分级方法,将人脸图像分成9 类并建立相应的数据标签，基于数据标签和数据集训练CNN 模型用于人脸质量评估。在众多的研究中也有学者探索利用迁移学习基于轻型网络去实现人脸图像质量评估，如基于MobileNet 网络进行迁移学习实现图像质量分类评估[3]。物联网信息系统中，数据采集过程中对图像数据进行过滤，可大大减少网络传输压力，节省存储资源。故而，在视频采集器中实现可靠的人脸图像质量评价尤为重要。本文致力于利用轻量型网络ShuffleNet 实现人脸质量评价在视频采集器中的应用。

1 常用的人脸图像质量评估方法

由于光照强度、光照方向、目标距离、焦距、采样率、曝光时间和增益、暗漏电流、分辨率等因素的影响，摄像机采集的图片质量或高或低。……