自动人脸识别中的图像质量评价
人脸识别数据预处理手段
人脸识别数据预处理手段
随着人脸识别技术的不断发展和应用，人脸识别数据的预处理也变得越来越重要。
人脸识别数据预处理主要包括以下几个方面：
1. 图像质量评估：对于采集到的人脸图像，首先需要评估其质量，剔除质量较差的图像。
评估方法包括模糊度评估、光照评估、遮挡评估等。
2. 人脸检测和对齐：对于图像中的人脸进行检测和对齐，确保人脸处于图像中心并朝向正常。
常用的检测方法包括Haar分类器、卷积神经网络等，对齐方法包括人脸关键点对齐。
3. 人脸标准化：将检测和对齐后的人脸图像进行标准化处理，包括亮度均衡、直方图均衡化、尺度归一化、旋转矫正等。
4. 数据增强：通过对已有的人脸图像进行平移、旋转、缩放等变换操作，生成更多的训练数据，提高人脸识别算法的泛化能力。
5. 数据清洗和筛选：在预处理完成后，需要对人脸图像进行清洗和筛选，剔除不符合要求的图像，保留质量较高的图像。
以上是人脸识别数据预处理的常见手段，通过对数据进行有效处理，可以提高人脸识别算法的性能和准确率。
- 1 -。
人脸识别准确率评估说明
人脸识别准确率评估说明人脸识别技术是通过对人脸图像进行分析和处理，将其与数据库中的人脸图像进行比对，从而对人脸进行身份认证或者身份识别的一种技术手段。
随着科技的发展，人脸识别技术在安防领域、金融领域以及社会服务领域等得到了广泛的应用。
为了评估人脸识别的准确率，可以从以下几个方面进行说明。
首先，人脸识别准确率的评估需要建立一个合适的评估指标体系。
人脸识别准确率可以通过计算以下几个指标来进行评估：一是识别率，即正确识别出的人脸图像数量占总测试图像数量的比例；二是误识率，即错误识别为其他人的人脸图像数量占总测试图像数量的比例；三是漏识率，即未能正确识别出的人脸图像数量占总测试图像数量的比例。
通过对这些指标的计算和分析可以得出人脸识别系统的准确率。
其次，在进行人脸识别准确率评估时需要选择合适的评估数据集。
评估数据集应该具备代表性，包含大量不同角度、光照条件、表情和年龄等因素的人脸图像。
这样可以更加真实地测试人脸识别系统在实际应用中的准确率。
同时，评估数据集应该包含一定数量的正面人脸图像和侧面人脸图像，以检验人脸识别系统对不同姿态的识别能力。
第三，人脸识别准确率评估需要借助一些评估工具和方法。
可以使用ROC曲线（Receiver Operating Characteristic curve）来评估人脸识别的准确率。
ROC曲线是以误识率为横轴，识别率为纵轴来绘制的一条曲线，可以反映出在不同误识率下的人脸识别准确率。
另外，还可以使用PR曲线（Precision-Recallcurve）来评估人脸识别的准确率。
PR曲线是以漏识率为横轴，精确率为纵轴来绘制的一条曲线，可以反映出在不同漏识率下的人脸识别准确率。
最后，在评估人脸识别准确率时还需要考虑系统环境因素的影响。
环境因素包括光照条件、摄像头的分辨率、人脸图像的质量等。
这些因素都可能对人脸识别的准确率产生一定的影响。
为了准确评估人脸识别的准确率，需要在评估时尽可能模拟真实环境，包括不同光照条件的变化和不同摄像头分辨率的变化等。
图像识别系统的性能评估指标(八)
图像识别系统的性能评估指标一、引言图像识别技术在诸多领域中得到广泛应用，例如人脸识别、智能监控等。
然而，随着图像识别系统的不断发展，我们需要一个科学准确的评估指标来衡量其性能。
本文将深入探讨图像识别系统的性能评估指标。
二、准确率准确率是评估图像识别系统性能的基本指标之一。
它可以衡量系统对于给定图像数据识别的准确程度。
准确率被定义为系统正确识别图像的数量与系统识别的总图像数量之比。
准确率高的系统意味着其在图像识别方面具有较高的可靠性和准确度。
三、召回率召回率是图像识别系统性能评估的另一个重要指标。
它度量了系统在给定正样本中成功识别的比例。
召回率可以用以下公式计算：召回率=系统识别的正样本数/所有正样本数。
高召回率意味着系统有较低的误检率和漏检率，即能够较好地捕捉到正样本。
四、精确率精确率是评估图像识别系统的性能时需要考虑的另一个指标。
精确率衡量了系统在所有正样本中正确识别出的比例。
精确率可以通过以下公式计算：精确率=系统识别的正样本数/系统识别的总样本数。
高精确率表示系统能够准确地判断出正样本，避免了误报。
五、F1值F1值是综合考虑召回率和精确率的指标，可以用来评估图像识别系统的整体性能。
F1值是召回率和精确率的调和平均数，它可以通过以下公式计算：F1值=2*(精确率*召回率)/(精确率+召回率)。
F1值越高，表示系统在召回率和精确率间取得更好的平衡，能够准确地检测出正样本并避免误报。
六、ROC曲线和AUC除了上述指标，我们还可以使用ROC曲线和AUC（Area Underthe Curve）评估图像识别系统的性能。
ROC曲线是以召回率为纵轴、假阳率（False Positive Rate）为横轴绘制的曲线。
AUC则表示ROC曲线下的面积，通常在0到1之间。
AUC值越大，说明系统性能越好。
七、多样本评估除了单一指标的评估，我们还可以通过多样本评估来全面考量图像识别系统的性能。
例如，可以对不同类别图像进行分类的系统，可以使用混淆矩阵来评估其性能。
人脸图像质量评价
2.
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
1. 2.
3.
计算人脸大小评价系数λ3
人脸图像质量标准——ISO/IEC 19794-5
不同质量图像示例
影响人脸图像质量的三个主要因素
模糊 (out of focus) 非正面图像 (non-frontal posture)
???
侧面照明 (side lighting)
符合ISO/IEC 19794-5标准的标准人脸图像
人脸图像质量评价算法介绍 ——多指标评价法[1]
（6）图像清晰度评价算法
1. 2.
输入图像序列 用sobel算子分别求出0，45，90，135度方向的 边缘图像
3. 4. 5. 6.
求图像的
合成边缘强度
求合成边缘图像的平均图像 分别求 和 的平均值 和
计算图像清晰度评价系数
（7）评价指标综合
1. 2.
若λ1=0，则score=0。 若λ1≠0，则
人脸图像质量评价算法介绍 ——多指标评价法[1]
优点： 在传统质量评价指标上，结合人脸特征信息进 行综合评价，基本上符合人眼视觉系统(HVS)感 受，有不错的准确率和正确率，工程应用广泛， 有很多变形运用 缺点： 各评价指标的权重系统难以确定，须在大数据 库中进行调整
人脸图像质量评价算法介绍 ——人脸对称法[2，3]
score=w1*λ1+w2*λ2+w3*λ3+w4*λ4+w5*λ5+w6* λ6
人脸识别技术中的性能评估指标
人脸识别技术中的性能评估指标人脸识别技术作为一种先进的生物特征识别技术，已广泛应用于安防、公安、金融、教育等领域，为社会带来了便利和安全。
然而，准确性、速度、鲁棒性等性能指标对于人脸识别技术的发展和应用至关重要。
本文将重点分析和介绍人脸识别技术中的性能评估指标。
1. 准确性准确性是评估人脸识别系统性能的关键指标，它反映了识别系统在辨识不同人脸时的成功率。
准确性主要通过两个方面来衡量：一是比对算法的准确度，即通过计算待识别人脸与数据库中已知人脸的相似度来判断是否匹配；二是识别系统的误识率，即在未知人脸时识别错误的比例。
为提高准确性，人脸识别技术需要考虑以下因素：首先，算法的选择和优化，包括特征提取方法、人脸配准技术等；其次，数据集的规模和质量对识别率有直接影响，因此需要采集更多的高质量人脸图像；最后，系统参数的调整和优化也是提高准确性的关键因素。
2. 速度速度是人脸识别技术在实际应用中不可忽视的指标之一。
对于一些需要高效识别的场景，例如人脸门禁系统、自动售货机等，系统的响应速度需要非常快。
因此，评估人脸识别系统的速度主要包括两个方面：一是特征提取的速度，即从人脸图像中提取出有效的特征；二是比对的速度，即对提取出的特征与数据库中的特征进行比对。
提高人脸识别系统的速度，需要采用高效的算法和并行处理技术。
例如，使用快速人脸检测算法可以大大提高特征提取的速度；并行计算技术则可以加速比对过程。
此外，优化硬件设备的配置，如使用高速图像处理器或者专用硬件加速器，也是提高速度的有效方法。
3. 鲁棒性鲁棒性是指人脸识别系统对于光照、姿态、表情等外界变化的适应能力。
由于外界环境的不确定性，人脸图像在采集和识别过程中往往会面临多种干扰因素的影响，如光照强度不均匀、人脸姿态复杂等。
因此，评估人脸识别系统的鲁棒性需要考虑以下因素：一是光照条件的变化，例如白天和夜晚、室内和室外等不同环境下的识别性能；二是人脸姿态的变化，人脸朝向不同角度，如俯仰、旋转等；三是表情变化的影响，例如微笑、闭眼等情况。
人脸识别技术的性能评估标准
人脸识别技术的性能评估标准人脸识别技术是近年来迅速发展的一项重要技术，广泛应用于安全监控、人脸解锁、人脸支付等领域。
然而，由于市场上人脸识别产品众多，技术水平参差不齐，对于评估人脸识别技术的性能，制定一套科学的评估标准显得尤为重要。
本文将就人脸识别技术的性能评估标准进行探讨。
一、准确性准确性是评估人脸识别技术性能的关键指标之一。
准确性主要包括两个方面的评估：识别率和误识率。
1. 识别率识别率是指人脸识别系统判断一个人是否为目标人物的准确程度。
识别率的评估可以采用真正率（True Positive Rate）和假负率（False Negative Rate）来衡量。
真正率是指识别正确的正样本占总样本的比例，假负率是指将负样本错误地判断为正样本的比例。
2. 误识率误识率是指人脸识别系统将非目标人物错误地判断为目标人物的概率。
误识率的评估可以采用假正率（False Positive Rate）和真负率（True Negative Rate）来衡量。
假正率是指将负样本错误地判断为正样本的比例，真负率是指识别正确的负样本占总样本的比例。
二、速度除了准确性外，人脸识别技术的速度也是评估其性能的重要指标之一。
速度主要包括两个方面的评估：图像处理速度和识别速度。
1. 图像处理速度图像处理速度是指对输入图像进行处理的时间，包括图像采集、预处理、特征提取等。
良好的图像处理速度可以保证系统在大规模人脸识别场景下的实时性。
2. 识别速度识别速度是指判断一个人是否为目标人物的时间。
人脸识别系统在对目标人物进行识别时，需要将输入图像与数据库内存储的人脸模板进行匹配，速度快慢直接影响系统实时性。
三、稳定性稳定性是评估人脸识别系统性能的另一个重要指标。
稳定性主要包括两个方面的评估：光照变化下的识别性能和角度变化下的识别性能。
1. 光照变化下的识别性能人脸识别系统在不同光照条件下的识别准确性直接关系到其实际应用效果。
良好的光照稳定性能够确保系统在真实场景中的稳定运行。
人脸图像质量评价ppt课件
基本思想： 通过对图像的对比度、明亮度、清晰度和图像中人脸 位置信息等多种评价指标来综合评价人脸图像质量， 得出各自的评价系数(O～1.0)。然后再通过各系数所 占的权重(l ～100)进行加权计算。最后得出每幅图的 评价得分，从而选出质量最佳的图像。
人脸大小、 位置、角 度评价 人脸图像对 比度、清晰 度评价
求出归一化后的脸部矩形中心坐标（x,y)到人脸图 像中心的距离d。
3.
归一化准则：使人脸图像中心到其对角点的距离为 1。
4.
计算人脸大小评价系数 λ2=1-d
（3）人脸角度评价算法
1. 2.
输入双眼坐标（x1,y1）和（x2,y2） 根据双眼坐标求出眼睛的倾斜角度θ
3.
计算人脸大小评价系数λ3
（4）图像对比度评价算法
1.
输入双眼坐标，若 双眼坐标不在图像之内，直 接令其评价系数λ1=0.
2.
根据双眼坐标判断人脸矩形是否超出人脸图像 外，若超出令评价系数λ1=0.
根据双眼坐标求出人脸矩形面积S，若小于某个 阈值，则置λ1=0. 计算人脸大小评价系数
3.
4.
（2）人脸位置评价算法
1.
2.
输入双眼坐标，求出脸部矩形的中心坐标(x,y)
（6）图像清晰度评价算法
清晰度是人们从主观上描述图像质量的感受。 从频域的角度看．当一幅图像的高频分量不足 时，通常表现为模糊;而高频分量过多时又会 表现为粗糙。 大量的理论与实验都表明，相对平滑区域和纹 理区域、边缘在图像中识别物体时起着非常重 要的作用，图像的可视性也受到边缘区域发生 频率的影响。因此在计算图像清晰度时，特别 要重视图像中边缘区域的清晰程度对全图清晰 度的影响。
人脸质量评估
人脸质量评估人脸质量评估是指对人脸图像或视频中的人脸进行分析和评估的过程，以确定人脸图像或视频的质量或可用性。
人脸质量评估在人脸识别、人脸检测和人脸表情分析等领域中具有重要作用，它能够帮助提高人脸相关算法的准确性和可靠性。
人脸质量评估可以从多个方面对人脸图像或视频进行评估。
以下是常见的人脸质量评估指标：1. 清晰度：清晰度是指人脸图像或视频中人脸图像的清晰程度。
清晰的图像或视频能够提供更多的细节信息，有助于后续的人脸分析和识别。
2. 遮挡情况：遮挡情况指的是人脸图像或视频中是否存在遮挡物，如眼镜、口罩、帽子等。
遮挡物会影响人脸的可见性，降低人脸识别的准确性。
3. 光照条件：光照条件是指人脸图像或视频中的光照强度和光照方向。
光照强度过弱或过强，或者光照方向不合理，都会对人脸的可见性造成影响。
4. 表情变化：表情变化指的是人脸图像或视频中人脸的表情变化情况。
一些特定的表情，如闭眼、笑脸等，可能会对人脸识别造成影响。
5. 角度变化：角度变化是指人脸图像或视频中人脸的拍摄角度。
过大的角度变化会导致人脸形状的变化，影响人脸识别的准确性。
为了进行人脸质量评估，可以使用图像处理和机器学习等方法。
常见的方法包括图像增强、背景消除、人脸关键点检测、光照归一化、人脸质量评分等。
其中，人脸质量评分是一种常用的方法，它根据一系列指标对人脸图像或视频进行评分，来评估其质量。
人脸质量评估在实际应用中具有广泛的意义。
例如，人脸质量评估可以用于筛选高质量的人脸图像或视频用于训练人脸识别模型，提高模型的准确性和可靠性。
同时，人脸质量评估也可用于判断人脸图像或视频的可用性，以及在一些特定场景中，如视频监控、人脸支付等，保证人脸相关算法的有效性和安全性。
总之，人脸质量评估是对人脸图像或视频进行分析和评估的过程，它能够帮助提高人脸相关算法的准确性和可靠性。
通过评估人脸图像或视频的清晰度、遮挡情况、光照条件、表情变化和角度变化等指标，可以得出人脸质量评分，并应用于各种人脸识别、检测和表情分析等应用中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种基于倒谱的人脸图像清晰度评价方法杨飞苏剑波1 引言人脸识别由于其非接触式、基本无须配合和操作隐蔽性强等优势，被认为是一种可广泛使用的生物特征识别技术，长期以来一直受到学术界和产业界的广泛关注[1-4]。
然而，也正因为追求“无须配合”的实施效果，导致了人脸图像采集的随意性，图像之间差异较大、图像质量参差不齐的情况。
采用低质量的人脸图像进行人脸识别，必然会导致识别准确率的下降[2, 4]。
而长期以来，人脸识别的研究大都是基于预先准备好的图像质量一般较高的人脸库的，这与现实应用情况有很大的不同。
因此尽管实验测试中的人脸识别准确率已经相当之高，然而在实际应用中的表现却并不尽如人意。
为此，近年来有不少研究者开始着手于研究对各种不同质量人脸图像足够鲁棒的人脸识别技术，目前虽已取得了很大的进展，但离实用仍有一些差距。
一方面，由于处理低质量图像而被引入的额外手段往往十分复杂，会大大增加人脸识别系统的复杂度，使得人脸识别耗费时间更长――这对于多数实际应用是不可接受的；另一方面，不受图像样本因素影响的人脸识别算法是难以获得的。
因此，我们必须研究新的解决方法。
在基于视频流的自动人脸识别应用中，获得的人脸图像数量通常较多，如果对人脸图像样本进行质量评价，筛选较为合适的样本用于识别，这无疑会提高自动人脸识别系统的准确率；即使样本数目有限，也可以依据质量评价结果来选用相应的图像预处理方法来提高识别率。
另外，根据人脸图像的质量情况来调整分类器的阈值或其它参数能有效地降低错误拒绝率(FRR)或错误接受率(FAR)，亦可提高人脸识别的实用性能。
可见，在自动人脸识别系统中引入人脸图像质量评价环节是一条推动人脸识别实用化的重要途径。
因此，近几年来人脸图像的质量评价逐渐引起了人们的关注，关于图像质量评价的评价框架和相关指标的研究工作也已有一些公开报道[2-4]，但关于人脸图像质量评价方法的研究目前还并不充分，人们往往是直接借用传统的图像质量评价方法。
本文的研究表明，现有方法并不一定适用于自动人脸识别这个特别领域中的人脸图像质量评价，其评价结果与实际情况可能存在一定差距。
本文接下来将以清晰度这一重要的人脸图像质量评价指标为例进行详细说明，并提出一种比传统评价方法更适合于自动人脸识别的清晰度评价方法。
最后，通过对同一组人脸图像进行清晰度评价实验，将其与传统清晰度评价方法进行对比，以验证本文方法的准确性要高于传统方法。
另外，还在真实环境下通过人脸识别实验来验证本文提出的清晰度评价方法在自动人脸识别中的作用及其适用性。
2自动人脸识别中的清晰度评价在基于视频流的自动人脸识别应用中，自动检测采集到的人脸图像不清晰的情况时有发生。
不清晰的人脸图像不但会影响人脸识别的准确率，而且还会影响对譬如人脸姿态等其它图像质量指标的评价[2,4]，故本文将清晰度选作研究对象。
影响人脸图像清晰度的原因主要有图像模糊和采集噪声干扰。
忽略采集噪声，摄像机对焦失准或拍摄瞬间人脸沿摄像机光轴方向快速运动会造成离焦模糊，拍摄瞬间人脸垂直于摄像机光轴方向快速运动会造成运动模糊，实际上这两种模糊经常是并存的。
传统的图像质量评价往往是考察经过计算压缩、传输、增强或其他处理变换后的图像与原始图像质量上的差别，在评价时通常有“标准图像”可供参照[5]。
因此，无论是具有计算简单优点而被广泛使用的均方差(MSE)和峰值信噪比(PSNR)方法，还是更符合人眼视觉系统(HVS)特性的结构相似度(SSIM)方法[6]或基于自然场景统计(NSS)的视觉信息逼真度(VIF)方法[7]，由于必须得通过将变换后的图像与标准图像进行比较来做出质量评价，故皆不适合作为自动人脸识别中的人脸图像清晰度评价方法。
另一方面，无需参考图像的图像质量评价方法相对较少，且主要用于图像盲恢复参数的辨识（如对点扩散函数PSF的估计等），其中的特征提取过程较为复杂，计算耗时长，故难以满足自动人脸识别系统的时间要求。
于是，研究者们提出了通过衡量图像梯度统计信息[2]或高频部分能量[3]来评价人脸图像清晰度的方法。
这两种方法虽然无需参考图像，而且简单快速，但是其实并不可靠。
这是因为不同人的面部差异通常较大，再加上眼镜的佩戴，使得人脸图像的边缘信息差异更大；而且，运动模糊图像的边缘不是在所有方向都是模糊的，与运动方向垂直的方向上的边缘并没有发生退化，而且运动模糊还会产生新的锐利边缘（例如一个亮点可能在运动模糊后形成一条线），所以不能完全依据边缘信息来判断图像模糊程度。
鉴于上述原因，本文提出了一种新的基于倒谱(cepstrum)域分析的清晰度评价方法。
3 人脸图像清晰度评价方法倒谱理论自从1963年被提出后[8]，在雷达、地震波、超声波和语音信号分析等领域得到了应用，后来又作为一种盲去卷积方法被应用于图像恢复的参数辨识中[9]。
如果能准确地辨识出模糊图像的点扩散函数的参数，即能评价出图像的模糊程度。
但实际上，在倒谱图中很难清楚地辨识出点扩散函数的特征；而且通常情况下不能预知模糊的类型，辨识点扩散函数的参数往往需要对倒谱图进行预处理，其过程也是比较复杂并且费时的[10]。
为了避免这些问题，本文提出了一种新的清晰度评价方法，不通过辨识点扩散函数的参数而是采取直接统计倒谱图中的高能量亮点的方法来估计图像清晰度。
因为本文只研究人脸图像的清晰度评价，暂不考虑对模糊人脸图像进行复原，所以无须区分模糊类型或辨识出点扩散函数的参数。
采用这种方法不仅避免了模糊参数难以辨识的问题，而且使算法得以大大简化，提高了清晰度评价速度，下面给出详细说明。
首先，图像的降质过程可用下面的数学模型来近似描述[10]：g (x , y ) = f (x , y ) * h (x , y ) + n (x , y ) , (1)其中f (x , y )为输入清晰图像，h (x ,y )为点扩散函数, n (x ,y )为加性噪声。
在这个模型里，输出降质图像g (x ,y )被表示为f (x ,y )与h (x ,y )的卷积再加上n (x ,y )。
忽略噪声的影响，式(1)可写为：g (x , y ) = f (x , y ) * h (x , y ) . (2)不失一般性，考察匀速直线运动产生的运动模糊，拍摄瞬间物体相对镜头的位移大小为d ，运动方向与水平轴的夹角为θ，则由其导致的点扩散函数为：⎪⎩⎪⎨⎧≤+==elsewhered y x x y d y x h 02/,tan 1),(22θ . (3) 另外，由几何光学分析可知，一个散焦半径为R 的点扩散函数可描述为：⎪⎩⎪⎨⎧≤+=elsewhereR y x R y x h 01),(222π . (4) 于是，通过式(2)－(4)，用一张清晰图像可分别人工模拟出其不同程度的运动模糊和离焦模糊效果。
对于一幅大小为M × N 的灰度图像g (x, y )，它的傅立叶变换为：G (u, v ) = F {g (x, y )}， (5)则其倒谱域变换定义为[9]：Cep {I (x, y )} = F -1{log |G (u, v )|}, (6)式中F {·}和F -1{·}分别表示傅立叶变换和反傅立叶变换，|·|表示求复数模。
由式(2)、(6)可得Cep {g (x, y )} = Cep {f (x, y )} + Cep {h (x, y )}. (7)由此可见，倒谱域变换的一个重要性质是：在倒谱域内，模糊图像的倒谱可分解为清晰图像的倒谱和点扩散函数的倒谱的性线叠加。
另外，由于倒谱域变换要进行对数计算，所以在倒谱域内，信号衰减特别快。
清晰的人脸图像经过倒谱域变换后，图像衰减很快，几乎只集中在中心点附近很小的区域内，经二值化处理后如图1(a)所示。
而运动模糊图像和离焦模糊图像由于叠加了点扩散函数，它们的二值化倒谱图中的高能量亮点散布在整幅图中，分别如图1(b)、(c)所示。
(a) (b) (c)图1 三幅不同质量的人脸图像及其对应的二值化倒谱图，(a)清晰图像；(b)运动模糊图像；(c)离焦模糊图像 Fig. 1 Three face images of different quality and their corresponding binary cepstrum maps (a)the clear image; (b)the motionblurred image; (c)the defocused image二值化倒谱域中亮点的平均能量E 可定义为：),(),(111j i C j i W N M E M i Nj ⨯⨯=∑∑==， (8)式中权值W (i , j )定义为点(i , j )到中心点(i c , j c )的距离，C (i , j )定义为点(i , j )的二值化实倒谱值：22)()(),(c c j j i i j i W -+-=, (9)⎩⎨⎧<≥=Tj i Cep T j i Cep j i C ),(0),(1),(， (10) 其中，Cep (i , j )为点(i , j )的倒谱值，T 为选取的二值化阈值。
对同一幅待评价图像来说，当T 值增大时，E 值减小。
当T 值保持不变时，图像越模糊，E 值越大。
通过预先设定好E 0值（E 0根据经验一般可取0.01左右），再采用二分法在(0,1)区间内搜索T ，使通过式(8)算得的E 满足E ＜E 0，并且规定图像清晰度评价函数为：%100)1(⨯-=T Score . (11)由此可见，本文提出的倒谱域清晰度评价方法具有算法简单，限制条件少的优点。
倒谱变换中的大部分计算量由傅立叶变换和反傅立叶变换产生，采用快速傅立叶变换(FFT)方法可大大减少计算时间。
如果人脸图像比较大，为了减少评价时间，可缩小评价区域，截取部分区域进行上述计算。
此外，降低评价精度将减少搜索次数，也能减少清晰度评价时间。
4 实 验为了考察上述清晰度评价方法，首先我们随机选取FERET 人脸库[11]中的1196张正面人脸图像，截取面部区域作为实验样本，并假设这些原始图像都是清晰的图像。
然后，按照降质模型(2)－(4)分别用d = 5, 10, 20的水平运动模糊点扩散函数和R = 3, 6, 12的离焦模糊点扩散函数对每一张原始图像进行人工模糊，以模拟真实环境中产生的不同程度的模糊图像。
原始图像及其对应的两种人工模糊后的图像示例样本如图2所示。
第一列为原始图像样本，第一行从第二列到第四列分别为点扩散函数参数d = 5, 10, 20时对应的水平运动模糊图像，第二行从第二列到第四列分别为点扩散函数参数R = 3, 6, 12时对应的离焦模糊图像，可以看出图像从左至右逐渐变模糊。