资 源 简 介
针对人脸识别过程中人脸图像质量较低造成的低识别率问题，提出了一种基于卷积神经网络的人脸图像质量评价模型。首先建立一个8层的卷积神经网络模型，提取人脸图像质量的深层语义信息;然后在无约東环境下收集人脸图像，并通过传统的图像处理方法以及人工筛选进行过滤，得到的数据集用以进行模型参数的训练;其次通过在图形处理器（GPU）。上加速训练，得到用于拟合人脸图像到类别的映射关系;最后将输入在高质量图像类别的概率作为图像的质量得分，建立人脸图像的质量打分机制。实验结果表明，与VGG-16网络相比，所提模型准确率降低了0.21个百分点，但是参数规模减小了98%，极大地提高了模型运算效率;同时所提模型在人脸模糊、光照、姿态和：遮挡方面都具有较强的判别能力。因此，可将该模型应用在实时人脸识别系统中，在不影响系统运行效率的前提下提高系统的准确性。
近年来，伴随着计算机视觉技术的飞速发展，人脸识别已经成为I业界和学术界研究的热点。人脸识别即根据某种模式判断物体或者物体的一部分是否满足人脸结构，并依据其特征信息标识出其身份的过程，具体可分为：人脸检测、特征提取和人脸检索。人脸识别作为身份校验的- -种重要方式，在安全认证方面具有极其重要的意义。传统的门禁卡、身份证等认证方式，极其不方便且容易被盗用，给人们的日常生活带来许多麻烦。而人脸识别作为- -种生物认证的手段，具有安全可靠、简单、友好等特点，备受人们的青睐;因此，人脸识别技术在机器学习、计算机视觉、模式识别等科研领域具有极其重要的研究意义。
