作為生物識別技術的一種，搭載人臉識別功能的各類智能化產品已應用得非常普遍。但從產品體驗而言，用戶的感受卻不盡相同。比如有能夠在自行車騎行狀態下，無需下車實現快速無感通行的小區人臉識別閘機。同時也會在使用部分產品時，遇到多次識別不通過、站在原處不停變換人臉角度等待識別通過的尷尬。

造成這一差距，除了算法自身魯棒性和性能之外，由于模糊、遮擋、大角度、逆光暗光等復雜環境引起的人臉圖像質量問題也會導致人臉識別準確率過低，需要多次重復識別才能成功，從而整體耗時被大大拉長。

我們知道當圖像質量越差，那么人臉識別的準確率就越低。如果可以將人臉圖像進行標準化評估，去除低質量圖片，將篩選后質量符合標準的圖像才送往下一個流程中，那么識別效率將大大提升。這就是實現人臉識別無感通行的一項重要技術——圖像質量檢測算法（FQ），《從零學習人臉識別》系列公開課第六期就對該算法進行了詳細介紹。

人臉圖像質量檢測算法的原理

與人臉識別一樣，圖像質量檢測算法（FQ）也是基于特征提取原理，通過神經網絡從海量數據中學習獲取人臉質量檢測關注的特征（主要包括光線、模糊、角度、遮擋、表情、噪聲等）并進行質量判斷。每個特征以特定的數值來表示，比如下圖的人臉特征向量為（0，1，0，1，1），即強光、中度模糊、中等遮擋、大角度、大表情。

當然，這個特征向量可以無限擴充，將特征的描述越細致，特征向量就越精確，光線可以增加暗光、低光，模糊可以增加輕微模糊、中等模糊。以虹軟視覺開放平臺的圖像質量檢測算法為例，在噪聲特征中甚至可以擴充到六十四位以上的特征。

在提取特征向量后，各張人臉圖片的特征雜亂無序地分布在向量空間里。此時，通過對數據進行學習，質量好的樣本盡可能聚集在中間，而不好的被推離。最后根據計算樣本到圈中心的距離，得到一個質量分數。

每個特征對質量分數的影響各不相同，我們需要根據各自業務需求設定相應的閾值，FQ會將低于設定閾值的低質量圖像過濾，從而確保輸送到后面人臉識別環節的圖像質量都是比較好的。

人臉圖像質量檢測算法的經典應用

將人臉質量檢測放到真實的使用場景中，情況會怎么樣？以下是基于，包含人臉檢測、活體檢測、人臉比對、人證比對等一系列功能在內的虹軟視覺開放平臺免費、離線SDK？ArcFace，所開發的智能辦公刷臉門禁。

一名用戶從遠處走來，由于距離原因，系統首先捕捉到的是比較模糊的人臉圖像。而后，FQ算法會自動進行判斷，由于質量過低該圖像會被拒絕送往下一個識別環節中。隨后系統會繼續捕捉，直到一張質量較好的人臉圖像被送往識別并成功。整個過程用戶無需刻意停留等待，即可一次完成人臉識別。

而如果在沒有加入FQ算法的情況下，首次捕捉到的模糊照片被送入下一個人臉識別環節中。當這張人臉圖片在識別失敗后，系統就需要再捕捉一張圖片，進行第二次識別、甚至第三次識別。如此，用戶基本將難以實現無感快速通行。

從對比實驗中，所感受到的差異就已經非常明顯，如下圖所示：相比沒有FQ的情況，增加了FQ的人臉識別系統每個環節耗時平均減少約30%。

同樣，在批量進行人臉識別底庫注冊時，往往會有上萬張圖片。普通的人工篩選，很難完成圖像質量檢測。而FQ算法可以快速完成篩選，讓人臉識別從底庫的特征值開始就更加準確。

作為一款輔助算法，我們在選型時要更多地考慮整體，FQ不能占用太大空間和耗時。比如上面“智能辦公刷臉門禁”實驗中選擇的虹軟視覺開放平臺所開發的FQ算法，其模型小，能在確保精度的前提下盡可能提升檢測速度。

此外需要注意的是，不同項目、不同環境對質量好的定義各有不同。比如公司刷臉門禁和*密實驗室的刷臉門禁，兩者對攝像頭成像效果的定義當然就有所區別。這時候，開發者就得根據不同項目需求進行攝像頭的單獨調參，從而分支出不同場景的版本。

責任編輯：gt