13、现实操作环境下面部识别系统性能评估

现实操作环境下面部识别系统性能评估

1. 引言

当前和未来面临的操作环境具有不确定性和意外性。威胁来源日益非传统，生物识别技术需在更远距离、夜间和恶劣环境下应用。然而，大多数商业生物识别系统是为可控场景和较短距离设计的，虽在门禁控制、固定入口等应用中表现出色，但军事和国土安全应用对生物识别系统提出了更高要求，它们需要在更远距离和恶劣成像条件下良好运行。

面部识别算法性能在过去几十年有了显著提升，这归因于行业和学术界的大量投资。常见的面部识别算法包括基于主成分分析（PCA）的特征脸方法、基于线性判别分析（LDA）的方法和弹性束图法等。

面部识别算法性能提升的一个重要原因是多样化面部数据库的增加和严格的系统测试。常用的面部数据库有：
- 面部识别技术（FERET）数据库
- 卡内基梅隆大学姿态光照表情（CMU PIE）和Multi - PIE数据库
- 野外标记人脸（LFW）数据库
- AR人脸数据库
- 监控摄像头（SC）人脸数据库

此前对人脸识别性能的评估主要集中在姿态、光照和年龄等因素的影响，也有研究关注图像压缩的影响。这些研究有助于衡量和比较生物识别算法在大型数据集上的性能，指出了算法需要改进的方向。

但在实际应用中，如监控场景，需要在更远距离和非理想条件下使用面部识别算法，此时图像模糊、噪声和大气湍流等问题较为常见。以往对面部识别的研究主要集中在克服姿态和光照的影响，而对模糊、噪声和湍流的研究较少。

2. 方法

进行生物识别系统性能的实地测试成本高且难度大，因此本文使用原始面部图像数据库，模拟图像退化来测量不同条件下的系统性能。具体步骤如下：