14、面部识别系统性能评估：图像退化影响分析

面部识别系统性能评估：图像退化影响分析

1. 模糊与算法性能

在固定误匹配率（FMR）为 0.1%的情况下，如同散焦状模糊一样，GOTS 算法在所有情况下都优于 CSU PCA 算法。不过，与高斯模糊情况不同的是，水平运动对注册率的影响要小得多。在除了最严重模糊情况外，GOTS 算法在 Rank 20 时的累积匹配率（CMR）近乎完美。CSU 算法在几乎所有模糊情况下，在 Rank 20 时也达到了最大 CMR。这些结果表明，一般来说，面部识别算法对水平运动模糊的敏感度可能低于高斯模糊。

2. 噪声对系统性能的影响

除了模糊，噪声也会显著影响系统性能，特别是在低光照条件下，系统处于缺光状态时。噪声在可见光和红外成像仪中都是一个重要因素。在可见光成像中，高帧率和/或低光照条件下经常会出现噪声。对于热成像，非制冷系统比制冷系统更容易受到噪声影响。尽管非制冷热成像仪在尺寸、重量和功耗方面优于制冷系统，但了解系统退化对其性能的影响至关重要。

为了探索噪声对面部识别性能的影响，对原始 FERET 图像应用了不同水平的泊松噪声。采用特定方法模拟不同照度水平下增加的图像噪声。从示例面部图像可以看出，随着噪声增加（照度降低），面部特征仍然清晰，但越来越难以将实际信号与噪声区分开来。模拟的照度分别为 0.09、0.06 和 0.04 英尺烛光，作为参考，满月的峰值照度约为 0.02 英尺烛光。

ROC 曲线显示，GOTS 算法在基线和低退化情况下表现更好，但两种算法的退化速率大致相同。CMR 与排名结果也呈现出相同趋势。从 GOTS 算法的注册结果来看，噪声虽然不会阻止该算法检测面部并识别所需的面部特征，但会给匹配结果带来不确定性。