In automatic face recognition the quality of the input image directly affects the accuracy of face identification and verification. In this work the authors presented a novel method for non-reference biometric evaluation of face image quality based on the analysis of cosine similarity between feature vectors extracted by a neural network recognition model. Unlike general image quality assessment methods like BRISQUE, the proposed approach utilizes both the distance to the class center and the degree of proximity to the most similar external classes, which allows more accurate ranking of images according to their suitability for biometric tasks. By using the AUC metric at different FMR levels, the experiments results on five common datasets (LFW, CALFW, AgeDB-30, CFP-FP, CPLFW) have demonstrated the advantage of the proposed method over modern approaches (CR-FIQA, SDD-FIQA, TOPIQ, etc.), thus it a promising technique for integration into practical biometric systems.
В задачах автоматического распознавания лиц качество входного изображения напрямую влияет на точность идентификации и верификации личности. Возникающие дефекты снижают точность идентификации, особенно при работе с ограниченными базами эталонных образцов. В работе представлен новый метод безэталонной биометрической оценки качества изображений лиц, основанный на анализе косинусного сходства между векторами признаков, извлекаемыми нейросетевой моделью распознавания. В отличие от методов общей оценки качества изображений, например BRISQUE, предложенный метод учитывает как расстояние до центра класса, так и степень близости к наиболее похожим внешним классам, что позволяет более точно ранжировать изображения по степени их пригодности для биометрических задач. При использовании метрики AUC (Area Under the Curve) на разных уровнях FMR результаты экспериментов на пяти распространенных наборах данных (LFW, CALFW, AgeDB-30, CFP-FP, CPLFW) демонстрируют преимущество предложенного метода по сравнению с современными подходами (CR-FIQA, SDD-FIQA, TOPIQ и др.), что делает его перспективным решением для интеграции в практические биометрические системы.