面向识别的人脸去光照预处理算法

2013-12-17王宏勇王青青

电子科技 2013年3期

王宏勇，常燕，王青青

(河南工业大学信息科学与工程学院，河南郑州 450001)

作为一种生物特征识别技术，人脸识别凭借它非接触式的采集、非侵犯性、方便快捷和易被人们接受的优点在公共安全、视觉监控、数字身份认证、多媒体等领域有着广泛的应用前景。经过40余年的发展，人脸识别技术已日渐成熟，但在复杂因素下的识别性能仍未达到满意的效果。目前，光照变化问题是人脸识别领域面临的瓶颈之一。由于光照变化使得面部特征减弱而分辨率下降，造成类内的差异大于类间差异。研究结表明，在错误接受率为1%时，室内控制光照情况下人脸识别的正确率能达到93%，但在室外非控制光照情况下人脸识别正确率只能达到51%［1］。因此去光照预处理对于人脸识别技术有重要的地位。目前对人脸光照预处理的传统方法有:图像增强方法、提取光照不变性、Retinex算法、对数变换。并且众多学者在这些方法的基础上，根据其缺点进行了改进，使得处理效果有所改善。

1 图像增强方法

图像增强方法是一种以主观感受为导向的技术。它的目的是采用某种技术手段，改善图像的视频效果，或者将图像转换成更适合人眼观察和机器分析、识别的形式，以便从图像中获取更有用的信息。图像增强方法主要的算法有直方图均衡化、Gamma变换、对数变换等。

1.1 直方图均衡化

直方图均衡化又称为直方图平坦化。直方图均衡化的基本思想是将原始图像的不均衡直方图变换为均匀分布的形式。即将输入图像转换为在每一灰度级上都有相同的像素点数。直方图均衡化的结果扩展了像元取值的动态范围，从而达到增强图像整体对比度的效果。该方法很好地处理了图像整体偏暗、偏亮，或者灰度层次不丰富等情况，可以增加局部的对比度并且不影响全局的对比度。直方图均衡化虽然能够得到图像近似均匀分布的直方图，但是它往往在图像中形成不连续的斑块，特别是受光照影响严重时更为突出，并且变换后图像的灰度级减少，某细节消失。这种方法的另一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度。

徐同莹等人提出了一种改进的直方图均衡化算法［2］，首先进行直方图指数平滑，消除直方图中因为噪声而引入的随机干扰点，然后进行直方图均衡化，增大图像的对比度，然后直方图灰度间距均衡处理，使图像的灰度范围达到最大变化范围，最后进行中值滤波，滤除被增强的噪声。该方法能够使图像的细节和清晰度得到明显增强。但该方法也存在不足，中值滤波对于均匀噪声和高斯噪声的去噪效果较差，容易引起误差，用这种方法容易使灰度值发生变化，使得图像丢失一些细节和边缘。

由于原始直方图和徐同莹提出的算法均改变了图像的灰度级，使得图像处理效果受到影响。乔闹生提出了保留灰度级的直方图均衡化算法［3］，对传统直方图均衡化后的灰度值进行调整，尽量使得调整后的直方图与原图像的直方图的灰度级数相等。如果低灰度级的灰度值较多，可从最低灰度值向上进行调整，如果大于255的灰度值较多，则可从最高灰度级开始往下进行调整。该方法解决了传统直方图均衡化中因灰度级合并导致图像灰度级过多减少，降低了图像灰度层次感的缺点，并且消除了虚假轮廓现象。但这种方法判别高低灰度的阈值无法确定，所以很难选取合适的阈值，影响处理效果，容易引起失真。

1.2 Gamma变换

Gamma变换方法是通过建立Gamma值和像素值之间的非线性关系，使得Gamma矫正能根据图像中每个像素的具体值进行适当的校正，进行变换后的图像可以视为与标准人脸图像相同光照环境，从而削弱了光照变化影响。

Gamma校对仍然存在一些不足。首先，对Gamma数值采用线性修正缺乏有效增强Gamma值随像素变化的能力;其次，Gamma值的选取尚未较好解决图像中高光、过渡和阴影区域光照变化的实际问题;最后，图像经过Gamma矫正后略显失真，尤其是对彩色图像失真效果明显。

针对Gamma值的选取，杨金峰等人提出了一种自适应的Gamma校正方法［4］，该方法能根据图像中不同的像素自适应的选取相应的Gamma值实现对像素的校正，不仅能同时改善了图像中的阴影区和高光区的光照影响，而且能够克服由于矫正带来的噪声。但是该方法缺乏对高光区，过渡区和阴影区光照变化的适应能力，并且会使图像有所失真。

对于上述问题，师一华等人提出了非线性函数互相叠加的修正模式［5］，改善了图像中高光区和阴影区对光照变化的实际需求，提高了图像的质量。该方法没有改善图像对比度，容易引起图像的视觉失真。

1.3 对数变换

对数变换是另外一种常用的灰度变换方法，对数变换的数学表达式如下

其中，a，b，c是为了调整曲线的位置和形状而引入的参数。

对数变换是在整个图像区域上的一个全局变换，当偏光存在情况下，对数变换不能很好地解决问题。需设置一滑动窗口，来进一步削弱光照的影响。具体实现如下

其中，i是对数变换后的图像;W(x，y)是以(x，y)为中心的滑动窗口。

虽然对数变换与人类视觉系统的对数传感特性一致，在低灰度级范围内能很好地增加对比度，但在高恢复及范围压缩了对比度。为尽可能地增强高动态范围图像中的全部细节，受局部直方图均衡化的启发，提出了局部对数变换来克服传统对数变换的缺点。

局部对数变换使得局部对比度更好，但它会产生块效应。焦立男等人提出了一种子块部分重叠的对数变换(POSLT)方法来消除块效应［6］。POSLT使用了一个特定大小的子块将图像划分成为很多部分重叠的子图像，然后对这些子图像进行对数变换，并记录每个像素被覆盖的次数，最后将每个像素进行平均，得到最后的图像。这种方法能同时改善一幅高动态范围图像中的黑暗和明亮部分，但是他的计算复杂度高，还没有找到能够在降低复杂度的同时还保持其良好性能的解决方法。

2 提取光照不变性

2.1 特征脸

特征脸方法，最初由Kirby和Sirovich将PCA技术引入到人脸识别领域。后来Turk和Pentland提出了基于PCA的特征脸方法，即将包含人脸图像的区域看成是一种随机向量，故可以用K－L变换获取其正交K－L基底，其中较大特征值的基地具有与人脸相似的形状。利用这些基底的线性组合可以表达、描述和逼近人脸图像。但传统的特征脸方法对每个样本的识别效果不太理想。

高丽萍等人对传统的特征脸进行了改进，提出了特征半脸方法［7］，即把人脸图像分成上下两部分，分别应用特征脸方法，最后在识别计算距离上部采用较大的权重，下部采用较小的权重，求得综合距离最小的人脸图像序号。该方法能够适应少数人脸表情，且不增加算法的难度。但该方法忽略了人脸上下部分的差异，会存在误差，影响识别效果。

金璟璇等人提出了一种基于遗传算法寻优特性的小波域加权特征脸识别算法［8］。该算法具有良好的稳定性和鲁棒性。但该算法计算量比较大，效率较低。

特征脸的方法对尺度变化较敏感，在识别前必须进行尺度归一化处理;在图像空间是线性的，不能处理几何变化;在姿态和光照发生变化时识别率急剧下降。

2.2 自商图像

商图像必须满足人脸是朗伯表面。则人脸可以表示为该点的表面反射率、物体的表面法向量与点光源的方向向量的乘积。

自商图像的主要步骤是:(1)选择几个平滑核G1，G2，…，Gn。(2)并根据图像计算相应的权值 W1，W2，…，W。(3)求平滑图像n(4)计算自商图像对自商图像进行非线性变换，并加权计算结果

自商函数是两个亮度图像的比值，代表了图像不随光照变化的物理特性。但该方法要求物体是凸的朗伯表面，没有考虑镜面反射和阴影，而且假设同类的所有物体具有相同的形状信息，而实际上不同人的三维人脸外形一般不同。自商图像能够消除光照造成的投影阴影和附着阴影，同时也消除了原有图像的大量信息。

胡华提出了一种改进的自商图像算法［9］。对光照图像进行伽玛变换，使用非下采样轮廓波变换对图像进行多尺度多方向分析，对各方向子带进行Wiener滤波，利用自商图模型提取人脸图像的光照不变特性。该方法从多尺度几何分析和自适应滤波的角度提取人脸图像的光照不变量，较大程度上消除了光照变化对人脸识别的影响，能有效消除Gills现象，保持良好的边界特性和几何结构。该方法用Gamma变换，Gamma参数的选取具有一定的局限性，会产生失真。

3 Retinex算法

Retinex是Edwin Land提出的一个关于人类视觉系统如何调节感知物体颜色和亮度的模型，它诠释了为什么同样的物体在不同的光源或光线条件下颜色是恒定的机理。Retinex算法可以在灰度动态范围压缩，边缘增强和颜色恒定性3方面达到平衡，可以对不同类型的图像进行自适应性地光照预处理。这种算法都是假设图像的照明是平滑的，因此在全局上对图像的光照补偿具有较好的效果，但对于局部光照变化较大的图像，其通过光照补偿的图像增强效果不太理想。但是普遍存在“光晕”现象和速度问题。

Jobson等人定义了单尺度算法，它可以实现动态范围压缩或色调重现的效果。它的基本原理是将图像分为亮度图像和反射图像两个部分

其中，L表示照射光，R表示物体的反射性质，S是反射光。先在对数域中将原始图像分解成入射分量，对应于图像的低频部分，和反射分量，对应于图像的高频部分。接着通过对原图像进行高斯平滑来对入射分量做出预测，然后用原始图像减去入射分量得到反射分量，最后对结果图像取反对数得到增强后的图像。

随后Jobson和Rahman又提出了多尺度Retinex算法，用以平衡动态范围压缩和色调重现以及图像增强效果。其形式是对多个尺度Retinex算法进行加权求和。

赵晓霞等人用一种新的增益函数来减弱经典多尺度Retinex算法带来的噪声和边缘晕环［10］。该函数对图像不同区域采用不同的增益，平滑区域和高对比度边缘采用较小的增益，细节区域采用较大的增益。该方法使小高斯环绕尺度Retinex输出不同区域增益差大，而大高斯环绕尺度Retinex输出不同区域增益差小，使图像细节更清晰，同时场景轮廓和颜色呈现更自然。

以上算法没有强侧光照使能有效提高识别率，但在强侧光照时会出现阴影现象，因此葛微等人提出了一种将无边缘增效应的传导函数用于自适应平滑算法的改进Retinex算法［11］。该传导函数用空间梯度和像素的局部不一致性两种方式共同测量灰度的剧烈变化，在平滑图像的同时没有边缘增强效应，且不会损失人脸特征边缘。该算法在处理侧光照的人脸时没有阴影，并且适用于无强测光的情况。虽然该算法处理后的效果较好，但它没考虑图像中的细节部分是否有丢失，影响处理效果。

4 小波变换

小波变换是一种信号的时间/尺度分析方法。它是将信号用一系列基函数加权和来表示，而基函数是由一个小波母函数经伸缩和平移得到的。对于一幅N×N的二维人脸图像，经过一次小波变换后，图像被分解为4幅N/2×N/2的不同分辨率、不同方向的子图像LL(低频近似分量)，LH(垂直边缘细节分量)，HH(对角边缘细节分量)，HL(水平边缘细节分量)。当图像经过多次小波分解后，对称性最差的就是最后一级的近似分量，因此最后一级的近似分量可以表达对于光照的估计。通过对近似分量进行处理就可以去掉图像中的光照成分。

通过小波变换，人脸图像的分辨率降低，图像维数的降低，减轻了计算负担。小波变换同时提供了空间域和频域的局部信息，选择小波分解的低频分量，由于不包含高频信息，因此削弱了光线的影响，对噪声具有鲁棒性。但对于小波基函数的选择仍针对情况来选择适当的小波基函数，不能被普遍使用。

聂翔飞等人提出了一种新的基于小波包变换的对数域人脸光照补偿算法［12］。该算法首先将人脸图像变换到对数域，并在对数域中计算2维小波包变换，通过舍弃部分子带图像中的系数来实现人脸图像的非均匀光照补偿。该方法会造成图像部分信息会丢失，它对全黑状态的人脸去除光照的效果不明显。

Sweldens提出了第2代小波变换，它是一种不依赖于Fourier变换的小波构造方法，它使用许多线性或空间变化的预测和更新算子，来获得期望特性的小波函数而且可确保变换的可逆性。同传统的小波变换相比，计算速度更快，计算方法更简单，通过预测算子和更新算子设计最优匹配特定的信号，因此适合自适应、非线性变换。

段晨东等人为获得基于分析数据特征的小波函数［13］，将最优估计理论与第2代小波变换差值细分方法相结合，提出了一种改进的第2代小波变换算法。该方法使设计的预测系数包含了分析数据的信息，具有自适应性，根据分析数据的特点来构造小波，从而使小波函数具有数据样本的构造特征。该算法对细节部分进行了处理，忽略了高频部分，边缘信息容易丢失。