面向人脸识别的分块自适应光照处理算法

朱利伟，蔡晓东，梁奔香，吴 迪，华 娜

(桂林电子科技大学，广西 桂林 541004)

面向人脸识别的分块自适应光照处理算法

朱利伟，蔡晓东，梁奔香，吴 迪，华 娜

(桂林电子科技大学，广西 桂林 541004)

为改善复杂光照条件下的人脸识别率急剧下降问题，提出一种基于双标准图的分块自适应Gamma算法(DRHGIC)。首先根据人脸光照分布特点，将人脸进行分块，然后对不同的块采用基于双标准图的方法搜索最优Gamma值，最后对人脸图片进行自适应Gamma变换。实验证明，该算法能够有效地提高复杂光照条件下的人脸识别率。

光照；Gamma变换；分块；自适应

人脸识别拥有非接触采集、隐蔽识别等优点，一直都是模式识别和图像处理领域的焦点课题。近年，人脸识别在身份鉴别、信息安全、反恐以及监控系统等方面得到了广泛的应用，但其性能受到光照、视角、遮挡、年龄等众多因素影响，因而无法大规模普及。在众多的影响因素中，光照变化是影响系统识别性能的关键因素之一[1]。FERET[2]，FRVT[3]和FRGC[4]的实验证明，光照变化，尤其是来自不受控制的室外光照的变化仍然是人脸识别系统的瓶颈之一。因此，寻找一种有效的算法减少光照变化的影响对改善人脸识算法性能具有十分重要的意义。

光照处理算法主要分为两大类：2D光照处理和3D光照模型[5]。3D光照模型对图像光照调节效果明显，但其计算复杂，很难获得准确的模型参数，尤其在只给出一张图片的时候。2D光照处理计算简单，能减少大部分的光照影响，是目前的主流算法。2D光照处理算法又可以分为三类：提取光照不变特征[6]、预处理和归一化[7-9]、人脸光照建模[10-12]。人脸的特征或多或少受光照影响，想要提取一种对光照完全不变的特征十分困难。根据人脸光照模型能够很好地减少光照对识别的影响，但是该方法计算复杂，而且处理后的图片丢失了很多细节信息。文献[13]表明基于预处理的方法，如直方图均衡(HE)、Gamma变换(GIC)，能有效地弱化光照的影响而不会带来负面的影响。

本文对人脸的光照分布进行了研究，在处理前根据人脸的对称性和差异性对人脸适当地分块，在此基础上，提出了一种基于双标准图的分块自适应Gamma算法,并通过实验进行了验证。

1 光照处理方法

1.1 直方图均衡

光照过亮或者过暗的人脸图片直方图中，灰度级会集中在两端，出现高峰。直方图均衡对尖峰进行压缩，扩展灰度级，使直方图的灰度级高度相同或相近。这样处理能够有效地扩展图片的对比度，利于识别，对整体光照过亮或过暗的人脸图片十分有效，但由于对所有像素不加选择的处理，会增加噪声的对比度，降低有用像素点的对比度。人脸图片十分特殊，光照良好的图片灰度级集中在中间，将灰度级强行拉平会造成信息失真，同时对于光照不均匀的人脸图片，减少光照过暗和过亮的像素点数目，无法有效消除光照影响，由此可能给识别带来负面影响。

1.2 Gamma变换

Gamma变换建立Gamma值和图像像素值之间的非线性关系，根据图像中每个像素的具体值进行适当的校正，使得受光照影响严重的像素得到更加明显的校正。

设I为未知光照的人脸图片，Ixy是点(x,y)处的灰度值，G(Ixy;γ)表示Ixy经过Gamma变换校正过后的灰度值，有

(1)

式中：C表示灰度扩展量；γ表示Gamma值。用于处理的人脸图像通常为灰度图，灰度值在0～255之间，从算法复杂度和效率考虑，将C设为1，式(1)改写为

(2)

式(2)的曲线如图1所示。

图1 Gamma变换曲线图

2 改进的Gamma算法

2.1 人脸光照分布模型

在实际情况中，由于拍照角度、遮挡等情况，会出现人脸部分过暗、部分过亮的情况。采用传统的整体光照处理方法对人脸图像整体光照过暗和过亮的情况十分有效，但是对于光照不均匀的人脸很容易出现处理过度的情况，比如对不应该处理的标准光照部分进行了处理，光照过亮或过暗的部分又存在处理不充分的情况。

图2a展示了一个理想的人脸光照分布模型。该模型以五官的位置划分不同的光照处理区，以眉心和鼻尖的连线为对称轴，同时兼顾人脸的形状模型。经眉心和鼻尖分割成的左右两半边脸，结构近似对称，在侧光的情况下光照条件明显不同；经两颧骨连线分割成上下两半边脸，上半边脸富含明显的细节信息，下半边脸较为平滑，因此这两部分脸灰度分布明显不同，光照存在较大差异。将正面人脸四等分的分界线大致位于眉心和鼻尖的连线以及两颧骨连线附近。图2b展示了这个简易的模型。为简化实验，采用简易模型。

图2 人脸光照分布模型

2.2 自适应Gamma变换

2.2.1 基于单张标准图的自适应Gamma变换(SVGIC)

Gamma变换中γ值的设定决定了光照处理的最终效果，设定一个固定值无法获得最佳的效果。因此必须找到一种自适应算法，能够根据图像不同的光照条件计算得到一个最佳γ值。方差能够很好地表示两幅图片之间的差异性，同时计算简单，所以通过与标准图方差比较来寻找最优Gamma值是一种常见的方法。假设I0(x,y)为标准光照下的人脸图片在点(x,y)处的灰度值,有

(3)

式中：γ*为计算得到的最佳γ值。

图3很明显地看到处理后的图片光照条件得到了明显改善。

图3 在不同的光照条件下应用SVGIC算法结果图

2.2.2 基于双标准图的自适应Gamma变换(DRHGIC)

1)基于直方图的比较策略

基于标准图的自适应算法在实践中存在巨大的缺陷。这种算法默认待变换的人脸图片与标准的人脸图严格一致。如果图片发生平移、旋转变化都会极大地影响算法结果，即使是一些细微的变化导致两幅图片不一致都会造成极大的不同。因此这种算法鲁棒性很差。

本文提出了基于直方图的改进自适应算法。光照良好的图片直方图具有相似性，并且直方图对噪声有一定的鲁棒性，同时图片的细微平移和反转对直方图的结构影响较小。通过比较Gamma变换后的人脸图片与标准人脸图片的直方图，寻找使两个直方图匹配程度最好的Gamma值作为理想的Gamma值。卡方是与直方图相似性好且最常用的简单有效的方法，卡方的计算式为

(4)

式中：H1表示变换后的图片的直方图；H0表示标准的图片。结合式(2)、(3)、(4)，最优Gamma值γ*为

(5)

式中：Hγ表示经过值为γ的Gamma变换后的图片直方图。

2)基于双标准图的自动寻优方法

人脸大致呈左右对称。上下部分的人脸差异性很大，对应的直方图有很大不同。如果对四分块的人脸只应用一张标准图的话，将不可避免地出现误差。因此本文提出了双标准图算法。使用一张光照良好的人脸图片的左上分块作为一张标准图，据此来校正上半边人脸的两个分块；使用这张光照良好的人脸图片的左下分块作为另一张标准图，据此来校正下半边人脸的两个分块。这种基于双标准图的自适应算法考虑到了人脸的不同分块间的差异性，同时兼顾了人脸的对称性，具有更加良好的效果。

(6)

式中：m表示第m块子图；G(Im,γm)表示对子图Im进行值为γm的Gamma变换。方法如图4所示。

图4 双标准图法

本文提出的DRHGIC算法流程图如图5所示。

图5 DRHGIC算法流程图

3 实验结果和分析

本文采用西安交通大学人工智能与机器人研究所东方人脸库(AI&R)的光照子库。这个数据库共采集整理了1 247位志愿者在不同光照条件下拍摄的8张人脸图片。本文选用100个人共800张人脸图片进行实验，图片经过了人脸检测和尺寸归一化。

近年来，随着“精益”被国内医疗机构逐渐认知，如何快速习得一套便实可用的精益医疗管理体系，为医院精益管理的院内实践落地作战略指导，并引领管理不断推进，是每位精益学习院长期待的。

3.1 整体处理和分块效果对比

图6为选用东方人脸库中3张人脸图片用不同的光照方法处理后的结果图。RHE表示分块的直方图均衡。

图6 不同的光照处理算法结果图

从图6可知：

1)比较HE，GIC和RHE，DRHGIC的结果图可以看出，分块对光照不均匀可起到很好的校正作用。

2)比较RHE，DRHGIC的结果可以看出，在光照均匀的情况下，分块直方图均衡的各分块与不分块时相比取得了更加良好的校正效果，但是由于分割成的4个部分的均衡过程相互割裂，没有联系，产生了虚假边界。经过DRHGIC算法处理和对图片整体应用GIC结果接近，产生的虚假边界不明显，这表明自适应分块Gamma变换对光照均匀的图片影响极小。

3)在多种光照不均匀的情况下，对人脸图片按照人脸光照分布模型粗略分块，再分别处理获得的人脸图片细节更加清晰，其中经DRHGIC算法处理过的图片质量最好。结果表明自适应分块Gamma变换能够一定程度上降低光照分布不均对人脸图片的影响。

3.2 不同自适应算法的比较

图7 RVGIC和RHGIC处理结果的比较

3.3 处理后的识别率对比

本文采用LBP算法和基于Fisherface的人脸识别算法验证算法的有效性，对比结果如表1所示。

表1 不同算法处理后的识别率

从表1可以得到如下结论：

1)对LBPH算法来说，无论是直方图均衡还是Gamma变换等LBPH算法影响不大。处理前后的识别率没有明显的改善，分块直方图均衡后的识别率甚至由原来的68.7%下降到了65.7%。原因是LBPH算法获取的是某像素点和周围像素点的大小关系，而以上几种算法只是对灰度范围进行拉伸，几乎不改变像素点间的大小关系。

2)从基于Fisherface的人脸识别率可看出，分块的方法优于不分块的方法。分块前经直方图均衡的识别率为93.3%，分块处理后达到了96.3%；分块前经Gamma变换的识别率为95.3%，分块后达到了97.0%。实验表明，经过本文所提出的SRHGIC算法得到了最佳的识别效果，这证明了本文算法的有效性。

3)结合LBPH和Fisherface这两种算法的识别率，不同的光照处理算法在不同的识别算法下的识别效果有很大差别。本文所采用的算法在基于LPBP的人脸识别中识别率只有68.9%，和不处理时的68.7%相差不大；但是在基于Fisherface的人脸识别中由原来不处理时94.0%的识别率提升到了97.0%，取得了明显的效果。因此，不同的人脸识别算法应该采用适当的光照处理方法。

4 小结

本文提出了一种基于双标准图的分块自适应的DRHGIC算法 ，该算法根据人脸光照分布模型，综合考虑了人脸上下部分的差异性和左右部分的对称性，实现了对人脸图片的光照处理。实验表明，光照分布不均匀的人脸图片经处理后得到的效果更好，并且对光照均匀的图片影响较小。

[1]SILVA D, YAMASAKI T, AIZAWA K.Embedded tags and visual querying for face photo retrieval[C]//Proc.Pacific Rim Conference on Multimedia.Taiwan：[s.n.]，2008：446-455.

[2]PHILLIPS P J, HYEONJOON M, RIZVI S A, et al.The FERET evaluation methodology for face recognition algorithms[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 2000,22(10)：1090-1104.

[3]PHILLIPS J,CROTHER P, BONE M.FRVT 2002: evaluation report[EB/OL].[2014-07-21].http://www.frvt.org/DLs/FRVT_2002_Evaluation_Report.pdf.

[4]PHILLIPS J,FLYNN J,WOREK W.Preliminary.face recognition grand challenge results[C]//Proc.Automatic Face and Gesture Recognition.Southampton：IEEE Press, 2006：15-24.

[5]YAN G, LI J, YU M.Illumination variation in face recognition: a review[C]//Proc.Intelligent Networks and Intelligent Systems.Tianjin：IEEE Press, 2009：309- 311.

[6]XIE X, ZHENG W, LAI J.Face illumination normalization on large and small scale features [C]//Proc.Computer Vision and Pattern Recognition.Anchorage, AK：IEEE Press, 2008：1-8.

[7]DANDPAT S, MEHER S.Quality based illumi- nation compensation for face recognition [C]//Proc.Image Information Processing (ICIIP).Himachal Pradesh：IEEE Press, 2011：1-4.

[8]SHI Y,YANG J,WU R.Reducing illumination based on nonlinear gamma correction [C]//Proc.Image Processing.San Antonio, TX：IEEE Press,2007：I-529-I-532.

[9]卓志宏.面向人脸识别的复杂光照下图像细节增强算法[J].电视技术,2014,38(3):12-15.

[10]HAN H,SHAN S,GAO W.Illumination transfer using homomorphic wavelet filtering and its application to light-insensitive face recognition[C]//Proc.Automatic Face & Gesture Recognition.Amsterdam：IEEE Press, 2008：1-6.

[11]MCLAUGHLIN N, JI M,CROOKERS D.Illumination invariant facial recognition using a piecewise-constant lighting model[C]//Proc.Acoustics, Speech and Signal Processing (ICASSP).Kyoto：IEEE Press, 2012：1537-1540.

[12]CHENG Y,JIN Z.Illumination normalization based on 2D Gaussian illumination model [C]//Proc.Advanced Computer Theory and Engineering (ICACTE).Chengdu：IEEE Press, 2010：451-455.

[13]DU B, SHAN S, QIN L, et al.Empirical comparisons of several preprocessing methods for illumination insensitive face recognition [C]//Proc.ICASSP’05.[S.l.]：IEEE Press，2005：981-984.

朱利伟(1989— )，硕士生，主研视频图像处理；

蔡晓东(1971— )，硕士生导师，主研智能视频图像处理、云计算、无线传感网络等；

梁奔香(1987— )，硕士生，主研视频图像处理；

吴 迪(1989— )，女，硕士生，主研图像处理、云计算；

华 娜(1988— )，女，硕士生，主研图像处理、云计算。

责任编辑：薛 京

Adaptive Illumination Algorithm Based on Blocks for Face Image Recognition

ZHU Liwei, CAI Xiaodong, LIANG Benxiang, WU Di, HUA Na

(GuilinUniversityofElectronicTechnology,GuangxiGuilin541004,China)

In order to improve the rate of face recognition in complex illumination condition, an adaptive Gamma algorithm based on double standard pictures and blocks (DRHGIC) is proposed.According to the illumination distribution of face, images are divided into different blocks.To every block, an optimal Gamma value based on double standard images is used to implement adaptive Gamma transform.Experiments show that this algorithm can improve the rate of face recognition under complicated illumination conditions effectively.

illumination; Gamma transform; blocks; adaptive

广西省自然科学基金项目(2013GXNSFAA019326)；国家科技支撑课题(2012BAH20B10)

TN911.73;TP391

A

10.16280/j.videoe.2015.05.034

2014-07-29

【本文献信息】朱利伟，蔡晓东，梁奔香，等.面向人脸识别的分块自适应光照处理算法[J].电视技术,2015，39(5).