复杂光照下人脸预处理的算法研究

黄琼

摘 要：非限定条件下，通过摄像头动态获取的图像，通常会出现光照不均匀的现象。而目前针对非均匀光照的处理方法大多数增强效果不理想。为能高效处理非均匀光照图像，文章提出一种基于Retinex理论的小波变换增强算法。所提算法对亮度分量进行对比度拉伸，最后利用图像的反射分量对图像的色彩和细节进行恢复。实验结果显示，所提方法运用在人脸识别系统中，其识别率有较好的提升。

关键词：Retinex理论；小波变换；非均匀光照；识别率

随着人脸识别技术的迅速发展，在国家及公共安全等领域，人脸识别技术已显示出较大的应用前景。当前，人脸识别技术已经成为当前机器视觉中的一个重要部分[1]。虽然人脸识别技术已在多个领域得到了较大的应用，但是在人脸识别的研究中还存在较大的问题。在人脸识别的技术发展中，受到的影响因素有很多，其中光照就是影响因素之一。本文针对人脸识别技术的研究中，利用公开人脸库重点分析复杂光照下的人脸识别预处理算法。

1 人脸识别流程

如图1所示，人脸识别主要有6个步骤，即人脸图像的采集、检测与定位、图像预处理、特征提取和人脸识别[2]。

2 光照对识别系统的影响

在实际的应用中，由于光照无处不在，人脸识别效果终会受到影响，时间、地点、天气、环境等的变化都会或多或少的影响着光照，甚至是光源的亮度、距离和方向，都会影响人脸识别的结果。

人脸图像采集系统含有各种电子元件负责图像的采集。图像采集系统会在存储图像前对信号进行校正，比如对比度校正、Gamma校正、对曝光时间进行调整等，这些操作都会使人脸图像发生改变，这也是导致人脸识别准确率下降的原因之一。而在图像识别技术中，通常是根据目标和背景的直方图特征来辨别二者之间的差异，然后将此作为分割或识别目标的前提，但是当图像受到光照影响时，其直方图信息会发生较大的改变。两个人在不同光照条件下的图像以及各自对应的直方图如图2所示。可以发现，光照很大程度上影响着人脸图像的直方图分布，不同光照下同一个人脸的直方图分布差异巨大，而同一光照下不同人的直方圖分布却可以极其相似。

从人脸图像中提取出来的特征是人脸识别的重要依据，所以对人脸的特征提取也是人脸识别中最重要的步骤，然而光照的不同会使得人脸图像受到较大的变化[3]。不均匀的光照会使得人脸图像产生高光或者较厚的阴影，甚至是得到全暗的图像，对人脸特征的提取会产生不利的影响。把图像的尺寸特征以及形状特征进行结合作为分类的依据，在模式识别中至关重要。而通常情况下，形状特征包括区域特征和轮廓特征[4]。区域特征主要包括脸部上两点之间的距离或者曲率等，能够起到识别作用。而图像的轮廓特征主要是针对图像的边缘，而边缘信息也是人脸识别的重要依据之一。图3是在不同光照条件下的同一个人的人脸图像以及对其提取到的边缘特征。可以看出，当光照不均匀时，脸部出现的阴影部分会带来噪声，在人脸的边缘提取时使得边缘信息受到影响，也有可能将阴影部分的边界误认为是边缘信息。

3 基于小波变换和Retinex理论的人脸识别算法

3.1 算法流程

本文所提算法首先采用小波变换对对数变换后的人脸图像img进行分解，得到人脸图像的高频系数部分（HH）和低频部分（LL，HL，LH）；然后对高频部分进行去噪滤波处理，采用双边滤波对低频部分进行光滑滤波[5]；最后对小波重构后的人脸图像进行对比度拉伸，从而提高光照条件下的人脸图像质量，主要算法流程如图4所示。

小波指的是小区域的波，是一种比较特殊的波形，它的长度有限，而且平均值为零。小波分析是将信号分解成一系列由一个母小波函数经过平移和伸缩操作得来的小波函数的叠加[6-7]。

在多尺度分析的特性上小波分解具有以下重要的特性：（1）分解后图像的高频部分具有3个方向（水平、垂直和对角线），符合人类视觉特性。（2）小波分解后图像中比较大的小波系数主要集中分布在低频部分中。（3）小波分解后图像中的高频分量的小波系数具有很强的相关性。

3.3 带色彩恢复的多尺度Retinex算法（MSRCR）

Jobson等在MSR的基础上，利用其输出乘以一个函数，即色彩恢复函数，提出了如式（8）的带色彩恢复的多尺度算法：

3.4 自适应灰度拉伸

获取图像img中最大像素值max和最小像素值min，利用公式将图像进行图像的对比度拉伸。

4 实验

4.1 人脸库

4.2 结果与分析

实验中，本文主要将未进行处理的人脸和通过算法处理之后的图像，经过PCA提取特征后进行支持向量机多分类识别，进行识别准确率的对比（见表1）。

4.3 结论

本文在Retinex理论的基础上，提出了一种基于Retinex的小波变换处理算法，利用Retinex理论对图像的亮度分量和反射分量进行分解，对图像的亮度分量进行自适应对比度拉伸，最后利用图像的反射分量使得图像的细节和色彩得以恢复。本文算法解决了现有Retinex算法处理效果不理想的问题，该算法处理的非均匀光照图像具有较好的对比度、能见度、自然性。本文算法对硬件设备没有特殊的要求，可以在各手机、摄像机、电视或其他具有显像功能的电子产品中进行移植。

[参考文献]

[1]孙立明.复杂光照条件下的人脸识别方法研究[D].吉林：东北电力大学，2018.

[2]吴玲.人脸识别中的图像处理技术[J].科技信息，2010（4）：246.

[3]杜明，赵向军.改进Retinex的光照变化人脸图像增强算法[J].计算机科学，2015（2）：105-108.

[4]辜小花.基于视觉感知和边缘保持的光照不变人脸识别[J].电子学报，2013（8）：1500-1505.

[5]霍跃华.一种煤矿井下复杂光照条件下的人脸识别方法[J].激光与光电子学进展，2019（1）：66-67.

[6]杨先麒.小波分析在图像处理中的应用[J].理论与方法，2007（6）：19-22.

[7]李庆忠，刘清.基于小波变换的低照度图像自适应增强算法[J].中国激光，2017（2）：49-54.

[8]刘海波，汤群芳，杨杰.改进直方图均衡和Retinex算法在灰度图像增强中的应用[J].量子电子学报，2014（5）：525-532.