面向人臉識(shí)別的分塊自適應(yīng)光照處理算法

朱利偉，蔡曉東，梁奔香，吳 迪，華 娜

(桂林電子科技大學(xué)，廣西 桂林 541004)

面向人臉識(shí)別的分塊自適應(yīng)光照處理算法

朱利偉，蔡曉東，梁奔香，吳 迪，華 娜

(桂林電子科技大學(xué)，廣西 桂林 541004)

為改善復(fù)雜光照條件下的人臉識(shí)別率急劇下降問(wèn)題，提出一種基于雙標(biāo)準(zhǔn)圖的分塊自適應(yīng)Gamma算法(DRHGIC)。首先根據(jù)人臉光照分布特點(diǎn)，將人臉進(jìn)行分塊，然后對(duì)不同的塊采用基于雙標(biāo)準(zhǔn)圖的方法搜索最優(yōu)Gamma值，最后對(duì)人臉圖片進(jìn)行自適應(yīng)Gamma變換。實(shí)驗(yàn)證明，該算法能夠有效地提高復(fù)雜光照條件下的人臉識(shí)別率。

光照；Gamma變換；分塊；自適應(yīng)

人臉識(shí)別擁有非接觸采集、隱蔽識(shí)別等優(yōu)點(diǎn)，一直都是模式識(shí)別和圖像處理領(lǐng)域的焦點(diǎn)課題。近年，人臉識(shí)別在身份鑒別、信息安全、反恐以及監(jiān)控系統(tǒng)等方面得到了廣泛的應(yīng)用，但其性能受到光照、視角、遮擋、年齡等眾多因素影響，因而無(wú)法大規(guī)模普及。在眾多的影響因素中，光照變化是影響系統(tǒng)識(shí)別性能的關(guān)鍵因素之一[1]。FERET[2]，F(xiàn)RVT[3]和FRGC[4]的實(shí)驗(yàn)證明，光照變化，尤其是來(lái)自不受控制的室外光照的變化仍然是人臉識(shí)別系統(tǒng)的瓶頸之一。因此，尋找一種有效的算法減少光照變化的影響對(duì)改善人臉識(shí)算法性能具有十分重要的意義。

光照處理算法主要分為兩大類：2D光照處理和3D光照模型[5]。3D光照模型對(duì)圖像光照調(diào)節(jié)效果明顯，但其計(jì)算復(fù)雜，很難獲得準(zhǔn)確的模型參數(shù)，尤其在只給出一張圖片的時(shí)候。2D光照處理計(jì)算簡(jiǎn)單，能減少大部分的光照影響，是目前的主流算法。2D光照處理算法又可以分為三類：提取光照不變特征[6]、預(yù)處理和歸一化[7-9]、人臉光照建模[10-12]。人臉的特征或多或少受光照影響，想要提取一種對(duì)光照完全不變的特征十分困難。根據(jù)人臉光照模型能夠很好地減少光照對(duì)識(shí)別的影響，但是該方法計(jì)算復(fù)雜，而且處理后的圖片丟失了很多細(xì)節(jié)信息。文獻(xiàn)[13]表明基于預(yù)處理的方法，如直方圖均衡(HE)、Gamma變換(GIC)，能有效地弱化光照的影響而不會(huì)帶來(lái)負(fù)面的影響。

本文對(duì)人臉的光照分布進(jìn)行了研究，在處理前根據(jù)人臉的對(duì)稱性和差異性對(duì)人臉適當(dāng)?shù)胤謮K，在此基礎(chǔ)上，提出了一種基于雙標(biāo)準(zhǔn)圖的分塊自適應(yīng)Gamma算法,并通過(guò)實(shí)驗(yàn)進(jìn)行了驗(yàn)證。

1 光照處理方法

1.1 直方圖均衡

光照過(guò)亮或者過(guò)暗的人臉圖片直方圖中，灰度級(jí)會(huì)集中在兩端，出現(xiàn)高峰。直方圖均衡對(duì)尖峰進(jìn)行壓縮，擴(kuò)展灰度級(jí)，使直方圖的灰度級(jí)高度相同或相近。這樣處理能夠有效地?cái)U(kuò)展圖片的對(duì)比度，利于識(shí)別，對(duì)整體光照過(guò)亮或過(guò)暗的人臉圖片十分有效，但由于對(duì)所有像素不加選擇的處理，會(huì)增加噪聲的對(duì)比度，降低有用像素點(diǎn)的對(duì)比度。人臉圖片十分特殊，光照良好的圖片灰度級(jí)集中在中間，將灰度級(jí)強(qiáng)行拉平會(huì)造成信息失真，同時(shí)對(duì)于光照不均勻的人臉圖片，減少光照過(guò)暗和過(guò)亮的像素點(diǎn)數(shù)目，無(wú)法有效消除光照影響，由此可能給識(shí)別帶來(lái)負(fù)面影響。

1.2 Gamma變換

Gamma變換建立Gamma值和圖像像素值之間的非線性關(guān)系，根據(jù)圖像中每個(gè)像素的具體值進(jìn)行適當(dāng)?shù)男Ｕ?，使得受光照影響?yán)重的像素得到更加明顯的校正。

設(shè)I為未知光照的人臉圖片，Ixy是點(diǎn)(x,y)處的灰度值，G(Ixy;γ)表示Ixy經(jīng)過(guò)Gamma變換校正過(guò)后的灰度值，有

(1)

式中：C表示灰度擴(kuò)展量；γ表示Gamma值。用于處理的人臉圖像通常為灰度圖，灰度值在0～255之間，從算法復(fù)雜度和效率考慮，將C設(shè)為1，式(1)改寫(xiě)為

(2)

式(2)的曲線如圖1所示。

圖1 Gamma變換曲線圖

2 改進(jìn)的Gamma算法

2.1 人臉光照分布模型

在實(shí)際情況中，由于拍照角度、遮擋等情況，會(huì)出現(xiàn)人臉部分過(guò)暗、部分過(guò)亮的情況。采用傳統(tǒng)的整體光照處理方法對(duì)人臉圖像整體光照過(guò)暗和過(guò)亮的情況十分有效，但是對(duì)于光照不均勻的人臉很容易出現(xiàn)處理過(guò)度的情況，比如對(duì)不應(yīng)該處理的標(biāo)準(zhǔn)光照部分進(jìn)行了處理，光照過(guò)亮或過(guò)暗的部分又存在處理不充分的情況。

圖2a展示了一個(gè)理想的人臉光照分布模型。該模型以五官的位置劃分不同的光照處理區(qū)，以眉心和鼻尖的連線為對(duì)稱軸，同時(shí)兼顧人臉的形狀模型。經(jīng)眉心和鼻尖分割成的左右兩半邊臉，結(jié)構(gòu)近似對(duì)稱，在側(cè)光的情況下光照條件明顯不同；經(jīng)兩顴骨連線分割成上下兩半邊臉，上半邊臉富含明顯的細(xì)節(jié)信息，下半邊臉較為平滑，因此這兩部分臉灰度分布明顯不同，光照存在較大差異。將正面人臉?biāo)牡确值姆纸缇€大致位于眉心和鼻尖的連線以及兩顴骨連線附近。圖2b展示了這個(gè)簡(jiǎn)易的模型。為簡(jiǎn)化實(shí)驗(yàn)，采用簡(jiǎn)易模型。

圖2 人臉光照分布模型

2.2 自適應(yīng)Gamma變換

2.2.1 基于單張標(biāo)準(zhǔn)圖的自適應(yīng)Gamma變換(SVGIC)

Gamma變換中γ值的設(shè)定決定了光照處理的最終效果，設(shè)定一個(gè)固定值無(wú)法獲得最佳的效果。因此必須找到一種自適應(yīng)算法，能夠根據(jù)圖像不同的光照條件計(jì)算得到一個(gè)最佳γ值。方差能夠很好地表示兩幅圖片之間的差異性，同時(shí)計(jì)算簡(jiǎn)單，所以通過(guò)與標(biāo)準(zhǔn)圖方差比較來(lái)尋找最優(yōu)Gamma值是一種常見(jiàn)的方法。假設(shè)I0(x,y)為標(biāo)準(zhǔn)光照下的人臉圖片在點(diǎn)(x,y)處的灰度值,有

(3)

式中：γ*為計(jì)算得到的最佳γ值。

圖3很明顯地看到處理后的圖片光照條件得到了明顯改善。

圖3 在不同的光照條件下應(yīng)用SVGIC算法結(jié)果圖

2.2.2 基于雙標(biāo)準(zhǔn)圖的自適應(yīng)Gamma變換(DRHGIC)

1)基于直方圖的比較策略

基于標(biāo)準(zhǔn)圖的自適應(yīng)算法在實(shí)踐中存在巨大的缺陷。這種算法默認(rèn)待變換的人臉圖片與標(biāo)準(zhǔn)的人臉圖嚴(yán)格一致。如果圖片發(fā)生平移、旋轉(zhuǎn)變化都會(huì)極大地影響算法結(jié)果，即使是一些細(xì)微的變化導(dǎo)致兩幅圖片不一致都會(huì)造成極大的不同。因此這種算法魯棒性很差。

本文提出了基于直方圖的改進(jìn)自適應(yīng)算法。光照良好的圖片直方圖具有相似性，并且直方圖對(duì)噪聲有一定的魯棒性，同時(shí)圖片的細(xì)微平移和反轉(zhuǎn)對(duì)直方圖的結(jié)構(gòu)影響較小。通過(guò)比較Gamma變換后的人臉圖片與標(biāo)準(zhǔn)人臉圖片的直方圖，尋找使兩個(gè)直方圖匹配程度最好的Gamma值作為理想的Gamma值。卡方是與直方圖相似性好且最常用的簡(jiǎn)單有效的方法，卡方的計(jì)算式為

(4)

式中：H1表示變換后的圖片的直方圖；H0表示標(biāo)準(zhǔn)的圖片。結(jié)合式(2)、(3)、(4)，最優(yōu)Gamma值γ*為

(5)

式中：Hγ表示經(jīng)過(guò)值為γ的Gamma變換后的圖片直方圖。

2)基于雙標(biāo)準(zhǔn)圖的自動(dòng)尋優(yōu)方法

人臉大致呈左右對(duì)稱。上下部分的人臉差異性很大，對(duì)應(yīng)的直方圖有很大不同。如果對(duì)四分塊的人臉只應(yīng)用一張標(biāo)準(zhǔn)圖的話，將不可避免地出現(xiàn)誤差。因此本文提出了雙標(biāo)準(zhǔn)圖算法。使用一張光照良好的人臉圖片的左上分塊作為一張標(biāo)準(zhǔn)圖，據(jù)此來(lái)校正上半邊人臉的兩個(gè)分塊；使用這張光照良好的人臉圖片的左下分塊作為另一張標(biāo)準(zhǔn)圖，據(jù)此來(lái)校正下半邊人臉的兩個(gè)分塊。這種基于雙標(biāo)準(zhǔn)圖的自適應(yīng)算法考慮到了人臉的不同分塊間的差異性，同時(shí)兼顧了人臉的對(duì)稱性，具有更加良好的效果。

(6)

式中：m表示第m塊子圖；G(Im,γm)表示對(duì)子圖Im進(jìn)行值為γm的Gamma變換。方法如圖4所示。

圖4 雙標(biāo)準(zhǔn)圖法

本文提出的DRHGIC算法流程圖如圖5所示。

圖5 DRHGIC算法流程圖

3 實(shí)驗(yàn)結(jié)果和分析

本文采用西安交通大學(xué)人工智能與機(jī)器人研究所東方人臉庫(kù)(AI&R)的光照子庫(kù)。這個(gè)數(shù)據(jù)庫(kù)共采集整理了1 247位志愿者在不同光照條件下拍攝的8張人臉圖片。本文選用100個(gè)人共800張人臉圖片進(jìn)行實(shí)驗(yàn)，圖片經(jīng)過(guò)了人臉檢測(cè)和尺寸歸一化。

近年來(lái)，隨著“精益”被國(guó)內(nèi)醫(yī)療機(jī)構(gòu)逐漸認(rèn)知，如何快速習(xí)得一套便實(shí)可用的精益醫(yī)療管理體系，為醫(yī)院精益管理的院內(nèi)實(shí)踐落地作戰(zhàn)略指導(dǎo)，并引領(lǐng)管理不斷推進(jìn)，是每位精益學(xué)習(xí)院長(zhǎng)期待的。

3.1 整體處理和分塊效果對(duì)比

圖6為選用東方人臉庫(kù)中3張人臉圖片用不同的光照方法處理后的結(jié)果圖。RHE表示分塊的直方圖均衡。

圖6 不同的光照處理算法結(jié)果圖

從圖6可知：

1)比較HE，GIC和RHE，DRHGIC的結(jié)果圖可以看出，分塊對(duì)光照不均勻可起到很好的校正作用。

2)比較RHE，DRHGIC的結(jié)果可以看出，在光照均勻的情況下，分塊直方圖均衡的各分塊與不分塊時(shí)相比取得了更加良好的校正效果，但是由于分割成的4個(gè)部分的均衡過(guò)程相互割裂，沒(méi)有聯(lián)系，產(chǎn)生了虛假邊界。經(jīng)過(guò)DRHGIC算法處理和對(duì)圖片整體應(yīng)用GIC結(jié)果接近，產(chǎn)生的虛假邊界不明顯，這表明自適應(yīng)分塊Gamma變換對(duì)光照均勻的圖片影響極小。

3)在多種光照不均勻的情況下，對(duì)人臉圖片按照人臉光照分布模型粗略分塊，再分別處理獲得的人臉圖片細(xì)節(jié)更加清晰，其中經(jīng)DRHGIC算法處理過(guò)的圖片質(zhì)量最好。結(jié)果表明自適應(yīng)分塊Gamma變換能夠一定程度上降低光照分布不均對(duì)人臉圖片的影響。

3.2 不同自適應(yīng)算法的比較

圖7 RVGIC和RHGIC處理結(jié)果的比較

3.3 處理后的識(shí)別率對(duì)比

本文采用LBP算法和基于Fisherface的人臉識(shí)別算法驗(yàn)證算法的有效性，對(duì)比結(jié)果如表1所示。

表1 不同算法處理后的識(shí)別率

從表1可以得到如下結(jié)論：

1)對(duì)LBPH算法來(lái)說(shuō)，無(wú)論是直方圖均衡還是Gamma變換等LBPH算法影響不大。處理前后的識(shí)別率沒(méi)有明顯的改善，分塊直方圖均衡后的識(shí)別率甚至由原來(lái)的68.7%下降到了65.7%。原因是LBPH算法獲取的是某像素點(diǎn)和周圍像素點(diǎn)的大小關(guān)系，而以上幾種算法只是對(duì)灰度范圍進(jìn)行拉伸，幾乎不改變像素點(diǎn)間的大小關(guān)系。

2)從基于Fisherface的人臉識(shí)別率可看出，分塊的方法優(yōu)于不分塊的方法。分塊前經(jīng)直方圖均衡的識(shí)別率為93.3%，分塊處理后達(dá)到了96.3%；分塊前經(jīng)Gamma變換的識(shí)別率為95.3%，分塊后達(dá)到了97.0%。實(shí)驗(yàn)表明，經(jīng)過(guò)本文所提出的SRHGIC算法得到了最佳的識(shí)別效果，這證明了本文算法的有效性。

3)結(jié)合LBPH和Fisherface這兩種算法的識(shí)別率，不同的光照處理算法在不同的識(shí)別算法下的識(shí)別效果有很大差別。本文所采用的算法在基于LPBP的人臉識(shí)別中識(shí)別率只有68.9%，和不處理時(shí)的68.7%相差不大；但是在基于Fisherface的人臉識(shí)別中由原來(lái)不處理時(shí)94.0%的識(shí)別率提升到了97.0%，取得了明顯的效果。因此，不同的人臉識(shí)別算法應(yīng)該采用適當(dāng)?shù)墓庹仗幚矸椒ā?/p>

4 小結(jié)

本文提出了一種基于雙標(biāo)準(zhǔn)圖的分塊自適應(yīng)的DRHGIC算法 ，該算法根據(jù)人臉光照分布模型，綜合考慮了人臉上下部分的差異性和左右部分的對(duì)稱性，實(shí)現(xiàn)了對(duì)人臉圖片的光照處理。實(shí)驗(yàn)表明，光照分布不均勻的人臉圖片經(jīng)處理后得到的效果更好，并且對(duì)光照均勻的圖片影響較小。

[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.面向人臉識(shí)別的復(fù)雜光照下圖像細(xì)節(jié)增強(qiáng)算法[J].電視技術(shù),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.

朱利偉(1989— )，碩士生，主研視頻圖像處理；

蔡曉東(1971— )，碩士生導(dǎo)師，主研智能視頻圖像處理、云計(jì)算、無(wú)線傳感網(wǎng)絡(luò)等；

梁奔香(1987— )，碩士生，主研視頻圖像處理；

吳 迪(1989— )，女，碩士生，主研圖像處理、云計(jì)算；

華 娜(1988— )，女，碩士生，主研圖像處理、云計(jì)算。

責(zé)任編輯：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

廣西省自然科學(xué)基金項(xiàng)目(2013GXNSFAA019326)；國(guó)家科技支撐課題(2012BAH20B10)

TN911.73;TP391

A

10.16280/j.videoe.2015.05.034

2014-07-29

【本文獻(xiàn)信息】朱利偉，蔡曉東，梁奔香，等.面向人臉識(shí)別的分塊自適應(yīng)光照處理算法[J].電視技術(shù),2015，39(5).