基于直方圖均衡化的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

聶倩倩 秦潤澤 高育新 胡欣宇

摘 要：針對(duì)提取人臉特征時(shí)光照干擾的問題，提出一套完備的抗光照人臉識(shí)別系統(tǒng)。削弱光照影響可以從預(yù)處理與構(gòu)建特征臉兩個(gè)階段考慮。預(yù)處理階段采用直方圖均衡化圖像處理技術(shù)，構(gòu)建特征臉階段選取光照錐方法進(jìn)行光照補(bǔ)償，以削弱系統(tǒng)中的光照影響。從實(shí)現(xiàn)效果看，算法滿足人臉識(shí)別的要求。

關(guān)鍵詞：直方圖均衡化；Eigenfaces；光照錐；表情識(shí)別

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2018）07-00-02

0 引 言

近年來，人臉識(shí)別受到各界的廣泛關(guān)注。該技術(shù)是一種非接觸式、簡便的生理特征識(shí)別技術(shù)。人臉識(shí)別主要采用幾何特征、模板匹配、統(tǒng)計(jì)學(xué)等方法實(shí)現(xiàn)。錢程采用深度多模型融合實(shí)現(xiàn)人臉識(shí)別[1]。江偉等人對(duì)Ada Boost算法進(jìn)行相應(yīng)的改進(jìn)[2]，使其檢測效果更佳。常云翔采用深度學(xué)習(xí)算法解決了復(fù)雜光照人臉識(shí)別模型問題[3]。這些方法在理想狀態(tài)下已取得較好的效果，但仍有諸多問題急需解決。本文采用光照錐法進(jìn)行光照補(bǔ)償，實(shí)現(xiàn)視頻流的人臉識(shí)別。

1 系統(tǒng)整體框架

本文人臉識(shí)別抗光照系統(tǒng)流程為：攝像頭采集數(shù)據(jù)，將采集到的內(nèi)容逐幀輸入到人臉檢測模塊，對(duì)檢測出的人臉進(jìn)行預(yù)處理。將預(yù)處理后的圖像傳送到人臉識(shí)別模塊，輸出識(shí)別結(jié)果。具體實(shí)現(xiàn)過程如圖1所示。

2 人臉檢測

在人臉檢測前，首先應(yīng)將視頻逐幀輸入的圖像轉(zhuǎn)化為灰度圖像，并使用雙線性插值法將其歸一化處理，以提高人臉檢測速率。

人臉檢測模塊由訓(xùn)練與檢測兩部分組成。本文使用Ada Boost算法，采用OpenCV函數(shù)庫中的Haar分類器，人臉檢測模塊利用如下函數(shù)：

CascadeClassifier：CascadeClassifier（）

CascadeClassifier：detectMultiScale（）

3 圖像預(yù)處理

視頻圖像會(huì)受到光照等條件影響，本系統(tǒng)采用直方圖均衡化調(diào)整圖片的對(duì)比度，改善采集的數(shù)據(jù)質(zhì)量。

直方圖均衡化利用累計(jì)分布函數(shù)變換將直方圖從集中灰度分布映射成均勻灰度分布。具體步驟為：

（1）經(jīng)灰度映射，獲取輸入圖像的二維直方圖。

（2）統(tǒng)計(jì)每個(gè)灰度級(jí)出現(xiàn)的頻率。

（3）通過調(diào)整灰度級(jí)直方圖改善圖像因過度曝光或曝光不足導(dǎo)致的前景背景過亮或過暗現(xiàn)象。

直方圖均衡化處理如圖2、圖3所示。

4 人臉識(shí)別

4.1 人臉表征與光照錐

人臉識(shí)別算法主要包括Eigenfaces算法、Fisherfaces算法與LBPHfaces算法。Eigenfaces算法將高維的人臉圖像降維映射到低維特征臉子空間，實(shí)現(xiàn)面部特征采集，該算法特征數(shù)據(jù)多、識(shí)別準(zhǔn)確率高。Fisherfaces算法在低維空間達(dá)到最大類間離散度與最小類內(nèi)離散度，對(duì)不同的數(shù)據(jù)集計(jì)算其相應(yīng)的特征。LBPHfaces算法采用局部特征值的描述方法，通過提取圖像局部細(xì)節(jié)描述其紋理特征。

本文設(shè)計(jì)選用Eigenfaces算法。該算法雖然具有較高的識(shí)別率，但對(duì)光照因素較為敏感，因此光照因素的存在導(dǎo)致系統(tǒng)具有較高的誤識(shí)率與拒識(shí)率。本文采用光照錐方法對(duì)圖像進(jìn)行光照補(bǔ)償。

光照錐即不同光源方向的圖像疊加形成的凸型錐體。光照錐方法基于光度立體視覺方法，使用前提是樣本為理想散射模型，即可在固定光照下的所有視場方向觀測到物體表面。算法思想是在構(gòu)建特征臉時(shí)利用光照錐生成新的圖像樣本。

首先，加載用于訓(xùn)練的圖像樣本，將圖像樣本轉(zhuǎn)換成矩陣向量形式與表示光源方向矩陣。其次，根據(jù)單一光源人臉表面的陰影計(jì)算出光源的反射率與表面法向量，由這些信息可以得到三維人臉重構(gòu)圖像與光源方向的估計(jì)值。最后，通過改變光源的方向，計(jì)算出不同光源下的合成圖像。通過豐富特征臉的圖像光源信息，實(shí)現(xiàn)在構(gòu)建特征臉階段減少光照對(duì)人臉識(shí)別系統(tǒng)的干擾。

4.2 算法實(shí)現(xiàn)

人臉識(shí)別算法的具體步驟為：

（1）采集人臉樣本，利用光照錐重構(gòu)圖像，人臉重構(gòu)模型如圖4所示，原圖像與重構(gòu)圖像如圖5所示。

（2）對(duì)樣本進(jìn)行標(biāo)準(zhǔn)化處理，如圖6和圖7所示。

（3）計(jì)算不同人臉樣本集的平均臉，如圖8所示。

（4）計(jì)算離散度矩陣。將離散度矩陣進(jìn)行特征值分解，選取其中最大的幾組特征值見表1所列，其相應(yīng)的特征向量如圖9和圖10所示。

5 結(jié) 語

本文人臉檢測模塊選取傳統(tǒng)的Harr分類器，采集的人臉圖像經(jīng)顏色空間轉(zhuǎn)換與歸一化處理后，圖像基本標(biāo)準(zhǔn)化，又經(jīng)直方圖均衡化處理，使系統(tǒng)初具抗光照能力。在人臉識(shí)別模塊，選取經(jīng)典的Eigenfaces算法，并結(jié)合光照錐方法構(gòu)造“特征臉”，使得系統(tǒng)進(jìn)一步削弱了光照對(duì)其的影響。在不同光照情況下采用該軟件對(duì)實(shí)驗(yàn)室45名學(xué)生進(jìn)行為時(shí)1 min的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表2所列。

從實(shí)驗(yàn)效果看，達(dá)到了滿足了不同光照情況下人臉實(shí)時(shí)識(shí)別效果。光照錐法可以有效解決經(jīng)典的Eigenfaces算法識(shí)別人臉存在的對(duì)光照敏感的問題。

參考文獻(xiàn)

[1]錢程. 基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究[D].成都：西南交通大學(xué)，2017.

[2]江偉堅(jiān)，郭躬德，賴智銘. 基于新Haar-like特征的AdaBoost人臉檢測算法[J].山東大學(xué)學(xué)報(bào)，2014（2）：43-48.

[3]常云翔. 基于深度學(xué)習(xí)的復(fù)雜光照條件下人臉識(shí)別技術(shù)研究[D].沈陽：沈陽航空航天大學(xué)，2017.

[4]李粉蘭，段海峰，郝建國，等. 人臉識(shí)別中光照補(bǔ)償問題的實(shí)驗(yàn)研究[J].圖學(xué)學(xué)報(bào)，2009，30（3）：113-120.

[5] BASRI R，JACOBS D W. Lambertian reflectance and linear subspaces [J]. IEEE taransactions on pattern analysis and machine intelligence，2003，25（2）：218-233.

[6] CHANG H，KOSCHAN A，ABIDI B，et al. Fusing continuous spectral images for face recognition under indoor and outdoor illuminants [J]. Machine vision and applications，2010，21（2）：201-215.

[7]陳釗.基于DCT和LDA融合方法的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].長春：吉林大學(xué)，2015.

[8]方敏.基于人臉識(shí)別算法的研究及門禁系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2011.