改進(jìn)Gamma校正的人臉圖像光照預(yù)處理算法

金玉多

摘要：光照不均和曝光質(zhì)量不佳均會(huì)降低人臉識(shí)別的準(zhǔn)確率。為此，提出一種改進(jìn)Gamma校正的人臉圖像預(yù)處理方法。首先，利用參數(shù)自適應(yīng)的Gamma校正改善人臉圖像的整體亮度;然后，采用拉普拉斯算子對(duì)人臉圖像中的邊緣進(jìn)行增強(qiáng);最后，將Gamma校正后的圖像與邊緣增強(qiáng)了的圖像進(jìn)行線性加權(quán)融合，進(jìn)而得到預(yù)處理后的人臉圖像。在YaleB人臉圖像庫的實(shí)驗(yàn)結(jié)果表明，該方法能有效提高人臉識(shí)別率，并且無須人工交互，計(jì)算量低。

關(guān)鍵詞：人臉識(shí)別; 光照預(yù)處理; 伽馬校正; 邊緣增強(qiáng)

中圖分類號(hào)：TP312? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）20-0214-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： The accuracy of face recognition will be reduced by uneven illumination and poor exposure quality. Therefore， a preprocessing algorithm of face illumination with improved gamma correction is proposed. Firstly， the overall brightness of the face images is improved by the gamma correction with adaptive parameter. Then， the edge of the face images is enhanced by Laplace operator. Finally， the gamma-corrected image was combined with the edge-enhanced image in a linear weighted manner to obtain the preprocessed face image. Experimental results in YaleB face image library show that this method can effectively improve the face recognition rate. Moreover，? there is no need for human interaction and the computation is low.

Key words： Face Recognition; Illumination Preprocessing; Gamma Correction; Ddge Enhancement

1 引言

人臉識(shí)別是一種在人臉圖像中提取人臉特征信息，從而達(dá)到識(shí)別人臉目的的圖像處理技術(shù)。近幾年來，人臉識(shí)別技術(shù)取得了長(zhǎng)足進(jìn)步，在理想條件下的識(shí)別精度穩(wěn)步提高[1]。然而，很多因素都會(huì)對(duì)成像質(zhì)量產(chǎn)生干擾，比如不同的姿態(tài)、各異的表情、復(fù)雜的光照、物體的遮擋等。盡管在不同的姿態(tài)和表情下，圖像中仍然能夠保留一些明顯的面部特征，可是復(fù)雜光照所產(chǎn)生的陰影和亮度不均現(xiàn)象卻會(huì)導(dǎo)致面部特征難以提取。具體地講，由于環(huán)境光照因素的影響，采集的人臉圖像可能會(huì)出現(xiàn)細(xì)節(jié)信息不突出、輪廓不清晰、特征不明顯等多種問題，以致降低在后續(xù)識(shí)別過程中的人臉識(shí)別準(zhǔn)確率。因此，提高復(fù)雜光照條件下的人臉圖像預(yù)處理效率，對(duì)保證人臉識(shí)別系統(tǒng)的精度具有重要的現(xiàn)實(shí)意義。

目前，人臉圖像的光照預(yù)處理方法可以大致分為如下三類，包括基于光照不變性提取的處理方法、基于模型的處理方法、基于圖像處理技術(shù)的處理方法[2]。其中，基于光照不變性提取的方法試圖從圖像中提取出一些不會(huì)因?yàn)楣庹沼绊懚l(fā)生改變的特征，如局部二值模式[3]、多特征融合[4]、熵圖像等。但是，此類方法在光照較強(qiáng)或較弱時(shí)，往往會(huì)出現(xiàn)失效的情況，不能在所有光照強(qiáng)度下均呈現(xiàn)令人滿意的魯棒性[5]?；谀Ｐ偷奶幚矸椒▌t借助特定的數(shù)學(xué)模型對(duì)大量的人臉圖像進(jìn)行訓(xùn)練和復(fù)原，在一定程度上提高了預(yù)處理算法的有效性，不過其假設(shè)較多且計(jì)算量很大，無疑增加了人臉識(shí)別的軟硬件成本?；趫D像處理技術(shù)的預(yù)處理方法的主要思想是通過改變不同灰度的像素?cái)?shù)量以及灰度值的相對(duì)變化來改善整體的圖像質(zhì)量，如Gamma灰度校正[6]、直方圖均衡[7]、線性拉伸等。考慮到此類算法執(zhí)行效率較高，并且實(shí)現(xiàn)效果也較為理想，本文也將精力集中于此。由于單純應(yīng)用Gamma灰度校正或直方圖均衡等方法只能達(dá)到提高對(duì)比度的目的，卻無法增強(qiáng)那些利于人臉識(shí)別的特征，文獻(xiàn)[7]在直方圖均衡算法的基礎(chǔ)上提取圖像的細(xì)節(jié)信息，再與直方圖均衡處理后的圖像進(jìn)行線性加權(quán)，不僅改善了圖像的成像質(zhì)量，也有效保留了部分細(xì)節(jié)信息，使得其人臉識(shí)別率產(chǎn)生了一定的性能提升。盡管該算法能夠提高圖像的對(duì)比度，可是不能很好地解決周圍環(huán)境因素所導(dǎo)致的光照不均問題。

針對(duì)以上這些方法的分析，仍然存在著一些不足。綜合各方法的優(yōu)缺點(diǎn)，本文主要基于圖像處理技術(shù)的方法對(duì)在不同光照條件下的人臉圖像進(jìn)行預(yù)處理。由于光照過亮、過暗都會(huì)對(duì)圖像造成一定的影響，本文的方法首先通過gamma校正的方式改善圖像的整體亮度。然后再通過邊緣增強(qiáng)算法將細(xì)節(jié)特征進(jìn)行保留，在保留原有圖像的灰度分布基礎(chǔ)上也較好地保留了細(xì)節(jié)特征，減輕了直接進(jìn)行線性拉伸而產(chǎn)生的細(xì)節(jié)特征不突出的情況。

2 圖像的Gamma校正

Gamma校正，亦稱“伽馬校正”，通過非線性變換來調(diào)整像素值，進(jìn)而改善圖像的整體亮度。該算法由三個(gè)主要步驟組成：

首先，將輸入圖像的所有像素值進(jìn)行歸一化，使其值域分布在[0，1]之間。

其次，通過給定的γ值對(duì)像素值進(jìn)行非線性映射，其計(jì)算過程如式（1）所示：

其中，I為輸入圖像的像素值，f（I）為輸出的非線性映射值，γ為非線性映射參數(shù)。需要指出，不同的γ值對(duì)圖像亮度質(zhì)量的改善效果不盡相同。當(dāng)γ<1時(shí)，圖像的灰度值增大，整體亮度提高并增強(qiáng)對(duì)比度;而當(dāng)γ<1時(shí)，圖像的灰度值減小，整體亮度降低，但也能在一定程度上增強(qiáng)圖像的對(duì)比度。

最后，對(duì)所得像素值進(jìn)行反歸一化，使得像素值的值域擴(kuò)大到[0，255]，從而獲得伽馬校正后的圖像。

為了說明上述處理對(duì)圖像的影響，圖1（a）至圖1（c）給出了一幅標(biāo)準(zhǔn)人臉測(cè)試圖像經(jīng)過Gamma校正后的效果。

3 邊緣增強(qiáng)的改進(jìn)Gamma校正算法

3.1 本文算法的基本思想

雖然傳統(tǒng)的Gamma校正能夠改善圖像的整體亮度，可是卻無法增強(qiáng)圖像的邊緣和紋理，而邊緣和紋理對(duì)于有效保持人臉特征、保證人臉識(shí)別精度則起著重要作用。為此，本文首先通過Gamma校正改善圖像的亮度;然后，利用拉普拉斯算子對(duì)所得圖像進(jìn)行邊緣增強(qiáng)，其計(jì)算過程和卷積模板如式（2）-式（3）所示：

最后，根據(jù)增強(qiáng)后的邊緣，再次自適應(yīng)調(diào)整圖像的整體亮度，從而使圖像在亮度和邊緣、紋理方面均能取得令人滿意的成像質(zhì)量。

根據(jù)上述思路，圖2給出了本文算法的詳細(xì)流程。在對(duì)人臉圖像進(jìn)行預(yù)處理之前，先明確輸入圖像的曝光狀態(tài)和亮度均勻程度。當(dāng)人臉圖像偏暗時(shí)，Gamma校正的參數(shù)應(yīng)在（0，1）區(qū)間進(jìn)行調(diào)整;反之，若人臉圖像偏亮或者曝光過度，則Gamma校正的參數(shù)值應(yīng)大于1。此時(shí)，人臉圖像的亮度已經(jīng)得到了初步改善。不過，考慮到亮度調(diào)整過程將使圖像的細(xì)節(jié)特征發(fā)生變化，本文通過拉普拉斯算子對(duì)圖像進(jìn)行了邊緣特征的提取，獲得細(xì)節(jié)特征增強(qiáng)的人臉圖像。借助系數(shù)因子，將得到的邊緣特征與Gamma校正處理后的圖像進(jìn)行加權(quán)融合，再次對(duì)圖像亮度進(jìn)行精細(xì)調(diào)整，得到預(yù)處理后的圖像。

本文算法的詳細(xì)步驟如下：

（1）通過傳統(tǒng)的Gamma校正對(duì)圖像的亮度進(jìn)行調(diào)整和改善，得到圖像[Ig]。

（2）利用拉普拉斯算子對(duì)圖像[Ig]上進(jìn)行邊緣增強(qiáng)，得到圖像[Il]。

（3）將[Ig]與[Il]按照適當(dāng)?shù)南禂?shù)進(jìn)行線性加權(quán)融合，得到基本處理后的圖像。

（4）根據(jù)基本處理后的圖像亮度特點(diǎn)，再次進(jìn)行調(diào)整，得到最終的輸出圖像。

3.2 伽馬校正參數(shù)的自適應(yīng)選取

光照不足或者過強(qiáng)都會(huì)對(duì)人臉圖像產(chǎn)生一定的影響。雖然Gamma校正能夠?qū)Σ痪鶆蛘斩鹊膱D像進(jìn)行一定改善，可是伽馬校正的參數(shù)卻需要用戶根據(jù)需要進(jìn)行交互修改，無法實(shí)現(xiàn)自適應(yīng)處理。這樣，不僅會(huì)明顯增加用戶的工作量，難以實(shí)現(xiàn)人臉圖像的自動(dòng)識(shí)別，而且也會(huì)產(chǎn)生不必要的誤差。為了能夠更好地解決圖像不均勻照度的問題，文獻(xiàn)[8]通過對(duì)二維Gamma函數(shù)進(jìn)行改進(jìn)，提出了一種光照不均勻圖像的自適應(yīng)校正算法[8]，取得了一定效果;文獻(xiàn)[9]進(jìn)一步將人為設(shè)定的光照亮度平均值128作為標(biāo)準(zhǔn)，對(duì)參數(shù)γ進(jìn)行自適應(yīng)調(diào)整，提出了一種改進(jìn)的二維Gamma校正算法[9]。然而，盡管基于二維Gamma函數(shù)的校正算法能夠取得較好的處理效果，可是其計(jì)算復(fù)雜度往往較高，不適用于規(guī)模較大的人臉數(shù)據(jù)庫。因此，本文提出一種一維Gamma校正參數(shù)的自適應(yīng)選取算法，以克服手動(dòng)調(diào)節(jié)參數(shù)的不便，并提高大規(guī)模人臉圖像數(shù)據(jù)庫的預(yù)處理效率。

首先，求出整體圖像像素的平均值，并據(jù)此判斷待處理圖像的整體曝光質(zhì)量。以灰度值128為基準(zhǔn)，整幅圖像的像素均值超過128，則將圖像視作偏亮，否則將圖像視作偏暗。進(jìn)而，以圖像均值偏離128的歸一化幅度作為Gamma校正的自適應(yīng)參數(shù)，其計(jì)算過程如式（4）所示：

圖3給出了在改進(jìn)前后，Gamma校正方法的結(jié)果對(duì)比。其中，圖3（a）、（e）為未處理過的原圖像，圖3（b）、（c）、（f）、（g）為不同參數(shù)對(duì)應(yīng)的原始Gamma校正處理后的圖像，而圖3（d）為本文改進(jìn)的自適應(yīng)Gamma校正處理后的圖像。從中可見，雖然圖3（b）（c）和圖3（f）（g）在一定程度上改善了人臉圖像的亮度，但是仍未取得最佳的成像質(zhì)量，而本文的自適應(yīng)校正方法則通過自適應(yīng)的參數(shù)選取方法，更好地對(duì)人臉圖像的整體亮度做出調(diào)整，使曝光質(zhì)量不佳的圖像變得更加清晰。同時(shí)，由于本文方法僅需計(jì)算圖像的平均亮度，并據(jù)此得出合適的校正參數(shù)，其計(jì)算量很低，完全不會(huì)對(duì)人臉識(shí)別系統(tǒng)造成計(jì)算負(fù)擔(dān)，有利于明顯提升人臉圖像的預(yù)處理效率。

圖4給出了本文的圖像預(yù)處理算法與傳統(tǒng)直方圖均衡算法的對(duì)比結(jié)果。其中，圖4（a）所示為未經(jīng)過預(yù)處理的原始圖像，圖4（b）為經(jīng)過直方圖均衡后的圖像，圖4（c）為利用本文算法處理后的圖像。再結(jié)合圖1的結(jié)果可以看出，直方圖均衡處理后的圖像質(zhì)量總體上優(yōu)于傳統(tǒng)Gamma校正后的圖像，圖像的細(xì)節(jié)特征相對(duì)保留較好，但傳統(tǒng)的Gamma校正算法和直方圖均衡都不能緩解亮度不均的問題，而且直方圖均衡甚至在左側(cè)面部區(qū)域產(chǎn)生了過曝光的現(xiàn)象，而本文算法不僅有效抑制了原始圖像的亮度不均現(xiàn)象，而且還很好地增強(qiáng)了原始圖像的邊緣和紋理，圖像更加清晰，邊緣特征也更加明顯。圖5進(jìn)一步給出了原圖像的灰度直方圖和本文方法處理后的灰度值分布。不難發(fā)現(xiàn)，本文方法在保持原圖像總體灰度分布不變的前提下，使得灰度值呈現(xiàn)出更明顯的雙峰分布，一方面有利于提高圖像的對(duì)比度，另一方面也有助于完整地保留了原始圖像的相對(duì)灰度變化，為后續(xù)的人臉識(shí)別奠定基礎(chǔ)。

3.3 圖像的加權(quán)融合

單純應(yīng)用Gamma校正和邊緣特征提取均無法實(shí)現(xiàn)在調(diào)整對(duì)比度的同時(shí)，有效增強(qiáng)可識(shí)別特征的目的，甚至Gamma校正還可能造成圖像細(xì)節(jié)的弱化或改變。考慮到這一點(diǎn)，本文進(jìn)一步對(duì)經(jīng)過Gamma校正和邊緣特征提取后的兩幅結(jié)果圖像進(jìn)行加權(quán)融合，以提高人臉識(shí)別的準(zhǔn)確率。其具體計(jì)算過程如式（5）所示：

其中，[f（I）]表示原圖像，[λ]表示待定的加權(quán)因子，[f（e）]表示進(jìn)行邊緣提取后的細(xì)節(jié)特征。通過大量實(shí)驗(yàn)，本文令[λ=1.2]。

由于細(xì)節(jié)特征的融合過程可能也會(huì)使圖像的亮度信息發(fā)生改變，此時(shí)，我們首先計(jì)算圖像均值M，如果M>128，就減小圖像的總體灰度值;反之，將全體像素的灰度值增加，使其平均亮度能夠趨于128。最終，獲得了預(yù)處理后的人臉圖像。這樣，融合后的圖像不但在亮度上做出了改善，同時(shí)細(xì)節(jié)信息也得到了一定的保留。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，采用YaleB人臉數(shù)據(jù)庫進(jìn)行測(cè)試，其原因在于該數(shù)據(jù)庫具有不同光照條件下的人臉圖像。該人臉圖像庫包含15個(gè)不同個(gè)體的具有不同年齡階段和性別的165張人臉圖像，每人各有11張圖像。圖6所示為某一個(gè)人的一組不同光照條件下的人臉圖像集合。

表1和圖7所示為分別選取不同數(shù)量的人臉圖像訓(xùn)練樣本時(shí)，各種預(yù)處理算法得到的人臉識(shí)別率。從中可以看出，經(jīng)過預(yù)處理后的人臉圖像識(shí)別率均高于未經(jīng)預(yù)處理的圖像識(shí)別率，表明亮度預(yù)處理對(duì)于改善人臉識(shí)別系統(tǒng)的性能具有積極作用。同時(shí)，本文方法在所有情況下均取得了最高的識(shí)別率，表現(xiàn)出較高的穩(wěn)定性，這說明在對(duì)圖像亮度進(jìn)行拉伸過程中盡量保留面部的細(xì)節(jié)特征，能夠更加有效地抑制光照給人臉圖像所帶來的負(fù)面影響，對(duì)提高人臉識(shí)別率具有重要意義。

5 結(jié)論

本文基于Gamma校正的改進(jìn)方法對(duì)人臉圖像進(jìn)行了灰度的變換和圖像細(xì)節(jié)的增強(qiáng)，以此來更好地保證圖像的相對(duì)灰度變化和細(xì)節(jié)的完整性。光照在人臉識(shí)別過程中是一個(gè)重要的影響因素，如何徹底地解決光照問題，仍然值得我們思考。本文的算法還有許多問題需要進(jìn)一步地研究和解決，比如針對(duì)gamma校正中的參數(shù)選擇等問題。無論是采用何種方法去除人臉圖像中的光照干擾，徹底地去除光照所帶來的影響幾乎都是不可能的[11]。如果光照問題能夠得到很好解決，人臉識(shí)別技術(shù)將能夠得到突破的進(jìn)展，比如在不良光照條件下的局部遮擋問題等。隨著人臉識(shí)別技術(shù)在各個(gè)領(lǐng)域的廣泛應(yīng)用，人臉圖像去光照的問題是值得我們進(jìn)一步研究的問題。在未來的人臉識(shí)別技術(shù)當(dāng)中，從不均勻照度的人臉圖像中提取最精準(zhǔn)的特征也許會(huì)成為更好的問題解決方式。同時(shí)人臉識(shí)別技術(shù)將會(huì)隨著信息技術(shù)的不斷發(fā)展在不同領(lǐng)域具有更多的用途。

參考文獻(xiàn)：

[1] W. Zhao， R. Chellappa， P. Phillips， et al.， "Face recognition： A literature survey，" Acm Computing Surveys （CSUR）， 2003（35）：399-458.

[2] 楊軍.基于圖像引導(dǎo)濾波的人臉光照預(yù)處理算法[J].計(jì)算機(jī)工程，2014（4）：182-186.

[3] Ahonen T， Hadid A， Pietikainen M. Face Description with Local Binary Patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（12）： 2037-2041.

[4] 程勇.基于多特征融合的復(fù)雜光照人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（14）：39-44.

[5] 顧思思.復(fù)雜光照條件下的人臉預(yù)處理算法[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（19）：187-191.

[6] Shan Shiguang， Gao Wen， Cao Bo. Illumination Normalization for Robust Face Recognition Against Varying Lighting Conditions[C]//Proc. of IEEE International Workshop on Analysis and Modeling of Faces and Gestures. Nice， France： IEEE Press， 2003： 157-164.

[7] 扈佃海，呂緒良，文劉強(qiáng).一種改進(jìn)的直方圖均衡化圖像增強(qiáng)方法[J].光電技術(shù)應(yīng)用，2012，27（03）：65-68.

[8] 王殿偉，王晶，許志杰，等.一種光照不均勻圖像的自適應(yīng)校正算法[J].系統(tǒng)工程與電子技術(shù)，2017，39（06）：1383-1390.

[9] LEE S. An efficient content-based image enhancement in the compressed domain using retinex theroy[J]. IEEE Trans. On Circuits and Systems for Video Technoogy， 2007，17（2）：199-213.

[10] 王惠，宗玉萍.基于PCA的人臉特征提取和識(shí)別[J].計(jì)算機(jī)產(chǎn)品與流通，2019（01）：153+156.

[11] 范春年.人臉識(shí)別中光照預(yù)處理方法[D].南京： 南京大學(xué)，2012.

【通聯(lián)編輯：唐一東】