CN101957912B - 基于多尺度各向异性扩散的人脸光照不变图像的获取方法 - Google Patents

Abstract

本发明是一种基于多尺度各向异性扩散算法的人脸光照不变特征图像的获取方法。属于图像处理技术领域。本发明基于朗伯凸表面模型将人脸图像分解为小尺度特征图像和大尺度特征图像。其中小尺度特征图像可视为一种较为理想的人脸光照不变特征图像。核心是通过引入新的区间不一致描述子，增强各向异性扩散算法对低频域图像的边缘保持能力，从而大大削弱算法的图像光晕效应；同时提出一种新的传递系数，降低由边缘锐化带来的噪声；引入一种各向异性扩散约束，使方法更加适合于处理人脸图像中的光照问题。实验表明即使在极其恶劣的光照条件下本发明也能获得很好的处理效果，并可有效地提高人脸识别或人脸认证对光照条件变化的鲁棒性。

Description

基于多尺度各向异性扩散的人脸光照不变图像的获取方法

技术领域

本发明属于图像处理技术领域，特别涉及一种人脸光照不变图像的获取方法，该方法能直接应用于光照变化条件下的实时人脸识别或人脸认证系统。

背景技术

由于人脸识别或人脸认证在国家安全、军事安全和公共安全领域的重要地位，使人脸识别或人脸认证技术研究得到很快的发展。但到目前，人脸识别对环境光照的影响有着难以克服的缺陷，这主要是由于光照变化的影响带来的人脸图像的变化甚至比人脸图像个体差异带来的变化大。另外，在人脸认证时的环境光照与注册时不同，人脸认证的识别性也会急剧下降，难以满足实际系统的需要。如何减小或抑制环境光照变化对人脸识别或人脸认证的影响已成为长期困扰在图像处理、模式识别相关领域的最具挑战性的难题。

要解决光照变化对人脸识别或人脸认证的影响，近年来，国内外研究人员工作可分为：第一类是建立光照变化下人脸模型的方法。这类方法对光照变化的处理效果较好，但在人脸识别领域则需要大量不同光照变化条件下的人脸图像样本，计算复杂度较大，耗时较长，在实际人脸识别的应用中受到一定的限制。第二类是对光照进行补偿的方法。这类方法普遍对光照变化的处理效果较差，在实际应用中往往达不到预期的要求。第三类是建立三维变形模型的方法。这类方法有很理想的效果，但缺点是算法的复杂度相当大，且对人脸图像样本数有较高的要求，通常也难以获得实际应用。第四类是提取光照不变特征的方法，其又可分为基于边缘的图像特征方法和基于特征图像的方法，研究表明，基于边缘的图像特征方法在光照变化较复杂时，人脸识别算法的性能随着光照角度变化的增大而急剧下降。基于特征图像的方法具有算法简单，不需光照变化建模，实用性较好等优点。本发明所涉及的方法就属于这一类。

基于特征图像的方法认为任意光照条件下成像的灰度图像遵从朗伯凸表面模型，可将此人脸灰度图像分解为：包含人脸图像中固有细节结构的小尺度特征图像ρ和包含外部光照、较大局部部件(如眼睛、鼻子等)造成的阴影及人脸大尺度结构的大尺度特征图像S。其中的小尺度特征图像ρ不随光照变化而变化，是一种较为理想的人脸光照不变特征图像。基于特征图像的方法就是试图从灰度图像中分离出不随光照变化的特征图像ρ。

发明内容

本发明的目的在于提出一种基于多尺度各向异性扩散的人脸光照不变图像的获取方法。以快速、有效地抑制普通光照处理方法带来的人脸图像的光晕效应，增强人脸轮廓及细节结构信息，有利于人脸人工辨识，并增强人脸识别或人脸认证系统对光照变化的鲁棒性。

本发明通过分析朗伯凸表面模型建立的人脸图像光照模型，认为提取光照不变的人脸特征图像的核心是要提取包含人脸图像中轮廓及细节信息的小尺度特征图像。本发明在传统的各向异性扩散算法的基础上引入新的区间不一致描述子，针对人脸光照变化问题提出新的传递系数，进而获得形成新的各向异性扩散算法，并将该算法应用于商图像理论中得到一种光照不变特征图像的获取方法。

该光照不变特征图像获取方法的实现步骤如下：

(1)对给定的受光照污染的人脸灰度图像，计算任意像素点的空间梯度

以及新的区间不一致描述子

(2)根据步骤(1)所得到的结果计算扩散传递系数α(x，y)和β(x，y)；

(3)利用步骤(1)、(2)所得结果构建本发明的各向异性扩散迭代方程式，对输入人脸灰度图像进行迭代计算直至迭代次数达到最大迭代次数T，得到的图像就是大尺度特征图像S；

(4)根据商图像理论并结合步骤(3)所得的大尺度特征图像对输入的人脸灰度图像进行处理得到人脸光照不变特征图像ρ。

与现有技术相比，本发明的优点是：

(1)引入一种新的区间不一致描述子，增强了算法对低频域图像的边缘保持能力，从而大大削弱了所获得的人脸光照不变特征图像中的光晕效应。

(2)提出一种新的传递系数，降低了由边缘锐化带来的噪声。

(3)引入一种各向异性扩散约束，使新的各向异性扩散算法更加适合于处理人脸灰度图像中的光照问题。

附图说明

图1：本发明方法的基本原理框图。

图2：相同梯度描述子不同传递系数下本发明算法所得大尺度特征图像S和小尺度特征图像ρ：(a)原始人脸图像；(b)传统传递系数所得大尺度特征图像S；(c)传统传递系数所得小尺度特征图像ρ；(d)本发明提出的传递系数所得大尺度特征图像S；(e)本发明提出的传递系数所得小尺度特征图像ρ。

图3：本发明方法与传统各向异性扩散算法的对比示意图(Yale B及CMU PIE人脸库)。其中：(a)原始图像；(b)传统各向异性扩散算法；(c)本发明方法。

图4：本发明方法与几种传统人脸光照不变特征图像提取算法的对比示意图(Yale B及CMU PIE人脸库)。其中，(a)原始图像；(b)自商图像(SQI)；(c)基于总变分模型的商图像(TVQI)；(d)非线性阈值小波去噪(NTW)；(e)本发明方法。

具体实施方式

以下结合附图对本发明方法进行具体的阐述。

图1是本发明方法的流程框图，一幅大小为M×N的受光照影响的已知人脸灰度图像可以表示为：

I(x，y)＝ρ(x，y)S(x，y)(x＝1，L，M，y＝1，L，N)

其中ρ(x，y)和S(x，y)分别表示小尺度特征图像和大尺度特征图像在像素点(x，y)处的灰度值，本发明方法从已知的受光照污染的人脸灰度图像中分离小尺度特征图像的具体步骤如下：

(1)对给定的受光照污染的人脸灰度图像I，计算任意像素点的空间梯度

以及

新的区间不一致描述子

其中像素点(x，y)的空间梯度定义为该点的图像灰度函数的一阶导数的幅值，由下式计算：

$|\▿I(x,y)|=\sqrt{{\left(\frac{\∂I(x,y)}{\∂x}\right)}^2+{\left(\frac{\∂I(x,y)}{\∂y}\right)}^2}$

其偏导数可依照下式计算：

$\frac{\∂I(x,y)}{\∂x}=I(x+1,y)-I(x-1,y)$

$\frac{\∂I(x,y)}{\∂y}=I(x,y+1)-I(x,y-1)$

其中，I(x+1，y)为像素点(x+1，y)的灰度值。为了计算新的区间不一致描述子

则需先定义两个区间领域：像素点(x，y)的R近邻区域N_xy(R)和近邻边界区域B_xy(R)，定义像素点(x，y)的R近邻边界区域B_xy(R)：

B_xy(R)＝{(i，j)|(i，j)∈N_xy(R)-N_xy(R-1)}

式中，N_xy(R)为点(x，y)的R近邻区域：N_xy(R)＝{(i，j)||x-i|≤R，|y-j|≤R}，对于一对近邻像素点(x，y)和(i，j)，我们则定义两个近邻区域：

N_xy；ij(x，y)＝{(v，w)||x-v|≤1，|y-w|≤1}

N_xy；ij(i，j)＝{(v′，w′)||i-v′|≤1，|j-w′|≤1}

假设像素(v，w)和(v’，w’)为两个近邻区域中相应的像素对，它们必须满足以下约束：x-v＝i-v’和y-w＝j-w’。对应两个近邻区域的灰度差计算如下式：

$D_{\mathrm{xy},\mathrm{ij}}^{+}=\underset{s.t.x-v=i-v,y-w=j-w^{\′}}{\underset{(v^{\′},w^{\′})\∈N_{\mathrm{xy};\mathrm{ij}}(i,j)}{\underset{(v,w)\∈N_{\mathrm{xy};\mathrm{ij}}(x,y)}{\mathrm{\Σ}}}}1-\exp (-\frac{{\left(d_{\mathrm{vw};v^{\′}{w}^{\′}}^{+}\right)}^2}{2})$

$D_{\mathrm{xy},\mathrm{ij}}^{-}=\underset{s.t.x-v=i-v^{\′},y-w=j-w^{\′}}{\underset{(v^{\′},w^{\′})\∈N_{\mathrm{xy};\mathrm{ij}}(i,j)}{\underset{(v,w)\∈N_{\mathrm{xy};\mathrm{ij}}(x,y)}{\mathrm{\Σ}}}}1-\exp (-\frac{{\left(d_{\mathrm{vw};v^{\′}{w}^{\′}}^{-}\right)}^2}{2})$

其中：

$d_{\mathrm{vw};v^{\′}{w}^{\′}}^{+}=\left\{\begin{array}{cc}{I}_{(v,w)}-I_{(v^{\′},w^{\′})},& \mathrm{if}{I}_{(v,w)}-I_{(v^{\′},w^{\′})}>0\\ 0,& \mathrm{otherwise}\end{array}\right.$

$d_{\mathrm{vw};v^{\&prime;}{w}^{\&prime;}}^{-}=\left\{\begin{array}{cc}{I}_{(v,w)}-I_{(v^{\&prime;},w^{\&prime;})},& \mathrm{if}{I}_{(v,w)}-I_{(v^{\&prime;},w^{\&prime;})}<0\\ 0,& \mathrm{otherwise}.\end{array}\right.$

式中，I_(v，w)为像素点(v，w)的灰度值。由此，区间不一致描述子H_(x，y)可表示为：

$H_{(x,y)}=\frac{{\mathrm{\&Sigma;}}_{(i,j)\&Element;B_{\mathrm{xy}}\left(1\right)}|D_{\mathrm{xy};\mathrm{ij}}^{+}-D_{\mathrm{xy};\mathrm{ij}}^{-}|}{8\left|B_{\mathrm{xy}}\left(1\right)\right|}$

为了保留灰度变化比较大的阴影边缘，增强算法在低频域的边缘保持能力，很好地弥补空间梯度的不足，并有效地消除光晕效应。我们对区间不一致描述子进行正弦变换得到新的区间不一致描述子。

${\hat{H}}_{(x,y)}=\sin (\frac{\mathrm{\&pi;}}{2}\&CenterDot;\frac{H_{(x,y)}-H_{\min }}{H_{\max }-H_{\min }})$

(2)根据步骤(1)所得到的空间梯度

以及新的区间不一致描述子

计算扩散传递系数α(x，y)和β(x，y)，为求得这两个传递系数必须先构建扩散传递系数的结构形式，本发明对传统的扩散传递系数形式

进行改进，从而得到新的扩散传递系数形式。并通过新的扩散传递系数形式(即如下等式)计算得到扩散传递系数α(x，y)和β(x，y)，其中本发明的参数配置为W＝1.5，h＝0.0075。

${\mathrm{\&alpha;}}_{(x,y)}=g_{\mathrm{new}}(H_{(x,y)},h)=\frac{1}{1+\sqrt{\frac{H_{(x,y)}}{h}}}$

${\mathrm{\&beta;}}_{(x,y)}=g_{\mathrm{new}}\left({|\&dtri;I}_{(x,y)}\right|,W)=\frac{1}{1+\sqrt{\frac{{|\&dtri;I}_{(x,y)}|}{W}}}$

为了验证新的扩散传递系数形式的有效性进行了相关的对比实验，图2是在相同梯度描述子下，本文算法采用本文提出的扩散传递系数与传统扩散传递系数所得到的大尺度特征图像和小尺度特征图像。可见本发明提出的扩散传递系数明显消弱了由边缘锐化带来的图像噪声。

(3)利用步骤(1)、(2)所得结果构建本发明的各向异性扩散迭代方程式，对输入图像进行迭代计算直至迭代次数达到最大迭代次数T＝15，得到的图像I^(t+1)就是大尺度特征图像S，迭代方程式的具体形式如下所示：

$I_{(x,y)}^{(t+1)}=I_{(x,y)}^{\left(t\right)}+{\mathrm{\&alpha;}}_{(x,y)}\frac{{\mathrm{\&Sigma;}}_{(i,j)\&Element;B_{\mathrm{xy}}\left(1\right)}{\mathrm{\&alpha;}}_{(i,j)}{\mathrm{\&beta;}}_{(i,j)}(I_{(i,j)}^{\left(t\right)}-I_{(x,y)}^{\left(t\right)})}{{\mathrm{\&Sigma;}}_{(i,j)\&Element;B_{\mathrm{xy}}\left(1\right)}{\mathrm{\&alpha;}}_{(i,j)}{\mathrm{\&beta;}}_{(i,j)}}.$

$I_{(x,y)}^{(t+1)}=\max (I_{(x,y)}^{(t+1)},I_{(x,y)}^{\left(t\right)})$

其中α(x，y)和β(x，y)为新的各向异性扩散的扩散传递系数。

(4)根据商图像理论并结合步骤(3)所得的大尺度特征图像对输入的人脸灰度图像进行处理得到人脸光照不变特征图像ρ，具体实现方法为对受光照污染的原始人脸灰度图像以及大尺度特征图像进行对数变换分别得到I′和S′，对灰度图像矩阵I′和S′求差I′-S′，并对求差后的结果进行指数变化得到小尺度特征图像ρ，对小尺度特征图像进行灰度图像规范化得到人脸光照不变特征图像ρ_规范化。

本发明方法的计算机仿真分析：

图3为传统各向异性扩散算法与本发明算法处理效果对比图。可以看到，本发明所获得的光照不变人脸图像明显消除了传统方法的光晕现象。这给人脸识别或人脸认证特征提取提供了很好的原始图像。

图4为本发明方法在Yale B及CMU PIE标准人脸图像库上与几种传统的人脸光照不变特征图像提取算法(自商图像(SQI)，基于总变分模型的商图像(TVQI)，非线性阈值小波去噪(NTW))的对比示意图。从图4可以明显看到，本发明的算法所获得的人脸特征图像的轮廓边缘更清晰，从人工辨识的角度，可以很清楚地辨别受光照污染而无法辨识的人脸图像。从图3、图4均可以看到在光照分布不均匀或光照条件较暗的情况下，本发明方法对光照变化均有很强的鲁棒性。

Claims (1)

1.一种基于多尺度各向异性扩散的人脸光照不变图像的获取方法，其特征在于所述方法包括以下步骤：

（1）对给定的受光照污染的人脸灰度图像I，计算任意像素点的空间梯度 

以及新的区间不一致描述子

（2）根据步骤（1）所得到的结果计算扩散传递系数α(x, y)和β(x, y)；

（3）利用步骤（1）、（2）所得结果构建新的各向异性扩散迭代方程式，对输入人脸灰度图像进行迭代计算直至迭代次数达到最大迭代次数T，得到的图像I^(t+1)为大尺度特征图像S；

（4）根据商图像理论并结合步骤（3）所得的大尺度特征图像对输入的人脸灰度图像进行处理，得到人脸光照不变特征图像ρ；

所述步骤（1）中新的区间不一致描述子

的计算方法如下：

先定义两个区间领域：像素点(x, y)的R近邻区域N_xy(R)和近邻边界区域B _xy (R)，定义像素点(x, y)的R近邻边界区域B _xy (R)：

B_xy(R)＝{(i，j)|(i，j)∈N_xy(R)-N_xy(R-1)}

式中，N_xy(R)为点(x, y)的R近邻区域：N_xy(R)＝{(i，j)||x-i|≤R，|y-j|≤R}，对于一对近邻像素点(x, y)和(i, j)，则定义两个近邻区域：

N_xy；ij(x，y)＝{(v，w)||x-v|≤1，|y-w|≤1}

N_xy；ij(i，j)＝{(v′，w′)||i-v′|≤1，|j-w′|≤1}

假设像素(v, w)和(v′, w′)为两个近邻区域中相应的像素对，它们必须满足以下约束：x - v = i - v′和y - w =j - w′；对应两个近邻区域的灰度差为：

其中：

其中，I _(v, w)为像素点(v, w)的灰度值；由此，区间不一致描述子H _(x ,y)表示为：

对区间不一致描述子H _(x ,y)进行正弦变换得到新的区间不一致描述子：

；

所述步骤（2）计算扩散传递系数α(x, y)和β(x, y)，采用如下的扩散传递系数形式：

其中，h为待设定参数，设定值为0.0075，W=1.5； 

为新的扩散传递系数形式；

所述步骤（3）中新的各向异性扩散迭代方程式的具体形式如下：

；

所述步骤（4）根据商图像理论并结合步骤（3）所得的大尺度特征图像对输入的人脸灰度图像进行处理得到人脸光照不变特征图像ρ的方法如下：

对受光照污染的人脸灰度图像I以及大尺度特征图像S进行对数变换分别得到I′和S′，对灰度图像矩阵I′和S′求差I′－S′，并对求差后的结果进行指数变化得到小尺度特征图像ρ，对小尺度特征图像进行灰度图像规范化得到人脸光照不变特征图像ρ _规范化，

。

Images