CN104021387A - 基于视觉建模的人脸图像光照处理方法 - Google Patents

Abstract

本发明提供一种基于视觉建模的人脸图像光照处理方法，包括局部光照估计、改进Naka-Rushton等式调节因子、基于视网膜建模的光照归一化算法；通过用最大值滤波器代替高斯滤波器可以估计出更为准确的局部光照，并根据局部光照对图像进行光照分类，将不同类别的平均亮度作为光照归一化调节因子，提升光照归一化效果，有助于提高人脸识别系统的光照鲁棒性，有助于提高人脸识别的成功率。

Description

基于视觉建模的人脸图像光照处理方法

技术领域

本发明涉及一种基于视觉建模的人脸图像光照处理方法。 

背景技术

随着社会的发展和科技的进步，人类对快速高效的身份验证技术有着迫切的要求。生物特征是人类理想的身份验证依据，而人脸特征是目前身份验证中最为理想的生物特征。 

人脸识别是当前模式识别和人工智能领域的一个重要研究课题，在近年来得到了迅猛的发展，其主要可以被应用在视频监控、证件验证、刑侦破案等很多方面，在电子商务、多媒体和数字娱乐等领域也表现出越来越大的潜在应用价值。众多人脸识别系统在实验环境中的性能表现令人满意，但是仍存在许多问题亟待解决。 

光照变化是影响人脸识别鲁棒性的重要因素，细小的光照变化经常导致获取的人脸图像产生很大改变，从而严重降低了人脸识别系统的性能。为了消除光照的影响，研究人员提出了很多方法，主要有多尺度Retinex(MSR)方法、自商图像(SQI)方法、对数全变差(LTV)方法以及梯度脸方法等，但这些方法仍不能完全消除不同光照对人脸识别的影响。 

随后，Meylan等提出了一个改进的Naka-Rushton等式，并基于这个等式利用两种连续非线性处理模拟视网膜模型中外网层和内网层的自适应非线性信息处理机制，能够消除光晕现象并改善色调映射期间的整体表现。Vu利用上述的两种连续非线性处理和高斯差滤波器提出了一种基于视觉建模的光照归一化方法，这种方法在光照变化的人脸识别中有很好的表现。 

但Vu提出的这种算法不足之处在于： 

1、利用高斯滤波器模拟无长突细胞和水平细胞获取局部光照经常会使图像边缘产生不准确的局部光照，从而影响后续结果。 

2、图像的平均亮度作为对每个像素的调节因子的一部分会导致黑暗区域的欠拉伸和明亮区域的过拉伸。 

发明内容

为解决上述方法在光照变化情况下人脸识别的效果不能令人满意的问题，本发明利用最大值滤波器和光照分类器估计出合适的调节因子，提出了一种改进的视网膜建模方法消除人脸图像中光照变化的影响，从而在获得更好的光照归一化效果的同时保留更多的图像细节。 

本发明的技术解决方案是： 

一种基于视觉建模的人脸图像光照处理方法，包括局部光照估计、改进Naka-Rushton等式调节因子、基于视网膜建模的光照归一化算法； 

利用最大值滤波器替代高斯滤波器来模拟水平细胞和无长突细胞的功能，进行局部光照估计； 

将局部光照图像依据亮度分类，不同类别各自的平均亮度作为基于视网膜建模的光照归一化调节因子，改进Naka-Rushton等式进行视网膜建模，以实现光照归一化。 

优选地，局部光照估计：根据简单Lambert光照模型，一幅图像I(x，y)由反射率R(x，y)和照度L(x，y)共同描述；假设I为初始人脸图像，则I的局部光照图像L_I可被定义为：其中Ω是一个邻域窗，p_i，j是点(i，j)的邻点。 

优选地，利用经典的Otsu算法进行光照分类； 

根据Otsu算法，使t作为光照图像L_I的阈值，将其分成两个集合： 

S₁＝{L_I(x，y)|L_I(x，y)≥t}，S₂＝{L_I(x，y)|L_I(x，y)＜t}    (1) 

其中，L_I(x，y)是L_I在点(x，y)处的亮度值； 

图像I的调节因子A_I可由以下公式求得： 

$A_I(x,y)=\left\{\begin{array}{cc}\stackrel{\‾}{S_1}/2& L_I(x,y)\∈S_1\\ \stackrel{\‾}{S_2}/2& L_I(x,y)\∈S_2\end{array}\right.---\left(2\right)$

其中，和分别是集合S₁和S₂的平均值。 

优选地，初始人脸图像I的视网膜建模过程包括模拟感光层、模拟外网层、模拟内网层。 

优选地，模拟感光层：利用下面公式对人脸图像I进行处理： 

P(x，y)＝I(x，y)(I_max+F_I(x，y))/(I(x，y)+F_I(x，y))    (3) 

F_I＝L_I+A_I        (4) 

其中，I_max是图像I的最大值。 

优选地，模拟外网层：P按下面公式处理： 

O(x，y)＝P(x，y)(P_max+F_P(x，y))/(P(x，y)+F_P(x，y))    (5) 

F_P＝L_P+A_P        (6) 

优选地，模拟内网层：采用空间带通滤波进行轮廓增强。 

$E=(\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_l^2}{e}^{\frac{x^2+y^2}{2{\mathrm{\σ}}_L^2}}-\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_h^2}{e}^{\frac{x^2+y^2}{2{\mathrm{\σ}}_H^2}})*O---\left(7\right)$

其中，σ_l和σ_h分别设为0.5和4，邻域窗Ω大小为3×3。 

本发明的有益效果是：本发明利用最大值滤波器估计出更准确的局部光照，并根据亮度对局部光照图像进行分类，将不同类别的平均亮度作为基于视网膜建模的光照归一化调节因子，可以获得更好的光照归一化效果，有助于提高人脸识别的成功率。 

附图说明

图1是初始图像与实施例方法处理后图像的对比图。 

图2是实施例方法与其他方法结果对比图。 

具体实施方式

下面结合附图详细说明本发明的优选实施例。 

为了克服利用Naka-Rushton等式进行视网膜建模存在的问题，进一步提高光照归一化的效果，提出一种改进的基于视网膜建模的光照归一化算法：通过用最大值滤波器代替高斯滤波器可以估计出更为准确的局部光照，并根据局部光照对图像进行光照分类，将不同类别的平均亮度作为光照归一化调节因子，提升光照归一化效果，有助于提高人脸识别系统的光照鲁棒性。 

实施例涉及对复杂光照下人脸识别系统的光照鲁棒性的研究，包括局部光照估计、对Naka-Rushton等式调节因子的改进、基于视网膜建模的光照归一化算法。 

在Lambert光照模型中，在一个局部区域内像素的最大值比高斯滤波得到的值更接近其局部光照，因此利用最大值滤波器替代高斯滤波器来模拟水平细胞和无长突细胞的功能能够更准确地估计人脸图像的局部光照。 

图像平均亮度作为对每个像素的调节因子的一部分会导致图像的黑暗区域欠拉伸和明亮区域过拉伸，为解决该问题，先利用经典的Otsu算法把局部光照图像根据亮度分类后，然后将不同类别各自的平均亮度作为基于视网膜建模的光照归一化调节因子，并改进Naka-Rushton等式进行视网膜建模以实现光照归一化。 

改进的视网膜建模： 

Naka-Rushton等式最初被用来模拟深海鱼类的视网膜光照非线性处理机制。该等式被描述为Y=X/(X+X0)，其中X是输入的光照强度，Y是调整过的信号，X0是调节因子。这个函数可以增强黑暗区域的对比度并且保持明亮区域没有明显变化。因此，与输入信号强度相比，调节因子X0应该与实际局部光照有更强的联系。基于以上分析，通过准确的局部光照和光照分类获得合适的调节因子来改进Naka-Rushton等式。 

局部光照估计：根据简单Lambert光照模型，一幅图像I(x，y)可由反射率R(x，y)和照度L(x，y)共同描述。因此，在R未知的情况下不能从图像中获得L的准确值。过去为了分离R与L常假定L变化缓慢而R变化频繁，从而可以利用高斯滤波器作为低通滤波器来进行图像的局部光照估计。但是这个假设在很多情况下并不成立。除此之外，高斯滤波常常在反射率变化频繁的区域不能获得准确的局部光照。从Lambert光照模型中可以看出，在一个局部区域内像素的最大值比高斯滤波得到的值更接近其局部光照。所以使用了最大值滤波器替代高斯滤波器来模拟水平细胞和无长突细胞的功能。假设I为初始人脸图像，则I的局部光照图像L_I可被定义为：L_I(i，j)=Arg，其中Ω是一个邻域窗，p_i，j是点(i，j)的邻点。 

光照分类：图像平均亮度作为对每个像素的调节因子的一部分会导致黑暗区域的欠拉伸和明亮区域的过拉伸。为解决这个问题，首先，将局部光照图像根据亮度划分为不同类别；然后，不同类别的平均亮度作为基于视网膜建模的光照归 一化调节因子。本发明利用经典的Otsu算法进行光照分类。根据Otsu算法，使t作为光照图像L_I的阈值，将其分成两个集合： 

S₁＝{L_I(x，y)|L_I(x，y)≥t}，S₂＝{L_I(x，y)|L_I(x，y)＜t}    (1) 

其中，L_I(x，y)是L_I在点(x，y)处的亮度值。图像I的调节因子A_I可由以下公式求得： 

$A_I(x,y)=\left\{\begin{array}{cc}\stackrel{\‾}{S_1}/2& L_I(x,y)\∈S_1\\ \stackrel{\‾}{S_2}/2& L_I(x,y)\∈S_2\end{array}\right.---\left(2\right)$

其中，和分别是集合S₁和S₂的平均值。 

视网膜建模： 

一幅初始人脸图像I的视网膜建模过程如下： 

模拟感光层：首先，利用下面公式对人脸图像I进行处理： 

P(x，y)＝I(x，y)(I_max+F_I(x，y))/(I(x，y)+F_I(x，y))    (3) 

F_I＝L_I+A_I        (4) 

其中，I_max是图像I的最大值。 

模拟外网层：然后，P按下面公式处理： 

O(x，y)＝P(x，y)(P_max+F_P(x，y))/(P(x，y)+F_P(x，y))    (5) 

F_P＝L_P+A_P        (6) 

模拟内网层：最后，采用空间带通滤波进行轮廓增强。 

$E=(\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_l^2}{e}^{\frac{x^2+y^2}{2{\mathrm{\σ}}_L^2}}-\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_h^2}{e}^{\frac{x^2+y^2}{2{\mathrm{\σ}}_H^2}})*O---\left(7\right)$

其中，σ_l和σ_h分别设为0.5和4，邻域窗Ω大小为3×3。 

实验验证 

图1中，上图为初始图像，下图为处理后图像。从图1中可以看出，本实施例方法生成了很好的自然图像，在保留细节的同时有效地消除了光照对人脸图像的影响。 

图2是实施例方法与其他方法结果对比表。在随机抽取人脸图像库中每个人的一幅图像作为训练集合的情况下，表中数据显示，实施例方法的人脸识别成功率均高于其他方法，进一步证明了本方法的有效性。 

Claims (7)

1.一种基于视觉建模的人脸图像光照处理方法，其特征在于：包括局部光照估计、改进Naka-Rushton等式调节因子、基于视网膜建模的光照归一化算法； 

利用最大值滤波器替代高斯滤波器来模拟水平细胞和无长突细胞的功能，进行局部光照估计； 

将局部光照图像依据亮度分类，不同类别各自的平均亮度作为基于视网膜建模的光照归一化调节因子，改进Naka-Rushton等式进行视网膜建模，以实现光照归一化。 

2.如权利要求1所述的基于视觉建模的人脸图像光照处理方法，其特征在于，局部光照估计：根据简单Lambert光照模型，一幅图像I(x，y)由反射率R(x，y)和照度L(x，y)共同描述；假设I为初始人脸图像，则I的局部光照图像L_I可被定义为：其中Ω是一个邻域窗，p_i，j是点(i，j)的邻点。 

3.如权利要求1所述的基于视觉建模的人脸图像光照处理方法，其特征在于：利用经典的Otsu算法进行光照分类； 

根据Otsu算法，使t作为光照图像L_I的阈值，将其分成两个集合： 

S₁＝{L_I(x，y)|L_I(x，y)≥t}，S₂＝{L_I(x，y)|L_I(x，y)＜t}   (1) 

其中，L_I(x，y)是L_I在点(x，y)处的亮度值； 

图像I的调节因子A_I可由以下公式求得： 

其中，和分别是集合S₁和S₂的平均值。 

4.如权利要求1-3任一项所述的基于视觉建模的人脸图像光照处理方法，其特征在于，初始人脸图像I的视网膜建模过程包括模拟感光层、模拟外网层、模拟内网层。 

5.如权利要求4所述的基于视觉建模的人脸图像光照处理方法，其特征在于，模拟感光层：利用下面公式对人脸图像I进行处理： 

P(x，y)＝I(x，y)(I_max+F_I(x，y))/(I(x，y)+F_I(x，y))    (3) 

F_I＝L_I+A_I    (4) 

其中，I_max是图像I的最大值。 

6.如权利要求4所述的基于视觉建模的人脸图像光照处理方法，其特征在于，模拟外网层：P按下面公式处理： 

O(x，y)＝P(x，y)(P_max+F_P(x，y))/(P(x，y)+F_P(x，y))    (5) 

F_P＝L_P+A_P        (6) 

7.如权利要求4所述的基于视觉建模的人脸图像光照处理方法，其特征在于，模拟内网层：采用空间带通滤波进行轮廓增强。 

其中，σ_l和σ_h分别设为0.5和4，邻域窗Ω大小为3×3。