CN104102907B - 一种消除光照不均匀的lbp人脸识别方法 - Google Patents

Abstract

本发明公开了一种消除光照不均匀的LBP人脸识别方法，解决光照不均匀影响LBP人脸识别率的问题。采用的技术方案是：将人脸灰度图片I变换到Log域，分离出带着光照不变信息的人脸图片R；将人脸图片I进行阈值分割，得到标记出光照区域和阴影区域的图片M；根据图片M，将图片R和图片I进行合并成一张消除掉光照区域和阴影区域的新图片N；对图片N各个子块提取LBP纹理特征向量；最后将各个子块的LBP特征向量按顺序串成一个特征向量，此向量即最后提取的消除光照影响的LBP特征向量。本发明大大减小光照对人脸识别的影响，有效改善人脸识别的光照鲁棒性，提升人脸识别的正确率。

Description

一种消除光照不均匀的LBP人脸识别方法

技术领域

本发明属于数字图像处理、模式识别技术领域，特别涉及一种消除光照不均匀的LBP人脸识别方法。

背景技术

生物识别技术是通过人类生物特征识别身份的一种技术。生物识别技术所研究的生物识别特征包括人脸、指纹、掌纹、虹膜、视网膜等等。由于人体特征的唯一性，这些人体生物密钥是很难被复制、失窃或者遗失的，因此生物识别技术比传统的身份鉴定方法更可靠、便捷。人脸识别是近年来发展最快的生物特征识别技术。人脸识别的主要算法有基于几何特征的人脸识别方法、基于模板匹配的人脸识别方法、基于样本学习的人脸识别方法和基于纹理特征的人脸识别方法，本文介绍的LBP（Local Binary Pattern）即局部二值模式是一种基于纹理特征的人脸识别方法。

LBP是一种灰度范围内的纹理度量，最初由Ojala等人提出，并将其成功运用于纹理分类（见参考文献1），后来被引用到人脸识别当中，并取得了较好的效果。然而在实际应用中，大多数算法对光照的变化都十分敏感。事实上，光照变化导致的人脸图像的差异已经超过由于个体不同引起的图像差异，根据国际人脸识别评估报告，在复杂的光照条件下，目前各种人脸识别算法的识别率平均下降15%左右。在光照变化情况下LBP人脸识别结果也很不理想（见参考文献2）。

目前人脸图像的光照处理方法大致分为以下两类：（1）提取光照不变特征进行人脸识别；（2）恢复标准光照人脸图像进行人脸识别。前者从图像中提取既对光照变化不敏感又能代表个体特征的信息，而不需要考虑图像可视化的效果。后者对不同光照条件下的人脸图像进行修正，得到正面正常光照条件下的人脸图像，保证图像的视觉质量。对于光照不变特征的进行人脸识别的方法，人们经常假设人脸的成像过程符合朗伯光照模型。根据朗伯光照模型，一副灰度人脸图像可以认为是反射系数（光照不变特征量）R(x,y)和光照分量L(x,y)的乘积，即光照条件下的图像I(x,y)可以表示为：

I(x,y)= R(x,y) L(x,y)

对一副光照图像来说，R(x,y)是光照不变量，是用于人脸识别的重要特征，所以人们通过把I(x,y)的光照分量L(x,y)滤除掉，提取出光照不变特征R(x,y)用于人脸识别。这样虽然可以改善光照对人脸识别的影响，但是丢弃了人脸图像的光照分量L(x,y)，这部分分量也带着人脸特征的信息。对于非均匀光照的人脸图像，一般是人脸的一部分存在光照，一部分不存在光照，这种情况下如果采用上述方法，对于存在光照的区域可以提取出光照不变特征，但是对于不存在光照的区域就会丢失掉L(x,y)携带的人脸特征的信息。

针对上述问题，本发明提出一种既能保留非光照区域的人脸所有特征信息又能提取光照区域的人脸光照不变特征的LBP人脸识别方法。

参考文献1 Ojala T., Matti P and David H. A​Comparative​Study​of​Texture​Measures​with​Classification​based​on​Feature​Distribution. Patternrecognition, 1996.29(1), pp51-59.

参考文献2：Ahonen, T., Hadid, A., Pietikainen, M.. Face recognitionwith local binary patterns. 8^th European Conference on Computer Vision, 2004,pp469-481。

发明内容

本发明的目的在于消除不均匀光照对LBP人脸识别方法的影响。

为实现上述目的，本发明采用的方法按以下步骤实现：一种消除光照不均匀的LBP人脸识别方法，其特征在于：按以下步骤实现，

S01：先进行人脸图像提取，然后转化为人脸灰度图像I(x,y)，根据朗伯光照模型，由I(x,y)= R(x,y) L(x,y)；提取光照不变特征图像R(x,y)，其中L(x,y) 为光照分量；

S02：将人脸灰度图像进行均匀分块；

S03：标记存在光照或者阴影的子块，获得标记图像M(x,y)；

S04：参照标记图像M(x,y)标记的区域，在M(x,y)标记光照或阴影的子块提取光照不变特征图像R(x,y)上相应的区域，在标记正常的子块提取灰度人脸图像I(x,y)上相应的区域，然后合并成一张新的人脸图像N(x,y)；

S05：对新的人脸图像N(x,y)提取各个子块的LBP纹理特征值向量，然后将各个子块的特征向量按顺序连接成一个一维向量，用于人脸识别。

在本发明一实施例中，所述步骤S01中将灰度图像转换到对数域，再滤除光照信息：即，由于是高频分量而属于低频分量，根据，将通过一个高通滤波器滤除，提取出；也能根据公式，将通过一个低通滤波器提取出，再用减去，即可得到。

在本发明一实施例中，所述步骤S03中采用阈值分割方法将光照和阴影区域分割出来，判断这些区域在哪些子块上，标记这些子块。

在本发明一实施例中，所述步骤S02中分块方法为将人脸图像分为(n>1)个子块。

在本发明一实施例中，所述的n为6或7。

在本发明一实施例中，所述合并成一张新的人脸图像N(x,y)需要将一张灰度人脸图像、一张光照不变特征图像和一张标记了光照区域和阴影区域的标记图像进行合并。

在本发明一实施例中，所述的用于合并的三张图像具有相同的分块方式，标记图像上标记了光照或者阴影的子块所对应的位置采用光照不变特征图像上相应位置的子块进行填充，标记图像上标记正常的子块所对应的位置采用灰度人脸图像上相应位置的子块进行填充。

在本发明一实施例中，所述一维向量的连接方式：对新图像的各个子块按照左上角到右下角的顺序分别提取每个子块的LBP纹理特征向量，然后对所述的各个子块的特征向量进行首尾相接，拼成一个一维向量。

相较于以往的光照处理方法，本发明具有以下有益效果：本发明提供了一种新的更好的光照处理方法，能够提高非均匀光照下的人脸识别率。

附图说明

图1为本文光照处理算法的流程图。

图2为提取的光照不变特征图像。

图3为提取的标记光照和阴影的图像。

图4为合成的新图像。

具体实施方式

下面结合附图，对本发明的方法进行具体说明。

本发明提出一种消除光照不均匀的LBP人脸识别方法，解决光照不均匀影响LBP人脸识别率的问题，按以下步骤实现，

S01：提取光照不变特征图像。根据朗伯光照模型，将人灰度人脸图像认为是反射系数R(x,y)和光照分量L(x,y)的乘积，即I(x,y)= R(x,y) L(x,y)。由于R(x,y)和L(x,y)无法由滤波器直接分离，可将图像都变换到对数域，即。由于是高频分量而属于低频分量，根据可以将通过一个高通滤波器滤除，提取出；也可以根据公式，将通过一个低通滤波器提取出，再用减去，即可得到。

S02：将灰度人脸图像进行均匀分块。

S03：标记存在光照或者阴影的子块。非均匀光照下的人脸存在光照区域亮度比较高，阴影区域亮度比较低，体现在灰度图像上就是灰度值的高低，可以采用阈值分割方法将高亮度和阴影区域都分割出来，判断这些区域在哪些子块上，标记这些子块，如附图2，图像M(x,y)白色区域就是标记的子块。

S04：合成带有原始图像和光照不变特征图像的新图像。参照标记图像M(x,y)标记的区域，在M(x,y)标记白色的区域提取光照不变特征图像R(x,y)上相应的区域，在标记黑色的区域提取灰度人脸图像I(x,y)上相应的区域，然后合并成一张新的人脸图像N(x,y)。

S05：对新的图像N(x,y)提取各个子块的LBP纹理特征值向量，然后将各个子块的特征向量按顺序连接成一个一维向量，用于人脸识别。

以下为本发明的具体实施例。

如图1是本发明的算法的流程图。先进行人脸图像提取，然后转化为灰度图像并进行几何归一化等预处理，得到人脸灰度图像I(x,y)；再提取出光照不变特征R(x,y)；在I(x,y)上进行阈值分割提取光照与阴影的区域，创建一张标记图M(x,y)，标记出存在光照与阴影的子块；将I(x,y)、R(x,y)合并成新的图像N(x,y)；最后对新合成的图像提取分块LBP纹理特征。

如图2是提取的光照不变特征图像，根据朗伯光照模型，将人灰度人脸图像认为是反射系数R(x,y)和光照分量L(x,y)的乘积，即I(x,y)= R(x,y) L(x,y)。由于R(x,y)和L(x,y)无法由滤波器直接分离，可将图像都变换到对数域，即。由于是高频分量而属于低频分量，将通过一个低通滤波器提取出，即，再用减去，可得到，即。

所通过的低通滤波器选取膨胀滤波器，滤波后得到，然后将的所有像素值减去，得到的的所有像素的灰度值再经过线性变换到0-255之间。

如图3是标记了光照与阴影的标记图。先对灰度人脸图I(x,y)像进行阈值分割，分别采用不同的阈值分割出光照的区域和阴影的区域，然后创建一张空白的标记图，并均匀分块，分为6*6的36个大小相同的子块，对照光照和阴影区域的位置，把标记图的相应的子块标记成白色，对非光照或者阴影的区域对应的子块标记成黑色，形成标记图M(x,y)。

如图4是将灰度人脸图像I(x,y)、光照不变特征图像R(x,y)进行合并成新的人脸图像N(x,y)。合并的方法是对I(x,y)、R(x,y)、M(x,y)都进行一样的6*6均匀分块。参照标记图M(x,y)，对标记白色的子块，提取R(x,y)相同位置子块的图像数据，对标记黑色的子块，提取I(x,y)相同位置子块的数据，然后合并成新的人脸图像N(x,y)。

对所述的人脸图像N(x,y)也进行6*6均匀分块，从左上角到右下角，分别提取每个子块的统一局部二值模式（UniformLBP）纹理特征，这样就能得到36个一维的纹理特征向量。将这36个向量按照顺序头尾相接，拼接成一个大的一维特征向量，此向量即所提取的人脸特征向量。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种消除光照不均匀的LBP人脸识别方法，其特征在于：按以下步骤实现，

S01：先进行人脸图像提取，然后转化为人脸灰度图像I(x,y)，根据朗伯光照模型，由I(x,y)＝R(x,y)L(x,y)；提取光照不变特征图像R(x,y)，其中L(x,y)为光照分量；

S02：将人脸灰度图像进行均匀分块；

S03：标记存在光照或者阴影的子块，获得标记图像M(x,y)；

S04：参照标记图像M(x,y)标记的区域，在M(x,y)标记光照或阴影的子块提取光照不变特征图像R(x,y)上相应的区域，在标记正常的子块提取灰度人脸图像I(x,y)上相应的区域，然后合并成一张新的人脸图像N(x,y)；

S05：对新的人脸图像N(x,y)提取各个子块的LBP纹理特征值向量，然后将各个子块的特征向量按顺序连接成一个一维向量，用于人脸识别；

所述合并成一张新的人脸图像N(x,y)需要将一张灰度人脸图像、一张光照不变特征图像和一张标记了光照区域和阴影区域的标记图像进行合并；

所述的用于合并的三张图像具有相同的分块方式，标记图像上标记了光照或者阴影的子块所对应的位置采用光照不变特征图像上相应位置的子块进行填充，标记图像上没有标记的子块所对应的位置采用灰度人脸图像上相应位置的子块进行填充；

所述一维向量的连接方式：对新图像的各个子块按照左上角到右下角的顺序分别提取每个子块的LBP纹理特征向量，然后对所述的各个子块的特征向量进行首尾相接，拼成一个一维向量。

2.根据权利要求1所述的一种消除光照不均匀的LBP人脸识别方法，其特征在于：所述步骤S01中将灰度图像转换到对数域，再滤除光照信息：即I'＝Log(I)＝Log(R)+Log(L)＝R'+L'，由于R'是高频分量而L'属于低频分量，根据R'＝I'-L'，将I'通过一个高通滤波器滤除L'，提取出R'；也能根据公式L'＝I'-R'，将I'通过一个低通滤波器提取出L'，再用I'减去L'，即可得到R'。

3.根据权利要求1所述的一种消除光照不均匀的LBP人脸识别方法，其特征在于：所述步骤S03中采用阈值分割方法将光照和阴影区域分割出来，判断这些区域在哪些子块上，标记这些子块。

4.根据权利要求1所述的一种消除光照不均匀的LBP人脸识别方法，其特征在于：所述步骤S02中分块方法为将人脸图像分为n²(n>1)个子块。

5.根据权利要求4所述的一种消除光照不均匀的LBP人脸识别方法，其特征在于：所述的n为6或7。