CN106991369A - 一种基于平滑滤波的人脸光照不变特征提取方法 - Google Patents

Abstract

本发明公开了一种基于平滑滤波的人脸光照不变特征提取方法，包括以下步骤：利用平滑滤波对人脸图像进行处理；处理后的图像与原图像对应像素进行除法运算，消除慢变化的人脸光照部分，所得结果就是需要提取的人脸光照不变特征。本发明对不同角度的光照具有一定的抑制作用，处理后人脸图像的识别率较现有的算法处理后的人脸识别率高；本发明采用平滑滤波和除法运算对人脸图像做光照处理，方法简单，识别速度快。

Description

一种基于平滑滤波的人脸光照不变特征提取方法

技术领域

本发明涉及模式识别技术领域，具体是一种基于平滑滤波的人脸光照不变特征提取方法。

背景技术

随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切需求，生物特征识别技术在近几十年中得到了飞速的发展。当前的生物特征识别技术主要包括有：指纹识别、虹膜识别、人脸识别等。与其他识别方法相比，人脸识别由于具有直接、友好、方便的特点，从而得到了广泛的研究与应用。然而，光照变化对人脸识别的影响特别大，相同人脸图像在不同光照条件下的差异往往大于不同人脸图像在相同光照条件下的差异，因此光照问题成为了影响人脸识别系统鲁棒性的关键因素之一。解决人脸识别中光照问题的方法主要分为三类：提取光照不变特征、光照变化的建模、光照条件标准化。在提取光照不变特征的方法中，又主要分为两种：第一种是在对数域，通过高通滤波消除光照分量，例如：在对数域中，利用离散余弦变换(DCT)或小波变换进行滤波处理等方法。第二种是构造除法运算，通过除法运算来消除慢变化的光照分量，例如：梯度脸(Gradient-face)、韦伯脸(Weber-face)、局部二值模式(Local Binary Pattern，LBP)等方法。因此，如何高效地提取光照不变特征，开拓新的思路，挖掘新的方法，成为了人脸识别的基本问题之一。

发明内容

本发明的目的在于提供一种能够提高人脸识别率的基于的人脸光照不变特征提取方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于平滑滤波的人脸光照不变特征提取方法，包括以下步骤：

(1)利用平滑滤波对人脸图像进行处理；

(2)与原图像对应像素进行除法运算，消除慢变化的人脸光照部分，所得结果就是需要提取的人脸光照不变特征。

作为本发明进一步的方案：根据光照反射模型，任意灰度人脸图像I(x,y)可以看成是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)；所述步骤(1)中，应用了平滑滤波3×3模板得到处理后的人脸图像I'。

作为本发明进一步的方案：以平滑滤波3×3模板J₁进行处理后的人脸图像，某像素点(x,y)的灰度值为I'(x,y)如公式(1)所示：

为了表述方便，I(x+m,y+n)简记为I_m,n，同理，R(x+m,y+n)简记为R_m,n，L(x+m,y+n)简记为L_m,n，则公式(1)简记为公式(2)，如下所示：

根据光照反射模型进一步得到公式(3)：

作为本发明进一步的方案：所述步骤(2)中除法运算为R(x,y)代表人脸的关键信息，而L(x,y)是慢变化的，在局部是近似不变的，所以通过除法运算来近似消除该分量，得到公式(4)：

作为本发明进一步的方案：光照分量L(x,y)变化缓慢，所以有公式(5)：

L_0,0≈L_-1,-1≈L_0,-1≈L_1,-1≈L_-1,0≈L_1,0≈L_-1,1≈L_0,1≈L_1,1 (5)；

对于公式(5)的所有变量均用L_t替代，并代入公式(5)，得到公式(6)：

因此消除了光照分量。

与现有技术相比，本发明的有益效果是：

本发明对不同角度的光照具有一定的抑制作用，处理后人脸图像的识别率较现有的算法处理后的人脸识别率高；本发明采用平滑滤波和除法运算对人脸图像做光照处理，方法简单，识别速度快。

附图说明

图1为本发明提取人脸光照不变特征的基本流程图。

图2为本发明中以(x,y)为中心的八邻域灰度值矩阵及其对应的简化表达示意图。

图3为提取CMU PIE人脸数据库光照不变特征前后的人脸示例图。

图4为提取扩展Yale B正面人脸库光照不变特征前后的人脸示例图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-4，一种基于平滑滤波的人脸光照不变特征提取方法，包括以下步骤：

(1)利用平滑滤波对人脸图像进行处理；

(2)与原图像对应像素进行除法运算，消除慢变化的人脸光照部分，所得结果就是需要提取的人脸光照不变特征。

根据光照反射模型，任意灰度人脸图像I(x,y)可以看成是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)；所述步骤(1)中，应用了平滑滤波3×3模板得到处理后的人脸图像I'。

所述步骤(2)中除法运算为R(x,y)代表人脸的关键信息，而L(x,y)是慢变化的，在局部是近似不变的，所以通过除法运算来近似消除该分量。

具体来说，所述基于平滑滤波的人脸光照不变特征提取方法，具体步骤如下：

(1)以原图像某一像素点(x,y)为中心的8邻域如图2(a)所示，为简化表述，中心像素点(x,y)处的灰度值I(x,y)表述为I_0,0，如图2(b)所示，其邻域点的灰度值I(x+m,y+n)表述为I_m,n。

根据光照反射模型，任意灰度人脸图像I(x,y)可以看成是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)，其中L(x,y)取决于光源且只代表面部光照的分量，R(x,y)取决于物体的表面特征并包含了面部的关键信息，在本发明中I(x+m,y+n)可表述为R_m,nL_m,n。

常用的平滑滤波模板有：

本发明在下面的推导过程中，以平滑滤波3×3模板J₁对人脸图像进行处理，得到I'。具体的原理推导过程如下：

设以平滑滤波3×3模板J₁进行处理后的人脸图像I'某像素中心像素点(x,y)的灰度值为I'(x,y)，如公式(1)所示：

为了表述方便，I(x+m,y+n)简记为I_m,n，同理，R(x+m,y+n)简记为R_m,n，L(x+m,y+n)简记为L_m,n，则公式(1)简记为公式(2)，如下所示：

根据光照反射模型进一步得到公式(3)：

(2)对已经处理的人脸图像I'，可以直接除以原图像(即)来消除近似慢变化的光照分量。具体的公式推导过程如下：

因为光照分量L(x,y)变化缓慢，在局部近似相等，所以有公式(5)：

L_0,0≈L_-1,-1≈L_0,-1≈L_1,-1≈L_-1,0≈L_1,0≈L_-1,1≈L_0,1≈L_1,1 (5)

对于公式(5)的所有变量均可用L_t替代，并代入公式(5)，因此得到公式(6)：

由公式(6)可知已消除了光照分量。

本发明在CMU PIE和扩展Yale B人脸库中进行了实验：

1、实验人脸库介绍：CMU PIE人脸数据库共有68个人的41368张人脸图像，本发明选择的是在正面人脸光照组(C27)中进行实验，C27光照组共包含1428个人脸样本。实验时，使用的人脸尺寸为32×32，从每个人脸的21种不同光照中选取一张图像作为训练样本，其余人脸作为测试样本。

扩展Yale B人脸库共包含38个人的9种不同姿态，每种姿态又包含64种不同的光照情况。本发明只在扩展Yale B正面人脸库(共2432张人脸)中进行实验，所有人脸图像按照入射光照的角度θ可分为5个子集：子集1(θ＜12°)有266个样本、子集2(13°＜θ＜25°)有456个样本、子集3(26°＜θ＜50°)有456个样本、子集4(51°＜θ＜77°)有532个样本、子集5(θ＞77°)有722个样本。实验时，使用的人脸尺寸为48×42，用子集1作为训练样本，其余子集作为测试样本。

2、实验结果：

实验1，将提取的人脸光照不变特征与原图像进行了对比发现经本发明方法处理后的人脸图像特征更为明显，有效地克服了光照对人脸特征的影响。在CMU PIE正面人脸库和扩展Yale B正面人脸库中提取光照不变特征前后的人脸示例分别如图3、图4所示。

实验2，本发明方法对提取的人脸光照不变特征，计算反正切变换将取值范围压缩到(-π/2,π/2)，采用L1范数测量距离后，利用最近邻分类器分类判别。在CMU PIE人脸库上的正确识别率是93.47％，在扩展Yale B人脸库的人脸正确识别率是98.71％，对人脸不变特征提取有较好的鲁棒性。

本发明对不同角度的光照具有一定的抑制作用，处理后人脸图像的识别率较现有的算法处理后的人脸识别率高；本发明采用平滑滤波和除法运算对人脸图像做光照处理，方法简单，识别速度快。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (5)

1.一种基于平滑滤波的人脸光照不变特征提取方法，其特征在于，包括以下步骤：

(1)利用平滑滤波对人脸图像进行处理；

(2)与原图像对应像素进行除法运算，消除慢变化的人脸光照部分，所得结果就是需要提取的人脸光照不变特征。

2.根据权利要求1所述的基于平滑滤波的人脸光照不变特征提取方法，其特征在于，根据光照反射模型，任意灰度人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)；所述步骤(1)中，应用了平滑滤波3×3模板得到处理后的人脸图像I'。

3.根据权利要求1-2所述的基于平滑滤波的人脸光照不变特征提取方法，其特征在于，以平滑滤波的3×3模板J₁进行处理后的人脸图像，某像素点(x,y)的灰度值为I'(x,y)如公式(1)所示：

$\begin{array}{c}{I}^{\′}\left(x,y\right)=\frac{1}{9}\[I\left(x-1,y-1\right)+I\left(x,y-1\right)+I\left(x+1,y-1\right)+I\left(x-1,y\right)\\ +I\left(x,y\right)+I\left(x+1,y\right)+I\left(x-1,y+1\right)+I\left(x,y+1\right)+I\left(x+1,y+1\right)\]\end{array}---\left(1\right);$

为了表述方便，I(x+m,y+n)简记为I_m,n，同理，R(x+m,y+n)简记为R_m,n，L(x+m,y+n)简记为L_m,n，则公式(1)简记为公式(2)，如下所示：

${I^{\′}}_{0,0}=\frac{1}{9}(I_{-1,-1}+I_{0,-1}+I_{1,-1}+I_{-1,0}+I_{0,0}+I_{1,0}+I_{-1,1}+I_{0,1}+I_{1,1})---\left(2\right);$

根据光照反射模型进一步得到公式(3)：

${I^{\′}}_{0,0}=\frac{1}{9}\left(R_{-1,-1}{L}_{-1,-1}+R_{0,-1}{L}_{0,-1}+R_{1,-1}{L}_{1,-1}+R_{-1,0}{L}_{-1,0}+R_{0,0}{L}_{0,0}+R_{1,0}{L}_{1,0}+R_{-1,1}{L}_{-1,1}+R_{0,1}{L}_{0,1}+R_{1,1}{L}_{1,1}\right)---\left(3\right);$

4.根据权利要求1所述的基于平滑滤波的人脸光照不变特征提取方法，其特征在于，所述步骤(2)中除法运算为得到公式(4)：

$\frac{{I^{\′}}_{0,0}}{I_{0,0}}=\frac{\frac{1}{9}(R_{-1,-1}{L}_{-1,-1}+R_{0,-1}{L}_{0,-1}+R_{1,-1}{L}_{1,-1}+R_{-1,0}{L}_{-1,0}+R_{0,0}{L}_{0,0}+R_{1,0}{L}_{1,0}+R_{-1,1}{L}_{-1,1}+R_{0,1}{L}_{0,1}+R_{1,1}{L}_{1,1})}{R_{0,0}{L}_{0,0}}---\left(4\right);$

5.根据权利要求4所述的基于平滑滤波的人脸光照不变特征提取方法，其特征在于，由于R(x,y)代表人脸的细节信息，是快变化的，而L(x,y)代表光照分量，是慢变化的，在局部是近似不变的，可以通过除法运算来近似消除光照分量L(x,y)，所以有公式(5)：

L_0,0≈L_-1,-1≈L_0,-1≈L_1,-1≈L_-1,0≈L_1,0≈L_-1,1≈L_0,1≈L_1,1 (5)；

对于公式(5)的所有变量均用L_t替代，并代入公式(4)，得到公式(6)：

因此消除了光照分量。