CN107239729A - 一种基于光照估计的光照人脸识别方法 - Google Patents
一种基于光照估计的光照人脸识别方法 Download PDFInfo
- Publication number
- CN107239729A CN107239729A CN201710228908.1A CN201710228908A CN107239729A CN 107239729 A CN107239729 A CN 107239729A CN 201710228908 A CN201710228908 A CN 201710228908A CN 107239729 A CN107239729 A CN 107239729A
- Authority
- CN
- China
- Prior art keywords
- illumination
- mrow
- light
- image
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光照估计的光照人脸识别方法,其方法为:首先依据图像成像模型从原始人脸图像中估计出初始光照,然后根据初始光照计算出光线遮挡校正光照与光照融合因子,构建光照融合模型,实现光线遮挡光照校正,接着运用全变分模型对光线遮挡校正后光照进行平滑滤波获取原始人脸图像的最终光照,最后运用光照不变量提取模型获取原始图像的光照不变量。本发明能较好地处理阴影边缘问题,提取包含丰富面部细节特征、更接近于原始人脸本征的光照不变量,不仅能满足图像的成像原理,光照的缓慢变化特性,还能适应复杂的照明环境。
Description
技术领域
本发明涉及一种人脸识别方法,具体属于一种基于光照估计的光照人脸识 别方法。
背景技术
复杂光照问题一直是人脸识别技术的一个研究热点,为了解决这个问题, 国内外学者已经提出了许多方法。该类方法主要包括:基于光照估计的方法、 基于高频特征提取的方法。这些方法本质上都是在假设光照缓慢变化,光照不 变量快速变化的基础上,对人脸图像的光照和光照不变量进行分离,直接或间 接的从人脸图像中提取光照不变的信息。
尽管这些方法在复杂光照人脸识别中已经取得明显的进步,但仍具有一定 的局限性。一方面,复杂环境下光线受到人脸本身或其它遮挡物的影响,照射 到人脸面部的光线不再是完全缓慢变化,人脸图像中光线遮挡区域和非遮挡区 域之间存在光线快速变化现象。基于光照完全缓慢变化的光照估计方法所提的 光照不变量不能很好地处理光线快速变化区域。而且现有光照估计算法大都通 过低通平滑滤波实施光照估计,仅能满足光照的缓慢变化特征,估计的光照包 含了过多的人脸本征信息,无法从人脸图像中获取准确的光照和光照不变量。 另一方面,简单地假设人脸本征快速变化,仅从高频信息的角度提取光照不变 量不够严谨和准确。
本发明在研究朗伯模型的基础上,考虑图像的成像模型、复杂的照明环境, 结合图像融合和平滑滤波提出了一种基于有效光估计的复杂光照人脸识别方 法。
发明内容
为克服现有技术的缺陷,本发明目的是在于提供一种有效的人脸图像光照 估计、光照不变量提取算法,即基于有效光估计的复杂光照人脸识别方法,结 合图像融合和平滑滤波运用光照不变量提取模型获取原始图像的光照不变量, 能较好地处理阴影边缘问题,提取包含丰富面部细节特征、更接近于原始人脸 本征的光照不变量。
为解决上述技术问题,提高复杂光照环境下人脸识别的光照鲁棒性,本发 明的一种基于光照估计的光照人脸识别方法,其方法为:首先依据图像成像模 型从原始人脸图像中估计出初始光照,然后根据初始光照计算出光线遮挡校正 光照与光照融合因子,构建光照融合模型,实现光线遮挡光照校正,接着运用 全变分模型对光线遮挡校正后光照进行平滑滤波获取原始人脸图像的最终光 照,最后运用光照不变量提取模型获取原始图像的光照不变量。其具体方法如 下:
(1)分析朗伯模型,目标物体的成像原理用朗伯模型进行描述,即一幅人 脸图像表示为:
其中,F表示一幅人脸图像;R表示人脸表面的反射率和法向量的乘积,即 为人脸本征,s表示成像光源,取值范围介于[0,1];L表示外部光源照射到物体 表面的光照强度;
(2)估计初始光照;通过分析图像成像模型得出数字图像的最大值小于或 等于外部光源的光照强度,当从数字图像本身估计光照时,首先采用局部最大 值统计滤波器从原始图像中估计初始光照,人脸图像F的初始光照估计模型如 下:
Lp(x,y)=max(F(i,j),(i,j)∈W)
其中,Lp为人脸图像F对应的初始光照,F(i,j)是以人脸图像点F(x,y)为中心 的邻域像素,W代表邻域窗口;
(3)光线遮挡边缘光照校正;在初始光照估计的基础上,从光照变化速度 描述和图像融合的角度,在初始光照基础上建立了一种光线遮挡边缘光照校正 模型,人脸图像F初始光照Lp的遮挡边缘光照校正模型定义如下: Lmp(x,y)=Lp(x,y)×(1-A'(x,y))+Lm(x,y)×A'(x,y)
Lm(x,y)=min(Lp(i,j),(i,j)∈W)
其中,Lmp(x,y)为光线遮挡边缘光照校正结果;Lm(x,y)为光线遮挡边缘校正 光照;A'(x,y)为光线遮挡边缘光照校正融合因子;A(x,y)为光照变化速度描述子, 数值与光照变化速度成正比;m_A代表光照变化速度描述子的最大值;
(4)全变分平滑滤波;光线遮挡边缘光照校正后,对遮挡边缘校正后的光 照运用全变分模型实施平滑处理消除包含在光照中的人脸本征信息,使得估计 的最终光照能够满足光照的缓慢变化特性;基于全变分模型的最终光照估计模 型表示为:
其中,L为从一幅人脸图像中估计的最终光照,为光照平滑正则项,为光照保真项,参数λ为平滑平衡因子,为表示梯度值。
所述步骤(1)中,人脸图像是人脸本征和成像光照相乘的产物;人脸本征 的数值范围属于[0,1];人脸图像的强度低于成像光照的强度。
所述步骤(1)中,基础的朗伯模型描述了目标物体的成像原理公式为
F(x,y)=R(x,y)×L(x,y)。
所述步骤(2)中,在人脸本征快速变化区域估计的光照包含了人脸本征信 息,所述人脸本征信息以噪声的形式存在于光照Lmp中。
所述步骤(3)中,在初始光照估计的基础上,从光照变化速度描述和图像 融合的角度,在初始光照基础上建立了一种光线遮挡边缘光照校正模型。
述步骤(4),基于全变分模型的平滑滤波运用偏微分方程的各向异性扩散 特性,对遮挡边缘校正后的光照运用全变分模型实施平滑处理消除包含在光照 中的人脸本征信息。
本发明在研究经典朗伯模型的基础上,考虑图像的成像模型、复杂的照明 环境,结合图像融合和平滑滤波运用光照不变量提取模型获取原始图像的光照 不变量。所提算法能较好地处理阴影边缘问题,提取包含丰富面部细节特征、 更接近于原始人脸本征的光照不变量,不仅能满足图像的成像原理,光照的缓 慢变化特性,还能适应复杂的照明环境。
附图说明
图1是本发明的算法流程图;
图2(a)本实施例的某人每个子集一幅原始图像;
图2(b)本实施例的某人MSR算法对应的光照不变量图像;
图2(c)本实施例的某人GF算法对应的光照不变量图像;
图2(d)本实施例的某人WF算法对应的光照不变量图像;
图2(e)本实施例的某人Luo算法对应的光照不变量图像;
图2(f)本实施例利用本发明算法对应的光照不变量图像;
图3为本实施例不同参数对应的平均识别率。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案,而不能以此来限制本发明的保护范围。
参见图1,为了解决上述方法在复杂光照情况下人脸识别的效果不能令人满 意的问题,本发明在基于经典简单的朗伯模型基础上,提出更有效的光照估计 和光照不变量提取算法,以便提高复杂光照条件下人脸识别的准确率。本发明 综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合 和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提 算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸 本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表 明所提算法具有高效性。
为了达到上述目的,本发明所采取的技术方案是:
1.分析朗伯模型:
图像是指目标物体表面反射到图像获取传感器上形成的光线强度的度量。 朗伯模型作为经典的可见光图像成像模型,被广泛应用于复杂光照人脸识别中。 公式(1)给出了朗伯模型,描述了目标物体的成像原理。
F(x,y)=R(x,y)×L(x,y) (1)
其中,和分别表示目标物体表面的反射率和法向量,s表示成像光源,表示 目标物体的图像。
物体表面的反射率和法向量与成像光源无关,是物体的内在特征(光照不 变量)。因此,目标物体的成像原理可以用简单的朗伯模型进行描述,即一幅人 脸图像可以表示为:
其中,表示人脸本征(光照不变量),数值范围属于[0,1],表示成像光源(图 像光照)。
由朗伯模型可知:人脸图像是人脸本征和成像光照相乘的产物;人脸本征 的数值范围属于[0,1];人脸图像的强度低于成像光照的强度;人脸图像的最大 值比以往任何的光照估计方法更接近于成像光照。
2.初始光照估计
通过分析图像成像模型可知数字图像的最大值小于或等于外部光源的光照 强度,另外,外部光源多属于点光源。基于此我们可以得出:从数字图像本身 估计光照时,图像的局部最大值比其它数值都更接近于图像获取时的光照强度。 因此,首先采用局部最大值统计滤波器从原始图像中估计初始光照,式(3)给 出了人脸图像F的初始光照估计模型,
Lp(x,y)=max(F(i,j),(i,j)∈W) (3)
其中,Lp为人脸图像F对应的初始光照,F(i,j)是以人脸图像点F(x,y)为中心 的邻域像素,W代表邻域窗口。
3.光线遮挡边缘光照校正;
尽管基于局部最大值的初始光照估计模型能满足图像的成像模型,但该初 始光照估计模型只有在光照缓慢变化时才有效,在光照快速变化区域(光线遮 挡边缘)趋向于获取较大的光照强度,使得对应的光照不变量趋向于较小。鉴 于此,在初始光照估计的基础上,从光照变化速度描述和图像融合的角度,在 初始光照基础上建立了一种光线遮挡边缘光照校正模型,有效地克服了初始光 照估计模型的不足。人脸图像F初始光照Lp的遮挡边缘光照校正模型定义如下:
Lmp(x,y)=
Lp(x,y)×(1-A'(x,y))+Lm(x,y)×A'(x,y) (4)
Lm(x,y)=min(Lp(i,j),(i,j)∈W) (7)
其中,Lmp为光线遮挡边缘光照校正结果;Lm为光线遮挡边缘校正光照;A' 为光线遮挡边缘光照校正融合因子;A为光照变化速度描述子,数值与光照变化 速度成正比;m_A代表光照变化速度描述子的最大值。
4.全变分平滑滤波:
光线遮挡边缘光照校正后,从图像F估计的光照Lmp能较好地满足图像的成像 模型和复杂光照环境,不能很好地满足光照的缓慢变化特性。在人脸本征快速 变化区域估计的光照包含了过多的人脸本征信息,这些本征信息以噪声的形式 存在于光照Lmp中。基于全变分模型的平滑滤波运用偏微分方程的各向异性扩散 特性,在去除图像噪声的同时能有效地防止图像平坦区域的退化。因此,本文 对遮挡边缘校正后的光照运用全变分模型实施平滑处理消除包含在光照中的人 脸本征信息,使得估计的最终光照能够满足光照的缓慢变化特性。
基于全变分模型的最终光照估计模型可以表示为:
其中,L为从一幅人脸图像中估计的最终光照,为光照平滑正则项,为光照保真项,参数λ为平滑平衡因子,为表示梯度值。
基于上述,本发明的方法为:首先依据图像成像模型从原始人脸图像中估 计出初始光照,然后根据初始光照计算出光线遮挡校正光照与光照融合因子, 构建光照融合模型,实现光线遮挡光照校正,接着运用全变分模型对光线遮挡 校正后光照进行平滑滤波,获取原始人脸图像的最终光照,最后运用光照不变 量提取模型获取原始图像的光照不变量。
为了验证所提算法的性能,本发明在两个著名的复杂光照人脸库Yale B+和 CAS-PEAL-R1上进行了验证实验。
Yale B+人脸库由Yale B和扩展Yale B组成,共包括38人,每人64种不同 的光照情况。依据光源入射角度的不同,Yale B+人脸库可分为5个子集:子集1(0~12。)、子集2(13~25。)、子集3(26~50。),子集4(51~77。)和子集5 (>77。)。
所有图像经人工裁剪,尽量仅包含面部信息,图像尺度被调整为100×100。 CAS-PEAL-R1人脸库是中国科学院计算技术研究所建立的大规模中国人脸图像 共享数据库,共包含1040人,30900幅人脸图像。
所有图像经人工裁剪,尽量仅包含面部信息,图像尺度被调整为100×100。 CAS-PEAL-R1人脸库是中国科学院计算技术研究所建立的大规模中国人脸图像 共享数据库,共包含1040人,30900幅人脸图像。实验中首先在Yale B+人脸库 上从识别效果的角度探讨了相关参数对所提算法的影响,然后从视觉效果和识 别精度两个方面与经典算法多尺度视网膜模型(Multi-Scale Retinex,SR),先进 算法梯度脸(Gradientfaces,GF)、韦伯脸(Weberface,WF)和Luo的纹理增强 模型进行了对比,给出了相应的实验结果。在特征提取和识别阶段,分别采用 对光照敏感的主成分分析(Principal Component Analysis,PCA)提取整体特征 和基于欧式距离的最近邻分类器实施类别判定。
对于参数选择,本发明所提算法包括邻域窗口W和平滑平衡因子λ两个关键 参数,本实施例通过Yale B+人脸库上的识别性能考察了参数对光照不变量光照 鲁棒性的影响,给出了参数选择方案。从Yale B+人脸库子集1和2中每人任意 选取一幅人脸图像构成训练集,其余人脸图像构成测试集,重复上述训练集与 测试集选取模式20次。
图3给出了不同参数对应的平均识别率,可以看出邻域窗口W为3×3时,各 平滑平衡因子λ数值上的平均识别率均超过96%,明显高于其它邻域窗口的情 况,而且在W=3×3和λ=0.55时达到最高识别率96.68%。因此,本文各实验中选 择邻域窗口为3×3,平滑平衡因子为0.55。
1.Yale B+人脸库。
(1)视觉效果:
图2(a)-图2(f)Yale B+人脸库光照不变量视觉效果,其给出了某人每个 子集一幅原始图像及不同算法对应的光照不变量,可以看出本文算法不仅能有 效消除不同光照对人脸本征的影响,而且能够提取更接近于人脸本征的光照不 变量,包含更丰富的面部细节特征。
(2)识别性能:
类识别实验中,首先,从64种不同光照人脸图像中,选择一幅正面光照人 脸图像组成训练集(共38幅),其它光照人脸图像组成测试集。表1给出了不 同算法对应的识别结果,可以看出本文算法在极端光照子集4和子集5上获取 了最高的识别率,明显高于其它算法;在其它子集上也取得了较高的识别率; 在全部集合上(子集1-5)的识别率达到96.37%,高于其它算法。然后,为了 验证算法的适应性,每人随机选取1幅人脸图像组成训练集,其余作为测试集, 重复随机选取训练集和测试集80次,求取80种不同训练集和测试集的平均识 别率。表1给出了不同算法对应的平均识别率,可以看出本文算法具有更强的适应性,各子集上的平均识别率都明显高于其它算法,全部子集上的平均识别 率达到94.92%。
表1正面光照人脸图像作为训练集的识别率%
2.CAS-PEAL-R1人脸库。
图2(a)-图2(f)给出了某人不同光照5幅原始人脸图像及不同算法对 应的光照不变量,可以看出本文算法能够消除光照变化对人脸本征影响的同时 保留更多的面部细节特征。
(2)识别性能
表2给出了不同算法对应的识别率,可以看出本文算法的识别率达到 36.37%,明显高于其它算法,这进一步说明了本文算法的高效性。
表2CAS-PEAL-R1人脸库识别率%
本实施例的光照鲁棒人脸识别算法的机理,发现了当前复杂光照处理算法 存在:假定人脸图像光照缓慢变化、人脸本征快速变化不够准确和严谨;以往 基于光照估计的光照不变量提取方法仅能满足光照缓慢变化的特性,不能满足 图像的成像模型及复杂的照明环境;基于高频信息的光照不变量提取方法仅能 获取某频段的人脸本征信息,无法获取更加全面的人脸本征。
针对以上问题,本发明全面考虑图像的成像模型、复杂的照明环境,结合 图像融合和平滑滤波提出了一种有效的人脸图像光照估计、光照不变量提取算 法,不仅能满足图像的成像原理,光照的缓慢变化特性,还能适应复杂的照明 环境。所提算法能较好地处理阴影边缘问题,提取包含丰富面部细节特征、更 接近于原始人脸本征的光照不变量。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通 技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变 形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于光照估计的光照人脸识别方法,其特征在于,其方法如下:
(1)分析朗伯模型,目标物体的成像原理用朗伯模型进行描述,即一幅人脸图像表示为:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,F表示一幅人脸图像;R表示人脸表面的反射率和法向量的乘积,即为人脸本征,s表示成像光源,取值范围介于[0,1];L表示外部光源照射到物体表面的光照强度;
(2)估计初始光照;通过分析图像成像模型得出数字图像的最大值小于或等于外部光源的光照强度,当从数字图像本身估计光照时,首先采用局部最大值统计滤波器从原始图像中估计初始光照,人脸图像F的初始光照估计模型如下:
Lp(x,y)=max(F(i,j),(i,j)∈W)
其中,Lp为人脸图像F对应的初始光照,F(i,j)是以人脸图像点F(x,y)为中心的邻域像素,W代表邻域窗口;
(3)光线遮挡边缘光照校正;在初始光照估计的基础上,从光照变化速度描述和图像融合的角度,在初始光照基础上建立了一种光线遮挡边缘光照校正模型,人脸图像F初始光照Lp的遮挡边缘光照校正模型定义如下:Lmp(x,y)=Lp(x,y)×(1-A'(x,y))+Lm(x,y)×A'(x,y)
<mrow>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mo>_</mo>
<mi>A</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
Lm(x,y)=min(Lp(i,j),(i,j)∈W)
其中,Lmp(x,y)为光线遮挡边缘光照校正结果;Lm(x,y)为光线遮挡边缘校正光照;A'(x,y)为光线遮挡边缘光照校正融合因子;A(x,y)为光照变化速度描述子,数值与光照变化速度成正比;m_A代表光照变化速度描述子的最大值;
(4)全变分平滑滤波;光线遮挡边缘光照校正后,对遮挡边缘校正后的光照运用全变分模型实施平滑处理消除包含在光照中的人脸本征信息,使得估计的最终光照能够满足光照的缓慢变化特性;基于全变分模型的最终光照估计模型表示为:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>L</mi>
</munder>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mo>&Integral;</mo>
<mo>&Integral;</mo>
</mrow>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>L</mi>
<mo>|</mo>
<mi>d</mi>
<mi>&Omega;</mi>
<mo>+</mo>
<mfrac>
<mi>&lambda;</mi>
<mn>2</mn>
</mfrac>
<munder>
<mrow>
<mo>&Integral;</mo>
<mo>&Integral;</mo>
</mrow>
<mi>&Omega;</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>&Omega;</mi>
</mrow>
其中,L为从一幅人脸图像中估计的最终光照,为光照平滑正则项,为光照保真项,参数λ为平滑平衡因子,为表示梯度值。
2.根据权利要求1所述的光照人脸识别方法,其特征在于,所述步骤(1)中,人脸图像是人脸本征和成像光照相乘的产物;人脸本征的数值范围属于[0,1];人脸图像的强度低于成像光照的强度。
3.根据权利要求1所述的光照人脸识别方法,其特征在于,所述步骤(1)中,基础的朗伯模型描述了目标物体的成像原理公式为
F(x,y)=R(x,y)×L(x,y)。
4.根据权利要求1所述的光照人脸识别方法,其特征在于,所述步骤(2)中,)在人脸本征快速变化区域估计的光照包含了人脸本征信息,所述人脸本征信息以噪声的形式存在于光照Lmp中。
5.根据权利要求1所述的光照人脸识别方法,其特征在于,所述步骤(3)中,在初始光照估计的基础上,从光照变化速度描述和图像融合的角度,在初始光照基础上建立了一种光线遮挡边缘光照校正模型。
6.根据权利要求1所述的光照人脸识别方法,其特征在于,所述步骤(4),基于全变分模型的平滑滤波运用偏微分方程的各向异性扩散特性,对遮挡边缘校正后的光照运用全变分模型实施平滑处理消除包含在光照中的人脸本征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228908.1A CN107239729B (zh) | 2017-04-10 | 2017-04-10 | 一种基于光照估计的光照人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228908.1A CN107239729B (zh) | 2017-04-10 | 2017-04-10 | 一种基于光照估计的光照人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107239729A true CN107239729A (zh) | 2017-10-10 |
CN107239729B CN107239729B (zh) | 2020-09-01 |
Family
ID=59983747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710228908.1A Active CN107239729B (zh) | 2017-04-10 | 2017-04-10 | 一种基于光照估计的光照人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239729B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945145A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于梯度置信变分模型的红外图像融合增强方法 |
CN108510556A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN109579731A (zh) * | 2018-11-28 | 2019-04-05 | 华中科技大学 | 一种基于图像融合来执行三维表面形貌测量的方法 |
CN110136070A (zh) * | 2018-02-02 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN112749607A (zh) * | 2020-06-01 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像识别方法及装置 |
CN114782274A (zh) * | 2022-04-28 | 2022-07-22 | 哈尔滨工业大学 | 基于光照估计的无人机多光谱图像辐射校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867859B1 (en) * | 2009-04-28 | 2014-10-21 | Google Inc. | Illumination estimation for images |
CN104463198A (zh) * | 2014-11-19 | 2015-03-25 | 上海电机学院 | 一种对真实光照环境进行光照估算的方法 |
US20160275654A1 (en) * | 2015-03-19 | 2016-09-22 | Fuji Xerox Co., Ltd. | Image processing apparatus, image processing method, and non-transitory computer readable medium |
CN106056076A (zh) * | 2016-05-30 | 2016-10-26 | 南京工程学院 | 一种确定复杂光照人脸图像的光照不变量的方法 |
-
2017
- 2017-04-10 CN CN201710228908.1A patent/CN107239729B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867859B1 (en) * | 2009-04-28 | 2014-10-21 | Google Inc. | Illumination estimation for images |
CN104463198A (zh) * | 2014-11-19 | 2015-03-25 | 上海电机学院 | 一种对真实光照环境进行光照估算的方法 |
US20160275654A1 (en) * | 2015-03-19 | 2016-09-22 | Fuji Xerox Co., Ltd. | Image processing apparatus, image processing method, and non-transitory computer readable medium |
CN106056076A (zh) * | 2016-05-30 | 2016-10-26 | 南京工程学院 | 一种确定复杂光照人脸图像的光照不变量的方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945145A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于梯度置信变分模型的红外图像融合增强方法 |
CN110136070A (zh) * | 2018-02-02 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN110136070B (zh) * | 2018-02-02 | 2022-10-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108510556A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN109579731A (zh) * | 2018-11-28 | 2019-04-05 | 华中科技大学 | 一种基于图像融合来执行三维表面形貌测量的方法 |
CN112749607A (zh) * | 2020-06-01 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像识别方法及装置 |
CN112749607B (zh) * | 2020-06-01 | 2023-09-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像识别方法及装置 |
CN114782274A (zh) * | 2022-04-28 | 2022-07-22 | 哈尔滨工业大学 | 基于光照估计的无人机多光谱图像辐射校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107239729B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239729A (zh) | 一种基于光照估计的光照人脸识别方法 | |
CN104834898B (zh) | 一种人物摄影图像的质量分类方法 | |
CN104408462B (zh) | 面部特征点快速定位方法 | |
CN101630363B (zh) | 复杂背景下彩色图像人脸的快速检测方法 | |
US8831379B2 (en) | Cartoon personalization | |
CN101350063B (zh) | 人脸特征点定位方法及装置 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN106529448A (zh) | 利用聚合通道特征进行多视角人脸检测的方法 | |
CN102024156B (zh) | 彩色人脸图像中的唇部区域定位方法 | |
CN103177446A (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
CN107844736A (zh) | 虹膜定位方法和装置 | |
CN101359365A (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN101699511A (zh) | 彩色图像分割方法及系统 | |
CN104794693B (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN106203284B (zh) | 基于卷积神经网络和条件随机场的人脸检测方法 | |
CN101539992B (zh) | 基于形态学商图像的多光照人脸识别方法 | |
CN104036278A (zh) | 人脸算法标准脸部图像的提取方法 | |
CN102254327B (zh) | 数码照片中的人脸自动分割方法 | |
CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
Yarlagadda et al. | A novel method for human age group classification based on Correlation Fractal Dimension of facial edges | |
CN102270308A (zh) | 一种基于五官相关aam模型的面部特征定位方法 | |
CN105184802B (zh) | 一种图像处理的方法及装置 | |
CN103080979A (zh) | 从照片合成肖像素描的系统和方法 | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |