CN107392866A - 一种光照鲁棒的人脸图像局部纹理增强方法 - Google Patents

一种光照鲁棒的人脸图像局部纹理增强方法 Download PDF

Info

Publication number
CN107392866A
CN107392866A CN201710551473.4A CN201710551473A CN107392866A CN 107392866 A CN107392866 A CN 107392866A CN 201710551473 A CN201710551473 A CN 201710551473A CN 107392866 A CN107392866 A CN 107392866A
Authority
CN
China
Prior art keywords
mrow
msub
msup
image
prime
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
Application number
CN201710551473.4A
Other languages
English (en)
Other versions
CN107392866B (zh
Inventor
郑超兵
徐望明
伍世虔
张培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201710551473.4A priority Critical patent/CN107392866B/zh
Publication of CN107392866A publication Critical patent/CN107392866A/zh
Application granted granted Critical
Publication of CN107392866B publication Critical patent/CN107392866B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种光照鲁棒的人脸图像局部纹理增强方法，包括：对输入的原始人脸图像I的灰度值进行对数变换，获得对数变换的结果图像I'；分别对对数变换的结果图像I'进行高斯差分滤波处理和双边差分滤波处理，得到差分滤波结果图像分别为IDoG和IDoB，并对IDoG和IDoB进行图像信息融合得到融合结果图像I”；将融合结果图像I”划分子图像块，采用均值归一化法对每个子图像块进行灰度均衡处理，并按划分位置拼接，然后对拼接图像利用双曲正切函数把像素灰度值范围进行压缩，最后输出图像。本发明可以对不同光照条件下成像的人脸图像进行处理，消除光照影响，增强人脸局部纹理信息，在人脸识别应用中提升识别准确率，具有算法复杂度低、光照鲁棒性强的特点。

Description

一种光照鲁棒的人脸图像局部纹理增强方法
技术领域
本发明涉及人脸图像自动识别技术领域，具体涉及一种光照鲁棒的人脸图像局部纹理增强方法。
背景技术
人脸识别技术在过去几年中迅速发展，一些优秀人脸识别算法已然成功的转化为商品，应用于实际生产生活之中。然而此类软件使用具有一定的局限性，大多要求在室内或者可控的环境下，在不可控制的条件下仍然面临着许多挑战性问题，比如人脸表情、年龄、场景、光照、尺度等变化。其中，光照条件的变化是最为频繁的，也是最影响人脸识别稳定性因素之一，已有相关文献证明“同一人脸在不同光照下图像的差异，往往大于不同人脸在相同光照条件下图像之间的差异”，因光照的变化，增大了类内距离，限制了人脸识别正确率。
光照变化成为人脸识别系统的性能的瓶颈，一些学者们提出了光照预处理或光照归一化方法来减轻光照对人脸识别性能的影响。根据光学成像原理提出的Retinex算法及其改进算法如多尺度Retinex(Mutli Scale Retinx，MSR)、自适应单尺度Retinex(Adaptive Single Scale Retinex，ASR)等，利用物体的反射性表示成像物体，分解出与光照无关的成分，减轻光照变化对成像的影响，但这类方法在光照变化剧烈或侧光源情况下效果不佳。比如，Retinex算法容易产生“光晕现象”，MESR、ASR等算法没考虑图像中的细节部分是否有丢失。离散余弦变换(Discrete Cosine Transformation，DCT)也常被用于人脸图像光照预处理，能较好保留对光照、表情、姿态不敏感的类别信息，但该方法主要用于消除单侧光照的影响，基于DCT系数重建图像时，保留少数低频分量，舍去大部分高频分量，使得结果图像与原图像相比丢失了一些有效细节信息。Xiaoyang Tan与William Triggs提出了一种局部纹理增强的算法(Tan and Triggs，TT)来消除光照对人脸图像的影响，主要包括“灰度伽马校正”、“高斯差分滤波”、“对比度均衡”等步骤，该方法能有效去除过度曝光和阴影对人脸图像的影响，同时还能将人脸的光照变化和细节特征等基本要素保留下来，但在侧光光源情况下，人脸图像光线边界也容易产生“光晕现象”，同时，由于只使用了高斯差分方法进行滤波处理，高斯差分滤波相当于一个带通滤波器，会导致人脸图像轮廓边界处一些有用的高频信息丢失，从而会影响人脸识别准确率。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种光照鲁棒的人脸图像局部纹理增强方法。该方法可以对不同光照条件下成像的人脸图像进行处理，消除光照影响，增强人脸局部纹理信息，在人脸识别应用中提升识别准确率，具有算法复杂度低、光照鲁棒性强的特点。
为了达到上述目的，本发明提供的技术方案是：一种光照鲁棒的人脸图像局部纹理增强方法，包括如下步骤：
步骤1，对输入的原始人脸图像I的灰度值进行对数变换，获得对数变换的结果图像I'，所述对数变换可表示为，
I'(x,y)＝logc[I(x,y)+1] (1)
其中，I(x,y)表示原始人脸图像I中在(x,y)点的像素灰度值，I'(x,y)表示变换后的人脸图像在点(x,y)处的像素值，c表示底数；
步骤2，分别对对数变换的结果图像I'进行高斯差分滤波处理和双边差分滤波处理，得到差分滤波结果图像分别为IDoG和IDoB，并对IDoG和IDoB进行图像信息融合得到融合结果图像I”，具体实现方式如下，
步骤2.1，用两个具有不同核函数参数的高斯滤波器1和2，对人脸图像对数变换结果图像I'进行滤波处理，分别得到高斯平滑结果图像IG1和IG2，其表达式分别为，
其中，G1和G2分别表示高斯滤波器1和2的核函数，σ1和σ2表示对应高斯核函数的标准差，则高斯差分滤波结果图像IDoG为，
IDoG＝IG1-IG2 (4)
步骤2.2，用两个具有不同核函数参数的双边滤波器1和2对人脸图像对数变换结果图像I'进行滤波处理，分别得双边滤波结果图像IB1和IB2，其表达式分别为，
其中，wi(x,y,k,l)＝di(x,y,k,l)·ri(x,y,k,l)表示双边滤波器模板，i＝1,2，和分别表示空间域模板系数和值域模板系数，σdi和σri分别为空域和值域模板高斯函数的标准差，此处(x,y)表图像像素点坐标，Ω表示坐标点(x,y)为中心的邻域区域，即模板窗，邻域区域的大小为Ri×Ri，(k,l)表示邻域Ω中像素点的坐标，N×M表示图像尺寸，则双边差分滤波结果图像IDoB为，
IDoB＝IB1-IB2 (7)
步骤2.3，将上述步骤2.1中的高斯差分滤波结果图像和步骤2.2中的双边差分滤波结果图像进行信息融合，首先分别计算高斯差分滤波结果图像IDoG和双边差分滤波结果图像IDoB的标准值，计算公式为，
其中，mean(I)函数表示求图像I的灰度均值，即
然后，根据这两幅图像标准差的比例设置图像信息融合时各自的权重为，
wDoG＝σDoG/(σDoG+σDoB) (10)
wDoB＝σDoB/(σDoB+σDoG) (11)
其中，σDoG、σDoB分别表示高斯差分滤波结果图像IDoG和双边差分滤波结果图像IDoB的标准值，最后按照对应的权重进行图像信息融合，得到融合结果图像I”，
I”＝wDoG·IDoG+wDoB·IDoB (12)
步骤3，将融合结果图像I”划分子图像块，对每个子图像块进行灰度均衡处理，并按划分位置拼接，然后对拼接图像的像素灰度值进行压缩，最后输出图像。
进一步的，所述步骤3的实现方式如下，
步骤3.1，分别沿水平方向和竖直方向将滤波融合后的人脸图像I”划分为n等分，即融合结果图像I”均分为n×n子图像块；
步骤3.2，采用均值归一化法对每个子图像块进行灰度均衡处理，其中，局部对比度均衡所采用的均值归一化数学模型如式12，13所示，
Icell-i”表示I”图像均分的第i个子图像，mean函数表示计算均值，min表示计算最小值，a为压缩指数，τ为阈值，Icell-i”表示I”图像均分的第i个子图像灰度均衡化处理后的结果，所有子图像处理结果按划分位置拼接后得到人脸局部灰度均衡结果图像I”'；
步骤3.3，采用正切双曲线变换对人脸图像灰度值进行压缩，将人脸图像的像素灰度值压缩在(-τ,τ)范围之内，得到压缩图像Ir，正切双曲线变换的公式为，
步骤3.4，将人脸图像像素灰度值归一化到[0,255]范围内进行输出，即最终输出的灰度人脸图像为，
IR(x,y)＝[Ir(x,y)-min(Ir)]*255/[max(Ir)-min(Ir)] (15)
其中，Ir(x,y)表示压缩图像Ir中在(x,y)点的像素灰度值，min表示计算最小值，max表示计算最大值。
进一步的，所述步骤1中底数c的取值为2。
进一步的，步骤2.1中高斯滤波器1、2的标准差分别为σ1＝1,σ2＝2；步骤2.2中双边滤波器1、2的模板窗直径分别为R1＝5,R2＝9，空域的标准方差分别为σd1＝10,σd2＝30，值域的标准方差分别为σr1＝10,σr2＝30。
与现有技术相比，本发明是的有益效果如下：
(1)采用对数变换对输入人脸图像进行灰度增强，相比于灰度伽马校正，选择合适的参数时，对数变换对图像拉伸的动态范围要宽，尤其有助于增强人脸图像中较暗区域的对比度。
(2)采用了图像信息融合策略，综合考虑高斯差分滤波和双边差分滤波两种处理方法的优缺点，结合图像标准差的比例设置相应的权重系数进行图像信息融合，减少了人脸图像细节信息的丢失，使人脸局部纹理信息得以增强。
(3)采用了分块对比度均衡策略，有效缓解了侧光源照明情况下人脸图像对比度不均衡的问题，使得更能真实的保留人脸图像的局部纹理信息。
附图说明
图1是本发明实施例流程图；
图2是本发明与其它典型人脸图像光照预处理方法的实施效果对比图；
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
参见图1，本发明所描述的一种光照鲁棒的人脸图像局部纹理增强方法，包括以下步骤：
步骤1，人脸图像对数变换：对输入人脸图像I的灰度值进行对数变换，增强人脸图像中较暗区域的对比度，对数变换可表示为：
I'(x,y)＝logc[I(x,y)+1] (1)
其中，I(x,y)表示原始人脸图像中在(x,y)点的像素灰度值，取值范围为0到255之间的整数(如果输入是彩色人脸图像，则需要事先进行灰度化转换为灰度人脸图像)，I'(x,y)表示变换后的人脸图像在点(x,y)处的像素值，c表示底数，I(x,y)+1是为了避免输入灰度值为0时变换结果为负无穷大。由实验分析，本实施例中取底数c＝2的对数变换，即I'(x,y)＝log2[I(x,y)+1]。
步骤2，高斯差分滤波与双边差分滤波人脸图像信息融合：分别对对数变换的结果图像I'进行高斯差分滤波处理和双边差分滤波处理，得到差分滤波结果图像分别为IDoG和IDoB，具体包括如下步骤：
步骤2.1，对人脸图像对数变换的结果图像进行高斯差分(Difference ofGaussian，DoG)滤波处理。用两个具有不同核函数参数的高斯滤波器1和2，对人脸图像对数变换结果图像I'进行滤波处理，分别得到高斯平滑结果图像IG1和IG2，其表达式分别为：
其中，G1和G2分别表示高斯滤波器1和2的核函数，σ1和σ2表示对应高斯核函数的标准差，则高斯差分(DoG)滤波结果图像为：
IDoG＝IG1-IG2 (4)
本发明实施例中，高斯滤波器1、2的标准差分别为：σ1＝1,σ2＝2。
步骤2.2，对人脸图像对数变换的结果图像进行双边差分(Difference ofBilateral，DoB)滤波处理。用两个具有不同核函数参数的双边滤波器对人脸图像对数变换结果图像I'进行滤波处理，分别得双边滤波结果图像：
其中，wi(x,y,k,l)＝di(x,y,k,l)·ri(x,y,k,l)表示双边滤波器模板，i＝1,2，和分别表示空间域模板系数和值域模板系数，σdi和σri分别为空域和值域模板高斯函数的标准差，此处(x,y)表图像像素点坐标，Ω表示坐标点(x,y)为中心的邻域区域，即模板窗，邻域区域的大小为Ri×Ri，(k,l)表示邻域Ω中像素点的坐标，N×M表示图像尺寸，则双边差分滤波结果图像IDoB为，
IDoB＝IB1-IB2 (7)
本实施例中，双边滤波器1、2的模板窗口直径R1＝5,R2＝9，空域的标准方差σd1＝10,σd2＝30，值域的标准方差σr1＝10,σr2＝30。
步骤2.3，将上述高斯差分滤波图像和双边差分滤波图像进行信息融合：首先分别计算高斯差分滤波图像IDoG和双边差分滤波图像IDoB的标准值，计算公式为：
其中，mean(I)函数表示求图像I的灰度均值，即然后，根据这两幅图像标准差的比例设置图像信息融合时各自的权重为：
wDoG＝σDoG/(σDoG+σDoB) (10)
wDoB＝σDoB/(σDoB+σDoG) (11)
其中，σDoG、σDoB分别表示高斯差分滤波图像IDoG和双边差分滤波图像IDoB的标准值，最后按照对应的权重进行图像信息融合，得到融合结果图像：
I”＝wDoG·IDoG+wDoB·IDoB (12)
步骤3，为消除图像融合结果边界处可能存在的局部极亮点和一些较小的暗区域，将融合结果图像I”均分为n×n个子图像块，采用均值归一化法对每个子图像块进行灰度均衡处理，然后对整幅图像利用双曲正切函数把像素灰度值范围进行压缩，最后再转换为取值为[0,255]范围内的灰度图像输出。具体包括如下步骤：
步骤3.1，人脸图像分块：为消除图像融合结果边界处可能存在的局部极亮点和一些较小的暗区域，分别沿水平方向和竖直方向将滤波融合后的人脸图像I”划分为n等分，即融合结果图像I”均分为n×n子图像块；
步骤3.2，人脸分块子图像灰度均衡：采用均值归一化法对每个子图像块进行灰度均衡处理，其中，局部对比度均衡所采用的均值归一化数学模型如式12，13所示：
Icell-i”表示I”图像均分的第i个子图像，mean函数表示计算均值，min表示计算最小值，a为压缩指数，τ为阈值，Icell-i”表示I”图像均分的第i个子图像灰度均衡化处理后的结果，所有子图像处理结果按划分位置拼接后得到人脸局部灰度均衡结果图像I”'。本实施例中将100×100大小的人脸图像切割为4×4＝16块，τ＝10,α＝0.1，数据由实验结果给出，当人脸图像尺寸变化时，可适当调整参数。
步骤3.3，人脸图像灰度压缩：人脸图像灰度值压缩所采用的正切双曲线变换为，
可把人脸图像的像素灰度值压缩在(-τ,τ)范围之内，去除极指点或白噪声对人脸图像的干扰；
步骤3.3，人脸图像灰度值归一化：最后再把图像像素灰度值归一化到[0,255]范围内进行输出，即最终输出的灰度人脸图像为：
IR(x,y)＝[Ir(x,y)-min(Ir)]*255/[max(Ir)-min(Ir)] (15)
为了证明本发明的可行性和优越性，在Extended YaleB人脸数据库开展人脸识别实验，对比了限制对比度自适应直方图均衡方法(Contrast Limited Adaptive HistogramEqualization，CLAHE)、MSR、ASR、DCT、TT以及本发明所提出的人脸光照处理方法。ExtendedYaleB数据库是典型的用于验证人脸识别光照鲁棒性的基准数据库。本实施例中，选取了Extended YaleB人脸数据库中38个人的与光照有关的2432张人脸图像(即每人64张人脸图像)，根据5种光照方向角(12°、25°、50°、77°、90°)将每人的64张人脸图像细分为5个子集，每人每个子集(即子集1至子集5)的人脸图像数目分别为(7、12、12、14、19)。本实施例实验选取子集1作为训练集，其余子集作为测试集。
图2列举了在Extended YaleB人脸库中同一个人的几幅典型人脸图像进行光照归一化算法处理的结果。左侧第1列表示输入的未经处理的人脸图像，其余几列为各光照归一化方法处理后的人脸图像。由各列处理结果图对比可知，TT和本发明所述方法均能有效消除光照影响，增强人脸图像的纹理信息。但是，当在侧光源情况下，TT算法处理图像在明暗交界处，产生明显的“光晕现象”，人脸图像纹理信息不能均衡显示，而本发明所提出的方法可很好消除这个现象，凸显人脸细节信息。
在人脸识别实验中人脸图像经不同的光照归一化方法处理后，提取LBP直方图(Local Binary Patterns Histograms)特征进行表示，并采用最近邻分类器进行人脸识别。人脸识别实验结果如表1所示，可见本发明所提出的方法取得了最高的人脸识别准确率。
表1各种光照处理方法下的Extended YaleB数据库人脸识别准确率对比
人脸图像光照处理方法 人脸识别准确率(％)
CLAHE 41.4
MSR 59.3
ASR 61.8
DCT 63.4
TT 89.1
本发明所提方法 90.6
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种光照鲁棒的人脸图像局部纹理增强方法，其特征在于，包括如下步骤：
步骤1，对输入的原始人脸图像I的灰度值进行对数变换，获得对数变换的结果图像I'，所述对数变换可表示为，
I'(x,y)＝logc[I(x,y)+1] (1)
其中，I(x,y)表示原始人脸图像中在(x,y)点的像素灰度值，I'(x,y)表示变换后的人脸图像在点(x,y)处的像素值，c表示底数；
步骤2，分别对对数变换的结果图像I'进行高斯差分滤波处理和双边差分滤波处理，得到差分滤波结果图像分别为IDoG和IDoB，并对IDoG和IDoB进行图像信息融合得到融合结果图像I”，具体实现方式如下，
步骤2.1，用两个具有不同核函数参数的高斯滤波器1和2，对人脸图像对数变换结果图像I'进行滤波处理，分别得到高斯平滑结果图像IG1和IG2，其表达式分别为，
<mrow> <msub> <mi>I</mi> <mrow> <mi>G</mi> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msup> <mi>I</mi> <mo>&amp;prime;</mo> </msup> <mo>*</mo> <msub> <mi>G</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>G</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;pi;&amp;sigma;</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>y</mi> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>I</mi> <mrow> <mi>G</mi> <mn>2</mn> </mrow> </msub> <mo>=</mo> <msup> <mi>I</mi> <mo>&amp;prime;</mo> </msup> <mo>*</mo> <msub> <mi>G</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>G</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;pi;&amp;sigma;</mi> <mn>2</mn> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>y</mi> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mn>2</mn> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，G1和G2分别表示高斯滤波器1和2的核函数，σ1和σ2表示对应高斯核函数的标准差，则高斯差分滤波结果图像IDoG为，
IDoG＝IG1-IG2 (4)
步骤2.2，用两个具有不同核函数参数的双边滤波器1和2对人脸图像对数变换结果图像I'进行滤波处理，分别得双边滤波结果图像IB1和IB2，其表达式分别为，
<mrow> <msub> <mi>I</mi> <mrow> <mi>B</mi> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <msup> <mi>I</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;Sigma;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <msub> <mi>w</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>I</mi> <mrow> <mi>B</mi> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <msup> <mi>I</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;Sigma;</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <msub> <mi>w</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，wi(x,y,k,l)＝di(x,y,k,l)·ri(x,y,k,l)表示双边滤波器模板，i＝1,2，和分别表示空间域模板系数和值域模板系数，σdi和σri分别为空域和值域模板高斯函数的标准差，此处(x,y)表图像像素点坐标，Ω表示坐标点(x,y)为中心的邻域区域，即模板窗，邻域区域的大小为Ri×Ri，(k,l)表示邻域Ω中像素点的坐标，N×M表示图像尺寸，则双边差分滤波结果图像IDoB为，
IDoB＝IB1-IB2 (7)
步骤2.3，将上述步骤2.1中的高斯差分滤波结果图像和步骤2.2中的双边差分滤波结果图像进行信息融合，首先分别计算高斯差分滤波结果图像IDoG和双边差分滤波结果图像IDoB的标准值，计算公式为，
<mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>G</mi> </mrow> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>I</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>G</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>G</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>N</mi> <mo>&amp;times;</mo> <mi>M</mi> </mrow> </mfrac> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>B</mi> </mrow> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>I</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>B</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>D</mi> <mi>o</mi> <mi>B</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>N</mi> <mo>&amp;times;</mo> <mi>M</mi> </mrow> </mfrac> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
其中，mean(I)函数表示求图像I的灰度均值，即
然后，根据这两幅图像标准差的比例设置图像信息融合时各自的权重为，
wDoG＝σDoG/(σDoG+σDoB) (10)
wDoB＝σDoB/(σDoB+σDoG) (11)
其中，σDoG、σDoB分别表示高斯差分滤波结果图像IDoG和双边差分滤波结果图像IDoB的标准值，最后按照对应的权重进行图像信息融合，得到融合结果图像I”，
I”＝wDoG·IDoG+wDoB·IDoB (12)
步骤3，将融合结果图像I”划分子图像块，对每个子图像块进行灰度均衡处理，并按划分位置拼接，然后对拼接图像的像素灰度值进行压缩，最后输出图像。
2.如权利要求1所述的一种光照鲁棒的人脸图像局部纹理增强方法，其特征在于：所述步骤3的实现方式如下，
步骤3.1，分别沿水平方向和竖直方向将滤波融合后的人脸图像I”划分为n等分，即融合结果图像I”均分为n×n子图像块；
步骤3.2，采用均值归一化法对每个子图像块进行灰度均衡处理，其中，局部对比度均衡所采用的均值归一化数学模型如式12，13所示，
<mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <msup> <mrow> <mo>(</mo> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mo>(</mo> <msup> <mrow> <mo>|</mo> <mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mo>|</mo> </mrow> <mi>a</mi> </msup> <mo>)</mo> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mi>a</mi> </mrow> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <msup> <mrow> <mo>(</mo> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <msup> <mrow> <mo>(</mo> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mrow> <mi>&amp;tau;</mi> <mo>,</mo> <mrow> <mo>|</mo> <mrow> <msup> <msub> <mi>I</mi> <mrow> <mi>c</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mo>|</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mi>a</mi> </msup> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mi>a</mi> </mrow> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
Icell-i”表示I”图像均分的第i个子图像，mean函数表示计算均值，min表示计算最小值，a为压缩指数，τ为阈值，Icell-i”表示I”图像均分的第i个子图像灰度均衡化处理后的结果，所有子图像处理结果按划分位置拼接后得到人脸局部灰度均衡结果图像I”'；
步骤3.3，采用正切双曲线变换对人脸图像灰度值进行压缩，将人脸图像的像素灰度值压缩在(-τ,τ)范围之内，得到压缩图像Ir，正切双曲线变换的公式为，
<mrow> <msub> <mi>I</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;tau;</mi> <mo>&amp;CenterDot;</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msup> <mi>I</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>/</mo> <mi>&amp;tau;</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msup> <mi>I</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>/</mo> <mi>&amp;tau;</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msup> <mi>I</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>/</mo> <mi>&amp;tau;</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msup> <mi>I</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>/</mo> <mi>&amp;tau;</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
步骤3.4，将人脸图像像素灰度值归一化到[0,255]范围内进行输出，即最终输出的灰度人脸图像为，
IR(x,y)＝[Ir(x,y)-min(Ir)]*255/[max(Ir)-min(Ir)] (15)
其中，Ir(x,y)表示压缩图像Ir中在(x,y)点的像素灰度值，min表示计算最小值，max表示计算最大值。
3.如权利要求2所述的一种光照鲁棒的人脸图像局部纹理增强方法，其特征在于：所述步骤1中底数c的取值为2。
4.如权利要求3所述的一种光照鲁棒的人脸图像局部纹理增强方法，其特征在于：步骤2.1中高斯滤波器1、2的标准差分别为σ1＝1,σ2＝2；步骤2.2中双边滤波器1、2的模板窗直径分别为R1＝5,R2＝9，空域的标准方差分别为σd1＝10,σd2＝30，值域的标准方差分别为σr1＝10,σr2＝30。
CN201710551473.4A 2017-07-07 2017-07-07 一种光照鲁棒的人脸图像局部纹理增强方法 Expired - Fee Related CN107392866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710551473.4A CN107392866B (zh) 2017-07-07 2017-07-07 一种光照鲁棒的人脸图像局部纹理增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710551473.4A CN107392866B (zh) 2017-07-07 2017-07-07 一种光照鲁棒的人脸图像局部纹理增强方法

Publications (2)

Publication Number Publication Date
CN107392866A true CN107392866A (zh) 2017-11-24
CN107392866B CN107392866B (zh) 2019-09-17

Family

ID=60335344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710551473.4A Expired - Fee Related CN107392866B (zh) 2017-07-07 2017-07-07 一种光照鲁棒的人脸图像局部纹理增强方法

Country Status (1)

Country Link
CN (1) CN107392866B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399359A (zh) * 2018-01-18 2018-08-14 中山大学 一种视频序列下实时火灾检测预警方法
CN109242850A (zh) * 2018-10-11 2019-01-18 黑龙江大学 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法
CN109767408A (zh) * 2018-12-29 2019-05-17 广州华多网络科技有限公司 图像处理方法、装置、存储介质及计算机设备
CN110021024A (zh) * 2019-03-14 2019-07-16 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110163811A (zh) * 2019-04-10 2019-08-23 浙江工业大学 一种人脸图像阴阳脸现象消除方法
CN110647843A (zh) * 2019-09-23 2020-01-03 江苏集萃智能传感技术研究所有限公司 一种人脸面部图像处理方法
CN110796617A (zh) * 2019-10-24 2020-02-14 北京小米智能科技有限公司 面部图像的增强方法及装置、电子设备
CN110969581A (zh) * 2018-09-30 2020-04-07 成都微晶景泰科技有限公司 无偏振片的液晶光学元件成像方法、装置、设备及介质
CN111798389A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 自适应图像增强方法及装置
CN111899197A (zh) * 2020-08-05 2020-11-06 广州市百果园信息技术有限公司 一种图像增亮去噪方法、装置、移动终端和存储介质
CN111951176A (zh) * 2020-06-30 2020-11-17 重庆灵翎互娱科技有限公司 一种去除人脸图像局部阴影的方法和设备
WO2021114564A1 (zh) * 2019-12-10 2021-06-17 南京莱斯电子设备有限公司 一种低对比度红外图像的增强方法
CN113792714A (zh) * 2021-11-16 2021-12-14 中国南方电网有限责任公司超高压输电公司广州局 换流站进出站人员识别方法、装置、系统
CN115967750A (zh) * 2021-10-09 2023-04-14 中国石油化工股份有限公司 用于随钻数据的压缩和传输方法、压缩装置和存储介质
CN117496019A (zh) * 2023-12-29 2024-02-02 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统
CN118038515A (zh) * 2023-12-28 2024-05-14 南京泛泰数字科技研究院有限公司 一种人脸识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286228A (zh) * 2008-05-15 2008-10-15 浙江大学 一种基于特征的实时的视频和图像抽象化方法
EP2497052A1 (en) * 2009-11-06 2012-09-12 Vesalis Method for illumination normalization on a digital image for performing face recognition
CN103700072A (zh) * 2013-12-17 2014-04-02 北京工业大学 一种基于自适应小波阈值和双边滤波器的图像去噪方法
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286228A (zh) * 2008-05-15 2008-10-15 浙江大学 一种基于特征的实时的视频和图像抽象化方法
EP2497052A1 (en) * 2009-11-06 2012-09-12 Vesalis Method for illumination normalization on a digital image for performing face recognition
CN103700072A (zh) * 2013-12-17 2014-04-02 北京工业大学 一种基于自适应小波阈值和双边滤波器的图像去噪方法
CN104899576A (zh) * 2015-06-23 2015-09-09 南京理工大学 基于Gabor变换和HOG的人脸识别特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周巍: "光照鲁棒人脸识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
周枫等: "Facial-Lighting归一化方法研究", 《软件》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399359A (zh) * 2018-01-18 2018-08-14 中山大学 一种视频序列下实时火灾检测预警方法
CN108399359B (zh) * 2018-01-18 2022-05-10 中山大学 一种视频序列下实时火灾检测预警方法
CN110969581A (zh) * 2018-09-30 2020-04-07 成都微晶景泰科技有限公司 无偏振片的液晶光学元件成像方法、装置、设备及介质
CN110969581B (zh) * 2018-09-30 2023-10-20 成都微晶景泰科技有限公司 无偏振片的液晶光学元件成像方法、装置、设备及介质
CN109242850A (zh) * 2018-10-11 2019-01-18 黑龙江大学 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法
CN109767408A (zh) * 2018-12-29 2019-05-17 广州华多网络科技有限公司 图像处理方法、装置、存储介质及计算机设备
CN110021024B (zh) * 2019-03-14 2023-12-26 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN110021024A (zh) * 2019-03-14 2019-07-16 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN110163811A (zh) * 2019-04-10 2019-08-23 浙江工业大学 一种人脸图像阴阳脸现象消除方法
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110647843A (zh) * 2019-09-23 2020-01-03 江苏集萃智能传感技术研究所有限公司 一种人脸面部图像处理方法
CN110647843B (zh) * 2019-09-23 2023-09-19 量准（上海）医疗器械有限公司 一种人脸面部图像处理方法
CN110796617A (zh) * 2019-10-24 2020-02-14 北京小米智能科技有限公司 面部图像的增强方法及装置、电子设备
CN110796617B (zh) * 2019-10-24 2022-09-02 北京小米智能科技有限公司 面部图像的增强方法及装置、电子设备
US11250547B2 (en) 2019-10-24 2022-02-15 Beijing Xiaomi Intelligent Technology Co., Ltd. Facial image enhancement method, device and electronic device
WO2021114564A1 (zh) * 2019-12-10 2021-06-17 南京莱斯电子设备有限公司 一种低对比度红外图像的增强方法
CN111798389B (zh) * 2020-06-30 2023-08-15 中国工商银行股份有限公司 自适应图像增强方法及装置
CN111951176A (zh) * 2020-06-30 2020-11-17 重庆灵翎互娱科技有限公司 一种去除人脸图像局部阴影的方法和设备
CN111798389A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 自适应图像增强方法及装置
CN111899197A (zh) * 2020-08-05 2020-11-06 广州市百果园信息技术有限公司 一种图像增亮去噪方法、装置、移动终端和存储介质
CN111899197B (zh) * 2020-08-05 2024-04-30 广州市百果园信息技术有限公司 一种图像增亮去噪方法、装置、移动终端和存储介质
CN115967750A (zh) * 2021-10-09 2023-04-14 中国石油化工股份有限公司 用于随钻数据的压缩和传输方法、压缩装置和存储介质
CN113792714A (zh) * 2021-11-16 2021-12-14 中国南方电网有限责任公司超高压输电公司广州局 换流站进出站人员识别方法、装置、系统
CN118038515A (zh) * 2023-12-28 2024-05-14 南京泛泰数字科技研究院有限公司 一种人脸识别方法
CN117496019A (zh) * 2023-12-29 2024-02-02 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统
CN117496019B (zh) * 2023-12-29 2024-04-05 南昌市小核桃科技有限公司 一种驱动静态图像的图像动画处理方法及系统

Also Published As

Publication number Publication date
CN107392866B (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN107392866B (zh) 一种光照鲁棒的人脸图像局部纹理增强方法
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
Hu et al. Singular value decomposition and local near neighbors for face recognition under varying illumination
CN105956582B (zh) 一种基于三维数据的人脸识别系统
CN105447441B (zh) 人脸认证方法和装置
CN108921800A (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
CN107194317B (zh) 一种基于网格聚类分析的暴力行为检测方法
CN110569756A (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
CN104103082A (zh) 一种基于区域描述和先验知识的图像显著性检测方法
CN110188614A (zh) 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
Liu et al. Local histogram specification for face recognition under varying lighting conditions
CN110458792B (zh) 人脸图像质量的评价方法及装置
CN102298773A (zh) 一种形状自适应的非局部均值去噪方法
CN107506795A (zh) 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法
CN103870820A (zh) 极端光照人脸识别的光照归一化方法
Yuan et al. Illumination normalization based on homomorphic wavelet filtering for face recognition
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
Lee et al. Multiscale morphology based illumination normalization with enhanced local textures for face recognition
CN117422712A (zh) 基于图像滤波处理的塑料母粒视觉检测方法及系统
CN111242891B (zh) 一种钢轨表面缺陷识别分类方法
Guo et al. Multifeature extracting CNN with concatenation for image denoising
CN109712134B (zh) 虹膜图像质量评价方法、装置及电子设备
CN104616259A (zh) 一种噪声强度自适应的非局部均值图像去噪方法
He et al. Structure-preserving texture smoothing via scale-aware bilateral total variation

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190917