CN110910320B - 一种基于奇异值分解的人脸图像光照复原方法 - Google Patents
一种基于奇异值分解的人脸图像光照复原方法 Download PDFInfo
- Publication number
- CN110910320B CN110910320B CN201911064798.5A CN201911064798A CN110910320B CN 110910320 B CN110910320 B CN 110910320B CN 201911064798 A CN201911064798 A CN 201911064798A CN 110910320 B CN110910320 B CN 110910320B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- illumination
- matrix
- logarithmic
- 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.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000009466 transformation Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001815 facial effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
本发明提出了一种基于奇异值分解的人脸图像光照复原方法,包括以下步骤:步骤1、采集人脸彩色图像,并转化为人脸灰度图像;步骤2、求取所述步骤1中得到的人脸灰度图像的光照归一化图像;步骤3、求取人脸灰度图像的光照复原图像。本发明从实际应用效果出发,提出基于奇异值分解的人脸图像光照复原方法,具有处理效率高,计算方法简单的特点。
Description
技术领域
本发明涉及一种剧烈光照变化人脸图像识别问题中的人脸图像光照复原方法,具体的说是一种基于奇异值分解的人脸图像光照复原方法,属于模式识别技术领域。
背景技术
据了解,人脸图像光照复原技术主要应用于存在剧烈光照变化的人脸图像识别问题中,其在视觉监控、信息安全、身份信息识别等领域有着广泛的应用需求,如在视觉监控方面,目前的户外视觉监控系统可实时采集大量含有剧烈光照变化人脸图像的视频和图片,通过将人脸图像的剧烈变化光照复原为正常关照,可以提高视觉监控系统识别剧烈光照变化人脸图像的准确率,能够对可疑分子实施及时抓捕或实时定位。
人脸图像光照复原方法源于这样一个事实,即在户外自然光环境下,采集的人脸图像存在剧烈的光照变化,剧烈光照变化会导致人脸识别系统的性能严重下降,为了提高人脸识别系统对剧烈光照变化的鲁棒性,需要将人脸图像的剧烈光照变化复原为正常光照。基于奇异值分解的人脸图像光照复原方法是一种将人脸图像的剧烈光照变化转化为正常光照的技术,由于奇异值分解算法产生剧烈光照变化人脸图像的光照归一化图像,通过线性迭代算法,使剧烈光照变化人脸图像逼近其光照归一化图像,生成其光照复原图像,能够显著提高人脸识别系统在剧烈光照变化下的识别准确率。
近年来,人脸图像光照复原技术成为剧烈变化人脸识别领域的一个重要研究课题,在理论上说明了方法的可行性,更提出并发展了许多有显著意义和应用价值的方法。按其复原技术可以分为两类:基于数据驱动的复原方法和基于模型驱动的复原方法。基于数据驱动的复原方法使用大规模光照变化人脸图像训练深度神经网络,使得深度神经网络能够产生任意剧烈光照变化人脸图像的正常光照图像,基于数据驱动的复原方法容易造成人脸鉴别信息失真,对剧烈光照变化效果不佳,在实际应用中不能令人满意。基于模型驱动的复原方法,将剧烈光照变化作为线性干扰噪声消除掉,效果很好。然而,现有的基于模型驱动的复原方法使用较多的权值融合多局部邻域光照不变特征,生成光照不变特征的质量难以有效控制,容易造成人脸特征失真。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足而提供一种基于奇异值分解的人脸图像光照复原方法,能够将人脸图像的剧烈光照变化复原为正常光照,适用于各种剧烈光照变化人脸识别算法。
本发明提供一种基于奇异值分解的人脸图像光照复原方法,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像;转至步骤 2;
步骤2、求取所述步骤1中得到的人脸灰度图像的光照归一化图像;转至步骤3;
步骤3、求取人脸灰度图像的光照复原图像。
本发明的方法在光照复原图像质量和计算效率方面优于传统的方法,对于提高人脸识别系统在剧烈光照变化下的识别准确率具有重要价值。为了获得生成速度快、质量高的光照复原图像,满足人脸识别系统在剧烈光照变化下的实际应用要求,本发明提供了基于奇异值分解的人脸图像光照复原方法,该方法利用奇异值分解算法产生剧烈光照变化人脸图像的光照归一化图像,通过线性迭代算法,使剧烈光照变化人脸图像逼近其光照归一化图像,生成其光照复原图像。这样不但可以保证产生光照复原图像质量可靠,而且能使人脸识别系统在剧烈光照变化下显著的提高识别的准确率。同时,本发明通过线性迭代逼近算法,能够最大限度的保持人脸固有特征不失真。
作为本发明的进一步技术方案,步骤1的具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为h×w×3,其中h表示人脸彩色图像矩阵的行数,w表示人脸彩色图像矩阵的列数;转至步骤1.2;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为h×w的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至 255之间。
步骤2的具体流程如下:
步骤2.1、对所述步骤1中得到的人脸灰度图像I的图像矩阵的每个灰度值进行以自然常数为底的对数变换,得到人脸灰度图像I的对数图像X,其大小为h×w;转至步骤2.2;
步骤2.2、采用矩阵SVD奇异值分解方法,对所述步骤2.1 中得到的人脸灰度图像I的对数图像X进行奇异值分解,得到如下奇异值分解式,
X=UDVT
其中,U为对数图像X分解得到的正交矩阵,其大小为h×h;D 为对数图像X分解得到的对角矩阵,其大小为h×w,对角矩阵D的第i个对角元素表示为di,且i=1,2,…,w;V为对数图像X分解得到的正交矩阵,其大小为w×w,T表示对矩阵求转置;转至步骤2.3;
步骤2.3、将所述步骤2.2中得到的正交矩阵U和正交矩阵V分别写成向量表示形式,即
U=[u1,u2,…,ui,…,uw]
V=[v1,v2,…,vi,…,vw]
其中,ui为h维列向量,vi为w维行向量,i既表示正交矩阵U 的列向量编号,也表示正交矩阵V的列向量编号,且i=1,2,…,w;转至步骤2.4;
步骤2.4、将所述步骤2.3中得到的正交矩阵U的向量表示形式和正交矩阵V的向量表示形式代入步骤2.2中对数图像X的奇异值分解式,得到如下对数图像X的奇异值分解的向量表示形式,
步骤3的具体流程如下:
步骤3.1、根据所述步骤2中得到的人脸灰度图像I的光照归一化人脸灰度图像Ir,通过梯度下降法求得如下人脸灰度图像I的光照复原图像Ip,
Ip=f30
其中,fk为第k个光照复原图像,fk+1为第k+1个光照复原图像,f1=I,fk和Ip的大小均为h×w。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明提出的基于奇异值分解的人脸图像光照复原方法,针对人脸图像的剧烈光照变化,采用奇异值分解算法产生剧烈光照变化人脸图像的光照归一化图像,以保证产生光照归一化图像的质量可靠;
2.本发明提出的基于奇异值分解的人脸图像光照复原方法,通过线性迭代算法,使剧烈光照变化人脸图像逼近其光照归一化图像,生成其光照复原图像,在复原正常光照的同时,可以最大限度的保持人脸图像的固有特征信息。
总之,本发明从实际应用效果出发,提出基于奇异值分解的人脸图像光照复原方法,具有处理效率高,计算方法简单的特点。
附图说明
图1为本发明的整体流程图。
图2为本发明中由剧烈光照变化人脸图像复原为正常光照人脸图像的流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护权限不限于下述的实施例。
实施例
本实施例提出了一种基于奇异值分解的人脸图像光照复原方法,如图1所示,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像。其具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为h×w×3,其中h表示人脸彩色图像矩阵的行数,w表示人脸彩色图像矩阵的列数;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为h×w的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至 255之间。
步骤2、通过奇异值分解算法,求取所述步骤1中得到的人脸灰度图像的光照归一化图像。如图2所示,其具体流程如下:
步骤2.1、对所述步骤1中得到的人脸灰度图像I的图像矩阵的每个灰度值进行以自然常数为底的对数变换,得到人脸灰度图像I的对数图像X,其大小为h×w;
步骤2.2、采用矩阵SVD奇异值分解方法,对所述步骤2.1 中得到的人脸灰度图像I的对数图像X进行奇异值分解,得到如下奇异值分解式,
X=UDVT
其中,U为对数图像X分解得到的正交矩阵,其大小为h×h;D 为对数图像X分解得到的对角矩阵,其大小为h×w,对角矩阵D的第i个对角元素表示为di,且i=1,2,…,w;V为对数图像X分解得到的正交矩阵,其大小为w×w,T表示对矩阵求转置;
步骤2.3、将所述步骤2.2中得到的正交矩阵U和正交矩阵V分别写成向量表示形式,即
U=[u1,u2,…,ui,…,uw]
V=[v1,v2,…,vi,…,vw]
其中,ui为h维列向量,vi为w维行向量,i既表示正交矩阵U 的列向量编号,也表示正交矩阵V的列向量编号,且i=1,2,L,w;
步骤2.4、将所述步骤2.3中得到的正交矩阵U的向量表示形式和正交矩阵V的向量表示形式代入步骤2.2中对数图像X的奇异值分解式,得到如下对数图像X的奇异值分解的向量表示形式,
步骤3、通过梯度下降法,求取人脸灰度图像的光照复原图像。
其具体流程如下:
步骤3.1、根据所述步骤2中得到的人脸灰度图像I的光照归一化人脸灰度图像Ir,通过梯度下降法求得如下人脸灰度图像I的光照复原图像Ip,
Ip=f30
其中,fk为第k个光照复原图像,fk+1为第k+1个光照复原图像,f1=I,fk和Ip的大小均为h×w。
本发明充分考虑了人脸灰度图像的光照特性,通过奇异值分解算法,对奇异值进行归一化处理,产生人脸灰度图像的光照归一化图像,然后利用梯度下降法,使人脸灰度图像逼近其光照归一化图像,产生人脸灰度图像的光照复原图像,在恢复光照的同时,最大限度的保持人脸图像的固有鉴别特征。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于奇异值分解的人脸图像光照复原方法,其特征在于,包括以下步骤:
步骤1、采集人脸彩色图像,并转化为人脸灰度图像;转至步骤2;
步骤2、求取所述步骤1中得到的人脸灰度图像的光照归一化图像;具体流程如下:
步骤2.1、对所述步骤1中得到的人脸灰度图像I的图像矩阵的每个灰度值进行以自然常数为底的对数变换,得到人脸灰度图像I的对数图像X,其大小为h×w;转至步骤2.2;
步骤2.2、采用矩阵SVD奇异值分解方法,对所述步骤2.1中得到的人脸灰度图像I的对数图像X进行奇异值分解,得到如下奇异值分解式,
X=UDVT
其中,U为对数图像X分解得到的正交矩阵,其大小为h×h;D为对数图像X分解得到的对角矩阵,其大小为h×w,对角矩阵D的第i个对角元素表示为di,且i=1,2,…,w;V为对数图像X分解得到的正交矩阵,其大小为w×w,T表示对矩阵求转置;转至步骤2.3;
步骤2.3、将所述步骤2.2中得到的正交矩阵U和正交矩阵V分别写成向量表示形式,即
U=[u1,u2,…,ui,…,uw]
V=[v1,v2,…,vi,…,vw]
其中,ui为h维列向量,vi为w维行向量,i既表示正交矩阵U的列向量编号,也表示正交矩阵V的列向量编号,且i=1,2,…,w;转至步骤2.4;
步骤2.4、将所述步骤2.3中得到的正交矩阵U的向量表示形式和正交矩阵V的向量表示形式代入步骤2.2中对数图像X的奇异值分解式,得到如下对数图像X的奇异值分解的向量表示形式,
步骤3、求取人脸灰度图像的光照复原图像。
2.根据权利要求1所述一种基于奇异值分解的人脸图像光照复原方法,其特征在于,步骤1的具体流程如下:
步骤1.1、采集人脸彩色图像,人脸彩色图像的大小为h×w×3,其中h表示人脸彩色图像矩阵的行数,w表示人脸彩色图像矩阵的列数;转至步骤1.2;
步骤1.2、将所述步骤1.1中的人脸彩色图像转化为大小为h×w的人脸灰度图像I,并将人脸灰度图像I的灰度值等比例的转化到1至255之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064798.5A CN110910320B (zh) | 2019-11-04 | 2019-11-04 | 一种基于奇异值分解的人脸图像光照复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064798.5A CN110910320B (zh) | 2019-11-04 | 2019-11-04 | 一种基于奇异值分解的人脸图像光照复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910320A CN110910320A (zh) | 2020-03-24 |
CN110910320B true CN110910320B (zh) | 2022-09-06 |
Family
ID=69815866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911064798.5A Active CN110910320B (zh) | 2019-11-04 | 2019-11-04 | 一种基于奇异值分解的人脸图像光照复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910320B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077402B (zh) * | 2021-04-12 | 2022-09-06 | 南京邮电大学 | 一种基于正交三角分解的人脸图像光照复原方法 |
CN113361492B (zh) * | 2021-07-19 | 2023-10-24 | 南京邮电大学 | 一种基于正交三角分解的光照不变特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216821A1 (en) * | 2005-12-05 | 2009-08-27 | Kyoto University | Singular Value Decomposition Apparatus and Singular Value Decomposition Method |
CN105046202A (zh) * | 2015-06-23 | 2015-11-11 | 南京理工大学 | 自适应的人脸识别光照处理方法 |
CN108038438A (zh) * | 2017-12-06 | 2018-05-15 | 广东世纪晟科技有限公司 | 一种基于奇异值分解的多源人脸图像联合特征提取方法 |
-
2019
- 2019-11-04 CN CN201911064798.5A patent/CN110910320B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216821A1 (en) * | 2005-12-05 | 2009-08-27 | Kyoto University | Singular Value Decomposition Apparatus and Singular Value Decomposition Method |
CN105046202A (zh) * | 2015-06-23 | 2015-11-11 | 南京理工大学 | 自适应的人脸识别光照处理方法 |
CN108038438A (zh) * | 2017-12-06 | 2018-05-15 | 广东世纪晟科技有限公司 | 一种基于奇异值分解的多源人脸图像联合特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910320A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694A (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN112766160A (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
CN107967458A (zh) | 一种人脸识别方法 | |
CN110910320B (zh) | 一种基于奇异值分解的人脸图像光照复原方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN108875645B (zh) | 一种煤矿井下复杂光照条件下的人脸识别方法 | |
CN107464260A (zh) | 一种采用无人机的水稻冠层图像处理方法 | |
CN116311483B (zh) | 基于局部面部区域重构和记忆对比学习的微表情识别方法 | |
CN114067368A (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN111291669A (zh) | 一种双通道俯角人脸融合校正gan网络及人脸融合校正方法 | |
CN113298189A (zh) | 一种基于无监督域自适应的跨域图像分类方法 | |
CN107832721A (zh) | 用于输出信息的方法和装置 | |
CN112257741A (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
CN111126169B (zh) | 基于正交化的图正则非负矩阵分解的人脸识别方法及系统 | |
CN116229552A (zh) | 一种基于yolov7模型的面向嵌入式硬件的人脸识别方法 | |
CN113343966B (zh) | 一种红外与可见光图像文本描述生成方法 | |
CN113077402B (zh) | 一种基于正交三角分解的人脸图像光照复原方法 | |
CN110956090B (zh) | 一种基于正负光照不变单元融合的人脸特征提取方法 | |
CN111160121A (zh) | 一种基于深度学习的人像识别系统、方法及装置 | |
CN109145749B (zh) | 一种跨数据集的面部表情识别模型构建及识别方法 | |
CN111783526A (zh) | 一种利用姿势不变和图结构对齐的跨域行人重识别方法 | |
CN106548130A (zh) | 一种视频图像提取及识别方法与系统 | |
CN110674675A (zh) | 一种行人面部反欺诈方法 | |
CN113298136B (zh) | 一种基于alpha散度的孪生网络跟踪方法 |
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 |