人證壁掛設備中人臉過曝光檢測

周明明，龔敏

（1.四川大學計算機學院，成都 610065；2.西南大學數學與統計學院，重慶 400715）

0 引言

伴隨著計算機科學技術、網絡和通信技術的快速發展，信息化也快速融入到我們的生活當中，人類在生活中獲取到的信息有超過50%的為人類視覺系統所感知的圖像信息，圖像信息有著生動直觀、表達準確和適應范圍廣等優勢。而在圖像信息中應用較為廣泛的一個領域——人臉識別[1]。

實際應用中，人臉識別受光照因素影響較大，目前，對于圖像過曝光區域檢測方法有簡單閾值法，FLA算法[2]和過曝光映射算法[3]，由于傳統的簡單閾值法僅僅考慮圖像像素點的亮度信息，因此檢測出的過曝光點存在較大的誤差；過曝光映射算法很好地解決了傳統方法的不足，但是檢測出的過曝光區域沒有呈現較好的連通性；而FLA算法是一種分類器訓練算法，檢測消耗時間較長，且過曝光點的標注依賴其他算法，因此對于圖像是否過曝光不易把控。

為解決當前人臉圖像過曝光檢測過程中存在的問題，本文提出一種基于圖像三種特征的過曝光檢測增強算法，同時，利用C++編程實現并應用到人證壁掛設備中以驗證該算法的有效性。

1 檢測算法設計

對于人臉圖像注冊過程中圖像過曝光檢測算法設計，首先利用人臉檢測算法提取出圖像中最大人臉位置，再利用本文提出的算法檢測人臉圖像過曝光區域，接著計算該人臉圖像的過曝光置信度，最后（是否考慮加入聚類算法）將人臉圖像入庫，大致流程如圖1所示。過曝光檢測算法設計分為兩個步驟。

圖1 人證壁掛設備人臉識別總流程

首先，本文設計出用來衡量圖像像素點過曝光程度的指標。通常，RGB顏色空間沒有將圖像光照信息和顏色信息區分開來，因此，對于輸入圖像擬將其轉換到CIELAB顏色空間，從而得到輸入圖像在CIELAB顏色空間里的L通道、a通道和b通道信息。在CIELAB色彩空間上，選取圖像的光照信息L*L*、色彩信息C=(a*,b*)TC=(a*,b*)T和空間鄰域特征3項指標作為檢測人臉圖像過曝光區域評判標準。

接著，基于sigmoid函數設計出關于圖像中各像素點是否過曝光置信度，即概率，本文設定，若該點置信度大于0.5，則認為為過曝光點，反之，則為正常曝光點。

最后，根據過曝光點數占圖像總像素點數的比例來判定圖像是否為過曝光圖像。

1.1 衡量過曝光指標設計

（1）傳統閾值法

圖像直方圖分布一定程度上能反映出該圖像是否過曝光，直方圖表示了圖像中每一個亮度值出現的頻率，灰度空間圖像的亮度值范圍為[0-255]，過曝光圖像的灰度直方圖分布不均勻，大部分像素值集中分布在直方圖右側或者左側[4-5]。傳統閾值法簡單設置一個亮度閾值，若像素點的亮度值大于該閾值則認為是過曝光點，反之，則為正常點。

（2）算法改進

為了分開處理顏色信息和亮度信息，將人臉圖像從RGB顏色空間轉換為CIELAB顏色空間，其中L*通道表示圖像亮度信息，a*和b*通道表示圖像顏色信息，本文中，不妨以L表示輸入圖像的L*通道，C=(a,b)T表示輸入圖像的a*和b*通道。本文擬將設計以下3個衡量圖像過曝光指標：

①亮度特征

圖像的亮度信息可以通過圖像直方圖反映出該圖像的過曝光程度[6]，因此，本文將圖像分離出來的亮度信息L(i,j)作為衡量像素點(i,j)過曝光的一個指標。

②顏色特征

顏色特征以‖C‖2表示，則像素點(i,j)顏色特征表示為：

其中‖·‖2表示 2范數，a()i,j表示該像素點的a*通道顏色信息，b(i,j)表示該像素點的b*通道顏色信息。

③空間區域特征

空間區域特征指的是圖像中某個中心像素點與其周圍像素點亮度值的均值。事實表明，圖像中像素點所在位置與其周圍像素點存在著一定的空間關系。由人眼主觀視覺感知區域和韋伯定律[6]，單一像素點是否過曝光難以被感知，從而無法得到有用信息，實際經驗表明，圖像過曝光點往往呈現出區域性。圖像中像素點的空間區域特征是基于中心像素點并結合該點周圍像素點的顏色特征來克服單個像素點無法表示更多區域信息的難題，由于充分考慮到圖像各像素點空間結構信息，因此檢測的區域更加符合人眼主觀視覺感知習慣。

當用3×3窗口來計算中心像素點I0的空間區域特征[2]，I0鄰域分布如圖2所示：

圖2 以I0為中心像素點的鄰域分布

則中心像素點I0空間區域特征表示為：

1.2 過曝光檢測算法設計

關于圖像過曝光檢測傳統方法用的較多的是簡單閾值法，即若輸入圖像中某一點的亮度信息大于或者等于某一預先設定的閾值，則認為該像素點為過曝光點，通常，這一閾值設定為253，以減少由于圖像壓縮算法引起的錯誤。但是，這種閾值法沒有很好地解決過曝光區域到其相鄰區域的漸變問題，即，由于過曝光像素點的鄰域顏色信息被稀釋導致光照強度增加，并且圖像內各個像素點與其周圍像素點存在一定的空間關系。為了充分考慮到各像素點相鄰區域顏色信息和空間區域特征的影響，本文設計出表征像素點過曝光指標Ψ∈[0,1]，其數學表達式如下：

其中，Lδ、Cδ和SEδ表示過曝光區域邊界值，為常數，α控制Ψi隨著Li和SEi的增大或Ci的減小而增大的速率。

在實際應用中，由于對位于圖像邊界像素點作為中心像素點計算其空間區域特征時存在周圍像素點缺失問題，此時丟棄缺失的像素點，如圖3所示：

圖3 中心像素點周圍像素缺失處理

LCS算法計算步驟的偽代碼如下表1所示：

表1 LCS算法計算步驟偽代碼

2 實驗仿真與分析

2.1 實驗數據庫

為了驗證LCS算法在不同曝光程度條件下對過曝光圖片與正常圖片檢測效果，采用與文獻[3]相同的8張非均勻曝光圖像。而在實際項目應用中對**大學出入宿舍時人證壁掛設備記錄的100個人2230張注冊圖像進行人臉過曝光檢測實驗仿真。

2.2 實驗結果與分析

（1）參數調優

實驗在 Intel Xeon E5 2.00GHZ，32GB，Windows7，VS13，OpenCV3.0環境下進行，為了獲得對圖像中過曝光區域檢測較優效果，需要預先對算法中設計的各個參數（窗口大小，Lδ，α，Cδ和 SEδ）進行參數調優，選取窗口大小為 3×3、5×5，Lδ為 110、120、130、140，α為，C為 10、20，SE為 130、140、150、160，觀察各δδ個參數值對LCS算法整體效果的影響，通過對比分析檢測效果以得出較優模型參數值。

針對上述各個模型參數，取圖5中8張圖片作為驗證圖片，實驗共得到樣本總個數為512，從中隨機抽取2組參數得到的實驗圖片，其實驗結果如圖4所示。

由對比分析實驗結果可得，當窗口大小為5×5，Lδ=130，Cδ=10，SEδ=150時可以得到較優的過曝光區域檢測效果，此時得到的過曝光點呈現出區域性，從而有效減少了圖片中那些沒有有用信息的單個曝光點，當算法設置為上述模型參數時檢測到的過曝光區域更加嚴密，誤檢測的單個過曝光點有效減少，使得檢測出的過曝光區域更符合人眼視覺習慣。

（2）對比分析

為了比較LCS算法與簡單閾值法以及過曝光映射LC算法的實驗效果，選取在參數調優過程中得到的最優模型，同時，對比分析實驗用圖選擇和參數調優相同。從得到的對比分析結果中隨機選取兩組實驗結果，如圖5和圖6所示。

另外一組對比分析實驗結果如圖6所示。

由對比分析實驗結果可知，LCS算法檢測出的圖片中過曝光點呈現出明顯的區域性[7]，且過曝光區域更加緊湊。LCS算法充分考慮到圖像中各像素點的亮度信息、顏色信息和空間區域特征，因此可以剔除很多單個無用的過曝光點，從而使得檢測出的過曝光區域表現出較強的整體性。

圖4 參數調優對比分析實驗結果。圖中括號內的值分別代表參數：窗口大小，Lδ，Cδ和SEδ。

圖5 算法對比分析實驗結果-青竹

圖6 算法對比分析實驗結果-房屋

由于簡單閾值法只是簡單的將圖像中各個點的亮度值和給定的閾值進行比較得出是否是過曝光點，因此很大程度上導致檢測出的過曝光點分布過于松散，并且有較多的誤檢測過曝光點[8-9]。

雖然過曝光映射算法考慮了圖像中各像素點的亮度信息和顏色特征，但是卻忽略了圖像中各像素點的區域特征，從而使得檢測出的過曝光區域無法表現出整體性和均勻性，并且存在過度檢測問題。

2.3 LCS算法的應用

在將算法應用到人臉注冊圖像是否過曝光時，由于需要檢測的宿舍出入注冊圖像處于大致相同的背景環境下，但與1.2節中對比分析所處背景環境不同，因此需要對LCS算法進行一次參數調優處理。首先利用LCS算法檢測出注冊圖像中過曝光區域，然后計算圖像中過曝光點占總像素點的比例，將其與預先設定的閾值進行比較，最終判斷該圖像是否過曝光，對于正常圖片則將其注冊圖片的特征向量存入數據庫，以提高人臉識別準確率。

實際應用時，若注冊的人臉圖像較多則可以設置較大過曝光閾值，反之，則可以降低閾值，這樣可以避免閾值設置過高沒有照片入庫或設置過低入庫照片過曝光但入庫的情整體性和緊湊性，剔除大部分單個無用信息的過曝光點，且能滿足實時性要求。由于涉及的實驗數據存在安全性，故不做展示。

3 結語

現實生活中，采集人臉圖像的過程經常存在著過曝光問題，在很大程度上影響了圖片質量，進而影響人臉識別結果，因此，在將人臉圖像入庫時需要刷選出過曝光圖像。本文基于圖像亮度信息、顏色信息和像素點空間區域特征設計出一種圖像過曝光區域檢測算法，實驗表明，該算法相較于簡單閾值法和過曝光映射算法，檢測出的過曝光區域更加符合人眼視覺習慣，大大減少了誤檢測的過曝光點，在應用到檢測宿舍人臉驗證考勤系統采集的人臉照片是否過曝光時取得比較好的效果，避免了將過曝光人臉圖像存儲進數據庫。但是，LCS算法需要預先針對不同背景環境照片設置一個合理的模型參數，該過程略顯繁雜，因此該算法仍有進一步改進的空間。

參考文獻：

[1]Paul Viola,Michael Jones.Rapid Object Detection using a Boosted Cascade of Simple Features[J].

[2]林慶帆,李釗杰,劉穎,李娜.監控視頻圖像過曝光區域檢測[J].西安郵電大學學報,2015,20（06）:2-7.

[3]GUO Dong,CHENG Yuan,ZHUO Shao-jie,et al.Correcting Over-exposure in Photographs[C].Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE,2010:515-521.

[4]胡安洲.主客觀一致的圖像感知質量評價方法研究[D].中國科學技術大學,2014:30-32.

[5]尹渺源.人臉圖像的光照和清晰度質量無參考評價及應用[D].重慶大學,2015:10-21.

[6]唐鑒.人臉識別中的圖像質量評價方法研究[D].華南理工大學,2011:12-32.

[7]唐文劍.正面人臉圖像質量評價方法研究[D].西安電子科技大學,2012:21-35.[10]專利所有者.專利題名：專利國別，專利號[P].公告日期.獲取和訪問路徑.

[8]Debevec PE,Malik J.Recovering High Dynamic Range Radiance Maps from Photographs[C].Proceedings of Computer Graphics Annual Conference:SIGGRAPH 97 369–378,1997.

[9]Yao S.Robust Subpixel Image Registration of Different Exposed Images[J].Electronics Letters,2010,46（18）:1270-1271.