人臉識別中光照補償算法的改進

翟音 趙宇燁

摘要：針對人臉識別中，人臉圖像光照補償問題進行研究。將人臉圖像通過對數邊緣圖變換和Gamma灰度變換兩種方法進行預處理，再結合Retinex光照補償算法，得到兩種改進的光照補償算法。通過在YaleB人臉識別庫上的實驗結果來看，改進的算法在一定程度上提高了人臉圖像的識別率。

關鍵詞：光照補償;對數變換;Gamma灰度變換

中圖分類號：TP3 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）17-0031-02

開放科學（資源服務）標識碼（OSID）：

光照變化一直是影響人臉識別的一個重要因素。由于人臉面部的立體性，不同的光照角度對人臉圖像的變化影響非常大。比如光線照射在人臉左側面時，右側面會有陰影，這種情況下對人臉圖像進行識別時，算法的識別率就會下降。因此，為了減少不同光照角度對人臉圖像的影響，在對人臉面部圖像識別的初始處理階段，我們采用兩種不同的預處理算法對人臉圖像進行預處理，再提取特征點識別面部特征，以此來降低光敏感度，提高人臉識別系統的識別率。

1Retinex理論

Retinex理論指出，人們眼睛所獲取的圖像，主要是入射光和反射物體兩大元素決定[1]。在Retinex光照補償算法[2]中，首先把圖像分成只含有入射信息的圖像和只含有反射信息的圖像。那么由該算法得到的圖像的成像過程可以用式（1）表示：

在式（2）中，將反射函數和入射函數之間的乘積關系轉換成對數相加關系，這樣能夠有效擴展被壓縮的圖像中的陰影部分，從而消除光照的影響，符合人們對光線的亮度感知能力。

由此可見，基于Retinex理論的光照補償算法就是把入射光對圖像的影響去除，只獲取根據物體的反射性質R得到的圖像的表面特征，從而減弱光照變化對圖像的影響[6]。當光線照射在人臉側面時，Retinex光照補償算法并不能有效地獲取陰影部分的圖像的細節，為了獲得更好的圖像信息，我們將Retinex光照補償算法與其他光照預處理算法相結合，尋找有效的人臉圖像預處理算法。

2 兩種常用的光照補償預處理算法

2.1基于對數邊緣圖變換的方法

對數邊緣圖變換[4]是對整個圖像區域的一個變換，在光線照射在人臉側面時，為了降低光照對人臉識別圖像的影響，在變換后的圖像上選擇一個局部窗口。如式（3）所示。

根據式（4）可以獲得變換后的圖像與光照照射角度無關的一些特性，有這種特性的圖像叫作對數邊緣圖。

2.2基于gamma灰度教正的方法

Gamma校正方法[5]是人臉識別圖像處理常用的一種技術，它的原理是通過改變Gamma 參數來獲取圖像的不同亮度效果。基于Gamma 灰度校正的方法是對 Gamma 校正方法的改進，其基本思想是首先設置一個預先定義好的標準光照條件下的圖像[IO]，然后對要處理的圖像的光照角度進行校正，使得它和標準圖像[IO]所處的光照角度相同，這樣可以在一定程度上減少圖像識別時不同光照角度對其產生的影響。

利用Gamma 灰度校正方法進行人臉圖像光照預處理的主要步驟[5]：首先定義標準人臉圖像[IO]，這個圖像[IO]是一個預先定義的標準光照角度下的圖像，然后把要處理的圖像進行Gamma灰度校正變換，使得變換后的圖像和標準圖像[IO]的光照角度相同，變換過程如式（5）所示：

3光照補償算法的改進

將人臉圖像通過對數邊緣圖變換和Gamma灰度變換進行預處理，再結合基于 Retinex 理論的光照補償算法得到預處理結果，執行過程如圖 1 所示。

為了驗證改進的算法，我們主要選取面部有側光照射的圖像進行實驗，首先對要處理的圖像采用對數邊緣圖變換和Gamma灰度變換分別進行預處理，去除光照的噪聲，再運用基于 Retinex 理論的光照補償算法，最終得到的效果圖如圖2和圖3所示。

從圖像預處理的結果可以看出，通過對數變換和Gamma灰度校正兩種預處理算法的結合，改進了原有的光照補償算法在側光照射下對獲取圖像細節不均勻的效果，減弱了圖像預處理階段光照的噪聲，減少了光照變化對圖像的影響，提高了人臉圖像的識別率。

4對比研究

YaleB人臉庫是光照和姿態變化的典型人臉數據庫。以YaleB人臉庫進行實驗，選擇人臉庫中10個人在不同光照情況下的拍攝圖像進行測試，這些圖像是每個人在64種不同光照角度下用同一種姿勢拍攝的正面照片，總共選擇640張人臉圖像進行實驗。這些人臉圖像根據拍攝時光照的不同角度大致分為5種情況，每種情況用一個子集來表示：小于等于12度是子集1;13度到25度之間是子集2;26度到50度之間是子集3;51度到77度之間是子集4;大于77度是子集5。

實驗中，為了比較正面光線和側面光線對人臉圖像的識別情況，把正面照射人臉的子集1用作訓練集，其他側面照射人臉的4個子集作為測試集。實驗結果如下。

從表1的對比數據中我們可以看出，方法1和方法2經過兩種不同的圖像預處理算法后，人臉圖像的識別率都有所提高，局部對噪點的抗干擾性能更好一些，改進后的方法在一定程度上提高了人臉圖像的識別率，識別的效果比較理想。

參考文獻：

[1] 黃華，王孝通.基于Retinex理論的圖像增強算法[J].四川兵工學報，2009，30（1）：64-65，68.

[2] 王彥臣，李樹杰，黃廉卿.基于多尺度Retinex的數字X光圖像增強方法研究[J].光學精密工程，2006，14（1）：70-76.

[3] SHAKED D， KESHET R. HPL200274R1，Robust recursive envelope operators for fast Retinex[R].Hewlett-Packard Research Laboratories，2002.

[4] Savvides M，Kumar B V K V.Illumination normalization using logarithm transforms for face authentication[M]//LectureNotesinComputerScience.Berlin，Heidelberg： Springer Berlin Heidelberg， 2003： 549-556.

[5] 杜波.人臉識別中光照預處理方法研究[D].北京：中國科學院研究生院，2005.

[6] 鄭苑.多方法結合的人臉圖像光照補償算法[J].計算機系統應用，2012，21（2）：207-209.

【通聯編輯：代影】