彩色人臉光照預處理分析范文

本站小編為你精心準備了彩色人臉光照預處理分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《重慶大學學報》2015年第四期

人臉識別作為一種重要的生物特征識別方法具有獨特的優勢和廣闊的應用前景，受到了學術界的廣泛重視，已成為計算機視覺領域最受關注的研究課題之一。目前，主流的人臉識別方法仍然立足于圖像的灰度信息，但有研究表明，色彩信息對提高識別性能也有重要意義，近年來逐漸提出了一些彩色人臉識別方法。目前的彩色人臉識別方法主要有兩大類。第一類方法可以認為是傳統基于灰度圖像方法的擴展，這類方法首先尋找適合表征人臉信息的色彩空間，然后在新的色彩空間中對圖像的各個分量提取特征，而特征提取方法基本仍是沿用處理灰度圖像的方法，如局部二元模式、Gabor小波變換、離散余弦變換等。第二類方法主要考慮消除彩色圖像多個分量之間的相關性，從而最大限度的利用圖像的多個分量提供的信息。

在特定條件下，這些方法利用色彩信息能夠提高識別精度。然而，它們幾乎都忽略了一個在實際應用中無法避免的重要問題，即光照對圖像色彩的影響。數碼相機拍攝的圖像與光照的關系可描述為以下公式。一個可靠的彩色人臉識別系統，必須消除光照對色彩信息的影響。在計算機視覺中，確定入射光源的顏色并消除其對圖像色彩的影響稱為色彩恒常性（colorconstancy）。雖然色彩恒常性已有大量研究，但目前還幾乎沒有在人臉識別中的應用。從文獻［11］的光強倒數色度空間（inverse－intensitychromaticityspace，IICS）色彩恒常性理論出發，筆者提出一種用于人臉識別的分塊IICS的光照預處理方法，將圖像光照校正為標準白光，消除光照對圖像色彩的影響，并將校正后的圖像用于人臉識別。本方法首先將圖像均勻的分成子塊；然后將每個圖像塊轉換為IICS空間中的二維數據集合，并利用數據集在IICS空間中的線性分布特性估計圖像塊的光照顏色；再將所有圖像塊的光照估計進行顏色直方圖統計，對分塊估計的結果進行合并，得到光照估計的最終結果；最后利用對角模型將圖像光照校正到標準白光下。AR和FERET人臉庫上的實驗表明該預處理方法能有效提高彩色人臉識別方法在光照變化條件下的識別率。同時，展示了光照預處理是改善彩色人臉識別性能的一種有效途徑。

1基于分塊

IICS的光照預處理1．1光強倒數色度空間（IICS）IICS基于式（1）的成像模型，認為：1）空間某一點的光強是物體在該點處的漫反射和鏡面反射的線性組合；2）鏡面反射光的顏色近似于入射光的顏色［11］，可以通過確定鏡面反射光的顏色來確定入射光的顏色；3）彩色圖像的R、G、B3通道的信息相互獨立，估計光照顏色時可對3個通道分別估計。通過一系列轉換，式（1）可以寫重寫為以下形式。1．2基于分塊IICS的光照校正由于鏡面反射光的顏色近似于入射光的顏色，計算式（7）中的Γc即可得到入射光的顏色。由于一幅實際的圖像成像時可能存在多光源的問題，因此不同的圖像區域對應的Γc應該不同，文獻［14］提出了首先利用圖像分割算法對圖像進行分割，然后在每個分割出的子區域中分別計算Γc。

文獻［14］的方法針對的是自然圖像，圖像場景較大，光照分布可能很復雜，而人臉圖像只包含面部區域，光照分布相對比較簡單，因此不使用復雜的圖像分割算法，而將圖像均勻的分塊處理。筆者將人臉圖像均勻的劃分為多個矩形塊（如圖2所示），在每個圖像塊上分別計算Γc，最后綜合每個圖像塊的Γc得到整幅圖像的光照估計。對于每個圖像塊，由于面積較小，認為只有一個光源照射到該區域，因此有唯一的Γc。計算Γc時，實際上只能利用式（7）中ms（x）≠0的部分（即只能利用圖1中的斜線，需要排除水平線）；同時為了得到較準確的Γc值，數據點需要有一個較狹長的分布（即圖1中斜線上的點應比較分散）。由于光照的連續性，通常相鄰區塊的光照相近，因此得到全部圖像塊的光照估計Γc，i（i＝1…N，N為有效估計出光照的圖像塊數量）后，對其進行顏色直方圖統計，找到直方圖的各局部極值，然后將落入該極值區域內的Γc，i計算平均值，作為相應圖像塊最終的光照估計。對于不滿足條件，無法計算Γc的圖像塊，取其鄰域圖像塊光照的均值，作為該塊的光照估計。

2實驗驗證

為了驗證所提出的光照預處理方法的有效性，在AR人臉庫和彩色FERET人臉庫上進行了人臉識別實驗。對于AR庫（如圖4所示），選取每個人的1、5、6、7號圖像用于實驗，這4幅圖像具有不同的光照變化（自然光照、左側光照、右側光照、正面光照），因此，該圖像集共476幅圖像（119人×4幅／人）。圖像裁減為128×128像素。實驗中，把圖像集隨機分為2部分，第1部分59人，第2部分為其余的60人。第1部分的全部圖像構成訓練集（trainingset），第2部分每人的1號圖像構成參考集（galleryset），其余圖像構成測試集（probeset）。對于FERET庫（如圖5所示），選取其中226人的1107幅圖像構成實驗圖像集，其中每人至少有4幅圖像。圖像被裁減為128×128像素。實驗中，對每人隨機選取2幅圖像構成參考集，其余圖像構成測試集，參考集同時也用作訓練集。研究選擇了4種現有的彩色人臉識別方法［3，5，6，10］，通過實驗對比原有方法和加入光照預處理之后的識別率。實驗中，本文的光照預處理方法參數設置為，圖像分塊的大小為16×16像素，Tp＝0．005，Te＝0．95。AR和FERET人臉庫上的識別率分別如表1和表2所示。從實驗結果可見，加入光照預處理后，4種彩色人臉識別方法的識別率都有提高，并且在AR庫上提高十分顯著。從AR庫上的實驗結果可以看到，光照變化對彩色人臉識別方法的影響是非常大的，甚至會使某些識別方法完全失效，如文獻［6］的方法識別甚至不到30％。AR庫中的圖像光照變化比較復雜，其單側光照的照明方式可視為圖像不同區域的入射光源不同，不同區域會呈現出較大的色彩差異，從而嚴重影響識別性能。

由于沒有考慮光照的引起的色彩變化，此4種彩色人臉識別方法的效果都不理想。而加入光照預處理，對圖像色彩進行校正后，4種方法的識別性能都有大幅改善，識別率至少提高了6．62％。對于文獻［6］方法，由于其自身的限制，從識別率的絕對數值來看，加入光照預處理之后也不盡理想，但對識別率的提升仍是顯著的。此結果也提示，在設計彩色人識別方法時，方法本身需盡可能考慮到光照問題。對于FERET庫，雖然不同圖像之間也存在光照差異，但每幅圖像都處于均勻光照下，因此，光照引起的同一幅圖像的不同區域之間的色彩變化很小，對識別性能的影響也較小，可以看到，4種彩色人臉識別方法本身也能取得較好效果，但加入光照預處理后識別率有進一步提高，這也驗證了研究方法的有效性。

3結語

針對現有彩色人臉識別方法易受光照變化影響的問題，提出了一種基于IICS的彩色人臉圖像光照預處理方法。本方法首先將圖像均勻分塊；然后將每個圖像塊轉換為IICS空間中的二維數據集合，由此估計圖像塊的光照顏色；再將所有圖像塊的光照顏色進行顏色直方圖統計，對分塊估計的結果進行合并，得到光照估計的最終結果；最后將圖像轉換到標準白光光照下。實驗表明本光照預處理方法能有效提高彩色人臉識別方法對光照的魯棒性。為解決彩色人臉識別中的光照問題提供了一種解決思路。

作者：杜興 王雅夢 鄭劍 夏靜滿 單位：重慶師范大學 計算機與信息科學學院 西南大學 外國語學院 重慶長鵬實業（集團）有限公司