變光照下人臉識別的魯棒性研究

變光照下人臉識別的魯棒性研究

0復(fù)雜光照人臉圖像質(zhì)量現(xiàn)在，在可控條件下，人臉識別的正確率非常高，但在實(shí)際應(yīng)用中，由于光線、表情、姿勢等因素的影響，采集的人類圖像中存在大量噪聲，人臉識別算法的正確率對光線非常敏感。因此，在復(fù)雜的光明設(shè)備條件下提高人臉識別正確率是一個(gè)緊迫的問題。針對光照人臉識別問題,國內(nèi)外學(xué)者進(jìn)行了大量研究,采用一些算法對人臉光照進(jìn)行預(yù)處理,以提高人臉圖像的質(zhì)量。最傳統(tǒng)算法是利用同一場景的多幅人臉圖像,獲得圖像場景的光照信息恢復(fù)人臉圖像,該算法運(yùn)算比較繁瑣,難以滿足人臉識別的實(shí)時(shí)需求。當(dāng)前主要采用圖像增強(qiáng)處理技術(shù),提高復(fù)雜光照人臉圖像質(zhì)量,從圖像處理的角度出發(fā),提高人臉圖像的對比度,突出細(xì)節(jié)信息,改善圖像的視覺效果。經(jīng)典光照處理算法有:線性變換、非線性變換、直方圖均衡等,這些算法簡單容易實(shí)現(xiàn),但當(dāng)光照變化較大時(shí),它們增強(qiáng)效果不明顯,難以滿足人臉識別的實(shí)際要求。近年來,視網(wǎng)膜神經(jīng)理論(Retinex)被一些學(xué)者引入到人臉圖像增強(qiáng)處理問題,為光照人臉圖像識別問題提供了一種新的研究思想。Retinex算法雖然具有處理復(fù)雜光照魯棒性,但存在著容易產(chǎn)生“光暈”的不足,對后繼人臉識別率產(chǎn)生不利影響。為了解決“光暈現(xiàn)象”,一些學(xué)者提出了一些改進(jìn)Retinex人臉圖像處理算法,提高了人臉圖像的視覺效果針對復(fù)雜光照條件下的人臉圖像處理難題,提出一種魯棒性強(qiáng)的光照人臉處理算法(ISSR),其對單尺度Retinex算法,以提高光照人臉識別效果,并采用仿真實(shí)驗(yàn)測試ISSR算法的性能。1單尺度re能實(shí)現(xiàn)染色的三通濾波算法Retinex理論是一種顏色恒常知覺的色彩理論,其認(rèn)為物體顏色與光源強(qiáng)度沒有依賴關(guān)系,而是由物體的反射能力決定的,具體如圖1所示。Retinex理論認(rèn)人類視覺系統(tǒng)產(chǎn)生的物體圖像G(x,y)由圖像的照度分量L(x,y)和反射分量R(x,y)組成:Retinex理論的實(shí)現(xiàn)思想是從圖像I(x,y)中去除照度分量L(x,y),在不考慮照度發(fā)生變化的情況下還原出清晰地圖像,達(dá)到圖像增強(qiáng)的目的。根據(jù)Retinex理論,Jobson提出了單尺度Retinex算法(SSR),對式兩邊取對數(shù),得到G'(x,y),則從式(2)可知,將式(1)的乘法運(yùn)算變?yōu)榧臃ㄟ\(yùn)算,實(shí)現(xiàn)L(x,y)與R(x,y)分離。對I(x,y)低通濾波,得到式中,“*”為卷積運(yùn)算;F(x,y)為低通濾波函數(shù)。R'(x,y)表示反射系數(shù)R(x,y)的估計(jì),如果待處理圖像為彩色,那么就要對各顏色通道分別處理。以RGB顏色空間為例,對應(yīng)的SSR算法為式中,i的取值為(1,2,3),Ii(x,y)為輸入圖像的第i個(gè)顏色分量的像素值;Ri(x,y)為第i個(gè)顏色分量Retinex算法的輸出值。大量結(jié)果表明,單尺度Retinex算法可以較好地處理可控條件下人臉,但是對復(fù)雜光照條件的人臉進(jìn)行處理會(huì)產(chǎn)生暈環(huán)現(xiàn)象。2人臉圖像的增強(qiáng)ISSR算法的人臉圖像增強(qiáng)處理思想為:首先對原始人臉圖像通過利用卷積函數(shù)進(jìn)行卷積,進(jìn)行圖像亮度進(jìn)行粗估計(jì);然后對人臉圖像的對比度進(jìn)行非線性變換處理,并將其與粗估計(jì)的亮度圖像融合得到反射圖像,進(jìn)一步對反射圖像進(jìn)行Gamma校正,最后將反射圖像與粗估計(jì)的亮度圖像進(jìn)行融合,得到增強(qiáng)后的人臉圖像。ISSR算法流程如圖2所示2.1人臉圖像的估計(jì)與反射圖像SSR算法對原圖像采用卷積函數(shù)進(jìn)行估計(jì),但只是一種粗估計(jì),為此,ISSR算法對原始人臉圖像進(jìn)行局部非線性對比度增強(qiáng),實(shí)現(xiàn)對亮度圖像粗估計(jì)的補(bǔ)償。原圖像的非線性對比度增強(qiáng)方式為:式中,ε偏移量;δ為一個(gè)正的常量;In(x,y)為局部正規(guī)化結(jié)果,其定義如下:式中,I1_max和I1_min分別表示表示人臉圖像的局部最大值和最小值。由式(6)可知,對人臉圖像的高頻部分,若I(x,y)>I1_min,那么處理后的圖像Iout(x,y)>I(x,y),實(shí)現(xiàn)對反射圖像進(jìn)行良好的補(bǔ)償。2.1.1亮度圖像的估計(jì)與反射圖像在SSR算法中,通過高斯平滑對圖像亮度進(jìn)行,難以描述人臉的真實(shí)亮度;而ISSR算法通過給定固定大小的卷積函數(shù)來計(jì)算亮度圖像,卷積核中的系數(shù)和小于1,若用I1(x,y)表示亮度圖像L(x,y)的粗估計(jì),F(x,y)代表卷積函數(shù),則:式中,F(x,y))采用3×3的卷積核。當(dāng)原始人臉圖像亮度一定情況下,卷積核系數(shù)和越小,反射圖像亮度越高,這樣反射圖像為2.2反射圖像的比例Gamma校正可以動(dòng)態(tài)壓縮反射圖像,而且對反射圖像的比例,即式中,γ=2.2。將Gamma正后的反射和亮度圖像相加,再取反得到增的人臉圖像:3模擬實(shí)驗(yàn)3.1人臉圖像的處理在P44核3.5GMHz,8GRMA,windows7操作系統(tǒng)的計(jì)算機(jī)上,采用VC++編程進(jìn)行仿真實(shí)驗(yàn),為了評價(jià)多種光照變化模式的人臉庫,人臉圖像來源YaleB人臉庫、CMU-PIE人臉庫和AR數(shù)據(jù)庫,并選擇經(jīng)典SSR算法(SSR)、文獻(xiàn)改進(jìn)SSR算法(DSSR)進(jìn)行對比實(shí)驗(yàn)。3.2不同光照下pie人臉圖像的識別正確率(1)CMU-PIE人臉圖像庫YaleB人臉圖像庫由10人組成,每一人包含9種姿勢,每種姿勢均由64種不同光照條件下拍攝的圖像組成,由于本文主要研究光照變化問題,所以只考慮正面光照人臉圖像,根據(jù)光源方向和照相機(jī)軸之間的夾角,人臉圖像分成5個(gè)子集,具體如圖3所示。采用不同子集作為訓(xùn)練集,其它子集作為測試,采用SSR、DSSR、ISSR算法對人臉進(jìn)行處理后,然后采用支持向量機(jī)進(jìn)行人臉識別分類與識別,結(jié)果如圖4所示。從圖4可知,對于光照條件變化比較大子集(3~5子集),ISSR算法的人臉識別率均也達(dá)到了100%,遠(yuǎn)遠(yuǎn)高于DSSR算法和SSR算法,說有ISSR算法對光照變化具有更強(qiáng)的魯棒性。(2)CMU-PIE人臉圖像庫CMU-PIE人臉庫是由美國卡耐基梅隆大學(xué)創(chuàng)建,隨機(jī)選擇65個(gè)人的圖像,每個(gè)人包含21種照明條件下的圖像集合,同一個(gè)人在21種光照條件下的圖像如5所示。對于不同光照變化下和近正面光照下的PIE人臉圖像,不同算法的平均識別率如表1和2所示。從圖1可知,對極端光照條件下的人臉圖像,ISSR算法的識別正確率達(dá)到了100%,表明ISSR算法具有較好的光照適應(yīng)性,同時(shí),DSSR算法的識別正確率達(dá)到100%,但相比SSR算法,ISSR算法的識別正確率相應(yīng)提高。從表2可知,采用近正臉光照人臉圖像作為訓(xùn)練圖像時(shí),ISSR算法的識別效果明顯優(yōu)于對比算算法,對比結(jié)果表明ISSR算法是一種光照適應(yīng)性好的人臉處理算法,具有一定的優(yōu)越性。(3)AR人臉圖像庫AR臉數(shù)據(jù)庫包含了超過4000彩色圖像,都是在兩周內(nèi)分兩次采集的,該人臉庫包含了多種偏離理想條件的面部表情,亮度條件為:左燈照明、右燈照明和雙燈照明3種方式,人臉圖的兩次變化如圖6所示。第一組實(shí)驗(yàn)隨機(jī)選擇了118個(gè)測試者,按照事先標(biāo)明的光照條件下圖7(a)和(e)作為訓(xùn)練集,在兩組相反的光照條件下作為測試集(圖7(b)、(c)、(d)、(f)、(g)和(h))。SSR、DSSR、ISSR算法的人臉平均識別率如表3所示,從表3可知,相對于SSR、DSSR算法,ISSR算法的平均識別率分別提高28.25%和