CN105046202B - 自适应的人脸识别光照处理方法 - Google Patents

Abstract

本发明公开了一种自适应的人脸识别光照处理方法。该方法首先通过Adaboost方法进行人脸定位，得到图片中的人脸部分；在进行人脸定位后对人脸进行光照复杂度计算；通过设定复杂度阈值选择不同的光照处理方法对人脸进行光照处理。本发明利用上述三个步骤对输入图像进行处理，最终得到去除光照影响的人脸图像。本发明不仅能够有效抑制光线变化对后期人脸识别产生的影响，同时避免了不同环境下使用同一种光照处理的算法而导致的鲁棒性缺乏，而且能够快速准确地得到光照处理后归一化的人脸图像。

Description

自适应的人脸识别光照处理方法

技术领域

本发明属于人脸识别预处理技术，具体是一种自适应的人脸识别光照处理方法。

背景技术

最近几年，可控环境下人脸识别的研究取得了很大的进展，但是在自然状况下，成像过程中各种不可控因素的变化总会引起同一张人脸产生很大的变化。其中光照的影响无疑称为了人脸识别***的瓶颈之一。

同一张人脸图像在不同光照条件下的差异可能会大于不同人脸图像在相同光照下的差异。因此，研究人员日益关注光照问题的解决，不断对现有方法进行组合和改进，提出了诸多识别率较高、普适性较强的方法。这些方法或是利用数字图像处理技术对光照进行预处理，或是利用数学理论结合图像技术对图像进行变换，以期获取光照良好的图像，又或是对人脸图像进行建模处理，试图复原人脸的形状、姿态等信息；在此基础上再对人脸进行识别，大都获得了较好的识别性能。

目前主流的三种人脸识别光照处理方法有：直方图均衡、梯度脸和光照预处理链。直方图均衡化方法，是一种在全局上进行统计分析，调整直方图中的灰度分布，再重新生成直方图的方法。该方法主要是为了有选择性地抑制某些信息(像素所占比例较少的灰度)，而增强另外需要表现的某些信息(像素所占比例较多的灰度)，即达到均衡化的目的，在光照情况良好的情况下，对后期进行的识别效果鲁棒，且十分简单快捷(1.Stephen M.Pizer,E.Philip Amburn,John D.Austin,Robert Cromartie,Ari Geselowitz.Adaptivehistogram equalization and its variations,Computer Vision,Graphics,and ImageProcessing,1987,vol.39,pp.355-368.)。光照预处理链(TT)通过将伽马变换、高斯差分滤波等技术结合组成一个光照预处理链，能很好地消除光照变换带来的不利影响，取得了非常高的识别率，适用于光照影响较为严重的人脸图像处理，但是过程较为复杂。梯度脸(GRF)的处理过程为：首先求取图像X和Y方向的梯度分量，通过高斯一阶导数与图像做卷积可以求得；其次，根据图像在X和Y方向各自的梯度分量来获得图像的梯度分量，是一种光照鲁棒的方法，在光照条件非常复杂情况下的人脸识别率较高(2.Stephen M.Pizer,E.Philip Amburn,John D.Austin,Robert Cromartie,Ari Geselowitz.FaceRecognition Under Varying Illumination Using Gradientfaces,Image Processing,IEEE Transactions on,2009,vol.18,pp.2599-2606)。三种方法都有它们各自的针对性，不能对每一种光照情况都进行鲁棒的处理。

发明内容

本发明的目的在于提供一种给出不同人脸复杂程度判断，从而选择不同的算法搭配，达到能在任何光照环境下实现鲁棒的光照处理效果的方法。

实现本发明目的的技术解决方案为：一种自适应的人脸识别光照处理方法，步骤如下：

第一步，定位人脸，即通过Adaboost对输入图像进行人脸的定位。首先组织一个样本集，求出样本集的Haar特征(人脸和非人脸)，用特征来训练分类器：根据每一层分类器中样本分类是否正确修改样本的权值，并送入下一层分类器训练，然后将每一层分类器融合起来作为最终的Adaboost决策分类器。然后用分类器来检测人脸图像，实现人脸定位。

第二步，建立光照子空间，针对三种可能的光照情况，分别组织多个经过高斯模糊处理的样本集合，对样本集合进行训练得到若干个弱分类器级联而成的强分类器。将经过第一步处理的人脸图像放入到分类器中，得到人脸的光照复杂程度。

第三步，根据第二步分类的判断，若为光照影响严重，则选择梯度脸进行光照处理，若为适中则选择光照预处理链，若为光照状况良好则可直接选择直方图均衡化进行光照处理。

本发明与现有技术相比，其显著优点：(1)融合了多种现有效果优秀的人脸光照处理方法，能够对含人脸图像进行鲁棒的光照处理归一化。(2)通过对不同的光照情况进行判断，选择不同针对性的光照处理方法对含人脸图像进行光照归一化处理。使得光照处理具有很强的鲁棒性和抗噪能力。(3)引入了人脸光照复杂度的概念，融合了人脸检测中级联分类器的思想，能够根据不同人脸光照情况对光照处理算法进行选择。

附图说明

图1是本发明自适应的人脸识别光照处理方法的流程图。

图2是常用Haar特征样子示意图。

图3是高斯模糊平滑图像示意图。

图4是级联光照复杂度分类器示意图。

图5是梯度脸光照处理方法示意图。

图6是光照预处理链方法示意图。

图7是直方图均衡化示意图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

结合图1，本发明自适应的人脸识别光照处理方法，步骤如下：

第一步，对输入图像进行人脸定位处理：组织一个样本集，提取图片的Haar特征，随后通过Adaboost算法挑选出合适的Haar特征来组成检测器，对输入的含人脸图像进行人脸检测，得到人脸图像。

(1)如图2所示的Haar特征样子为常用的Haar特征提取子，这些特征子在人脸和非人脸的位置上值表征不同。通过白色区域内的像素和减去黑色区域内的像素和得到一个模版的值。图像中某一点A(x,y)的积分值ii(x,y)定义为定义s(x,y)为A(x,y)及其y方向向上所有像素之和，这样，在m*n大小的图像中，每个像素计算ii(x,y)和s(x,y)，m*n*2次计算即可得到整个积分图矩阵。

(2)选取弱分类器。

其中f为特征，θ为阈值，p为不等号的方向，x为一个检测子窗口。

其中w_t,i为第t个分类器第i个特征的权重，q_t,i是归一化后的权重。

对于每一个特征f，训练一个弱分类器h，计算所有特征的加权错误率ε_f，

ε_f＝∑_iq_i|h(x_i,f,p,θ)-y_i|

选取具有最小错误率ε_f的弱分类器h_i，并调整样本的权重

其中e_i＝0表示x_i被正确分类，反之则为错误分类，

(3)级联成强分类器

其中

对图像进行检测，不断调整检测窗口的位置以及比例，来找人脸并将其裁剪。

第二步，人脸光照复杂度计算。通过光照子空间的建立，对人脸图像光照复杂度进行度量分类，根据不同的光照复杂度进入到第三步的人脸识别光照处理选择。具体过程如下：

(1)建立样本集，该集合包含多个各种光照下的人脸图像，将图像的光照情况进行分类：①几乎无光照影响，人脸受光均匀；②少量光照影响，如少量偏光，人脸轮廓及边缘可见；③光照影响严重，如人脸阴影遮挡范围大，过度曝光等。

(2)对样本集图片进行高斯模糊：

其中x,y分别代表坐标点的位置，σ表示平滑的程度，本方法选用参数σ＝10.0。平滑人脸图像，隐藏其明显的特征，得到显著脸部明暗对比的人脸矩阵。平滑效果如图3所示。

(3)借鉴第一步人脸检测所用的Haar特征分类器思想，对大量高斯模糊的样本集进行训练，得到诸多弱分类器，将多个弱分类器连接起来，得到一个强分类器来对光照情况进行分类。

①选取弱分类器。

其中f为特征，θ为阈值，p为不等号的方向，x为一个检测子窗口。

其中w_t,i为第t个分类器第i个特征的权重，q_t,i是归一化后的权重。

②在每一类中，对于每一个特征f，训练一个弱分类器h，计算所有图像的加权错误率ε_f，

ε_f＝∑_iq_i|h(x_i,f,p,θ)-y_i|

选取具有最小错误率ε_f的弱分类器h_i，并调整样本的权重

其中e_i＝0表示x_i被正确分类，反之则为错误分类，

③级联成三组强分类器

其中

(4)将待分类的裁剪人脸图像放入第三步组成的强分类器中，若第一层分类器得到的结果为0，则进入到下一层判断，若得到的结果为1，则得到该图像的分类，进入到下一步。

第三步，人脸识别光照处理：

(1)若图像分类为光照影响严重，则***选择梯度脸。具体过程如下：

①首先求取图像X和Y方向的梯度分量，梯度变换定义为

其中其中σ为标准差，x方向梯度和y方向梯度计算为

其中表示为x,y方向的导数。

②特征脸的计算为：

(2)若图像分类为受少量光照影响，则***选择光照预处理链来处理光照影响，它是通过将伽玛校正、对比度均衡化等光照预处理方法综合起来，来得到了一个光照预处理链。具体过程如下：

①使用I^γ(γ＞0)或者log(I)(γ＝0)代替图像灰度I，当γ∈[0,1]且γ是一个用户自定义参数。一个指数为γ且γ∈[0,0.5]范围的幂次定律是个很好的折衷。本发明选择γ＝0.2作为默认设置。

②为了达到光照鲁棒性，本方法在伽玛校正后使用对比度均衡化重新调整图像灰度到一个期望的范围以内，同时又能保证图像在全局上的整体对比度。过程如下：

其中，a是一个强力压缩指数，能减少个别较大灰度值带来的影响；τ是一个阈值，在均衡化中用来截取较大灰度值；mean(·)是对整个图像的均值操作算子。本发明在此处取α＝0.1和τ＝10作为默认值。

③最后，本方法应用一种非线性映射的策略来完成对图像灰度值极大值的抑制，即I(x,y)←τtanh(I(x,y)/τ)，其中tanh(·)是双曲正切函数，I的取值范围被限制在(-τ,τ)。

(3)若几乎无光照影响，本***选择直方图均衡化方法进行处理。步骤如下：

①计算图像的概率密度函数，即将灰度范围由0～255变为0～1，将其归一化。用P_r(r)来表示原图像的概率密度函数，P_s(S)表示均衡化以后的概率密度函数，r、s分别代表直方图均衡化前后的灰度值，并且属于[0,1]。由概率论的知识可以得到其中T^-1(s)为T(r)的逆变换函数。且有

②计算累计分布函数。对于某个灰度级像素出现的概率为：

P_r(r_k)＝n_k/N

其中P_r(r_k)是原图像的第K个灰度级像素出现的概率，r_k是第k个灰度级，即当前色阶，范围为[0,1]，N为图像像素总数，n_k为r_k像素数量。

③灰度直方图均衡化公式为：

其中，T(rk)来表示原图像的第k个灰度级的转换函数。∑Pr(rk)表示第0～k的灰度级出现概率累积相加。因为s是归一化的数值(s∈[0,1])，要转换为0～255的颜色值，需要再乘上255，即

S＝∑Pr(rk)*255。

综上所述，本发明通过融合多种现有效果优秀的人脸光照处理方法，能够对含人脸图像进行自适应的光照处理归一化。并且可通过对不同的光照情况进行判断，选择不同针对性的光照处理方法对含人脸图像进行光照归一化处理，使得光照处理具有很强的鲁棒性和抗噪能力。

Claims (3)

1.一种自适应的人脸识别光照处理方法，其特征在于步骤如下：

第一步，训练Haar特征分类器处理含人脸的图像，实现人脸定位，将人脸部分裁剪出来；

第二步，建立光照子空间，针对三种可能的光照情况，组织经过高斯模糊处理的样本集合，对样本集合进行训练得到若干个弱分类器级联而成的强分类器；

第三步，将经过第一步处理的人脸图像放入到分类器中，得到人脸的光照复杂程度；

第四步，根据第三步得到的人脸的光照复杂程度，若为光照影响严重，则选择梯度脸进行光照处理，若为少量光照影响，则选择光照预处理链进行光照处理，若为几乎无光照影响，则选择直方图均衡化进行光照处理；

建立光照子空间并进行光照复杂度判断的具体步骤如下：

2.1建立样本集，该集合包含多个各种光照下的人脸图像，根据判定标准将样本图像的光照情况进行分类：①几乎无光照影响，即人脸受光均匀；②少量光照影响，即少量偏光，人脸轮廓及边缘可见；③严重光照影响，即人脸阴影遮挡范围大，过度曝光；

2.2对样本集图片进行高斯模糊：

其中，x,y分别代表坐标点的位置，σ表示平滑的程度，使用高斯模糊平滑人脸图像，隐藏其面部五官特征，仅得到脸部明暗对比的图像；

2.3采用基于Haar特征的Adaboost方法对经过高斯模糊的样本集进行训练，得到诸多弱分类器，将多个弱分类器连接起来，得到一个强分类器；具体方法如下：

2.3.1初始化权重：

其中f为光照图像特征，θ为阈值，p为不等号的方向，x为一个检测子窗口；

其中，w_t,i为第t个分类器第i个特征的权重，q_t,i是归一化后的权重；

2.3.2对于每一类多个角度的光照图像特征f，训练一个弱分类器h，计算所有图像的加权错误率ε_f，

ε_f＝∑_iq_i|h(x_i,f,p,θ)-y_i|

选取具有最小错误率ε_f的弱分类器h_i，并调整样本的权重

其中e_i＝0表示x_i被正确分类，反之则为错误分类；

其中ε_t为第t个分类器的加权错误率，为调整因子；

2.3.3将2.3.2中得到的弱分类器级联成三组强分类器

其中

2.根据权利要求1所述的自适应的人脸识别光照处理方法，其特征在于：第三步将经过处理的人脸图像放入第二步组成的强分类器中，若第一层分类器得到的结果为1，则图像属于光照影响严重；若第一层分类器得到的结果为0，则进入到下一层判断，若此时分类器得到的结果为1，则图像属于光照影响适中；否则判断其为几乎没有光照影响。

3.根据权利要求1所述的自适应的人脸识别光照处理方法，其特征在于所述第四步的具体方法如下：

(1)当分类为正常光照，即高斯模糊后的图像矩阵暗像素占5％～30％，则选择直方图均衡化对图片进行处理；

(2)当分类为略微光照影响，即高斯模糊后的图像矩阵暗像素占30％～70％，则选择光照预处理链对图片进行处理；

(3)当分类为严重光照影响，即高斯模糊后的图像矩阵暗像素占70％～100％，则选择梯度脸对图片进行处理。