朱利偉，蔡曉東，梁奔香，吳 迪，華 娜

(桂林電子科技大學，廣西 桂林 541004)

面向人臉識別的分塊自適應光照處理算法

朱利偉，蔡曉東，梁奔香，吳 迪，華 娜

(桂林電子科技大學，廣西 桂林 541004)

為改善復雜光照條件下的人臉識別率急劇下降問題，提出一種基于雙標準圖的分塊自適應Gamma算法(DRHGIC)。首先根據(jù)人臉光照分布特點，將人臉進行分塊，然后對不同的塊采用基于雙標準圖的方法搜索最優(yōu)Gamma值，最后對人臉圖片進行自適應Gamma變換。實驗證明，該算法能夠有效地提高復雜光照條件下的人臉識別率。

光照；Gamma變換；分塊；自適應

人臉識別擁有非接觸采集、隱蔽識別等優(yōu)點，一直都是模式識別和圖像處理領域的焦點課題。近年，人臉識別在身份鑒別、信息安全、反恐以及監(jiān)控系統(tǒng)等方面得到了廣泛的應用，但其性能受到光照、視角、遮擋、年齡等眾多因素影響，因而無法大規(guī)模普及。在眾多的影響因素中，光照變化是影響系統(tǒng)識別性能的關鍵因素之一[1]。FERET[2]，F(xiàn)RVT[3]和FRGC[4]的實驗證明，光照變化，尤其是來自不受控制的室外光照的變化仍然是人臉識別系統(tǒng)的瓶頸之一。因此，尋找一種有效的算法減少光照變化的影響對改善人臉識算法性能具有十分重要的意義。

光照處理算法主要分為兩大類：2D光照處理和3D光照模型[5]。3D光照模型對圖像光照調節(jié)效果明顯，但其計算復雜，很難獲得準確的模型參數(shù)，尤其在只給出一張圖片的時候。2D光照處理計算簡單，能減少大部分的光照影響，是目前的主流算法。2D光照處理算法又可以分為三類：提取光照不變特征[6]、預處理和歸一化[7-9]、人臉光照建模[10-12]。人臉的特征或多或少受光照影響，想要提取一種對光照完全不變的特征十分困難。根據(jù)人臉光照模型能夠很好地減少光照對識別的影響，但是該方法計算復雜，而且處理后的圖片丟失了很多細節(jié)信息。文獻[13]表明基于預處理的方法，如直方圖均衡(HE)、Gamma變換(GIC)，能有效地弱化光照的影響而不會帶來負面的影響。

本文對人臉的光照分布進行了研究，在處理前根據(jù)人臉的對稱性和差異性對人臉適當?shù)胤謮K，在此基礎上，提出了一種基于雙標準圖的分塊自適應Gamma算法,并通過實驗進行了驗證。

1 光照處理方法

1.1 直方圖均衡

光照過亮或者過暗的人臉圖片直方圖中，灰度級會集中在兩端，出現(xiàn)高峰。直方圖均衡對尖峰進行壓縮，擴展灰度級，使直方圖的灰度級高度相同或相近。這樣處理能夠有效地擴展圖片的對比度，利于識別，對整體光照過亮或過暗的人臉圖片十分有效，但由于對所有像素不加選擇的處理，會增加噪聲的對比度，降低有用像素點的對比度。人臉圖片十分特殊，光照良好的圖片灰度級集中在中間，將灰度級強行拉平會造成信息失真，同時對于光照不均勻的人臉圖片，減少光照過暗和過亮的像素點數(shù)目，無法有效消除光照影響，由此可能給識別帶來負面影響。

1.2 Gamma變換

Gamma變換建立Gamma值和圖像像素值之間的非線性關系，根據(jù)圖像中每個像素的具體值進行適當?shù)男Ｕ沟檬芄庹沼绊憞乐氐南袼氐玫礁用黠@的校正。

設I為未知光照的人臉圖片，Ixy是點(x,y)處的灰度值，G(Ixy;γ)表示Ixy經(jīng)過Gamma變換校正過后的灰度值，有

(1)

式中：C表示灰度擴展量；γ表示Gamma值。用于處理的人臉圖像通常為灰度圖，灰度值在0～255之間，從算法復雜度和效率考慮，將C設為1，式(1)改寫為

(2)

式(2)的曲線如圖1所示。

圖1 Gamma變換曲線圖

2 改進的Gamma算法

2.1 人臉光照分布模型

在實際情況中，由于拍照角度、遮擋等情況，會出現(xiàn)人臉部分過暗、部分過亮的情況。采用傳統(tǒng)的整體光照處理方法對人臉圖像整體光照過暗和過亮的情況十分有效，但是對于光照不均勻的人臉很容易出現(xiàn)處理過度的情況，比如對不應該處理的標準光照部分進行了處理，光照過亮或過暗的部分又存在處理不充分的情況。

圖2a展示了一個理想的人臉光照分布模型。該模型以五官的位置劃分不同的光照處理區(qū)，以眉心和鼻尖的連線為對稱軸，同時兼顧人臉的形狀模型。經(jīng)眉心和鼻尖分割成的左右兩半邊臉，結構近似對稱，在側光的情況下光照條件明顯不同；經(jīng)兩顴骨連線分割成上下兩半邊臉，上半邊臉富含明顯的細節(jié)信息，下半邊臉較為平滑，因此這兩部分臉灰度分布明顯不同，光照存在較大差異。將正面人臉四等分的分界線大致位于眉心和鼻尖的連線以及兩顴骨連線附近。圖2b展示了這個簡易的模型。為簡化實驗，采用簡易模型。

圖2 人臉光照分布模型

2.2 自適應Gamma變換

2.2.1 基于單張標準圖的自適應Gamma變換(SVGIC)

Gamma變換中γ值的設定決定了光照處理的最終效果，設定一個固定值無法獲得最佳的效果。因此必須找到一種自適應算法，能夠根據(jù)圖像不同的光照條件計算得到一個最佳γ值。方差能夠很好地表示兩幅圖片之間的差異性，同時計算簡單，所以通過與標準圖方差比較來尋找最優(yōu)Gamma值是一種常見的方法。假設I0(x,y)為標準光照下的人臉圖片在點(x,y)處的灰度值,有

(3)

式中：γ*為計算得到的最佳γ值。

圖3很明顯地看到處理后的圖片光照條件得到了明顯改善。

圖3 在不同的光照條件下應用SVGIC算法結果圖

2.2.2 基于雙標準圖的自適應Gamma變換(DRHGIC)

1)基于直方圖的比較策略

基于標準圖的自適應算法在實踐中存在巨大的缺陷。這種算法默認待變換的人臉圖片與標準的人臉圖嚴格一致。如果圖片發(fā)生平移、旋轉變化都會極大地影響算法結果，即使是一些細微的變化導致兩幅圖片不一致都會造成極大的不同。因此這種算法魯棒性很差。

本文提出了基于直方圖的改進自適應算法。光照良好的圖片直方圖具有相似性，并且直方圖對噪聲有一定的魯棒性，同時圖片的細微平移和反轉對直方圖的結構影響較小。通過比較Gamma變換后的人臉圖片與標準人臉圖片的直方圖，尋找使兩個直方圖匹配程度最好的Gamma值作為理想的Gamma值?？ǚ绞桥c直方圖相似性好且最常用的簡單有效的方法，卡方的計算式為

(4)

式中：H1表示變換后的圖片的直方圖；H0表示標準的圖片。結合式(2)、(3)、(4)，最優(yōu)Gamma值γ*為

(5)

式中：Hγ表示經(jīng)過值為γ的Gamma變換后的圖片直方圖。

2)基于雙標準圖的自動尋優(yōu)方法

人臉大致呈左右對稱。上下部分的人臉差異性很大，對應的直方圖有很大不同。如果對四分塊的人臉只應用一張標準圖的話，將不可避免地出現(xiàn)誤差。因此本文提出了雙標準圖算法。使用一張光照良好的人臉圖片的左上分塊作為一張標準圖，據(jù)此來校正上半邊人臉的兩個分塊；使用這張光照良好的人臉圖片的左下分塊作為另一張標準圖，據(jù)此來校正下半邊人臉的兩個分塊。這種基于雙標準圖的自適應算法考慮到了人臉的不同分塊間的差異性，同時兼顧了人臉的對稱性，具有更加良好的效果。

(6)

式中：m表示第m塊子圖；G(Im,γm)表示對子圖Im進行值為γm的Gamma變換。方法如圖4所示。

圖4 雙標準圖法

本文提出的DRHGIC算法流程圖如圖5所示。

圖5 DRHGIC算法流程圖

3 實驗結果和分析

本文采用西安交通大學人工智能與機器人研究所東方人臉庫(AI&R)的光照子庫。這個數(shù)據(jù)庫共采集整理了1 247位志愿者在不同光照條件下拍攝的8張人臉圖片。本文選用100個人共800張人臉圖片進行實驗，圖片經(jīng)過了人臉檢測和尺寸歸一化。

近年來，隨著“精益”被國內醫(yī)療機構逐漸認知，如何快速習得一套便實可用的精益醫(yī)療管理體系，為醫(yī)院精益管理的院內實踐落地作戰(zhàn)略指導，并引領管理不斷推進，是每位精益學習院長期待的。

3.1 整體處理和分塊效果對比

圖6為選用東方人臉庫中3張人臉圖片用不同的光照方法處理后的結果圖。RHE表示分塊的直方圖均衡。

圖6 不同的光照處理算法結果圖

從圖6可知：

1)比較HE，GIC和RHE，DRHGIC的結果圖可以看出，分塊對光照不均勻可起到很好的校正作用。

2)比較RHE，DRHGIC的結果可以看出，在光照均勻的情況下，分塊直方圖均衡的各分塊與不分塊時相比取得了更加良好的校正效果，但是由于分割成的4個部分的均衡過程相互割裂，沒有聯(lián)系，產(chǎn)生了虛假邊界。經(jīng)過DRHGIC算法處理和對圖片整體應用GIC結果接近，產(chǎn)生的虛假邊界不明顯，這表明自適應分塊Gamma變換對光照均勻的圖片影響極小。

3)在多種光照不均勻的情況下，對人臉圖片按照人臉光照分布模型粗略分塊，再分別處理獲得的人臉圖片細節(jié)更加清晰，其中經(jīng)DRHGIC算法處理過的圖片質量最好。結果表明自適應分塊Gamma變換能夠一定程度上降低光照分布不均對人臉圖片的影響。

3.2 不同自適應算法的比較

圖7 RVGIC和RHGIC處理結果的比較

3.3 處理后的識別率對比

本文采用LBP算法和基于Fisherface的人臉識別算法驗證算法的有效性，對比結果如表1所示。

表1 不同算法處理后的識別率

從表1可以得到如下結論：

1)對LBPH算法來說，無論是直方圖均衡還是Gamma變換等LBPH算法影響不大。處理前后的識別率沒有明顯的改善，分塊直方圖均衡后的識別率甚至由原來的68.7%下降到了65.7%。原因是LBPH算法獲取的是某像素點和周圍像素點的大小關系，而以上幾種算法只是對灰度范圍進行拉伸，幾乎不改變像素點間的大小關系。

2)從基于Fisherface的人臉識別率可看出，分塊的方法優(yōu)于不分塊的方法。分塊前經(jīng)直方圖均衡的識別率為93.3%，分塊處理后達到了96.3%；分塊前經(jīng)Gamma變換的識別率為95.3%，分塊后達到了97.0%。實驗表明，經(jīng)過本文所提出的SRHGIC算法得到了最佳的識別效果，這證明了本文算法的有效性。

3)結合LBPH和Fisherface這兩種算法的識別率，不同的光照處理算法在不同的識別算法下的識別效果有很大差別。本文所采用的算法在基于LPBP的人臉識別中識別率只有68.9%，和不處理時的68.7%相差不大；但是在基于Fisherface的人臉識別中由原來不處理時94.0%的識別率提升到了97.0%，取得了明顯的效果。因此，不同的人臉識別算法應該采用適當?shù)墓庹仗幚矸椒ā?/p>

4 小結

本文提出了一種基于雙標準圖的分塊自適應的DRHGIC算法 ，該算法根據(jù)人臉光照分布模型，綜合考慮了人臉上下部分的差異性和左右部分的對稱性，實現(xiàn)了對人臉圖片的光照處理。實驗表明，光照分布不均勻的人臉圖片經(jīng)處理后得到的效果更好，并且對光照均勻的圖片影響較小。

[1]SILVA D, YAMASAKI T, AIZAWA K.Embedded tags and visual querying for face photo retrieval[C]//Proc.Pacific Rim Conference on Multimedia.Taiwan：[s.n.]，2008：446-455.

[2]PHILLIPS P J, HYEONJOON M, RIZVI S A, et al.The FERET evaluation methodology for face recognition algorithms[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 2000,22(10)：1090-1104.

[3]PHILLIPS J,CROTHER P, BONE M.FRVT 2002: evaluation report[EB/OL].[2014-07-21].http://www.frvt.org/DLs/FRVT_2002_Evaluation_Report.pdf.

[4]PHILLIPS J,FLYNN J,WOREK W.Preliminary.face recognition grand challenge results[C]//Proc.Automatic Face and Gesture Recognition.Southampton：IEEE Press, 2006：15-24.

[5]YAN G, LI J, YU M.Illumination variation in face recognition: a review[C]//Proc.Intelligent Networks and Intelligent Systems.Tianjin：IEEE Press, 2009：309- 311.

[6]XIE X, ZHENG W, LAI J.Face illumination normalization on large and small scale features [C]//Proc.Computer Vision and Pattern Recognition.Anchorage, AK：IEEE Press, 2008：1-8.

[7]DANDPAT S, MEHER S.Quality based illumi- nation compensation for face recognition [C]//Proc.Image Information Processing (ICIIP).Himachal Pradesh：IEEE Press, 2011：1-4.

[8]SHI Y,YANG J,WU R.Reducing illumination based on nonlinear gamma correction [C]//Proc.Image Processing.San Antonio, TX：IEEE Press,2007：I-529-I-532.

[9]卓志宏.面向人臉識別的復雜光照下圖像細節(jié)增強算法[J].電視技術,2014,38(3):12-15.

[10]HAN H,SHAN S,GAO W.Illumination transfer using homomorphic wavelet filtering and its application to light-insensitive face recognition[C]//Proc.Automatic Face & Gesture Recognition.Amsterdam：IEEE Press, 2008：1-6.

[11]MCLAUGHLIN N, JI M,CROOKERS D.Illumination invariant facial recognition using a piecewise-constant lighting model[C]//Proc.Acoustics, Speech and Signal Processing (ICASSP).Kyoto：IEEE Press, 2012：1537-1540.

[12]CHENG Y,JIN Z.Illumination normalization based on 2D Gaussian illumination model [C]//Proc.Advanced Computer Theory and Engineering (ICACTE).Chengdu：IEEE Press, 2010：451-455.

[13]DU B, SHAN S, QIN L, et al.Empirical comparisons of several preprocessing methods for illumination insensitive face recognition [C]//Proc.ICASSP’05.[S.l.]：IEEE Press，2005：981-984.

朱利偉(1989— )，碩士生，主研視頻圖像處理；

蔡曉東(1971— )，碩士生導師，主研智能視頻圖像處理、云計算、無線傳感網(wǎng)絡等；

梁奔香(1987— )，碩士生，主研視頻圖像處理；

吳 迪(1989— )，女，碩士生，主研圖像處理、云計算；

華 娜(1988— )，女，碩士生，主研圖像處理、云計算。

責任編輯：薛 京

Adaptive Illumination Algorithm Based on Blocks for Face Image Recognition

ZHU Liwei, CAI Xiaodong, LIANG Benxiang, WU Di, HUA Na

(GuilinUniversityofElectronicTechnology,GuangxiGuilin541004,China)

In order to improve the rate of face recognition in complex illumination condition, an adaptive Gamma algorithm based on double standard pictures and blocks (DRHGIC) is proposed.According to the illumination distribution of face, images are divided into different blocks.To every block, an optimal Gamma value based on double standard images is used to implement adaptive Gamma transform.Experiments show that this algorithm can improve the rate of face recognition under complicated illumination conditions effectively.

illumination; Gamma transform; blocks; adaptive

廣西省自然科學基金項目(2013GXNSFAA019326)；國家科技支撐課題(2012BAH20B10)

TN911.73;TP391

A

10.16280/j.videoe.2015.05.034

2014-07-29

【本文獻信息】朱利偉，蔡曉東，梁奔香，等.面向人臉識別的分塊自適應光照處理算法[J].電視技術,2015，39(5).