劉 俊 黃際彥， 吳 波 鄧 華 母國才

1(電子科技大學(xué)電子工程學(xué)院 四川 成都 611731)2(東莞電子科技大學(xué)電子信息工程研究院 廣東 東莞 523808)

基于小波變換和光照補償?shù)娜四樧R別方法

劉 俊1黃際彥1，2吳 波2鄧 華2母國才2

1(電子科技大學(xué)電子工程學(xué)院 四川 成都 611731)
2(東莞電子科技大學(xué)電子信息工程研究院 廣東 東莞 523808)

針對光照對人臉識別影響的問題，提出一種結(jié)合小波變換和光照補償?shù)娜四樧R別方法。該方法首先利用離散小波變換將人臉圖像的低頻子帶和高頻子帶分離，在小波變換的低頻子帶上分別進(jìn)行直方圖均衡化和對數(shù)變換，將處理后的低頻子帶進(jìn)行融合構(gòu)成新的低頻子帶。接著對高頻子帶進(jìn)行閾值去噪后乘以一個標(biāo)量，構(gòu)成新的高頻子帶。最后利用小波逆變換重構(gòu)出新的人臉圖像并利用PCA算法進(jìn)行識別。實驗結(jié)果表明，該方法能有效地削弱光照的影響，提高人臉識別率。

人臉識別 小波變換 直方圖均衡化 對數(shù)變換 PCA

0 引 言

人臉識別作為一種重要的身份鑒別手段，被廣泛地應(yīng)用于考勤、安檢、保安監(jiān)視等方面。近年來，由于人臉識別應(yīng)用的需求量不斷地增加，人臉識別在學(xué)術(shù)界和商業(yè)界都引起了廣泛的關(guān)注，美國軍方數(shù)據(jù)庫(FERET)和人臉識別供應(yīng)商評測(FRVT)的研究都表明光照的變化是影響人臉識別系統(tǒng)性能的關(guān)鍵因素之一[1]。因此，光照問題是目前人臉識別領(lǐng)域亟需解決的重要問題。

目前，針對人臉識別中的光照問題，國內(nèi)外主要的解決方法大致上可以分為三類：提取光照不變量特征方法、光照模型建模方法和光照補償方法。提取光照不變量特征的方法是指提取圖像中不受光照影響的或者對光照不敏感的特征用于人臉識別中，此類方法去除了大部分光照信息，因而圖像對比度也會降低[2]；光照模型建模的方法試圖對不同的光照條件下的人臉建模，通常此類方法需要多種不同光照條件下的人臉圖像作為樣本，一般情況下復(fù)雜度比較高[3]；光照補償方法是指在人臉識別之前通過圖像處理技術(shù)減少光照的影響，增強圖像的質(zhì)量。光照補償中常用的方法有：直方圖均衡化、Gamma變換、對數(shù)變換等[4-5]。直方圖均衡化處理的圖像可以在一定程度上減弱了光照的影響，但是對比度被過分增強，圖像變得過于明亮。對數(shù)變換處理可以將圖像變得柔和，但是邊緣容易模糊不清[6]。文獻(xiàn)[6]將兩種方法融合，削弱了光照的影響，并取得了較高的識別率。

考慮到光照往往影響的是圖像的低頻部分，而圖像的高頻部分包含著人臉輪廓等高頻細(xì)節(jié)信息和一些高頻噪聲[7]。文獻(xiàn)[6]中對光照的處理取得了一定的效果，但是處理過程中并未詳細(xì)地區(qū)分人臉圖像中的高頻部分還是低頻部分，因而性能有待進(jìn)一步提高。為此，本文提出了一種基于小波變換的改進(jìn)方法，使用小波變換將人臉圖像分解為低頻部分和高頻部分，對包含光照信息的低頻部分使用直方圖均衡和對數(shù)變換融合(HE+Log)的方法進(jìn)行光照補償處理，對包含人臉圖像輪廓細(xì)節(jié)的高頻部分進(jìn)行閾值去噪，系數(shù)增強處理。在Yale人臉庫的實驗表明，本文提出的方法可以有效地削弱了光照的影響，取得較好的識別率。

1 基于小波變換的預(yù)處理

1.1 光照預(yù)處理流程

圖像的低頻分量中包含較為豐富的光照信息，高頻分量代表了諸如紋理、邊沿等細(xì)節(jié)信息。因此，本文提出的預(yù)處理方法主要為對低頻成分的光照預(yù)處理和對高頻分量的閾值去噪增強。方法實現(xiàn)過程如圖1所示。

圖1 低頻部分光照處理流程

1.2 圖像的小波分解

小波變換是一種多尺度，多分辨率的局部化分析方法。在圖像處理中，小波變換可以將圖像在不同層次上分解為原始圖像的低頻近似分量和高頻細(xì)節(jié)分量。

利用Mallat小波快速分解算法[8]，在給定尺度函數(shù)和小波函數(shù)的情況下，可以將一副離散圖像C0(m,n)在每層都分解為一個包含圖像大部分能量的低頻子圖和三個包含圖像細(xì)節(jié)成分的高頻子圖。具體的算法公式可以描述為：

(1)

(a) 一級分解 (b) 二級分解 (c) 原圖 (d) 一級分解圖2 圖像小波分解示意圖

1.3 直方圖均衡化和對數(shù)變換融合(HE+Log)的光照處理

對圖像進(jìn)行小波分解后得到的低頻子圖中包含了較為豐富的光照信息，因而對光照的處理可以集中在低頻部分。在本文中，首先使用一層小波分解將圖像分解為低頻子圖和三個高頻子圖，將低頻子圖分別應(yīng)用直方圖均衡化和對數(shù)變換處理，再將處理后的子圖融合構(gòu)成新的子圖，其中直方圖均衡化和對數(shù)變換融合的變換公式為：

(2)

式中的S(x,y)和G(x,y)為直方圖均衡化和對數(shù)變換處理后的低頻子圖。光照處理的實現(xiàn)過程如圖3所示。

(a) 低頻圖像 (b) 直方圖均衡 (c) 對數(shù)變換 (d) 融合的圖像圖3 HE+Log光照處理

1.4 高頻子帶的閾值去噪增強

高頻子帶中包含了人臉圖像的細(xì)節(jié)信息，對高頻子帶的系數(shù)增強有利于強化圖像的細(xì)節(jié)，提高人臉識別算法的識別率，但是高頻子帶中可能混雜著噪聲，對高頻系數(shù)增強的同時，也會將噪聲一并增強[9]。因此，本文采用的方法是在高頻系數(shù)閾值去噪之后乘以一個標(biāo)量L，這樣在去除噪聲的同時可以將有用的高頻系數(shù)增強。

本文使用軟閾值函數(shù)處理高頻系數(shù)來濾除噪聲，軟閾值函數(shù)為：

η(w)=(w-sgn(w)T)I(|w|>T)

(3)

其中w為高頻系數(shù)，η(w)為閾值處理后的系數(shù)，sgn()是符號函數(shù)，T為閾值，函數(shù)I()為：

(4)

使用軟閾值函數(shù)的關(guān)鍵在于閾值T的估計，因為閾值T的選取關(guān)系到去噪效果的好壞，如果選取的閾值過大，則高頻系數(shù)中有用的信息會被濾除，如果選取的閾值過小，則不能有效地濾除噪聲。本文中假設(shè)圖像小波系數(shù)服從廣義高斯分布模型，使用BayesShrink閾值估計方法[10]對閾值進(jìn)行估計。

(5)

其中Yij為高頻系數(shù)，σ是噪聲標(biāo)準(zhǔn)差，m,n為Yij的尺寸，λ是一個取決于光照情況的參數(shù)，本文根據(jù)文獻(xiàn)[9]中的實驗數(shù)據(jù)，選擇λ=0.3。

2 基于主成分分析的人臉識別

主成分分析法是基于K-L變換的統(tǒng)計學(xué)方法，由于人臉結(jié)構(gòu)的相似性，若將人臉圖像看作一種向量，那么這些向量的分布并不是雜亂無章的，而是聚集在一個維數(shù)較低的人臉子空間中，或者說是分布在一個特殊的超平面附近。主成分分析的方法就是通過K-L變換找到一組線性無關(guān)的向量構(gòu)成投影向量，將高維的人臉空間投影到低維的人臉子空間中，在保留識別所需信息的基礎(chǔ)上，達(dá)到維數(shù)約簡的目的。具體實現(xiàn)過程如下：

(1) 將二維的人臉圖像Am×n按列展開為m×n的列向量xi，選擇p個訓(xùn)練樣本構(gòu)成樣本集X:

X=[x1,x2,…,xp]

(6)

(2) 定義樣本集協(xié)方差矩陣:

(7)

(3) 求出M的特征值λi和特征向量μi，按從大到小的順序排列特征值，選取前K個特征值構(gòu)成特征值能量，它的形式為：

(8)

取特征值能量大于0.9的特征值對應(yīng)的特征向量構(gòu)成向量空間C=[μ1,μ2,…,μk]；

(4) 選擇n個測試樣本Y=[Y1,Y2,…,Yn]，將訓(xùn)練樣本集X和測試樣本集Y分別投影到上一步求得的向量空間，于是每一幅人臉圖像都對應(yīng)著子空間中的一個點。使用最近鄰分類器即可判斷出測試樣本中的人臉是屬于哪個人的人臉。

3 實驗結(jié)果與分析

為了驗證本文方法的有效性，實驗選取Yale人臉庫和ORL人臉庫進(jìn)行算法的仿真與驗證。使用sym1小波分解提取人臉圖像的高頻部分和低頻部分，對低頻部分進(jìn)行光照處理，對高頻部分進(jìn)行去噪處理后乘以一個標(biāo)量L來增強高頻部分的系數(shù)，最后使用主成分分析法進(jìn)行人臉識別。

本文使用Yale人臉庫和ORL人臉庫進(jìn)行算法的仿真與驗證，Yale人臉庫包含了15個人的人臉圖片，每人在不同的光照，姿態(tài)，表情條件下采集了11張灰度圖片，總共有165張灰度圖片。ORL人臉庫中包含40人，每人10幅圖像，共400幅人臉圖像。ORL人臉庫中的圖片包含了光照變化，表情變化以及臉部細(xì)節(jié)的變換。隨機選取同一個人的三幅不同光照下的圖片，通關(guān)MATLAB軟件仿真分析，得到如圖4所示的結(jié)果。圖中a，b兩幅圖像受到左右偏光的影響，c中的圖像整體光照較暗。從實驗處理的效果上可以看出，小波重構(gòu)后的圖像有效地減弱了光照的影響。

(a) 左側(cè)偏光處理

(b) 右側(cè)偏光處理

(c) 整體較暗光照處理圖4 實驗效果圖

為了驗證本文提出的光照處理算法在人臉識別中的有效性，分別使用直方圖均衡化，文獻(xiàn)[6]中的方法(HE+Log)和本文的光照處理方法對Yale進(jìn)行預(yù)處理，采用主成分分析法(PCA)進(jìn)行人臉識別。在Yale人臉庫和ORL人臉庫中的算法識別率如表1所示。算法的時間消耗情況如表2所示。

表1 算法在Yale人臉庫和ORL人臉庫中的識別率對比

表2 算法在Yale人臉庫和ORL人臉庫中的時間消耗對比

4 結(jié) 語

光照的影響是人臉識別不容忽視的問題，本文提出了一種基于小波變換處理和光照補償?shù)娜四樧R別方法，在Yale和ORL人臉庫中的實驗證明本文的方法可以有效地去除光照的影響，提高人臉識別率。

[1] 沈理, 劉翼光, 熊志勇. 人臉識別原理及算法：動態(tài)人臉識別系統(tǒng)研究[M]. 北京：人民郵電出版社, 2014.

[2] 何玲玲, 王力. 應(yīng)用小波變換的光照不變?nèi)四樧R別[J]. 自動化與儀器儀表, 2015(10): 219-220.

[3] 李忠健, 楊宜民, 梅平. 基于改進(jìn)的隱馬爾科夫模型的人臉識別方法[J]. 工業(yè)控制計算機, 2014, 27(11):29-31.

[4] 魏銳, 徐亮. 受限直方圖均衡化的低頻DCT系數(shù)重變換算法[J]. 實驗室研究與探索, 2015, 34(5):16-20,35.

[5] 儲清翠. 復(fù)雜光照條件下人臉跟蹤算法研究[D]. 合肥：安徽大學(xué), 2014.

[6] 魏沖沖, 王小鵬, 閆建偉, 等. 一種消除光照影響的人臉識別方法[J]. 電子測試, 2012(7):19-23.

[7] Wang W, Song J, Yang Z, et al. Wavelet-based illumination compensation for face recognition using Eigenface method[C]//Intelligent Control and Automation, 2006 Sixth World Congress on. IEEE, 2006:3180-3198.

[8] Mallat S G. Multifrequency channel decompositions of images and wavelet models[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(12):2091-2110.

[9] 范春年. 人臉識別中光照處理算法研究[D]. 南京：南京大學(xué), 2011.

[10] Chang S G, Yu B, Vetterli M. Adaptive wavelet thresholding for image denoising and compression[J]. IEEE Transactions on Image Processing, 2000,9(9):1532-1546.

FACE RECOGNITION METHOD BASED ON WAVELET TRANSFORM AND ILLUMINATION COMPENSATION

Liu Jun1Huang Jiyan1，2Wu Bo2Deng Hua2Mu Guocai2

1(CollegeofElectronicEngineering,UniversityofElectronicScienceandTechnologyofChina,Chengdu611731,Sichuan,China)2(InstituteofElectronicandInformationEngineerinDongguanUestc,Dongguan523808,Guangdong,China)

Aiming at the effect of illumination on face recognition, a new face recognition method combining wavelet transform and illumination compensation is proposed. Firstly, the low-frequency sub-band and high-frequency sub-band are separated by discrete wavelet transform, then the histogram equalization and logarithm transformation are carried out on the low-frequency sub-band of the wavelet transform, and the processed low-frequency sub-band is merged to constitute a new low-frequency sub-band. Then, the high-frequency sub-band is denoised by threshold and then multiplied by a scalar to constitute a new high-frequency sub-band. Finally, a new face image is reconstructed using the inverse wavelet transform and the PCA algorithm is used to identify the face image. Experimental results show that this method can effectively reduce the influence of illumination and improve the recognition rate of face.

Face recognition Wavelet transform Histogram equalization Logarithmic transformation PCA

2016-04-20。東莞市社會科技發(fā)展項目(2013108101002)。劉俊，碩士生，主研領(lǐng)域：人臉識別技術(shù)。黃際彥，副教授。吳波，碩士生。鄧華，碩士生。母國才，助理工程師。

TP391.41

A

10.3969/j.issn.1000-386x.2017.05.028