袁小平，崔棋紋，程 干，張 俠，張 毅，王溯源

中國礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州221116

1 引言

迄今為止，人臉識別技術(shù)的研究已有五十多年的歷史，隨著當(dāng)下人工智能領(lǐng)域的快速發(fā)展，人臉識別技術(shù)再次得到了各界的廣泛關(guān)注，并取得了顯著的進(jìn)步。人臉識別作為一種生物特征識別技術(shù)，因其具有非接觸性、易于采集、真實可靠等優(yōu)點，已被廣泛應(yīng)用于公安刑偵、智能安防、門禁考勤、金融支付等領(lǐng)域[1-2]。但是由于外界環(huán)境包括光照條件、角度等因素的影響，使得人臉識別的準(zhǔn)確性很難得到提高[1-2]。FERET（Face Recognition Technology Test）[1]和FRVT（Face Recognition Vendor Test）[2]測試結(jié)果表明：光照條件是導(dǎo)致人臉識別率下降的主要因素，惡劣的光照條件會使得人臉識別率嚴(yán)重下降。因此，如何解決復(fù)雜光照對人臉識別性能的影響成為實用人臉識別技術(shù)一個具有挑戰(zhàn)性的問題[1-2]。

近年來，研究者們從光照歸一化、光照建模、光照不變特征等角度提出很多解決光照變化問題的算法。

光照歸一化方法采用圖像處理技術(shù)對人臉圖像進(jìn)行預(yù)處理以歸一化圖像，使得圖像在不同光照變化下顯示出穩(wěn)定性，如直方圖均衡（Histogram Equalization，HE）[3]、伽馬校正（Gamma Adjust，GA）[4]、對數(shù)變換（Logarithm Transforms，LT）[5]等。此類方法能夠從一定程度上減弱光照變化對人臉識別的影響，但是在復(fù)雜光照情況下算法識別率很難令人滿意。

光照建模在不同光照條件下某一固定姿勢的所有人臉圖像構(gòu)成的低維光照子空間內(nèi)學(xué)習(xí)人臉圖像的光照變化程度，對人臉圖像的識別通過在子空間中選擇一個逼近人臉圖像的子空間或流形來實現(xiàn)，如基于本征臉和Fisher臉的線性子空間方法[6]、光錐法[7]、球諧函數(shù)法[8]等。此類方法在訓(xùn)練階段需要識別目標(biāo)可變光照下的大量圖像或3D 模型信息，限制了該方法在實際人臉識別系統(tǒng)中的應(yīng)用。

光照不變特征是從圖像中尋找對光照變化的不敏感特征，可以在各種光照條件下，減少甚至避免光照等外在條件對圖像辨識和結(jié)果判斷所產(chǎn)生的消極影響，這類方法是人臉識別研究中消除光照變化的一種被廣泛采用的處理方法。Land 等[9]提出了關(guān)于顏色恒常感知的Retinex理論，該理論模擬人類視覺系統(tǒng)，在圖像增強(qiáng)和消除陰影等方面表現(xiàn)優(yōu)異。Jobson 等[10]對Retinex 理論進(jìn)行改進(jìn)，模擬人類視覺系統(tǒng)的側(cè)抑制機(jī)理提出多尺度Retinex 算法（Multi-Scale Retinex，MSR），該算法一定程度上減輕單尺度Retinex 算法的“光暈”現(xiàn)象，但是效果不夠理想。Shashua 等[11]提出了商圖像方法（Quotient Image，QI），該方法需要完備的訓(xùn)練集樣本，然而完備的訓(xùn)練集在實際應(yīng)用中很難實現(xiàn)。Wang等[12]在QI 和MSR 理論的基礎(chǔ)上提出自商圖像算法（Self Quotient Image，SQI），該算法僅需要每個對象的一幅圖像就可以完成識別任務(wù)，解決了QI 需要完備訓(xùn)練集的問題。Chen 等[13]將全變差模型對QI 進(jìn)行改進(jìn)，提出了TVQI（Total Variation Quotient Image）算法，該算法性能優(yōu)越，但是由于采用迭代優(yōu)化的方法識別效率較低。He Xiaoguang 等[14]在QI 和形態(tài)學(xué)的基礎(chǔ)上，借助形態(tài)學(xué)操作可以保留邊緣的特性，分別提出了形態(tài)學(xué)商圖法（Morphological Quotient Image，MQI）和動態(tài)形態(tài)學(xué)商圖法（Dynamic Morphological Quotient Image，DMQI），該算法引入了額外的邊緣特征，不利于識別。Ahonen等[15]將局部二值模式（Local Binary Patterns，LBP）應(yīng)用于人臉識別來提取光照不敏感特征，取得了一定的成果，Tan 等[16]在LBP 算法的基礎(chǔ)上又提出了局部三值模式（Local Ternary Patterns，LTP）算法，該算法去除光照分量的同時，也伴隨著一定的鑒別性信息丟失，影響識別的準(zhǔn)確率。在SQI的基礎(chǔ)上，Srisuk等[17]利用Gabor算子對SQI進(jìn)行改進(jìn)，提出了GQI（Gabor Quotient Image）算法，該算法使用2D Gabor濾波器代替加權(quán)高濾波器，提高了算法的性能，取得了不錯的識別效果，但是Gabor濾波器參數(shù)選擇過多，在圖像低頻區(qū)域不能保持良好的邊緣信息，對識別效果存在一定的影響。

本文針對GQI 算法的不足，利用改進(jìn)的加權(quán)Gabor濾波器獲取原始圖像的平滑圖像，并通過對比度增強(qiáng)對GQI算法進(jìn)行改進(jìn)，實驗證明本文提出的算法在復(fù)雜光照變化的情況下具有很高的識別率。

2 基于Gabor自商圖像的光照校正算法

2.1 Gabor自商圖像模型

Basri 等[18]提到的朗伯光照模型描述了成像物體某個像素點的灰度值與照射到這個像素點的入射光源之間的關(guān)系。下面是簡易的朗伯光照模型定義式：

其中，I(x,y)表示目標(biāo)物體的成像；R(x,y)與物體本身的特性相關(guān)，屬于物體的內(nèi)在屬性，即光照不變特征，被稱為反射分量；L(x,y)作為外在的點光源，屬于變化的外部因素，又稱為光照分量。式（1）的朗伯光照模型為尋找光照不變量提供了依據(jù)。

根據(jù)式（1），Wang 等[12]提出了基于朗伯光照模型的人臉圖像增強(qiáng)方法：自商圖像。在自商圖像的基礎(chǔ)上，Srisuk 等[17]提出了Gabor 自商圖像（Gabor Quotient Image，GQI），下式給出了GQI模型的定義：

其中，?表示卷積符號；I?G是圖像I 的模糊版本；Geven(x,y)表示Gabor濾波器復(fù)值響應(yīng)的實部，用于獲取圖像I 的Gabor特征。

該算法主要存在三個問題：（1）使用單個方向的Gabor 特征作為圖像的模糊版本，丟失了其他方向的特征；（2）由于采用傳統(tǒng)的Gabor濾波器，引入了較多的參數(shù)，參數(shù)的選擇問題較為復(fù)雜；（3）采用的各向同性濾波器求取圖像I 的模糊版本，當(dāng)濾波器模板選取過大時，在圖像明暗交接處的邊緣區(qū)域容易出現(xiàn)光暈效應(yīng)，影響識別率。

針對以上問題，提出了改進(jìn)的加權(quán)Gabor濾波器。

2.2 加權(quán)m-Gabor商圖模型（WMGQI）

該部分將詳細(xì)介紹WMGQI算法。

2.2.1 改進(jìn)的二維Gabor濾波器（m-Gabor濾波器）

二維Gabor 濾波器由Daugman[19]首次提出，可看作是一個高斯函數(shù)調(diào)制的復(fù)正弦函數(shù)。該濾波器是唯一能達(dá)到測不準(zhǔn)原理下界的函數(shù)，即Gabor變換可以同時獲得較高的空域和頻率分辨率。由于二維Gabor 濾波器與哺乳動物視覺皮層簡單細(xì)胞感受野剖面非常相似，具有優(yōu)良的空間局部性和方向選擇性，Gabor 濾波器被廣泛應(yīng)用于計算機(jī)視覺的紋理分割、邊緣檢測、模式識別等領(lǐng)域[19]。

對于給定的圖像，比如人臉圖像，常常包含大量的非線性成分組成。鑒于算法Gabor 自商圖像僅僅使用了單向的傳統(tǒng)二維Gabor 濾波器，失去了其他方向的Gabor 特征，從而無法表征圖像的非線性成分?？紤]到人臉特征圖像的重要組成部分（虹膜、眼角、鼻子、嘴巴的邊緣處等），對一般性的Gabor濾波器加以改進(jìn)，使之具有良好的曲率響應(yīng)。改進(jìn)之后的二維Gabor 濾波器（2D Modified Gabor Filter，m-Gabor Filter）各向同性，同時保留了原始Gabor 濾波器所具有的尺度和頻率特性，對圖像的邊緣區(qū)域擁有較強(qiáng)的刺激響應(yīng)；與原始Gabor濾波器相比，少了方向選擇特性，但參數(shù)空間復(fù)雜度降低，避免了高維參數(shù)空間的選擇問題。下式給出了m-Gabor核函數(shù)變換形式：

其中，σ 表示高斯包絡(luò)函數(shù)沿x 軸、y 軸的標(biāo)準(zhǔn)差，決定了m-Gabor濾波的空域范圍，通常是橢圓率為γ 的橢圓區(qū)域，γ ∈(0,1)，σ 與γ 共同決定了m-Gabor濾波器空域范圍的大小和形狀；f 為正弦調(diào)制信號的頻率（帶通濾波器的中心頻率）。高斯函數(shù)用 于 限 制ej?2πf(±x2+y2)的取值范圍，從而獲得局部信號用于直流補(bǔ)償，降低灰度及光照對m-Gabor 變換的影響，保證不同亮度值構(gòu)成的均勻亮度區(qū)域的響應(yīng)相同，當(dāng)參數(shù)σ 較大時，直流補(bǔ)償可以忽略。

改進(jìn)后的濾波器和原始Gabor 濾波器一樣都是復(fù)值響應(yīng)，根據(jù)實部與虛部的不同選取方法，該響應(yīng)特征可分為奇特征、偶特征、復(fù)值特征等。在實驗中，本文選取m-Gabor特征復(fù)值響應(yīng)的實部作為卷積模板，用于平滑濾波，如式（4）所示：

圖1為改進(jìn)之后對曲率特征提取的對比圖，圖1（b）對應(yīng)文獻(xiàn)[17]中最優(yōu)參數(shù)的Gabor 特征圖，圖1（c）對應(yīng)本文算法最優(yōu)參數(shù)的m-Gabor特征圖。與圖1（b）相比，改進(jìn)后的m-Gabor特征具有更好的曲率響應(yīng)。

圖1 改進(jìn)后的Gabor特征圖對比

2.2.2 加權(quán)m-Gabor濾波器

根據(jù)2.1 節(jié)所述，GQI 采用各向同性濾波器求取圖像I 的模糊版本，在圖像明暗交界的邊緣區(qū)域容易出現(xiàn)光暈效應(yīng)。為解決此問題，提出了加權(quán)m-Gabor濾波器。

Wang等[12]設(shè)計了一種使用各向異性濾波器對圖像平滑的方法，該方法通過加權(quán)濾波器進(jìn)行各向異性濾波求取圖像I 的模糊版本，來減少光暈效應(yīng)的影響。它是由一組帶權(quán)重系數(shù)W 的濾波器F 構(gòu)成，W 和F 滿足以下關(guān)系式：

其中，Ω 表示F 濾波器的窗口大小，N 表示歸一化因子。假設(shè)卷積區(qū)域為M ，以區(qū)域像素均值τ=Mean(IΩ)為參考值，將卷積區(qū)域分為兩個子區(qū)域M1、M2，大于τ 的像素點歸為區(qū)域M1，小于τ 的像素點歸為區(qū)域M2，根據(jù)不同的子區(qū)域來確定權(quán)重系數(shù)W 的大小，關(guān)系如下：

通過對卷積區(qū)域的劃分，加權(quán)濾波器僅對卷積區(qū)域中大于τ 的較亮的M1區(qū)域進(jìn)行濾波，忽略M2區(qū)域的局部暗點。

在圖像的邊緣區(qū)域，由于該區(qū)域存在比較大的灰度變化，具有較大的灰度值方差，此時τ 將卷積內(nèi)的邊緣區(qū)域沿邊緣像素劃分為M1和M2，濾波器僅包含了多數(shù)像素的M1做卷積，保留了明暗交界區(qū)域的邊緣特征，從而有效地降低了該區(qū)域的“光暈”現(xiàn)象。而在平滑區(qū)域，由于該區(qū)域具有較小的灰度值方差，對區(qū)域濾波前后的影響較小，低頻特征得到保留，進(jìn)而實現(xiàn)了對圖像的各向異性濾波的特性。

上述方法能夠有效地降低“光暈”效應(yīng)的影響，但是由于完全拋棄了M2區(qū)域中的局部暗點，使得圖像局部暗點中暗部細(xì)節(jié)特征的丟失，這些細(xì)節(jié)的丟失對最終的識別效果產(chǎn)生了一定的影響。為了消除這些影響，提出了一種更加平滑的過渡加權(quán)方法。

將式（6）定義的加權(quán)濾波器改寫如下：

其中，H(·)表示階梯函數(shù)：

將式（8）代入式（7），可以得到：

令：

其中，參數(shù)k 決定了該函數(shù)的曲線傾斜率，當(dāng)k 趨向于無窮時，i,j)等價于條件分段函數(shù)W(i,j)。保留了M2區(qū)域中的局部暗點，參數(shù)k 用于調(diào)節(jié)兩個子區(qū)域的濾波權(quán)重大小，起到了平滑過渡的作用。最后，使用的加權(quán)m-Gabor濾波器滿足以下關(guān)系式：

如圖2所示，其中圖2（b）是通過加權(quán)m-Gabor濾波器對圖2（a）原圖濾波后的加權(quán)m-Gabor特征圖。

圖2 加權(quán)m-Gabor特征圖對比

2.2.3 直方圖標(biāo)準(zhǔn)化

在求取商圖的過程中，商圖操作放大了低信噪比區(qū)域的高頻噪聲，造成了少數(shù)極暗或極亮的奇異點出現(xiàn)。這些奇異點偏離了圖像像素的主體部分，它們的出現(xiàn)，使得歸一化后的圖像對比度降低，整體變暗或變亮，不利于圖像的識別。

為了解決上述問題，使用直方圖截斷的方法截斷商圖直方圖的兩端，以去除商圖中少數(shù)極暗、極亮的奇異點。使用直方圖截斷突出了商圖直方圖的主要部分，進(jìn)而顯著增強(qiáng)了商圖的對比度。本文分別截斷原始圖像直方圖0.5%的上限和下限，選取余下的部分作為需要歸一化的圖像。

對商圖進(jìn)行直方圖截斷之后，對得到的圖像進(jìn)行歸一化，使其像素點分布在0和255之間，如圖3所示。

圖3 直方圖標(biāo)準(zhǔn)化前后的對比圖

2.2.4 算法步驟

加權(quán)m-Gabor商圖模型算法步驟概括如下：

步驟1 輸入圖像I 。

步驟4 根據(jù)GQI模型，計算商圖。

步驟5 對商圖進(jìn)行直方圖截斷，消除奇異點。

步驟6 商圖歸一化。

3 分類器的設(shè)計

本文使用基于皮爾遜相關(guān)系數(shù)的最近鄰分類器進(jìn)行分類。兩幅圖像Im和In之間的相似度使用皮爾遜相關(guān)系數(shù)Corr(Im,In)來計算。

由于來自數(shù)據(jù)庫的部分圖片沒有完全對齊，使用了一種基于灰度的圖像配準(zhǔn)算法[20]，求取圖像對齊后的相似度。首先，通過不同的方法選取兩幅圖像之間的重疊部分；其次，計算重疊部分的相關(guān)系數(shù)；最后比較不同方法的相關(guān)系數(shù)，選出最大值。

假設(shè)兩幅圖像Im和In互相重疊，它們之間的長寬相等，分別為w 和h?，F(xiàn)將圖像In分別向右移動Δx，向下移動Δy。移動之后，圖像Im在圖像Im和In的重疊部分內(nèi)的區(qū)域可以表示如下：

其中，x ∈{0,1,…,w- ||Δx -1}；y ∈{0,1,…,h- ||Δy -1}。

同理，圖像In在圖像Im和In的重疊部分內(nèi)的區(qū)域為

當(dāng)Δx、Δy 取值不同時，獲得的重疊區(qū)域也不同，最終兩幅圖像之間的相關(guān)系數(shù)表示如下：

其中，μ ∈?，表示最大位移，當(dāng)μ=0 時，mCorrμ(Im,In)等價于Corr(Im,In)。

4 實驗

4.1 人臉數(shù)據(jù)集

本文選用Extended Yale B[7]和CMU PIE[21]這兩個國際通用的光照人臉庫進(jìn)行實驗，并檢測算法的性能。

Extended Yale B人臉數(shù)據(jù)庫是Yale B人臉數(shù)據(jù)庫的擴(kuò)展，該數(shù)據(jù)庫包含28 個人物，每個人有9 種不同的姿勢，每個姿勢有64 種不同光照條件。根據(jù)光照和相機(jī)之間的角度θ 的變化，數(shù)據(jù)庫中的圖像可分為5個子集：子集1（0°<θ <12°），子集2（13°<θ <25°），子集3（26°<θ <50°），子集4（51°<θ <77°），子集5（78°<θ <90°），共計16 128 張圖像。本文使用的是裁剪版的Extended Yale B 人臉數(shù)據(jù)庫，裁剪后的圖像大小為192×168，包含38個人，每個人包含64種不同光照下的圖像，光照變化與原始數(shù)據(jù)庫相同，共計2 432 張圖像。該數(shù)據(jù)庫光照變化較大，能夠很好地驗證人臉識別方法對光照的魯棒性。

CMU PIE人臉數(shù)據(jù)庫中，包含68個人，共計41 368幅圖像。其中包括21種不同光照條件下的正面人臉圖像，共計1 428幅圖像。原始圖像大小為640×480，本文使用裁剪過的圖像，圖像大小為64×64。

4.2 實驗環(huán)境

本文實驗是在Intel?Core?i5-2400 CPU@3.10 GHz，內(nèi)存為4 GB，Windows 7（64 位）的電腦上采用MATLAB R2018a編程實現(xiàn)。

4.3 參數(shù)選擇

在Extended Yale B 人臉數(shù)據(jù)庫上進(jìn)行實驗，以確定本文算法的最優(yōu)參數(shù)。

4.3.1 m-Gabor濾波器的參數(shù)

正如2.2.1 節(jié)所述，相比傳統(tǒng)的二維Gabor 濾波器，m-Gabor濾波器能夠捕捉圖像的非線性曲率信息，使用m-Gabor 濾波核替換GQI 中的傳統(tǒng)單向Gabor 濾波器。類似于傳統(tǒng)的Gabor 濾波器，當(dāng)利用m-Gabor 濾波器進(jìn)行特征提取時，不同的m-Gabor濾波器參數(shù)所提取的特征具有不同的特點，合理地選擇m-Gabor濾波器的參數(shù)對實驗的結(jié)果有著舉足輕重的影響。

m-Gabor濾波器相當(dāng)于帶通濾波器，濾波效果與中心頻率f 密切相關(guān)。隨著尺度ν（ν 為整數(shù)）的增加，濾波頻率f 以的尺度逐漸減小，則帶通濾波器的中心頻率可表示為：

根據(jù)上節(jié)所述，取m-Gabor濾波的空域范圍的外切矩形為濾波器的窗函數(shù)，則時域窗口的大小與中心頻率成反比關(guān)系，與高斯標(biāo)準(zhǔn)差σ 成正比，即當(dāng)m-Gabor 濾波器的時域窗口由小到大變化時，m-Gabor濾波器的中心頻率由大到小變化，所提取的圖像特征由局部特征向全局特征變化；其中，m-Gabor濾波器的窗函數(shù)的長、寬可分別表示為：

可以通過選取不同的尺度ν 來獲取不同的圖像特征。

采取不同大小的卷積模板對提取的特征和識別效果也有著顯著的影響。當(dāng)m-Gabor 濾波器的模板由小到大變化時，m-Gabor 濾波器的非零部分由大變小，所提取的圖像特征由全局特征向局部特征變化，同時計算量增加，算法的運(yùn)行速度降低。

另外，m-Gabor濾波窗口是否對稱對后續(xù)的特征提取有一定的影響，當(dāng)m-Gabor核函數(shù)窗的不對稱設(shè)計使m-Gabor 核偏移到m-Gabor 濾波器的邊界時，提取的特征不能真實地反映原圖像。所以在設(shè)計m-Gabor 濾波器窗時一般要保證窗口的對稱性，即γ 值為1。

圖4 顯示了僅使用一張正常光照下的人臉圖像作為訓(xùn)練集，其余圖像作為測試集，以不同模板與不同尺度下的m-Gabor 特征作為原圖像模糊版本求得的人臉識別率。

圖4 m-Gabor參數(shù)的選取

綜合考慮，采用ν 值為8，γ 值為1，模板大小為7×7的m-Gabor 濾波器。至此就可以構(gòu)造一個用于提取復(fù)雜光照下人臉光照不變特征的m-Gabor濾波器。

圖5 平滑因子k 的選取

4.4 實驗結(jié)果與分析

為了評估本文提出的WMGQI算法的性能，實驗結(jié)果同其他的傳統(tǒng)算法進(jìn)行了比較。這些算法包括：GQI，SQI，MSR，HE，WF[22]，TT，DMQI 等，傳統(tǒng)算法的參數(shù)使用原始論文中的推薦參數(shù)。

4.4.1 Extended Yale B人臉庫的實驗結(jié)果

在Extended Yale B 人臉庫的實驗中，為了解決人臉庫的圖像對齊問題，使用基于μ=2 的皮爾遜相關(guān)系數(shù)(mCorr2(Im,In))的最近鄰分類器分別對上述傳統(tǒng)算法以及本文提出的算法進(jìn)行分類。圖6 給出了Extended Yale B 人臉庫中，不同子集下同一人的原始圖像以及不同算法的處理效果對比圖，可以看出，與其他算法相比，本文算法能夠有效地消除復(fù)雜光照條件下不同光照對人臉特征的影響，并且保留了更清晰的臉部細(xì)節(jié)特征以及更多的邊緣信息，有利于復(fù)雜光照下人臉識別率的提升。圖7 給出了某人在不同光照下的部分人臉圖像以及對應(yīng)的本文算法的實驗效果圖，可以看出本文算法可以有效地提取復(fù)雜光照下的光照不變特征圖。

人臉識別實驗優(yōu)先選擇子集1 作為訓(xùn)練集，其他4個子集作為測試集，不同算法的識別率如表1所示?？梢园l(fā)現(xiàn)，當(dāng)子集1 作為訓(xùn)練集時，本文算法在所有測試集上的識別率均優(yōu)于其他算法，且子集2 和子集4 的識別率達(dá)到了100%。第二次實驗選擇子集5 作為訓(xùn)練集，其他4 個子集作為測試集，該條件下不同算法的識別率如表2 所示，可以看出，當(dāng)子集5 作為訓(xùn)練集時，本文算法同樣取得了不錯的結(jié)果，其中子集2的識別率達(dá)到了100%，其他子集的識別率普遍優(yōu)于其他算法。最后，實驗使用每人第一幅正常光照下的人臉圖像作為訓(xùn)練集，其余都用作測試集，該條件下的不同算法的識別率如表3 所示，實驗結(jié)果再次表明，使用單張圖片作為訓(xùn)練集時，本文算法的識別率要高于其他算法。其中，本文算法的平均識別率明顯優(yōu)于其他算法，同時，子集2 和子集4 的識別率均達(dá)到100%。綜合以上實驗數(shù)據(jù)，可以看出本文提出的WMGQI算法性能要優(yōu)于其他算法。

4.4.2 CMU PIE人臉庫的實驗結(jié)果

在CMU PIE人臉庫的實驗中，使用基于μ=0 的皮爾遜相關(guān)系數(shù)(Corr(Im,In))的最近鄰分類器分別對上述傳統(tǒng)算法以及本文提出的WMGQI 算法進(jìn)行分類。實驗選取每人第一幅正常光照下的人臉圖像作為訓(xùn)練樣本，其余都作為測試集，表4 顯示了該實驗條件下不同算法的性能比較。其中，WMGQI算法與GQI相比提升明顯，和其他傳統(tǒng)算法相比，同樣表現(xiàn)優(yōu)異。因此，本文算法具有很強(qiáng)的魯棒性。

圖6 不同子集不同算法實驗效果對比圖

圖7 Extended Yale B人臉庫WMGQI算法實現(xiàn)效果對比圖

表1 Yale B+人臉庫子集1作訓(xùn)練集的識別率%

表2 Yale B+人臉庫子集5作訓(xùn)練集的識別率%

表3 Yale B+人臉庫單一訓(xùn)練樣本的識別率 %

表4 CMU PIE人臉庫單一訓(xùn)練樣本的識別率

5 結(jié)束語

本文通過對GQI算法的改進(jìn)，從自適應(yīng)濾波和對比度增強(qiáng)的角度提出了加權(quán)m-Gabor 商圖模型。該模型選用改進(jìn)后的Gabor濾波器，并利用加權(quán)后濾波器的各向異性特點獲取原始圖像的平滑圖像，最后通過直方圖修正等操作對商圖進(jìn)行增強(qiáng)，進(jìn)而提取到人臉圖像的光照不變量，很大程度上消除了光照變化對人臉識別的影響。本文算法在有效減少光暈效應(yīng)的同時，能夠提取出更加魯棒的光照不變特征。同其他方法相比，本文算法在Extended Yale B和CMU PIE人臉庫的實驗中，均取得了更好的識別效果。需要指出的是，本文算法在提取光照不變特征的過程中，保留了有利于人臉識別的邊緣特征的同時，也混入了一些不利于識別的陰影邊緣。因此，如何在妥善處理陰影邊緣問題的同時，保留更為豐富的有利于識別的人臉細(xì)節(jié)特征，進(jìn)而獲取最接近于人臉本質(zhì)的光照不變特征，是今后算法改進(jìn)的一個重要的方向。