摘要：人臉識(shí)別技術(shù)是基于人的面部特征信息而進(jìn)行識(shí)別的一種生物識(shí)別技術(shù)。相比于虹膜、指紋等生物特征，它具有非接觸、易采集等特點(diǎn)，已經(jīng)在監(jiān)控安防、人機(jī)交互、身份認(rèn)證等社會(huì)生活中起著越來(lái)越重要的作用。但在實(shí)際應(yīng)用中，人臉圖片的采集過(guò)程容易受拍攝角度、光照條件等因素影響，造成識(shí)別算法的準(zhǔn)確度急劇下降。文章提出了一種基于改進(jìn)二維伽馬算法的人臉識(shí)別方法，根據(jù)圖像的亮度分布特征實(shí)現(xiàn)伽馬校正算法的快速計(jì)算，能夠有效降低光照影響，提高暗環(huán)境下人臉識(shí)別的準(zhǔn)確度和運(yùn)行速度，為人臉識(shí)別技術(shù)在暗環(huán)境下的應(yīng)用提供支撐和幫助。

關(guān)鍵詞：暗環(huán)境；光照預(yù)處理；改進(jìn)伽馬算法

中圖分類號(hào)：TP39

文獻(xiàn)標(biāo)志碼：A

0 引言

人臉識(shí)別技術(shù)是生物特征識(shí)別領(lǐng)域的重要分支之一，通過(guò)使用拍攝設(shè)備采集獲取人臉圖片，利用面部定位、特征提取以及識(shí)別算法完成人臉辨識(shí)，已經(jīng)廣泛地應(yīng)用于監(jiān)控、人際交互、身份認(rèn)證等方面。但在實(shí)際的應(yīng)用場(chǎng)景中，采集人臉的圖像容易受到光照強(qiáng)度、角度、背景圖案等環(huán)境因素的影響，從而影響識(shí)別精度。這些干擾因素中，亮度條件對(duì)于人臉識(shí)別算法的影響最為顯著^［1］。研究表明，一個(gè)人在明暗兩種環(huán)境下的面部圖像差距甚至要超過(guò)兩個(gè)不同的人的圖像差距。由于亮度的不足，人臉圖片容易出現(xiàn)面部細(xì)節(jié)被遮蓋的問題，導(dǎo)致圖像質(zhì)量和算法性能顯著下降。因此，本文研究基于暗環(huán)境條件下的人臉識(shí)別方法具有一定的現(xiàn)實(shí)意義。為了降低光照因素帶來(lái)的影響，通常的解決方案是利用光照補(bǔ)償減少或消除光照噪聲影響，從而提高后續(xù)人臉識(shí)別的魯棒性和相似度。常用的光照補(bǔ)償方法有直方圖均衡化、伽馬矯正、對(duì)數(shù)變換等，但在實(shí)際應(yīng)用中這些方法都存在一定的不足。直方圖均衡化雖然使圖像灰度分布更加均勻，增強(qiáng)對(duì)比度，但卻沒有考慮圖像的頻率信息以及細(xì)節(jié)信息，圖像容易出現(xiàn)顏色失真；Retunex算法在進(jìn)行光照補(bǔ)償時(shí)，會(huì)出現(xiàn)光暈；伽馬矯正算法存在計(jì)算量過(guò)大、運(yùn)算速度慢等問題。本文基于光照分量的分布特性，提出一種基于二維伽馬算法的快速人臉識(shí)別方法，能夠有效地抑制光照因素的影響，提高人臉識(shí)別的相似度，算法運(yùn)算效率高，具備更好的可靠性和有效性。

1 基于改進(jìn)二維伽馬算法的人臉識(shí)別方法

本文提出基于改進(jìn)二維伽馬算法的人臉識(shí)別方法的處理過(guò)程分為圖像采集、光照補(bǔ)償、特征提取與識(shí)別3個(gè)步驟，具體過(guò)程如圖1所示。第一步通過(guò)采集設(shè)備或現(xiàn)有人臉數(shù)據(jù)集獲取原始的弱光圖像；第二步利用本文提出的二維伽馬校正算法對(duì)輸入的弱光圖片進(jìn)行光照補(bǔ)償；第三步利用SeetaFace人臉識(shí)別方法完成模式識(shí)別，得到準(zhǔn)確率。

其中，光照補(bǔ)償部分需要先提取光照分量，然后利用改進(jìn)二維伽馬函數(shù)完成亮度矯正，實(shí)現(xiàn)光照補(bǔ)償，具體流程如圖2所示。

1.1 多尺度的高斯函數(shù)法提取光照分量

1.1.1 單尺度高斯函數(shù)法

根據(jù)Lambert光照模型，任意一張灰度圖像可用二維函數(shù)f（x，y）進(jìn)行表征，并且根據(jù)圖片成像的物理過(guò)程，灰度圖像能夠抽象成直射分量i（x，y）與反射分量r（x，y）的乘積。

f（x，y）=r（x，y）·i（x，y）（1）

其中，r（x，y）表示圖像中的反射光成分，其變化比較劇烈，主要存在于圖像的高頻部分，如邊緣、紋理等處。i（x，y）表示圖像中的光照分量，主要存在于圖像的低頻部分，可以通過(guò)二維高斯函數(shù)卷積運(yùn)算得到，如下式所示：

i（x，y）=f（x，y）×g（x，y）（2）

式（2）中的g（x，y）表示二維的高斯函數(shù)，具體的表達(dá)式為：

高斯函數(shù)中的參數(shù)k表示尺度因子，λ為歸一化常數(shù)。尺度因子越小，光照分量的細(xì)節(jié)越突出，局部特性就越好，而尺度因子越大，圖像的動(dòng)態(tài)范圍也就越大，色調(diào)保持能力越強(qiáng)，提取的光照分量的全局特性更好^［2］。另一方面，從二維高斯函數(shù)的對(duì)稱性分析可知，離高斯中心距離相等處的點(diǎn)具有相同的取值，則周圍的點(diǎn)對(duì)高斯中心位置的估計(jì)具有相同的影響。而在較大的區(qū)域內(nèi)，光照分量是不均勻分布的，單尺度的高斯函數(shù)法提取的光照分量與實(shí)際情況有著一定的誤差。所以單尺度的高斯函數(shù)法不能完全表現(xiàn)圖像的光照信息，對(duì)于光照不均勻的圖像存在一定的局限性。

1.1.2 多尺度高斯函數(shù)法

多尺度的高斯函數(shù)法是在單尺度高斯函數(shù)法的基礎(chǔ)上進(jìn)行改進(jìn)的，在單尺度高斯函數(shù)法中只是選取了一個(gè)高斯環(huán)繞尺度，不能同時(shí)體現(xiàn)圖像的動(dòng)態(tài)壓縮和圖像的對(duì)比度^［3］。為了綜合全局特性和局部特性，多尺度的高斯函數(shù)法引入多個(gè)不同尺度的高斯濾波器提取圖像的光照分量并進(jìn)行加權(quán)疊加，其表達(dá)式為：

式（4）中，g_k（x，y）表示不同尺度的高斯函數(shù)。其中N表示不同尺度的高斯函數(shù)的個(gè)數(shù)，W_k表示每個(gè)函數(shù)的權(quán)重。

在各個(gè)尺度的濾波器中，小尺度的高斯函數(shù)能夠有效地提供圖像的動(dòng)態(tài)壓縮范圍，而大尺度的濾波器能夠表現(xiàn)圖像的局部對(duì)比度^［4］。本文中，選取的常數(shù)N的值為3，設(shè)置尺度因子的值為{15，80，250}，為了保證光照分量在原始的亮度范圍內(nèi)，將3個(gè)卷積的結(jié)果進(jìn)行按權(quán)疊加，這里取得權(quán)值為{1/3，1/3，1/3}。

1.2 二維伽馬校正算法

傳統(tǒng)的伽馬校正算法是基于空間域上的圖像處理方法，核心思想是通過(guò)建立原始圖像的像素灰度值與輸出圖像的對(duì)應(yīng)值之間的伽馬函數(shù)關(guān)系，達(dá)到弱光圖像的校正作用^［5］。算法利用這種非線性關(guān)系，能夠?qū)⑷豕鈭D像的灰度值區(qū)域擴(kuò)展到更寬的區(qū)間上，從而能夠有效地提高圖片的整體亮度，并增強(qiáng)圖片的細(xì)節(jié)特征。但傳統(tǒng)的伽馬校正算法是基于固定參數(shù)的空域變換，對(duì)于亮度不同的兩個(gè)區(qū)域處理效果相同，不能根據(jù)亮度值的大小自適應(yīng)地調(diào)整參數(shù)，從而在局部特征的改進(jìn)效果比較有限^［6］。

二維的伽馬校正算法是在傳統(tǒng)伽馬校正算法的基礎(chǔ)上發(fā)展起來(lái)的，該算法利用二維的伽馬函數(shù)對(duì)圖像進(jìn)行點(diǎn)處理，針對(duì)各個(gè)像素點(diǎn)的光照分量使用了多個(gè)伽馬函數(shù)，所以對(duì)于不同亮度范圍內(nèi)的圖像區(qū)域有著不同的映射關(guān)系，很好地兼顧了整體特征和局部特征，實(shí)現(xiàn)了對(duì)弱光圖像的自適應(yīng)校正處理。二維的伽馬校正算法要先將圖像從RGB空間域內(nèi)轉(zhuǎn)換到HSV域內(nèi)，提取亮度信息，并保證圖像的色調(diào)和飽和度不變。然后提取光照分量的大小，通過(guò)高斯函數(shù)與原始圖像相卷積，可以提取光照信息v（x，y），這一步對(duì)于降低光照因素對(duì)圖像質(zhì)量的影響尤為關(guān)鍵。實(shí)際應(yīng)用較多的算法有單尺度的高斯濾波法、雙邊濾波法以及基于Retinex理論的變分模型法，下一節(jié)將在單尺度的高斯濾波法基礎(chǔ)上，提出多尺度的高斯函數(shù)法。

然后，利用光照分量i（x，y）對(duì)二維的伽馬函數(shù)的參數(shù)γ進(jìn)行調(diào)整，并將原始圖片的輸入灰度值進(jìn)行校正處理，得到輸出圖像的亮度分量V（x，y）。

其中f（x，y）表示原始圖像的亮度分量，最后將校正后的亮度分量V（x，y）與原始的色調(diào)分量和飽和度分量進(jìn)行合成，并轉(zhuǎn)化到RGB空間，得到最終的輸出圖像。

二維伽馬校正算法能夠有效地抑制光照不均勻帶來(lái)的影響，減弱了明亮區(qū)域的亮度值，增強(qiáng)了弱光區(qū)域的亮度值。整體上，圖像的細(xì)節(jié)特征和灰度層次范圍得到了有效提高，并且避免了對(duì)明亮區(qū)域的過(guò)度曝光問題。但是該算法的運(yùn)行時(shí)間較長(zhǎng)，需要針對(duì)圖像的每一個(gè)點(diǎn)的像素值進(jìn)行校正處理，對(duì)于30萬(wàn)像素的圖片，大約耗時(shí)6～7 s，難以滿足實(shí)際場(chǎng)景的應(yīng)用要求。

2 基于亮度分布特征的伽馬算法快速實(shí)現(xiàn)

由于二維伽馬校正的處理算法較為煩瑣，需要針對(duì)每一個(gè)像素點(diǎn)的光照分量值動(dòng)態(tài)地設(shè)置校正參數(shù)，再進(jìn)行伽馬校正的相關(guān)運(yùn)算。整個(gè)環(huán)節(jié)耗時(shí)較長(zhǎng)，難以滿足人臉識(shí)別場(chǎng)景中有關(guān)實(shí)時(shí)性、高效性的要求。從伽馬校正的基本原理出發(fā)，提升了二維伽馬算法的運(yùn)行速度。傳統(tǒng)伽馬算法計(jì)算主要包含以下步驟：（1）歸一化。將原始亮度值線性壓縮，轉(zhuǎn)換為0～1的實(shí)數(shù)。（2）預(yù)補(bǔ)償。獲取亮度歸一化后的數(shù)據(jù)以1/γ為指數(shù)的對(duì)應(yīng)值。（3）反歸一化。將經(jīng)過(guò)預(yù)補(bǔ)償?shù)膶?shí)數(shù)值進(jìn)行反變換，使其為0～255的整數(shù)。

按照上述的算法流程，對(duì)一張分辨率為800×600的圖像進(jìn)行伽馬校正處理，至少需要執(zhí)行48萬(wàn)個(gè)浮點(diǎn)數(shù)乘法、除法和指數(shù)運(yùn)算。運(yùn)行的效率太低，難以達(dá)到實(shí)時(shí)的效果。

針對(duì)上述情況，提出一種快速算法。假如，原始圖片的亮度取值范圍為0～255的整數(shù)，則在校正參數(shù)γ確定的情況下，0～255的任意整數(shù)經(jīng)過(guò)歸一化、光照補(bǔ)償、反歸一化的操作后，對(duì)應(yīng)的結(jié)果都是唯一的。也就是說(shuō)，輸入輸出的亮度值存在著一一對(duì)應(yīng)的映射關(guān)系，若能夠利用這種固定的映射關(guān)系，則能夠大幅度減少運(yùn)算時(shí)間，提升運(yùn)算效率。

針對(duì)暗環(huán)境的弱光圖像而言，其光照亮度值分布具有一個(gè)明顯的特征：絕大部分像素點(diǎn)的光照分量值分布在0～50這一數(shù)值區(qū)間內(nèi)，所以只需要在這一個(gè)區(qū)間內(nèi)進(jìn)行插值產(chǎn)生多個(gè)伽馬參數(shù)值γ。針對(duì)每個(gè)伽馬參數(shù)值γ，遍歷取值區(qū)間的所有可能取值，建立符合亮度分布特征的映射表，然后利用查找映射表的方式替代絕大多數(shù)像素點(diǎn)的校正過(guò)程。

3 實(shí)驗(yàn)結(jié)果與分析

本文利用Seetaface算法搭建人臉識(shí)別框架，根據(jù)本文提出的算法流程，將暗環(huán)境下的人臉圖像進(jìn)行光照補(bǔ)償處理，再利用人臉識(shí)別算法完成人臉相似度計(jì)算。本文將基于Yale數(shù)據(jù)集和CMU-PIE數(shù)據(jù)集進(jìn)行算法仿真實(shí)驗(yàn)，在相似度和運(yùn)行效率方面進(jìn)行對(duì)比分析。

3.1 相似度對(duì)比分析

為了比較本文所提的方法性能，實(shí)驗(yàn)采用了改進(jìn)伽馬校正算法、傳統(tǒng)伽馬算法、直方圖均衡化算法和未采用光照補(bǔ)償4種方法在人臉數(shù)據(jù)集上進(jìn)行測(cè)試。比較其相似度，分別在Yale數(shù)據(jù)集和CMU Multi-PIE數(shù)據(jù)集中選取了16×7張實(shí)驗(yàn)圖片，每個(gè)實(shí)驗(yàn)組中包含1張普通光照的人臉圖片和6張弱光圖片。由于每一組的實(shí)驗(yàn)圖片，都是嚴(yán)格限制在弱光環(huán)境下拍攝的，實(shí)驗(yàn)結(jié)果也將反映預(yù)處理環(huán)節(jié)的性能優(yōu)劣。實(shí)驗(yàn)結(jié)果如圖3所示，根據(jù)相似度曲線可以看出4種方法中改進(jìn)伽馬算法（實(shí)線方塊折線）的光照補(bǔ)償效果最佳，能夠更有利于人臉圖像的識(shí)別。此外，圖中第13次的相似度數(shù)據(jù)明顯偏離平均水平，3種算法均無(wú)改進(jìn)效果，該情況是由于實(shí)驗(yàn)圖片的畫質(zhì)太差，光照補(bǔ)償無(wú)效，導(dǎo)致人臉識(shí)別算法無(wú)法提取特征，影響相似度。

部分人臉圖片的相似度對(duì)比如表1所示，從表格中統(tǒng)計(jì)的數(shù)據(jù)進(jìn)行分析，改進(jìn)伽馬算法相對(duì)于傳統(tǒng)伽馬算法有了0.03～0.04的相似度性能的提升，相對(duì)于直方圖的效果則更加顯著。改進(jìn)算法相對(duì)于其他兩種算法更能夠抑制暗環(huán)境狀態(tài)下光照影響，并表現(xiàn)出圖像的人臉特征和局部細(xì)節(jié)。

3.2 運(yùn)行效率分析

本文比較了二維伽馬校正算法和改進(jìn)的二維伽馬校正算法的處理速度，在Yale數(shù)據(jù)集和CMU-PIE數(shù)據(jù)集中（每張圖像的大小為168×192）選取了16×6張圖片進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4所示。

由圖4可以直觀看出，改進(jìn)的二維伽馬校正算法平均處理時(shí)間要比二維的伽馬校正算法快2 ms，算法效率得到明顯提高，這表明利用亮度分布特征的快速算法在實(shí)際應(yīng)用中能夠更加有效地滿足實(shí)驗(yàn)場(chǎng)合的要求，并拓寬了算法應(yīng)用的場(chǎng)景范圍。

4 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)二維伽馬算法的人臉識(shí)別方法，通過(guò)實(shí)驗(yàn)分別從相似度和運(yùn)行效率方面與其他方法進(jìn)行比較，驗(yàn)證了本文提出的方法在暗環(huán)境下能夠有效地抑制光照因素的影響，有效提高人臉識(shí)別的準(zhǔn)確率，算法運(yùn)算效率高，具備更好的可靠性和有效性。

參考文獻(xiàn)

［1］WU Y， ZHENG J， SONG W， et al. Low light image enhancement based on non-uniform illumination prior model［J］. IET Image Processing， 2019（13）： 2448-2456.

［2］余萍，郝成成.基于分?jǐn)?shù)階微分和多尺度Retinex聯(lián)合的霧靄圖像增強(qiáng)算法［J］.激光與光電子學(xué)進(jìn)展，2018（1）：280-285.

［3］趙清楠.基于Retinex理論的圖像增強(qiáng)凸優(yōu)化模型研究［D］.成都：電子科技大學(xué)，2016.

［4］王浩，張葉，沈宏海，等.圖像增強(qiáng)算法綜述［J］.中國(guó)光學(xué)，2017（4）：438-448.

［5］劉志成，王殿偉，劉穎，等.基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法［J］.北京理工大學(xué)學(xué)報(bào)，2016（2）：191-196，214.

［6］QIAO N， QUAN C. Dual-frequency fringe projection for 3D shape measurement based on correction of gamma nonlinearity［J］. Optics amp; Laser Technology， 2018（106）： 378-384.

（編輯 沈 強(qiáng)）

Research on face recognition method in dark environment based on improved two-dimensional gamma algorithm

Yang Bingjie， Xue Yu

（Henan Branch of National Computer Network and Information Security Management Center， Zhengzhou 450000， China）

Abstract： Face recognition technology is a biometric identification technology based on facial features. Compared with other biological features such as iris and fingerprints， it has the characteristics of non-contact and easy acquisition， and has played an increasingly important role in social life， such as monitoring security， human-computer interaction， and identity authentication. However， in practical applications， the acquisition of facial images is easily affected by factors such as shooting angles and lighting conditions， resulting in a sharp decrease in the accuracy of recognition algorithms. This article proposes a face recognition method based on an improved two-dimensional gamma algorithm， which uses the brightness distribution characteristics of the image to achieve fast calculation of the gamma correction algorithm. It can effectively reduce the impact of lighting and improve the accuracy and speed of face recognition in dark environments， providing support and assistance for the application of face recognition technology in dark environments.

Key words： dark environment; light pretreatment; improved gamma algorithm