0 引言

    人臉識(shí)別是重要的生物特征識(shí)別技術(shù)之一,，目前人臉識(shí)別已經(jīng)取得了重大的進(jìn)展,，魯棒的主成分分析^[1]、基于Gabor特征的魯棒稀疏編碼算法^[2],、迭代加權(quán)的正規(guī)化魯棒編碼算法^[3]和兩級(jí)非負(fù)稀疏表示方法^[4]等一系列新算法已成功應(yīng)用于人臉識(shí)別,，隨之得到的產(chǎn)物也被應(yīng)用在公共信息安全、金融等領(lǐng)域。然而,，在人臉識(shí)別領(lǐng)域中仍有許多難題,，例如光照問(wèn)題一直是影響圖像質(zhì)量的關(guān)鍵因素之一。

    近年來(lái),，研究者們提出了各種預(yù)處理算法來(lái)解決人臉識(shí)別中的光照問(wèn)題。直方圖均衡化^[5],、邊緣圖^[6]和利用小波變換方法^[7]提取光照不變特征,，雖然能滿足實(shí)時(shí)要求，但是大部分不能解決陰影問(wèn)題,，難以取得理想效果,。光照補(bǔ)償字典^[8]的提出取得了很好的光照處理效果，但是該方法需要嚴(yán)格光照控制下的訓(xùn)練圖像,。Retinex理論中的單尺度Retinex算法(SSR),、多尺度Retinex算法(MSR)和自商圖像(SQI)^[9]得到廣泛應(yīng)用。這些Retinex算法的共同優(yōu)點(diǎn)是不需要特定光照條件下的訓(xùn)練樣本,，在無(wú)強(qiáng)側(cè)光照時(shí)有較高的識(shí)別率,，但在復(fù)雜光照條件下會(huì)出現(xiàn)陰影、光暈等現(xiàn)象,。

    針對(duì)此情況,，本文提出一種簡(jiǎn)單易行的新的光照預(yù)處理算法，該方法考慮自適應(yīng)平滑Retinex算法能很好地平滑光照人臉圖像且無(wú)邊緣增強(qiáng)效應(yīng),，結(jié)合局部對(duì)比度增強(qiáng)算法對(duì)于增強(qiáng)圖像細(xì)節(jié)的優(yōu)點(diǎn),，采用基于標(biāo)準(zhǔn)差

的融合方法，將分別由改進(jìn)的自適應(yīng)平滑Retinex算法處理和局部對(duì)比度增強(qiáng)處理后的兩幅圖像進(jìn)行融合,。在Yale B人臉庫(kù)上的實(shí)驗(yàn)表明,，該算法具有光照無(wú)關(guān)性，而且每一類只需要一個(gè)訓(xùn)練樣本,，在訓(xùn)練樣本光照環(huán)境較差情況下也能取得較好的識(shí)別率,。

1 改進(jìn)的人臉識(shí)別算法

1.1 改進(jìn)的的自適應(yīng)平滑Retinex算法(IAS)

    為了解決Retinex算法容易出現(xiàn)光暈和虛影現(xiàn)象的難題，選用改進(jìn)的自適應(yīng)平滑算法^[10]進(jìn)行光照估計(jì),，主要原理是用一個(gè)3×3的模板反復(fù)迭代卷積平滑原圖像,，迭代前L⁽⁰⁾(x，y)=I(x,，y),，即第t+1次迭代估計(jì)出的光照分量公式描述如下：

其中，N^(t)(x,，y)是規(guī)范化因子,；w^(t)(x，y)是模板的系數(shù)，反映了每個(gè)點(diǎn)的灰度變化情況,，是決定平滑效果的關(guān)鍵參數(shù),；g表示傳導(dǎo)函數(shù)，它是非負(fù)且單調(diào)遞減的函數(shù),，g(d^(t)(x,，y))隨著d^(t)(x，y)的增大而趨向于0,，傳導(dǎo)函數(shù)的性質(zhì)決定了算法的平滑效果,；d^(t)(x，y)代表每個(gè)像素的變化程度,。

    一般地,，傳導(dǎo)函數(shù)在平滑的過(guò)程中會(huì)引起邊不同程度的邊緣銳化效應(yīng)^[10]。為了能同時(shí)達(dá)到平滑圖像且保證無(wú)邊緣增強(qiáng)效應(yīng)的效果,，本文采用新的傳導(dǎo)函數(shù)：

    τ(x,，y)反映了當(dāng)前像素點(diǎn)與其鄰域的不一致性程度。?贅代表像素點(diǎn)I(x,，y)的鄰域,，通常選取3×3；I(m,，n)代表鄰域Ω的坐標(biāo),。參數(shù)k₁、k₂的選擇參照文獻(xiàn)[10],。自適應(yīng)平滑模板的系數(shù)為：

    將w(x,，y)代入式(1)和式(3)中，得到亮度分量L,，代入Retinex算法中R(x,，y)=log(I(x，y))-log(L(x,，y))做對(duì)數(shù)域的減運(yùn)算,，便得到具有光照不變特征的反射分量R。

1.2 局部對(duì)比度增強(qiáng)算法(LCE)

    一般地,，直方圖均衡化僅從整體角度改變數(shù)據(jù)的分布,，不能有效突出圖像的細(xì)節(jié)特征。而LCE算法可以很好地改善圖像的細(xì)節(jié)特征的可視化,，局部對(duì)比度增強(qiáng)變換的公式如下：

    本文選取5×5的鄰域,，N是鄰域的像素總和。經(jīng)過(guò)對(duì)比度增強(qiáng)變換,，圖像數(shù)據(jù)的動(dòng)態(tài)范圍被壓縮,，由上述測(cè)量得到的局部對(duì)比值可正可負(fù),，所以需要對(duì)數(shù)據(jù)進(jìn)行歸一化。假設(shè)Y_max和Y_min分別是所有局部對(duì)比值中的最大值和最小值,，像素點(diǎn)(m,，n)處的局部值進(jìn)一步正規(guī)化為：

1.3 基于標(biāo)準(zhǔn)差融合的新的光照無(wú)關(guān)算法

    圖1所示為Yale B人臉庫(kù)中5種光照條件下的人臉經(jīng)不同方法處理后的效果圖。IAS算法處理后的圖像無(wú)陰影誤增強(qiáng)及虛影的現(xiàn)象,，但圖像泛白嚴(yán)重,，局部對(duì)比度減弱；LCE算法處理后的圖像增強(qiáng)了局部圖像細(xì)節(jié),，但對(duì)陰影的處理效果不佳,。從以上分析可知，有必要尋求一種魯棒性強(qiáng)的人臉圖像光照預(yù)處理算法,，既能兼顧上述算法的可取之處，又能巧妙地避免它們單獨(dú)使用的不足,。

圖像融合的特點(diǎn)正是通過(guò)一定的算法將兩個(gè)或兩個(gè)以上的圖像數(shù)據(jù)結(jié)合在一起,，生成一個(gè)新的圖像。新圖像可以兼取多個(gè)原始圖像的信息優(yōu)勢(shì),，并能描述所研究對(duì)象的較優(yōu)化的信息特征,。本文中的IAS算法對(duì)復(fù)雜光照環(huán)境下的人臉處理效果得到有效提高，但圖像仍然存在泛白,、局部對(duì)比度減弱等缺點(diǎn),。與IAS算法相比，LCE算法可改善這些不足,，有必要尋找一個(gè)合適的方法,，將分別經(jīng)過(guò)兩者處理的圖像盡可能和諧地融合在一起。由于兩個(gè)效果圖具有相同的內(nèi)容,可以認(rèn)為兩個(gè)分支的算法處理是相同的像素對(duì)應(yīng)的灰度值映射到不同的區(qū)域,，而對(duì)于整幅圖像的分布仍然類似,。因此，只要找到合適的權(quán)重系數(shù),，就可以得到優(yōu)良的融合結(jié)果,。標(biāo)準(zhǔn)差(SD)描述每個(gè)像素灰度值與平均灰度值的離散程度，SD越大,，則圖像的灰度值越離散,，包含的信息越多?？梢圆捎没赟D的加權(quán)平均方法計(jì)算融合的權(quán)重系數(shù),。假設(shè)p(i，j)表示點(diǎn)(i,，j)處的灰度值,，圖像I大小為M×N,，則SD為：

1.4 算法流程

    綜上所述，本文算法的步驟為：

    (1)把Retinex算法經(jīng)過(guò)改進(jìn),，得到IAS預(yù)處理算法,，原圖像I經(jīng)過(guò)IAS算法處理，得到 I_LAS,；

    (2)將原圖像I經(jīng)過(guò)LCE算法進(jìn)行處理,，得到 I_LCE；

    (3)分別計(jì)算 I_LAS和I_LCE的標(biāo)準(zhǔn)差sd₁和sd₂,，得到加權(quán)融合系數(shù)ω₁和ω₂,，通過(guò)融合算法得到最終的光照無(wú)關(guān)人臉圖像F；

    (4)把最終的預(yù)處理結(jié)果用稀疏表示進(jìn)行分類識(shí)別,。

    圖1(d)為Yale B人臉庫(kù)中5種光照條件下的人臉經(jīng)融合IAS和LCE兩種方法處理后的圖像,，這些圖像清晰度高，特性明顯,，有效去除光照,，在光照變化劇烈情況下也能得到清晰的人臉圖像。

2 實(shí)驗(yàn)結(jié)果及分析

    在識(shí)別實(shí)驗(yàn)中,，識(shí)別算法采用基于稀疏表示的分類(SRC)算法,。為了驗(yàn)證本文方法的有效性，選用Yale B人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)仿真,。由于本文只考慮光照問(wèn)題,，故只選擇10個(gè)個(gè)體的一種姿態(tài)在64種光照下的640幅圖像進(jìn)行實(shí)驗(yàn)。根據(jù)光源與鏡頭成的角度的不同將樣本分為5個(gè)集合^[8]：0~12°為集合1,，12~25°為集合2,，25~50°為集合3，50~110°為集合4,，其余為集合5,。實(shí)驗(yàn)中，所有圖像大小取84×84,，訓(xùn)練集為每人一幅均勻光照下的人臉,，5個(gè)子集分別為測(cè)試樣本。

2.1 特征維數(shù)選擇

    由于圖像維數(shù)太大,，需要對(duì)圖像進(jìn)行降維,，本文實(shí)驗(yàn)中采用二維主成分分析(2D-PCA)對(duì)圖像進(jìn)行特征提取。取每人一幅均勻光照下的人臉作為訓(xùn)練集,，其他作為測(cè)試集,，維數(shù)d和識(shí)別率的關(guān)系如圖2所示。特征維數(shù)d在一定范圍內(nèi)增加有利于提高識(shí)別率,，但當(dāng)d超過(guò)一定值時(shí)識(shí)別率不再增加,而且特征維數(shù)的加大將會(huì)導(dǎo)致計(jì)算量的增加,。本文選擇特征維數(shù)為18,。

2.2 光照魯棒性實(shí)驗(yàn)

    為了驗(yàn)證本文算法對(duì)光照的魯棒性，除了與融合前的IAS和LCE算法對(duì)比,，本文還和其他幾種常用的光照正規(guī)化方法相比較：SSR,、MSR和SQI。實(shí)驗(yàn)采用每人一幅均勻光照下的人臉作為訓(xùn)練集,，5個(gè)光照劇烈程度不一的子集分別作為測(cè)試集,，識(shí)別結(jié)果如表1所示。從表1可看出,，對(duì)于光照變化較平和的人臉(前3個(gè)子集),，單獨(dú)使用IAS和LCE算法可以取得較好的識(shí)別率，但當(dāng)測(cè)試樣本有劇烈的光照變化時(shí)(子集4和5),，IAS和LCE算法的識(shí)別率都有較大幅度的下降,，而對(duì)于融合后的新算法不管光照變化如何，都能得到較高的識(shí)別率,。同時(shí)可以注意到,，一般的光照正規(guī)化預(yù)處理算法在光照惡劣條件下識(shí)別率迅速退化。

    為了進(jìn)一步驗(yàn)證本文融合算法對(duì)于光照的魯棒性,，將文獻(xiàn)[8]中提出的人臉光照補(bǔ)償字典算法在Yale B人臉庫(kù)中進(jìn)行測(cè)試,，結(jié)果如表2所示,。本文提出的算法具有更高的識(shí)別率,，進(jìn)一步證實(shí)了本算法對(duì)光照變化具有較好的魯棒性，同時(shí)由于節(jié)省了KSVD訓(xùn)練字典的復(fù)雜步驟,，所以相對(duì)于文獻(xiàn)[8]在時(shí)間上也有一定的優(yōu)勢(shì),。

    為了保證實(shí)驗(yàn)結(jié)果不依賴于某種特定的訓(xùn)練數(shù)據(jù)，分別從子集2～5中選擇訓(xùn)練樣本并計(jì)算識(shí)別率,，共進(jìn)行4組實(shí)驗(yàn),，實(shí)驗(yàn)結(jié)果如圖3所示。圖3(a)為從子集2選擇每人一幅圖像作為訓(xùn)練集,，以此類推,。結(jié)果表明IAS和LCE算法略優(yōu)于其他光照糾正方法，而本文融合后的識(shí)別率始終最高,，這進(jìn)一步表明本文提出的算法有較強(qiáng)的光照魯棒性,。

3 結(jié)論

    本文針對(duì)光照變化影響人臉圖像的視覺(jué)效果以及識(shí)別率降低的問(wèn)題，提出了一種基于融合IAS和LCE算法的光照無(wú)關(guān)人臉預(yù)處理算法,。該算法采用基于標(biāo)準(zhǔn)差的融合方法將IAS算法和LCE算法相結(jié)合,，在有效克服各自缺陷的同時(shí)兼顧了它們的優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明,，該算法與結(jié)合前的單一預(yù)處理算法,、SSR,、MSR、SQI以及文獻(xiàn)[8]中的算法相比,，具有更好的光照糾正效果,，并且有效地提高了光照復(fù)雜環(huán)境下的人臉識(shí)別率。

參考文獻(xiàn)

[1] LUAN X,，F(xiàn)ANG B,，LIU L，et al.Extracting sparse error of robust PCA for face recognition in the presence of varying illumination and occlusion[J].Pattern Recognition,，2014,，47(2)：495-508.

[2] YANG M，ZHANG L,，SHIU S C K,，et al.Gabor feature based robust representation and classification for face recog nition with Gabor occlusion dictionary[J].Pattern Recognition，2013,，46(7)：1865-1878.

[3] YANG M,，ZHANG L，YANG J,，et al.Regularized robust coding for face recognition[J].Image Processing,，IEEE Transactions on，2013,，22(5)：1753-1766.

[4] HE R,，ZHENG W S，HU B G,，et al.Two-stage nonnegative sparse representation for large-scale face recognition[J].Neural Networks and Learning Systems,，IEEE Transactions on，2013,，24(1)：35-46.

[5] RAMIREZ-GUTIERREZ K,，CRUZ-PEREZ D，OLIVARESMERCADO J,，et al.A face recognition algorithm using eigenphases and histogram equalization[J].International Journal of Computers,，2011，5(1)：34-41.

[6] KARANDE K J,，TALBAR S N.Independent component analysis of edge information for face recognition[M].Springer,，2014.

[7] WU F.Face recognition based on wavelet transform and regional directional weighted local binary pattern[J].Journal of Multimedia，2014,，9(8)：1017-1023.

[8] LI Y,，MENG L，F(xiàn)ENG J.Face illumination compensation dictionary[J].Neurocomputing,，2013(101)：139-148.

[9] BIGLARI M,，MIRZAEI F,，EBRAHIMPOUR-KOMEH H.Illumination invariant face recognition using SQI and weighted LBP histogram[C].Pattern Recognition and Image Analysis(PRIA)，2013 First Iranian Conference on.IEEE,，2013：1-7.

[10] 葛微,，李桂菊，程宇奇,，等.利用改進(jìn)的Retinex進(jìn)行人臉圖像光照處理[J].光學(xué)精密工程,，2010，18(4)：1011-1020.