人脸识别中的光照问题处理方法.docVIP

人脸识别中的光照问题研究 说明：针对可见光摄像头的人脸识别，总结了一些对于光照问题的预处理方法，所列举的处理方法基本上都给出了文献出处，没有进行展开介绍，仅仅列了一些图片处理效果来了解对应算法的作用。关于图像增强这块，以前搜集了一些代码，在附件中，主要包含各种直方图均衡化代码，以及基于Retinex增强，同态滤波增强等等，以及简单的白平衡操作。大概看了下面列举的算法，基于模型的算法相对比较复杂，图像标准话的两个算法相对简单些，提取光照不变特征应该鲁棒性会好一点；从视觉角度（可视性）来看的话，或许用图像增强算法还是有必要的。 大致从以下个方面来解决光照问题： 特征提取阶段：寻找光照不变量或者光照的不变表示，例如梯度特征，Gabor特征。 预处理阶段：利用各种图像增强处理方法去除各种光照影响。例如直方图均衡化，同态滤波，Retinex图像增强等等。 识别阶段：建立光照变化条件下的图像模型，研究光照变化子空间分布。如光照锥模型。或者改善机器学习分类方法。 基于3维人脸模型的方法。如基于人脸主动形状模型的方法[]。 简单的图像光照条件判据可以根据灰度均值判断，下面总结了部分这些方法的优缺点。之前对ATM库进行处理的时候发现直方图均衡化的效果要比白平衡的效果好一点。 优点 缺点 光照锥(Illumination Cone (IC)) [] 通过改变点光源方向，可以生成任意光源方向下的虚拟图像。且识别率一般比直方图均衡化等图像处理方法要高。 至少搜集该类人脸，同一姿态，不同的光照条件下的7幅图像，来构建光照锥。 计算复杂。 直方图均衡化 直方图规定化 伽马亮度校正 光照变化比较均匀的人脸图像 对消除侧光影响的处理效果不很理想,而且在增强视觉效果的同时,把某些人脸图像具有的正常明显特征也削弱了 自商图法(SQI)[] 同样适用于光照变化较大情况 依赖于低通滤波器选择 局部规格化(LN)的方法 很好的消除不均匀光照的影响,并且保持图像的局部特性 离散余弦变换(DCT) 单侧光进行补偿 经验模态分解(EMD) 单侧光进行补偿 计算量比较大 球谐函数法（球面谐波模型）[] 同态滤波[] 小波变换(Wavelet Transform,WT) [4] 频域光照归一化[] 基于模型的方法: 光照锥(Illumination Cone (IC)): 根据未知光照条件的 至少7幅同一姿态的人脸图像，构建与光照无关的光照锥，人脸的识别则通过计算输入图像到每个光照锥的距离来完成。 光照锥方法的另一个潜在优势就是通过改变点光源方向，可以生成任意光源方向下的虚拟图像。 球谐函数法 球面谐波模型的基本思想是指利用谐波函数和相关信号处理技术推导证明任意光照下朗伯凸表面的图像可以由9个球面谐波基图像张成的子空间近似表示。 球面谐波模型的基本思想是指利用谐波函数和相关信号处理技术推导证明任意光照下朗伯凸表面的图像可以由9个球面谐波基图像张成的子空间近似表示。 九点光源法 基于图像增强的方法： 简单的线性、非线性变换方法[] (1) 直方图均衡化 (2) 直方图规定化 (3) 非线性变换方法：对数，指数等变换方法 (4) 伽马亮度校正(Gamma Intensity Correction, GIC)[] 结合朗伯表面(LS)的滤波增强方法 人脸一般看成朗伯表面LS图象: 式中ρ为反射率,n为表面法向量,s为光照。 自商图像[2,]： 类似Retinex的算法,也有多尺度和单尺度之分。理论基础是反射-光照模型：I=RL。其中I为图像，R为表面反射，L为光照。光照L可以被认为是图像的低频分量，可以用一个低通滤波器F来估计即L≈F*I，这样将得到自商图像：。 Retinex 这个与自商图像类似，常用的有单尺度和多尺度。文献[]详细的讲述了基于Retinex的光照预处理。当然Retinex算法已经很成熟了，而且特别简单，代码网上有很多，常用的SSR,MSR,MSRCR。 同态滤波[4] 包含光照变化的人脸图像中,相对于人脸表面,光照随着位置的变化非常缓慢,故其频谱主要位于低频段;而人脸本身具有较多的细节和边缘,因而反射成分的频谱集中在相对高频段。 文献[4]也提出了一种改进的同态滤波+log算子提取光照不变量的方法。实验效果如下： 图像分解重构 小波变换(WT)[4] 一种简单的基于小波的思想：首先将一幅图像分解为低频成分和高频成分;接着对受光照严重影响的低频分量进行直方图均衡化,同时增强细节(高频成分),将它乘以一个标量从而增强图像边缘;最后进行逆小波变换得到光照归一化后的图像。结果图像不仅增强了对比度同时也增强了边缘和细节,这更有利于接下来的人脸识别操作。 文献[4]有提出基于小波人脸光照归一化的新算法IWT，对比效果