基于单演定向幅值模式复杂光照人脸识别.docVIP

基于单演定向幅值模式复杂光照人脸识别 　　摘 要：为了提高在复杂光照下的人脸识别率，提出了一种基于单演定向幅值模式的人脸识别算法。首先，用多尺度的单演滤波器提取图像的单演幅度和方向信息；然后，用一种新的单演定向幅值模式（PMOM）算子将同一尺度下的幅度和相位信息分解为多张定向幅值模式图，再用局部二值模式（LBP）算子提取每一个PMOM模式图的LBP特征图；最后，将每张LBP特征图分块，计算每一块的直方图，并将所有块的直方图串联后作为最终的人脸表示。在CASPEAL人脸库和YALEB人脸库上的实验结果表明，该算法可以显著提高光照变化人脸图像的识率。另外，该算法参数设置简单，而且无需任何训练过程也无需对光照条件进行估计，因而具有简单、通用性好的优点。 　　关键词：人脸识别；单演滤波；光照；幅值；方向 　　0 引言 　　在人脸识别的实际应用中，光照变化是影响人脸识别率的一个重要因素。同一个人的人脸图像在光照条件不同时，经过特征提取后的差异甚至要大于不同的人在相同光照条件下的图像差异[1]。因而，光照问题是人脸识别领域面临的主要难题之一。 　　目前，在人脸识别中解决光照问题的方法可以分为三类：第一类是基于3D光照模型的方法，如光照锥方法等。然而，为了获取有效的三维模型，此类方法不仅需要充足的训练样本，而且算法复杂度极高，所需运算量对于多数使用系统而言都是难以接受的[2]。第二类是基于光照补偿的方法，如多尺度的Retinex（MultiScale Retinex， MSR）方法[3]等。这些方法针对特定的图像效果很好，但是处理不同光照图像的能力还是有限，在实际应用中有很大的局限性。第三类是基于光照不变特征的方法，如局部二值模式（Local Binary Pattern，LBP）[4]、尺度不变特征变换（ScaleInvariant Feature Transform， SIFT）[5]等。直接对原图像提取光照不变特征的方法虽然能有效地降低光照的影响，但是对于全黑、高光等极端情况下的图像处理效果并不理想。 　　Felberg等[6]于2001年首次提出具有旋转不变性的单演信号（monogenic signal）。文献[7]将单演滤波后的幅度和方向信息进行组合进而提出了单演局部二值模式（Monogenic Binary Pattern， MBP）。??然这种建模方法对表情、饰物等变化表现出了很好的识别性能，然而对于光照的变化却不够鲁棒，当光照变化较大时识别性能会迅速下降。Vu等[8-9]于2010年提出了一种对梯度幅度和梯度方向进行组合的定向边缘幅值模式（Patterns of Oriented Edge Magnitudes， POEM），基于POEM的人脸识别算法在人脸识别中取得了较好的识别效果，而且对于光照变化也同样具有较好的鲁棒性。 　　受到文献[8-9]的启发，本文提出了一种结合图像预处理和提取光照不变特征相结合的人脸识别方法方法。首先提出了一种新的算子——单演定向幅值模式（Patterns of Monogenic Oriented Magnitudes， PMOM）。通过PMOM算子对单演滤波后的单演幅度图和方向图进行分解，并进一步运用LBP算子提取PMOM模式图中的光照不变特征用于识别。在CASPEAL和YaleB人脸库上的实验表明本文算法不仅对光照变化具有极好的鲁棒性，而且对于普通光照下的人脸识别同样表现出了较好的识别性能。 　　1 单演信号理论 　　具有旋转不变性的单演信号可以理解为通过Riesz变换获得的由局部相位、局部方向和局部相位组成的一个框架。近年来，单演信号分析被广泛应用于纹理分析、图像重建等领域并取得了较好的实用效果。 　　若定义图像坐标z=（x，y），则二维空间的Riesz变换核为： 　　2 单演定向幅值模式 　　文献[7]中，MBP的建模方式是对某个像素点单演滤波后的幅度值进行统一模式的环形8点LBP（Uniform LBP）[10]采样，然后将该点的统一模式LBP值转化为6位二进制数并将其作为MBP模式二进制数的低6位；将该点的单演方向转化为2位二进制数作为MBP模式二进制数的高2位，最后将串联得到的8位二进制数转化为十进制数作为该像素点的MBP模式值。很明显，这种建模方式过分强调了单演方向在识别中的权重，而且对方向的采样仅局限于某一点的局部方向，并没有考虑该点邻域内的单演方向分布，因此MBP在光照变化较大时识别效果并不理想。文献[8]中提出了一种针对梯度方向和梯度幅值的POEM算子。这种算子在人脸识别中表现了极好的性能，因而本文将单演滤波后的幅度和方向图进行与POEM相似的处理，进而提出单演定向幅值模式（PMOM）。 　　PMOM算子对单演方向和单演幅度进行组合的方式为：首