一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法与流程

本发明涉及模式识别技术领域，具体是一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法。

背景技术：

随着科技地不断发展，快速而有效的自动身份验证已经成为一种迫切的需求，因此生物特征识别技术得到了飞速发展。人脸识别、指纹识别、虹膜识别、视网膜识别等识别技术已经受到了广泛的关注，成为自动身份验证的重要课题。而人脸识别具有交互方式友好、不需要用户的特殊配合、不侵犯使用者的隐私权等特点，逐渐成为热点研究领域。然而，影响人脸识别性能的主要因素有姿态、表情、光照变化等。不同光照条件下相同人脸图像间的差异往往大于相同光照条件下不同人脸图像间的差异，光照变化问题已经成为了影响人脸识别系统性能的关键因素之一。解决人脸识别中光照问题的方法主要分为三类：人脸光照不变特征提取、人脸光照建模、光照预处理和光照归一化。在提取光照不变特征的方法中，又主要分为两种：第一种是在对数域，通过低通滤波消除光照分量，例如：在对数域中，利用离散余弦变换(DCT)或小波变换进行滤波处理等方法。第二种是构造除法运算，通过除法运算来消除慢变化的光照分量，例如：梯度脸(Gradient-face)、韦伯脸(Weber-face)、局部二值模式(Local Binary Pattern，LBP)等方法。因此，能够有效地提取在光照中保持鲁棒性的人脸特征以增强人脸识别在实际中的应用成为了一个至关重要的问题。

技术实现要素：

本发明的目的在于提供一种能够提高人脸识别率的利用对数变换和Priwitt算子的人脸光照不变特征提取方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法，包括以下步骤：

(1)将人脸图像变换到对数域；

(2)利用Priwitt算子对人脸图像进行锐化处理，提取人脸水平方向的细节特征，同时消除了光照分量，所得结果就是需要提取的人脸光照不变特征。

作为本发明进一步的方案：根据光照反射模型，任意灰度人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)；所述步骤(1)中，对人脸图像进行对数变换，使其反射分量和光照分量由相乘变换为相加，即

lnI(x,y)＝lnR(x,y)+lnL(x,y)。

作为本发明进一步的方案：以Priwitt算子模板进行锐化处理后，图像I'某像素点(x,y)的灰度值I'(x,y)如公式(1)所示：

为了表述方便，I(x+m,y+n)简记为I_m,n，同理，R(x+m,y+n)简记为R_m,n，L(x+m,y+n)简记为L_m,n，则公式(1)简记为公式(2)，如下所示：

I'_0,0＝lnI_-1,-1+lnI_0,-1+lnI_1,-1-lnI_-1,1-lnI_0,1-lnI_1,1 (2)；

根据光照反射模型进一步得到公式(3)：

光照分量L(x,y)变化缓慢，所以有公式(4)：

L_-1,-1≈L_0,-1≈L_1,-1≈L_-1,1≈L_0,1≈L_1,1 (4)；

将公式(4)的所有变量均用L_t替代，所以公式(3)可表达为公式(5)所示：

I'_0,0＝lnR_-1,-1+lnL_t+lnR_0,-1+lnL_t+lnR_1,-1+lnL_t-lnR_-1,1-lnL_t-lnR_0,1-lnL_t-lnR_1,1-lnL_t ＝lnR_-1,-1+lnR_0,-1+lnR_1,-1-lnR_-1,1-lnR_0,1-lnR_1,1 (5) ，

因此消除了光照分量。

与现有技术相比，本发明的有益效果是：

本发明对不同角度的光照具有一定的抑制作用，处理后人脸图像的识别率较现有的算法处理后的人脸识别率高；本发明采用对数变换和Priwitt算子对人脸图像做光照处理，方法简单，识别速度快。

附图说明

图1为本发明提取人脸光照不变特征的基本流程图。

图2为本发明中以(x,y)为中心的八邻域灰度值矩阵及其对应的简化表达示意图。

图3为在扩展Yale B人脸库中，提取人脸光照不变特征前后人脸示例图，第一行是原图像，第二行是提取的人脸光照不变特征图像。

图4为在CMU PIE人脸库中，提取人脸光照不变特征前后人脸示例图，第一行是原图像，第二行是提取的人脸光照不变特征图像。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-4，一种利用对数变换和Priwitt算子的人脸光照不变特征提取方法，包括以下步骤：

(1)将人脸图像变换到对数域；

(2)在对数域中，利用Priwitt算子对人脸图像进行锐化处理，提取人脸水平方向的细节特征，同时消除了光照分量，所得结果就是需要提取的人脸光照不变特征。

根据光照反射模型，任意灰度人脸图像I(x,y)是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)；所述步骤(1)中，对人脸图像进行对数变换，使其反射分量和光照分量的相乘变换为相加，即lnI(x,y)＝lnR(x,y)+lnL(x,y)。R(x,y)代表人脸的细节特征信息，而L(x,y)是慢变化的，代表光照分量，在局部近似不变，所以通过对数域中的减法运算可以近似消除该分量。

所述步骤(2)中，以Priwitt水平方向算子模板进行人脸图像细节特征锐化处理，处理后的图像为I'，在I'中，光照分量已经近似被消除了。

具体来说，所述利用对数变换和Priwitt算子的人脸光照不变特征提取方法，具体步骤如下：

(1)以原图像某一像素点(x,y)为中心的8邻域如图2(a)所示，为简化表述，中心像素点(x,y)处的灰度值I(x,y)表述为I_0,0，如图2(b)所示，其邻域点的灰度值I(x+m,y+n)表述为I_m,n。

根据光照反射模型，任意灰度人脸图像I(x,y)可以看成是反射分量R(x,y)和光照分量L(x,y)的乘积，即I(x,y)＝R(x,y)L(x,y)，其中L(x,y)取决于光源且只代表面部光照的分量，R(x,y)取决于物体的表面特征并包含了面部的关键信息，在本发明中I(x+m,y+n)可表述为R_m,nL_m,n。将人脸图像每个像素值变换到对数域，在本发明中lnI(x+m,y+n)表述为lnR_m,n+lnL_m,n。

(2)Priwitt算子能有效地提取图像的水平方向细节特征和垂直方向细节特征，其中，提取图像水平方向细节特征的模板提取图像垂直方向细节特征的模板

本发明仅以D_x模板对人脸图像进行锐化处理，得到I'。具体的原理推导过程如下：

以Priwitt算子水平方向模板D_x进行锐化处理后的人脸图像I'某像素点(x,y)的灰度值I'(x,y)如公式(1)所示：

为了表述方便，I(x+m,y+n)简记为I_m,n，同理，R(x+m,y+n)简记为R_m,n，L(x+m,y+n)简记为L_m,n，则公式(1)简记为公式(2)，如下所示：

I'_0,0＝lnI_-1,-1+lnI_0,-1+lnI_1,-1-lnI_-1,1-lnI_0,1-lnI_1,1 (2)

根据光照反射模型进一步得到公式(3)：

光照分量L(x,y)变化缓慢，所以有公式(4)：

L_-1,-1≈L_0,-1≈L_1,-1≈L_-1,1≈L_0,1≈L_1,1 (4)

将公式(4)的所有变量均用L_t替代，所以公式(3)可表达为公式(5)所示：

I'_0,0＝lnR_-1,-1+lnL_t+lnR_0,-1+lnL_t+lnR_1,-1+lnL_t-lnR_-1,1-lnL_t-lnR_0,1-lnL_t-lnR_1,1-lnL_t＝lnR_-1,-1+lnR_0,-1+lnR_1,-1-lnR_-1,1-lnR_0,1-lnR_1,1 (5)

在公式(5)中，消除了光照分量。

本发明在扩展Yale B人脸库和CMU PIE人脸库中进行实验：

1、人脸库介绍：

扩展Yale B人脸库共包含38个人的2432张人脸图像，按照光照入射角度不同分为5个子集：0°＜θ＜12°共266张人脸为子集1；13°＜θ＜25°共456张人脸为子集2；26°＜θ＜50°共456张人脸为子集3；51°＜θ＜77°共532张人脸为子集4；θ＞77°共722张人脸为子集5。实验时，使用的人脸尺寸大小为96×84，子集1用于训练，其余子集用于测试。

CMU PIE人脸数据库共有68个人的41368张人脸图像，本发明选择的是正面人脸光照组(C27)作为训练图库，C27光照组共包含1428个人脸库。实验时，使用的人脸尺寸大小为32×32，从每个人的21种不同光照中选取一张图像作为训练样本，其余人脸作为测试样本。

2、实验结果：

实验1，将提取的人脸光照不变特征与原图像进行了对比，发现经本发明方法处理后的人脸图像特征更为明显，有效地克服了光照对人脸特征的影响。在扩展Yale B人脸库和CMU PIE人脸库上均进行了实验，实验效果图分别如图3和图4所示。

实验2，本发明方法采用L1范数测量距离后，利用最近邻分类器分类判别。在扩展Yale B人脸库的人脸正确识别率是98.85％，在CMU PIE人脸库上的正确识别率是96.18％，对人脸不变特征提取有较好的鲁棒性。

本发明对不同角度的光照具有一定的抑制作用，处理后人脸图像的识别率较现有的算法处理后的人脸识别率高；本发明采用对数运算和Priwitt算子对人脸图像做光照处理，方法简单，识别速度快。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。