一種確定復雜光照人臉圖像的光照不變量的方法
【專利摘要】本發明公開了一種確定復雜光照人臉圖像的光照不變量的方法，首先，研究經典的可見光成像模型——朗伯模型，分析物體成像原理，為建立新型的光照估計模型提供原理依據；接著，在設計光照估計模型時，考慮到復雜光照條件下，一幅人臉圖像的光照情況可分為無遮擋、遮擋以及過渡這三個區域，因而將其分成兩類進行討論；再次，由于相鄰像素間光照的相關性，可將之前定義的兩類光照估計結果進行融合得到一個最終結果；最后，由經典簡單的朗伯模型，可推導得出人臉圖像的光照不變量。本發明方法可以有效地消除原始圖像的光照差異。而且所提光照不變量的數值范圍介于0和1之間，與人臉本征的數值范圍一致。
【專利說明】
一種確定復雜光照人臉圖像的光照不變量的方法
技術領域
[0001] 本發明涉及一種確定復雜光照人臉圖像的光照不變量的方法，屬于人臉識別技術 領域。
【背景技術】
[0002] 近年來，為了有效地消除復雜光照對人臉識別性能的影響，國內外學者已經提出 了諸多方法。其中，從復雜光照人臉圖像中提取光照不變量是一類經典、有效的方法。過去， 為了從乘性模型中分離出光照不變量和成像光源，首先假設光照不變量快速變化，成像光 源緩慢變化，然后采用低通濾波實施光照估計間接提取光照不變量。該類方法可以分為直 接和間接兩種模式提取光照不變量。直接模式是指從人臉圖像中提取高頻特征作為光照不 變量，有效高頻特征主要包括:梯度特征、紋理特征和變換域高頻特征。間接模式是指先從 人臉圖像中估計出光照，再實施光照和人臉本征的分離，提取光照不變量，有效的光照估計 方法主要包括:高斯濾波、加權各向異性高斯濾波、對數全變差和變換于平滑濾波。
[0003] 雖然這些方法在復雜光照人臉識別中已經取得了一定的進展，但仍具有局限性。 一方面，假設人臉的光照不變特征快速變化具有一定的狹隘性。因為人臉大部分區域內的 光照不變特征，如眉毛、瞳孔、痣和皮膚，都是緩慢變化的，只有區域之間才存在光照不變特 征快速變化。另一方面，當前的低通濾波、平滑濾波和去噪模型從獲取圖像低頻信息的角度 估計光照(模糊的圖像），包含了過多的人臉本征信息，僅能滿足光照緩慢變化的特性，忽略 了圖像獲取模型的特性，與圖像光照沒有直接的關聯。

【發明內容】

[0004] 本發明所要解決的技術問題是克服現有技術的缺陷，提供一種確定復雜光照人臉 圖像的光照不變量的方法，在研究經典朗伯模型的基礎上，不再假設人臉本征的頻率特性， 而是從圖像的成像原理出發，能夠更加準確地從人臉圖像中估計光照，提取更加魯棒的光 照不變量。
[0005] 為解決上述技術問題，本發明提供一種確定復雜光照人臉圖像的光照不變量的方 法，包括以下步驟：
[0006] 1)通過分析朗伯模型，確定復雜光照人臉圖像模型；
[0007] 2)設計光照估計模型，求解人臉圖像的圖像光照；
[0008] 3)根據步驟1)的復雜光照人臉圖像模型和步驟2)求解的人臉圖像的圖像光照，計 算人臉光照不變量。
[0009] 前述的步驟1)中，復雜光照人臉圖像模型為：
[0010] F(X，y) = I(x，y) · R(x，y) (2)
[0011] 其中，F(x，y)為人臉圖像，R(x，y)表示人臉光照不變量，I(x，y)表示人臉圖像的圖 像光照。
[0012] 前述的步驟2)設計光照估計模型，求解人臉圖像的圖像光照具體過程如下：
[0013] 2-1)基于光照緩慢變化區域和光照快速變化區域分別設計光照估計模型I和光照 估計模型Π :
[0014]光照估計模型I被定義為：
[0015] (3.)
[0016]
[0017] (4)
[0018] Fa(x，y) = Im(x，y)_F(x，y) (5)
[0019] 其中，Im(x，y)是光照估計模型I下的圖像光照，Is( x，y)是光照估計模型Π下的圖 像光照，〇i,j是點(X，y)在Ωι鄰域中的相鄰點;max( ·)和min( ·)分別表示求取集合數據的 最大值和最小值；
[0020] 2-2)計算Im(x，y)和Is(x，y)，利用光照融合將人臉圖像F(x，y)中融合光照估計結 果Im S(x，y)定義為：
[0021] (6)
[0022]
[0023] Fg(x，y)=Fa(x，y)/Im(x，y) (8)
[0024] 其中，mean( ·)表示求取集合數據的平均值;k為可調因子；
[0025] 2-3)設計一種自適應的各向異性高斯濾波來建立相鄰像素的圖像光照之間的相 關性，并且將最終的圖像光照I (X，y)定義為：
[0026] (9)
[0027] (10)
[0028] 其中，G(X，y，Ω2)為標準差為p、卷積核尺度為Ω2的高斯核;P(x，y，Ω2)是I ms(x，y) 對應的各向異性模版;Ims (i，j)是Ims (X，y)在Ω 2鄰域中的像素點。
[0029] 前述的可調因子k取為0.6。
[0030] 前述的標準差P取為1。
[0031] 前述的〇1和02鄰域窗口設置為3父3。
[0032]前述的人臉光照不變量表示為：
[0033]
[0034] 其中，F(x，y)為人臉圖像，R(x，y)表示人臉光照不變量，I(x，y)表示人臉圖像的圖 像光照。
[0035] 本發明所達到的有益效果:本發明方法可以有效地消除原始圖像的光照差異。而 且所提光照不變量的數值范圍介于〇和1之間，與人臉本征的數值范圍一致。
【附圖說明】
[0036]圖1是本發明實施例中的Yale B+人臉庫的光照不變量。
【具體實施方式】
[0037]下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明 的技術方案，而不能以此來限制本發明的保護范圍。
[0038]本發明主要包括光照估計模型的建立和光照不變量的提取兩部分。首先，研究經 典的可見光成像模型--朗伯模型，分析物體成像原理，為建立新型的光照估計模型提供 原理依據;接著，在設計光照估計模型時，考慮到復雜光照條件下，一幅人臉圖像的光照情 況可分為無遮擋、遮擋以及過渡這三個區域，因而將其分成兩類進行討論;再次，由于相鄰 像素間光照的相關性，可將之前定義的兩類光照估計結果進行融合得到一個最終結果;最 后，由經典簡單的朗伯模型，可推導得出人臉圖像的光照不變量。具體包括如下步驟：
[0039] 1、分析朗伯模型：
[0040]圖像是指目標物體表面反射到圖像獲取傳感器上形成的光線強度的度量。朗伯模 型作為經典的可見光圖像成像模型，被廣泛應用于復雜光照人臉識別中。公式（1)給出了朗 伯模型，描述了目標物體的成像原理。
[0041] G(x,y)=p(x,y)n(x,y)Ts (1)
[0042] 其中，p(x，y)和n(x，y)T*別表示目標物體表面的反射率和法向量，s表示成像光 源，G(x，y)表示目標物體的圖像。
[0043] 物體表面的反射率和法向量與成像光源無關，是物體的內在特征(光照不變量）。 因此，目標物體的成像原理可以用簡單的朗伯模型進行描述，即一幅人臉圖像F(x，y)可以 表示為：
[0044] F(x,y) = I(x,y) · R(x,y) (2)
[0045] 其中，R(x，y)表示人臉本征(光照不變量），數值范圍屬于[0，1]，1(1，7)表示人臉 圖像的成像光源(圖像光照）。
[0046] 由朗伯模型可知：人臉圖像是人臉本征和成像光源相乘的產物;人臉本征的數值 范圍屬于[0，1];人臉圖像的強度低于成像光源的強度;人臉圖像的最大值比以往任何的光 照估計方法更接近于成像光源。
[0047] 2、設計光照估計模型：
[0048] 一幅人臉圖像的光照情況可以分為三個部分:無遮擋區域、遮擋區域和過渡區域 (無遮擋和遮擋區域之間的區域）。這些區域的光照分別呈現如下特征:光線無遮擋區域光 照比較明亮且變化緩慢;光線遮擋區域光照比較灰暗且變化緩慢;光線過渡區域光照由亮 到暗且快速變化。因此，為光照緩慢變化區域跟快速變化區域分別設計光照估計模型I和 Π ：
[0049] 光照估計模型I被定義為：
[0050] Imix，y) ^ ma*〇i,/efiiCF(0w)：) ( 3:).
[00511光照估計模型Π被定義為：
[0052] ly\x,y) = minoiJeih (^(o；,：)) + F(.x,y) (4)
[0053] Fa(x，y) = Im(x，y)_F(x，y) (5)
[0054] 其中，〇i, j是點（x，j)在Ω :鄰域中的相鄰點;max( · )、min( ·)和mean( ·)分別表 示求取集合數據的最大值、最小值和平均值。
[0055] 在對公式F( X，y)中的Im( X，y)和Is (X，y)計算之后，利用光照融合來改進光照估計。 在這個過程中，我們通過圖像分割區分光的屏蔽邊緣和其他區域，并且將人臉圖像F(x，y) 中融合光照估計結果Ims (X，y)定義為：
[0056]
(6)
[0057] t=mean(Fg(x，y))+kX (max(Fg(x，y))-mean(Fg(x，y))) (7)
[0058] Fg(x，y)=Fa(x，y)/Im(x，y) (8)
[0059] 其中，mean( ·)表示求取集合數據的平均值;ke[0，l]，是一個可調因子。
[0060] 由于鄰近像素的光照應有很大的關系，設計一種自適應的各向異性高斯濾波來建 立相鄰像素的光照之間的相關性，并且將最終的圖像光照估計結果I(x，y)定義為：
[0061 ] (9)
[0062] (IQ)
[0063] 其中，G(X，y，Ω2)為標準差為p、卷積核尺度為Ω2的高斯核;P(x，y，Ω2)是I ms(x，y) 對應的各向異性模版;Ims (i，j)是Ims (X，y)在Ω 2鄰域中的像素點。
[0064] 本發明中可調因子k和標準差P分別設置為0.6和1，域窗口設置為3X3。
[0065] 3.推導光照不變量：
[0066] 從人臉圖像中估計出光照后，可以根據公式(2)描述的朗伯模型，推導出人臉圖像 的光照不變量。人臉圖像F(x，y)的光照不變量可表示為：
[0067] R(x,y)=F(x,y)/I(x,y) (11)
[0068] 通過實驗驗證證明：本發明方法可以有效地消除原始圖像的光照差異，而且所述 光照不變量R的數值范圍介于0和1之間，與人臉本征的數值范圍一致。
[0069] 實施例：
[0070] 為了驗證本發明方法的有效性，將Yale B和擴展Yale B組合成Yale B+人臉庫進 行實驗。該庫復雜照明模式對于魯棒光照人臉識別算法依然是個具有挑戰性的問題。識別 階段，主成份分析用于特征提取，基于歐式距離的最近鄰分類器用于識別分類。本發明算法 與當前先進算法:MSR、Gradientfaces和Guo進行了對比實驗，給出相應的識別效果。
[0071] Yale B+人臉庫包含38個人，64種光照模式，共計2432幅圖像。所有圖像尺度被調 整為100*100。根據光源與面部中心軸線夾角的不同，共將人臉庫分為5個集合。圖1給出了 一個人每個集合5幅圖像及本發明提取的光照不變量，可以看出本發明能夠有效消除不同 光照對人臉本征的影響。
[0072] 首先，從5個集合中分別選擇一個集合為訓練集，其他四個集合作為測試集，表1-5 給出了不同算法的實驗結果。可以看出本發明所提算法的識別率高于其他算法，特別是集 合5作為訓練集時，明顯優于其他算法。然后，為了驗證本發明算法的高效性，每個人任意選 擇一幅圖像作為訓練集(共計38幅人臉圖像），其他圖像作為測試集（共計2394幅人臉圖 像），重復實驗60次，不同算法的平均識別率及標準差如表6所示，可以看出本發明算法的平 均識別率明顯尚于其他算法，而且識別率標準差最小。
[0073]表1:集合1作為訓練集不同算法的識別率（％ )。

員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形 也應視為本發明的保護范圍。
【主權項】
1. 一種確定復雜光照人臉圖像的光照不變量的方法，其特征在于，包括以下步驟： 1) 通過分析朗伯模型，確定復雜光照人臉圖像模型； 2) 設計光照估計模型，求解人臉圖像的圖像光照； 3) 根據步驟1)的復雜光照人臉圖像模型和步驟2)求解的人臉圖像的圖像光照，計算人 臉光照不變量。2. 根據權利要求1所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述步驟1)中，復雜光照人臉圖像模型為： F(X，y) = I(x，y) · R(x，y) (2) 其中，F(x，y)為人臉圖像，R(x，y)表示人臉光照不變量，I(x，y)表示人臉圖像的圖像光 照。3. 根據權利要求1所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述步驟2)設計光照估計模型，求解人臉圖像的圖像光照具體過程如下： 2-1)基于光照緩慢變化區域和光照快速變化區域分別設計光照估計模型I和光照估計 模型Π : 光照估計模型I被定義為： = rnaxOi^o.^FCoij)) (3) 光照估計模型Π被定義為：Fa(x，y) = Im(x，y)_F(x，y) (5) 其中，Im(x，y)是光照估計模型I下的圖像光照，Is(x，y)是光照估計模型Π下的圖像光 照，〇i,j是點(x，y)在Ωι鄰域中的相鄰點;max( ·)和min( ·)分別表示求取集合數據的最大 值和最小值； 2-2)計算Im(x，y)和Is(x，y)，利用光照融合將人臉圖像F(x，y)中融合光照估計結果I ms (x，y)定義為：t=mean(Fg(x，y))+kX (max(Fg(x，y))-mean(Fg(x，y))) (7) Fg(x,y)=Fa(x,y)/Im(x,y) (8) 其中，mean( ·)表示求取集合數據的平均值;k為可調因子； 2-3)設計一種自適應的各向異性高斯濾波來建立相鄰像素的圖像光照之間的相關性， 并且將最終的圖像光照I (X，y)定義為：其中，G(X，y，Ω2)為標準差為p、卷積核尺度為Ω2的高斯核;P(x，y，Ω2)是I ms(x，y)對應 的各向異性模版;Wi，j)是Ims(x，y)在〇2鄰域中的像素點。4. 根據權利要求3所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述可調因子k取為0.6。5. 根據權利要求3所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述標準差P取為1。6. 根據權利要求3所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述Ω 1和Ω 2鄰域窗口設置為3 X 3。7. 根據權利要求1所述的一種確定復雜光照人臉圖像的光照不變量的方法，其特征在 于，所述人臉光照不變量表示為： R(x,y)=F(x,y)/I(x,y) (11) 其中，F(x，y)為人臉圖像，R(x，y)表示人臉光照不變量，I(x，y)表示人臉圖像的圖像光 照。
【文檔編號】G06K9/00GK106056076SQ201610371321
【公開日】2016年10月26日
【申請日】2016年5月30日
【發明人】程勇, 韓袁琛, 曹雪虹, 焦良葆
【申請人】南京工程學院