reiex理论在人脸检测中的应用

reiex理论在人脸检测中的应用

1基于光照预处理的人脸识别系统面部识别技术广泛应用于身份认证、视觉监控和人机接口事务等领域。随着人脸识别算法研究的进展，人脸识别技术已进入实用化阶段，一些成熟的商用人脸识别系统已经投入应用。在光照、姿态、表情等变化不大的情况下，这些人脸识别系统能取得理想的结果，识别率达到90%以上。但在光照、姿态、表情等变化时，系统的性能会明显下降。其中光照变化是制约人脸识别系统性能的重要因素，尤其是室外复杂光照条件下影响更大。FRVT2002测试结果表明，在错误接受率为1%时，室内控制光照情况下人脸认证正确率能达到93%，而室外非控制光照情况下人脸认证正确率只能达到51%。光照变化成为制约人脸识别系统性能的瓶颈：一方面是因为光照变化造成了人脸的类内差异甚至大于类间差异。Adini等研究表明，同一个人在不同的光照条件下得到的图像之间的差异，往往比不同人在同一成像条件下得到的图像之间的差异还要大；另一方面是光照变化本质上是一个无限维的，光照变化对人脸图像的影响，除了光源本身的因素外，还跟人脸表面的几何特征、反射率等诸多因素有关，其因素往往是非常复杂的。提高人脸识别对光照的鲁棒性，对推广应用人脸识别系统具有非常现实的意义。一套成熟的实用的人脸识别系统，必然对光照变化具有很强的鲁棒性。针对光照因素的研究，国内外学者提出了很多优秀算法，总的来说有3种思路：1）基于传统的图像预处理方法，如直方图均衡、Gamma变换等，此类算法简单，但在性能上往往难以达到理想的效果；2）提取对光照不敏感特征，如Gabor特征、边缘图（edgemap）等，其中Gabor特征的确能在一定程度上抑止光照变化的影响，被广泛应用于人脸识别系统的特征提取模块，而边缘图会造成一定程度的信息损失，难以取得理想的效果；3）基于光照模型，比较典型的如光照锥（IlluminationCone）、商图像（QuotientImage）、球谐函数（SphericalHarmonic）等模型，此类方法理论性强，试图通过数学理论结合光度学理论，给光照变化建立统一的模型，其假设过多、过强，有很大的局限性，在实际场景中往往难以满足其条件，故而在实用的人脸识别系统中难以应用。因此，本文从人脸识别系统实用性角度考虑，采用了基于图像处理的思路，同时借鉴神经生理学的研究成果，提出了一种基于Retinex理论的光照预处理算法，该算法已经集成在人脸识别系统中。从实验结果来看，在提高光照变化鲁棒性方面，明显优于一般人脸识别系统所采用的直方图均衡、Gamma变换等传统图像预处理方法。2基于乘性因素的对比Land首先提出Retinex理论，Retinex理论的算法实现已经从最初的“任意路径计算”形式发展到最近的“中心/环绕空间对比”形式。Jbson提出的MSRCR算法是“中心/环绕空间对比”形式的一种，在彩色图像增强领域取得了很好的结果，实验证明了这一理论的正确性。本文提出的人脸图像预处理算法基于两点假设：一是光照因素在人脸图像中更多地表现成一种乘性因素，而不是一种加性因素；二是光照在人脸表面变化缓慢。“光照因素在人脸图像中更多地表现成一种乘性因素”，是人脸识别领域中对光照问题的共识，可表述为式中：I(x,y）为图像灰度值；R(x,y）为人脸在该点的反射率；L(x,y）为光照情况。“光照是一种低频分量”，是人脸识别领域中对光照问题的另一个共识，因此，当考察范围不是很大时，“光照在人脸表面缓慢变化”这个假设是可以满足的。光照在人脸表面缓慢变化意味着，点（x,y）的光照情况L(x,y）与其周围环绕点的平均光照情况，近似相等，即在一个小范围内，光照情况几乎是恒定的，可表述为基于以上两点假设，分析Retinex理论的本质。Retinex“中心/环绕空间对比”形式的核心是式中：F(x,y）为环绕函数，可以有多种形式。将式（1）和式（2）代入式（3），可得式中：为点（x,y）周围环绕点的平均光照情况；为点（x,y）周围环绕点的平均反射率。由（4）式可以看出，Retinex本质上是相对反射率，而相对反射率只由人脸表面特征决定，与具体的光照分布情况无关。由此可见，Retinex输出图像对光照分布情况不敏感，因而可以用来对各种光照情况下的人脸图像进行预处理，提高人脸识别对光照变化的鲁棒性。3基于retix理论的预处理算法描述笔者提出的人脸图像预处理算法分为两步：第一步，对输入的彩色图像或灰度图像进行Retinex预处理；第二步，对Retinex预处理图像进行灰度值归一化。第一步：对输入图像进行Retinex预处理。鉴于前文所分析，Retinex理论能用来进行光照预处理，基于一个假设“光照情况在人脸上变化缓慢”。要使这个假设成立，必须保证用来平滑图像的高斯窗不应过大，也就决定了尺度参数σ应较小。实验证明：过大的尺度，对提高识别率没有任何意义，当尺度参数大到一定程度，识别率反而会下降。正是基于这一点考虑，多尺度在光照预处理算法中也没有意义，应用单尺度的高斯窗来进行图像平滑就足够了。对灰度图像，单尺度Retinex预处理，可以表述为其中环绕函数可以有多种形式。本文取为高斯函数，因为实验结果表明这种形式的环绕函数预处理效果最好。高斯环绕函数可以表述为式中：σ为高斯环绕函数尺度参数；k为归一化系数。对于彩色图像，情况就要复杂一些了。因为颜色信息也是人脸图像很重要的一部分信息，而Retinex理论本身的提出就是为了解释传统色彩理论所不能解释的一些现象。为了利用彩色信息，可以按色彩通道分别进行Retinex预处理，同时要进行彩色校正。它可以表述为式中：Ij(x,y）为第j彩色通道图像；α为颜色校正系数。第二步，对Retinex预处理图像进行灰度值归一化。Retinex输出值往往不在可显示的范围（0～255）内，需要进行灰度值线性拉伸。Jobson采用的是增益/平移（gain/offset）方法，其目的是增强彩色图像，显然不同于人脸识别的预处理目的。本文分析了Retinex预处理输出图像的灰度值直方图分布，从实验结果中看到Retinex预处理输出图像的直方图分布非常接近于正态分布，故而采用直方图归一化的方法来进行灰度值归一化。综合第一步、第二步，整个基于Retinex理论的预处理算法可描述如下式中：mold和δold为图像SSRCR或SSR输出图像的均值和标准差；mnew和δnew为归一化的均值和标准差。4各种预处理算法优劣性评判实验的目的是比较基于Retinex理论的预处理方法与传统预处理方法（如直方图均衡、Gamma变换等）在提高人脸识别对光照鲁棒性方面的优劣。本文从人脸识别系统实用性的角度出发，以识别结果作为各种预处理算法优劣的评判标准。实验中预处理是个独立模块，经各种预处理后的图像输入到后面的基准（Baseline）人脸识别系统，即可得到识别结果。4.1实验2司sbet2saet5本文只选取正面姿态下的64种光照样本来进行实验。其中：每人的subset1样本用来训练；subset2～subset5样本用来测试。实验结果如图1所示，其中Retinex为本文提出的预处理方法。从图1可看见，本文提出的基于Retinex理论的方法比传统的Gamma变换、同态滤波、直方图均衡，在提高人脸识别对光照的鲁棒性方面有很大程度提高。4.2不同样本图像的识别实验FRGCV2.0/Spring2004人脸图像库，由345人的高分辨率彩色图像组成，每个人的样本包含若干个section，每个section由4张在受控光照条件下取得的图像和2张在非受控光照条件下取得的图像组成。在本次识别实验中，取每个section中受控光照图像2张用来训练，另2张受控光照图像和2张非受控光照图像则用来测试。实验结果如图2所示。从图2可看见，在提高人脸识别对光照变化的鲁棒性方面，本文提出的预处理方法比Gamma变换、同态滤波、直方图均衡方法，虽然在受控环境下提高有限，但是在非受控环境下的结果则有很大程度的提高。5预处理算法的实用性提出了一种基于Retinex理论的人脸图像预处理算法。该预处理算法取得了比传统的直方图均衡、Ga