面向人脸识别的复杂光照下图像细节增强算法

卓志宏

（阳江职业技术学院，广东阳江 529566）

面向人脸识别的复杂光照下图像细节增强算法

卓志宏

（阳江职业技术学院，广东阳江 529566）

为了提高在光照过度、不足或不均等复杂光照条件下的人脸识别率，提出一种复杂光照条件的人脸图像细节强化算法。首先采用对数和非线性变换对人脸图像动态范围进行压缩;然后利用反锐化掩模滤波算法消除图像模糊，增强人脸图像细节信息;最后采用Adaboost算法建立人脸分类器，并采用Yale B人脸图像数据进行仿真测试。仿真结果表明，该算法解决了复杂光照条件对人脸图像的不利影响，并进一步提高了人脸识别率。

Retinex算法;预处理;复杂光照;人脸识别

【本文献信息】卓志宏.面向人脸识别的复杂光照下图像细节增强算法［J］.电视技术，2014，38（3）.

人脸图像大多数是在非理想条件下拍摄的，当在光照过度、不足或不均等复杂光照条件下，人脸图像质量降低，给人脸识别带来困难，因此复杂光照条件下人脸图像预处理是当前研究的一个热点问题［1］。

目前传统人脸预处理研究在假设光照条件好的情况下进行，这些方法应用范围受限［2］。对于光照条件下人脸预处理问题，相关的研究较少，自从FERET测试发现光照变化对人脸识别结果有不利影响之后，学者们才开始着手研究该问题，并提出采用图像增强算法对光照条件人脸图像进行预处理，以提高人脸识别率［3］。传统光照图像增强算法有:直方图均衡、指数变换、对数变换、同态滤波等［4］，这些算法简单、易实现，但它们均是基于灰度变换的图像增强算法，当光照变化较大时，图像增强处理效果不理想［5］。1977年Edwin Land等提出了Retinex的色彩理论，该理论是一种关于人类视觉光亮度和色彩感知的模型，被广泛应用于遥感图像、医学图像、云雾干扰图像的增强处理中，同时为解决复杂光照条件的人脸识别问题提供了新的研究工具［6］。基于Retinex理论的图像增强算法较常见的有单尺度Retinex（SSR）、多尺度Retinex（MSR），以及多尺度 Retinex 彩色恢复（MSRCR）等算法［7－9］，然而，大量研究表明，Retinex理论输出的图像存在光晕、过增强和算法复杂度高等缺陷，且会导致RGB彩色偏移为灰色，即所谓的“灰度世界被破坏”，无法准确对人脸图像细节增强，影响后继人脸识别［10］。

本文针对复杂光照条件下Retinex模型的不足，将对数变换、非线线变换以及反锐化掩模滤波算法引入到人脸图像增强处理中，提了一种复杂光照条件的人脸图像细节增强算法，并通过仿真实验对其性能进行验证和分析。

1 Retinex理论

1.1 Retinex 算法

根据Retinex理论，一幅图像可以看成是照射图像和反射图像的乘积，即

式中:I（x，y）表示原始图像信号;R（x，y）表示反射分量;L（x，y）为照射分量。

对式（1）两边取对数，可以分离出反射和光照分量，得到原始面貌，即

对于SSR算法，第i个颜色分量的Retinex增强结果Ri（x，y）为

式中:i=1，2，3;* 表示卷积操作;F（x，y）为环绕函数，其定义为

式中:σ表示标准差;C归一化因子。

大量研究发现，当σ值较小时，图像细节增强效果好，压缩范围大，但颜色易失真;反之，图像色彩丰富，但细节增强效果差。为了使两者平衡，引入MSR算法，其数学表达式为

式中:k表示环绕尺度个数;wk表示第k个尺度权重系数;Fk（x，y）表示第k个环绕函数。

相对于SSR算法，MSR算法对压缩范围和色彩呈现间的平衡更好，但是图像经过MSR算法处理后，图像颜色失真还是比较明显。

1.2 Retinex算法存在的缺陷

用一幅受光照变化条件下拍摄的人脸图像对传统Retinex算法的性能进行分析，SSR算法、MSR算法图像增强效果如图1所示。

图1 传统Retinex算法处理后图像

从图1中的各算法增强结果可知，经过各种Retinex算法处理后，图像局部范围出现了明显的阴影，导致图像过增强或颜色失真较严重，这主要是因为Retinex理论假设光照变化在空间上比较平滑，与实际情况不符，当光照变化较大时，易产生“光晕”现象，针对Retinex算法不足，本文提出的复杂光照条件的自动人脸识别算法工作流程如图2所示。

图2 自动人脸识别算法的工作流程

2 人脸图像的细节增强算法

2.1 动态范围压缩

人眼动态范围可以达到100 000 000∶1，而普通显示设备亮度动态范围仅为100∶1，因此为了使更多信息能够在普通显示设备上显示出来，需要对图像进行处理［11］。对数变换不仅较大程度地压缩了图像动态范围，而且可对被压缩图像中的暗像素进行有效扩展，再者对数形式更接近人类视觉系统对光线的感知能力。为此本文首先对图像的光照分量进行对数变换，然后对结果进行线性拉伸。对数变换的表达式为

式中:v（x，y）为光照分量的灰度值。

一幅人脸图像经过动态范围压缩后，得到结果如图3所示。从图3可知，人脸图像的暗区信息明显增强，有效压缩了图像的动态范围，但出现增强过度的高光区域。

图3 对数变换后的人脸图像增强效果

为了防止出现高光区域，对人脸图像进行非线性变换，即

式中:a为调整系数;表示原图像的平均灰度值。

当a值不同时，非线性变换后的人脸图像效果不一样，a越小，灰度值小的像素点经过非线性变换后灰度值增加越大，但同时也容易失去图像的纹理细节信息。反之a越大，虽然保留了纹理信息，但灰度值小的像素点增强不够。因此可以选择一个适中的a值，既增强暗区像素，又能很好地保留纹理，本文取a=1。图4为a=1时的非线性变换处理后人脸图像效果。通过对图3和图4进行对比分析可知，非线性变换算法不仅可以增强暗区细节，同时可以很好地保留纹理，在不同光照程度下，均可以获得到很好的图像增强效果，具有更强的图像增强鲁棒性。

2.2 图像细节增强

对图像进行动态范围压缩后，图像有时会变模糊，不利于后续的人脸识别，为此本文采用反锐化掩模滤波算法对人脸图像的模糊区域进行处理，使人脸图像细节部分得以增强。反锐化掩模滤波是将原图像减去一个平滑图像的过程。高斯模糊可表示为

图4 非线性变换算法的处理效果

式中:G（x，y）力是二维高斯函数，其定义为

由于锐化掩模滤波可以消除U（x，y）中大量的低频信息，保留了高频信息，可以增强图像的细节信息。

得到模糊图像后，反锐化掩模滤波表示为

3 仿真实验

3.1 数据来源及对比算法

为了验证自动人脸识别算法在复杂光照下的人脸图像细节增强性能，选择Yale B人脸图像数据的1个人585张图片进行仿真实验，选取其中5张脸图像，如图5所示。为了使SSR算法结果更具说服力，在相同条件下，采用SSR算法、MSR算法在相同条件下进行对比实验。

图5 人脸原图

3.2 人脸图像增强后的视觉效果对比

各种算法的人脸图像增强效果如图6所示。从图6可知，SSR算法较好地增强了人脸图像中的暗区信息，消除了人脸局部阴影，但图像增强有点过度，出现白化现象。MSR算法克服了SSR算法的白化现象，图像锐化效果更好，丰富了人脸图像的细节信息，但同样存在局部过亮和过暗现象。相对其他算法，自动人脸识别算法很好地消除了人脸图像中的局部阴影，提高图像的对比度，获得了更好的视觉效果。

3.3 客观质量评价标准对比

人脸图像视觉效果是一种主观图像质量评价标准，为了更准确说明本文算法的优越性，采用熵、平均亮度、对比度3个标准作为图像质量客观评价指标。各算法对图像处理后的信息熵、亮度、对比度结果如图7所示。

图7 不同算法客观质量评价标准

从图7可知，在所有客观质量评价指标中，自动人脸识别算法的综合性能优于传统Retinex算法，这表明本文提出的自动人脸识别算法较好地解决了传统Retinex存在的难题，提高了复杂光照条件下的人脸图像预处理效果。

3.4 对后继人脸识别结果影响

为了检验各种Retinex算法对后续人脸识别效果的影响，首先采用SSR算法、MSR算法和自动人脸识别算法对人脸图像光照进行细节增强后，然后采用Adaboost算法建立人脸分类器，并通过人脸识别率来衡量各光照处理算法优劣，实验图像数据来自Yale B人脸库。由于本文主要针对光照变化问题，因此只选择图像库中正面有光照变化的人脸图像，根据光源方向和照相机轴线间的夹角，将人脸图像化分为5个子集，5个子集如表1所示，人脸识别结果如图8所示。

表1 5个人脸子集

图8 各种算法的人脸识别率

对图8实验结果进行分析，得到如下结论:

1）人脸图像经过增强处理后，人脸识别率均得到了不同程度的提高，说明光照变化对人脸识别结果产生了不利影响，对人脸图像进行预处理以增强效果是必须的。

2）对于5个子集，传统Retinex算法（SSR、MSR）的识别率均较低，总体性能MSR算法优于SSR算法。同时传统Retinex算法只能在子集3～5获得较高的人脸识别率，其他子集人脸识别率均很低，这是因为子集3～5中的人脸图像受到光照影响较小，因此识别结果最好;对光照影响较大的1～2子集，传统Retinex算法均无法很好地消除光照变化影响，导致人脸识别率较低。

3）相对于对比算法，自动人脸识别算法有3个子集的人脸识别率达到100%，各个子集的平均人脸识别率达97.24%，人脸误识率下降十分明显，主要是因为自动人脸识别算法引入了对数变换、非线线变换以及反锐化掩模滤波算法，克服传统Retinex算法存在的不足，较好地消除光照变化的不利影响，进一步提高了人脸的识别率。

3.5 算法运行速度

对人脸识别系统，识别速度十分重要，为此，在Pentium 双核2.5 GHz CPU，内存4 Gbyte，操作系统为Windows XP的平台，采用VC++编程，计算各种人脸图像增强算法后的人脸识别时间，结果见表2。从表2可知，在所有算法中，自动人脸识别算法耗时最短，运行速度最快，主要由于自动人脸识别算法在动态范围压缩过程减少了高斯模糊运算，同时，图像细节增强过程忽略了低频信息，大幅度降低计算量，因此，自动人脸识别算法十分适合应用于实时性要求的人脸识别系统。

表2 不同算法的人脸识别时间对比

4 结束语

针对传统Retinex算法在复杂光照条件下的不足，提出一种人脸图像细节增强算法。仿真结果表明，人脸图像细节增强算法可以消除光照条件对人脸图像不利影响，有利于提高人脸识别率。

:

［1］NARASIMHAN S，NAYAR S.Contrast reatoration of weather degraded images［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25（6）:713－724.

［2］李冠章，罗武胜，李沛.适应彩色空间的图像对比度增强算法［J］.传感技术学报，2009，22（6）:833－837.

［3］李冠章，罗武胜，李沛.可避免彩色失真的图像对比度增强［J］.计算机仿真，2008，25（10）:228－231.

［4］TAN X，TRIGGS B.Enhanced local texture feature sets for face recongnition under difficult lighting conditions［J］.IEEE Trans.Image Processing，2010，19（6）:1635－1650.

［5］YOUNG K，SEOKL P，JOONG K.Retinex method based on adaptive smoothing for illumination base on adaptive smoothing for illumination invariant face recognition［J］.Signal Processing，2008（88）:1929－1945.

［6］于玲，刘彦隆，郭建军.离散小波变换和Fast PCA与SVM在人脸识别技术中的应用［J］.电视技术，2012，36（23）:172－176.

［7］黄玉飞，齐和平，张文斌，等.基于小波系数和LS—SVM的图像去噪［J］.电视技术，2013，37（1）:18－22.

［8］许欣，陈强，王平安，等.消除光晕现象的快速Retinex图像增强［J］.计算机辅助设计与图形学学报，2008，20（10）:1325－1331.

［9］孙劲光，李扬，孟祥福，等.改进的单尺度Retinex及其在人脸识别中的应用［J］.计算机应用研究，2011，28（12）:4790－4793.

［10］李福文，金伟其，陈伟力，等.基于Retinex模型的彩色图像全局增强算法［J］.北京理工大学学报，2010，30（8）:947－951.

［11］王小明，方晓颖，刘锦高.复杂光照下的自适应人脸增强［J］.计算机工程与应用，2011，47（2）:15－18.

Details Strengthen Algorithm for Face Image Recognition in Complex Illumination Conditions

ZHUO Zhihong

（Yangjiang Vocational and Technical College，Guangdong Yangjiang 529566，China）

In order to improve the rate of face recognition in excessive，inadequate，or non－uniform complex illumination conditions，a details strengthen algorithm for face image in the complex illumination conditions is proposed in this paper.Firstly，logarithmic and nonlinear transform is used to compress the dynamic range of face image.Then the unsharp mask filtering algorithm is used to remove the fuzzy image message to enhance the details of face image，Finally，adaboost algorithm is used to build a classifier for face recognition，and the simulation test is carried out on Yale B face database.The simulation results show that the proposed algorithm has solved problem for face recognition in complex illumination conditions and improved the face recognition rate.

Retinex algorithm;pretreatment;complex illumination;face recognition

TN911.73;TP391

A

卓志宏（1979— ），硕士，讲师，主要研究领域为图像处理、人工智能。

责任编辑:时 雯

2013－03－04