基于小波变换和光照补偿的人脸识别方法

刘 俊 黄际彦， 吴 波 邓 华 母国才

1(电子科技大学电子工程学院 四川 成都 611731)2(东莞电子科技大学电子信息工程研究院 广东 东莞 523808)

基于小波变换和光照补偿的人脸识别方法

刘 俊1黄际彦1，2吴 波2邓 华2母国才2

1(电子科技大学电子工程学院 四川 成都 611731)
2(东莞电子科技大学电子信息工程研究院 广东 东莞 523808)

针对光照对人脸识别影响的问题，提出一种结合小波变换和光照补偿的人脸识别方法。该方法首先利用离散小波变换将人脸图像的低频子带和高频子带分离，在小波变换的低频子带上分别进行直方图均衡化和对数变换，将处理后的低频子带进行融合构成新的低频子带。接着对高频子带进行阈值去噪后乘以一个标量，构成新的高频子带。最后利用小波逆变换重构出新的人脸图像并利用PCA算法进行识别。实验结果表明，该方法能有效地削弱光照的影响，提高人脸识别率。

人脸识别 小波变换 直方图均衡化 对数变换 PCA

0 引 言

人脸识别作为一种重要的身份鉴别手段，被广泛地应用于考勤、安检、保安监视等方面。近年来，由于人脸识别应用的需求量不断地增加，人脸识别在学术界和商业界都引起了广泛的关注，美国军方数据库(FERET)和人脸识别供应商评测(FRVT)的研究都表明光照的变化是影响人脸识别系统性能的关键因素之一[1]。因此，光照问题是目前人脸识别领域亟需解决的重要问题。

目前，针对人脸识别中的光照问题，国内外主要的解决方法大致上可以分为三类：提取光照不变量特征方法、光照模型建模方法和光照补偿方法。提取光照不变量特征的方法是指提取图像中不受光照影响的或者对光照不敏感的特征用于人脸识别中，此类方法去除了大部分光照信息，因而图像对比度也会降低[2]；光照模型建模的方法试图对不同的光照条件下的人脸建模，通常此类方法需要多种不同光照条件下的人脸图像作为样本，一般情况下复杂度比较高[3]；光照补偿方法是指在人脸识别之前通过图像处理技术减少光照的影响，增强图像的质量。光照补偿中常用的方法有：直方图均衡化、Gamma变换、对数变换等[4-5]。直方图均衡化处理的图像可以在一定程度上减弱了光照的影响，但是对比度被过分增强，图像变得过于明亮。对数变换处理可以将图像变得柔和，但是边缘容易模糊不清[6]。文献[6]将两种方法融合，削弱了光照的影响，并取得了较高的识别率。

考虑到光照往往影响的是图像的低频部分，而图像的高频部分包含着人脸轮廓等高频细节信息和一些高频噪声[7]。文献[6]中对光照的处理取得了一定的效果，但是处理过程中并未详细地区分人脸图像中的高频部分还是低频部分，因而性能有待进一步提高。为此，本文提出了一种基于小波变换的改进方法，使用小波变换将人脸图像分解为低频部分和高频部分，对包含光照信息的低频部分使用直方图均衡和对数变换融合(HE+Log)的方法进行光照补偿处理，对包含人脸图像轮廓细节的高频部分进行阈值去噪，系数增强处理。在Yale人脸库的实验表明，本文提出的方法可以有效地削弱了光照的影响，取得较好的识别率。

1 基于小波变换的预处理

1.1 光照预处理流程

图像的低频分量中包含较为丰富的光照信息，高频分量代表了诸如纹理、边沿等细节信息。因此，本文提出的预处理方法主要为对低频成分的光照预处理和对高频分量的阈值去噪增强。方法实现过程如图1所示。

图1 低频部分光照处理流程

1.2 图像的小波分解

小波变换是一种多尺度，多分辨率的局部化分析方法。在图像处理中，小波变换可以将图像在不同层次上分解为原始图像的低频近似分量和高频细节分量。

利用Mallat小波快速分解算法[8]，在给定尺度函数和小波函数的情况下，可以将一副离散图像C0(m,n)在每层都分解为一个包含图像大部分能量的低频子图和三个包含图像细节成分的高频子图。具体的算法公式可以描述为：

(1)

(a) 一级分解 (b) 二级分解 (c) 原图 (d) 一级分解图2 图像小波分解示意图

1.3 直方图均衡化和对数变换融合(HE+Log)的光照处理

对图像进行小波分解后得到的低频子图中包含了较为丰富的光照信息，因而对光照的处理可以集中在低频部分。在本文中，首先使用一层小波分解将图像分解为低频子图和三个高频子图，将低频子图分别应用直方图均衡化和对数变换处理，再将处理后的子图融合构成新的子图，其中直方图均衡化和对数变换融合的变换公式为：

(2)

式中的S(x,y)和G(x,y)为直方图均衡化和对数变换处理后的低频子图。光照处理的实现过程如图3所示。

(a) 低频图像 (b) 直方图均衡 (c) 对数变换 (d) 融合的图像图3 HE+Log光照处理

1.4 高频子带的阈值去噪增强

高频子带中包含了人脸图像的细节信息，对高频子带的系数增强有利于强化图像的细节，提高人脸识别算法的识别率，但是高频子带中可能混杂着噪声，对高频系数增强的同时，也会将噪声一并增强[9]。因此，本文采用的方法是在高频系数阈值去噪之后乘以一个标量L，这样在去除噪声的同时可以将有用的高频系数增强。

本文使用软阈值函数处理高频系数来滤除噪声，软阈值函数为：

η(w)=(w-sgn(w)T)I(|w|>T)

(3)

其中w为高频系数，η(w)为阈值处理后的系数，sgn()是符号函数，T为阈值，函数I()为：

(4)

使用软阈值函数的关键在于阈值T的估计，因为阈值T的选取关系到去噪效果的好坏，如果选取的阈值过大，则高频系数中有用的信息会被滤除，如果选取的阈值过小，则不能有效地滤除噪声。本文中假设图像小波系数服从广义高斯分布模型，使用BayesShrink阈值估计方法[10]对阈值进行估计。

(5)

其中Yij为高频系数，σ是噪声标准差，m,n为Yij的尺寸，λ是一个取决于光照情况的参数，本文根据文献[9]中的实验数据，选择λ=0.3。

2 基于主成分分析的人脸识别

主成分分析法是基于K-L变换的统计学方法，由于人脸结构的相似性，若将人脸图像看作一种向量，那么这些向量的分布并不是杂乱无章的，而是聚集在一个维数较低的人脸子空间中，或者说是分布在一个特殊的超平面附近。主成分分析的方法就是通过K-L变换找到一组线性无关的向量构成投影向量，将高维的人脸空间投影到低维的人脸子空间中，在保留识别所需信息的基础上，达到维数约简的目的。具体实现过程如下：

(1) 将二维的人脸图像Am×n按列展开为m×n的列向量xi，选择p个训练样本构成样本集X:

X=[x1,x2,…,xp]

(6)

(2) 定义样本集协方差矩阵:

(7)

(3) 求出M的特征值λi和特征向量μi，按从大到小的顺序排列特征值，选取前K个特征值构成特征值能量，它的形式为：

(8)

取特征值能量大于0.9的特征值对应的特征向量构成向量空间C=[μ1,μ2,…,μk]；

(4) 选择n个测试样本Y=[Y1,Y2,…,Yn]，将训练样本集X和测试样本集Y分别投影到上一步求得的向量空间，于是每一幅人脸图像都对应着子空间中的一个点。使用最近邻分类器即可判断出测试样本中的人脸是属于哪个人的人脸。

3 实验结果与分析

为了验证本文方法的有效性，实验选取Yale人脸库和ORL人脸库进行算法的仿真与验证。使用sym1小波分解提取人脸图像的高频部分和低频部分，对低频部分进行光照处理，对高频部分进行去噪处理后乘以一个标量L来增强高频部分的系数，最后使用主成分分析法进行人脸识别。

本文使用Yale人脸库和ORL人脸库进行算法的仿真与验证，Yale人脸库包含了15个人的人脸图片，每人在不同的光照，姿态，表情条件下采集了11张灰度图片，总共有165张灰度图片。ORL人脸库中包含40人，每人10幅图像，共400幅人脸图像。ORL人脸库中的图片包含了光照变化，表情变化以及脸部细节的变换。随机选取同一个人的三幅不同光照下的图片，通关MATLAB软件仿真分析，得到如图4所示的结果。图中a，b两幅图像受到左右偏光的影响，c中的图像整体光照较暗。从实验处理的效果上可以看出，小波重构后的图像有效地减弱了光照的影响。

(a) 左侧偏光处理

(b) 右侧偏光处理

(c) 整体较暗光照处理图4 实验效果图

为了验证本文提出的光照处理算法在人脸识别中的有效性，分别使用直方图均衡化，文献[6]中的方法(HE+Log)和本文的光照处理方法对Yale进行预处理，采用主成分分析法(PCA)进行人脸识别。在Yale人脸库和ORL人脸库中的算法识别率如表1所示。算法的时间消耗情况如表2所示。

表1 算法在Yale人脸库和ORL人脸库中的识别率对比

表2 算法在Yale人脸库和ORL人脸库中的时间消耗对比

4 结 语

光照的影响是人脸识别不容忽视的问题，本文提出了一种基于小波变换处理和光照补偿的人脸识别方法，在Yale和ORL人脸库中的实验证明本文的方法可以有效地去除光照的影响，提高人脸识别率。

[1] 沈理, 刘翼光, 熊志勇. 人脸识别原理及算法：动态人脸识别系统研究[M]. 北京：人民邮电出版社, 2014.

[2] 何玲玲, 王力. 应用小波变换的光照不变人脸识别[J]. 自动化与仪器仪表, 2015(10): 219-220.

[3] 李忠健, 杨宜民, 梅平. 基于改进的隐马尔科夫模型的人脸识别方法[J]. 工业控制计算机, 2014, 27(11):29-31.

[4] 魏锐, 徐亮. 受限直方图均衡化的低频DCT系数重变换算法[J]. 实验室研究与探索, 2015, 34(5):16-20,35.

[5] 储清翠. 复杂光照条件下人脸跟踪算法研究[D]. 合肥：安徽大学, 2014.

[6] 魏冲冲, 王小鹏, 闫建伟, 等. 一种消除光照影响的人脸识别方法[J]. 电子测试, 2012(7):19-23.

[7] Wang W, Song J, Yang Z, et al. Wavelet-based illumination compensation for face recognition using Eigenface method[C]//Intelligent Control and Automation, 2006 Sixth World Congress on. IEEE, 2006:3180-3198.

[8] Mallat S G. Multifrequency channel decompositions of images and wavelet models[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(12):2091-2110.

[9] 范春年. 人脸识别中光照处理算法研究[D]. 南京：南京大学, 2011.

[10] Chang S G, Yu B, Vetterli M. Adaptive wavelet thresholding for image denoising and compression[J]. IEEE Transactions on Image Processing, 2000,9(9):1532-1546.

FACE RECOGNITION METHOD BASED ON WAVELET TRANSFORM AND ILLUMINATION COMPENSATION

Liu Jun1Huang Jiyan1，2Wu Bo2Deng Hua2Mu Guocai2

1(CollegeofElectronicEngineering,UniversityofElectronicScienceandTechnologyofChina,Chengdu611731,Sichuan,China)2(InstituteofElectronicandInformationEngineerinDongguanUestc,Dongguan523808,Guangdong,China)

Aiming at the effect of illumination on face recognition, a new face recognition method combining wavelet transform and illumination compensation is proposed. Firstly, the low-frequency sub-band and high-frequency sub-band are separated by discrete wavelet transform, then the histogram equalization and logarithm transformation are carried out on the low-frequency sub-band of the wavelet transform, and the processed low-frequency sub-band is merged to constitute a new low-frequency sub-band. Then, the high-frequency sub-band is denoised by threshold and then multiplied by a scalar to constitute a new high-frequency sub-band. Finally, a new face image is reconstructed using the inverse wavelet transform and the PCA algorithm is used to identify the face image. Experimental results show that this method can effectively reduce the influence of illumination and improve the recognition rate of face.

Face recognition Wavelet transform Histogram equalization Logarithmic transformation PCA

2016-04-20。东莞市社会科技发展项目(2013108101002)。刘俊，硕士生，主研领域：人脸识别技术。黄际彦，副教授。吴波，硕士生。邓华，硕士生。母国才，助理工程师。

TP391.41

A

10.3969/j.issn.1000-386x.2017.05.028