自適應(yīng)的人臉識(shí)別光照處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于人臉識(shí)別預(yù)處理技術(shù)，具體是一種自適應(yīng)的人臉識(shí)別光照處理方法。
【背景技術(shù)】
[0002] 最近幾年，可控環(huán)境下人臉識(shí)別的研究取得了很大的進(jìn)展，但是在自然狀況下，成 像過程中各種不可控因素的變化總會(huì)引起同一張人臉產(chǎn)生很大的變化。其中光照的影響無 疑稱為了人臉識(shí)別系統(tǒng)的瓶頸之一。
[0003] 同一張人臉圖像在不同光照條件下的差異可能會(huì)大于不同人臉圖像在相同光照 下的差異。因此，研究人員日益關(guān)注光照問題的解決，不斷對(duì)現(xiàn)有方法進(jìn)行組合和改進(jìn)，提 出了諸多識(shí)別率較高、普適性較強(qiáng)的方法。這些方法或是利用數(shù)字圖像處理技術(shù)對(duì)光照進(jìn) 行預(yù)處理，或是利用數(shù)學(xué)理論結(jié)合圖像技術(shù)對(duì)圖像進(jìn)行變換，以期獲取光照良好的圖像，又 或是對(duì)人臉圖像進(jìn)行建模處理，試圖復(fù)原人臉的形狀、姿態(tài)等信息；在此基礎(chǔ)上再對(duì)人臉進(jìn) 行識(shí)別，大都獲得了較好的識(shí)別性能。
[0004] 目前主流的三種人臉識(shí)別光照處理方法有：直方圖均衡、梯度臉和光照預(yù)處理 鏈。直方圖均衡化方法，是一種在全局上進(jìn)行統(tǒng)計(jì)分析，調(diào)整直方圖中的灰度分布，再重新 生成直方圖的方法。該方法主要是為了有選擇性地抑制某些信息（像素所占比例較少的 灰度），而增強(qiáng)另外需要表現(xiàn)的某些信息（像素所占比例較多的灰度），即達(dá)到均衡化的目 的，在光照情況良好的情況下，對(duì)后期進(jìn)行的識(shí)別效果魯棒，且十分簡(jiǎn)單快捷（I. Stephen Μ· Pizer，Ε· Philip Amburn，John D. Austin，Robert Cromartiej Ari Geselowitz. Adaptive histogram equalization and its variations, Computer Vision, Graphics, and Image Processing，1987, vol. 39, pp. 355-368.)。光照預(yù)處理鏈（TT)通過將伽馬變換、高斯差分 濾波等技術(shù)結(jié)合組成一個(gè)光照預(yù)處理鏈，能很好地消除光照變換帶來的不利影響，取得了 非常高的識(shí)別率，適用于光照影響較為嚴(yán)重的人臉圖像處理，但是過程較為復(fù)雜。梯度臉 (GRF)的處理過程為：首先求取圖像X和Y方向的梯度分量，通過高斯一階導(dǎo)數(shù)與圖像做卷 積可以求得；其次，根據(jù)圖像在X和Y方向各自的梯度分量來獲得圖像的梯度分量，是一種 光照魯棒的方法，在光照條件非常復(fù)雜情況下的人臉識(shí)別率較高（2. Stephen M. Pizer, E. Philip Amburn, John D.Austin, Robert Cromartie, Ari Geselowitz. Face Recognition Under Varying Illumination Using Gradientfaces, Image Processing,IEEE Transactions on, 2009, vol. 18, pp. 2599-2606)。三種方法都有它們各自的針對(duì)性，不能對(duì) 每一種光照情況都進(jìn)行魯棒的處理。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種給出不同人臉復(fù)雜程度判斷，從而選擇不同的算法搭 配，達(dá)到能在任何光照環(huán)境下實(shí)現(xiàn)魯棒的光照處理效果的方法。
[0006] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種自適應(yīng)的人臉識(shí)別光照處理方法，步驟 如下：
[0007] 第一步，定位人臉，即通過Adaboost對(duì)輸入圖像進(jìn)行人臉的定位。首先組織一個(gè) 樣本集，求出樣本集的Haar特征（人臉和非人臉），用特征來訓(xùn)練分類器：根據(jù)每一層分類 器中樣本分類是否正確修改樣本的權(quán)值，并送入下一層分類器訓(xùn)練，然后將每一層分類器 融合起來作為最終的Adaboost決策分類器。然后用分類器來檢測(cè)人臉圖像，實(shí)現(xiàn)人臉定 位。
[0008] 第二步，建立光照子空間，針對(duì)三種可能的光照情況，分別組織多個(gè)經(jīng)過高斯模糊 處理的樣本集合，對(duì)樣本集合進(jìn)行訓(xùn)練得到若干個(gè)弱分類器級(jí)聯(lián)而成的強(qiáng)分類器。將經(jīng)過 第一步處理的人臉圖像放入到分類器中，得到人臉的光照復(fù)雜程度。
[0009] 第三步，根據(jù)第二步分類的判斷，若為光照影響嚴(yán)重，則選擇梯度臉進(jìn)行光照處 理，若為適中則選擇光照預(yù)處理鏈，若為光照狀況良好則可直接選擇直方圖均衡化進(jìn)行光 照處理。
[0010] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)：（1)融合了多種現(xiàn)有效果優(yōu)秀的人臉光照 處理方法，能夠?qū)四槇D像進(jìn)行魯棒的光照處理歸一化。（2)通過對(duì)不同的光照情況進(jìn)行 判斷，選擇不同針對(duì)性的光照處理方法對(duì)含人臉圖像進(jìn)行光照歸一化處理。使得光照處理 具有很強(qiáng)的魯棒性和抗噪能力。（3)引入了人臉光照復(fù)雜度的概念，融合了人臉檢測(cè)中級(jí)聯(lián) 分類器的思想，能夠根據(jù)不同人臉光照情況對(duì)光照處理算法進(jìn)行選擇。
【附圖說明】
[0011] 圖1是本發(fā)明自適應(yīng)的人臉識(shí)別光照處理方法的流程圖。
[0012] 圖2是常用Haar特征樣子示意圖。
[0013] 圖3是高斯模糊平滑圖像示意圖。
[0014] 圖4是級(jí)聯(lián)光照復(fù)雜度分類器示意圖。
[0015] 圖5是梯度臉光照處理方法示意圖。
[0016] 圖6是光照預(yù)處理鏈方法示意圖。
[0017] 圖7是直方圖均衡化示意圖。
【具體實(shí)施方式】
[0018] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。
[0019] 結(jié)合圖1，本發(fā)明自適應(yīng)的人臉識(shí)別光照處理方法，步驟如下：
[0020] 第一步，對(duì)輸入圖像進(jìn)行人臉定位處理：組織一個(gè)樣本集，提取圖片的Haar特征， 隨后通過Adaboost算法挑選出合適的Haar特征來組成檢測(cè)器，對(duì)輸入的含人臉圖像進(jìn)行 人臉檢測(cè)，得到人臉圖像。
[0021] (1)如圖2所示的Haar特征樣子為常用的Haar特征提取子，這些特征子在人臉 和非人臉的位置上值表征不同。通過白色區(qū)域內(nèi)的像素和減去黑色區(qū)域內(nèi)的像素和得到一 個(gè)模版的值。圖像中某一點(diǎn)A(x, y)的積分值ii (X，y)定義為
s(x, y)為A(x, y)及其y方向向上所有像素之和，這樣，在m*n大小的圖像中，每個(gè)像素計(jì)算 ii (X，y)和s (X，y)，m*n*2次計(jì)算即可得到整個(gè)積分圖矩陣。
[0022] (2)選取弱分類器。
[0023] 其中f為特征，Θ為閾值，p為不等號(hào)的方向，X為一個(gè)檢測(cè)子窗口。
[0025] 其中'i為第t個(gè)分類器第i個(gè)特征的權(quán)重，CU1是歸一化后的權(quán)重。
[0026] 對(duì)于每一個(gè)特征f，訓(xùn)練一個(gè)弱分類器h，計(jì)算所有特征的加權(quán)錯(cuò)誤率ε f，
[0027] ε f= Σ AiIhUi, f，p，Θ )-yi|
[0028] 選取具有最小錯(cuò)誤率ε f的弱分類器h i，并調(diào)整樣本的權(quán)重
[0030] 其中ei= 0表示X i被正確分類，反之則為錯(cuò)誤分類，
[0031] (3)級(jí)聯(lián)成強(qiáng)分類器
[0034] 對(duì)圖像進(jìn)行檢測(cè)，不斷調(diào)整檢測(cè)窗口的位置以及比例，來找人人臉并將其裁剪。
[0035] 第二步，人臉光照復(fù)雜度計(jì)算。通過光照子空間的建立，對(duì)人臉圖像光照復(fù)雜度進(jìn) 行度量分類，根據(jù)不同的光照復(fù)雜度進(jìn)入到第三步的人臉識(shí)別光照處理選擇。具體過程如 下：
[0036] (1)建立樣本集，該集合包含多個(gè)各種光照下的人臉圖像，將圖像的光照情況進(jìn)行 分類：①幾乎無光照影響，人臉受光均勻；②少量光照影響，如少量偏光，人臉輪廓及邊緣 可見；③光照影響嚴(yán)重，如人臉陰影遮擋范圍大，過度曝光等。
[0037] (2)對(duì)樣本集圖片進(jìn)行高斯模糊：
[0039] 其中x，y分別代表坐標(biāo)點(diǎn)的位置，σ表示平滑的程度，本方法選用參數(shù)σ = 10.0。平滑人臉圖像，隱藏其明顯的特征，得到顯著臉部明暗對(duì)比的人臉矩陣。平滑效果如 圖3所示。
[0040] (3)借鑒第一步人臉檢測(cè)所用的Haar特征分類器思想，對(duì)大量高斯模糊的樣本集 進(jìn)行訓(xùn)練，得到諸多弱分類器，將多個(gè)弱分類器連接起來，得到一個(gè)強(qiáng)分類器來對(duì)