一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法
【专利摘要】一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，该方法可以实现对有光照变化的人脸进行识别。本发明经实验分析得出单尺度Retinex算法对于光照变化较大的人脸，处理结果存在阴影，而且处理后人脸的统计直方图与光照正常人脸的统计直方图存在很大差异，因此本发明对单尺度Retinex算法处理结果进一步进行均匀滤波以消除噪声，然后提取归一化结构描述子。最后利用归一化结构描述子得到去光照的人脸图像，处理结果的统计直方图与光照正常人脸的统计直方图差异明显减小。本发明提出的方法计算复杂度低，同时对于光照变化大的情况，识别性能要优于单尺度Retinex的方法，因此，本发明具有一定的应用价值和意义。
【专利说明】一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法
【技术领域】
[0001]本发明涉及光照人脸识别技术，具体涉及一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法的研究及实现。
【背景技术】
[0002]随着美国911恐怖袭击事件以及网络CSDN用户信息遭泄露事件的发生，生物特征识别技术受到大家关注，而人脸生物特征的识别认证技术一直是生物特征识别领域研究的热点，人脸识别在可控的情况下可以获得很好的识别性能，但在实际应用中，人脸识别往往受到很多因素影响，当人脸姿态发生变化，表情发生变化，外界光照发生变化，人脸存在遮挡(戴围巾，墨镜)等情况时，人脸识别的性能将会下降很多，这就制约了人脸识别在实际中的应用。其中人脸光照变化给人脸识别带来的影响是使得同一个人的两幅人脸的类内差异大于不同人之间的两幅人脸的类间差异，进而造成识别错误。
[0003]因此很多研究学者致力于光照人脸识别方法的研究，光照人脸识别方法主要分为三大类，一类是光照归一化的方法，这类方法的主要思想是将光照人脸归一化到正常光照人脸，代表性的方法包括:直方图均衡，对数变换以及伽马校正，但这类方法由于没有考虑光照人脸的光照条件，因此很难获得满意的效果，第二类方法是基于模型的方法，这类方法的基本思想是利用Lambertian表面的假设去构建不同光照条件下的图像模型，代表性的方法主要有Basri和Jacobs提出的球谐函数法，Georghiades等人提出的光照锥的方法，Lee等人提出的线性子空间的方法，这类方法虽然可以获得较好的效果，但也有明显的不足，就是需要很多的训练样本，因此这类方法很难满足实际应用的要求。第三类为提取光照不敏感特征的方法，代表性的方法有局部二值模式(LBP)，离散余弦变换(DCT)，自熵图像法(SQI), Chen等人提出的对数全变分模型(LTV), Wang等人提出的Weber-face, Hou等人提出的 relative gradients (RG), Zhang 等人提出的 Gradient-f aces, Jobson 等人基于Retinex理论提出的单尺度Retinex算法和多尺度Retinex算法。本发明针对单尺度Retinex算法进行研究分析发现，当光照变化剧烈时，单尺度Retinex算法的处理结果存在阴影，进一步分析处理结果的统计直方图，发现该结果的统计直方图与正常光照人脸处理结果的统计直方图有很大差异，因此基于单尺度Retinex算法的光照人脸识别方法性能不是很好，因此本发明针对单尺度Retinex算法进行改进,在单尺度Retinex算法基础上提取归一化结构描述子改善单尺度Retinex算法的性能,提出联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法。
【发明内容】
[0004]本发明提供一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，该方法可以实现任意光照条件下的人脸进行识别。
[0005]由于现有的光照人脸识别方法有各自的缺陷，特别是单尺度Retinex算法，本发明单尺度Retinex算法进行改进,在单尺度Retinex算法基础上提取归一化结构描述子改善单尺度Retinex算法的性能,提出联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法。本发明经实验分析得出单尺度Retinex算法对于光照变化较大的人脸，处理结果存在阴影，而且处理后人脸的统计直方图与光照正常人脸的统计直方图存在很大差异，因此本发明对单尺度Retinex算法处理结果进一步进行均匀滤波以消除噪声，然后提取归一化结构描述子。最后利用归一化结构描述子得到去光照的人脸图像，处理结果的统计直方图与光照正常人脸的统计直方图差异明显减小。本发明提出的方法计算复杂度低，同时对于光照变化大的情况，识别性能要优于单尺度Retinex的方法，因此，本发明具有一定的应用价值和意义。
[0006]为了实现上述问题，本发明提供了一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，该方法具体包括:
[0007]A、注册阶段，对于每个人的光照正常人脸(光照条件如Yale face database B中“Α+000Ε+00”的人脸图像)，首先利用单尺度Retinex算法进行处理，提取反射分量，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成去光照的人脸图像，并将去光照的人脸图像存入数据库中。
[0008]B、识别阶段，采集一幅任意光照的人脸图像，首先对其利用单尺度Retinex算法进行处理，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成该光照人脸的去光照人脸图像，利用该去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度(SSIM)计算，如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
[0009]所述步骤A具体包括:
[0010]Al、对于每个人，首先利用摄像头采集其光照正常的人脸图像(光照条件如Yaleface database B 中 “Α+000Ε+00” 的人脸图像)；
[0011]A2、对于每个人的光照正常人脸图像，首先利用单尺度Retinex算法进行处理，提取反射分量；
[0012]A3、对A2步骤中得到的处理结果进行均匀滤波，消除噪声；
[0013]A4、将A3步骤中得到的均匀滤波后的结果提取归一化结构描述子。将图像按照5*5的大小进行网格划分，对于每一个网格，计算它的均值μ和方差O，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
[0014]NSD(x, y) = (Pixel (X，y)-y )/σ，其中 Pixel (X，y)为(x, y)处像素值;
[0015]A5、将A4步骤中得到的每一个像素点的归一化结构描述子作为光照正常人脸图像中对应位置的新像素值，就得到了去光照的人脸图像，将该去光照的人脸图像存入数据库中。
[0016]所述步骤B具体包括:
[0017]B1、对于任意一个人，利用摄像头采集其任意光照的人脸图像。
[0018]B2、对BI步骤中采集到的任意光照的人脸图像利用单尺度Retinex算法进行处理，提取反射分量；
[0019]B3、对B2步骤中得到的处理结果进行均匀滤波，消除噪声；[0020]B4、利用B3步骤中得到的均匀滤波后的结果提取归一化结构描述子。将图像按照5*5的大小进行网格划分，对于每一个网格，计算它的均值μ和方差O，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
[0021]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)为(x, y)处像素值
[0022]B5、将B4步骤中得到的每一个像素点的归一化结构描述子作为该任意光照人脸图像中对应位置的新像素值，就得到了该任意光照人脸图像的去光照人脸图像；
[0023]B6、将B5得到的去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度(SSIM)计算,如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
[0024]本发明与现有技术相比，具有以下明显的优势和有益效果:
[0025](I)本发明采集一幅光照正常人脸，无需采集多幅不同光照人脸进行训练，因此计算复杂度要远远低于基于模型的方法。
[0026](2)本发明提取归一化结构描述子，只需要计算每一个网格的均值μ和方差σ，计算简单快速，比其他现有的方法计算复杂度低，计算时间约为0.2秒?0.3秒，满足实时性要求。
[0027](3)本发明经实验分析得出单尺度Retinex算法对于光照变化较大的人脸，处理结果存在阴影，而且处理后人脸的统计直方图与光照正常人脸的统计直方图存在很大差异，而利用归一化结构描述子得到处理结果的统计直方图与光照正常人脸的统计直方图差异明显减小，因此归一化结构描述子可以有效改善单尺度Retinex算法在光照变化较大情况下的识别性能，在Yale face database B人脸库上的实验结果证明，我们的方法要优于其他现有的方法，平均的识别率达到97.28%。
【专利附图】
【附图说明】:
[0028]图1是技术方案的整体流程图。
[0029]图2是Yale face database B人脸库上的实验结果。
[0030]图3是单尺度Retinex算法的处理结果及其直方图。
[0031]图4是归一化结构描述子生成处理结果及其直方图。
【具体实施方式】:
[0032]本发明技术方案的整体流程如说明书附图1所示，分为注册阶段和识别阶段。该技术方案在Yale face database B人脸库进行实验,实验结果如附图2所示,我们的方法要优于其他现有的方法，平均的识别率达到97.28%。
[0033]A、光照正常人脸提取描述子阶段，对于每个人的光照正常人脸(光照条件如Yaleface database B中“A+OOOE+OO”的人脸图像),首先利用单尺度Retinex算法进行处理,提取反射分量，处理结果如附图3所示，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成去光照的人脸图像，如附图4所示，并将去光照的人脸图像存入数据库中。
[0034]所述步骤A具体包括:[0035]Al、对于每个人，首先利用摄像头采集其光照正常的人脸图像(光照条件如Yaleface database B 中 “A+OOOE+OO” 的人脸图像)；
[0036]A2、对于每个人的光照正常人脸图像，首先利用单尺度Retinex算法进行处理，提取反射分量，处理结果如附图3所示；
[0037]A3、对A2步骤中得到的处理结果进行均匀滤波，消除噪声；
[0038]A4、将A3步骤中得到的均匀滤波后的结果提取归一化结构描述子。将图像按照5*5的大小进行网格划分，对于每一个网格，计算它的均值μ和方差O，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
[0039]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)为(x, y)处像素值
[0040]A5、将A4步骤中得到的每一个像素点的归一化结构描述子作为光照正常人脸图像中对应位置的新像素值，就得到了去光照的人脸图像，如附图4所示，将该去光照的人脸图像存入数据库中。
[0041]B、识别阶段，采集一幅任意光照的人脸图像，首先对其利用单尺度Retinex算法进行处理，处理结果如附图3所示，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成该光照人脸的去光照人脸图像，如附图4所示，利用该去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度(SSIM)计算，如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
[0042]所述步骤B具体包括:
[0043]B1、对于任意一个人，利用摄像头采集其任意光照的人脸图像。
[0044]B2、对BI步骤中采集到的任意光照的人脸图像利用单尺度Retinex算法进行处理，提取反射分量，处理结果如附图3所示；
[0045]B3、对B2步骤中得到的处理结果进行均匀滤波，消除噪声；
[0046]B4、利用B3步骤中得到的均匀滤波后的结果提取归一化结构描述子。将图像按照5*5的大小进行网格划分，对于每一个网格，计算它的均值μ和方差σ，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
[0047]NSD (x, y) = (Pixel (x, y) - μ ) / σ 其中 Pixel (x，y)为(x, y)处像素值
[0048]B5、将B4步骤中得到的每一个像素点的归一化结构描述子作为该任意光照人脸图像中对应位置的新像素值，就得到了该任意光照人脸图像的去光照人脸图像，如附图4所示；
[0049]B6、将B5得到的去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度(SSIM)计算,如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
【权利要求】
1.一种联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，包括以下步骤: A、注册阶段，对于每个人的光照正常人脸，首先利用单尺度Retinex算法进行处理，提取反射分量，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成去光照的人脸图像，并将去光照的人脸图像存入数据库中； B、识别阶段，采集一幅任意光照的人脸图像，首先对其利用单尺度Retinex算法进行处理，之后对处理结果进行均匀滤波，消除噪声，然后提取归一化结构描述子，最后利用归一化结构描述子生成该光照人脸的去光照人脸图像，利用该去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度SSIM计算，如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
2.根据权利要求1所述的联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，其特征在于，所述步骤A具体包括: Al、对于每个人，首先利用摄像头采集其光照正常的人脸图像； A2、对于每个人的光照正常人脸图像，首先利用单尺度Retinex算法进行处理，提取反身寸分量; A3、对A2步骤中得到的处理结果进行均匀滤波，消除噪声； A4、将A3步骤中得到的均 匀滤波后的结果提取归一化结构描述子；将图像按照5*5的大小进行网格划分，对于每 一个网格，计算它的均值μ和方差σ，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
NSD (X，y) = (Pixel (x, y) - μ ) / σ ,其中 Pixel (x, y)为(x, y)处像素值； A5、将A4步骤中得到的每一个像素点的归一化结构描述子作为光照正常人脸图像中对应位置的新像素值，就得到了去光照的人脸图像，将该去光照的人脸图像存入数据库中。
3.根据权利要求1所述的联合单尺度Retinex算法和归一化结构描述子的光照人脸识别方法，其特征在于，所述步骤B具体包括: B1、对于任意一个人，利用摄像头采集其任意光照的人脸图像； B2、对BI步骤中采集到的任意光照的人脸图像利用单尺度Retinex算法进行处理，提取反射分量； B3、对B2步骤中得到的处理结果进行均匀滤波，消除噪声 B4、利用B3步骤中得到的均匀滤波后的结果提取归一化结构描述子；将图像按照5*5的大小进行网格划分，对于每一个网格，计算它的均值μ和方差σ，则网格中每一个像素点的归一化结构描述子定义为NSD (X，y)
NSD (X，y) = (Pixel (x, y) _ μ ) / σ ,其中 Pixel (x, y)为(x, y)处像素值； B5、将B4步骤中得到的每一个像素点的归一化结构描述子作为该任意光照人脸图像中对应位置的新像素值，就得到了该任意光照人脸图像的去光照人脸图像； B6、将B5得到的去光照人脸图像与数据库中的去光照人脸图像依此进行结构相似度SSIM计算，如果最大的结构相似度值大于设定阈值0.40，则最大的结构相似度值所对应的的人即为最终的识别结果，如果最大的结构相似度值小于设定阈值0.40，则该人脸图像所对应的人在数据库中不存在。
【文档编号】G06K9/62GK103500339SQ201310413168
【公开日】2014年1月8日 申请日期:2013年9月11日 优先权日:2013年9月11日
【发明者】毋立芳, 周鹏, 许晓, 曹航明, 侯亚希 申请人:北京工业大学