本征图像分解方法、装置、设备及可读存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种本征图像分解方法、装置、设备及可读存储介质。

背景技术：

本征图像，是指将一幅图像分解而成的照射图和反射图。其中，照射图是反应原图像光照情况的图像；而反射图是指在变化的光照条件下能够维持不变的图像部分，是原图像去掉高光后的图像。现有的本征图像分解方法主要分为两大类，一类为基于约束优化的本征图像分解方法，此类方法的假设具有局限性，仅在特定情况下有效，而无法得到在普遍情况下的分离性高的本征图像分解结果；另一类为基于机器学习的本征图像分解方法，此类方法又受数据集标注困难的限制，往往难以获取到大量的有密集标注的图像数据集，同样难以得出分离性高的本征图像分解结果。由于上述的种种问题，通过现有的两大类本征图像分解方法均无法得到分离完全的本征图像，从而导致了现有的本征图像分解方法对本征图像分解不完全的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种本征图像分解方法，旨在解决现有的本征图像分解方法对本征图像分解不完全的技术问题。

为实现上述目的，本发明提供一种本征图像分解方法，所述本征图像分解方法应用于本征图像分解设备，所述本征图像分解方法包括以下步骤：

获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；

基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。

可选地，所述基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果的步骤包括：

基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数的增广拉格朗日函数；

根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目标变量基于交替方向乘子算法的目标迭代格式；

将所述目标迭代格式进行初始化，基于格式化后的目标迭代格式对所述目标变量进行迭代计算；

在检测到满足预设收敛条件时，将当前迭代轮数的目标变量值作为收敛目标变量值，以获取所述收敛目标变量值中的所述本征图像分解结果。

可选地，所述根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目标变量基于交替方向乘子算法的目标迭代格式的步骤包括：

基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式；

根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标迭代格式。

可选地，所述在检测到满足预设收敛条件时，将当前迭代轮数的目标变量值作为收敛目标变量值，以获取所述收敛目标变量值中的所述本征图像分解结果的步骤之前，还包括：

获取迭代过程中所述目标变量中的光照目标分量的变化速率，判断所述变化速率是否小于预设阈值；

若所述变化速率小于预设阈值，则判定满足预设收敛条件；

若所述变化速率不小于预设阈值，则判定不满足预设收敛条件。

可选地，所述获取预设约束条件与当前指定的原始图像所确定的极小化目标函数的步骤之前，还包括：

接收用户发送的图像序列分解指令，获取基于所述图像序列分解指令所确定的原始图像中的图像数目与图像像素矩阵；

基于预设约束条件、所述图像数目与图像像素矩阵确定所述极小化目标函数。

可选地，所述本征图像分解方法还包括：

基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函数进行秩惩罚。

可选地，所述基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果的步骤之后，还包括：

在所述原始图像为人脸图像时，将所述本征图像分解结果中的光照本征图像作为人脸特征图像；

基于预设图像识别算法对所述人脸特征图像进行人脸识别。

此外，为实现上述目的，本发明还提供一种本征图像分解装置，所述一种本征图像分解装置包括：

目标函数确定模块，用于获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；

分解结果获取模块，用于基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。

此外，为实现上述目的，本发明还提供一种本征图像分解设备，所述本征图像分解设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的本征图像分解程序，所述本征图像分解程序被所述处理器执行时实现如上述的本征图像分解方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有本征图像分解程序，所述本征图像分解程序被处理器执行时实现如上述的本征图像分解方法的步骤。

本发明提供一种本征图像分解方法、装置、设备及计算机可读存储介质。所述本征图像分解方法通过获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。通过上述方法，本发明给出了基于光照本征图像的低秩稀疏性质确定的预设约束条件，相较于现有的仅基于稀疏性质所确定的约束条件，能够更好地刻画本征图像的性质，将耦合的反射与光照目标分量分离得更加完全；运用交替方向乘子法对极小化目标函数进行优化求解，相较于现有的基于机器学习的本征图像分解方法计算过程更加简单易行，无需大量的标注训练样本即可完成分解任务；且基于交替方向乘子法的求解过程为分布式计算过程，实现了实时计算的效果，从而解决现有的本征图像分解方法对本征图像分解不完全的技术问题。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明本征图像分解方法第一实施例的流程示意图；

图3为本发明本征图像分解方法第二实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)播放器、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及本征图像分解程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的本征图像分解程序，并执行以下操作：

获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；

基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数的增广拉格朗日函数；

根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目标变量基于交替方向乘子算法的目标迭代格式；

将所述目标迭代格式进行初始化，基于格式化后的目标迭代格式对所述目标变量进行迭代计算；

在检测到满足预设收敛条件时，将当前迭代轮数的目标变量值作为收敛目标变量值，以获取所述收敛目标变量值中的所述本征图像分解结果。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式；

根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标迭代格式。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

获取迭代过程中所述目标变量中的光照目标分量的变化速率，判断所述变化速率是否小于预设阈值；

若所述变化速率小于预设阈值，则判定满足预设收敛条件；

若所述变化速率不小于预设阈值，则判定不满足预设收敛条件。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

接收用户发送的图像序列分解指令，获取基于所述图像序列分解指令所确定的原始图像中的图像数目与图像像素矩阵；

基于预设约束条件、所述图像数目与图像像素矩阵确定所述极小化目标函数。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函数进行秩惩罚。

进一步地，处理器1001可以调用存储器1005中存储的本征图像分解程序，还执行以下操作：

在所述原始图像为人脸图像时，将所述本征图像分解结果中的光照本征图像作为人脸特征图像；

基于预设图像识别算法对所述人脸特征图像进行人脸识别。

基于上述硬件结构，提出本发明本征图像分解方法的各个实施例。

参照图2，图2为本征图像分解方法第一实施例的流程示意图。

本发明第一实施例提供一种本征图像分解方法，所述本征图像分解方法包括以下步骤：

本征图像，是指将一幅图像分解而成的照射图和反射图。其中，照射图是反应原图像光照情况的图像；而反射图是指在变化的光照条件下能够维持不变的图像部分，是原图像去掉高光后的图像。

本征分解假设物体都是理想散射的，并且以retinex理论为基础的。单张本征图像分解将一张图片i分解为：i＝rl，即图片的反射率本征图r以及图片的光照图l的的点乘。其中反射率本征图r仅仅与物体材质、颜色有关，而与周围环境无关的物体本征反射性；光照环境与物体几何结构相互作用后的形成亮度本征图l。简单来说，反射率本征图r和光照本征图l分别反映了物体本身的颜色和光照这两个相互独立的信息。为了方便计算，一般我们对式i＝rl两边同时取对数，将乘法化为加法，即：f＝u+v，其中f＝log(i)，u＝log(r)，v＝log(l)。通常只要能够计算出u，v可通过f-u计算得到。而式f＝u+v是一个病态问题，即我们仅仅知道f，但是要计算出u和v，未知量的个数是已知量数目的两倍。对于病态问题，通常的做法是增加适当的约束或先验知识已解决此类问题。现有的本征图像分解方法主要分为两大类，一类为基于约束优化的本征图像分解方法，此类方法的假设具有局限性，仅在特定情况下有效，而无法得到在普遍情况下的分离性高的本征图像分解结果；另一类为基于机器学习的本征图像分解方法，此类方法又受数据集标注困难的限制，往往难以获取到大量的有密集标注的图像数据集，同样难以得出分离性高的本征图像分解结果。由于上述的种种问题，通过现有的两大类本征图像分解方法均无法得到分离完全的本征图像，从而导致了现有的本征图像分解方法对本征图像分解不完全的技术问题。

在本实施例中，为解决上述问题，本发明提供一种本征图像分解方法，即给出了基于光照本征图像的低秩稀疏性质确定的预设约束条件，相较于现有的仅基于稀疏性质所确定的约束条件，能够更好地刻画本征图像的性质，将耦合的反射与光照目标分量分离得更加完全；运用交替方向乘子法对极小化目标函数进行优化求解，相较于现有的基于机器学习的本征图像分解方法计算过程更加简单易行，无需大量的标注训练样本即可完成分解任务；且基于交替方向乘子法的求解过程为分布式计算过程，实现了实时计算的效果，从而解决现有的本征图像分解方法对本征图像分解不完全的技术问题。所述本征图像分解方法应用于终端。

步骤s10，获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；

其中，预设约束条件为预先根据光照本征图像所具有的稀疏性与低秩性而确定的针对本方案的特定约束条件。原始图像为关于同一物体同一视角不同光照条件下拍摄多张图像，本实施例对上述原始图像的数量不做限制。

在本实施例中，终端可通过接受用户当前导入或是根据预设程序自动获取的当前需要进行本征图像分解的原始图像。且上述原始图像的数量根据具体情况而定，通常为一组包含有多张图像的图像序列，本实施例对上述原始图像的数量不做限制。终端根据预设的体现低秩性与稀疏性的特定约束条件以及当前待分解的原始图像确定出待求解的极小化目标函数。

具体地，设定当前有一组包含有n张已经对齐良好的图像序列所对应的像素矩阵ii(i＝1,2,...,n)，光照目标分量设为u，反射目标分量设为v。这组图像序列都来自于同一个场景，故这组图像序列中的n张图像的反射目标分量v相同，可设v＝[v,v,...,v]；而这n张图像的光照不相同。故它们的反射目标分量u不相同，可设u＝[u1,u2,...,un]。在对数意义下，令v＝ui-fi，f是m×n的矩阵，其中m表示每张图片具有m个像素。其中fi＝log(ii)。f＝[f1,f2,...,fn]，则基于上述设定与预设的体现出低秩稀疏特性的约束条件而确定的极小化目标函数为：

其中，d为梯度算子离散格式的前向差分矩阵，有其中是克罗内克乘积，，且有

而e定义为

步骤s20，基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。

在本实施例中，终端基于交替方向乘子法(admm，alternatingdirectionmethodofmultipliers)与预设的基于低秩性与稀疏性的约束条件对上述极小化目标函数进行分布式迭代计算求解。需要说明的是，因ui和v是由变量分离得出，因此解决上述极小化目标函数的极小化约束优化问题可用admm解决。具体地，可将(1)式也即是上述极小化目标函数转换为其对应的增广拉格朗日函数，再基于admm对得到的增广拉格朗日函数中的各项目标变量进行分布式迭代求解，以得到判断收敛时的目标变量中u与v的值，此时的u与v也即为上述原始图像序列的本征图像分解结果。

本发明提供一种本征图像分解方法。所述本征图像分解方法通过获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。通过上述方法，本发明给出了基于光照本征图像的低秩稀疏性质确定的预设约束条件，相较于现有的仅基于稀疏性质所确定的约束条件，能够更好地刻画本征图像的性质，将耦合的反射与光照目标分量分离得更加完全；运用交替方向乘子法对极小化目标函数进行优化求解，相较于现有的基于机器学习的本征图像分解方法计算过程更加简单易行，无需大量的标注训练样本即可完成分解任务；且基于交替方向乘子法的求解过程为分布式计算过程，实现了实时计算的效果，从而解决现有的本征图像分解方法对本征图像分解不完全的技术问题。

参照图3，图3为本发明本征图像分解方法第二实施例的流程示意图。

基于上述图2所示的第一实施例，在本实施例中，步骤s20包括：

步骤s21，基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数的增广拉格朗日函数；

其中，预设替换规则为生成上述极小化目标函数的增广拉格朗日函数所需的替换变量的生成规则。

在本实施例中，为便于计算，可基于预设替换规则确定构成上述极小化目标函数所对应的增广拉格朗日函数的替换变量，再生成包含有光照目标分量、反射目标分量与替换变量的对应的增广拉格朗日函数。具体地，基于预设替换规则，令w＝du，a＝u，其中w与a即为替换变量。第一实施例中的(1)式所对应的增广拉格朗日函数即为

其中y1，y2和y3是拉格朗日乘子。

步骤s12，根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目标变量基于交替方向乘子算法的目标迭代格式；

其中，目标变量至少包括光照目标分量u、反射目标分量v、替换变量w、a。预设转化规则为将目标变量的隐式迭代格式转化为显式迭代格式的规则。

在本实施例中，根据admm优化算法原理，求得将上述极小化目标函数对应增广拉格朗日函数中各目标变量的隐式迭代格式，并为便于后续进行迭代计算，基于预设转化规则，将各目标变量的隐式迭代格式转化为显式迭代格式。具体地，根据步骤s21的实施例中的(2)式可得出替换变量w、a，光照目标分量u、反射目标分量v的隐式迭代格式如下：

其中，c1，c2和c3为预设指定参数，本实施例对此不作具体限定。根据收缩算子的定义变换w与v的隐式迭代格式，对替换变量a执行奇异值分解，可得出w，a，v各自的显式迭代格式如下：

其中表示的第i列。

步骤s13，将所述目标迭代格式进行初始化，基于格式化后的目标迭代格式对所述目标变量进行迭代计算；

在本实施例中，根据预设初始值对转化后的显示迭代格式进行初始化，以便根据格式化后的目标变量进行迭代计算。具体地，将(2)式中的拉格朗日乘子y1，y2，y3的初始值设为反射目标分量v的初始值设为替换变量w的初始值设为0。并设ui＝v+fi。基于上述初始值对对应的变量进行初始化。

步骤s14，在检测到满足预设收敛条件时，将当前迭代轮数的目标变量值作为收敛目标变量值，以获取所述收敛目标变量值中的所述本征图像分解结果。

其中，预设收敛条件为反射目标分量的变化速率低于预设阈值或是当前迭代次数达到预设最大迭代次数。

在本实施例中，终端在检测到当前迭代计算满足预设收敛条件时，停止当前的迭代计算，并获取在当前迭代轮数所得的光照目标分量u与反射目标分量v。此时光照目标分量u的值与反射目标分量v的值即为当前原始图像分解任务的分解结果。也即是此时光照目标分量u的值为原始图像的光照本征图像，此时光照目标分量u的值为原始图像的反射本征图像。

进一步地，图中未示的，在本实施例中，步骤s22包括：

步骤a，基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式；

其中，上述初始迭代格式即为隐式迭代格式。

在本实施例中，根据步骤s21的实施例中的(2)式可得出替换变量w、a，光照目标分量u、反射目标分量v的隐式迭代格式如下：

其中，c1，c2和c3为预设指定参数，本实施例对此不作具体限定。另外，直接出拉格朗日算子y1，y2，y3的迭代格式如下：

步骤b，根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标迭代格式。

在本实施例中，对于替换变量w与反射光照分量v的隐式迭代格式，根据收缩算子的定义，对于γ＝1,2，…，m，则有

其中，故可将替换变量w与反射光照分量v的显式迭代格式写为：

且由于替换变量a涉及到核范数，则需对a的隐式迭代格式执行奇异值分解(svd，singularvaluedecomposition)。基于svd中的替换变量a的显迭代格式可写为：

进一步地，图中未示的，步骤s24包括：

步骤c，获取迭代过程中所述目标变量中的光照目标分量的变化速率，判断所述变化速率是否小于预设阈值；

其中，预设阈值为界定迭代计算过程中光照目标分量的变化速率的数值，该阈值可根据实际情况灵活设置，本实施例对此不做限定。

在本实施例中，终端在每一轮迭代计算中，均会获取各轮迭代计算中的光照目标分量v的值，计算每两轮迭代过程中v的变化速率，并将其与预设的变化速率阈值进行比较。另外，对于本发明中的迭代过程的收敛条件还可为预设最大迭代次数。例如，可预设最大迭代次数为500次，若当前的光照目标分量v的变化速率不小于预设阈值，但终端检测到当前迭代次数为500次，则判定当前已达到预设收敛条件，停止迭代计算。

步骤d，若所述变化速率小于预设阈值，则判定满足预设收敛条件；

在本实施例中，若终端检测到当前迭代轮数的光照目标分量u的变化速率小于预设阈值，则可判定当前基于admm优化算法进行分布式迭代计算的增广拉格朗日函数达到收敛。

步骤e，若所述变化速率不小于预设阈值，则判定不满足预设收敛条件。

在本实施例中，若终端检测到当前迭代轮数的光照目标分量u的变化速率大于或等于预设阈值，则可判定当前基于admm优化算法进行分布式迭代计算的增广拉格朗日函数未达到收敛，继续进行迭代计算，直至检测到满足于预设收敛条件时，停止迭代计算。

本发明提供一种本征图像分解方法。所述本征图像分解方法进一步通过预设收缩算子与奇异值分解规则作为预设替换规则将极小化目标函数转换为与其对应的增广拉格朗日函数，为后续基于admm进行迭代计算提供了前提条件；通过对增广拉格朗日函数中各目标分量分别进行迭代计算，并在函数收敛时获取原始图像分解结果，无需运用机器学习算法即可完成分布式计算，计算过程简单易行，减轻了终端的计算负担；通过比较迭代计算过程中光照分量的变化速率与预设阈值的大小关系，使得判敛过程简单易行，提高了本发明的实用性。

图中未示的，基于上述图2所示的第一实施例，提出本发明本征图像分解方法第三实施例。在本实施例中，步骤s10之前，还包括：

步骤f，接收用户发送的图像序列分解指令，获取基于所述图像序列分解指令所确定的原始图像中的图像数目与图像像素矩阵；

本实施例中，用户选定当前需要进行本征图像分解的原始图像序列，点击终端当前显示的用于创建本征图像分解任务的按键。终端接收到用户当前发送的这一图像序列分解指令，创建一个图像序列分解任务，获取该图像序列分解指令中的原始图像序列的图像数目，并将序列中各图像以像素矩阵的形式保存。

步骤g，基于预设约束条件、所述图像数目与图像像素矩阵确定所述极小化目标函数。

在本实施例中，终端根据由光照本征图像的低秩稀疏特性所确定的预设约束条件，当前本征图像分解任务中待分解的图像序列中的图像数目以及每一图像的像素矩阵确定出用于求得图像序列对应的本征图像分解结果的极小化目标函数。

进一步地，在本实施例中，本发明本征图像分解方法还包括：

步骤h，基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函数进行秩惩罚。

在本实施例中，上述极小化目标函数为(1)式所示。其中第三项的|u|*表示光照目标分量u的核范数，此项用于所(1)式所表示的极小化目标函数进行秩惩罚，以体现低秩性。

进一步地，在本实施例中，步骤s20之后，还包括：

步骤i，在所述原始图像为人脸图像时，将所述本征图像分解结果中的光照本征图像作为人脸特征图像；

在本实施例中，当前本征图像分解任务中的原始图像为人脸在同一时间不同光照条件下的多张图像。终端对其根据上述步骤进行本征图像分解，得到对应的光照本征图像与反射本征图像，并将光照本征图像作为人脸特征图像。

步骤j，基于预设图像识别算法对所述人脸特征图像进行人脸识别。

其中，预设图像识别算法为可用于人脸图像识别的算法，可为支持向量机(svm,supportvectormachine)，k最近邻(knn，k-nearestneighbor)分类算法等。

在本实施例中，终端基于预设图像识别算法对上述人脸特征图像进行人脸识别，能够得到更精准的识别效果。另外，通过本发明所得到的本征图像分解结果还可用于图像重彩色化，人脸图像的光照迁移等方向，使其得到较之现有技术更好的效果。

本发明提供一种本征图像分解方法。所述本征图像分解方法进一步通过获取用户发送的图像序列分解指令中的图像数目与图像像素矩阵，使得可根据用户的简单操作确定出进行本征图像分解所需的极小化目标函数；通过在极小化目标函数中设置光照目标分量的核范数，实现对极小化目标函数进行秩惩罚，体现出了低秩性，使得原始图像的光照目标分量与反射目标分量分离得更加彻底；通过在本发明的基础上进行人脸识别，能够获得准确度更高的识别结果。

本发明还提供一种本征图像分解装置。

所述本征图像分解装置包括：

目标函数确定模块，用于获取预设约束条件与当前指定的原始图像所确定的极小化目标函数，其中，所述预设约束条件根据光照本征图像的低秩稀疏性质确定；

分解结果获取模块，用于基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解，以获取所述原始图像的本征图像分解结果。

本发明还提供一种本征图像分解设备。

所述本征图像分解设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的本征图像分解程序，其中所述本征图像分解程序被所述处理器执行时，实现如上所述的本征图像分解方法的步骤。

其中，所述本征图像分解程序被执行时所实现的方法可参照本发明本征图像分解方法的各个实施例，此处不再赘述。

本发明还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有本征图像分解程序，所述本征图像分解程序被处理器执行时实现如上所述的本征图像分解方法的步骤。

其中，所述本征图像分解程序被执行时所实现的方法可参照本发明本征图像分解方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。