一种确定复杂光照人脸图像的光照不变量的方法
【专利摘要】本发明公开了一种确定复杂光照人脸图像的光照不变量的方法，首先，研究经典的可见光成像模型——朗伯模型，分析物体成像原理，为建立新型的光照估计模型提供原理依据；接着，在设计光照估计模型时，考虑到复杂光照条件下，一幅人脸图像的光照情况可分为无遮挡、遮挡以及过渡这三个区域，因而将其分成两类进行讨论；再次，由于相邻像素间光照的相关性，可将之前定义的两类光照估计结果进行融合得到一个最终结果；最后，由经典简单的朗伯模型，可推导得出人脸图像的光照不变量。本发明方法可以有效地消除原始图像的光照差异。而且所提光照不变量的数值范围介于0和1之间，与人脸本征的数值范围一致。
【专利说明】
一种确定复杂光照人脸图像的光照不变量的方法
技术领域
[0001] 本发明涉及一种确定复杂光照人脸图像的光照不变量的方法，属于人脸识别技术 领域。
【背景技术】
[0002] 近年来，为了有效地消除复杂光照对人脸识别性能的影响，国内外学者已经提出 了诸多方法。其中，从复杂光照人脸图像中提取光照不变量是一类经典、有效的方法。过去， 为了从乘性模型中分离出光照不变量和成像光源，首先假设光照不变量快速变化，成像光 源缓慢变化，然后采用低通滤波实施光照估计间接提取光照不变量。该类方法可以分为直 接和间接两种模式提取光照不变量。直接模式是指从人脸图像中提取高频特征作为光照不 变量，有效高频特征主要包括:梯度特征、纹理特征和变换域高频特征。间接模式是指先从 人脸图像中估计出光照，再实施光照和人脸本征的分离，提取光照不变量，有效的光照估计 方法主要包括:高斯滤波、加权各向异性高斯滤波、对数全变差和变换于平滑滤波。
[0003] 虽然这些方法在复杂光照人脸识别中已经取得了一定的进展，但仍具有局限性。 一方面，假设人脸的光照不变特征快速变化具有一定的狭隘性。因为人脸大部分区域内的 光照不变特征，如眉毛、瞳孔、痣和皮肤，都是缓慢变化的，只有区域之间才存在光照不变特 征快速变化。另一方面，当前的低通滤波、平滑滤波和去噪模型从获取图像低频信息的角度 估计光照(模糊的图像），包含了过多的人脸本征信息，仅能满足光照缓慢变化的特性，忽略 了图像获取模型的特性，与图像光照没有直接的关联。
【发明内容】
[0004] 本发明所要解决的技术问题是克服现有技术的缺陷，提供一种确定复杂光照人脸 图像的光照不变量的方法，在研究经典朗伯模型的基础上，不再假设人脸本征的频率特性， 而是从图像的成像原理出发，能够更加准确地从人脸图像中估计光照，提取更加鲁棒的光 照不变量。
[0005] 为解决上述技术问题，本发明提供一种确定复杂光照人脸图像的光照不变量的方 法，包括以下步骤：
[0006] 1)通过分析朗伯模型，确定复杂光照人脸图像模型；
[0007] 2)设计光照估计模型，求解人脸图像的图像光照；
[0008] 3)根据步骤1)的复杂光照人脸图像模型和步骤2)求解的人脸图像的图像光照，计 算人脸光照不变量。
[0009] 前述的步骤1)中，复杂光照人脸图像模型为：
[0010] F(X，y) = I(x，y) · R(x，y) (2)
[0011] 其中，F(x，y)为人脸图像，R(x，y)表示人脸光照不变量，I(x，y)表示人脸图像的图 像光照。
[0012] 前述的步骤2)设计光照估计模型，求解人脸图像的图像光照具体过程如下：
[0013] 2-1)基于光照缓慢变化区域和光照快速变化区域分别设计光照估计模型I和光照 估计模型Π :
[0014]光照估计模型I被定义为：
[0015] (3.)
[0016]
[0017] (4)
[0018] Fa(x，y) = Im(x，y)_F(x，y) (5)
[0019] 其中，Im(x，y)是光照估计模型I下的图像光照，Is( x，y)是光照估计模型Π下的图 像光照，〇i,j是点(X，y)在Ωι邻域中的相邻点;max( ·)和min( ·)分别表示求取集合数据的 最大值和最小值；
[0020] 2-2)计算Im(x，y)和Is(x，y)，利用光照融合将人脸图像F(x，y)中融合光照估计结 果Im S(x，y)定义为：
[0021] (6)
[0022]
[0023] Fg(x，y)=Fa(x，y)/Im(x，y) (8)
[0024] 其中，mean( ·)表示求取集合数据的平均值;k为可调因子；
[0025] 2-3)设计一种自适应的各向异性高斯滤波来建立相邻像素的图像光照之间的相 关性，并且将最终的图像光照I (X，y)定义为：
[0026] (9)
[0027] (10)
[0028] 其中，G(X，y，Ω2)为标准差为p、卷积核尺度为Ω2的高斯核;P(x，y，Ω2)是I ms(x，y) 对应的各向异性模版;Ims (i，j)是Ims (X，y)在Ω 2邻域中的像素点。
[0029] 前述的可调因子k取为0.6。
[0030] 前述的标准差P取为1。
[0031] 前述的〇1和02邻域窗口设置为3父3。
[0032]前述的人脸光照不变量表示为：
[0033]
[0034] 其中，F(x，y)为人脸图像，R(x，y)表示人脸光照不变量，I(x，y)表示人脸图像的图 像光照。
[0035] 本发明所达到的有益效果:本发明方法可以有效地消除原始图像的光照差异。而 且所提光照不变量的数值范围介于〇和1之间，与人脸本征的数值范围一致。
【附图说明】
[0036]图1是本发明实施例中的Yale B+人脸库的光照不变量。
【具体实施方式】
[0037]下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0038]本发明主要包括光照估计模型的建立和光照不变量的提取两部分。首先，研究经 典的可见光成像模型--朗伯模型，分析物体成像原理，为建立新型的光照估计模型提供 原理依据;接着，在设计光照估计模型时，考虑到复杂光照条件下，一幅人脸图像的光照情 况可分为无遮挡、遮挡以及过渡这三个区域，因而将其分成两类进行讨论;再次，由于相邻 像素间光照的相关性，可将之前定义的两类光照估计结果进行融合得到一个最终结果;最 后，由经典简单的朗伯模型，可推导得出人脸图像的光照不变量。具体包括如下步骤：
[0039] 1、分析朗伯模型：
[0040]图像是指目标物体表面反射到图像获取传感器上形成的光线强度的度量。朗伯模 型作为经典的可见光图像成像模型，被广泛应用于复杂光照人脸识别中。公式（1)给出了朗 伯模型，描述了目标物体的成像原理。
[0041] G(x,y)=p(x,y)n(x,y)Ts (1)
[0042] 其中，p(x，y)和n(x，y)T*别表示目标物体表面的反射率和法向量，s表示成像光 源，G(x，y)表示目标物体的图像。
[0043] 物体表面的反射率和法向量与成像光源无关，是物体的内在特征(光照不变量）。 因此，目标物体的成像原理可以用简单的朗伯模型进行描述，即一幅人脸图像F(x，y)可以 表示为：
[0044] F(x,y) = I(x,y) · R(x,y) (2)
[0045] 其中，R(x，y)表示人脸本征(光照不变量），数值范围属于[0，1]，1(1，7)表示人脸 图像的成像光源(图像光照）。
[0046] 由朗伯模型可知：人脸图像是人脸本征和成像光源相乘的产物;人脸本征的数值 范围属于[0，1];人脸图像的强度低于成像光源的强度;人脸图像的最大值比以往任何的光 照估计方法更接近于成像光源。
[0047] 2、设计光照估计模型：
[0048] 一幅人脸图像的光照情况可以分为三个部分:无遮挡区域、遮挡区域和过渡区域 (无遮挡和遮挡区域之间的区域）。这些区域的光照分别呈现如下特征:光线无遮挡区域光 照比较明亮且变化缓慢;光线遮挡区域光照比较灰暗且变化缓慢;光线过渡区域光照由亮 到暗且快速变化。因此，为光照缓慢变化区域跟快速变化区域分别设计光照估计模型I和 Π ：
[0049] 光照估计模型I被定义为：
[0050] Imix，y) ^ ma*〇i,/efiiCF(0w)：) ( 3:).
[00511光照估计模型Π被定义为：
[0052] ly\x,y) = minoiJeih (^(o；,：)) + F(.x,y) (4)
[0053] Fa(x，y) = Im(x，y)_F(x，y) (5)
[0054] 其中，〇i, j是点（x，j)在Ω :邻域中的相邻点;max( · )、min( ·)和mean( ·)分别表 示求取集合数据的最大值、最小值和平均值。
[0055] 在对公式F( X，y)中的Im( X，y)和Is (X，y)计算之后，利用光照融合来改进光照估计。 在这个过程中，我们通过图像分割区分光的屏蔽边缘和其他区域，并且将人脸图像F(x，y) 中融合光照估计结果Ims (X，y)定义为：
[0056]
(6)
[0057] t=mean(Fg(x，y))+kX (max(Fg(x，y))-mean(Fg(x，y))) (7)
[0058] Fg(x，y)=Fa(x，y)/Im(x，y) (8)
[0059] 其中，mean( ·)表示求取集合数据的平均值;ke[0，l]，是一个可调因子。
[0060] 由于邻近像素的光照应有很大的关系，设计一种自适应的各向异性高斯滤波来建 立相邻像素的光照之间的相关性，并且将最终的图像光照估计结果I(x，y)定义为：
[0061 ] (9)
[0062] (IQ)
[0063] 其中，G(X，y，Ω2)为标准差为p、卷积核尺度为Ω2的高斯核;P(x，y，Ω2)是I ms(x，y) 对应的各向异性模版;Ims (i，j)是Ims (X，y)在Ω 2邻域中的像素点。
[0064] 本发明中可调因子k和标准差P分别设置为0.6和1，域窗口设置为3X3。
[0065] 3.推导光照不变量：
[0066] 从人脸图像中估计出光照后，可以根据公式(2)描述的朗伯模型，推导出人脸图像 的光照不变量。人脸图像F(x，y)的光照不变量可表示为：
[0067] R(x,y)=F(x,y)/I(x,y) (11)
[0068] 通过实验验证证明：本发明方法可以有效地消除原始图像的光照差异，而且所述 光照不变量R的数值范围介于0和1之间，与人脸本征的数值范围一致。
[0069] 实施例：
[0070] 为了验证本发明方法的有效性，将Yale B和扩展Yale B组合成Yale B+人脸库进 行实验。该库复杂照明模式对于鲁棒光照人脸识别算法依然是个具有挑战性的问题。识别 阶段，主成份分析用于特征提取，基于欧式距离的最近邻分类器用于识别分类。本发明算法 与当前先进算法:MSR、Gradientfaces和Guo进行了对比实验，给出相应的识别效果。
[0071] Yale B+人脸库包含38个人，64种光照模式，共计2432幅图像。所有图像尺度被调 整为100*100。根据光源与面部中心轴线夹角的不同，共将人脸库分为5个集合。图1给出了 一个人每个集合5幅图像及本发明提取的光照不变量，可以看出本发明能够有效消除不同 光照对人脸本征的影响。
[0072] 首先，从5个集合中分别选择一个集合为训练集，其他四个集合作为测试集，表1-5 给出了不同算法的实验结果。可以看出本发明所提算法的识别率高于其他算法，特别是集 合5作为训练集时，明显优于其他算法。然后，为了验证本发明算法的高效性，每个人任意选 择一幅图像作为训练集(共计38幅人脸图像），其他图像作为测试集（共计2394幅人脸图 像），重复实验60次，不同算法的平均识别率及标准差如表6所示，可以看出本发明算法的平 均识别率明显尚于其他算法，而且识别率标准差最小。
[0073]表1:集合1作为训练集不同算法的识别率（％ )。
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形 也应视为本发明的保护范围。
【主权项】
1. 一种确定复杂光照人脸图像的光照不变量的方法，其特征在于，包括以下步骤： 1) 通过分析朗伯模型，确定复杂光照人脸图像模型； 2) 设计光照估计模型，求解人脸图像的图像光照； 3) 根据步骤1)的复杂光照人脸图像模型和步骤2)求解的人脸图像的图像光照，计算人 脸光照不变量。2. 根据权利要求1所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述步骤1)中，复杂光照人脸图像模型为： F(X，y) = I(x，y) · R(x，y) (2) 其中，F(x，y)为人脸图像，R(x，y)表示人脸光照不变量，I(x，y)表示人脸图像的图像光 照。3. 根据权利要求1所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述步骤2)设计光照估计模型，求解人脸图像的图像光照具体过程如下： 2-1)基于光照缓慢变化区域和光照快速变化区域分别设计光照估计模型I和光照估计 模型Π : 光照估计模型I被定义为： = rnaxOi^o.^FCoij)) (3) 光照估计模型Π被定义为：Fa(x，y) = Im(x，y)_F(x，y) (5) 其中，Im(x，y)是光照估计模型I下的图像光照，Is(x，y)是光照估计模型Π下的图像光 照，〇i,j是点(x，y)在Ωι邻域中的相邻点;max( ·)和min( ·)分别表示求取集合数据的最大 值和最小值； 2-2)计算Im(x，y)和Is(x，y)，利用光照融合将人脸图像F(x，y)中融合光照估计结果I ms (x，y)定义为：t=mean(Fg(x，y))+kX (max(Fg(x，y))-mean(Fg(x，y))) (7) Fg(x,y)=Fa(x,y)/Im(x,y) (8) 其中，mean( ·)表示求取集合数据的平均值;k为可调因子； 2-3)设计一种自适应的各向异性高斯滤波来建立相邻像素的图像光照之间的相关性， 并且将最终的图像光照I (X，y)定义为：其中，G(X，y，Ω2)为标准差为p、卷积核尺度为Ω2的高斯核;P(x，y，Ω2)是I ms(x，y)对应 的各向异性模版;Wi，j)是Ims(x，y)在〇2邻域中的像素点。4. 根据权利要求3所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述可调因子k取为0.6。5. 根据权利要求3所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述标准差P取为1。6. 根据权利要求3所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述Ω 1和Ω 2邻域窗口设置为3 X 3。7. 根据权利要求1所述的一种确定复杂光照人脸图像的光照不变量的方法，其特征在 于，所述人脸光照不变量表示为： R(x,y)=F(x,y)/I(x,y) (11) 其中，F(x，y)为人脸图像，R(x，y)表示人脸光照不变量，I(x，y)表示人脸图像的图像光 照。
【文档编号】G06K9/00GK106056076SQ201610371321
【公开日】2016年10月26日
【申请日】2016年5月30日
【发明人】程勇, 韩袁琛, 曹雪虹, 焦良葆
【申请人】南京工程学院