基于直方圖均衡化的人臉識別系統設計與實現

聶倩倩 秦潤澤 高育新 胡欣宇

摘 要：針對提取人臉特征時光照干擾的問題，提出一套完備的抗光照人臉識別系統。削弱光照影響可以從預處理與構建特征臉兩個階段考慮。預處理階段采用直方圖均衡化圖像處理技術，構建特征臉階段選取光照錐方法進行光照補償，以削弱系統中的光照影響。從實現效果看，算法滿足人臉識別的要求。

關鍵詞：直方圖均衡化；Eigenfaces；光照錐；表情識別

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2018）07-00-02

0 引 言

近年來，人臉識別受到各界的廣泛關注。該技術是一種非接觸式、簡便的生理特征識別技術。人臉識別主要采用幾何特征、模板匹配、統計學等方法實現。錢程采用深度多模型融合實現人臉識別[1]。江偉等人對Ada Boost算法進行相應的改進[2]，使其檢測效果更佳。常云翔采用深度學習算法解決了復雜光照人臉識別模型問題[3]。這些方法在理想狀態下已取得較好的效果，但仍有諸多問題急需解決。本文采用光照錐法進行光照補償，實現視頻流的人臉識別。

1 系統整體框架

本文人臉識別抗光照系統流程為：攝像頭采集數據，將采集到的內容逐幀輸入到人臉檢測模塊，對檢測出的人臉進行預處理。將預處理后的圖像傳送到人臉識別模塊，輸出識別結果。具體實現過程如圖1所示。

2 人臉檢測

在人臉檢測前，首先應將視頻逐幀輸入的圖像轉化為灰度圖像，并使用雙線性插值法將其歸一化處理，以提高人臉檢測速率。

人臉檢測模塊由訓練與檢測兩部分組成。本文使用Ada Boost算法，采用OpenCV函數庫中的Haar分類器，人臉檢測模塊利用如下函數：

CascadeClassifier：CascadeClassifier（）

CascadeClassifier：detectMultiScale（）

3 圖像預處理

視頻圖像會受到光照等條件影響，本系統采用直方圖均衡化調整圖片的對比度，改善采集的數據質量。

直方圖均衡化利用累計分布函數變換將直方圖從集中灰度分布映射成均勻灰度分布。具體步驟為：

（1）經灰度映射，獲取輸入圖像的二維直方圖。

（2）統計每個灰度級出現的頻率。

（3）通過調整灰度級直方圖改善圖像因過度曝光或曝光不足導致的前景背景過亮或過暗現象。

直方圖均衡化處理如圖2、圖3所示。

4 人臉識別

4.1 人臉表征與光照錐

人臉識別算法主要包括Eigenfaces算法、Fisherfaces算法與LBPHfaces算法。Eigenfaces算法將高維的人臉圖像降維映射到低維特征臉子空間，實現面部特征采集，該算法特征數據多、識別準確率高。Fisherfaces算法在低維空間達到最大類間離散度與最小類內離散度，對不同的數據集計算其相應的特征。LBPHfaces算法采用局部特征值的描述方法，通過提取圖像局部細節描述其紋理特征。

本文設計選用Eigenfaces算法。該算法雖然具有較高的識別率，但對光照因素較為敏感，因此光照因素的存在導致系統具有較高的誤識率與拒識率。本文采用光照錐方法對圖像進行光照補償。

光照錐即不同光源方向的圖像疊加形成的凸型錐體。光照錐方法基于光度立體視覺方法，使用前提是樣本為理想散射模型，即可在固定光照下的所有視場方向觀測到物體表面。算法思想是在構建特征臉時利用光照錐生成新的圖像樣本。

首先，加載用于訓練的圖像樣本，將圖像樣本轉換成矩陣向量形式與表示光源方向矩陣。其次，根據單一光源人臉表面的陰影計算出光源的反射率與表面法向量，由這些信息可以得到三維人臉重構圖像與光源方向的估計值。最后，通過改變光源的方向，計算出不同光源下的合成圖像。通過豐富特征臉的圖像光源信息，實現在構建特征臉階段減少光照對人臉識別系統的干擾。

4.2 算法實現

人臉識別算法的具體步驟為：

（1）采集人臉樣本，利用光照錐重構圖像，人臉重構模型如圖4所示，原圖像與重構圖像如圖5所示。

（2）對樣本進行標準化處理，如圖6和圖7所示。

（3）計算不同人臉樣本集的平均臉，如圖8所示。

（4）計算離散度矩陣。將離散度矩陣進行特征值分解，選取其中最大的幾組特征值見表1所列，其相應的特征向量如圖9和圖10所示。

5 結 語

本文人臉檢測模塊選取傳統的Harr分類器，采集的人臉圖像經顏色空間轉換與歸一化處理后，圖像基本標準化，又經直方圖均衡化處理，使系統初具抗光照能力。在人臉識別模塊，選取經典的Eigenfaces算法，并結合光照錐方法構造“特征臉”，使得系統進一步削弱了光照對其的影響。在不同光照情況下采用該軟件對實驗室45名學生進行為時1 min的實驗，實驗結果見表2所列。

從實驗效果看，達到了滿足了不同光照情況下人臉實時識別效果。光照錐法可以有效解決經典的Eigenfaces算法識別人臉存在的對光照敏感的問題。

參考文獻

[1]錢程. 基于深度學習的人臉識別技術研究[D].成都：西南交通大學，2017.

[2]江偉堅，郭躬德，賴智銘. 基于新Haar-like特征的AdaBoost人臉檢測算法[J].山東大學學報，2014（2）：43-48.

[3]常云翔. 基于深度學習的復雜光照條件下人臉識別技術研究[D].沈陽：沈陽航空航天大學，2017.

[4]李粉蘭，段海峰，郝建國，等. 人臉識別中光照補償問題的實驗研究[J].圖學學報，2009，30（3）：113-120.

[5] BASRI R，JACOBS D W. Lambertian reflectance and linear subspaces [J]. IEEE taransactions on pattern analysis and machine intelligence，2003，25（2）：218-233.

[6] CHANG H，KOSCHAN A，ABIDI B，et al. Fusing continuous spectral images for face recognition under indoor and outdoor illuminants [J]. Machine vision and applications，2010，21（2）：201-215.

[7]陳釗.基于DCT和LDA融合方法的人臉識別系統設計與實現[D].長春：吉林大學，2015.

[8]方敏.基于人臉識別算法的研究及門禁系統的設計與實現[D].成都：電子科技大學，2011.