基于γ變換的Weber-Faces的人臉識別方法

楊 超 伍世虔,2 方紅萍

1(武漢科技大學機械自動化學院 湖北 武漢 430081)2(湖北省先進鋼鐵材料協(xié)同創(chuàng)新中心 湖北 武漢 430081)3(武漢科技大學信息科學與工程學院 湖北 武漢 430081)

0 引 言

生物特征識別技術[1](Biometric)克服了傳統(tǒng)的身份識別技術[1,3-4]易遺忘、易偽造、安全性低等缺點。由于其獨特的性質，被越來越多的科學家和學者們所推崇。人臉識別[5]是生物識別當中的最簡單直接高效的一種技術，在主動身份識別和被動視頻監(jiān)控中都有著廣泛的應用，特別是在公共安全領域有著獨特的優(yōu)勢，為人們提供了便利及安全。雖然卷積神經(jīng)網(wǎng)絡在人臉識別技術中已經(jīng)發(fā)揮了很大的作用[6-8]，但是其學習的時間長，消耗大量資源以及樣本的條件無法滿足，只能依靠單樣本進行識別。但在單樣本人臉識別中仍然存在許多問題，如光照、姿態(tài)、面部表情、模糊和年齡等[9-10]。特別是光照，人臉識別在室內環(huán)境下的應用已經(jīng)十分成熟，但是在室外環(huán)境下，光照條件對人臉識別有很大的影響。

許多經(jīng)典的人臉識別方法是基于單樣本圖像本身特征信息的。它們可以簡單地分為三類[11]：第一類是傳統(tǒng)的圖像處理方法，不考慮光照反射模型。例如：直方圖均衡化(HE)[12]、Gamma灰度校正(GIC)[13]、各向同性擴散(IS)[14]或各向異性擴散(AS)[14]等。第二類試圖進行光照歸一化，濾除掉人臉圖像的光照部分L，并獲得真實的反射人臉R。基于朗伯特反射模型[15-16]，人臉圖像上坐標(x,y)點的像素I可以表示為：I(x,y)=R(x,y)L(x,y)。例如單尺度Retinex(Single Scale Retinex,SSR)[17]設計了一個全局的低通濾波器，并在對數(shù)域內進行濾波以濾去光照分量L，從而得到反射分量R。自商圖像(Self-Quotient Image, SQI)[18]是直接在圖像域內通過高斯低通濾波器以商的方式獲得反射分量R。韋伯人臉WF(Weber-Faces)[19-20]和多尺度韋伯人臉MSW(Multi Scale Weber faces)[21]都假設局部光照相同，以去除光照L再積分求和獲得反射分量R。第三類嘗試提取光照不變的特征，利用圖像的序特征[22]，提取局部的信息。例如局部二值模式(LBP)[23]是基于序特征在局部鄰域內進行二進制編碼的一種方法，同時還有其他多種改進方法，例如：拓展局部二值模式(ELBP)[24]，局部三值模式(LTP)[9]，拓展局部三值模式(ELTP)[25]等。

這三類方法并不是完全獨立的，近年來，有許多學者將這三類融合在一起進行研究，對人臉圖像先進行預處理或光照歸一化，再提取它們的特征，以便于識別[9，26]。針對韋伯人臉局部光照相同的假設在光照突變處不適用的問題，提出了一種基于γ變換的Weber-Faces的光照歸一化方法。利用γ變換達到局部光照均勻化的目的，再假設局部光照相同，進行Weber-Faces的光照歸一化操作，以提高人臉識別率。并且證明了γ變換后的該假設在絕大部分情況下是成立的。最后，提取反射人臉的LBP特征，采用卡方距離和最近鄰原則[9]進行識別。在Extend Yale B[27]和AR[28]數(shù)據(jù)庫上進行實驗，數(shù)據(jù)顯示，所提出的方法識別率分別為99.08%和99.56%，優(yōu)于WF和其他方法。

1 光照歸一化

1.1 變 換

γ變換是一種常用的非線性變換，用于圖像校正，使較亮的區(qū)域灰度被壓縮，較暗的區(qū)域灰度被拉伸增強，圖像整體變亮。γ變換的目的是光照均勻化，使局部光照相同的假設更加嚴謹，以達到更好的光照處理結果和識別效果。為更好地實現(xiàn)變換，首先將圖像壓縮到0～1的范圍內，即：

(1)

根據(jù)朗伯特反射模型[15-16]，I=RL，所以有式(1)成立。然后對Ii進行γ變換得到Iγ：

(2)

1.2 條件假設

為了消除光照影響，文獻[19]假設3×3局部鄰域Ω的光照相同，有L(x,y)≈LΩ(x,y)，即導數(shù)dL(x,y)≈0。

對于γ變換后Iγ同樣為了簡化并消除光照影響，假設d(Lγ(x,y))≈0，為了證明該假設更加合理和嚴謹，下面進行驗證。由于WF的假設條件為dL(x,y)≈0，需要證明dL(x,y)≥d(Lγ(x,y))≈0。

(3)

1.3 鄰域積分求和

(4)

(5)

1.4 處理結果對比

針對人臉識別中光照處理問題，尤其是惡劣的光照條件，圖1給出了該方法的光照歸一化結果，并對比了幾種光照處理的方法，如WF、MSW、SQI、GIC等。如圖1所示，(a)表示光照惡劣條件下的人臉圖像，(b)到(e)分別為WF、MSW、SQI和GIC對原圖(a)的處理結果，而(f)則表示對(e)進行WF的結果?？梢院苊黠@地看出，對(a)進行了γ變換的結果(e)的可視性和清晰度改善了許多，局部的光照變得更加均勻，因此，(e)的局部光照相同的假設比(a)更加合理和嚴謹。所以對(e)進行WF的結果(f)比直接對(a)進行WF的結果(b)好很多，尤其體現(xiàn)在眼睛、鼻子、嘴巴等，同時(f)要優(yōu)于MSW、SQI。

圖1 幾種光照處理方法結果對比

2 實驗結果

在得到光照歸一化的反射人臉r后，直接進行識別會受到位移、微表情等的影響。為了消除這些影響，提取了人臉局部LBP特征，再利用卡方距離和最近鄰原則進行識別。為了驗證該方法的有效性，在Extend Yale B和AR數(shù)據(jù)庫上進行了實驗，并與其他光照歸一化方法進行對比，例如LBP、SSR、SQI、GIC、WF、MSW，其參數(shù)設置都與文獻中所推薦的一致。

2.1 Extend Yale B數(shù)據(jù)庫

Extend Yale B數(shù)據(jù)庫包含38個人的64種光照角度的9種姿勢，除去含有損壞圖像的7種角度，選取57種光照角度的圖像作為測試庫，并以正面均勻光照角度(‘A+000E+00’)人臉圖像作為訓練庫。每幅人臉圖像的大小為192×168，因此測量直方圖的卡方距離時，LBP特征圖像被分成24×24塊，每個塊的大小為8×7。為更好地檢驗所提方法的性能，提高識別率，采用推薦的σ=1.5，并設置不同的參數(shù)α和γ，能夠獲得在Extend Yale B數(shù)據(jù)庫上更高的平均識別率，如表1所示?？梢钥闯觯讦?10且γ=0.7時，平均識別率最高，為99.08%，并在α=10且γ=0.6或0.7時，分別達到99.03%或98.98%，高于WF的識別率98.94%。值得注意的是γ=1時，相當于直接進行WF，唯一不同的是，該方法對式(1)進行壓縮導致識別率略微下降。

表1 σ=1.5時，不同γ和α在Extend Yale B上

續(xù)表1

為進一步比較該方法在不同條件下的效果，根據(jù)光照角度將測試庫分成五個子集(12°, 25°, 50°, 77°, 90°)[1]，并將其與其他光照歸一化方法進行對比，結果如圖2所示?？梢钥闯觯驗镾SR是全局的算法，處理后效果不如直接使用LBP的識別方法。LBP提取的是局部序特征，即大小關系，而GIC不能改變這種局部大小關系，因此其效果與LBP不相上下。這些方法對光照變化的魯棒性較差，而SQI、WF、MSW以及本文方法都具有很強的光照魯棒性。其中，本文方法的魯棒性最高，在光照條件最惡劣的子集5上仍有最高的識別率97.53%，高于WF的96.22%，并且具有最高的平均識別率99.08%，高于WF的98.94%。因為局部光照相同的假設在鄰域越大時越不成立，所以MSW的識別率為98.73%，反而比WF略微下降。

圖2 幾種方法在Extend Yale B的五個子集中的識別率

2.2 AR數(shù)據(jù)庫

AR數(shù)據(jù)庫包含100個人的兩個時期，每個時期包含13種圖像。由于該方法主要解決光照問題，選取每個時期圖像包括：1) 人臉正常光照，2) 人臉左邊光照，3) 人臉右邊光照，4) 兩邊光照，5) 戴眼鏡，6) 戴眼鏡左邊光照，7) 戴眼鏡右邊光照，8) 戴圍巾，9) 戴圍巾左邊光照，10) 戴圍巾右邊光照。因此有2 000張圖像，并將其分為三個子集，并分別以1) 人臉正常光照，5) 戴眼鏡，8) 戴圍巾作為訓練庫，相對應的其他光照圖像作為測試庫。AR人臉圖像的大小為165×120，所以LBP特征圖像被分成15×15塊，每個塊的大小為11×8。識別結果對比如表2所示。

表2幾種方法在AR數(shù)據(jù)庫上的識別率

識別率/%子集1子集2子集3平均識別率/%LBP98.5099.2510099.25SSR97.8399.2510099.03SQI99.0095.7599.5098.08GIC98.6799.5010099.39WF99.0099.7599.7599.50MSW99.0099.5099.7599.42本文方法99.1799.7599.7599.56

可以看出，在子集3中因為有了圍巾的遮擋，且圍巾是吸光的，而皮膚是反光的，所以LBP、SSR、GIC達到了100%，高于其他方法。但是在無遮擋的子集1中光照強度變化，本文方法卻優(yōu)于其他方法，LBP、SSR的效果反而下降了。最終，本文方法的在三個子集上的平均識別率最高，達到了99.56%。

3 結 語

針對人臉識別中光照問題，提出了一種基于γ變換的Weber-Faces方法，改進了原始Weber-Faces的條件假設，使其更加合理和嚴謹，提升了識別效果。實驗結果表明，該方法比Weber-Faces具有更強的光照魯棒性，在Extend Yale B和 AR數(shù)據(jù)庫上，識別率分別達到99.08%和99.56%，優(yōu)于其他光照歸一化方法。